CN112070745A - 一种快速有效的遥感影像分割非监督评价方法 - Google Patents
一种快速有效的遥感影像分割非监督评价方法 Download PDFInfo
- Publication number
- CN112070745A CN112070745A CN202010935549.5A CN202010935549A CN112070745A CN 112070745 A CN112070745 A CN 112070745A CN 202010935549 A CN202010935549 A CN 202010935549A CN 112070745 A CN112070745 A CN 112070745A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- remote sensing
- heterogeneity
- weight
- objects
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000003709 image segmentation Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
针对现有技术中存在的问题，本发明的目的在于提出一种快速有效的遥感影像分割非监督评价方法，用于快速有效的评估遥感影像分割结果。本发明的目的通过以下技术步骤实现：步骤1)遥感影像多尺度分割。步骤2)利用对象内光谱方差来表示对象内同质性，对每个波段的权重设为相等，后以每个对象的面积为权重相加为全局指标。步骤3)利用对象与其邻域像素的光谱差来表示对象间异质性，对每个波段的权重设为相等，后以每个对象的面积为权重相加为全局指标。步骤4)用步骤3得到的异质性值减去步骤2的同质性值得到一个快速全局分数Fast Global Score(FGS)。步骤5)绘制曲线评估各个尺度下的分割结果。
Description
技术领域
本发明设计了一种快速有效的遥感影像分割非监督评价方法，对居住区，工业区，农田区和其混合区能较好地评估影像分割结果，具有较高实用价值，为遥感影像分割评价提供了参考依据。
背景技术
随着遥感技术的飞速发展，高分辨率遥感图像可以更容易获得，并广泛应用于各种应用。与中低分辨率遥感图像相比，高分辨率遥感图像包含更详细的空间信息，但光谱分辨率较低。如果将只使用图像光谱信息的基于像素的分析方法应用于高分辨率图像，则将忽略其丰富的空间信息，并产生更多的噪声。因此，面向对象分析已经开始出现，在高分辨率图像中能够实现更好的精度。
面向对象分析的目的是有效利用高分辨率图像的空间和纹理信息。面向对象分析的第一步是将图像分割成一系列有意义的对象。因此，分割结果对后续特征提取、分类等有重要影响。大量分割算法已应用于遥感影像分割在大多数分段算法中，有一个参数称为"尺度"来控制对象的大小，这极大地影响了最终的分割结果和面向对象分析的影响。因此，评估分割质量对于选择最佳尺度和获得更好的分割结果以进行后续分析至关重要。
直接评估方法可以分为三类：分析评估，监督评估和非监督评估。分析评估通过人工视觉检查比较一系列分割结果来确定最佳尺度，并且由于其简单性而被广泛使用。但是，这很耗时，并且受人类主观性的影响很大。监督评估使用分割结果与手动选择的参考分割数据集之间的差异标准对分割进行定量评估。监督评估克服了人为错误，并提供了更可靠，客观和定量的评估结果。尽管如此，监督评估需要手动构建参考数据集。为高分辨率遥感影像构建整个参考数据集既繁琐又费时，并且涉及一些主观性。而且，对象之间的计算过程和匹配算法非常复杂。上述缺点使得难以将其应用于特定的实际应用中。非监督评估不需要参考图像，而是根据良好程度的指标来衡量图像分割的结果，这是基于人类对理想分割结果的解释。在没有分割图像的先验知识的情况下，非监督评估可以客观地评估分割结果，而不受人类主观性的影响。非监督评估不仅可以用来评估分割结果，还可以用于分割算法的选择和分割参数的设置。此外，由于不需要先验知识，因此它也可用于适应其他分割评估方法中没有的分割参数。因此，与分析评估和监督评估相比，非监督评估更适用，更实用。
广泛接受的理想的分割结果状态如下：对于能够表达对象的特征，对象内应该是同质的，对象间应该具有明显的异质性。在非监督评估中，同质性指数用于测量对象内的同质性，异质性指数用于测量对象之间的异质性，然后将这两个指标组合以评估分割质量。目前有基于纹理和基于光谱的同质性度量方法，但是，由于光谱信息的计算很简单，并且大多数的分割方法都是基于光谱信息的，因此基于光谱信息远大于基于纹理信息的优势。与同质性相比，仅基于光谱的方法可用于异质性度量。局部方差和全局莫兰指数通常用于分别计算对象内部的同质性和对象之间的异质性。较高的局部方差表示光谱值的离散度较高，即对象内的同质性较低。全局莫兰指数值越高表示对象之间的相关性越高，即异质性越低。尽管现有方法在图像分割的质量评估中起着一定的作用，但是大多数异质性评估方法都需要计算相邻对象之间的差异。换句话说，我们需要计算区域邻接图以获得对象之间的邻接关系。但是，区域邻接图的计算过程非常复杂且耗时，特别是在图像大小较大且分割尺度较小的情况下。结果，现有的方法不能被广泛使用，因为随着图像尺寸的增加，分割对象的数量增加，则区域邻接图计算时间呈现指数级增长。
本发明结合局部方法与邻域像素的光谱差，提出了一种快速有效的遥感影像分割非监督评价方法，用于评价遥感影像分割质量评价。
发明内容
针对现有技术中存在的问题，本发明的目的在于提出一种快速有效的遥感影像分割非监督评价方法，用于快速有效的评估遥感影像分割结果。
本发明的目的通过以下技术步骤实现：
步骤1)遥感影像多尺度分割。
步骤2)计算对象内同质性。
步骤3)计算对象间异质性。
步骤4)组合对象内同质性与对象间异质性。
步骤5)绘制曲线评估各个尺度下的分割结果。
进一步，所述步骤2)的具体方法为：利用对象内光谱方差来表示对象内同质性，对每个波段的权重设为相等，后以每个对象的面积为权重相加为全局指标。
进一步，所述步骤3)的具体方法为：利用对象与其邻域像素的光谱差来表示对象间异质性，对每个波段的权重设为相等，后以每个对象的面积为权重相加为全局指标。
进一步，所述步骤4)的具体方法为：用步骤3得到的异质性值减去步骤2 的同质性值得到一个快速全局分数Fast Global Score(FGS)。
附图说明
图1技术路线图；
图2异质性指标示意图；
图3研究区示意图。
图4评价结果图
具体实施方式
下面结合附图对本发明“一种快速有效的遥感影像分割非监督评价方法”作进一步阐述说明。
(一)对象内部同质性
大多数评价方法主要考虑对象内部同质性和对象间异质性，排除了难以应用于遥感图像的内部连续性和边界复杂性。定义适当的分割参数，以最小化对象内同质性和最大化对象间异质性。换言之，对象内的差异最小，对象间的差异最大。首先，使用方差作为全局的同质性度量指标，并根据每个对象的面积进行加权。定义如下：
m为图像波段个数，vib是对象i在b波段的光谱方差，vi是所有波段的平均方差。
n为对象总数，ai为对象i的面积。WV对每个波段赋予相同的权重，并根据面积大小赋予不同的权重，避免了由小对象引起的不稳定性。
(二)对象间异质性
通常情况下，使用全局Moran's I指数(MI)来衡量分割对象之间的异质性。但本专利使用DTNP(Difference to Neighbor Pixels)来代替MI，DTNP相对于 MI计算速度更快,且能保持较好效果。
Bi(d)由距离为1像素的包围框定义的对象周围区域(图2)，相当于 {(x,y):xmin(i)-d≤x≤xmax(i)+d,ymin(i)-d≤x≤ymax(i)+d}，Pi是对象i的像素集，
是波段b的平均值。DTNPi是对象i的DTNP值。一个全局DTNP 是由每个对象的DTNPi面积加权形成的
该方法充分考虑了局部差异，通过面积加权使结果更加合理。与其它方法相比，DTNP的计算更为方便，因为它不需要构造区域邻接图和计算与多个相邻对象的差异。
(三)FGS计算
为最后，将WV和DTNP结合到FGS中，综合考虑同质性和异质性，对分割质量进行评价。为了均衡地考虑同质性和异质性，使将WV和DTNP标准化为0-1：
(X-Xmin)/(Xmax-Xmin)
X是在一系列不同分割参数下得到的WV或DTNP，Xmin和Xmax是WV或者DTNP的最小值和最大值。注意，低WV值和高DTNP值分别代表更高的同质性和更低的异质性。因此使用如下公式组合WV和DTNP：
FGS＝wDTNP-(1-w)WV
其中权重w可以确定同质性和异质性的相对权重。请注意，FGS值越高，表示分割质量越好。
Claims (3)
1.一种快速有效的遥感影像分割非监督评价方法，该方法包括如下步骤：
步骤1)遥感影像多尺度分割；
步骤2)利用对象内光谱方差来表示对象内同质性，对每个波段的权重设为相等，后以每个对象的面积为权重相加为全局指标；
步骤3)计算对象间异质性；
步骤4)组合对象内同质性与对象间异质性；
步骤5)绘制曲线评估各个尺度下的分割结果。
2.如权利要求书1所述的方法，其特征在于，所述步骤3)的具体方法为：
利用对象与其邻域像素的光谱差来表示对象间异质性，对每个波段的权重设为相等，后以每个对象的面积为权重相加为全局指标。
3.如权利要求书1所述的方法，其特征在于，所述步骤5)的具体方法为：
用异质性值减去同质性值得到一个快速全局分数Fast Global Score(FGS)用于评价分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010935549.5A CN112070745B (zh) | 2020-09-08 | 2020-09-08 | 一种快速有效的遥感影像分割非监督评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010935549.5A CN112070745B (zh) | 2020-09-08 | 2020-09-08 | 一种快速有效的遥感影像分割非监督评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070745A true CN112070745A (zh) | 2020-12-11 |
| CN112070745B CN112070745B (zh) | 2022-11-22 |
Family
ID=73664349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010935549.5A Active CN112070745B (zh) | 2020-09-08 | 2020-09-08 | 一种快速有效的遥感影像分割非监督评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070745B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554098A (zh) * | 2021-07-27 | 2021-10-26 | 李蕊男 | 尺度收敛的图像分割质量无监督评价方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
| JP2017156935A (ja) * | 2016-03-01 | 2017-09-07 | 日本テレビ放送網株式会社 | 画質評価装置、画質評価方法及びプログラム |
| CN108053412A (zh) * | 2018-01-02 | 2018-05-18 | 河南理工大学 | 融合多定量评价指标的遥感影像最优分割结果确定方法 |
| CN109615637A (zh) * | 2019-01-16 | 2019-04-12 | 中国科学院地理科学与资源研究所 | 一种改进的遥感影像混合分割方法 |
| CN109816668A (zh) * | 2019-01-22 | 2019-05-28 | 中国科学院地理科学与资源研究所 | 遥感影像非监督分割评价方法和装置 |
| US20200226413A1 (en) * | 2017-08-31 | 2020-07-16 | Southwest Jiaotong University | Fast and robust multimodal remote sensing images matching method and system |
-
2020
- 2020-09-08 CN CN202010935549.5A patent/CN112070745B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
| JP2017156935A (ja) * | 2016-03-01 | 2017-09-07 | 日本テレビ放送網株式会社 | 画質評価装置、画質評価方法及びプログラム |
| US20200226413A1 (en) * | 2017-08-31 | 2020-07-16 | Southwest Jiaotong University | Fast and robust multimodal remote sensing images matching method and system |
| CN108053412A (zh) * | 2018-01-02 | 2018-05-18 | 河南理工大学 | 融合多定量评价指标的遥感影像最优分割结果确定方法 |
| CN109615637A (zh) * | 2019-01-16 | 2019-04-12 | 中国科学院地理科学与资源研究所 | 一种改进的遥感影像混合分割方法 |
| CN109816668A (zh) * | 2019-01-22 | 2019-05-28 | 中国科学院地理科学与资源研究所 | 遥感影像非监督分割评价方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| A.MOHAN VAMSEE等: "A Tool Assessing Optimal Multi-Scale Image Segmentation", 《RESEARCH ARTICLE》 * |
| HUI ZHANG等: "Image segmentation evaluation：A survey of unsupervised methods", 《SCIENCEDIRECT》 * |
| YONGJI WANG等: "Unsupervised Segmentation Evaluation Using Area-Weighted Variance and Jeffries-Matusita Distance for Remote Sensing Images", 《REMOTE SENSING》 * |
| 毛召武等: "一种高分遥感影像物体分割质量评价方法", 《测绘通报》 * |
| 王芳等: "遥感影像多尺度分割中最优尺度的选取及评价", 《遥感技术与应用》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554098A (zh) * | 2021-07-27 | 2021-10-26 | 李蕊男 | 尺度收敛的图像分割质量无监督评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070745B (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Nonlocal patch similarity based heterogeneous remote sensing change detection | |
| CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| US11875479B2 (en) | Fusion of deep learning and handcrafted techniques in dermoscopy image analysis | |
| EP2161555B1 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
| CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
| Zhang et al. | An unsupervised evaluation method for remotely sensed imagery segmentation | |
| CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
| Shen et al. | Optimizing multiscale segmentation with local spectral heterogeneity measure for high resolution remote sensing images | |
| CN102169576A (zh) | 一种图像拼接算法定量评价方法 | |
| TWI624807B (zh) | 醫學影像之迭代式分析法 | |
| CN101539629A (zh) | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 | |
| CN105678734B (zh) | 一种图像匹配系统的异源测试图像标定方法 | |
| CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
| Mamatov et al. | Methods for improving contrast of agricultural images | |
| CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
| CN109934278A (zh) | 一种信息增益混合邻域粗糙集的高维度特征选择方法 | |
| Wang et al. | The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation | |
| CN110555843A (zh) | 一种高精度的无参考融合遥感影像质量分析方法及系统 | |
| Markkandeyan et al. | Deep learning based semantic segmentation approach for automatic detection of brain tumor | |
| CN112070745B (zh) | 一种快速有效的遥感影像分割非监督评价方法 | |
| Li et al. | Sublingual vein extraction algorithm based on hyperspectral tongue imaging technology | |
| Hou et al. | No-reference quality assessment for underwater images | |
| CN109816668B (zh) | 遥感影像非监督分割评价方法和装置 | |
| CN114648512A (zh) | 舌下图像分析方法、装置、计算机设备和存储介质 | |
| DadrasJavan et al. | An object-level strategy for pan-sharpening quality assessment of high-resolution satellite imagery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |