CN112116610B - 一种遥感影像分割方法、系统、终端以及存储介质 - Google Patents
一种遥感影像分割方法、系统、终端以及存储介质 Download PDFInfo
- Publication number
- CN112116610B CN112116610B CN202010856484.5A CN202010856484A CN112116610B CN 112116610 B CN112116610 B CN 112116610B CN 202010856484 A CN202010856484 A CN 202010856484A CN 112116610 B CN112116610 B CN 112116610B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- remote sensing
- sensing image
- partition
- dissimilarity
- 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.)
- Active
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 238000005192 partition Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 39
- 230000003595 spectral effect Effects 0.000 claims description 16
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 47
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000036039 immunity Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种遥感影像分割方法、系统、终端以及存储介质。包括:根据像素与生成点间的模糊非相似性计算所述像素对划分子区域的模糊归属度,根据所述模糊归属度对待分割遥感影像的影像域空间进行空间模糊几何划分,生成指定数量的模糊划分子区域;根据所述模糊划分子区域与聚类间的模糊非相似性计算所述模糊划分子区域对聚类的模糊隶属度;基于所述模糊归属度以及模糊隶属度构建所述模糊划分子区域的模糊聚类目标函数;对所述目标函数中的参数进行求解,输出所述待分割遥感影像的分割结果。本发明提高了模型刻画地物特征的能力,解决了复杂边界的误分割问题,进而提高遥感影像分割精度。
Description
技术领域
本发明属于遥感影像处理技术领域,特别涉及一种遥感影像分割方法、系统、终端以及存储介质。
背景技术
影像分割即根据某些预定特征的相似性将影像分割成若干个互不重叠的同质区域,并使这些特征在同质区域内呈现出高度的一致性、同质区域间呈现出明显的差异性。遥感影像分割是遥感影像解译的关键步骤之一,分割的精度将直接影响后续影像解译的质量。
随着传感器分辨率的不断提高,高分辨率遥感影像提供更多丰富地物细节信息的同时,也使得影像中“同谱异物,同物异谱”的现象加剧,光谱在影像域的空间相关性更加复杂,进而导致遥感影像分割的不确定性进一步增加。模糊聚类作为解决不确定性问题的有效工具之一,被广泛研究并应用于遥感影像分割。其中,最具代表性的为模糊C均值聚类(Fuzzy C-means,FCM)算法,该算法利用隶属度构建像素关于所有同质区域的模糊隶属关系,有效地描述了分割过程中像素类属的不确定性,通过耦合隶属度与像素和聚类间非相似性测度构建模糊聚类目标函数,以目标函数最小化为准则迭代求解隶属度,并经反模糊化操作获得最佳分割结果。然而,由于传统FCM算法缺乏考虑空间信息的作用,导致抗噪性较差。
为了解决上述不足,众多学者提出了一系列融入邻域像素空间作用的模糊聚类算法,例如顾及空间约束的FCM算法(Fuzzy Clustering with Constraint,FCM_S)、鲁棒模糊局部信息C均值聚类算法(Fuzzy Local Information C-Means,FLICM)以及修正的FLICM算法(Reformulated FLICM,RFLICM)等,均通过直接在目标函数中增加具有邻域像素作用的规则化项以引入空间信息约束;此外,还包括增强FCM算法(Enhanced FCM,EnFCM)和快速广义FCM算法(Fast Generalized FCM,FGFCM)等,利用邻域像素光谱信息构建加权影像,以引入空间信息作用,然后基于加权影像实现分割。但是,上述算法均以像素为基本操作单元,克服噪声能力有限,难以解决高分辨率遥感影像中复杂细节信息对分割结果的影响。
近几年,基于空间几何划分的遥感影像分割方法被广泛研究。以划分子区域为基本操作单元建立像素光谱测度的或然率模型,根据贝叶斯定理得到像素关于同质区域的后验概率,并利用马尔科夫链蒙特卡洛方法(Markov Chain Monte Carlo,MCMC)求解模型参数,进而实现分割,有效地解决了遥感影像中复杂噪声对分割结果的影响,极大地提高了算法的抗噪性。而后,该思想被扩展到模糊聚类领域,结合FCM算法提出了区域化模糊C均值聚类算法(Rgionalized Fuzzy C means,RFCM),有效地描述了划分子区域对聚类的类属不确定性,进一步提高了影像分割精度。然而,上述算法均只基于光谱信息建模了划分子区域的类属不确定性,忽略了空间信息角度像素对划分子区域归属的不确定性,限制了模型准确刻画地物特征的能力,难以实现复杂边界的有效分割。此外,当硬性划分子区域上升到模糊划分子区域时,现有模型的有效性也会受到巨大挑战。
发明内容
针对现有技术不足,本发明提供一种遥感影像分割方法、系统、终端及存储介质,旨在解决现有遥感影像分割方法存在的忽略像素对划分子区域归属的不确定性,限制模型准确刻画地物特征的能力,导致难以实现复杂边界有效分割的技术问题。
为了解决上述问题,本发明实施例采取的技术方案包括:
一种遥感影像分割方法,包括以下步骤:
根据像素与生成点间的模糊非相似性计算所述像素对划分子区域的模糊归属度,根据所述模糊归属度对待分割遥感影像的影像域空间进行空间模糊几何划分,生成指定数量的模糊划分子区域;
根据所述模糊划分子区域与聚类间的模糊非相似性计算所述模糊划分子区域对聚类的模糊隶属度;
基于所述模糊归属度以及模糊隶属度构建所述模糊划分子区域的模糊聚类目标函数;
对所述目标函数中的参数进行求解,输出所述待分割遥感影像的分割结果。
本发明实施例采取的技术方案还包括:所述根据像素与生成点间的模糊非相似性计算所述像素对划分子区域的模糊归属度之前还包括:
在所述影像域空间Ω中选取m个格点构成初始生成点集G={gj(aj,bj):(aj,bj)∈Ω,j=1,...,m},其中j为生成点索引,m为生成点数,gj为生成点j的光谱测度矢量,gj=(gjs:s=1,...,h),s为波段索引,h为波段数,(aj,bj)为生成点j在影像空间域的格点位置坐标;
计算像素i与生成点j间的光谱距离dij C=d[Ii,gj],其中,d[·]表示距离函数,Ii为像素i在特征域的光谱测度矢量,Ii=(Iis:s=1,...,h),;
计算像素i与生成点j间的空间距离dij Ω=d[(xi,yi),(aj,bj)],其中,(xi,yi)为像素i在影像空间域的格点位置坐标;
耦合所述光谱距离和所述空间距离得到像素i与生成点j间的模糊非相似性dij:
上式中,F(dij Ω,dij C)为光谱距离和空间距离耦合函数。
本发明实施例采取的技术方案还包括:所述像素对划分子区域的模糊归属度为:
上式中,λ1为模糊因子。
本发明实施例采取的技术方案还包括:所述根据所述模糊划分子区域与聚类间的模糊非相似性计算所述模糊划分子区域对聚类的模糊隶属度之前还包括:
计算像素i与聚类l间的像素级模糊非相似性sil:
sil=d[Ii,vl]
上式中,vl为第l个聚类的聚类中心,vl=(vls:s=1,...,h);
以所述模糊归属度rij加权所述像素级模糊非相似性性sil计算模糊划分子区域j与聚类l间的模糊非相似性Sjl:
上式中,L(i)表示像素i归属模糊划分子区域的标号。
本发明实施例采取的技术方案还包括:所述模糊划分子区域对聚类的模糊隶属度为:
上式中,λ2为模糊因子。
本发明实施例采取的技术方案还包括:所述模糊聚类目标函数为:
上式中,R=[rij]n×m为所述像素关于所述模糊划分子区域的模糊归属度矩阵;U=[ujl]m×k为所述模糊划分子区域关于聚类的模糊隶属度矩阵;G为生成点集,V为聚类中心,V={vl:l=1,...,k},其中l为聚类索引,k为聚类数。
本发明实施例采取的另一技术方案为:一种遥感影像分割系统,包括:
空间模糊几何划分模块:用于根据像素与生成点间的模糊非相似性计算所述像素对划分子区域的模糊归属度,根据所述模糊归属度对待分割遥感影像的影像域空间进行空间模糊几何划分,生成指定数量的模糊划分子区域;
模糊聚类分割模块:用于根据所述模糊划分子区域与聚类间的模糊非相似性计算所述模糊划分子区域对聚类的模糊隶属度,基于所述模糊归属度以及模糊隶属度构建所述模糊划分子区域的模糊聚类目标函数;对所述目标函数中的参数进行求解,输出所述待分割遥感影像的分割结果。
本发明实施例采取的又一技术方案为:一种终端,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现所述遥感影像分割方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制遥感影像分割。
本发明实施例采取的又一技术方案为:一种存储介质,存储有处理器可运行的程序指令,所述程序指令用于执行所述遥感影像分割方法。
相对于现有技术,本发明实施例产生的有益效果在于:本发明实施例的遥感影像分割方法、系统、终端以及存储介质通过在划分子区域对聚类类属不确定性的基础上,进一步引入像素对划分子区域归属的不确定性,构建模糊划分子区域,并以其作为基本操作单元构建影像特征模糊表达模型,以充分考虑像素对模糊划分子区域归属不确定性的传递性,基于该模型建模模糊聚类目标函数,最后对目标函数中不同类型的参数进行求解得到遥感影像分割结果,提高模型刻画地物特征的能力,解决复杂边界分割问题,进而提高遥感影像分割精度。
附图说明
图1是本发明实施例的遥感影像分割方法的流程图;
图2为本发明实施例的遥感影像分割系统结构示意图;
图3为本发明实施例的待分割遥感影像及其模板图,其中,(a1)为IKONOS影像,(b1)为WorldView-2影像,(a2)和(b2)分别为(a1)和(b1)的模板影像;
图4为本发明实施例算法以m分别取60和80时对两个待分割影像的分割结果;其中,(a1)和(b1)为模糊几何划分图,(a2)和(b2)为分割结果,(a3)和(b3)为轮廓线图,(a4)和(b4)为叠加图;
图5为对比算法FCM算法、RFLICM算法及RFCM算法分别对两个待分割影像的分割结果;其中,(a1)和(d1)为FCM算法分割结果,(a2)和(d2)为FCM算法分割结果的轮廓线图,(a3)和(d3)为FCM算法分割结果的叠加图。(b1)和(e1)为RFLICM算法分割结果,(b2)和(e2)为RFLICM算法分割结果的轮廓线图,(b3)和(e3)为RFLICM算法分割结果的叠加图。(c1)和(f1)为RFCM算法分割结果,(c2)和(f2)为RFCM算法分割结果的轮廓线图,(c3)和(f3)为RFCM算法分割结果的叠加图;
图6为本发明实施例的终端结构示意图;
图7为本发明实施例的存储介质的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
针对现有技术的不足,本发明实施例的遥感影像分割方法通过在划分子区域对聚类类属不确定性的基础上,进一步引入像素对划分子区域归属的不确定性,构建模糊划分子区域,并以其作为基本操作单元构建影像特征模糊表达模型,基于该模型建模模糊聚类目标函数,最后对目标函数中不同类型的参数进行求解得到遥感影像分割结果,提高模型刻画地物特征的能力,解决复杂边界分割问题,进而提高遥感影像分割精度。
具体的,请参阅图1,是本发明实施例的遥感影像分割方法的流程图。本发明实施例的遥感影像分割方法包括以下S:
S1:通过影像分割模型读取待分割遥感影像;
本步骤中,给定一幅高分辨率遥感影像I={Ii(xi,yi):(xi,yi)∈Ω,i=1,...,n},其中i为像素索引,(xi,yi)为像素i在影像空间域的格点位置坐标,Ii为像素i在特征域的光谱测度矢量,Ii=(Iis:s=1,...,h),s为波段索引,h为波段数,n为总像素数,Ω为影像域空间,Ω={(xi,yi):i=1,...,n}。
S2:初始化影像分割模型参数;
本步骤中,初始化影像分割模型参数具体包括:
S2.1:初始化生成点集G;在影像域空间Ω中随机选取m个格点构成初始生成点集G={gj(aj,bj):(aj,bj)∈Ω,j=1,...,m},其中j为生成点索引,m为生成点数,由于生成点与模糊划分子区域一一对应,因此j和m又可分别称为模糊划分子区域索引和模糊划分子区域数。(aj,bj)为生成点j在影像空间域的格点位置坐标,gj为生成点j的光谱测度矢量,gj=(gjs:s=1,...,h)。
S2.2:初始化聚类中心V;假设将遥感影像分割为k个同质区域(又称聚类),初始化聚类中心V={vl:l=1,...,k},其中l为聚类索引,k为聚类数,vl为第l个聚类的聚类中心vl=(vls:s=1,...,h)。
S3:对影像域空间进行空间模糊几何划分,生成若干个模糊划分子区域;
本步骤中,空间模糊几何划分包括空间规则划分与非规则划分,以非规则划分为例,空间模糊几何划分方式具体包括:
S3.1:计算像素i与生成点j间的光谱距离dij C:
式(1)中,d[·]表示距离函数。本发明实施例以欧氏距离为例进行距离函数的建模,可以理解,在本发明其他实施例中,也可采用马氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、相关系数、概率密度函数及信息熵等其它可作为距离测度等效性的度量。
S3.2:计算像素i与生成点j间的空间距离dij Ω:
S3.3:通过耦合光谱距离和空间距离计算结果得到像素i与生成点j间的模糊非相似性dij:
式(3)中,F(dij Ω,dij C)为光谱距离和空间距离耦合函数,wΩ为空间距离权重,用于控制模糊划分子区域的抗噪性。为了充分发挥空间距离和光谱距离的综合作用,dij Ω和dij C需为归一化处理后的值。
本发明实施例中,像素与生成点间的模糊非相似性计算涉及至少两种或两种以上不同距离的耦合方案,本发明实施例以线性加权模型为例进行建模,其中加权系数视为常量,在本发明其他实施例中,也可将加权系数视为变量,以及采用非线性加权等其它形式的耦合方案。
S3.4:根据模糊非相似性dij计算像素i对模糊划分子区域j的模糊归属度rij:
模糊归属度用于表征像素对划分子区域归属的不确定性,基于该模糊归属度计算结果,将影像域空间划分为m个模糊划分子区域
S4:计算模糊划分子区域与聚类间的模糊非相似性(即影像特征模糊表达模型);
本步骤中,计算模糊划分子区域与聚类间的模糊非相似性具体包括:
S4.1:计算像素i与聚类l间的像素级模糊非相似性sil:
S4.2:以模糊归属度rij加权像素级模糊非相似性性sil计算模糊划分子区域j与聚类l间的模糊非相似性Sjl,用以刻画同一地物特征一致性:
式(6)中,L(i)表示像素i归属模糊划分子区域的标号。
S5:计算各个模糊划分子区域对聚类的模糊隶属度ujl;
该模糊隶属度用于表征模糊划分子区域对聚类类属的不确定性。
S6:基于模糊归属度及模糊隶属度构建模糊划分子区域的模糊聚类目标函数J(R,U,G,V):
式(8)中,R=[rij]n×m为像素关于模糊划分子区域的模糊归属度矩阵;U=[ujl]m×k为模糊划分子区域关于聚类的模糊隶属度矩阵,λ1和λ2为模糊因子。为了便于计算,本发明实施例令λ1=λ2。
本发明实施例中,目标函数参数求解方法具体为:
对于聚类中心等一般参数,本发明实施例采用导数法直接求解;
对于模糊归属度或模糊隶属度等具有约束条件的参数,本发明实施例采用构建拉格朗日函数的方式进行求解;
对于无法获取解析解的参数(例如当像素对划分子区域的非相似性采样Gamma分布等其它复杂分布时),本发明实施例设计以目标函数最小化为准则的数值逼近求解方案。
S7:判断目标函数值是否最小化,如果否,执行S8;如果是,执行S9;
S8:更新分割模型参数,并返回S3继续执行迭代操作;
本步骤中,更新模型参数具体包括:
S8.1:更新生成点集G;令J(R,U,G,V)一阶导数为0求解,即:
解得:
S8.2:更新聚类中心V;令J(R,U,G,V)对vl求偏导,并令导数为0:
解得:
S9:停止迭代,输出遥感影像分割结果,即|J(R,U,G,V)(t+1)-J(R,U,G,V)(t)|<ε;其中,t为迭代指示器,ε为大于0的极小值。
进一步地,基于S6计算得到的模糊聚类目标函数J(R,U,G,V),像素i对模糊划分子区域j的模糊归属度rij的推导过程如下:
像素对模糊划分子区域的模糊归属度rij具有约束条件由此根据模糊聚类目标函数J(R,U,G,V)构建拉格朗日函数L1(R,U,G,V):
式(17)中,δi为拉格朗日乘子。
基于L1(R,U,G,V)对rij求偏导,并令导数为0,即,
根据约束条件消除拉格朗日乘子,解得rij的解析式,
同理,模糊划分子区域对聚类的模糊隶属度推导过程如下:
模糊划分子区域j对聚类l的模糊隶属度ujl具有约束条件由此根据模糊聚类目标函数J(R,U,G,V)构建拉格朗日函数L2(R,U,G,V):
式(20)中,ξj为拉格朗日乘子。
基于L2(R,U,G,V)对ujl求偏导,并令导数为0,即:
根据约束条件消除拉格朗日乘子,解得ujl的解析式,
请参阅图2,是本发明实施例的遥感影像分割系统的结构示意图。本发明实施例的遥感影像分割系统40包括:
空间模糊几何划分模块41:用于根据像素与生成点间的模糊非相似性计算所述像素对划分子区域的模糊归属度,根据所述模糊归属度对待分割遥感影像的影像域空间进行空间模糊几何划分,生成指定数量的模糊划分子区域;
模糊聚类分割模块42:用于根据所述模糊划分子区域与聚类间的模糊非相似性计算所述模糊划分子区域对聚类的模糊隶属度,基于所述模糊归属度以及模糊隶属度构建所述模糊划分子区域的模糊聚类目标函数;对所述目标函数中的参数进行求解,输出所述待分割遥感影像的分割结果。
为了验证本发明实施例的可行性和有效性,以下实施例通过设计对比测试进行仿真实验。具体为:应用本发明实施例和传统FCM(Fuzzy C-means,模糊C均值)算法、RFLICM算法、RFCM算法分别对不同类型的遥感影像进行分割,并以模板为标准对各算法的分割结果进行定量评价。图3为待分割影像示意图,其中(a1)为IKONOS影像,分辨率为1m;(b1)为WorldView-2影像,分辨率为0.5m;(a1)和(b1)以下简称为两个待分割影像;(a2)和(b2)分别为(a1)和(b1)的模板影像。
图4为本发明实施例算法以m分别取60和80时对两个待分割影像的分割结果。其中,(a1)和(b1)为模糊几何划分图,(a2)和(b2)为分割结果,(a3)和(b3)为轮廓线图,(a4)和(b4)为叠加图。由图4可以看出,本发明实施例不仅能够克服图3的(a1)中区域I、III及图3的(b1)中区域IV的复杂噪声,实现同质区域边界的有效拟合,还可改善具有细长型复杂边界特征地物的分割效果,实现图3的(b1)中区域II的有效分割。
图5为对比算法FCM算法、RFLICM算法及RFCM算法分别对两个待分割影像的分割结果,其中,(a1)和(d1)为FCM算法分割结果,(a2)和(d2)为FCM算法分割结果的轮廓线图,(a3)和(d3)为FCM算法分割结果的叠加图。(b1)和(e1)为RFLICM算法分割结果,(b2)和(e2)为RFLICM算法分割结果的轮廓线图,(b3)和(e3)为RFLICM算法分割结果的叠加图。(c1)和(f1)为RFCM算法分割结果,(c2)和(f2)为RFCM算法分割结果的轮廓线图,(c3)和(f3)为RFCM算法分割结果的叠加图。由图5可以看出,FCM算法抗噪性极差,导致图3的(a1)中区域I和图3的(b1)中区域IV的分割结果中包含大量分割噪声,并且同质区域边界存在大量误分像素;RFLICM算法因引入邻域像素作用,部分地解决了分割噪声问题,但是边界分割效果依然较差;RFCM算法以硬性划分子区域为基本操作单元,有效地解决了同质区域内分割噪声问题,但是受硬性划分子区域影响,依然难以有效拟合复杂边界,导致图3的(b1)中区域II和IV分割混乱。
以两个待分割影像为分割模板,对本发明实施例算法和对比算法的分割结果生成混淆矩阵,并计算用户精度、产品精度、总精度和kappa值,具体的定量评价表如下表1所示:
表1本发明算法与各对比算法的定量评价
可以看出,本发明实施例的各项分割精度指标明显高于对比算法,并且总精度最高可达97.66%,Kappa值为0.96,精确地验证了本发明实施例的有效性。
请参阅图6,为本发明实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述遥感影像分割方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制遥感影像分割。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图7,为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分S。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
本发明实施例的遥感影像分割方法、系统、终端以及存储介质在划分子区域对聚类类属不确定性的基础上,进一步引入像素对划分子区域归属的不确定性,构建模糊划分子区域,以模糊划分子区域作为基本操作单元构建影像特征模糊表达模型,基于该模型建模模糊聚类目标函数,最后对目标函数中不同类型的参数进行求解得到遥感影像分割结果,提高模型刻画地物特征的能力,解决复杂边界分割问题,进而提高遥感影像分割精度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本发明所示的这些实施例,而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种遥感影像分割方法,其特征在于,包括以下步骤:
根据像素与生成点间的模糊非相似性计算所述像素对划分子区域的模糊归属度,根据所述模糊归属度对待分割遥感影像的影像域空间进行空间模糊几何划分,生成指定数量的模糊划分子区域;
根据所述模糊划分子区域与聚类间的模糊非相似性计算所述模糊划分子区域对聚类的模糊隶属度;
基于所述模糊归属度以及模糊隶属度构建所述模糊划分子区域的模糊聚类目标函数;
对所述目标函数中的参数进行求解,输出所述待分割遥感影像的分割结果;
其中,所述像素对划分子区域的模糊归属度为:
上式中,λ1为模糊因子;
所述模糊划分子区域对聚类的模糊隶属度为:
上式中,λ2为模糊因子;
所述模糊聚类目标函数为:
上式中,R=[rij]n×m为所述像素关于所述模糊划分子区域的模糊归属度矩阵;U=[ujl]m×k为所述模糊划分子区域关于聚类的模糊隶属度矩阵;G为生成点集,V为聚类中心,V={vl:l=1,...,k},其中l为聚类索引,k为聚类数。
2.根据权利要求1所述的遥感影像分割方法,其特征在于,所述根据像素与生成点间的模糊非相似性计算所述像素对划分子区域的模糊归属度之前还包括:
在所述影像域空间Ω中选取m个格点构成初始生成点集G={gj(aj,bj):(aj,bj)∈Ω,j=1,...,m},其中j为生成点索引,m为生成点数,gj为生成点j的光谱测度矢量,gj=(gjs:s=1,...,h),s为波段索引,h为波段数,(aj,bj)为生成点j在影像空间域的格点位置坐标;
计算像素i与生成点j间的光谱距离dij C=d[Ii,gj],其中,d[·]表示距离函数,Ii为像素i在特征域的光谱测度矢量,Ii=(Iis:s=1,...,h);
计算像素i与生成点j间的空间距离dij Ω=d[(xi,yi),(aj,bj)],其中,(xi,yi)为像素i在影像空间域的格点位置坐标;
耦合所述光谱距离和所述空间距离得到像素i与生成点j间的模糊非相似性dij:
上式中,F(dij Ω,dij C)为光谱距离和空间距离耦合函数。
3.根据权利要求2所述的遥感影像分割方法,其特征在于,所述根据所述模糊划分子区域与聚类间的模糊非相似性计算所述模糊划分子区域对聚类的模糊隶属度之前还包括:
计算像素i与聚类l间的像素级模糊非相似性sil:
sil=d[Ii,vl]
上式中,vl为第l个聚类的聚类中心,vl=(vls:s=1,...,h);
以所述模糊归属度rij加权所述像素级模糊非相似性性sil计算模糊划分子区域j与聚类l间的模糊非相似性Sjl:
上式中,L(i)表示像素i归属模糊划分子区域的标号。
4.一种利用权利要求1所述遥感影像分割方法的遥感影像分割系统,其特征在于,包括:
空间模糊几何划分模块:用于根据像素与生成点间的模糊非相似性计算所述像素对划分子区域的模糊归属度,根据所述模糊归属度对待分割遥感影像的影像域空间进行空间模糊几何划分,生成指定数量的模糊划分子区域;
模糊聚类分割模块:用于根据所述模糊划分子区域与聚类间的模糊非相似性计算所述模糊划分子区域对聚类的模糊隶属度,基于所述模糊归属度以及模糊隶属度构建所述模糊划分子区域的模糊聚类目标函数;对所述目标函数中的参数进行求解,输出所述待分割遥感影像的分割结果。
5.一种终端,其特征在于,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现权利要求1-3任一项所述的遥感影像分割方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制遥感影像分割。
6.一种存储介质,其特征在于,存储有处理器可运行的程序指令,所述程序指令用于执行权利要求1至3任一项所述遥感影像分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856484.5A CN112116610B (zh) | 2020-08-24 | 2020-08-24 | 一种遥感影像分割方法、系统、终端以及存储介质 |
PCT/CN2020/139238 WO2022041598A1 (zh) | 2020-08-24 | 2020-12-25 | 一种遥感影像分割方法、系统、终端以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856484.5A CN112116610B (zh) | 2020-08-24 | 2020-08-24 | 一种遥感影像分割方法、系统、终端以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116610A CN112116610A (zh) | 2020-12-22 |
CN112116610B true CN112116610B (zh) | 2024-02-27 |
Family
ID=73804367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010856484.5A Active CN112116610B (zh) | 2020-08-24 | 2020-08-24 | 一种遥感影像分割方法、系统、终端以及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112116610B (zh) |
WO (1) | WO2022041598A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116610B (zh) * | 2020-08-24 | 2024-02-27 | 中国科学院深圳先进技术研究院 | 一种遥感影像分割方法、系统、终端以及存储介质 |
CN114219822B (zh) * | 2021-12-15 | 2024-06-21 | 深圳先进技术研究院 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
CN114283332B (zh) * | 2021-12-15 | 2024-07-19 | 深圳先进技术研究院 | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 |
CN114881892B (zh) * | 2022-07-04 | 2022-10-14 | 清华大学 | 基于ii型模糊粗糙模型的遥感影像特征离散化方法及装置 |
CN116051976B (zh) * | 2022-11-23 | 2023-09-19 | 河南理工大学 | 一种融合高程信息的遥感影像的处理方法 |
CN115952432B (zh) * | 2022-12-21 | 2024-03-12 | 四川大学华西医院 | 一种基于糖尿病数据的无监督聚类方法 |
CN116070887B (zh) * | 2023-04-06 | 2023-06-23 | 平原县自然资源服务中心 | 一种土地测绘数据智能分析管理系统 |
CN116381607B (zh) * | 2023-04-11 | 2023-10-27 | 哈尔滨工程大学 | 多目标击水声特征关联方法 |
CN116309575B (zh) * | 2023-05-19 | 2023-07-28 | 济宁众达利电气设备有限公司 | 基于图像处理的电插头生产质量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN105590325A (zh) * | 2016-02-22 | 2016-05-18 | 辽宁工程技术大学 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
CN106127784A (zh) * | 2016-07-01 | 2016-11-16 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
CN106373129A (zh) * | 2016-09-20 | 2017-02-01 | 辽宁工程技术大学 | 一种基于双隶属度的fcm遥感图像分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8233712B2 (en) * | 2006-07-28 | 2012-07-31 | University Of New Brunswick | Methods of segmenting a digital image |
US10115197B1 (en) * | 2017-06-06 | 2018-10-30 | Imam Abdulrahman Bin Faisal University | Apparatus and method for lesions segmentation |
CN112116610B (zh) * | 2020-08-24 | 2024-02-27 | 中国科学院深圳先进技术研究院 | 一种遥感影像分割方法、系统、终端以及存储介质 |
-
2020
- 2020-08-24 CN CN202010856484.5A patent/CN112116610B/zh active Active
- 2020-12-25 WO PCT/CN2020/139238 patent/WO2022041598A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005034A (zh) * | 2010-12-01 | 2011-04-06 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
CN105590325A (zh) * | 2016-02-22 | 2016-05-18 | 辽宁工程技术大学 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
CN106127784A (zh) * | 2016-07-01 | 2016-11-16 | 辽宁工程技术大学 | 一种高分辨率遥感影像分割方法 |
CN106373129A (zh) * | 2016-09-20 | 2017-02-01 | 辽宁工程技术大学 | 一种基于双隶属度的fcm遥感图像分割方法 |
Non-Patent Citations (2)
Title |
---|
Multilook SAR Image Segmentation with an Unknown Number of Clusters Using a Gamma Mixture Model and Hierarchical Clustering;Quanhua Zhao et al.;《Sensors》;第17卷;第1-17页 * |
利用包含度和隶属度的遥感影像模糊分割;赵泉华 等;《中国图像图形学报》;第22卷(第7期);第388-995页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022041598A1 (zh) | 2022-03-03 |
CN112116610A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116610B (zh) | 一种遥感影像分割方法、系统、终端以及存储介质 | |
CN112101434B (zh) | 基于改进YOLO v3的红外图像弱小目标检测方法 | |
Merzban et al. | Efficient solution of Otsu multilevel image thresholding: A comparative study | |
Zhang et al. | Brain tumor segmentation based on hybrid clustering and morphological operations | |
Zhang et al. | Cross-based local stereo matching using orthogonal integral images | |
Wu et al. | Occluded face recognition using low-rank regression with generalized gradient direction | |
Liu et al. | Kernelized fuzzy attribute C-means clustering algorithm | |
US20060217925A1 (en) | Methods for entity identification | |
CN112084836A (zh) | 机器学习系统 | |
Zhang et al. | High-quality face image generation based on generative adversarial networks | |
CN114219822A (zh) | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 | |
Li et al. | Segmentation of pulmonary nodules using a GMM fuzzy C-means algorithm | |
Ohtake et al. | Sparse surface reconstruction with adaptive partition of unity and radial basis functions | |
CN117372604B (zh) | 一种3d人脸模型生成方法、装置、设备及可读存储介质 | |
Seo et al. | Graph neural networks and implicit neural representation for near-optimal topology prediction over irregular design domains | |
CN105160666A (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
Wang et al. | Adaptive and fast image superpixel segmentation approach | |
CN116361670A (zh) | 不完备多视图聚类方法、系统、设备以及存储介质 | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
CN113409316B (zh) | 一种图像分类方法、装置、计算机可读存储介质及设备 | |
Mei et al. | Fast template matching in multi-modal image under pixel distribution mapping | |
JP7337303B2 (ja) | 学習装置、及び学習方法 | |
Liu et al. | Gaussian Kernelized Fuzzy c-means with Spatial Information Algorithm for Image Segmentation. | |
Ding et al. | Constructing minimum volume surfaces using level set methods for novelty detection | |
Kanimozhi et al. | Bernstein approximation-based adaptive local thresholding for enhanced edge detection |
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 |