CN113436091B - 一种面向对象的遥感图像多特征分类方法 - Google Patents
一种面向对象的遥感图像多特征分类方法 Download PDFInfo
- Publication number
- CN113436091B CN113436091B CN202110667760.8A CN202110667760A CN113436091B CN 113436091 B CN113436091 B CN 113436091B CN 202110667760 A CN202110667760 A CN 202110667760A CN 113436091 B CN113436091 B CN 113436091B
- Authority
- CN
- China
- Prior art keywords
- image
- objects
- segmentation
- pixels
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 206010070245 Foreign body Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向对象的遥感图像多特征分类方法,属于遥感图像处理技术领域。该方法在图像分割的基础上,进行孤立点去除和滤波,有效避免了图像分类中存在的“麻点”现象,通过分割对象的再分割和组合,提高图像的分割精度。基于图像分割结果,提取对象的光谱特征、形状特征以及纹理特征共12个维度的特征信息,在分类的时候进行特征组合,实现遥感图像的高精度分类。本发明方法属于非监督方法,不需要训练样本,能够自适应确定类别数目。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种面向对象的遥感图像多特征分类方法。
背景技术
利用遥感影像检测地表覆盖、地物目标的变化一直是遥感应用研究的热点问题,其中的关键技术是图像分类。在针对高分辨率遥感影像时,地物目标往往由一定区域大小的像素所构成,存在同物异谱、异物同谱现象的存在,加之像素间具有一定的相关性,以像素为单位的图像分类算法没有考虑每个像素的空间邻域特征,存在一定的局限性。
随着面向对象影像分析方法的发展,将具有相似特征的像素点组合在一起,形成具有特定相似特征的地理对象,以地理对象为单位利用其属性特征进行图像分类,能够更好地体现图像的区域性特点,在针对高分率影像分类时能获得更加合理客观的结果。面向对象的分类其关键问题是分割算法的选择以及分类特征的构建。
发明内容
本发明的目的在于提供一种面向对象的遥感图像多特征分类方法。该方法可避免了图像分类中存在的“麻点”现象,图像分类精度高,不需要训练样本,能够自适应确定类别数目。
为了实现上述目的,本发明采用的技术方案为:
一种面向对象的遥感图像多特征分类方法,包括以下步骤:
步骤1,采用滑窗式加权滤波方法对图像进行加权滤波;
步骤2,利用改进区域生长法对图像进行分割,获得初步分割结果;
步骤3,对分割区域为单个像素的对象,即孤立点,逐个计算与其相邻对象的相似度,将其归并到具有最大相似度的对象中,并在具有最大相似度的对象中选取该孤立点的邻域像素,按均值滤波的方式对其滤波;
步骤4,对分割结果进行优化,先对过分割对象进行再分割,然后对欠分割对象进行组合;
步骤5,进行区域对象的特征提取,包括光谱特征、形状特征以及纹理特征,在此基础上构建区域对象描述子;
步骤6,对各个区域进行相似性计算,将相似度高于阈值的区域进行合并,得到区域合并结果;
步骤7,重复步骤4-6,直至图像分类结果不再变化,此时图像的分割结果即为图像分类结果。
进一步的,步骤1中,滑窗的窗口大小为3×3像素,加权滤波的滤波权重矩阵为
进一步的,步骤2的具体方式为:
步骤2a,从左上角像素开始,按如下方式计算相邻像素的相似性s:
其中,pi,j为第i行第j列的光谱,pm,n为pi,j的8邻域像素的光谱,即i-1≤m≤i+1,j-1≤n≤j+1,上标T表示转置,||||表示取模;
步骤2b,若s≥0.98,则pi,j和pm,n为同种对象,进行合并,同时计算当前对象的均值光谱m;
步骤2c,以均值光谱m作为参照光谱,对当前对象包含的所有像素的8邻域进行相似度计算;
步骤2d,重复步骤2b-2c,直至遍历整个图像的所有像素。
进一步的,步骤4的具体方式为:
步骤4a,按下式计算第k个对象Rk的信息熵:
步骤4b,对任意两个对象Rk和Rl,当对象合并后的信息熵大于合并前各对象的信息熵,则允许合并,反之则不进行合并;
步骤4c,对分割对象内部区域进行Sobel算子边缘检测,获得边缘点;
步骤4d,将边缘点作为生长起始点,使用改进区域生长法进行区域分割。
进一步的,步骤5的具体方式为:
步骤5a,提取光谱特征,包括均值c、标准差σ、极大值emax、极小值emin;
步骤5b,提取形状特征,包括面积A、长宽比r、边界长o、形状指数γ;
其中,长宽比为:
式中,iright、ileft、jbottom、jtop分别为第k个对象Rk中最右侧像素横坐标、最左侧像素横坐标、最底部像素纵坐标、最顶部像素纵坐标;
边界长o为Rk中与其他对象相邻像素的总数目;
步骤5c,提取纹理特征,包括熵h、散度d、均一性j、局部稳定性b;
其中,散度为:
式中,(m,n)为图像(i,j)处的8邻域像素;
步骤5d,将光谱特征、形状特征以及纹理特征进行组合,构建区域对象特征描述子u=[c,σ,emax,emin,A,r,o,γ,h,d,j,b]T。
本发明具有如下优点:
(1)本发明方法在图像分割的基础上,进行孤立点去除和分割优化,这样避免了图像分类中存在的“麻点”现象。
(2)本发明通过提取对象的光谱特征、形状特征以及纹理特征等多种特征,同时基于对象的分类方法对各类特征进行组合,在此基础上进行图像分类,能获得较高的分类精度。
(3)本发明方法属于非监督方法,不需要训练样本,能够自适应确定类别数目。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图及具体实施方式对本发明的技术方案做进一步的说明。
如图1所示,一种面向对象的遥感图像多特征分类方法,该方法在图像分割的基础上,进行孤立点去除和分割优化,提取对象的光谱特征、形状特征以及纹理特征进行多特征分类。
该方法具体包括以下步骤:
步骤2,利用改进区域生长法对图像进行分割,获得初步分割结果;
步骤3,对分割区域为单个像素的对象,即孤立点,逐个计算与其相邻对象的相似度,将其归并到具有最大相似度的对象中,选取同一对象中该像素的邻域像素,按均值滤波的方式对其滤波;
步骤4,对分割结果进行优化,先对过分割对象进行再分割,然后对欠分割对象进行组合;
步骤5,进行区域对象的特征提取,包括光谱特征、形状特征以及纹理特征,在此基础上构建区域对象描述子;
步骤6,对各个区域进行相似性计算,相似度高于阈值的进行同类区域的进行合并,得到区域合并结果;
步骤7,重复步骤4-6,直至图像分类结果不再变化,此时图像的分割结果即为图像分类结果。
其中,步骤2中改进区域生长法的计算步骤如下:
步骤2a,从左上角像素开始,按如下方式计算相邻像素的相似性:
其中pi,j为第i行第j列的光谱,pm,n为pi,j的8邻域像素的光谱,即i-1≤m≤i+1,j-1≤n≤j+1;
步骤2b,若s≥0.98,则pi,j和pm,n为同种对象,进行合并,同时计算当前对象的均值光谱m;
步骤2c,以均值光谱m作为参照光谱,对当前对象包含所有像素的8邻域进行相似度计算;
步骤2d,重复步骤2b-2c,直至遍历整个图像的所有像素。
步骤4中对分割结果进行优化的计算步骤如下:
步骤4a,按下式计算第k个对象Rk的信息熵
步骤4c,对分割对象内部区域进行Sobel算子边缘检测;
步骤4d,将边缘点作为生长起始点,按照步骤2所述的改进区域生长法进行区域分割。
步骤5的具体方式如下:
步骤5a,提取光谱特征,包括均值c、标准差σ、极大值emax、极小值emin,其中:
步骤5b,提取形状特征,包括面积A、长宽比r、边界长o、形状指数γ,其中:
面积A为对象Rk的像素数;
边界长o为Rk中与其他对象相邻像素的总数目;
步骤5c,提取纹理特征,包括熵h、散度d、均一性j、局部稳定性b,其中
步骤5d,将光谱特征、形状特征以及纹理特征进行组合,构建区域对象特征描述子u=[c,σ,emax,emin,A,r,o,γ,h,d,j,b]T。
在遥感图像分类中,如何尽可能多的利用图像的特征是一个关键问题。传统基于像素分类的方法,基本上以利用光谱特征为主,对形状和纹理利用不足。本方法采用面向对象的分割技术,在图像分割的基础上进行孤立点滤除、分类区域优化等处理,提高对象分割的精度。在对象特征提取方面,本发发同时提取对象的光谱、形状、纹理特征共12个维度的特征信息,在分类的时候进行特征组合,实现遥感图像的高精度分类。
本方法的效果可通过以下试验进一步说明:
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz,64GB内存;操作系统为Windows7 64位专业版,软件环境为MATLAB 2017、ENVI 5.0。
2.试验方法。
采用本方法、分水岭分割、移动均值分割、k均值聚类四种方法进行分类精度对比。
3.试验内容与结果。
试验数据选择2020年高分2号卫星拍摄的石家庄地区影像。分类真值采用人工标注的方式获得,图像地物分为5大类:人工建筑、道路、植被、水体、其他。
试验结果如下,使用本方法进行分类,总体精度85.91%为,分水岭分割精度为77.32,移动均值分割精度为81.19%,均值聚类精度为63.57%。
试验结果表明,本方法在面向对象分割的基础上,充分利用图像的光谱、形状、纹理等特征,能够获得较高的地物分类精度。
Claims (1)
1.一种面向对象的遥感图像多特征分类方法,其特征在于,包括以下步骤:
步骤2,利用改进区域生长法对图像进行分割,获得初步分割结果;具体方式为:
步骤2a,从左上角像素开始,按如下方式计算相邻像素的相似性s:
其中,pi,j为第i行第j列的光谱,pm,n为pi,j的8邻域像素的光谱,即i-1≤m≤i+1,j-1≤n≤j+1,上标T表示转置,|| ||表示取模;
步骤2b,若s≥0.98,则pi,j和pm,n为同种对象,进行合并,同时计算当前对象的均值光谱m;
步骤2c,以均值光谱m作为参照光谱,对当前对象包含的所有像素的8邻域进行相似度计算;
步骤2d,重复步骤2b-2c,直至遍历整个图像的所有像素;
步骤3,对分割区域为单个像素的对象,即孤立点,逐个计算与其相邻对象的相似度,将其归并到具有最大相似度的对象中,并在具有最大相似度的对象中选取该孤立点的邻域像素,按均值滤波的方式对其滤波;
步骤4,对分割结果进行优化,先对过分割对象进行再分割,然后对欠分割对象进行组合;具体方式为:
步骤4a,按下式计算第k个对象Rk的信息熵:
步骤4b,对任意两个对象Rk和Rl,当对象合并后的信息熵大于合并前各对象的信息熵,则允许合并,反之则不进行合并;
步骤4c,对分割对象内部区域进行Sobel算子边缘检测,获得边缘点;
步骤4d,将边缘点作为生长起始点,使用改进区域生长法进行区域分割;
步骤5,进行区域对象的特征提取,包括光谱特征、形状特征以及纹理特征,在此基础上构建区域对象描述子;具体方式为:
步骤5a,提取光谱特征,包括均值c、标准差σ、极大值emax、极小值emin;
步骤5b,提取形状特征,包括面积A、长宽比r、边界长o、形状指数γ;
其中,长宽比为:
式中,iright、ileft、jbottom、jtop分别为第k个对象Rk中最右侧像素横坐标、最左侧像素横坐标、最底部像素纵坐标、最顶部像素纵坐标;
边界长o为Rk中与其他对象相邻像素的总数目;
步骤5c,提取纹理特征,包括熵h、散度d、均一性j、局部稳定性b;
其中,散度为:
式中,(m,n)为图像(i,j)处的8邻域像素;
步骤5d,将光谱特征、形状特征以及纹理特征进行组合,构建区域对象特征描述子u=[c,σ,emax,emin,A,r,o,γ,h,d,j,b]T;
步骤6,对各个区域进行相似性计算,将相似度高于阈值的区域进行合并,得到区域合并结果;
步骤7,重复步骤4-6,直至图像分类结果不再变化,此时图像的分割结果即为图像分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667760.8A CN113436091B (zh) | 2021-06-16 | 2021-06-16 | 一种面向对象的遥感图像多特征分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667760.8A CN113436091B (zh) | 2021-06-16 | 2021-06-16 | 一种面向对象的遥感图像多特征分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436091A CN113436091A (zh) | 2021-09-24 |
CN113436091B true CN113436091B (zh) | 2023-03-31 |
Family
ID=77756226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667760.8A Active CN113436091B (zh) | 2021-06-16 | 2021-06-16 | 一种面向对象的遥感图像多特征分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436091B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
CN104966285A (zh) * | 2015-06-03 | 2015-10-07 | 北京工业大学 | 一种显著性区域的检测方法 |
CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
CN109871884A (zh) * | 2019-01-25 | 2019-06-11 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260048B2 (en) * | 2007-11-14 | 2012-09-04 | Exelis Inc. | Segmentation-based image processing system |
US20100008576A1 (en) * | 2008-07-11 | 2010-01-14 | Robinson Piramuthu | System and method for segmentation of an image into tuned multi-scaled regions |
CN101408941B (zh) * | 2008-10-20 | 2010-10-27 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN101826204B (zh) * | 2009-03-04 | 2012-09-26 | 中国人民解放军63976部队 | 基于改进的水线算法的快速颗粒图像分割方法 |
CN101710387B (zh) * | 2009-10-29 | 2013-02-06 | 中国科学院对地观测与数字地球科学中心 | 一种高分辨率遥感图像智能分类方法 |
CN101882303B (zh) * | 2010-06-03 | 2013-02-13 | 董永平 | 一种自适应滤波器实现多波段图像自动分割的方法 |
CN103353987B (zh) * | 2013-06-14 | 2015-10-28 | 山东大学 | 一种基于模糊理论的超像素分割方法 |
CN104240234A (zh) * | 2014-08-19 | 2014-12-24 | 中国测绘科学研究院 | 基于极化相似度合并的全极化sar影像分割方法和装置 |
-
2021
- 2021-06-16 CN CN202110667760.8A patent/CN113436091B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
CN104966285A (zh) * | 2015-06-03 | 2015-10-07 | 北京工业大学 | 一种显著性区域的检测方法 |
CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
CN109871884A (zh) * | 2019-01-25 | 2019-06-11 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
Non-Patent Citations (2)
Title |
---|
Chiranji Lal Chowdhary等.Segmentation and Feature Extraction in Medical Imaging: A Systematic Review.《Procedia Computer Science》.2020,全文. * |
高星宇.遥感影像智能云掩膜方法研究与系统实现.《中国优秀博硕士学位论文全文数据库(硕士)工程科技II辑》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113436091A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723675B (zh) | 基于多重相似性度量深度学习的遥感图像场景分类方法 | |
Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
Zhang et al. | Hybrid region merging method for segmentation of high-resolution remote sensing images | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN108985247B (zh) | 多光谱图像城市道路识别方法 | |
CN108241871A (zh) | 基于多特征的激光点云与影像融合数据分类方法 | |
CN110796667B (zh) | 基于改进小波聚类的彩色图像分割方法 | |
CN110796038B (zh) | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 | |
Su | Scale-variable region-merging for high resolution remote sensing image segmentation | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
Wang et al. | A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
Aytekin et al. | Visual saliency by extended quantum cuts | |
CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN105931241A (zh) | 一种自然场景图像的自动标注方法 | |
CN106529472B (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
Ouma et al. | Urban features recognition and extraction from very-high resolution multi-spectral satellite imagery: a micro–macro texture determination and integration framework | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
CN111784638A (zh) | 一种基于卷积神经网络的肺结节假阳性筛除方法及系统 | |
Wang et al. | A region-line primitive association framework for object-based remote sensing image analysis | |
CN108648200B (zh) | 一种间接的城市高分辨率不透水面提取方法 | |
Singh et al. | A hybrid approach for information extraction from 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 |