CN114283332A - 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 - Google Patents
一种模糊聚类遥感影像分割方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN114283332A CN114283332A CN202111533573.7A CN202111533573A CN114283332A CN 114283332 A CN114283332 A CN 114283332A CN 202111533573 A CN202111533573 A CN 202111533573A CN 114283332 A CN114283332 A CN 114283332A
- Authority
- CN
- China
- Prior art keywords
- region
- remote sensing
- sensing image
- fuzzy clustering
- neighborhood
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003709 image segmentation Methods 0.000 title claims description 26
- 230000011218 segmentation Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 38
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 13
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 6
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000001228 spectrum 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的模糊聚类遥感影像分割方法、系统、终端及存储介质,将遥感影像划分为若干个规则区域,基于区域模糊聚类框架对所述遥感影像进行初步分割,对分割后的遥感影像执行区域分裂操作,对分裂后的遥感影像执行区域合并操作,通过在模糊聚类框架下实现模糊聚类遥感影像分割,以在极大程度克服噪声的情况下确保分割边界的精准性,进一步提高模糊聚类遥感影像分割精度。
Description
技术领域
本申请属于图像处理技术领域,具体涉及一种模糊聚类遥感影像分割方法、 系统、终端及存储介质。
背景技术
模糊聚类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。随着遥感影像空间分辨率不断增加,地物细节信 息越来越丰富,适当地增加细节信息有利于地物区分,但是过量的细节信息反 而会起到干扰作用。有鉴于此,摒弃传统基于像素分割的形式,代之以区域为 基本操作单元,通过调整区域的尺度,可较好地克服冗余细节信息对分割结果 的影响。
基于区域的分割方法的关键在于:(1)构建贴合影像特征的区域,(2)基于 区域实现高精度影像分割。其中常用的区域构建方法主要可以分为三大类,即 聚类法、图论法和空间划分法。聚类法将具有相似特征的像素聚集形成区域, 该方法原理简单,但是由于在聚类过程中引入空间特征约束较为困难,难以避 免会导致区域内存在孤立像素,往往需要进一步处理以保证区域内部的空间连 通性。图论法将影像表达为无向加权图,以节点表示像素,边表示像素间连通 关系,由边权刻画像素间相关性,通过图割得到区域。该方法可较好地描述像 素的空间连通性,但是模型较为复杂。空间划分法基于空间域将影像划分为若干个区域。该方法以空间域为主,划分尺度越小,对影像特征贴合度越高,同 时其抗噪性也会随着尺度减小而降低。在基于区域实现影像分割的过程中,一 般基于区域构建结果直接进行分割,缺乏对质量较差区域的调整机制,往往导 致边界分割效果不佳。
为了在极大程度克服噪声的情况下确保分割边界的精准性,需要对区域执 行分裂合并操作。将处于边界的区域分裂为尺度较小的子区域,以尽可能准确 地拟合同质区域边界,将处于同质区域内部的区域合并,以提高抗噪性。
现有的区域分裂合并方法一般根据区域内光谱异质性确定待分裂区域,根 据区域间光谱相似性确定待合并区域,一方面缺乏考虑邻域区域的影响,另一 方面难以自适应确定分裂合并操作停止条件中的阈值,往往会导致过度分裂或 者过度合并,影响分割精度。
发明内容
鉴于此,有必要针对现有技术存在的缺陷提供一种可提高模糊聚类遥感影 像分割精度的模糊聚类遥感影像分割方法。
为解决上述问题,本申请采用下述技术方案:
本申请提供了一种模糊聚类遥感影像分割方法,包括下述步骤:
将遥感影像划分为若干个规则区域;
基于区域模糊聚类框架对所述遥感影像进行分割;
对分割后的遥感影像执行区域分裂操作;
对分裂后的遥感影像执行区域合并操作;
完成模糊聚类遥感影像分割。
在其中一些实施例中,在将遥感影像划分为若干个规则区域的步骤中,所 述遥感影像表示为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, Ω={(xi,yi):i=1,...,n}。
在其中一些实施例中,在将遥感影像划分为若干个规则区域的步骤中,具 体包括下述步骤:
以尺度d将影像域Ω划分为若干个规则区域R={Rj:j=1,...,m},每个 规则区域大小为d×d,其中,j为区域索引,m为区域数。
在其中一些实施例中,在基于区域模糊聚类框架对所述遥感影像进行分割 的步骤中,具体包括下述步骤:
其中,δ为邻域作用强度,Ωj={Rj’:j’~j}为区域j的邻域区域集,Lj为多 边形j所属聚类标号,Lj∈{1,...,k},η(Lj,Lj’)为指示函数,当且仅当Lj≠Lj’ 时,η(Lj,Lj’)=1,反之η(Lj,Lj’)=0;
计算区域j隶属聚类l的模糊隶属度ujl,
计算区域模糊聚类目标函数J(U,θ),U=[ujl]m×k,θ={θl:l=1,...,k},
其中,λ为规则化项系数,λ∈{0,1}。
在其中一些实施例中,在对分割后的遥感影像执行区域分裂操作的步骤中, 具体包括下述步骤:
计算待分裂区域选择因子Sj,Sj=Cj×Ej;
根据待分裂选择因子最大准则确定待分裂区域g,按照质心 将其划分为四个区域,分裂后的区域g*、m+1、m+2、m+3与原区域共享同一 隶属度,即ugl *=um+1l=um+2l=um+3l=ugl,分裂后区域数m*=m+3;
重新计算模型参数θ*、U*和区域模糊聚类目标函数J*(U*,θ*,m*),如果目 标函数值变小,则接受该分裂操作,否则以一定概率接受该分裂操作,同时更 新模型参数。
在其中一些实施例中,在计算待分裂区域选择因子Sj的步骤中,具体包括:
Sj=Cj×Ej
Cj为区域内光谱变异系数,
其中:μ(j)和Σ(j)分别为区域j内光谱特征均值和协方差,Ej为区域与 邻域区域标号差异系数;
pjl为计算区域j隶属于聚类l的先验概率;
其中,δ为邻域作用强度,Ωj={Rj’:j’~j}为区域j的邻域区域集,Lj为多边形j所属聚类标号,Lj∈{1,...,k},η(Lj,Lj’)为指示函数,当且仅当Lj≠Lj’时,η(Lj,Lj’)=1,反之η(Lj,Lj’)=0。
在其中一些实施例中,在对分裂后的遥感影像执行区域合并操作的步骤中, 具体包括下述步骤:
计算邻域区域合并代价函数,Mjj’=ξjj’×Tjj’,其中,ξjj’为邻域连通因子, 当且仅当二者互为邻域时,ξjj’=1,反之ξjj’=0,Tjj’为区域合并代价函数,Nj为区域内像素个数;
根据合并代价函数最小准则确定待合并的两个区域j和j’,合并后区域的 隶属度为合并前两区域隶属度的均值,即ujl *=(ujl+uj’l)/2,删除第j’个区域关 于聚类的隶属度,合并后区域数m*=m-1;
重新计算模型参数θ*、U*和区域模糊聚类目标函数J*(U*,θ*,m*),如果目 标函数值变小,则接受该合并操作,否则,以一定概率接受该合并操作,同时 更新模型参数。
在其中一些实施例中,在完成模糊聚类遥感影像分割的步骤中,具体包括 下述步骤:
当所述区域模糊聚类目标函数J(U,θ,m)最小化时停止迭代,否则返回基 于区域模糊聚类框架对所述遥感影像进行分割的步骤继续迭代。
另外,本申请还提供了一种模糊聚类遥感影像分割系统,包括:
影像划分单元:将遥感影像划分为若干个规则区域;
影像分割单元:基于区域模糊聚类框架对所述遥感影像进行分割;
区域分裂单元:对分割后的遥感影像执行区域分裂操作;
区域合并单元:对分裂后的遥感影像执行区域合并操作;
迭代单元:用于完成模糊聚类遥感影像分割。
此外,本申请还提供了一种终端,包括: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的模糊聚类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模糊聚类遥 感影像分割。
此外,本申请还提供了一种存储介质,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模糊聚类遥感影像分割方法。
本申请采用上述技术方案具备下述效果:
本申请提供的模糊聚类遥感影像分割方法、系统、终端及存储介质,将遥 感影像划分为若干个规则区域,基于区域模糊聚类框架对所述遥感影像进行分 割,对分割后的遥感影像执行区域分裂操作,对分裂后的遥感影像执行区域合 并操作,通过在模糊聚类框架下实现模糊聚类遥感影像分割,以在极大程度克 服噪声的情况下确保分割边界的精准性,进一步提高模糊聚类遥感影像分割精 度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例或现 有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附 图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造 性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的模糊聚类遥感影像分割方法的步骤流程图。
图2是本申请实施例提供的模糊聚类遥感影像分割方法的结构示意图。
图3为本申请实施例提供的终端结构示意图。
图4为本申请实施例提供的存储介质的结构示意图。
图5为本申请实施例1提供的模糊聚类遥感影像分割方法的步骤流程图。
图6为本申请实施例1提供的仿真多光谱遥感影像,图6中(a)和(c)为实 验遥感影像,分别截取自SPOT和WorldView-2影像,图6中(b)和(d)分别为相 应模板影像。
图7为本申请实施例1提供的HMRF-FCM算法分割结果,图7中(a)和(c) 分别为图6中(a)和(c)的分割结果,图7中(b)和(d)分别为相应分割结果轮廓线 叠加图。
图8为本申请实施例1提供的R-HMRF-FCM算法分割结果,图8中(a1) 和(b1)为规则划分结果,图8中(a2)和(b2)为分割结果,图8中(a3)和(b3)为分 割结果轮廓线叠加图。
图9为本申请实施例1提供的均值方差分裂合并算法分割结果,图9中(a1) 和(b1)为划分结果,图9中(a2)和(b2)为分割结果,图9中(a3)和(b3)为分割结果 轮廓线叠加图。
图10为本申请实施例1提供的分割结果,图10中(a1)和(b1)为划分结果, 图10中(a2)和(b2)为分割结果,图10中(a3)和(b3)为分割结果轮廓线叠加图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自 始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元 件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不 能理解为对本申请的限制。
在本申请的描述中,需要理解的是,术语“上”、“下”、“水平”、“内”、“外” 等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描 述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方 位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相 对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第 二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述 中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,为本申请提供的模糊聚类遥感影像分割方法的步骤流程图, 包括下述步骤:
步骤S110:将遥感影像划分为若干个规则区域。
在本实施例中,在将遥感影像划分为若干个规则区域的步骤中,所述遥感 影像表示为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, Ω={(xi,yi):i=1,...,n}。
在本实施例中,在将遥感影像划分为若干个规则区域的步骤中,具体包括 下述步骤:以尺度d将影像域Ω划分为若干个规则区域R={Rj:j=1,...,m}, 每个规则区域大小为d×d,其中,j为区域索引,m为区域数。
步骤120:基于区域模糊聚类框架对所述遥感影像进行分割。
在本实施例中,在基于区域模糊聚类框架对所述遥感影像进行分割的步骤 中,具体包括下述步骤:
其中,δ为邻域作用强度,Ωj={Rj’:j’~j}为区域j的邻域区域集,Lj为多 边形j所属聚类标号,Lj∈{1,...,k},η(Lj,Lj’)为指示函数,当且仅当Lj≠Lj’ 时,η(Lj,Lj’)=1,反之η(Lj,Lj’)=0;
步骤S123:计算区域j隶属聚类l的模糊隶属度ujl,
步骤S124:计算区域模糊聚类目标函数J(U,θ),U=[ujl]m×k,θ={θl: l=1,...,k},
其中,λ为规则化项系数,λ∈{0,1}。
可以理解,按照一定尺度将影像空间域划分为若干个规则区域,基于区域 模糊聚类框架实现初始分割。
步骤S130:对分割后的遥感影像执行区域分裂操作。
在本实施例中,在对分割后的遥感影像执行区域分裂操作的步骤中,具体 包括下述步骤:
步骤S133:计算待分裂区域选择因子Sj。
进一步地,在计算待分裂区域选择因子Sj的步骤中,具体包括:
Sj=Cj×Ej
Cj为区域内光谱变异系数,
其中:μ(j)和Σ(j)分别为区域j内光谱特征均值和协方差,Ej为区域与 邻域区域标号差异系数;
pjl为计算区域j隶属于聚类l的先验概率;
其中,δ为邻域作用强度,Ωj={Rj’:j’~j}为区域j的邻域区域集,Lj为多边形j所属聚类标号,Lj∈{1,...,k},η(Lj,Lj’)为指示函数,当且仅当Lj≠ Lj’时,η(Lj,Lj’)=1,反之η(Lj,Lj’)=0。
步骤S134:根据待分裂选择因子最大准则确定待分裂区域g,按照质心将其划分为四个区域,分裂后的区域g*、m+1、m+2、m+3与原区域 共享同一隶属度,即ugl *=um+1l=um+2l=um+3l=ugl,分裂后区域数m*=m+3;
步骤S135:重新计算模型参数θ*、U*和区域模糊聚类目标函数J*(U*,θ*,m*), 如果目标函数值变小,则接受该分裂操作,否则以一定概率接受该分裂操作, 同时更新模型参数。
可以理解,上述实施例中,按照一定尺度将影像空间域划分为若干个规则 区域,基于区域模糊聚类框架实现初始分割,以区域内均值及协方差定义变异 系数,并基于信息熵理论刻画区域与邻域区域的隶属差异,据此构建待分裂区 域选择因子,综合区域内光谱特征和区域间隶属特征刻画需要分裂的劣质区域, 根据质心将其分裂为四个区域,分裂后的区域与原区域共享同一隶属度。在区 域间光谱差异的基础上引入邻域连通性因子,构建邻域区域合并代价函数,以 保证合并后区域的连通性。
步骤S140:对分裂后的遥感影像执行区域合并操作。
在本实施例中,在对分裂后的遥感影像执行区域合并操作的步骤中,具体 包括下述步骤:
步骤S141:计算邻域区域合并代价函数,Mjj’=ξjj’×Tjj’,其中,ξjj’为邻域 连通因子,当且仅当二者互为邻域时,ξjj’=1,反之ξjj’=0,Tjj’为区域合并代 价函数,Nj为区域内像素个数;
步骤S142:根据合并代价函数最小准则确定待合并的两个区域j和j’,合 并后区域的隶属度为合并前两区域隶属度的均值,即ujl *=(ujl+uj’l)/2,删除第 j’个区域关于聚类的隶属度,合并后区域数m*=m-1;
步骤S143:重新计算模型参数θ*、U*和区域模糊聚类目标函数J*(U*,θ*,m*), 如果目标函数值变小,则接受该合并操作,否则,以一定概率接受该合并操作, 同时更新模型参数。
可以理解,合并后区域的隶属度为合并前两区域隶属度的均值。
步骤S150:完成模糊聚类遥感影像分割。
在本实施例中,在完成模糊聚类遥感影像分割的步骤中,具体包括下述步 骤:当所述区域模糊聚类目标函数J(U,θ,m)最小化时停止迭代,否则返回基 于区域模糊聚类框架对所述遥感影像进行分割的步骤继续迭代。
可以理解,根据模糊聚类目标函数最小化准则判断是否接受分裂合并操作。 为了避免陷入局部最优,同时给予一定概率接受导致目标函数增加的部分分裂 合并操作。然后,更新模型参数,直至目标函数达到最小时停止迭代,得到最 终分割结果。
请参阅图2,为本申请提供的模糊聚类遥感影像分割系统的结构示意图, 包括:影像划分单元110:将遥感影像划分为若干个规则区域;影像分割单元 120:基于区域模糊聚类框架对所述遥感影像进行分割;区域分裂单元130:对 分割后的遥感影像执行区域分裂操作;区域合并单元140:对分裂后的遥感影 像执行区域合并操作;迭代单元150:用于完成模糊聚类遥感影像分割。其详 细的实现方式在本申请上述方法描述中已经说明,这里不再赘述。
请参阅图3,为本申请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存储有用于实现所述的模糊聚类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所述的模糊聚类遥感 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4,为本申请实施例的存储介质的结构示意图。本申请实施例的 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) 执行本申请各个实施方式方法的全部或部分步骤。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。
本申请提供的模糊聚类遥感影像分割方法、系统、终端及存储介质,将遥 感影像划分为若干个规则区域,基于区域模糊聚类框架对所述遥感影像进行分 割,对分割后的遥感影像执行区域分裂操作,对分裂后的遥感影像执行区域合 并操作,通过在模糊聚类框架下实现模糊聚类遥感影像分割,以在极大程度克 服噪声的情况下确保分割边界的精准性,进一步提高模糊聚类遥感影像分割精 度。
以下结合具体实施例对本申请上述技术方案进行详细描述。
实施例1
实验环境:在CPU为Intel(R)Xeon(R)Silver 4114 CPU@2.20GHz 2.19 GHz的Windows 10旗舰版系统上使用软件编程实现仿真。
请参阅图5,在本实施例中采用本申请提供的方法和HMRF-FCM、 R-HMRF-FCM算法和均值方差分裂合并算法分别对不同类型遥感影像进行分 割的仿真实验,并以模板为标准对各算法分割结果进行定量评价。其中, HMRF-FCM算法为以像素为基本处理单元,基于高斯分布的模糊聚类算法, R-HMRF-FCM为基于规则划分,以规则区域为基本操作单元的基于高斯分布 的模糊聚类算法,即区域模糊聚类算法。均值分裂合并算法为在区域模糊聚类算法框架下,未考虑邻域区域作用,直接以区域均值和方差为依据的分裂合并 算法。
请参阅图6表示待分割遥感影像,其中,(a)和(c)为实验影像,分别截取自 SPOT和WorldView-2遥感影像,图6(b)和(d)分别为相应模板影像。
请参阅图7,为HMRF-FCM算法分割结果,由图7可以看出,分割结果 中存在大量椒盐现象,分割效果极差。
请参阅图8,为R-HMRF-FCM算法分割结果,由图8可以看出,其抗噪 性较强,同质区域内部无椒盐噪声,但是受区域尺度影响,区域对边界的拟合 效果较差。
请参阅图9为均值方差分裂合并算法分割结果。由图9中可以看出,该方 法对较为匀质的区域合并效果较好,但是由于未引入邻域区域作用,导致分裂 的区域并非是边界上的劣质区域,并且还存在部分过合并或者欠分裂现象。
请参阅图10,为本发明方法分割结果。由图10中可以看出,执行分裂的 区域大多分布在同质区域边界,且同质区域内部合并效果良好,有效地验证了 提出方法的可行性和有效性。
为了验证本发明算法有效性,构建缓冲区定量评价法,并将评价结果列于 表1。以分割结果边界与模板边界缓冲区一致性像素数与模板边界缓冲区像素 数之比为用户精度,以模板边界与分割结果边界缓冲区一致性像素数与分割结 果边界缓冲区像素数之比为产品精度。由表1可知,像素级算法HMRF-FCM 具有较好的产品精度,但是用户精度较低。R-HMRF-FCM算法用户精度和产 品精度相当,但是均未达到90%,均值方差区域分裂合并算法用户精度和产品 精度略有提高,但仍不如提出算法。
表1定量评价
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人 员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的 任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种模糊聚类遥感影像分割方法,其特征在于,包括下述步骤:
将遥感影像划分为若干个规则区域;
基于区域模糊聚类框架对所述遥感影像进行分割;
对分割后的遥感影像执行区域分裂操作;
对分裂后的遥感影像执行区域合并操作;
完成模糊聚类遥感影像分割。
2.根据权利要求1所述的模糊聚类遥感影像分割方法,其特征在于,在将遥感影像划分为若干个规则区域的步骤中,所述遥感影像表示为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,Ω={(xi,yi):i=1,...,n}。
3.根据权利要求2所述的模糊聚类遥感影像分割方法,其特征在于,在将遥感影像划分为若干个规则区域的步骤中,具体包括下述步骤:
以尺度d将影像域Ω划分为若干个规则区域R={Rj:j=1,...,m},每个规则区域大小为d×d,其中,j为区域索引,m为区域数。
4.根据权利要求3所述的模糊聚类遥感影像分割方法,其特征在于,在基于区域模糊聚类框架对所述遥感影像进行分割的步骤中,具体包括下述步骤:
其中,δ为邻域作用强度,Ωj={Rj’:j’~j}为区域j的邻域区域集,Lj为多边形j所属聚类标号,Lj∈{1,...,k},η(Lj,Lj’)为指示函数,当且仅当Lj≠Lj’时,η(Lj,Lj’)=1,反之η(Lj,Lj’)=0;
计算区域j隶属聚类l的模糊隶属度ujl,
计算区域模糊聚类目标函数J(U,θ),U=[ujl]m×k,θ={θl:l=1,...,k},
其中,λ为规则化项系数,λ∈{0,1}。
5.根据权利要求4所述的模糊聚类遥感影像分割方法,其特征在于,在对分割后的遥感影像执行区域分裂操作的步骤中,具体包括下述步骤:
计算待分裂区域选择因子Sj,Sj=Cj×Ej;
根据待分裂选择因子最大准则确定待分裂区域g,按照质心将其划分为四个区域,分裂后的区域g*、m+1、m+2、m+3与原区域共享同一隶属度,即ugl *=um+1l=um+2l=um+3l=ugl,分裂后区域数m*=m+3;
重新计算模型参数θ*、U*和区域模糊聚类目标函数J*(U*,θ*,m*),如果目标函数值变小,则接受该分裂操作,否则以一定概率接受该分裂操作,同时更新模型参数。
7.根据权利要求6所述的模糊聚类遥感影像分割方法,其特征在于,在对分裂后的遥感影像执行区域合并操作的步骤中,具体包括下述步骤:
计算邻域区域合并代价函数,Mjj’=ξjj’×Tjj’,其中,ξjj’为邻域连通因子,当且仅当二者互为邻域时,ξjj’=1,反之ξjj’=0,Tjj’为区域合并代价函数,Nj为区域内像素个数;
根据合并代价函数最小准则确定待合并的两个区域j和j’,合并后区域的隶属度为合并前两区域隶属度的均值,即ujl *=(ujl+uj’l)/2,删除第j’个区域关于聚类的隶属度,合并后区域数m*=m-1;
重新计算模型参数θ*、U*和区域模糊聚类目标函数J*(U*,θ*,m*),如果目标函数值变小,则接受该合并操作,否则,以一定概率接受该合并操作,同时更新模型参数。
8.根据权利要求7所述的模糊聚类遥感影像分割方法,其特征在于,在完成模糊聚类遥感影像分割的步骤中,具体包括下述步骤:
当所述区域模糊聚类目标函数J(U,θ,m)最小化时停止迭代,否则返回基于区域模糊聚类框架对所述遥感影像进行分割的步骤继续迭代。
9.一种模糊聚类遥感影像分割系统,其特征在于,包括:
影像划分单元:将遥感影像划分为若干个规则区域;
影像分割单元:基于区域模糊聚类框架对所述遥感影像进行分割;
区域分裂单元:对分割后的遥感影像执行区域分裂操作;
区域合并单元:对分裂后的遥感影像执行区域合并操作;
迭代单元:用于完成模糊聚类遥感影像分割。
10.一种终端,其特征在于,包括: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1-7任一项所述的模糊聚类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模糊聚类遥感影像分割。
11.一种存储介质,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8任一项所述模糊聚类遥感影像分割方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111533573.7A CN114283332A (zh) | 2021-12-15 | 2021-12-15 | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 |
PCT/CN2022/138213 WO2023109718A1 (zh) | 2021-12-15 | 2022-12-09 | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111533573.7A CN114283332A (zh) | 2021-12-15 | 2021-12-15 | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114283332A true CN114283332A (zh) | 2022-04-05 |
Family
ID=80872581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111533573.7A Pending CN114283332A (zh) | 2021-12-15 | 2021-12-15 | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114283332A (zh) |
WO (1) | WO2023109718A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023109718A1 (zh) * | 2021-12-15 | 2023-06-22 | 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 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372891B (zh) * | 2023-12-07 | 2024-02-13 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
CN117522900B (zh) * | 2023-12-13 | 2024-05-17 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090208098A1 (en) * | 2008-02-15 | 2009-08-20 | Microsoft Corporation | Tiling and merging framework for segmenting large images |
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 |
CN104657995A (zh) * | 2015-02-12 | 2015-05-27 | 合肥工业大学 | 利用区域分裂技术的遥感影像分割方法 |
CN104992454A (zh) * | 2015-08-11 | 2015-10-21 | 辽宁工程技术大学 | 一种区域化自动变类的图像分割方法 |
CN112116610A (zh) * | 2020-08-24 | 2020-12-22 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283332A (zh) * | 2021-12-15 | 2022-04-05 | 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 |
-
2021
- 2021-12-15 CN CN202111533573.7A patent/CN114283332A/zh active Pending
-
2022
- 2022-12-09 WO PCT/CN2022/138213 patent/WO2023109718A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090208098A1 (en) * | 2008-02-15 | 2009-08-20 | Microsoft Corporation | Tiling and merging framework for segmenting large images |
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 |
CN104657995A (zh) * | 2015-02-12 | 2015-05-27 | 合肥工业大学 | 利用区域分裂技术的遥感影像分割方法 |
CN104992454A (zh) * | 2015-08-11 | 2015-10-21 | 辽宁工程技术大学 | 一种区域化自动变类的图像分割方法 |
CN112116610A (zh) * | 2020-08-24 | 2020-12-22 | 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 |
Non-Patent Citations (1)
Title |
---|
李晓丽等: "基于可变形状参数Gamma混合模型的区域化 模糊聚类SAR图像分割", 《控制与决策》, vol. 35, no. 7, 31 July 2020 (2020-07-31), pages 1639 - 1644 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023109718A1 (zh) * | 2021-12-15 | 2023-06-22 | 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 |
Also Published As
Publication number | Publication date |
---|---|
WO2023109718A1 (zh) | 2023-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424159B (zh) | 基于超像素边缘和全卷积网络的图像语义分割方法 | |
CN114283332A (zh) | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 | |
Manzanera et al. | Line and circle detection using dense one-to-one Hough transforms on greyscale images | |
CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
US9025863B2 (en) | Depth camera system with machine learning for recognition of patches within a structured light pattern | |
US20150012472A1 (en) | Systems, methods, and media for updating a classifier | |
CN110610143B (zh) | 多任务联合训练的人群计数网络方法、系统、介质及终端 | |
CN112116610A (zh) | 一种遥感影像分割方法、系统、终端以及存储介质 | |
Wang et al. | Interactive multilabel image segmentation via robust multilayer graph constraints | |
CN111915657A (zh) | 一种点云配准方法、装置、电子设备及存储介质 | |
CN116391204A (zh) | 线宽测量方法、装置、计算处理设备、计算机程序及计算机可读介质 | |
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 | |
Yu et al. | Robust point cloud normal estimation via neighborhood reconstruction | |
CN111192279B (zh) | 基于边缘检测的物体分割方法、电子终端及存储介质 | |
KR102330263B1 (ko) | 인공신경망을 이용한 핵 영역 검출 방법 및 그 장치 | |
CN109447022A (zh) | 一种镜头类型识别方法及装置 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN111815640A (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
Memon et al. | Segmentation of Intensity‐Corrupted Medical Images Using Adaptive Weight‐Based Hybrid Active Contours | |
Cao et al. | Landmark‐based multi‐region ensemble convolutional neural networks for bone age assessment | |
Hurtado et al. | 3D point cloud denoising using anisotropic neighborhoods and a novel sharp feature detection algorithm | |
Gao et al. | A local modified Chan–Vese model for segmenting inhomogeneous multiphase images | |
Comino et al. | Sensor‐aware Normal Estimation for Point Clouds from 3D Range Scans | |
CN110399892B (zh) | 环境特征提取方法和装置 |
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 |