CN114863183A - 一种基于尺度集的面向对象分类方法和装置 - Google Patents
一种基于尺度集的面向对象分类方法和装置 Download PDFInfo
- Publication number
- CN114863183A CN114863183A CN202210569135.4A CN202210569135A CN114863183A CN 114863183 A CN114863183 A CN 114863183A CN 202210569135 A CN202210569135 A CN 202210569135A CN 114863183 A CN114863183 A CN 114863183A
- Authority
- CN
- China
- Prior art keywords
- image data
- level scale
- data
- classification
- determining
- 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 47
- 230000011218 segmentation Effects 0.000 claims abstract description 64
- 238000010276 construction Methods 0.000 claims description 12
- 238000007635 classification algorithm Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于尺度集的面向对象分类方法和装置,涉及遥感影像分类的技术领域,包括:获取待分类遥感影像的分块影像数据,并对分块影像数据进行分割,得到分割影像数据,其中,任意相邻的两个分块影像数据之间存在重叠区域;对分割影像数据进行无缝拼接,得到拼接影像数据;对拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出低层尺度集中的0级尺度分割数据;基于0级尺度分割数据,构建高层尺度集;获取用户输入的尺度参数,基于尺度参数和高层尺度集,对待分类遥感影像进行分类,得到分类结果,解决了现有的面向对象分类方法的分类精度和分类效率较低的技术问题。
Description
技术领域
本发明涉及遥感影像分类的技术领域,尤其是涉及一种基于尺度集的面向对象分类方法和装置。
背景技术
目前传统遥感影像分类主要是利用机器学习分类算法基于像元和面向对象进行分类。基于像元的分类,相较于仅仅利用光谱信息,许多学者在分类时增加了如NDVI、NDWI指数和dem等数据提高了分类结果精度,但由于“同物异谱”及“同谱异物”现象,临近像元往往存在异谱问题,导致分类结果容易出现椒盐噪声、视觉效果较差等问题,分类结果精度往往较低。面向对象分类处理的基本单元是影像分割对象,能够充分利用遥感影像的光谱信息、空间结构、纹理信息、位置信息、拓扑关系,克服了“椒盐噪声”、“同物异谱”及“同谱异物”等问题,分类结果精度较高。
但是,现有的面向对象进行分类存在最优尺度稳定性和局部地物的过分割、欠分割和空间自相关性不确定性等问题。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种基于尺度集的面向对象分类方法和装置,以缓解了现有的面向对象分类方法的分类精度和分类效率较低的技术问题。
第一方面,本发明实施例提供了一种基于尺度集的面向对象分类方法,包括:获取待分类遥感影像的分块影像数据,并对所述分块影像数据进行分割,得到分割影像数据,其中,所述任意相邻的两个分块影像数据之间存在重叠区域;对所述分割影像数据进行无缝拼接,得到拼接影像数据;对所述拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出所述低层尺度集中的0级尺度分割数据;基于所述0级尺度分割数据,构建高层尺度集;获取用户输入的尺度参数,基于所述尺度参数和所述高层尺度集,对所述待分类遥感影像进行分类,得到分类结果。
进一步地,第一确定步骤,基于所述分割影像数据和所述分割影像数据的相邻分割影像数据,确定出目标影像数据,其中,所述目标影像数据为所述相邻分割影像数据中与所述分割影像数据之间合并代价值最小的分割影像数据;第二确定步骤,基于每个分割影像数据和对应的目标影像数据构建节点,并确定出初始节点,将所述初始节点插入初始红黑树,其中,所述初始节点为包含同一分割影像数据的初始节点;构建步骤,将所述初始节点中合并代价值最小的节点确定为目标节点,并去除所述初始红黑树中除所述目标节点以外的初始节点,得到中间红黑树;第三确定步骤,基于所述中间红黑树,确定出最终节点,并在所述中间红黑树中删除所述最终节点,得到目标红黑树,其中,所述最终节点为处于所述中间红黑树中最底层且合并代价值最小的节点;将所述相邻分割影像数据中除所述目标影像数据以外的分割影像数据确定为所述相邻分割影像数据,以及将所述目标红黑树确定为所述初始红黑树,重复执行所述第一确定步骤、所述第二确定步骤和所述构建步骤第一预设次数,其中,所述第一预设次数为所述分割影像数据的数量;对所述第一预设次数中得到的各个最终节点对应的分割影像数据进行合并得到所述合并后的拼接影像数据;基于所述第一预设次数中得到的各个最终节点对应的合并代价值,确定出各个分割影像数据的第一累计合并代价值,基于所述第一累计合并代价值构建所述低层尺度集。
进一步地,确定出所述低层尺度集中的0级尺度分割数据,包括:对所述第一累计合并代价值进行排序,并确定出预设比值对应的目标累计合并代价值;对小于所述目标累计合并代价值的分割影像数据进行合并,得到所述0级尺度分割数据。
进一步地,基于所述0级尺度分割数据,构建高层尺度集,包括:于预设分类算法,对所述0级尺度分割数据进行分类,得到所述0级尺度分割数据中包含的分割影像数据的初始分类结果;将所述0级尺度分割数据确定为所述分割影像数据,并重复执行所述第一确定步骤、所述第二确定步骤和所述构建步骤第一预设次数,其中,所述第二预设次数为所述0级尺度分割数据中包含的分割影像数据的数量;基于所述第二预设次数中得到的各个最终节点对应的合并代价值,确定出所述0级尺度分割数据中包含的分割影像数据的第二累计合并代价值,基于所述第二累计合并代价值构建所述高层尺度集。
进一步地,若对所述0级尺度分割数据进行分类的分类类型为土地覆盖分类,则基于预设分类算法,对所述0级尺度分割数据进行分类,得到所述0级尺度分割数据中包含的分割影像数据的初始分类结果,包括:基于所述土地覆盖分类,获取所述0级尺度分割数据的特征数据,其中,所述特征数据包括:光谱特征,纹理特征,形状特征和指数特征;基于所述预设分类算法和所述特征数据,对所述0级尺度分割数据进行土地覆盖分类,得到所述初始分类结果。
进一步地,在获取待分类遥感影像的分块影像数据之前,所述方法包括:获取所述待分类遥感影像,并按照预设尺寸对所述待分类遥感影像进行分割,得到初始分块影像数据;基于所述初始分块影像数据的四至范围,确定出所述初始分块影像数据与所述初始分块影像数据的相邻初始分块影像数据之间的重叠区域;基于所述重叠区域和所述初始分块影像数据,构建所述分块影像数据。
进一步地,基于所述尺度参数和所述高层尺度集,对所述待分类遥感影像进行分类,得到分类结果,包括:基于所述尺度参数和所述高层尺度集,对所述0级尺度分割数据进行合并,得到合并结果;基于所述合并结果和所述初始分类结果,确定出所述分类结果。
第二方面,本发明实施例还提供了一种基于尺度集的面向对象分类装置,包括:获取单元,拼接单元,第一构建单元,第二构建单元和分类单元,其中,所述获取单元,用于获取待分类遥感影像的分块影像数据,并对所述分块影像数据进行分割,得到分割影像数据,其中,所述任意相邻的两个分块影像数据之间存在重叠区域;所述拼接单元,用于对所述分割影像数据进行无缝拼接,得到拼接影像数据;所述第一构建单元,用于对所述拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出所述低层尺度集中的0级尺度分割数据;所述第二构建单元,用于基于所述0级尺度分割数据,构建高层尺度集;所述分类单元,用于获取用户输入的尺度参数,基于所述尺度参数和所述高层尺度集,对所述待分类遥感影像进行分类,得到分类结果。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,通过获取待分类遥感影像的分块影像数据,并对分块影像数据进行分割,得到分割影像数据,其中,任意相邻的两个分块影像数据之间存在重叠区域;对分割影像数据进行无缝拼接,得到拼接影像数据;对拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出低层尺度集中的0级尺度分割数据;基于0级尺度分割数据,构建高层尺度集;获取用户输入的尺度参数,基于尺度参数和高层尺度集,对待分类遥感影像进行分类,得到分类结果,达到了利用双层尺度集对遥感影像进行分类的目的,进而解决了现有的面向对象分类方法的分类精度和分类效率较低的技术问题,从而实现了提高面向对象分类方法的分类精度和分类效率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种基于尺度集的面向对象分类方法的流程图;
图2为本发明实施例提供的拼接影像数据的示意图;
图3为本发明实施例提供的一种基于尺度集的面向对象分类装置的示意图;
图4为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
根据本发明实施例,提供了一种基于尺度集的面向对象分类方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于尺度集的面向对象分类方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待分类遥感影像的分块影像数据,并对所述分块影像数据进行分割,得到分割影像数据,其中,所述任意相邻的两个分块影像数据之间存在重叠区域;
步骤S104,对所述分割影像数据进行无缝拼接,得到拼接影像数据;
步骤S106,对所述拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出所述低层尺度集中的0级尺度分割数据;
步骤S108,基于所述0级尺度分割数据,构建高层尺度集;
步骤S110,获取用户输入的尺度参数,基于所述尺度参数和所述高层尺度集,对所述待分类遥感影像进行分类,得到分类结果。
在本发明实施例中,通过获取待分类遥感影像的分块影像数据,并对分块影像数据进行分割,得到分割影像数据,其中,任意相邻的两个分块影像数据之间存在重叠区域;对分割影像数据进行无缝拼接,得到拼接影像数据;对拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出低层尺度集中的0级尺度分割数据;基于0级尺度分割数据,构建高层尺度集;获取用户输入的尺度参数,基于尺度参数和高层尺度集,对待分类遥感影像进行分类,得到分类结果,达到了利用双层尺度集对遥感影像进行分类的目的,进而解决了现有的面向对象分类方法的分类精度和分类效率较低的技术问题,从而实现了提高面向对象分类方法的分类精度和分类效率的技术效果。
在本发明实施例中,在获取待分类遥感影像的分块影像数据之前,所述方法包括如下步骤:
步骤S11,获取所述待分类遥感影像,并按照预设尺寸对所述待分类遥感影像进行分割,得到初始分块影像数据;
步骤S12,基于所述初始分块影像数据的四至范围,确定出所述初始分块影像数据与所述初始分块影像数据的相邻初始分块影像数据之间的重叠区域;
步骤S13,基于所述重叠区域和所述初始分块影像数据,构建所述分块影像数据。
在本发明实施例中,在获取到待分类遥感影像之后,需要对待分类遥感影像进行分块处理,考虑到计算机内存大小和单步运行的效率问题,按照预设尺寸(如512x1024、512x512、1024x1024等)对待分类遥感影像进行分块,得到初始分块影像数据,本发明是实施例中按照512x1024大小进行分块。
由于后续步骤需要对分块结果进行无缝拼接,因此在得到初始分块影像数据之后,需要确定每块初始分块影像数据的四至范围以外的,n个像素宽,作为初始分块影像数据与相邻初始分块影像数据之间的重叠区域,从而构建分块影像数据。
需要说明的时,一般n值遵循以下计算公式:
S表示分块影像数据的平均面积的期望值,n表示重叠区域的宽度,S和n的单位均是像素。在本发明实施例中S值为100。
下面对步骤S104进行详细说明。
在得到分割影像数据之后,以前一分割影像数据的四至边界为准,获取四至临近的后一分割影像数据进行拼接,首先获取四至边界处非重叠区域内的一行或一列数据,再获取后一分割影像数据的重叠区域区内对应的一行或一列的数据,对这两组数据进行比对,当前数据和后数据不一致时,修改前数据值与后数据值一致,直到整行或列修改完毕,从而实现两数据之间的无缝拼接,再以此数据为前循环拼接后数据,最终实现整景影像的无缝拼接分割结果,得到拼接影像数据。
在本发明实施例中,步骤S106包括如下步骤:
第一确定步骤,基于所述分割影像数据和所述分割影像数据的相邻分割影像数据,确定出目标影像数据,其中,所述目标影像数据为所述相邻分割影像数据中与所述分割影像数据之间合并代价值最小的分割影像数据;
第二确定步骤,基于每个分割影像数据和对应的目标影像数据构建节点,并确定出初始节点,将所述初始节点插入初始红黑树,其中,所述初始节点为包含同一分割影像数据的初始节点;
构建步骤,将所述初始节点中合并代价值最小的节点确定为目标节点,并去除所述初始红黑树中除所述目标节点以外的初始节点,得到中间红黑树;
第三确定步骤,基于所述中间红黑树,确定出最终节点,并在所述中间红黑树中删除所述最终节点,得到目标红黑树,其中,所述最终节点为处于所述中间红黑树中最底层且合并代价值最小的节点;
将所述相邻分割影像数据中除所述目标影像数据以外的分割影像数据确定为所述相邻分割影像数据,以及将所述目标红黑树确定为所述初始红黑树,重复执行所述第一确定步骤、所述第二确定步骤和所述构建步骤第一预设次数,其中,所述第一预设次数为所述分割影像数据的数量;
对所述第一预设次数中得到的各个最终节点对应的分割影像数据进行合并得到所述合并后的拼接影像数据;
基于所述第一预设次数中得到的各个最终节点对应的合并代价值,确定出各个分割影像数据的第一累计合并代价值,基于所述第一累计合并代价值构建所述低层尺度集。
在本发明实施例中,首先计算各个分割影像数据与其相邻的分割影像数据之间的合并代价值。
需要说明的是,合并代价值的计算公式如下:
Ci,j=wc×Δhc+ws×Δhs;
wc和ws是调整光谱和空间特征权重的系数,且wc+ws=1,Δhc表示由于区域合并引起的光谱异质性的增加量,其定义为;
其中,n表示区域的面积,wc表示影像c波段的权重,σc表示该区域在c波段的标准差,i和j分别表示两个相邻的区域,i∪j表示将区域i和j合并得到的区域。
Δhs表示由于区域合并引起的形状异质性的增加量,由区域的形状平滑度和形状紧凑性两方面组成。
Δhs=wsmooth×Δhsmooth+wcompt×Δhcompt;
其中:
其中wcompt+wsmooth=1,L表示区域的周长,b表示最小外接矩形的周长。
然后,确定出各个分割影像数据对应的合并代价值最小的相邻分割影像数据(即,目标影像数据)。
循环遍历每个分割影像数据,查找与之相邻的所有分割影像数据中合并代价值最小的分割影像数据,并形成分割影像数据对,表示该对分割影像数据合并最为合适。将该分割影像数据对形成初始节点,生成或插入红黑树中,得到初始红黑数据。
后面构建节点A时,如果分割影像数据对中已有分割影像数据存在于红黑树节点B中,则根据该分割影像数据对合并代价值大小来判断是否重新构建节点:当节点A合并代价值小于节点B中的合并代价值时,删除红黑树中节点B,同时将节点A插入红黑树中,最终完成中间红黑树的构建。
具体的,如图2所示,如果分割影像数据6与分割影像数据1、2、3、5、7、9、10、11的合并代价值中分割影像数据6与分割影像数据7(节点B)的合并代价值最小,如为1,此时,计算出分割影像数据7与分割影像数据2、3、4、6、8、10、11、12的合并代价值中分割影像数据7与分割影像数据8(节点A)并代价值最小,如为0.5,那么就删除分割影像数据6与分割影像数据7(节点B),将分割影像数据7与分割影像数据8(节点A)插入红黑树。
然后,查找中间红黑树中最底层合并代价值最小的节点(即,最终节点),记录最终节点对应的分割影像数据和对应的合并代价值。从中间红黑树中删除最终节点,同时删除最终节点对应的分割影像数据的相邻信息。
接着,重复重复执行第一确定步骤、第二确定步骤和构建步骤第一预设次数。
最后,对所述第一预设次数中得到的各个最终节点对应的分割影像数据进行合并得到所述合并后的拼接影像数据;
基于第一预设次数中得到的各个最终节点对应的合并代价值,确定出各个分割影像数据的第一累计合并代价值,基于第一累计合并代价值构建所述低层尺度集。
在本发明实施例中,步骤S106还包括如下步骤:
对所述第一累计合并代价值进行排序,并确定出预设比值对应的目标累计合并代价值;
对小于所述目标累计合并代价值的分割影像数据进行合并,得到所述0级尺度分割数据。
在本发明实施例中,首先对第一累计合并代价值进行排序,然后按照预设比值去对排序结果进行截取,确定出预设比值对应的目标累计合并代价值。
需要说明的是,预设比值的计算公式如下:
然后,对小于目标累计合并代价值的分割影像数据进行合并,得到0级尺度分割数据。
在本发明实施例中,步骤S108包括如下步骤:
基于预设分类算法,对所述0级尺度分割数据进行分类,得到所述0级尺度分割数据中包含的分割影像数据的初始分类结果;
将所述0级尺度分割数据确定为所述分割影像数据,并重复执行所述第一确定步骤、所述第二确定步骤和所述构建步骤第二预设次数,其中,所述第二预设次数为所述0级尺度分割数据中包含的分割影像数据的数量;
基于所述第二预设次数中得到的各个最终节点对应的合并代价值,确定出所述0级尺度分割数据中包含的分割影像数据的第二累计合并代价值,基于所述第二累计合并代价值构建所述高层尺度集。
在本发明实施例中,首先,基于预设分类算法,对0级尺度分割数据进行分类,得到0级尺度分割数据中包含的分割影像数据的初始分类结果。
下面以对0级尺度分割数据进行土地覆盖分类为例:
首先基于0级尺度分割数据进行样本选择,本实施以土地覆盖类型来选择样本,土地覆盖类型有:建筑、道路、耕地、林地、水体共5类。特征数据包括:光谱特征、纹理特征、形状特征、指数特征4大类,其中光谱特征包括:均值、标准差、直方图,纹理特征包括:均值、方差、同质性、对比度、不相似性、熵、角二阶矩、相关性,形状特征包括:面积、长度、形状指数、矩形度量、比例、密度、圆特征,指数特征包括:NDVI、NDWI。
然后,基于预设分类算法和特征数据,对0级尺度分割数据进行土地覆盖分类,得到初始分类结果。
在得到初始分类结果之后,将0级尺度分割数据确定为分割影像数据,并重复执行第一确定步骤、第二确定步骤和构建步骤第二预设次数,其中,第二预设次数为0级尺度分割数据中包含的分割影像数据的数量;
基于第二预设次数中得到的各个最终节点对应的合并代价值,确定出0级尺度分割数据中包含的分割影像数据的第二累计合并代价值,基于第二累计合并代价值构建高层尺度集。
在本发明实施例中,步骤S110包括如下步骤:
基于所述尺度参数和所述高层尺度集,对所述0级尺度分割数据进行合并,得到合并结果;
基于所述合并结果和所述初始分类结果,确定出所述分类结果。
在获取到用户输入的尺度参数之后,根据用户输入的尺度参数和高层尺度集来向上合并0级尺度分割数据得到合并数据,然后根据合并数据和初始分类结果,确定出分类结果。
在本发明实施例中,对遥感影像进行面向对象分类时,尺度由底到高选取时,区域合并将类别信息进行传递,通过最底层尺度对象类别面积大小决定合并后对象的类别信息,因此可以纠正0级对象分类错误的问题。
区域合并过程中某一尺度能够保证对象图斑的完整性和纯净性,因此通过交互式能够解决最优尺度的问题。
区域合并本身就是以临近对象特征进行合并判定,因此能够利用区域合并来等效替换空间自相关性特征在分类中的应用,避免了因样本数据空间分布的不同而导致空间自相关性具有很强的不确定性的问题,从而提高分类结果精度。
实施例二:
本发明实施例还提供了一种基于尺度集的面向对象分类装置,该基于尺度集的面向对象分类装置用于执行本发明实施例上述内容所提供的基于尺度集的面向对象分类方法,以下是本发明实施例提供的装置的具体介绍。
如图3所示,图3为上述基于尺度集的面向对象分类装置的示意图,该基于尺度集的面向对象分类装置包括:获取单元10,拼接单元20,第一构建单元30,第二构建单元40和分类单元50。
所述获取单元10,用于获取待分类遥感影像的分块影像数据,并对所述分块影像数据进行分割,得到分割影像数据,其中,所述任意相邻的两个分块影像数据之间存在重叠区域;
所述拼接单元20,用于对所述分割影像数据进行无缝拼接,得到拼接影像数据;
所述第一构建单元30,用于对所述拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出所述低层尺度集中的0级尺度分割数据;
所述第二构建单元40,用于基于所述0级尺度分割数据,构建高层尺度集;
所述分类单元50,用于获取用户输入的尺度参数,基于所述尺度参数和所述高层尺度集,对所述待分类遥感影像进行分类,得到分类结果。
在本发明实施例中,通过获取待分类遥感影像的分块影像数据,并对分块影像数据进行分割,得到分割影像数据,其中,任意相邻的两个分块影像数据之间存在重叠区域;对分割影像数据进行无缝拼接,得到拼接影像数据;对拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出低层尺度集中的0级尺度分割数据;基于0级尺度分割数据,构建高层尺度集;获取用户输入的尺度参数,基于尺度参数和高层尺度集,对待分类遥感影像进行分类,得到分类结果,达到了利用双层尺度集对遥感影像进行分类的目的,进而解决了现有的面向对象分类方法的分类精度和分类效率较低的技术问题,从而实现了提高面向对象分类方法的分类精度和分类效率的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图4,本发明实施例还提供一种电子设备100,包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“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发明和简化描述,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发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于尺度集的面向对象分类方法,其特征在于,包括:
获取待分类遥感影像的分块影像数据,并对所述分块影像数据进行分割,得到分割影像数据,其中,任意相邻的两个分块影像数据之间存在重叠区域;
对所述分割影像数据进行无缝拼接,得到拼接影像数据;
对所述拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出所述低层尺度集中的0级尺度分割数据;
基于所述0级尺度分割数据,构建高层尺度集;
获取用户输入的尺度参数,基于所述尺度参数和所述高层尺度集,对所述待分类遥感影像进行分类,得到分类结果。
2.根据权利要求1所述的方法,其特征在于,对所述拼接影像数据进行层次区域合并,并构建低层尺度集,包括:
第一确定步骤,基于所述分割影像数据和所述分割影像数据的相邻分割影像数据,确定出目标影像数据,其中,所述目标影像数据为所述相邻分割影像数据中与所述分割影像数据之间合并代价值最小的分割影像数据;
第二确定步骤,基于每个分割影像数据和对应的目标影像数据构建节点,并确定出初始节点,将所述初始节点插入初始红黑树,其中,所述初始节点为包含同一分割影像数据的初始节点;
构建步骤,将所述初始节点中合并代价值最小的节点确定为目标节点,并去除所述初始红黑树中除所述目标节点以外的初始节点,得到中间红黑树;
第三确定步骤,基于所述中间红黑树,确定出最终节点,并在所述中间红黑树中删除所述最终节点,得到目标红黑树,其中,所述最终节点为处于所述中间红黑树中最底层且合并代价值最小的节点;
将所述相邻分割影像数据中除所述目标影像数据以外的分割影像数据确定为所述相邻分割影像数据,以及将所述目标红黑树确定为所述初始红黑树,重复执行所述第一确定步骤、所述第二确定步骤和所述构建步骤第一预设次数,其中,所述第一预设次数为所述分割影像数据的数量;
对所述第一预设次数中得到的各个最终节点对应的分割影像数据进行合并得到合并后的拼接影像数据;
基于所述第一预设次数中得到的各个最终节点对应的合并代价值,确定出各个分割影像数据的第一累计合并代价值,基于所述第一累计合并代价值构建所述低层尺度集。
3.根据权利要求2所述的方法,其特征在于,确定出所述低层尺度集中的0级尺度分割数据,包括:
对所述第一累计合并代价值进行排序,并确定出预设比值对应的目标累计合并代价值;
对小于所述目标累计合并代价值的分割影像数据进行合并,得到所述0级尺度分割数据。
4.根据权利要求2所述的方法,其特征在于,基于所述0级尺度分割数据,构建高层尺度集,包括:
基于预设分类算法,对所述0级尺度分割数据进行分类,得到所述0级尺度分割数据中包含的分割影像数据的初始分类结果;
将所述0级尺度分割数据确定为所述分割影像数据,并重复执行所述第一确定步骤、所述第二确定步骤和所述构建步骤第二预设次数,其中,所述第二预设次数为所述0级尺度分割数据中包含的分割影像数据的数量;
基于所述第二预设次数中得到的各个最终节点对应的合并代价值,确定出所述0级尺度分割数据中包含的分割影像数据的第二累计合并代价值,基于所述第二累计合并代价值构建所述高层尺度集。
5.根据权利要求4所述的方法,其特征在于,若对所述0级尺度分割数据进行分类的分类类型为土地覆盖分类,则基于预设分类算法,对所述0级尺度分割数据进行分类,得到所述0级尺度分割数据中包含的分割影像数据的初始分类结果,包括:
基于所述土地覆盖分类,获取所述0级尺度分割数据的特征数据,其中,所述特征数据包括:光谱特征,纹理特征,形状特征和指数特征;
基于所述预设分类算法和所述特征数据,对所述0级尺度分割数据进行土地覆盖分类,得到所述初始分类结果。
6.根据权利要求1所述的方法,其特征在于,在获取待分类遥感影像的分块影像数据之前,所述方法包括:
获取所述待分类遥感影像,并按照预设尺寸对所述待分类遥感影像进行分割,得到初始分块影像数据;
基于所述初始分块影像数据的四至范围,确定出所述初始分块影像数据与所述初始分块影像数据的相邻初始分块影像数据之间的重叠区域;
基于所述重叠区域和所述初始分块影像数据,构建所述分块影像数据。
7.根据权利要求5所述的方法,其特征在于,基于所述尺度参数和所述高层尺度集,对所述待分类遥感影像进行分类,得到分类结果,包括:
基于所述尺度参数和所述高层尺度集,对所述0级尺度分割数据进行合并,得到合并结果;
基于所述合并结果和所述初始分类结果,确定出所述分类结果。
8.一种基于尺度集的面向对象分类装置,其特征在于,包括:获取单元,拼接单元,第一构建单元,第二构建单元和分类单元,其中,
所述获取单元,用于获取待分类遥感影像的分块影像数据,并对所述分块影像数据进行分割,得到分割影像数据,其中,任意相邻的两个分块影像数据之间存在重叠区域;
所述拼接单元,用于对所述分割影像数据进行无缝拼接,得到拼接影像数据;
所述第一构建单元,用于对所述拼接影像数据进行层次区域合并,并构建低层尺度集,以及确定出所述低层尺度集中的0级尺度分割数据;
所述第二构建单元,用于基于所述0级尺度分割数据,构建高层尺度集;
所述分类单元,用于获取用户输入的尺度参数,基于所述尺度参数和所述高层尺度集,对所述待分类遥感影像进行分类,得到分类结果。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210569135.4A CN114863183A (zh) | 2022-05-24 | 2022-05-24 | 一种基于尺度集的面向对象分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210569135.4A CN114863183A (zh) | 2022-05-24 | 2022-05-24 | 一种基于尺度集的面向对象分类方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114863183A true CN114863183A (zh) | 2022-08-05 |
Family
ID=82640170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210569135.4A Pending CN114863183A (zh) | 2022-05-24 | 2022-05-24 | 一种基于尺度集的面向对象分类方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863183A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649612A (zh) * | 2023-10-19 | 2024-03-05 | 成都大学 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
-
2022
- 2022-05-24 CN CN202210569135.4A patent/CN114863183A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649612A (zh) * | 2023-10-19 | 2024-03-05 | 成都大学 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447169B (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
US8233712B2 (en) | Methods of segmenting a digital image | |
Zhou et al. | Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study | |
CN107341795B (zh) | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 | |
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 | |
US8462992B2 (en) | Method of change detection for building models | |
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
CN114140683A (zh) | 一种航拍图像目标检测的方法、设备与介质 | |
CN107622239B (zh) | 一种层次化局部结构约束的遥感图像指定建筑区检测方法 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN111192239A (zh) | 遥感影像变化区域检测方法、装置、存储介质及电子设备 | |
EP1068593A1 (en) | Representative color designating method using reliability | |
CN115953612A (zh) | 一种基于ConvNeXt的遥感影像植被分类方法和装置 | |
CN113538501A (zh) | 低空图像dsm生成建筑物边缘精细化方法 | |
CN114863183A (zh) | 一种基于尺度集的面向对象分类方法和装置 | |
Hossain et al. | A hybrid image segmentation method for building extraction from high-resolution RGB images | |
EP1109131A2 (en) | Image processing apparatus | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
CN113205502A (zh) | 一种基于深度学习的绝缘子缺陷检测方法及其系统 | |
CN114332134A (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
US20130231897A1 (en) | Systems and methods for efficient analysis of topographical models | |
CN108960247A (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN113837202A (zh) | 特征点的提取方法、图像的重建方法及装置 |
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 |