CN114972370A - 一种用于神经网络推理的遥感图像自适应分割方法 - Google Patents

Abstract

本发明公开了一种用于神经网络推理的遥感图像自适应分割方法，利用神经网络进行推理，涉及神经网络领域。包括：获取遥感去噪图像后滑窗处理，根据各窗口的灰度共生矩阵计算各窗口的对比度作为窗口中心像素点的对比度；分割出遥感图像的子图像，计算各像素点类值，对类值进行划分得到多个像素点区间，确定聚类的基底区间；确定聚类窗口的尺寸；根据聚类的基底区间和聚类窗口尺寸进行聚类，对子图像进行滑窗得到下一个子图像，重复操作得到所有子图像的聚类区域；对聚类区域进行合并得到分割区域；利用神经网络进行推理获取目标区域。本发明增加系统泛化能力，减少对神经网络的反复训练和对先验知识的依赖，增强系统的应变能力，适合当前场景。

Description

一种用于神经网络推理的遥感图像自适应分割方法

技术领域

本申请涉及神经网络领域，具体涉及一种用于神经网络推理的遥感图像自适应分割方法。

背景技术

随着航空航天遥感技术的发展,各种用途的对地观测系统相继升空,已获取了海量的各种类型的遥感数据。图像分割是将数据转化为信息的一项关键技术,是实现自动化高精度图像分析和图像理解的难题之一。图像分割的质量直接决定了后续的区域描述、特征提取、目标识别等精度。高分辨率影像的一些应用使得高分辨率遥感影像分类与目标识别已成为摄影测量、遥感及等共同关注的内容,同时也是遥感应用领域重要研究内容之一。

图像分割一般是基于亮度值的相似性或不连续性来分割一幅图像，而遥感影像具有多通道性、覆盖范围广、所记录的地物具有多样性和复杂性、影像中地物存在尺度特性,故对遥感图像的分割难度较大。

传统分割方法大多基于先验知识作为分割依据，通常需要过多的人工干预，需要用户根据先验知识交互式输入目标的初始曲线，在外力和内力的约束下，曲线才能收敛到邻近的边界，其分割效果严重受到所输入的参数的影响，传统采用神经网络的分类方法也仅能针对某一种图像进行分割，泛化能力差。

发明内容

针对上述技术问题，本发明提供了一种用于神经网络推理的遥感图像自适应分割方法，用于解决传统采用神经网络的分类方法需要过多的人工干预以及泛化能力差的问题。

本文发明实施例提出了一种用于神经网络推理的遥感图像自适应分割方法，具体内容包括：

获取遥感图像并进行去噪处理得到遥感去噪图像；

对遥感去噪图像进行滑窗遍历，构建每个滑窗灰度共生矩阵，利用每个滑窗的灰度共生矩阵计算每个滑窗中心像素点的对比度，得到遥感去噪图中所有像素点的对比度；

设定分割尺寸对遥感去噪图像进行分割，获得分割后所有的子图像，根据每个子图像中所有像素点的灰度值和对比度计算每个子图像的图像复杂程度；

根据每个子图像的的图像复杂程度及该子图像对应的分割尺寸，获取对每个子图像进行聚类的聚类窗口尺寸；

利用每个子图像中每个像素点的对比度和灰度值对子图像进行分区，获得多个区间；

利用每个区间中像素点的数量及位置获取每个区间的基底率，将基底率最大值所对应的区间作为基底区间；

利用获取的每个子图像对应的聚类窗口尺寸和基地区间分别对每个子图像进行聚类，获得每个子图像的聚类区域；

利用每个子图像聚类后的相邻聚类区域的灰度级对聚类区域进行合并，得到最终的分割区域。

获取对每个子图像进行聚类的聚类窗口尺寸的方法为：预设3*3的窗口，利用子图像的复杂度和子图像的尺寸对预设窗口进行自适应调节得到聚类窗口的尺寸，聚类窗口的尺寸的计算公式如下：

L′＝(1-K)*(L-3)

式中：L′为聚类窗口的尺寸，即聚类窗口的边长，进行四舍五入取整，K为子图像的图像复杂度，L为子图像的边长。

子图像的图像复杂度的计算方法为：根据子图像中每个像素点的对比度和灰度计算子图像的图像复杂度，具体计算公式如下：

式中：K为子图像的图像复杂度，a为子图像中像素点的序号，A为子图像中像素点的数量，X为子图像中像素点的灰度，Y为子图像中像素点的对比度，X_a*Y_a为第a个像素点的类值，

为子图像中所有像素点的类值均值，ω为超参数，Tanh为双曲线正切函数。

所述每个像素点的对比度的获取方法如下：

对遥感去噪图像进行增维处理，增维的像素点为原图边缘像素点的灰度值，增维后图像四角像素点的灰度值用原图四角像素点的灰度值填充；

以原遥感去噪图像的每个像素点为中心点，进行n×n大小的滑窗处理，根据每个窗口内像素点的灰度构建各窗口的灰度共生矩阵，根据灰度共生矩阵中的数据计算各窗口的对比度，将该窗口的对比度作为该窗口中心像素点的对比度，得到所有像素点的对比度。

利用每个区间中像素点的数量及位置获取每个区间的基底率的方法为：

根据每个像素点区间的像素点数量以及每个像素点和子图像中心点的距离计算各像素点区间的基底率，具体计算公式如下：

式中：E为像素点区间的基底率，j为像素点区间的序号，i为该像素点区间的像素点序号，b为该像素点区间的像素点数量，B为该像素点区间的像素点和子图像中心点的距离，

为该像素点区间所有像素点和子图像中心点的距离均值；

选择基底率最大的像素点区间作为聚类的基底区间。

区间的获取方法如下：

计算子图像中每个像素点的灰度值和对比度值的乘积得到每个像素点的类值，对得到类值进行升序排序，将升序排序后的每s个的类值作为一个区间，得到所有的区间。

利用每个子图像聚类后的相邻聚类区域的灰度级对聚类区域进行合并，得到最终的分割区域的方法如下：

获取所有聚类区类的灰度级，若相邻两个聚类区域的灰度级差值不超过灰度阈值时，将两个聚类区域进行合并处理；若聚类区域的像素点数量小于区域阈值时，将该聚类区域与灰度级最接近的邻近聚类区域进行合并；

根据上述方法对聚类区域进行合并得到所有的最终的分割区域。

相比于现有技术，本发明实施例的有益效果在于：

(1)增加系统的泛化能力，传统神经网络分类仅仅针对特定的区域进行分割，不同的区域需要进行反复的训练，造成资源的浪费，利用神经网络进行推理，结合分割区域，可以对目标区域进行有效的提取，也能够减少资源浪费。

(2)减少了对先验知识的依赖，增强了系统的应变能力，能够从进行多次多目标的获取，使其更加适应当前场景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种用于神经网络推理的遥感图像自适应分割方法的方法流程示意图。

图2是本发明实施例提供的一种用于神经网络推理的遥感图像自适应分割方法的遥感图像。

图3是本发明实施例提供的一种用于神经网络推理的遥感图像自适应分割方法的经过分割后的遥感图像示意图。

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。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。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

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；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

实施例1

本发明实施例提供了一种用于神经网络推理的遥感图像自适应分割方法，如图1所示，包括：

S101、采集图像后去噪得到遥感去噪图像

本实施例需要采用神经网络进行推理，进而达到目标区域图像自适应分割的目的，需要先采集遥感图像，对遥感图像进行预处理得到去除噪声后的高分辨率的遥感去噪图像，消除部分外界干扰因素的影响，增强后续分割的准确性。

S102、计算遥感去噪图像中像素点的对比度

对遥感去噪图像进行滑窗处理，得到每个窗口的灰度共生矩阵，利用灰度共生矩阵计算各窗口的对比度，将该窗口的对比度作为该窗口的中心像素点的对比度，从而得到遥感去噪图像中每个像素点的对比度，通过像素点的对比度得到各像素点的类值，根据类值进行下一步分析计算。

S103、计算子图像中聚类窗口的尺寸

根据子图像中每个像素点的类值(即各像素点的灰度和对比度乘积)计算子图像的复杂度，表征子图像中所包含的特征的信息量，为了保证图像分割的准确性，故需要采用更小的聚类窗口，而当子图像中的复杂程度低时，表示图像中所包含的信息量较少，为了囊括更多的像素点减少计算量，故应选择较大的聚类窗口；因此根据图像的复杂度对聚类窗口的尺寸进行计算，实现聚类窗口的自适应设置。

S104、获取子图像的多个像素点区间

根据像素点的灰度和对比度计算出各像素点的类值，对遥感去噪图像进行分割得到一个子图像，根据类值对子图像的像素点进行划分得到多个像素点区间，通过对各像素点区间的分析，确定出聚类的基底区间，根据基底区间对子图像进行聚类。

S105、确定聚类的基底区间

对于子图中的像素点，获取最具聚类的像素点类别，即像素点区间，根据各个区间像素点的数量与同区间内像素点的分布情况确定聚类的像素点的基底区间，区间中像素点数量越多，像素点分布越离散，此区间中的像素点越能作为距离基底。

S106、对子图像中像素点聚类得到聚类区域

通过计算得到的聚类的基底区间和聚类窗口的尺寸对子图像进行聚类，根据设定的步长进行移动，得到下一个子图像，重复S103-S106的步骤，迭代至所有像素点都被聚类后停止，得到所有子图像的所有的聚类区域。

S107、对聚类区域进行合并得到分割区域

获取所有的聚类区域，由于部分地物自身存在一致性差的原因，会导致聚类分割出的区域存在过分割现象，故需要对上述聚类区域进行合并，对聚类区域根据合并规则进行合并，得到最终的分割区域。

S108、利用神经网络进行推理获取目标区域

对于一张高分辨率的遥感去噪图像中存在大量的信息，可应用于很多领域，不同的应用场景所感兴趣的内容不同。他们的研究范围很大,但感兴趣的对象很小，利用神经网络进行推理，结合分割区域和目标的特有特征，就可以获取目标区域。

实施例2

本发明实施例提供了一种用于神经网络推理的遥感图像自适应分割方法，如图1所示，具体内容包括：

本实施例的主要目的是:利用计算机视觉技术对采集的遥感图像进行处理，进行自适应分割获取目标区域与图像类别分类。所述遥感图像如图2所示，分割后的遥感图像示意图如图3所示。

S201、采集图像后去噪得到遥感去噪图像

本实施例需要采用神经网络进行推理，进而达到目标区域图像自适应分割的目的，需要先采集图像，对图像进行预处理得到去除噪声后的高分辨率的遥感去噪图像，消除部分外界干扰因素的影响，增强后续分割的准确性。

采集高分辨率的图像，由于高分辨率的遥感图像数据量大，影像噪声较为突出，噪声对图像的处理与分析影响较大，会导致高分辨率影像信息提取与目标识别的精度与效率降低，因此需要对采集的高分辨率图像进行高斯滤波处理，利用高斯函数和目标高分辨率的图像做卷积，达到消除目标高分辨率的图像中的随机噪声，得到去除噪声后的遥感去噪图像。

S202、计算遥感去噪图像中像素点的对比度

对遥感去噪图像进行滑窗处理，得到每个窗口的灰度共生矩阵，利用灰度共生矩阵计算各窗口的对比度，将该窗口的对比度作为该窗口的中心像素点的对比度，从而得到遥感去噪图像中每个像素点的对比度，通过像素点的对比度得到各像素点的类值，根据类值进行下一步分析计算。

具体过程包含：

(1)对图像进行增维处理

由于滑窗操作会导致图像边缘像素点无法进行计算，可能导致判断有偏差，因此对遥感去噪图像进行增温处理，实施方法为：遥感去噪图像的大小为M×N,滑窗大小为n×n,增维后图像大小变为(M+n-1)×(N+n-1),增维的像素点为原图边缘像素点的灰度值，增维后图像四角像素点的灰度值用原图四角像素点的灰度值填充。

(2)计算遥感去噪图像中像素点的对比度

对遥感去噪图像以每个像素点为中心点进行滑窗，用每一个窗口形成的子影像(子影像的大小就是滑窗窗口的大小，n×n)计算每个窗口的灰度共生矩阵，根据灰度共生矩阵计算窗口的对比度(如果偏离灰度共生矩阵对角线的元素有较大值，即图像亮度值变化很快，则对比度会有较大取值，这也符合对比度的定义。)，将该窗口的对比度作为该窗口中心的像素点的对比度，由此得到遥感去噪图像中每个像素点的对比度。

此处根据灰度共生矩阵计算对比度为本领域公知技术，在此不做过多赘述。

S203、计算子图像中聚类窗口的尺寸

根据子图像中每个像素点的类值(即各像素点的灰度和对比度乘积)计算子图像的复杂度，表征子图像中所包含的特征的信息量，为了保证图像分割的准确性，故需要采用更小的聚类窗口，而当子图像中的复杂程度低时，表示图像中所包含的信息量较少，为了囊括更多的像素点减少计算量，故应选择较大的聚类窗口；因此根据图像的复杂度对聚类窗口的尺寸进行计算，实现聚类窗口的自适应设置。

聚类窗口的大小与子图像的复杂程度呈负相关，但为了保证每次分割均为有效分割，故确定最小聚类窗口为3×3，所以子图像中聚类窗口的大小为：

L′＝(1-K)*(L-3)

式中：L′为聚类窗口的尺寸，K为子图像的图像复杂度，L为子图像的边长，L′表示聚类窗口的边长，四舍五入取整数。据此获取整个图像每个子图像的自适应聚类窗口。

其中子图像的图像复杂度的计算方法为：根据子图像中每个像素点的类值以及类值均值计算子图像的图像复杂度，具体计算公式如下：

式中：K为子图像的图像复杂度，a为子图像中像素点的序号，A为子图像中像素点的数量，X为子图像中像素点的灰度，Y为子图像中像素点的对比度，X_a*Y_a为第a个像素点的类值，

为子图像中所有像素点的类值均值，ω为超参数，Tanh为双曲线正切函数。

S204、获取子图像的多个像素点区间

根据像素点的灰度和对比度计算出各像素点的类值，对遥感去噪图像进行分割得到一个子图像，根据类值对子图像的像素点进行划分得到多个像素点区间，通过对各像素点区间的分析，确定出聚类的基底区间，根据基底区间对子图像进行聚类。

(1)由于高分辨率的遥感去噪图像较大，包含信息量多，采用全局固定聚类窗口会存在较大的误差，因此对遥感去噪图像进行分割，采用L×L的窗口尺寸进行分割得到一个子图像，对子图像进行处理。

(2)获取子图像中各像素点的灰度和对比度，将像素点的灰度和对比度的乘积作为各像素点的类值，由此方法得到子图像中所有像素点的类值；

对得到的所有的类值进行统计，将所有的类值按升序进行排序，每s个类值为一个区间，得到子图像的所有像素点区间；

举例说明：例如子图像中共有20个像素点，类值分别为：1,3,4,2,5,7，5,6,3,6,3,8,9,3,5,6,2,9,6,4，则进行升序排序后的类值序列为{1，2,3,4,5,6,7,8,9}，这里取s＝3，则每三个类值为一个区间，那么类值为1,2,3的像素点为一个类别，该类别的像素点区间为[1，3]，类值为4,5,6的像素点为一个类别，该类别的像素点区间为[4，6]，类值为7,8,9的像素点为一个类别，该类别的像素点区间为[7，9]。

S205、确定聚类的基底区间

对于子图中的像素点，获取最具聚类的像素点类别，即像素点区间，根据各个区间像素点的数量与同区间内像素点的分布情况确定聚类的像素点的基底区间，区间中像素点数量越多，像素点分布越离散，此区间中的像素点越能作为距离基底。

根据子图像中各像素点区间中像素点的类值(即像素点的灰度和对比度的乘积)以及子图像中像素点的数量计算各像素点区间的基底率，计算方法如下：

统计各像素点区间的像素点数量，像素点区间的基底率计算公式如下：

式中：E为像素点区间的基底率，j为像素点区间的序号，i为该像素点区间的像素点序号，b为该像素点区间的像素点数量，B为该像素点区间的像素点和子图像中心点的距离，

为该像素点区间所有像素点和子图像中心点的距离均值；

选择基底率最大的像素点区间作为聚类的基底区间。

S206、对子图像中像素点聚类得到聚类区域

通过计算得到的聚类的基底区间和聚类窗口的尺寸对子图像进行聚类，根据设定的步长进行移动，得到下一个子图像，重复S103-S106的步骤，迭代至所有像素点都被聚类后停止，得到所有子图像的所有的聚类区域。

选取基底率最大的像素点区间作为聚类的基底，采用均值漂移聚类算法对其进行聚类，聚类窗口的大小为L′×L′，得到子图像中的聚类区域。即聚类区域中的像素点作为一类，取其聚类区域中所有像素点灰度值的均值作为该聚类区域的新灰度值。此时将子图像划窗向下移动f个步长，f经验值取2，得到下一个子图像，重复上述操作，每个像素点只能属于一个类别，故对于已经进行聚类之后的像素点进行标记去除，迭代直至所有像素点进行聚类完成时停止。

至此得到遥感去噪图像中所有子图像的所有聚类区域。

S207、对聚类区域进行合并得到分割区域

获取所有的聚类区域，由于部分地物自身存在一致性差的原因，会导致聚类分割出的区域存在过分割现象，故需要对上述聚类区域进行合并，对聚类区域根据合并规则进行合并，得到最终的分割区域。

获取所有聚类区类的灰度级，合并规则为：若相邻两个聚类区域的灰度级差值不超过灰度阈值Δv时，将两个聚类区域进行合并处理，本实施例Δv经验值取8；若聚类区域的像素点数量晓宇区域阈值d时，将该聚类区域与灰度级最接近的邻近聚类区域进行合并，本实施例中d经验值取10；

至此得到遥感去噪图像中所有的最终的分割区域。

S208、利用神经网络进行推理获取目标区域

对于一张高分辨率的遥感去噪图像中存在大量的信息，可应用于很多领域，不同的应用场景所感兴趣的内容不同。他们的研究范围很大,但感兴趣的对象很小，利用神经网络进行推理，结合分割区域和目标的特有特征，就可以获取目标区域。

例如,军事领域,可能只对机场、导弹基地、兵工厂等军事目标感兴趣；环境生态领域,可能只对森林、湿地、草场等目标感兴趣；地震评估部门,则主要对建筑物和生命线工程的受损情况感兴趣；洪水监测部门,则仅对洪水的掩没范围感兴趣，这对于图像中的信息量利用很小，故通过对图像进行分割，再提取感兴趣的部分，即可增大对图像信息的利用率，减少资源的浪费。

对于感兴趣的目标，其存在部分特有的特征，例如机场的形状规则，有较为固定的形状且占地面积较大，公路宽窄相似且边缘较为平滑，草场有较为统一的绿色，城镇房屋为较为集中分布的小区域等，通过此类感兴趣目标存在的特有特征，采用神经网络进行推理，结合感兴趣目标存在的特有特征与本发明所述分割后得到的分割区域，获取感兴趣的目标区域。

本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (7)

1.一种用于神经网络推理的遥感图像自适应分割方法，其特征在于，包括：

获取遥感图像并进行去噪处理得到遥感去噪图像；

对遥感去噪图像进行滑窗遍历，构建每个滑窗灰度共生矩阵，利用每个滑窗的灰度共生矩阵计算每个滑窗中心像素点的对比度，得到遥感去噪图中所有像素点的对比度；

设定分割尺寸对遥感去噪图像进行分割，获得分割后所有的子图像，根据每个子图像中所有像素点的灰度值和对比度计算每个子图像的图像复杂程度；

根据每个子图像的的图像复杂程度及该子图像对应的分割尺寸，获取对每个子图像进行聚类的聚类窗口尺寸；

利用每个子图像中每个像素点的对比度和灰度值对子图像进行分区，获得多个区间；

利用每个区间中像素点的数量及位置获取每个区间的基底率，将基底率最大值所对应的区间作为基底区间；

利用获取的每个子图像对应的聚类窗口尺寸和基地区间分别对每个子图像进行聚类，获得每个子图像的聚类区域；

利用每个子图像聚类后的相邻聚类区域的灰度级对聚类区域进行合并，得到最终的分割区域。

2.根据权利要求1所述的一种用于神经网络推理的遥感图像自适应分割方法，其特征在于，所述获取对每个子图像进行聚类的聚类窗口尺寸的方法为：预设3*3的窗口，利用子图像的复杂度和子图像的尺寸对预设窗口进行自适应调节得到聚类窗口的尺寸，聚类窗口的尺寸的计算公式如下：

L′＝(1-K)*(L-3)

式中：L′为聚类窗口的尺寸，即聚类窗口的边长，进行四舍五入取整，K为子图像的图像复杂度，L为子图像的边长。

3.根据权利要求3所述的一种用于神经网络推理的遥感图像自适应分割方法，其特征在于，所述子图像的图像复杂度的计算方法为：根据子图像中每个像素点的对比度和灰度计算子图像的图像复杂度，具体计算公式如下：

式中：K为子图像的图像复杂度，a为子图像中像素点的序号，A为子图像中像素点的数量，X为子图像中像素点的灰度，Y为子图像中像素点的对比度，X_a*Y_a为第a个像素点的类值，

为子图像中所有像素点的类值均值，ω为超参数，Tanh为双曲线正切函数。

4.根据权利要求3所述的一种用于神经网络推理的遥感图像自适应分割方法，其特征在于，所述每个像素点的对比度的获取方法如下：

对遥感去噪图像进行增维处理，增维的像素点为原图边缘像素点的灰度值，增维后图像四角像素点的灰度值用原图四角像素点的灰度值填充；

以原遥感去噪图像的每个像素点为中心点，进行n×n大小的滑窗处理，根据每个窗口内像素点的灰度构建各窗口的灰度共生矩阵，根据灰度共生矩阵中的数据计算各窗口的对比度，将该窗口的对比度作为该窗口中心像素点的对比度，得到所有像素点的对比度。

5.根据权利要求1所述的一种用于神经网络推理的遥感图像自适应分割方法，其特征在于，所述利用每个区间中像素点的数量及位置获取每个区间的基底率的方法为：

根据每个像素点区间的像素点数量以及每个像素点和子图像中心点的距离计算各像素点区间的基底率，具体计算公式如下：

式中：E为像素点区间的基底率，j为像素点区间的序号，i为该像素点区间的像素点序号，b为该像素点区间的像素点数量，B为该像素点区间的像素点和子图像中心点的距离，

为该像素点区间所有像素点和子图像中心点的距离均值；

选择基底率最大的像素点区间作为聚类的基底区间。

6.根据权利要求4所述的一种用于神经网络推理的遥感图像自适应分割方法，其特征在于，所述的区间的获取方法如下：

计算子图像中每个像素点的灰度值和对比度值的乘积得到每个像素点的类值，对得到类值进行升序排序，将升序排序后的每s个的类值作为一个区间，得到所有的区间。

7.根据权利要求1所述的一种用于神经网络推理的遥感图像自适应分割方法，其特征在于，所述利用每个子图像聚类后的相邻聚类区域的灰度级对聚类区域进行合并，得到最终的分割区域的方法如下：

获取所有聚类区类的灰度级，若相邻两个聚类区域的灰度级差值不超过灰度阈值时，将两个聚类区域进行合并处理；若聚类区域的像素点数量小于区域阈值时，将该聚类区域与灰度级最接近的邻近聚类区域进行合并；

根据上述方法对聚类区域进行合并得到所有的最终的分割区域。

Images