CN116052001A - 一种基于类别方差比值法进行最优尺度选择的方法 - Google Patents

一种基于类别方差比值法进行最优尺度选择的方法 Download PDF

Info

Publication number
CN116052001A
CN116052001A CN202310118218.6A CN202310118218A CN116052001A CN 116052001 A CN116052001 A CN 116052001A CN 202310118218 A CN202310118218 A CN 202310118218A CN 116052001 A CN116052001 A CN 116052001A
Authority
CN
China
Prior art keywords
image
remote sensing
variance ratio
class
class variance
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.)
Granted
Application number
CN202310118218.6A
Other languages
English (en)
Other versions
CN116052001B (zh
Inventor
赵恒谦
李子涵
杨屹峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202310118218.6A priority Critical patent/CN116052001B/zh
Publication of CN116052001A publication Critical patent/CN116052001A/zh
Application granted granted Critical
Publication of CN116052001B publication Critical patent/CN116052001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (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

本发明涉及一种基于类别方差比值法进行最优尺度选择的方法，属于遥感图像技术领域。包括以下步骤：用获取的多尺度遥感影像，通过目视解译与实地调研的方法，综合考虑进行研究区域的选择；将选择好研究区域的遥感影像作为输入数据，使用类别方差比值法对输入数据进行处理，首先计算影像中各类研究区域的标准差、均值和影像的总体均值，其次再计算出类间方差与类内方差，最终计算得到各个尺度下遥感影像的类别方差比值；根据类别方差比值的大小，进而选取适宜空间尺度的遥感影像，最后得到最优尺度的遥感影像。本研究提出的类别方差比值法适用于对目标图像进行分离最优空间尺度的判断，根据研究目的选取适宜的空间尺度影像进行有效信息的提取。

Description

一种基于类别方差比值法进行最优尺度选择的方法
技术领域
本发明涉及一种基于类别方差比值法进行最优尺度选择的方法，属于遥感图像技术领域。
背景技术
目前，应用较为广泛的图像分割算法有最大类间方差法。最大类间方差法对灰度直方图呈现双峰状态下的图像处理效果较好，但对呈现单峰条件下的图像分割并不理想。该方法忽略了图像的空间信息，同时将图像的灰度分布作为分割图像的依据，对噪声也相当敏感，当图像的目标与背景像素相近时，不能很好的进行图像分割。
遥感影像空间分辨率的大小能够反映出遥感影像信息的不同特征。在利用多尺度遥感数据进行影像信息调查研究中，部分学者使用基于重采样后生成的多尺度图像，对植被类型识别与空间尺度效应之间的关系进行相关的研究。随着米级、亚米级以及基于更细的空间分辨率的遥感影像获取难度减小，更多学者开展了在高空间分辨率影像下分类识别的研究，但并非空间分辨率越高，目标的识别精度就越高。遥感影像分辨率增高的同时，也会带来数据量处理过重的负担。如何平衡监测目标尺度与影像尺度之间的关系，选取简单有效的判别方法以及判定在何种分辨率上能够准确判别目标地物是目前需要解决的问题。
发明内容
本发明所要解决的是如何平衡监测目标尺度与影像尺度之间的关系，选取简单有效的判别方法以及判定在何种分辨率上能够准确判别目标地物。
为解决上述的技术问题，本发明提供的一种基于类别方差比值法进行最优尺度选择的方法，包括以下步骤：
步骤1：利用获取的多尺度遥感影像，通过目视解译与实地调研的方法，综合考虑进行研究区域的选择；
步骤2：将选择好研究区域的遥感影像作为输入数据，使用类别方差比值法对输入数据进行处理，首先计算影像中各类研究区域的标准差、均值和影像的总体均值，其次再计算出类间方差与类内方差，最终计算得到各个尺度下遥感影像的类别方差比值；
步骤3：根据步骤2得到的各个尺度下遥感影像的类别方差比值，比较类别方差比值的大小，进而选取适宜空间尺度的遥感影像，最后得到最优尺度的遥感影像。
步骤1中研究区域的选择，考虑到研究区域的一致性问题，要在完成预处理的遥感影像上选择相同地理位置的研究区域，首先在分辨率最高的无人机影像上进行研究区域的划定，再叠加到不同分辨率影像上进行自适应调整。
步骤2中类别方差比值法的具体步骤为：
步骤2.1：设影像中两类研究区所占像素的个数分别为
Figure BDA0004079348600000011
和
Figure BDA0004079348600000012
影像总体像素个数为Nimage，设两类研究区的像素在影像总像素上所占的百分比分别为p1和p2，则像素百分比p1和p2分别为：
Figure BDA0004079348600000013
Figure BDA0004079348600000014
步骤2.2：设影像中各类研究区的灰度均值为ui，则灰度均值ui为：
Figure BDA0004079348600000015
步骤2.3：设影像总体灰度均值为μ，则总体灰度均值μ为：
Figure BDA0004079348600000021
步骤2.4：设影像中各类研究区的灰度方差为
Figure BDA0004079348600000022
则研究区的灰度方差
Figure BDA0004079348600000023
为：
Figure BDA0004079348600000024
步骤2.5：设类间方差为
Figure BDA0004079348600000025
它是由影像中各类研究区灰度均值ui、总体均值μ和像素百分比p1、p2进行计算得到的，则类间方差
Figure BDA0004079348600000026
为：
Figure BDA0004079348600000027
步骤2.6：设类内方差为
Figure BDA0004079348600000028
它是由影像中各类研究区的方差
Figure BDA0004079348600000029
以及像素百分比p1、p2进行计算得到的，则类内方差
Figure BDA00040793486000000210
为：
Figure BDA00040793486000000211
步骤2.7：设类别方差比值为CVR，根据得到的类间方差
Figure BDA00040793486000000212
与类内方差
Figure BDA00040793486000000213
计算得到的类别方差比值CVR为：
Figure BDA00040793486000000214
步骤3中类别方差比值法的评价准则为，当类别方差比值越大时，说明分割出的研究区之间的差别越大，即研究区之间的分割效果越好；反之类别方差比值越小，表示分割出的研究区之间的差别越小，即研究区之间的分割效果越差。
与现代技术相比，本发明的优点在于：
本发明能够更好的进行两类研究区域之间的分离，能够根据研究目的选取适宜的空间尺度影像，从而有效地进行信息提取。
附图说明
图1为本发明基于类别方差比值法进行最优尺度选择的方法的流程图。
图2为本发明实施例健康区域和病害区域选取的示意图，其中，图2(a)为无人机影像，图2(b)为有人机影像，图2(c)为Sentinel-2影像。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了探究不同空间尺度遥感影像对棉花根腐病识别的影响及其差异性，本实施例提出了一种基于类别方差比值法进行最优尺度选择的方法，如图1所示为本发明基于类别方差比值法进行最优尺度选择方法的流程图，主要包括以下步骤：
步骤1：利用获取的多尺度遥感影像，通过目视解译与实地调研的方法，综合考虑进行研究区域的选择；
具体地，本实施例以无人机影像、有人机影像和Sentinel-2影像为实验数据，它们的分辨率分别为0.029m、0.2m和10m。考虑到研究区域的一致性问题，要在完成预处理的遥感影像上选择相同地理位置的研究区域，首先在分辨率最高的无人机影像上进行研究区域的划定，再叠加到不同分辨率影像上进行自适应调整，三幅影像通过手动选择控制点的方式进行匹配，以确保地理位置完全相同，最后划分了健康和病害两个研究区域，如图2所示为本发明实施例健康区域和病害区域选取的示意图。
步骤2：将选择好研究区域的遥感影像作为输入数据，使用类别方差比值法对输入数据进行处理，首先计算影像中各类研究区域的标准差、均值和影像的总体均值，其次再计算出类间方差与类内方差，最终计算得到各个尺度下遥感影像的类别方差比值；
步骤2中类别方差比值法的具体步骤为：
步骤2.1：设影像中两类研究区所占像素的个数分别为
Figure BDA0004079348600000031
和
Figure BDA0004079348600000032
影像总体像素个数为Nimage，设两类研究区的像素在影像总像素上所占的百分比分别为p1和p2，则像素百分比p1和p2分别为：
Figure BDA0004079348600000033
Figure BDA0004079348600000034
步骤2.2：设影像中各类研究区的灰度均值为ui，则灰度均值ui为：
Figure BDA0004079348600000035
步骤2.3：设影像总体灰度均值为μ，则总体灰度均值μ为：
Figure BDA0004079348600000036
步骤2.4：设影像中各类研究区的灰度方差为
Figure BDA0004079348600000037
则研究区的灰度方差
Figure BDA0004079348600000038
为：
Figure BDA0004079348600000039
步骤2.5：设类间方差为
Figure BDA00040793486000000310
它是由影像中各类研究区灰度均值ui、总体均值μ和像素百分比p1、p2进行计算得到的，则类间方差
Figure BDA00040793486000000311
为：
Figure BDA00040793486000000312
步骤2.6：设类内方差为
Figure BDA00040793486000000313
它是由影像中各类研究区的方差
Figure BDA00040793486000000314
以及像素百分比p1、p2进行计算得到的，则类内方差
Figure BDA00040793486000000315
为：
Figure BDA00040793486000000316
步骤2.7：设类别方差比值为CVR，根据得到的类间方差
Figure BDA00040793486000000317
与类内方差
Figure BDA00040793486000000318
计算得到的类别方差比值CVR为：
Figure BDA00040793486000000319
具体地，首先计算影像中健康区域与病害区域的标准差、均值，其次再计算总体均值、类间方差与类内方差，最终计算得到各个尺度下遥感影像的类别方差比值，详细统计数据如表1所示。
表1：无人机影像、有人机影像和Sentinel-2数据参数对比
Figure BDA00040793486000000320
步骤3：根据步骤2得到的各个尺度下遥感影像的类别方差比值，比较类别方差比值的大小，进而选取适宜空间尺度的遥感影像，最后得到最优尺度的遥感影像。
步骤3中类别方差比值法的评价准则为，当类别方差比值越大时，说明分割出的研究区之间的差别越大，即研究区之间的分割效果越好；反之类别方差比值越小，表示分割出的研究区之间的差别越小，即研究区之间的分割效果越差。
具体的，对比表1中三幅遥感影像的参数，发现有人机影像的类别方差比值最高，无人机影像的类别方差比值最低，Sentinel-2影像类别方差比值居中。无人机影像的分辨率最高，可以更有效地获取棉花植被信息，但背景信息的影响导致类别方差比值偏低。Sentinel-2影像分辨率较低，土壤和植被的可分离性较低，从而导致类别方差比值也偏低。有人机的分辨率居中，对于棉花病害区域与健康区域的拍摄基本不受背景效果的影响，计算所得的类别方差比值最高,成为了病害区域提取效果最好的遥感影像。本实施例基于类别方差比值法进行最优尺度选择的方法发现有人机数据是区分健康与病害区域的最优尺度影像，更适用于进行棉花根腐病健康与病害区域的分离。
由上述实施例可看出，本发明提供的基于类别方差比值法进行最优尺度选择的方法可以明显判断出适用于目标图像分离的空间尺度，对解决在多尺度影像数据中选取最优尺度影像等相关问题有很大帮助。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (4)

1.一种基于类别方差比值法进行最优尺度选择的方法，其特征在于，包含以下步骤：
步骤1：利用获取的多尺度遥感影像，通过目视解译与实地调研的方法，综合考虑进行研究区域的选择；
步骤2：将选择好研究区域的遥感影像作为输入数据，使用类别方差比值法对输入数据进行处理，首先计算影像中各类研究区域的标准差、均值和影像的总体均值，其次再计算出类间方差与类内方差，最终计算得到各个尺度下遥感影像的类别方差比值；
步骤3：根据步骤2得到的各个尺度下遥感影像的类别方差比值，比较类别方差比值的大小，进而选取适宜空间尺度的遥感影像，最后得到最优尺度的遥感影像。
2.根据权利要求1所述的基于类别方差比值法进行最优尺度选择的方法，其特征在于，步骤1中研究区域的选择，考虑到研究区域的一致性问题，要在完成预处理的遥感影像上选择相同地理位置的研究区域，首先在分辨率最高的影像上进行研究区域的划定，再叠加到不同分辨率影像上进行自适应调整。
3.根据权利要求1所述的基于类别方差比值法进行最优尺度选择的方法，其特征在于，步骤2中类别方差比值法的具体步骤为：
步骤2.1：设影像中两类研究区所占像素的个数分别为
Figure FDA0004079348590000011
和
Figure FDA0004079348590000012
影像总体像素个数为Nimage，设两类研究区的像素在影像总像素上所占的百分比分别为p1和p2，则像素百分比p1和p2分别为：
Figure FDA0004079348590000013
Figure FDA0004079348590000014
步骤2.2：设影像中各类研究区的灰度均值为ui，则灰度均值ui为：
Figure FDA0004079348590000015
步骤2.3：设影像总体灰度均值为μ，则总体灰度均值μ为：
Figure FDA0004079348590000016
步骤2.4：设影像中各类研究区的灰度方差为
Figure FDA0004079348590000017
则研究区的灰度方差
Figure FDA0004079348590000018
为：
Figure FDA0004079348590000019
步骤2.5：设类间方差为
Figure FDA00040793485900000110
它是由影像中各类研究区灰度均值ui、总体均值μ和像素百分比p1、p2进行计算得到的，则类间方差
Figure FDA00040793485900000111
为：
Figure FDA00040793485900000112
步骤2.6：设类内方差为
Figure FDA00040793485900000113
它是由影像中各类研究区的方差
Figure FDA00040793485900000114
以及像素百分比p1、p2进行计算得到的，则类内方差
Figure FDA00040793485900000115
为：
Figure FDA00040793485900000116
步骤2.7：设类别方差比值为CVR，根据得到的类间方差
Figure FDA00040793485900000117
与类内方差
Figure FDA00040793485900000118
计算得到的类别方差比值CVR为：
Figure FDA00040793485900000119
4.根据权利要求1所述的基于类别方差比值法进行最优尺度选择的方法，其特征在于，步骤3中类别方差比值法的评价准则为，当类别方差比值越大时，说明分割出的研究区之间的差别越大，即研究区之间的分割效果越好；反之类别方差比值越小，表示分割出的研究区之间的差别越小，即研究区之间的分割效果越差。
CN202310118218.6A 2023-02-10 2023-02-10 一种基于类别方差比值法进行最优尺度选择的方法 Active CN116052001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310118218.6A CN116052001B (zh) 2023-02-10 2023-02-10 一种基于类别方差比值法进行最优尺度选择的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310118218.6A CN116052001B (zh) 2023-02-10 2023-02-10 一种基于类别方差比值法进行最优尺度选择的方法

Publications (2)

Publication Number Publication Date
CN116052001A true CN116052001A (zh) 2023-05-02
CN116052001B CN116052001B (zh) 2023-11-17

Family

ID=86122231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310118218.6A Active CN116052001B (zh) 2023-02-10 2023-02-10 一种基于类别方差比值法进行最优尺度选择的方法

Country Status (1)

Country Link
CN (1) CN116052001B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102354391A (zh) * 2011-09-26 2012-02-15 武汉理工大学 基于全向搜索机制变异函数的最优遥感尺度选择方法
CN102982345A (zh) * 2012-11-16 2013-03-20 福州大学 基于连续小波变换的时序遥感影像半自动分类方法
CN103646400A (zh) * 2013-12-17 2014-03-19 中国地质大学（北京） 面向对象遥感影像分析中的尺度分割参数自动选择方法
CN104881867A (zh) * 2015-05-13 2015-09-02 华中科技大学 一种基于特征分布的遥感图像质量评价方法
WO2022141145A1 (zh) * 2020-12-30 2022-07-07 深圳技术大学 面向对象的高分辨率遥感影像多尺度分割方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102354391A (zh) * 2011-09-26 2012-02-15 武汉理工大学 基于全向搜索机制变异函数的最优遥感尺度选择方法
CN102982345A (zh) * 2012-11-16 2013-03-20 福州大学 基于连续小波变换的时序遥感影像半自动分类方法
CN103646400A (zh) * 2013-12-17 2014-03-19 中国地质大学（北京） 面向对象遥感影像分析中的尺度分割参数自动选择方法
CN104881867A (zh) * 2015-05-13 2015-09-02 华中科技大学 一种基于特征分布的遥感图像质量评价方法
WO2022141145A1 (zh) * 2020-12-30 2022-07-07 深圳技术大学 面向对象的高分辨率遥感影像多尺度分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
施佩荣: "面向对象遥感影像多尺度分类方法研究", 中国优秀硕士学位论文全文数据库 *
韩鹏;龚健雅;: "遥感尺度选择问题研究进展", 遥感信息, no. 01 *

Also Published As

Publication number Publication date
CN116052001B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN104598908B (zh) 一种农作物叶部病害识别方法
Huang et al. A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
US9449029B2 (en) Method and system for diet management
CN103263278B (zh) 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法
CN107229917A (zh) 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法
CN103971126A (zh) 一种交通标志识别方法和装置
CN106295124A (zh) 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN112818749B (zh) 一年两熟地区大宗粮油作物复种模式遥感监测方法
CN110363088B (zh) 基于多特征融合的自适应皮肤炎症区域检测方法
CN110120042A (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN103578110A (zh) 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN116958572B (zh) 一种果树繁育中叶片病虫害区域分析方法
CN106845366B (zh) 基于图像的甘蔗覆盖度自动检测方法
CN109447111A (zh) 一种基于子类训练样本的遥感监督分类方法
CN110866547B (zh) 基于多特征和随机森林的中药饮片自动分类系统及方法
CN110991463B (zh) 一种超像素图引导下的多尺度引导滤波特征提取方法
Wang et al. Improved rotation kernel transformation directional feature for recognition of wheat stripe rust and powdery mildew
CN107330431B (zh) 一种基于K-means聚类拟合的显著性检测优化方法
CN108492288A (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
CN115205528A (zh) 一种用于面向地理对象影像分析的特征选择方法
CN110516648A (zh) 基于无人机遥感和模式识别的苎麻株数识别方法
CN116052001B (zh) 一种基于类别方差比值法进行最优尺度选择的方法
Jamil et al. A rule-based segmentation method for fruit images under natural illumination

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