基于尺度参数自动优化的高分遥感影像非监督分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106340005A(43)申请公布日2017.01.18(21)申请号201610664398.8(22)申请日2016.08.12(71)申请人盐城师范学院地址224002江苏省盐城市开放大道50号(72)发明人顾爱华王超李树军(74)专利代理机构南京先科专利代理事务所(普通合伙)32285代理人叶帅东(51)Int.Cl.G06T7/00(2006.01)权利要求书2页说明书9页附图6页(54)发明名称基于尺度参数自动优化的高分遥感影像非监督分割方法(57)摘要本发明公开了一种基于尺度参数自动优化的高分遥感影像非监督分割方法，主要包含3个步骤：1)基于局域同质性指标的J-value的自适应SP选择；2)基于尺度间对象边界约束策略的图像分割；3)基于多特征的区域合并。通过对不同传感器类型的多组高分辨率遥感影像进行实验，并与知名商业软件eCognition及传统监督的分割方法进行比较，证明所提出方法定位对象边缘更加准确，提取对象轮廓更为完整，且分割过程无需人工干预，是一种通用性强且有效的非监督解决方案。CN106340005ACN106340005A权利要求书1/2页1.一种基于尺度参数自动优化的高分遥感影像非监督分割方法，其特征在于，主要包括三个步骤：1)基于局域同质性指标的J-value的自适应SP选择，从而确定了最佳多尺度J-image序列；2)基于尺度间对象边界约束策略的图像分割，实现了由粗到精的多尺度分割；3)基于多特征的区域合并，以应对分割结果中可能存在的过分割现象。2.如权利要求1所述的基于尺度参数自动优化的高分遥感影像非监督分割方法，其特征在于，基于局域同质性指标的J-value的自适应SP选择中：多尺度J-image的计算过程如下：首先对原始影像在LUV空间进行颜色量化；在量化影像中，设定以像素z为中心尺寸为M×M(M即为SP)像素的窗口Z，并将窗口中的每个像素的坐标z(x,y)作为其像素值，且z(x,y)∈Z；同时将窗口中的角点去除；设量化影像中灰度级总数为P，令Zp为窗口Z中属于灰度级p的所有像素的集合，mp为所有属于灰度级p的像素对应的像素均值，则窗口Z中属于同一灰度级像素的方差的和可表示为：窗口Z内所有像素的总体方差可表示为：则局部同质性指标J-value可定义为：J-value＝(ST-SW)/SW(3)此时，将像素z对应的J-value作为该像素的像素值，遍历整幅量化影像，可获得SP为M时的J-image，通过改变SP可获得多尺度的J-image序列；基于J-value的自适应SP选择策略的步骤为：Step1:计算SP为M(M＝5,6....N)时的J-image序列，其中M＝5是J-image允许的最小窗口尺寸，N代表了最粗糙尺度的J-image；Step2:计算所有尺度J-image下的像素J-value均值并构建曲线。Step3:在众多曲线的拐点中，仅选择一些最为突出的拐点，这些拐点应满足3.如权利要求2所述的基于尺度参数自动优化的高分遥感影像非监督分割方法，其特征在于，在分割阶段，提出基于尺度间对象边界约束的分割策略；设最佳J-image序列包含L个尺度，可表示为Sk(k＝1,2...L)，具体实现过程如下：Step1:首先对最粗糙尺度S1进行分割。根据公式(4)确定阈值T1进行种子区域提取，其中μk和σk分别表示尺度Sk中所有像素的J-value均值和方差；Tk＝μk-0.2σk，(k＝1,2...L)(4)在S1中，所有J-value值小于T1的像素采用四连接方法构成联通区域，作为一个个种子区域；以种子区域为起点，按照上下左右四个方向以J-value值从小到大的顺序进行区域增长，相邻区域发生交汇时的边界就构成了S1下的分割结果；Step2:将上一尺度的对象边界映射到当前尺度并进行修正；将当前尺度J-image转化2CN106340005A权利要求书2/2页为一幅二值图像，仅保留通过尺度间映射提取的对象边界，并进行形态学膨胀操作。膨胀结构单元尺寸设定为M×M像素，M为当前尺度的SP；利用膨胀后的边界将当前尺度J-image划分为一个个独立的种子区域，并对这些种子区域按照J-value值从小到大进行区域增长，相邻区域发生交汇时的边界即为边界修正的结果；对于内部均质程度较高的对象即认为其已与实际地物类型匹配，在当前尺度下不再进行分割；判断规则为该对象内部的J-value均值应小于当前尺度对应的阈值Tk；在此基础上，根据阈值Tk对剩余对象进行分割，分割过程与尺度1相同，并将分割结果映射到下一尺度；Step3:重复Step2的分割过程，直到尺度L分割完毕，从而获得初步的分割结果。4.如权利要求3所述的基于尺度参数自动