基于局域同質性指標的多尺度遙感影像分割方法
【技術領域】
[0001 ] 本發(fā)明屬于遙感影像分析技術領域，特別涉及了一種遙感影像分割方法。
【背景技術】
[0002] 圖像分割技術實現了場景中具有地理意義對象的輪廓信息提取，是利用面向對象 的圖像分析（OBIA，Object-BasedImageAnalysis)技術進行遙感影像信息提取與目標識 別的前提與基礎。與普通圖像不同，遙感影像具有多空間分辨率、多光譜分辨率、覆蓋范圍 廣泛、地物種類眾多以及紋理特征豐富等特點。首先，遙感影像的多波段特性使傳統(tǒng)針對單 一波段的影像分割方法很難直接應用于多光譜或高光譜遙感影像分割中。另外，遙感影像 分割通常會受到地物陰影、云層遮蓋等干擾因素的影響，尤其在城市場景中，多樣的地物種 類及結構復雜的人造目標都給圖像分割造成了困難。同時，遙感影像中豐富的紋理特征盡 管能夠有效描述地物的空間結構特征，同時也對有效抽取及表述對象的紋理特征提出了更 高的要求。最后，遙感影像中豐富的紋理與空間語義信息必須在多個尺度下才能獲得充分 的表述，因此在分割過程中引入多尺度分析工具是提取對象多尺度下空間結構特征的重要 手段。這些因素都使遙感影像分割領域在近三十年來始終充滿了發(fā)展的動力。
[0003] 目前，針對中、低分辨率遙感影像分割及其應用，學者們已經展開了廣泛而深入的 研究。例如，Laprade等人利用F檢驗對局部區(qū)域的光譜分布均質程度進行判斷，提出了一 種基于分裂與合并的分割算法，在航空遙感影像分割中取得了良好的效果；Dong等人針對 合成孔徑雷達SAR(SyntheticApertureRadar)影像分割，提出了一種基于高斯一馬爾科 夫模型GMRF(Gauss-MRF)的分割算法，并與基于Ga_a-MRF模型SAR影像分割算法進行了 比較，該方法充分利用了相鄰光譜間的相似性，顯著提高了分割精度；Pan等人利用小波變 換多尺度分析工具，采用分水嶺分割與基于均值偏移Mean-Shift的聚類方法相結合，尤其 適用于光學衛(wèi)星遙感影像的分割。與此同時，盡管目前針對中、低遙感影像分辨率遙感影像 的分割算法眾多且算法可靠性、分割精度較高，但針對高分辨率遙感影像的分割研究依然 在系統(tǒng)性與針對性中存在諸多不足。
[0004] 隨著遙感技術與計算機技術的不斷發(fā)展，以SPOT5、IK0N0S、QuickBird等為代表 的米級、亞米級高分辨率遙感影像已廣泛應用于自然災害監(jiān)測與評估、土地資源規(guī)劃等各 個領域?？臻g分辨率的提高不僅帶來了更加豐富的光譜、紋理特征以及形狀、上下文等空間 信息，同時也造成了更加突出的"同譜異物"及"同物異譜"現象，即不同種類地物的類間可 分性降低，而相同種類地物的類內可分性降低。這些因素都給高分辨率遙感影像分割帶來 了新的挑戰(zhàn)。Deng等人提出的JSEG是目前最為流行的彩色紋理分割算法之一，其采用的局 域同質性指標J-value對局部區(qū)域光譜分布的同質性具有強大的檢測能力，并已成功應用 于遙感影像分割領域。盡管如此，JSEG算法也存在一些固有局限，如對對象間邊界的細節(jié) 特征不敏感、容易產生過分割等。
[0005] 為克服這些局限，學者們已經提出了一些改進策略：Zheng等人根據隸屬度函數 將所有像素分類，利用模糊控制技術對影像量化進行了優(yōu)化，從而使量化影像更好地保持 了原始影像的光譜分布特征，并有效改善了過分割現象；Komati等人提出了三種改進JSEG算法，包括Fractal-JSEG、Fractal-only和LocalFractalDimension，Fractal-JSEG和 Fractal-only方法主要針對對象間邊界的細節(jié)特征提取，而LocalFractalDimension主 要針對背景區(qū)域與前景目標具有相似光譜與紋理特征的應用場合，但這三種改進策略僅適 用于普通圖像分割。目前盡管JSEG在中、低分辨率遙感影像分割中已取得了良好的效果， 但面對空間分辨率的提高給遙感影像分割帶來的新挑戰(zhàn)，直接采用JSEG算法很難取得滿 意的效果。

【發(fā)明內容】

[0006] 為了解決上述【背景技術】提出的技術問題，本發(fā)明旨在提供基于局域同質性指標的 多尺度遙感影像分割方法，克服傳統(tǒng)JSEG算法在影像量化、多尺度分割及區(qū)域合并中存在 的局限與不足。
[0007] 為了實現上述技術目的，本發(fā)明的技術方案為：
[0008] 基于局域同質性指標的多尺度遙感影像分割方法，包括以下步驟：
[0009] (1)采用二分K均值聚類方法對影像進行量化；
[0010] (2)在量化影像中，計算各尺寸窗口下各個像素對應的局部同質性指標，并將該指 標作為該像素的像素值，從而獲得多尺度J-image影像序列，再利用地物的上下文信息對 多尺度J-image影像序列進行分割；
[0011] (3)根據多尺度J-image影像序列中最小尺度影像的分割結果和D-S證據理論，將 所有對象與其所有相鄰的對象進行合并，得到最終的分割結果。
[0012] 進一步地，步驟（1)的具體過程如下：
[0013] (a)設定量化影像中灰度級總數K= 256 ;
[0014] (b)初始化聚類表島=0 ;
[0015] (c)將所有像素作為一個類，加入到聚類表DT中；
[0016] (d)從聚類表DT中選擇一個聚類進行分裂；
[0017] (e)使用K均值聚類方法將該聚類劃分為兩個聚類，遍歷所有可能的二分情況，并 計算對應的殘差平方和SSE;
[0018] (f)選擇SSE最小的兩個聚類，更新聚類表DT，當聚類個數達到256時，進入步驟 (g)，否則返回步驟（c);
[0019] (g)根據聚類表生成隸屬關系T，獲得調色板D=[山，d2,. . .，d256]T，其中dy表示 聚類中心，ye[1，256];根據隸屬關系及聚類中心進行顏色替換，獲得量化影像。
[0020] 進一步地，步驟（2)的具體過程如下：
[0021] 計算尺寸為MXM的特定尺寸窗口下所有像素對應的局部同質性指標J-value，并 將各像素的J-value作為該像素的像素值，得到該尺度下的J-image，逐步減小M，從而獲得 一組多尺度J-image影像序列St= (S丨，S2. ··，ST);
[0022] 對最大尺度J-image影像ST進行分塊處理，將Sτ劃分為由尺寸為MTXMjf素構成 的子圖像，其中仏的值與計算尺度特定尺寸窗口的尺寸相同；
[0023] 計算每個子圖像的閾值T;，將每個子圖像內部小于其閾值的像素作為種子點，采 用4-connectivity方法獲得種子區(qū)域，其余像素按照J-value值從小到大逐個并入相鄰的 種子區(qū)域，從而獲得最大尺度&下的分割結果；
[0024] 利用&提取的對象邊界將尺度STi分割為由對象集合/?s,,=(心心…&,.)組成的 J-image影像，其中GTi為對象總數；在STi中，以每個對象為基本單元，采用與S每個子 圖像相同的策略提取種子點，并進行區(qū)域增長，遍歷所有對象，獲得尺度STi下的分割結果； 利用STi下獲得的分割結果，對下一尺度ST2采用與STi相同的分割策略，以此類推，直至對 最小尺度Si完成分割。
[0025] 進一步地，局部同質性指標J-value的計算過程如下：
[0026] 在量化影像中，將每個像素z對應的坐標z(x，y)作為該像素的像素值；令 z(x，y)eZ，Z為以z為中心，尺寸為MXM的窗口中所有像素的集合，且窗口中的角點被去 除；
[0027] 定義N為以z為中心的窗口中的像素總數，則均值m:
[0028]
(1)
[0029] 定義mp為窗口中屬于相同灰度級p的所有像素均值，Zp為窗口中屬于灰度級p的
[0031] 定義SAS窗口中所有像素的總體方差： 所有像素的集合，P為量化影像中的灰度級總數，則窗口中屬于同一灰度級像素的方差和Sw 定義先.
[003丨 （2 )
[0032]
⑶
[0033] 則局域同質性指標J-value為：
[0034] J=(SA-SW)/SW ⑷
[0035] 進一步地，閾值Tj的計算公式：
[0036] Tj=μj+a〇j (5)
[0037] 其中，μ#Ρσ;分別為各子圖像內像素J-value的均值和標準差，a為預設常數。
[0038] 進一步地，a= 0· 2。
[0039] 進一步地，步驟（3)的具體過程如下：
[0040] (A)將尺度割結果提取的對象邊界映射到所有尺度的J-image中，每個尺度 J-image都能獲得統(tǒng)一的對象集合Rs=(RuR2. . .RN1)，其中&為尺度Si分割結果中的對象 總數；
[0041] (B)對于每個尺度J-image的對象集合，確定其中任意一個對象的所有相鄰對象， 并計算該對象分別與其各個相鄰對象之間的相似性SS頂；
[0042] (C)根據該對象與其相鄰對象之間的相似性SS頂以及D-S證據理論，確定它們是 否合并，并將需要合并的對象進行合并；
[0043] (D)遍歷所有尺度J-image的所有對象，直到沒有能夠合并的區(qū)域為止，從而獲得 最終分割結果。
[0044] 進一步地，對象與其相鄰對象之間相似性SS頂的計算公式：
[0045]
⑷
[0046] 其中，A、B分別對象私與其相鄰對象RB對應的特征向量；μΑ，μΒ，〇A，〇B， ，σΑΒ分別是Α與Β的均值、標準差、方差以及兩者的協(xié)方差；CρC2是為了防止當 分母接近零時產生不穩(wěn)定現象所添加的常數。
[0047] 進一步地，C!= 0· 2,C2= 0· 8。
[0048] 采用上述技術方案帶來的有益效果：
[0049] 本發(fā)明提供的影像分割方法克服了傳統(tǒng)JSEG算法在影像量化、多尺度分割及區(qū) 域合并中存在的局限與不足，提出了基于二分K均值聚類的