[发明专利]基于灰度共生矩阵的多波段高分辨率遥感影像分割方法

说明书

技术领域

本发明涉及一种基于灰度共生矩阵的多波段高分辨率遥感影像分割方法，属于遥感影像分割技术领域。

背景技术

目前，高分辨率遥感影像在城市规划、环境评价及军事等很多领域都得到广泛应用，而面向对象的分析方法在高分辨率遥感影像研究中正越来越多的受到重视。有效的影像分割是面向对象的分析方法的基础和重要保证。目前，高分辨率遥感影像的分割方法主要分为五类：基于像元的分割方法，如阈值法、聚类法；基于边缘检测的分割方法；基于区域的分割方法；基于物理模型的分割方法和结合特定数学理论；工具的分割方法，如数学形态学、模糊数学、小波变换和人工神经网络等。

随着航天技术与传感器技术的不断发展，遥感影像空间分辨的不断提高，同时也为影像分割带来了新的挑战。与传统中低分辨率遥感影像相比，高分辨遥感影像中“同谱异物”现在依然存在，“同物异谱”现象更为突出。尤其在城市场景中，丰富地物的种类，多样的生态环境以及复杂的图像背景都给准确的影像分割造成了困难。在众多分割方法中，分水岭算法具有快速、有效、准确特点而受到广泛应用。但在高分辨率遥感影像中，在图像中通常存在大量的暗纹理细节，从而造成了大量的伪局部极小值，这些极小值产生的伪积水盆地会造成严重的过分割问题。针对这一问题，Vincent等提出的沉浸分水岭分割算法有效提高了分割精度，但是计算效率不高。Semt等提出了一种模拟降水的分水岭算法，该算法速度更快且没有保证了分割精度。在此基础上，陈秋晓等提出了一种新颖的基于局域同质性梯度的高分辨率遥感影像分割方法，该算法有效的解决了分水岭变换的过分割问题，但也存在如下问题：由于采用了过于粗糙的量化，使高分辨率遥感影像中大量细节信息的严重损失，从而容易产生欠分割现象，也很难准确定位对象的边缘；由于高分辨率遥感影像中存在大量具有相似梯度特征的对象，而此方法仅采用了梯度信息作为提取对象的依据，因此需要引入更多的特征信息对这些对象加以区分；最后，此方法所采用的区域合并策略仅对梯度影像中对象内部的灰度信息进行了比较，而忽略了高分辨率遥感影像中不同对象在不同波段影像中的光谱差异，从而可能造成误合并现象。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种新颖的多波段-多特征高分辨率遥感影像分割方法。首先利用灰度共生矩阵计算各个波段的纹理图像，进而采用降分水岭变换获得单一波段的分割结果。进而将各波段分割结果进行叠加获得过分割的碎片区域，最后采用基于多波段光谱信息的区域合并策略合并碎片区域。

技术方案：一种基于灰度共生矩阵的多波段高分辨率遥感影像分割方法，主要分为三个步骤：波段影像纹理影像特征提取；降水分水岭分割；分割结果叠加与区域合并。

1，波段影像纹理影像特征提取

对每个波段影像单独进行分割，采用灰度共生矩阵方法提取遥感影像的多个纹理特征，计算各个波段的纹理影像：根据图像大小，选择尺寸为N×N像素的滑动窗口来计算灰度共生矩阵，计算灰度共生矩阵的熵、角二阶矩、对比度和一致性四个特征值，作为新的特征矩阵的窗口中心像元。移动纹理窗口，重复上述步骤，直到遍历整个影像，可以得到四个新的纹理矩阵。将得到的四个方向的纹理矩阵取平均值，获得最终的纹理特征矩阵，即纹理影像。

2，降水分水岭分割

基于所提取的纹理图像，采用降水分水岭变换方法对每个波段影像分割进行分割。

3，分割结果叠加与区域合并

将多波段影像中的分割结果中的边界进行叠加，从而将原始影像过分割为大量碎片区域，在此基础上对这些区域进行区域合并，获得最终的分割结果。

有益效果：与现有技术相比，本发明提供的基于灰度共生矩阵的多波段高分辨率遥感影像分割方法，针对高分辨率影像的特点，算法对各波段影像单独进行了分割，且避免了影像量化造成的图像细节的损失；进而采用度共生矩阵提取图像的多个纹理特征增加的分割结果的可靠性，最后提出了一种改进的区域合并策略。通过对不同类型传感器，不同空间分辨率的两组遥感影像实验表明，本发明所提方法能够精确提取图像中的细节信息，准确定位对象的边缘，有效避免过分割及欠分割现象。与文献1所提出的方法相比，无论目视分析还是定量分析均表明，对于细节信息丰富的遥感影像，可以很好地解决常规算法欠分割的问题，而对于纹理特征单一的区域，也可以很好的避免过分割的情况，因此，本发明具有更高的分割精度及更好的分割效果。

附图说明

图1为本发明实施例的ALOS融合影像图；

图2为数据集1实验结果图，其中（a）为本发明实施例实验结果，（b）为文献1方法实验结果；