[发明专利]基于区域不一致性评价自动优选遥感影像分割参数的方法

说明书

本发明公开了一种基于区域不一致性评价自动优选遥感影像分割参数的方法。基于5组等间隔的尺度参数和固定的形状因子和紧凑度因子依次构建分割数据集，然后与相对应的参考数据集基于PSE‑NSR‑ED2不一致性分割参数评价体系获得ED₂数组，分析ED₂数组五个值随尺度参数变化的分布模式，通过五个尺度参数变换，不断迭代直到找到斜U型ED₂‑SP曲线底部最小ED₂值，最小ED₂值对应的尺度参数为最优尺度参数；最后在不同的形状因子和紧凑度因子组合上不断迭代上述过程。本发明避免了选择参数的盲目性，解决了试错法带来的不确定性和穷举法带来的耗时，也提高了面向对象遥感影像处理与分析的精度和自动化程度。

技术领域

本发明属于地球科学研究领域，特别涉及遥感地学空间统计分析和模式识别等方面，具体涉及基于区域不一致性评价自动优选遥感影像分割参数的方法。

背景技术

在遥感领域，针对不同应用和目的，不同的影像分割算法不断被提出，而多分辨率分割(Multiresolution Segmentation)算法的出现，被认为是遥感影像分割的一个里程碑。该算法在影像分割时，综合了影像的光谱信息和空间信息，能产生内部同质性最高的影像对象，其主要参数有尺度、形状因子、紧凑度因子，这些参数的不同组合会产生不同的分割结果。选择质量最好的分割结果的过程被称为参数优选，而参数优选必须要解决的问题是对分割质量的具体评价。因此，如何获得最优分割参数组合来评价影像分割质量是OBIA中必须解决的一个问题。

不一致性分割结果评价方法基于参考多边形(Reference Polygon)和对应的匹配分割多边形(Corresponding Polygon)之间的不一致性(Discrepancy)来度量当前参数组合所产生的分割数据的质量。它是一种客观的经验性评价方法(Empirical Method)，它是用几何不一致性度量的是参考多边形与匹配多边形之间面积的差异，而算术不一致性度量的是两者多边形数量的差异。

在不一致性评价体系(Potential Segmentation Error,PSE-Number-of-Segments Ratio,NSR-Euclidean Distance 2,ED2)中，PSE是潜在分割误差面积比，NSR是分割多边形数量比，ED2是PSE与NSR的欧几里得距离。斜U型(Euclidean Distance2,ED2-Scale Patterns,SP)模式是基于对PSE-SP,NSR-SP,ED2-SP曲线的分析提出的。在给定形状、紧凑度参数的情况下，影像分割单元平均面积随尺度参数的增序近似呈幂函数的形式单调递增，分割单元的面积随尺度参数的递增近似呈幂函数。相应地，分割单元的数量随尺度参数递减近似呈幂函数。ED2作为PSE和NSR的组合形式会随着尺度参数的变化呈现倾斜的U型曲线形式，如图1所示。

2、现有技术方案

分割质量评价的方法有不一致性法和优度法。基于不一致性评价方法通过比较参考数据集和分割数据集，从几何不一致性和算术不一致性两个方面对分割质量进行综合评价。主要的不一致性评价指标有Clinton等、Weidner等提出的一系列分割质量评价指标QR(Quality Rate)、UR(Under-Segmentation Rate)、OR(Over-Segmentation Rate)和ED1；Liu等基于几何不一致性和算术不一致性提出了ED2(Euclidean Distance 2)指标；而Yang等通过分析ED1、ED2系列评价指标，进一步提出了ED3、ED3-Modified和SEI(SegmentationEvaluation Index)。同时，Zhang等提出了F-measure指标和MOA(Multiscale ObjectAccuracy)和BCA(Bidirectional Consistency Accuracy)。基于优度法的分割参数质量评价指标主要是通过局部方差来进行构建的；等(2010)将Kim提出的局部方差评价最优分割尺度的方法进行了自动化，构建了最优尺度参数选取的工具ESP；等(2014)对ESP工具进行了改进。