[发明专利]超像素分类识别的遥感图像水域分割提取方法

权利要求书

1.超像素分类识别的遥感图像水域分割提取方法，其特征在于，采用超像素图像分割将遥感图像水域划分为若干个超像素，利用图像的水域特征提取方法分别从光谱、纹理、地形三个维度提取超像素的特征，通过SVM分类器训练出来的最佳分类面，将超像素分为水域和非水域；

超像素分类识别的遥感图像水域分割提取方法包括超像素图像分割、图像的水域特征提取、构建学习训练样本库和SVM驱动的监督分类四个步骤；

超像素图像分割分为两步，一是主成分降维分析的波段选取，二是基于大津法的改良线性聚类图像分割；

图像的水域特征提取从光谱特征、纹理特征、地形特征三个维度提取遥感图像中的水域特征，将超像素内所有像素的特征均值作为超像素特征值；

构建学习训练样本库中，通过目视判读在遥感图像上选取一定数目标水域和非水域的典型地物超像素，并人工标识这些超像素的具体地类，将超像素的不同特征进行归一化处理，本发明采用的归一化算法如式1所示，

B＝(A-ZXZ)/(ZDZ-ZXZ) 式1

式1中，A、B分别为转换前、转换后的值，ZDZ、ZXZ分别为某个特征的最大值和最小值,归一化使不同维度之间的特征在数值上具有可比性。

2.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，SVM驱动的监督分类建立在结构风险最小化基础上的统计学习分类方法上，在特征空间内寻找满足置信条件的最佳分类面，最终通过拉格朗日对偶函数转化为求解凸二次规划问题；

在线性不可分的情形下，SVM首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构建出最佳分离超平面；

本发明采用径向核函数，通过开源计算机视觉库OpenCV中的SVM工具包实现，主要包含构建样本库、配置SVM参数、搜索最佳分类面、基于最佳分类面的分类四个步骤，具体的实现形式为：

第一步，建立样本库：构建具有典型性的学习样本库，对样本的特征进行归一化处理；

第二步，配置SVM参数：在实现SVM的过程中，设置核函数的类型，本发明采用径向核函数，还需设置算法的终止条件，SVM训练过程是在通过迭代方式求约束条件下二次优化问题的最佳解，指定一个最大迭代次数和容许误差，以允许算法在适当条件下停止计算；

第三步，搜索最佳分类面：利用第一步建立的样本库进行SVM训练，通过不断的迭代计算，当训练出的模型误差小于设定的临界值时，得到一个最佳分类面；

第四步，基于最佳分类面的分类：对于待分类的超像素，提取其特征，并且将其归一化处理，利用第三步得到的最佳分类面，将待分类的超像素划分为水域或非水域，完成分类的过程。

3.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，主成分降维分析的波段选取中，一张图像在线性聚类算法中用[l,a,b,x,y]的5维特征向量进行描述，其中[l,a,b]是色彩空间特征，[x,y]描述像素点的空间位置特征，不同波段间存在一定程度的关联性，存在数据的冗余，对图像进行主成分降维分析变换，提取前三个主成分分量进行图像分割。