[发明专利]一种基于尺度间映射的高分辨率遥感影像分割方法

摘要

本发明公开一种基于尺度间映射的高分辨率遥感影像分割方法，针对对象级变化检测中涉及的地理对象提取，提出了基于小波变换与改进JSEG算法的高分辨率遥感影像多尺度分割方法；针对传统JSEG算法在高分辨率遥感影像分割中影响分割精度的关键问题，采取了相应的改进策略并取得了良好的效果。引入了小波变换作为多尺度分析工具，放弃了传统JSEG算法过于粗糙的颜色量化，以尽量保留原始影像中的细节信息。进而建立了新颖的尺度间分割结果映射机制，使当前尺度不仅基于上一尺度的分割结果进行图像分割，并且实现了对上一尺度分割结果的修正，从而有效减少了尺度间分割误差的积累。最后，提出了改进的多尺度分割策略及区域合并策略，有效减少了过分割现象及误合并现象。

主权项

一种基于尺度间映射的高分辨率遥感影像分割方法，其特征在于，主要分为三个步骤：量化与小波变换、多尺度分割、区域合并；量化与小波变换首先对高分辨率遥感影像进行量化与小波变换；在影像量化过程将采用模糊C均值聚类(FCM，Fuzzy C‑Means)方法，FCM的实现过程如下：设其中，R^P是P维向量空间，N为样本总数；设u_ik为第k个样本属于第i类的隶属度，c为分类的总数，且满足0≤u_ik≤1，0≤k≤N，1≤i≤c，令分类后第i类的聚类中心为v_i，定义目标函数如下：$J(U,V)=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{ik}}\right)}^m{\left(d_{\mathrm{ik}}\right)}^2---\left(3.2\right)$其中，d_ik为样本k与v_i之间的欧式距离，m为加权指数，取m＝2；进而FCM算法转化为求公式(3.2)的极小值min{J(U,V)}；基于公式(3.2)，利用拉格朗日条件极值法更新隶属度矩阵和聚类中心，公式如下：更新隶属度矩阵：$u_{\mathrm{ik}}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{[(d_{\mathrm{ik}}/d_{\mathrm{jk}})}^{2/m-1}]}---\left(3.3\right)$更新聚类中心：$v_i=\frac{\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}^m{x}_k}{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^m}---\left(3.4\right)$具体聚类过程如下：Step1：设定分类总数c及停止迭代的误差阈值T_ε，且T_ε＞0；Step2：取随机数s∈[0,1]，初始化隶属度矩阵，定位为U⁽⁰⁾，且矩阵中元素满足$\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}=1;$Step3：定义迭代步数t＝1,2,...，并进行迭代计算；Step4：利用公式(3.3)更新隶属度U^(t+1)；Step5：利用式(3.4)更新聚类中心Step6：利用公式(3.2)计算J(D^(t),C^(t))和J(D^(t+1),C^(t+1))，当满足|J(D^(t+1),C^(t+1))‑J(D^(t),C^(t))|＜T_ε时停止迭代，将此时的V^(t+1)作为FCM的最优聚类中心，以V^(t+1)V^(t+1)和V^(t+1)作为最优FCM划分和最优聚类中心；反之，t＝t+1，重复Step4；将原始影像压缩为256个灰度级的8bit量化影像，即令公式(3.2)中c＝256；在此基础上，首先采用小波变换对量化影像进行分解，并对分解后获得的低频影像序列计算多尺度J‑image影像，实现由粗到精的多尺度分割；分解次数N可根据图像尺寸及具体应用场合设定；Haar小波尺度函数的定义如下：${\mathrm{\&psi;}}_i^j\left(x\right)=\mathrm{\&psi;}(2^{j}x-i),i=0,...,(2^j-1)---\left(3.6\right)$公式(3.6)中，i为平移参数，控制函数沿x轴平移；j为尺度参数，控制图像的缩小或放大；多尺度分割“多尺度”是指采用同一特定尺寸为M×M像素的窗口分别计算原始影像及全部低频图像对应的J‑image；定义低频影像序列S_j(j＝1,2...N)，原始影像为S₀；多尺度分割具体步骤如下：Step1：设定特定窗口尺寸为M×M像素，基于该窗口利用公式J＝(S_T‑S_W)/S_W计算S₀及S_j(j＝1,2...N)对应的J‑image；多尺度分割在空间分辨率最低的S_N中开始；Step2：在S_N对应的J‑image中确定种子区域；首先设定阈值a＝a₁，利用公式(3.1)计算阈值T_N，所有J‑value小于T_N的像素作为候选种子点，通过4‑connectivity方法连接种子点形成候选种子区域；若候选种子区域大于M×M像素，则构成一个种子区域；对剩余的非种子区域像素，设定阈值a＝a₂，且满足a₂<a₁，利用公式(3.1)计算阈值T′_N，采用相同的方法形成新的候选种子区域；种子区域确定后，对剩余非种子区域的像素按照J‑value由小到大，逐个并入与其相邻的种子区域，直到所有像素计算完毕，从而获得当前尺度下的分割结果；Step3：将S_N中获得的分割结果根据坐标直接映射到S_N‑1对应的J‑image中，并且对映射结果在S_N‑1中进行修正；由于空间分辨率的提高，S_N中提取的边界映射到S_N‑1中对应的是一个块状边界区域K，定义为“疑似边界区域”；首先将K分割得到的区域L作为一个种子区域；对K中像素作为非种子区域像素，按照像素的J‑value从小到大逐个并入与其相邻的种子区域，获得最终的映射结果；Step4：首先对在S_N‑1中由映射结果提取的每一个对象判别其在当前尺度下是否需要分割，以保证已经提取的对象不会被进一步过分割；自适应判别准则为：设R_A为待分割的某一对象，利用公式J＝(S_T‑S_W)/S_W计算对象R_A对应的J‑value为J_A，S_T为窗口中所有像素的总体方差，S_W为窗口中属于同一灰度级像素的方差的和；取a＝a₁，利用公式(3.1)计算阈值T_A；若满足J_A<T_A，则认为区域R_A在当前尺度下内部均质度较高，可视为一个完整目标，无需分割，直接映射到下一尺度；反之，则需要进行分割；对所有需要分割的对象重复Step2的操作，直到当前尺度分割完毕；Step5：重复Step3到Step4的操作，直至S₀计算完毕；为了避免欠分割现象，在S₀中对映射获得的所有的对象都进行分割，因此对某一对象R_A不再计算J_A，其他均与Step 4相同。区域合并对于分割后产生的碎片区域，首先采用彩色直方图准则进行判别，对符合判别准则的区域采用颜色标准差准则进行二次判别：首先利用彩色直方图描述量化影像中的各个区域；对任意两个相邻区域R_A和R_B，计算两个直方图间的欧式距离D_H；公式如下：D_H(A,B)＝||p_A‑p_B||    (3.7)p_A和p_B分别是区域R_A、R_B的彩色直方图向量；设定的阈值T_H，当D_H≤T_H时，进行下一步判别；否则，不进行合并；定义了一种颜色标准差准则如下：定义D_color：$D_{\mathrm{color}}=\underset{b=1}{\overset{q}{\mathrm{\&Sigma;}}}\left[\frac{{\mathrm{\&sigma;}}_{b-\mathrm{merge}}}{\frac{n_D}{n_D+n_E}{\mathrm{\&sigma;}}_{\mathrm{Db}}+\frac{n_E}{n_D+n_E}{\mathrm{\&sigma;}}_{\mathrm{Eb}}}\right]---\left(3.8\right)$R_D、R_E为符合彩色直方图准则的两个相邻待合并区域，q为遥感影像的波段总数，b为波段号，n_D和n_E分别为区域R_D、R_E所包含的像素数，σ_Db、σ_Eb、σ_b‑merge分别为区域R_D、R_E以及合并后区域的标准差；单一波段下的标准差定义如下：$\mathrm{\&sigma;}=\underset{i=0}{\overset{255}{\mathrm{\&Sigma;}}}{[i-\mathrm{\&mu;}]}^2{p}_i---\left(3.9\right)$其中，μ为区域像素均值，p_i为像素值为i的像素所占的比重。通过公式(3.8)可以看出，与彩色直方图准则相比，D_color进一步计算了原始影像中所有波段的颜色信息；因此，不同对象即使具有相似的彩色直方图分布，但其颜色标准差距离会很大，从而有效避免误合并现象。设定区间T_C，若D_color∈T_C，则合并区域R_D、R_E；区域合并采用区域邻接图(Region Adjacency Graphics，RAG)方法；合并策略如下：Step1：从图像的分割结果中生成Region Adjacency Graphics；Step2：对于每个对象R_A，从RAG中确定所有R_B，若R_A与R_B邻接；Step3：对于所有R_A与R_B，分别利用上文的区域合并准则进行判别；若满足条件，则进行合并；Step4：更新区域邻接图，重复Step1至Step3，直到没有合并的区域为止，从而得到最终分割结果。