本發(fā)明涉及智能信息處理領(lǐng)域，尤其是涉及一種面向高分辨率遙感圖像的分割方法。

背景技術(shù)：

高分辨率遙感圖像由于包含更加豐富的空間信息，近年來成為遙感技術(shù)研究的熱點(diǎn)之一，但其所包含的豐富信息也同時對于處理技術(shù)提出了更高的要求；由于不能充分利用其所富含的信息，傳統(tǒng)的單獨(dú)基于光譜的分割技術(shù)往往會出現(xiàn)異物同譜和同物異譜的現(xiàn)象，此外，傳統(tǒng)的分割方法在處理大規(guī)模增長的像素時往往會導(dǎo)致更長的訓(xùn)練時間和更差的分割效果；目前，如何充分利用高分辨率遙感圖像的各種信息來達(dá)到滿意的分割效果，仍是一個具有挑戰(zhàn)性的研究課題。

技術(shù)實現(xiàn)要素：

為了解決上述問題，本發(fā)明提供一種面向高分辨率遙感圖像的分割方法，本發(fā)明集成了紋理、幾何和光譜空間信息中具有代表性的多種統(tǒng)計量，能夠更加全面的表征高分辨率遙感圖像所富含的信息，從而保證了圖像分割的精度更高。

本發(fā)明所采用的技術(shù)方案：一種面向高分辨率遙感圖像的分割方法，包含以下步驟，

S11：根據(jù)待處理遙感圖像的像素大小、紋理特征復(fù)雜度、幾何特征復(fù)雜度和光譜特征復(fù)雜度，將原始圖像劃分成M×N個正方形子圖{P_e|e＝1,2,...,M×N}，記集合A＝{1,2,...,M×N}；此處本領(lǐng)域技術(shù)人員劃分子圖的原則是，如果像素大小、紋理特征復(fù)雜度、幾何特征復(fù)雜度和光譜特征復(fù)雜度這四個參數(shù)的值越大，需要劃分出的子圖個數(shù)越多，具體劃分的個數(shù)應(yīng)以本領(lǐng)域技術(shù)人員根據(jù)四個參數(shù)的值進(jìn)行選定；

S12：提取每個子圖P_e的典型紋理特征，包括灰度熵對比度角度二階矩其中，m×m指的是子圖P_e的像素大小，p(i,j)指的是子圖P_e中像素對(i,j)和(i+a,j+b)出現(xiàn)在子圖P_e中的概率，本領(lǐng)域技術(shù)人員在選取像素差分值a,b時，可以根據(jù)圖像紋理細(xì)膩程度的高低而取不同的常數(shù)；

S13：提取每個子圖P_e的典型幾何特征，包括線段平均長度其中H指的是子圖P_e中檢測到的線段數(shù)量,(x_is,y_is),(x_ie,y_ie)指的是第i條線段起止點(diǎn)位置的坐標(biāo)；線段長度熵其中N_LEN(i)是在子圖P_e長度直方圖中長度位于第i個區(qū)間的線段個數(shù)；梯度幅值均值其中G_x(i,j)和G_y(i,j)分別是子圖P_e中像素對(i,j)和(i+a,j+b)的水平梯度和垂直梯度；

S14：提取每個子圖P_e的典型光譜特征，包括，像素值均值其中X_ij指的是像素(i,j)的值；標(biāo)準(zhǔn)偏差

像素值的協(xié)方差矩陣

S15：將上述步驟中的多種特征進(jìn)行融合，得到綜合特征向量V_e＝[α₁ENTα₂CONα₃ENEα₄LEN_MEANα₅LEN_ENTROPYα₆GRAD_MEANα₇PIX_MEANα₈PIX_STDα₉PIX_COV]^T，其中{α_i|i＝1,2,...,9}是每種特征歸一化的權(quán)重系數(shù),e＝1,2,...,M×N；再利用支持向量數(shù)據(jù)描述方法對綜合特征向量進(jìn)行處理，通過對子圖的迭代聚類實現(xiàn)圖像分割；

本發(fā)明中，所述步驟S15中所利用的支持向量數(shù)據(jù)描述方法，主要包含以下步驟：

S21：引入滿足Mercer定理的非線性映射滿足其中核函數(shù)k(.,.)常用的形式有線性核函數(shù)，多項式核函數(shù)，徑向基核函數(shù)，Sigmoid核函數(shù)和復(fù)合核函數(shù)；

S22：在引入映射的核特征空間中求解以下二次規(guī)劃問題

s.t.0≤α_e≤C,e＝1,2,...,M×N.

其中，C代表人為對聚類誤差的懲罰參數(shù)；求解出符合上述規(guī)劃要求的α_e，其下標(biāo)集合B所對應(yīng)的子圖即為原始圖像中可以被聚為一類的子圖集合；計算聚類因子其中||.||為集合元素個數(shù)運(yùn)算符；

S23：若聚類因子λ≥λ_max，則意味著原始圖像分割結(jié)束；若λ＜λ_max，令A(yù)＝A-B，轉(zhuǎn)向步驟S12，并進(jìn)而迭代執(zhí)行其后續(xù)步驟，其中λ_max為聚類子圖比例上限閾值，控制著聚類過程的迭代次數(shù)和圖像分割的精細(xì)程度。

本發(fā)明的有益效果：本發(fā)明的方法中，集成了紋理、幾何和光譜空間信息中具有代表性的多種統(tǒng)計量，能夠更加全面的表征高分辨率遙感圖像所富含的信息，從而保證了圖像分割的精度更高；此外，分割圖像所使用的支持向量數(shù)據(jù)描述方法，可以保證能以較快的速度處理更高分辨率的遙感圖像，使特征融合更合理、圖像分割時間更短、分割精度更高。

附圖說明

圖1是本發(fā)明的整體流程圖。

具體實施方式

以下結(jié)合實施例對本發(fā)明的原理和特征進(jìn)行詳細(xì)描述，所舉實施例僅用于描述本發(fā)明，并非用于限定本發(fā)明的范圍。

一種面向高分辨率遙感圖像的分割方法，包含以下步驟，

S11：根據(jù)待處理遙感圖像的像素大小、紋理特征復(fù)雜度、幾何特征復(fù)雜度和光譜特征復(fù)雜度，將原始圖像劃分成M×N個正方形子圖{P_e|e＝1,2,...,M×N}，記集合A＝{1,2,...,M×N}；此處本領(lǐng)域技術(shù)人員劃分子圖的原則是，如果像素大小、紋理特征復(fù)雜度、幾何特征復(fù)雜度和光譜特征復(fù)雜度這四個參數(shù)的值越大，需要劃分出的子圖個數(shù)越多，具體劃分的個數(shù)應(yīng)以本領(lǐng)域技術(shù)人員根據(jù)四個參數(shù)的值進(jìn)行選定；

S12：提取每個子圖P_e的典型紋理特征，包括灰度熵對比度角度二階矩其中，m×m指的是子圖P_e的像素大小，p(i,j)指的是子圖P_e中像素對(i,j)和(i+a,j+b)出現(xiàn)在子圖P_e中的概率，本領(lǐng)域技術(shù)人員在選取像素差分值a,b時，可以根據(jù)圖像紋理細(xì)膩程度的高低而取不同的常數(shù)；

S13：提取每個子圖P_e的典型幾何特征，包括線段平均長度其中H指的是子圖P_e中檢測到的線段數(shù)量,(x_is,y_is),(x_ie,y_ie)指的是第i條線段起止點(diǎn)位置的坐標(biāo)；線段長度熵其中N_LEN(i)是在子圖P_e長度直方圖中長度位于第i個區(qū)間的線段個數(shù)，此處第i條線段與第i個區(qū)間中的i含義相同，但與子圖P_e中的像素對(i,j)中的i含義不同；

梯度幅值均值其中G_x(i,j)和G_y(i,j)分別是子圖P_e中像素對(i,j)和(i+a,j+b)的水平梯度和垂直梯度；

S14：提取每個子圖P_e的典型光譜特征，包括像素值均值其中X_ij指的是像素(i,j)的值；標(biāo)準(zhǔn)偏差

像素值的協(xié)方差矩陣

S15：將上述步驟中的多種特征進(jìn)行融合，得到綜合特征向量V_e＝[α₁ENTα₂CONα₃ENEα₄LEN_MEANα₅LEN_ENTROPYα₆GRAD_MEANα₇PIX_MEANα₈PIX_STDα₉PIX_COV]^T，其中{α_i|i＝1,2,...,9}是每種特征歸一化的權(quán)重系數(shù)，e＝1,2,...,M×N；再利用支持向量數(shù)據(jù)描述方法對綜合特征向量進(jìn)行處理，通過對子圖的迭代聚類實現(xiàn)圖像分割；

優(yōu)選的，所述步驟S15中所利用的支持向量數(shù)據(jù)描述方法，是處理聚類問題時泛化能力和魯棒性能較好的一種經(jīng)典方法，主要包含以下步驟：

S21：引入滿足Mercer定理的非線性映射滿足其中核函數(shù)k(.,.)常用的形式有線性核函數(shù)，多項式核函數(shù)，徑向基核函數(shù)，Sigmoid核函數(shù)和復(fù)合核函數(shù)；

S22：在引入映射的核特征空間中求解以下二次規(guī)劃問題

s.t.0≤α_e≤C,e＝1,2,...,M×N.

其中，C代表人為對聚類誤差的懲罰參數(shù)；求解出符合上述規(guī)劃要求的α_e，其下標(biāo)集合B所對應(yīng)的子圖即為原始圖像中可以被聚為一類的子圖集合；計算聚類因子其中||.||為集合元素個數(shù)運(yùn)算符；

S23：若聚類因子λ≥λ_max，則意味著原始圖像分割結(jié)束；若λ＜λ_max，令A(yù)＝A-B，轉(zhuǎn)向步驟S12，并進(jìn)而迭代執(zhí)行其后續(xù)步驟，其中λ_max為聚類子圖比例上限閾值，控制著聚類過程的迭代次數(shù)和圖像分割的精細(xì)程度。