專利名稱：具有邊界保持特性的遙感圖像多尺度分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及遙感圖像處理技術(shù)，具體的說，涉及一種具有邊界保持特性的多尺度遙感圖像分割方法。
背景技術(shù)：
高空間分辨率遙感圖像提供了豐富的關(guān)于地物幾何結(jié)構(gòu)、紋理細節(jié)、地物光譜 等方面的信息，在大比例尺遙感制圖、環(huán)境監(jiān)測等方面有廣闊的應用前景，使得可以在 較小的空間尺度上觀察地表的細節(jié)變化，監(jiān)測人為活動對環(huán)境的影響。高空間分辨率遙感圖像應用的重要途徑之一是利用圖像分割技術(shù)將遙感圖像分 割成勻質(zhì)區(qū)域，再利用地物的光譜信息、紋理信息、幾何結(jié)構(gòu)以及拓撲信息等識別地 物。不同地物攜帶者不同的尺度信息，如湖泊、林地等的尺度不同于耕地、城區(qū)道路、 針葉林、闊葉林等的尺度，因此如果可將圖像進行多尺度的分割，使不同尺度地物的信 息提取可選擇在相應尺度的分割區(qū)域圖層上提取，對空間尺度大的類別在分割尺度較大 的圖層中分析，對于空間尺度較小的類別在分割尺度較小的圖層中進行處理，這種多尺 度圖層提取信息的方法，始終比在一個圖層中進行操作更加合理與高效。傳統(tǒng)的遙感圖像的分割方法主要包括兩大類先提取邊界再獲得區(qū)域的方法和 先獲得區(qū)域再掃描邊界的方法。前者是通常所說的基于邊緣的分割方法；后者是通常 所說的基于區(qū)域的分割方法?；趨^(qū)域的分割方法以直接尋找區(qū)域為基礎，包括區(qū)域生 長法、分裂合并法和基于圖像聚類的分割方法等?；谶吘壍姆指罘椒ㄓ嬎愫唵?、速度 快，但對噪聲干擾比較敏感；基于區(qū)域的分割方法將區(qū)域一致性作為準則，具有一定的 抗噪能力，但計算量大，當圖像尺寸較大時，分割速度較慢。分水嶺分割方法是目前使用較為廣泛的一類新的分割方法，它是基于數(shù)學形態(tài) 學的分割方法，可以和基于邊緣的方法結(jié)合，也可以和基于區(qū)域的方法結(jié)合，它將圖像 梯度幅度看作地理意義上的地形表面，將最高的梯度值的象元看作是分水嶺。如此，被 分水嶺圍起的在任何像素位置的水將向下流向共同的局部極小處，因此形成一個“積水 盆”。積水盆對應分割區(qū)域，分水嶺形成閉合的區(qū)域邊界。分水嶺分割算法具有全局 分割、邊界閉合、實現(xiàn)效率高、準確率高、算法穩(wěn)定和適用性強等優(yōu)點，但存在嚴重的
“過分割”問題。引起分水嶺“過分割”現(xiàn)象的主要原因是分水嶺變換基于圖像梯度幅度進行， 易受噪聲影響，而且梯度幅度圖像中每個局部極小值將對應分割結(jié)果中一個單獨的區(qū) 域，在分割結(jié)束時會得到待分割對象的區(qū)域輪廓，而區(qū)域的個數(shù)是由局部極小值的數(shù)量 決定的，圖像中由于有紋理等特征的存在，局部極小值的個數(shù)會遠大于實際的目標對 象，這也就造成了大量的虛假輪廓，初始的分水嶺分割結(jié)果會給出許多的小區(qū)域，其中 許多區(qū)域并不是有意義的分割區(qū)域，這就是“過分割”。這些過分割的區(qū)域必須合并以 形成一個有意義的最終的分割區(qū)域。初始的分割區(qū)域越多，形成最終分割區(qū)域所需要的 合并步驟越多，時間的消耗也越長，因此，圖像分割前需要預處理的工作。最常使用的預處理方法是低通濾波，如高斯濾波。在高斯濾波后使用梯度運算，繼而進行分水嶺變 換。然而這樣一類預處理方法對復合邊界會導致一個系統(tǒng)性的定位誤差，使用任何的線 性濾波器都無法彌補。所謂復合邊界指由于成像系統(tǒng)的作用，實際圖像中的邊界不是簡 單的階梯函數(shù)，而是階梯函數(shù)、尖峰函數(shù)和屋頂函數(shù)的組合。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種針對遙感圖像，特別是高空間分辨率遙感圖像具有邊 界保持特性的多尺度圖像分割方法。本發(fā)明的基本思路為采用一種能夠準確定位復合邊界的圖像預處理方法，使 預處理后獲得的圖像類似于梯度圖像，但圖像中的邊界位置更準確；對預處理后的圖像 進行分水嶺分割，得到初始的分割結(jié)果；將初始分割結(jié)果進行矢量化，生成分割矢量圖 層，使每個分割區(qū)域用多邊形矢量來表達，建立矢量多邊形之間的鄰接關(guān)系；對多邊形 的矢量圖層，構(gòu)建圖；基于圖進行分割區(qū)域的合并；將合并過程迭代進行，直到形成所 需的尺度分割層次及結(jié)構(gòu)。本發(fā)明采用的能夠準確定位復合邊界的圖像預處理方法是基 于正交濾波器組對圖像進行濾波后再求取圖像局部能量圖的方法。該方法比先高斯濾波 再進行梯度運算的常規(guī)預處理方法不僅能極大地減少分水嶺過分割的區(qū)域，而且地物邊 界可以得到保持。即使分水嶺分割之前已經(jīng)過預處理步驟，分水嶺初始分割結(jié)果仍然包含大量的 過分割區(qū)域，對過分割區(qū)域的合并是必不可少的。常規(guī)的基于閾值的合并準則只依賴閾 值，隨機地從某個區(qū)域開始合并操作，開始的區(qū)域不同，合并的次序不同，合同的結(jié)果 也不同。本發(fā)明結(jié)合圖論的最小生成樹算法和閾值控制進行合并，使相似的鄰接區(qū)域優(yōu) 先合并，快速有效地合并掉過大量“過分割”的區(qū)域，有效保持地物邊界，避免單純依 據(jù)閾值不能有效獲得勻質(zhì)區(qū)域的問題。本發(fā)明還通過在矢量圖層中進行過分割區(qū)域的合 并處理，獲得多尺度的分割結(jié)果并高效構(gòu)建多尺度分割結(jié)果的層次結(jié)構(gòu)。矢量化首先對 初始分割結(jié)果進行，使每個分割區(qū)域用矢量多邊形來表達，然后建立每個多邊形之間的 鄰接關(guān)系，生成初始的底層小尺度區(qū)域結(jié)構(gòu)，并在此基礎上構(gòu)建圖，把初始分割中的區(qū) 域看成圖的頂點，把鄰接區(qū)域看成是圖的邊，把鄰接區(qū)域的特征差異看作是邊的權(quán)值， 結(jié)合最小生成樹算法進行圖合并，生成第二層較大尺度的矢量圖層，同時構(gòu)建該尺度的 區(qū)域結(jié)構(gòu)。該合并過程可以迭代進行，直到形成所需的尺度分割層次及結(jié)構(gòu)。本發(fā)明的技術(shù)方案提供的遙感圖像具有邊界保持特性的多尺度圖像分割方法， 其特征在于包括以下實施步驟A對輸入的遙感圖像提取分割波段；B設計正交濾波器，構(gòu)造多方向多尺度正交濾波器組，對分割波段濾波后計算 圖像局部能量圖；C簡化圖像局部能量圖以此作為分水嶺分割的輸入圖像；D對圖像的局部能量圖進行分水嶺分割，形成初始分割結(jié)果；E對初始分割結(jié)果進行矢量化，形成初始分割結(jié)果矢量圖層；F掃描分割結(jié)果矢量圖層，構(gòu)建圖；G依據(jù)圖論中的最小生成樹算法結(jié)合閾值控制進行圖合并，使相似的鄰接區(qū)域優(yōu)先合并，形成新尺度的分割結(jié)果的矢量圖層，在此過程中，構(gòu)建該尺度的區(qū)域結(jié)構(gòu)；H設置 迭代次數(shù)，通過執(zhí)行步驟F和步驟G進行迭代合并，產(chǎn)生多個尺度分割結(jié) 果矢量圖層，同時形成多尺度分割結(jié)果的區(qū)域?qū)哟谓Y(jié)構(gòu)。上述實施步驟的特征在于步驟A中所述分割波段，對于遙感的全色圖像，直接取該波段；對于多光譜圖 像，選取其中一個波段或波段組合結(jié)果作為分割波段，或可在光譜變換后的分量上進行 分割，如主成分變換后的第一分量或第二分量上進行分割；步驟B中一個正交濾波器包含一個均值為零的偶對稱的濾波器和一個奇對稱的 濾波器，兩個濾波器的L2范數(shù)相等而且正交，使用由該濾波器組構(gòu)成的多方向多尺度的 濾波器組分別對分割波段進行濾波，進而求得該波段的局部能量圖，形成的局部能量圖 像具有很好的邊界保持能力，能夠準確定位及檢測復合邊界，這是與常規(guī)高斯濾波結(jié)合 SobeL Robert等梯度算子區(qū)別最大的地方；步驟C中所述將圖像局部能量圖簡化的方法是對局部能量圖去除掉小的能量 值，得到新的局部能量圖；步驟E中所述初始分割結(jié)果矢量化，是指初始分割結(jié)果中的區(qū)域邊界以矢量多 邊形方式表示；步驟F中所述的圖是以初始分割的區(qū)域為圖的頂點，鄰接關(guān)系的區(qū)域形成圖的 邊，鄰接區(qū)域間的特征差異為圖中連接兩個頂點的邊的權(quán)值；鄰接區(qū)域間的特征差異通 過鄰接區(qū)域的光譜均值差異、紋理差異、鄰接區(qū)域公共邊界的平均邊界強度定義；步驟G中所述的依據(jù)圖論中的最小生成樹算法結(jié)合閾值控制的圖合并，其特征 是在最小樹生成的過程中加入邊的權(quán)值的閾值進行控制，使得最小樹的生成會在中間被 打斷，成為若干個樹，樹的個數(shù)表示合并后區(qū)域的個數(shù)，樹中的頂點表示合并的區(qū)域。 所述的圖論中的最小生成樹算法主要包括Boravka、KraskaL Prim三種算法。步驟H中所述的迭代合并過程是指每一迭代前都要對上一次區(qū)域合并的結(jié)果構(gòu) 建新的圖，然后按照步驟G進行圖合并，并將每一次迭代合并后的結(jié)果再次生成圖，并 作為下一次區(qū)域合并的輸入。步驟H中所述的區(qū)域?qū)哟谓Y(jié)構(gòu)包含著不同尺度間區(qū)域合并的父子關(guān)系，也稱為 層次關(guān)系。其中每個層的結(jié)構(gòu)中包含該層所含的樹隊列，每個區(qū)域結(jié)構(gòu)中包括該層所含 的樹的序號，每個樹中的頂點(子區(qū)域)隊列、樹的父節(jié)點區(qū)域及樹中的邊。本發(fā)明與現(xiàn)有技術(shù)相比有如下特點本發(fā)明給出的基于局部能量圖的用于分水 嶺分割的預處理方法能夠準確定位和檢測地物邊界，同時有效地減輕分水嶺分割的“過 分割”；本發(fā)明中利用圖論的最小生成樹算法確定“過分割”區(qū)域合并的順序，并構(gòu)建 了基于矢量圖層多尺度分割結(jié)果層次化的結(jié)構(gòu)表達，該結(jié)構(gòu)支持不同尺度間分割區(qū)域的 快速切換以及區(qū)域合并父子關(guān)系、鄰接關(guān)系的快速訪問、區(qū)域特征的快速計算和提取， 并使層次間區(qū)域邊界保持一致。


圖1邊界保持的遙感圖像分割流程2是一個尺度、六個方向奇偶濾波器示意圖
圖3是一個由分割區(qū)域生成的加權(quán)無向圖示意圖4是區(qū)域合并過程的流程5是區(qū)域鄰接關(guān)系結(jié)構(gòu)示意6是區(qū)域?qū)哟谓Y(jié)構(gòu)示意7是區(qū)域節(jié)點結(jié)構(gòu)示意圖
具體實施例方式下面結(jié)合附圖通過實施例對本發(fā)明作進一步的詳細說明。本發(fā)明所述的邊界保持的遙感圖像分割方法的實現(xiàn)流程如圖1所示，圖1包括12 個單元。本實施例中的圖合并將以最小生成樹的Boravka算法為例說明。單元100為提取分割波段單元。遙感圖像，尤其是多光譜圖像，通常具有三個 以上的波段。而圖像分割往往在一個波段上進行，因此需要提取待分割的波段。對于全 色波段，直接在該波段分割即可；對于多光譜波段，選取其中一個波段或在波段組合的 圖像上分割，也可在光譜變換后的分量上進行分割，如主成分變換后的第一分量或第二 分量上進行分割。本實施例中選擇在近紅外波段上直接進行分割。單元101為正交濾波器組構(gòu)造單元。正交濾波器的設計在滿足基本的奇、偶、 正交性質(zhì)的同時，還需要考慮這些濾波器有能力能夠在一個比較寬的尺度范圍內(nèi)檢測特 征，特征響應具有很好的方向選擇性，計算簡單。本發(fā)明選擇定向的奇對稱濾波器為/(x,^) = Gcti(^)Gct2 (χ)其中C。(χ)表示標準偏差為σ的高斯函數(shù)，O1 O 對應的，選擇定向的偶對稱濾波器為力二 σ’σιο;)σσ2(χ)將上述選擇的正交濾波器用Hilbert變換表達，即 f2 (χ，y)等于A (χ，y)沿y軸的Hilbert變換，更具體地Z1 (x, =exp(^-) exp(-^-y))
ay C σ I σf2(x, y) = Hilbert (fi (χ, y))其中ο是尺度，1是濾波器的長寬比，也是濾波器的形狀參數(shù)，C是規(guī)范化參 數(shù)。由Hilbert變換的性質(zhì)可知上述濾波器對具有正交濾波器對的性質(zhì)。不同尺度、不同方向的濾波器組通過對上述定向的偶和奇對稱的濾波器選擇不 同的ο，旋轉(zhuǎn)指定的角度生成。如圖2所示為選用的一個尺度、六個方向的偶對稱濾波 器和奇對稱濾波器。單元102是圖像濾波和計算局部能量圖單元。使用單元101得到的正交濾波器 組對分割波段進行濾波，然后計算局部能量圖。局部能量圖的具體計算步驟為(1)給出方向個數(shù)、尺度數(shù)、窗口大小、濾波器長寬比，預先計算偶對稱濾波器 和奇對稱濾波器；本實施中所給的方向個數(shù)為6，尺度數(shù)為3，窗口大小為15，濾波器長 寬比為4。(2)將圖像進行對稱擴展，通過快速傅里葉變換進行濾波，基本步驟是先把圖像
2表示濾波器拉長的程度；/, (X,^) = G1ffi (^Gi72(X),和濾波器分別進行快速傅里葉變換，在頻域相乘，然后進行逆傅里葉變換，取實部得到
結(jié)果；(3)先計算各個方向上的定向的圖像能量，再求和計算局部能量圖。圖像在點(X，y)的局部能量為E(x, j) = X ylo2Uodd(x,y) + 02ieven(x,y)
/=I其中O1, even(x, y)禾Π O1, odd(x, y)分別是在點(x，y)圖像在第i個方向?qū)?偶對稱濾波器和奇對稱濾波器的濾波響應，η為方向個數(shù)，本實例中η = 6。單元103為處理單元102進行濾波后得到的局部能量圖。單元104進行局部能量圖簡化操作。簡化方法為濾除掉小的能量，得到新的局 部能量圖。局部能量圖的簡化步驟為1)求取局部能量圖像中的最大值tMM和最小值tMin ；2)選定濾除系數(shù)threshold，求取濾除的能量值tValue，tValue = tMin+(tMax-tMin) ^threshold, threshold 一般取 0.02 ；3)對局部能量圖像進行后處理，使所有能量值小于tValue的能量置為0，其它不 變得到新的局部能量圖。單元105對簡化后的局部能量圖進行分水嶺分割，獲得初始的分割結(jié)果。單元107對單元106的初始分割結(jié)果進行矢量化操作，將初始分割區(qū)域以多邊形 矢量來表示，形成初始分割結(jié)果矢量圖層單元108。單元109為構(gòu)建圖的單元。將處理單元106獲得的分水嶺初始分割的結(jié)果表示 為圖結(jié)構(gòu)，如圖3所示，將所有初始分割的區(qū)域作為圖的頂點，有鄰接關(guān)系的區(qū)域構(gòu)成 圖的邊，鄰接區(qū)域間的特征差定義為邊的權(quán)值。如此構(gòu)建的圖為加權(quán)無向圖，且圖的頂 點個數(shù)與初始分割區(qū)域的個數(shù)相同。圖中邊的權(quán)值，即鄰接區(qū)域的特征差通過區(qū)域之間的光譜距離、紋理距離和鄰 接區(qū)域公共邊界的強度來定義(KR1, Rj) = (^(R1, Rj), d2(Ri; Rj))1,其中(KR1, Rj)為區(qū)域 R1 和 Rj 的特征差，Ci1CR1, Rj) =WXdspectral(R1, R^ + d-w) XCitexture(R1, Rj),
d^Rj) =-Yjg^ixk,yk) ；dspectral(Ri; R)是兩個區(qū)域之間的光譜距離，定義為兩個區(qū) n k=\
域均值間的歐式距離；Citexture(R1, RP是兩個區(qū)域之間的紋理距離，定義為兩個區(qū)域方差 間的歐式距離；Ci2Ol1, R3)是兩個鄰接區(qū)域在局部能量圖上公共邊界的強度，定義為公共 邊界的平均強度，這里w為光譜距離和d—烺，R3)和紋理距離Citexture (民，RP分配的權(quán) 重，0#wl, 一般設置w = 0.5; η為鄰接區(qū)域公共邊界上點的個數(shù)，知耶(4，凡)是區(qū)域 R1和R3在局部能量圖上公共邊界上點(xk，yk)的強度。在后續(xù)的處理單元中，約定區(qū)域 間特征差的閾值β指閾值向量β =
β2)Τ ；邊的權(quán)值小于或大于閾值向量指邊的權(quán)值的每個分量小于或大于閾值的對應分 量，即 dCR" Rj) ￡ β 等價于(M^1, d2 β20單元110為圖合并單元。由于區(qū)域合并的次序不同，結(jié)果會不同。區(qū)域合并可 依據(jù)圖的最小生成樹的生成順序?qū)崿F(xiàn)區(qū)域合并。圖的最小生成樹算法主要包括Kraskal算 法、Prime算法、Boravka算法。對于圖像分割來說，合并成一棵樹不是分割的目標，因此利用預先設定的區(qū)域之間特征差的閾值控制使分割區(qū)域不能最終合并成一個完整的 樹，這時所剩的樹的個數(shù)表示合并后區(qū)域的個數(shù)，每個樹中的節(jié)點表示合并的區(qū)域。下面給出以Boruvka算法進行圖合并的實施例，如圖4所示，主要步驟如下A單元預先設置圖合并的迭代次數(shù)和區(qū)域間特征差的閾值，以保證最后樹的合 并會在中間終止，并生成多尺度的合并結(jié)果；B單元將單元109構(gòu)建的加權(quán)無向圖保存至一個列表結(jié)構(gòu)中，其中列表的長度 是邊的數(shù)目，以邊為序號，列表的每個元是一個結(jié)構(gòu)，該結(jié)構(gòu)中包括四個元素邊的序 號、連接邊的兩個頂點及邊的權(quán)值。圖5所示為列表中元素的結(jié)構(gòu)示意圖；C單元將B單元中的列表按照邊的權(quán)值的第一或第二分量升序排序，值小的排在 前。發(fā)明的實施例中依據(jù)邊權(quán)值的第一分量對邊進行排序；D單元用來生成若干樹，每個樹中的頂點認為是被合并了的區(qū)域。生成樹的過 程如下首先初始化一個新樹，樹中有權(quán)值最小的邊和連接該邊的兩個頂點；然后依據(jù) 邊的序號遍歷所有的邊，判斷是否可將該邊和連接邊的兩個頂點添加到樹中。依次執(zhí)行 下列樹生長的判斷如果邊所連接的兩個頂點已經(jīng)在樹中，就不添加這個邊到樹中；如 果邊的權(quán)值大于預先給定的閾值，就不添加這個邊到樹中；如果邊的權(quán)值小于預先給定 的閾值，則判斷連接該邊的兩個頂點是否已經(jīng)在樹中，如果其中一個已經(jīng)在樹中，就將 邊也加入樹中，并將另一個頂點也添加進樹中；如果兩個頂點都不在已有的樹中，則初 始化一個新樹；單元E是樹的連接單元。整理D單元生成的樹，將不在樹中的邊按照權(quán)值第一 分量的大小重新以升序排列，遍歷這些邊，判斷邊的權(quán)值是否大于預先給定的閾值，如 果邊的權(quán)值大于預先給定的閾值，就不添加這個邊到連接邊的頂點所在的樹中，防止產(chǎn) 生閉環(huán)，否則添加進樹中，使邊的兩個頂點連接起來，成為一個更大的樹；單元F是整理單元。整理經(jīng)過E單元處理后生成的樹，將每個樹作為一個區(qū)域， 該區(qū)域是樹中所有頂點所代表的區(qū)域合并的結(jié)果，更新合并后區(qū)域的光譜特征、紋理特 征、區(qū)域的鄰接區(qū)域、鄰接區(qū)域之間的公共邊界及邊界強度，并將合并后的區(qū)域進行層 次結(jié)構(gòu)表示，圖6是單層(單尺度)合并區(qū)域的層次結(jié)構(gòu)。該結(jié)構(gòu)包括層號(與尺度 對應)、樹(合并后的區(qū)域)的隊列；圖7是單個樹的結(jié)構(gòu)，該結(jié)構(gòu)包括樹中包含的頂 點隊列(若存在)、樹父節(jié)點(若存在)。最后將更新后的區(qū)域按照單元109的方法重新 構(gòu)建為一個加權(quán)無向圖，迭代執(zhí)行單元A-單元F，直到滿足迭代次數(shù)的要求；單元G是迭代完成后的結(jié)果，是多層次的合并結(jié)果。合并結(jié)果具有下列特點 各層合并結(jié)果的區(qū)域邊界與初始分割的結(jié)果的邊界一致；層次越低，分割結(jié)果表示越精 細。單元111將初始分割結(jié)果的多層次區(qū)域合并的結(jié)果作為多尺度分割的結(jié)果，并 將分割結(jié)果表示為區(qū)域?qū)哟谓Y(jié)構(gòu)。該區(qū)域?qū)哟谓Y(jié)構(gòu)包含著不同尺度間區(qū)域合并的父子關(guān) 系，也稱為層次關(guān)系。每個尺度或?qū)哟蔚膮^(qū)域結(jié)構(gòu)包括該層所含的樹(區(qū)域隊列)，每個 樹(區(qū)域)中的頂點(子區(qū)域)隊列、樹的父節(jié)點區(qū)域及樹中的邊。該層次結(jié)構(gòu)具有以 下特點不同層次間的分割區(qū)域構(gòu)成了多尺度分割層次結(jié)構(gòu)；上、下層分割區(qū)域的邊界 是一致的；一層的單個區(qū)域由它下層所有子區(qū)域的總和來表示，每一層又是以它的下一層為基礎建立的；不同層的分割區(qū)域有合并前后的父子關(guān)系。 本發(fā)明的一個實施例在PC平臺上實現(xiàn)，經(jīng)實驗驗證，該分割流程能夠得到較理 想的分割結(jié)果，分割速度快，地物邊界保持度高。分割生成的多尺度的區(qū)域結(jié)果具有良 好的適用性，不同層次間分割區(qū)域的邊界一致。同時，利用基于矢量圖層的多尺度的分 割層次結(jié)構(gòu)，能在不同尺度間分割區(qū)域之間快速切換，能快速訪問具有鄰接關(guān)系和合并 前后具有父子關(guān)系的區(qū)域，并快速計算和提取區(qū)域特征。這種多尺度的分割結(jié)果和分割 結(jié)果的層次結(jié)構(gòu)表達為一下步面向?qū)ο蟮倪b感圖像地物類型精細分類識別奠定了堅實的基礎。應當指出，以上所述具體實施方式
可以使本領(lǐng)域的技術(shù)人員更全面地理解本發(fā) 明，但不以任何方式限制本發(fā)明。因此，本領(lǐng)域技術(shù)人員應當理解，仍然可以對本發(fā)明 進行修改或者等同替換；而一切不脫離本發(fā)明的精神和技術(shù)實質(zhì)的技術(shù)方案及其改進， 其均應涵蓋在本發(fā)明專利的保護范圍當中。
權(quán)利要求
1.提供一種針對遙感圖像，特別是高空間分辨率遙感圖像具有邊界保持特性的多尺 度圖像分割方法，其特征在于包括以下步驟A對輸入的遙感圖像提取分割波段；B設計正交濾波器，構(gòu)造多方向多尺度濾波器組，對分割波段濾波后計算圖像局部 能量圖；C簡化圖像局部能量圖以此作為分水嶺分割的輸入圖像；D對圖像的局部能量圖進行分水嶺分割，形成初始分割結(jié)果；E對初始分割結(jié)果進行矢量化，形成初始分割結(jié)果矢量圖層；F掃描分割結(jié)果矢量圖層，構(gòu)建圖；G依據(jù)圖論中的最小生成樹算法圖合并，形成新尺度分割結(jié)果的矢量圖層，在此過 程中，構(gòu)建該尺度的區(qū)域結(jié)構(gòu)；H設置迭代次數(shù)，通過執(zhí)行步驟F和步驟G進行迭代合并，產(chǎn)生多個尺度分割結(jié)果矢 量圖層，同時形成多尺度分割結(jié)果的區(qū)域?qū)哟谓Y(jié)構(gòu)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟A中所述的分割波段的提取方法，對 于遙感的全色圖像，直接取該波段；對于多光譜圖像，選取其中一個波段或波段組合結(jié) 果作為分割波段，或可在光譜變換后的分量上進行分割，如主成分變換后的第一分量或 第二分量上進行分割。
3.根據(jù)權(quán)利要求1所述方法，其特征在于步驟B中所述的正交濾波器包含一個均值為 零的偶對稱的濾波器和一個奇對稱的濾波器，兩個濾波器的L2范數(shù)相等而且正交。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟B中所述的圖像局部能量圖，是指利 用多方向多尺正交濾波器組進行圖像濾波后求得的。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟C中所述的簡化圖像局部能量圖的方 法，是對局部能量圖去除掉小的能量值得到的。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟E中矢量化指對初始分割結(jié)果中的區(qū) 域邊界以矢量多邊形方式表示。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟F中的圖的構(gòu)建以初始分割的區(qū)域為 圖的頂點，有鄰接關(guān)系的區(qū)域形成圖的邊，鄰接區(qū)域間的特征差異表示為圖中連接兩個 頂點的邊的權(quán)值。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于鄰接區(qū)域間的特征差異是通過鄰接區(qū)域的 光譜均值差異、紋理差異、鄰接區(qū)域公共邊界的平均邊界強度定義的。
9.根據(jù)權(quán)利要求1所述的步驟G中依據(jù)圖論中的最小生成樹算法的圖合并，其特征是 在最小樹生成的過程中加入邊權(quán)值的閾值控制，使得最小樹的生成會在中間被打斷，成 為若干個樹，樹的個數(shù)表示合并后區(qū)域的個數(shù)，樹中的頂點表示合并的區(qū)域。
10.根據(jù)權(quán)利要求1所述的步驟G中使用的最小生成樹算法包括Boravka、KruskaL Prim三種算法。
11.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟H中所述的區(qū)域?qū)哟谓Y(jié)構(gòu)包含著不 同尺度間區(qū)域合并的父子關(guān)系，其中每個層的結(jié)構(gòu)中包含該層所含的樹隊列，每個區(qū)域 結(jié)構(gòu)中包括該層所含的樹的序號，每個樹中的頂點(子區(qū)域)隊列、樹的父節(jié)點區(qū)域及樹 中的邊。
12.根據(jù)權(quán)利要求1所述的方法，步驟H中所述的迭代合并過程是指每一迭代前都要 對上一次區(qū)域合并的結(jié)果構(gòu)建新的圖，然后按照步驟G進行圖合并，并將每一次迭代合 并后的結(jié)果再次生成圖，并作為下一次區(qū)域合并的輸入。
13.根據(jù)權(quán)利要求1所述的方法，形成多尺度分割結(jié)果的區(qū)域?qū)哟谓Y(jié)構(gòu)，其特征在于 該層次結(jié)構(gòu)具有以下特點不同層次間的分割區(qū)域構(gòu)成了多尺度分割層次結(jié)構(gòu)；上、下 層分割區(qū)域的邊界是一致的；一層的單個區(qū)域由它下層所有子區(qū)域的總和來表示，每一 層又是以它的下一層為基礎建立的；不同層的分割區(qū)域有合并前后的父子關(guān)系。
全文摘要
本發(fā)明提供一種針對遙感圖像具有邊界保持特性的多尺度圖像分割方法。該方法包括以下步驟采用基于正交濾波器組對圖像進行濾波后再求取圖像局部能量圖的預處理方法，準確定位和檢測地物邊界；對預處理后的圖像進行分水嶺分割，得到初始的分割結(jié)果；將初始分割結(jié)果進行矢量化，生成分割矢量圖層，使每個分割區(qū)域用多邊形矢量來表達，建立矢量多邊形之間的鄰接關(guān)系；對多邊形的矢量圖層，構(gòu)建圖；基于圖的最小生成樹算法結(jié)合閾值控制進行分割區(qū)域的合并；并將圖合并過程迭代進行，直到形成所需的尺度分割層次及結(jié)構(gòu)。
文檔編號G06T7/00GK102024258SQ201010588998
公開日2011年4月20日 申請日期2010年12月15日 優(yōu)先權(quán)日2010年12月15日
發(fā)明者馮崢, 唐娉, 邊釗, 霍連志 申請人:中國科學院遙感應用研究所