一種多尺度疊加分割方法
【專利摘要】本發(fā)明公開了一種多尺度疊加分割方法。所述方法包括以下步驟：對圖像進(jìn)行多尺度分割，得到分割后的各尺度對象；利用穩(wěn)定尺度指數(shù)判斷各尺度對象，確定各尺度的最佳尺度對象；將確定的各尺度的最佳尺度對象投影到單一數(shù)據(jù)層；對投影到單一數(shù)據(jù)層上的最佳尺度對象進(jìn)行合并。本發(fā)明通過基于每個對象邊界的真實地物匹配為目標(biāo)進(jìn)行分割對象提取，實現(xiàn)了對圖像的多尺度分割，避免了同一尺度上，不同土地覆蓋類型對象的過分割與欠分割，以及多尺度對象疊加時的重疊問題的出現(xiàn)，提高了多尺度分割的精確性。
【專利說明】一種多尺度疊加分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及地理學(xué)中的衛(wèi)星遙感監(jiān)測領(lǐng)域，尤其涉及一種多尺度疊加分割方法。【背景技術(shù)】
[0002]遙感影像的光譜特性極大地影響著土地覆蓋制圖精度。不同土地覆蓋類型本身在光譜特征上具有高度的內(nèi)部異質(zhì)性和類間相似性，即使高分辨率影像,也往往由于產(chǎn)生“同譜異物”現(xiàn)象而降低分類精度，對于傳統(tǒng)的基于像素、單一尺度光譜的分類方法難以解決分類精度的問題。
[0003]尺度效應(yīng)是指在不同時空尺度或不同組織水平上的信息轉(zhuǎn)譯，基于尺度空間理論和地學(xué)過程角度，在不同尺度上，格局和過程往往出現(xiàn)不同的特征規(guī)律。受傳感器成像模式的影響，遙感影像的空間尺度特征與土地覆蓋分類系統(tǒng)組織尺度特征(按譜系結(jié)構(gòu)建立的體系)往往不完全吻合，而分類系統(tǒng)同一等級上各土地覆蓋類型也不能在同一空間影像尺度上有效地表征。且利用同一尺度遙感影像進(jìn)行土地覆蓋監(jiān)測，會導(dǎo)致各土地覆蓋類型分類精度的不一致。不同土地覆蓋類型對空間尺度的依據(jù)性、穩(wěn)定性各不相同。各類型有不同的最佳觀測距離和尺度，才能有效、完整地觀察，并不一定是距離越近越好、觀測越細(xì)微越好，單一優(yōu)化的空間尺度很難精確表征復(fù)雜影像下的土地覆蓋類型。
[0004]在最優(yōu)尺度選擇與分類研究中，最早提出了以影像對象均值方差方法確定影像最優(yōu)分割尺度。通過組成這個對象的所有像元亮度值的均值所產(chǎn)生整個區(qū)域/影像的方差，建立多尺度的方差的曲線，確定其峰值來提取了不同類別有其相應(yīng)的最優(yōu)分割尺度，該方法尤其適用于高分辨率影像最優(yōu)尺度的選擇。之后，又提出以影像對象最大面積方法確定影像最優(yōu)分割尺度。影像對象最大面積隨分割尺度變化的曲線呈階梯狀上升的趨勢，每一個曲線平臺對應(yīng)于某種類別提取適宜尺度的范圍。其中，在分析Lidar高度數(shù)據(jù)與光譜、紋理、陰影維數(shù)關(guān)系性時，等距分割15個尺度，分析不同尺度下的相關(guān)性，相關(guān)性最好的尺度應(yīng)用是最佳尺度。由于不同類型在不同尺度上，其中一個類型在最佳的尺度，其它類型可能處于過分割和欠分割現(xiàn)象，所以對于單尺度分類，選擇最佳尺度實際上是選擇大多數(shù)類型的平均適合尺度。
[0005]對此，改進(jìn)的方法是在不同尺度上擬合不同類型進(jìn)行分類的方法，即多尺度擬合分類。如利用目視試驗分析的方法，選擇單樹、林斑、景觀特征3個尺度提取不同特征的、同一森林類型?；蛟?個尺度上利用SVM(Support Vector Machine,支持向量機(jī))方法分別提取寬公路、小路、建筑物等3類城市不透水表面。由于多尺度選擇帶有主觀性、隨意性、不可重復(fù)性，針對單類進(jìn)行分析時是可行的，而針對多數(shù)類別進(jìn)行分析時難度較大。即這類方法沒有解決多尺度的分類結(jié)果疊加時出現(xiàn)的重疊問題，重疊部分只能優(yōu)先高精度尺度的結(jié)果O
[0006]目前，利用多尺度面向?qū)ο蠓椒ㄟM(jìn)行土地覆蓋分類的研究處于剛剛起步階段，對土地覆蓋影像對象特征的尺度推繹研究仍然面臨著以下問題:(I)由于土地覆蓋類型的光譜和空間特征異質(zhì)性，以及同一類型的區(qū)域差異性，不同土地覆蓋的尺度變化的規(guī)律和機(jī)制并不清楚，還沒有形成一種魯棒性、標(biāo)準(zhǔn)的尺度選擇方法；(2)尺度變化特征還沒有充分挖掘，分類主要依賴于二維的光譜和幾何等特征，忽視了尺度推繹過程中縱向的特征利用；
(3)多尺度間土地覆蓋分類沒有形成關(guān)聯(lián)，各自分類結(jié)果的重疊造成的最終合成分類結(jié)果時產(chǎn)生誤差傳遞，多類多尺度土地覆蓋效果并不理想。

【發(fā)明內(nèi)容】

[0007]本發(fā)明實施例的目的在于提供一種多尺度疊加分割方法，通過基于每個對象邊界的真實單元匹配為目標(biāo)進(jìn)行分割對象提取，實現(xiàn)了對圖像的多尺度分割，避免了多尺度對象疊加時的重疊問題的出現(xiàn)，提高了多尺度分割的精確性。
[0008]為了達(dá)到上述目的，本發(fā)明實施例提供了一種多尺度疊加分割方法，所述方法包括以下步驟:
[0009]對圖像進(jìn)行多尺度分割，得到分割后的各尺度對象；
[0010]利用穩(wěn)定尺度指數(shù)判斷各尺度對象，確定各尺度的最佳尺度對象；
[0011]將確定的各尺度的最佳尺度對象投影到單一數(shù)據(jù)層；
[0012]對投影到單一數(shù)據(jù)層上的最佳尺度對象進(jìn)行合并。
[0013]優(yōu)選地，所述對圖像進(jìn)行多尺度分割，具體包括:基于區(qū)域融合方法，從像素開始，將像素融合成對象、小對象融合成大對象，逐級融合。
[0014]優(yōu)選地，在得到分割的各尺度對象之后，所述各尺度對象中分別包含有各自的特征參數(shù)，其中，對象標(biāo)準(zhǔn)差SD為最佳尺度識別的參數(shù)。
[0015]優(yōu)選地，以過分割對象的最初分割尺度為邊界，同位置切割各尺度的對象，保持各尺度對象各自的特征參數(shù)，以便不同尺度對象進(jìn)行同位置特征參數(shù)對比。
[0016]優(yōu)選地，所述利用穩(wěn)定尺度指數(shù)分析各尺度對象的特征參數(shù)，具體通過如下公式:
[0017]Si = Fw-Fi
[0018]其中，Si是指尺度穩(wěn)定指數(shù)，i是指縮放級別，F(xiàn)i是在i尺度上對象的SD值，F(xiàn)i+1是在i+Ι尺度分割級別上的對象SD值；在整個尺度變化中，Si連續(xù)為O并持續(xù)最長時，該區(qū)間尺度定義為最佳對象擬合尺度。
[0019]優(yōu)選地，所述對投影到單一數(shù)據(jù)層上的最佳尺度對象進(jìn)行合并，具體包括:以單一尺度對象的特征參數(shù)為依據(jù)進(jìn)行相鄰對象的同值合并。
[0020]現(xiàn)有技術(shù)相比，本發(fā)明實施例所提出技術(shù)方案具有以下優(yōu)點:
[0021]本發(fā)明的上述實施例，通過圖像的多尺度分割，基于每個對象邊界的真實單元匹配為目標(biāo)進(jìn)行分割對象提取，避免了同一尺度上，不同土地覆蓋類型對象的過分割與欠分割，多尺度對象疊加時的重疊問題的出現(xiàn)，提高了多尺度分割的精確性。
【專利附圖】

【附圖說明】
[0022]圖1是本發(fā)明實施例所提供的現(xiàn)有中多尺度分割過程的示意圖；
[0023]圖2是本發(fā)明實施例所提供的多尺度疊加分割的流程示意圖；
[0024]圖3是本發(fā)明實施例所提供的多尺度疊加分割的圖形示意圖；
[0025]圖4是本發(fā)明實施例所提供的多尺度疊加分割的分割效果圖。【具體實施方式】
[0026]下面將結(jié)合本發(fā)明中的附圖，對本發(fā)明中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明的一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護(hù)的范圍。
[0027]在現(xiàn)有的多尺度分割中，是將像素(柵格)變成對象(矢量)的過程，其目的在于在類型劃分時，不僅考慮目標(biāo)的光譜特征，還可以考慮對象所產(chǎn)生目標(biāo)的形狀、空間關(guān)系等特征，從而提高了分類精度。參見下圖1，為該多尺度分割過程的示意圖；多尺度分割過程是通過一個尺度閾值的設(shè)定，獲得多級像素融合的方式。具體的，分割是從像素開始融合，隨著尺度不斷增加，對象不斷增大，它從部分像素合并、整個土地覆蓋類型單元、到多個單元的組合的過程。在不同階段，對象組份不同，從而顯示不同的對象特征，而最佳的尺度就是對象大小(基元)與真實地物單元(目標(biāo))邊界一致，此時的對象光譜、幾何、關(guān)系語義特征是真實反映地物的特征，利用此特征進(jìn)行分類，有利于提高影像的分類精度。
[0028]本發(fā)明是基于單個對象的最優(yōu)分割尺度選擇的基本思路:當(dāng)?shù)乳g距尺度閾值增加時，像素到對象、對象到大對象進(jìn)行不斷合并，雖然不一定每次閾值變化都會有對象大小的改變，直到有一個尺度(閾值)，對象的大小與真實目標(biāo)相匹配，在一定尺度范圍內(nèi)，對象大小會保持穩(wěn)定或不變。兩個類型之間的差異越大，穩(wěn)定的尺度范圍越寬。當(dāng)分割尺度繼續(xù)增加，對象大小比現(xiàn)實目標(biāo)大而兩個土地覆蓋類對象合并，對象特征也隨之不斷變化。尺度變化中有多個穩(wěn)定的尺度，而其中最大的(最寬的)尺度，可視為目標(biāo)擬合的最佳尺度，也是該單元最佳分割狀態(tài)，將這些不同尺度上的最佳對象提取出來，投影到一個數(shù)據(jù)層面上，形成最佳分割對象層，有利于后期進(jìn)一步土地覆蓋分類。
[0029]參見圖2，為本發(fā)明實施例所提供的多尺度疊加分割的流程示意圖，圖3具體為根據(jù)圖2多尺度分割的流程圖得到的圖形示意。
[0030]該流程可包括:
[0031]步驟201，對圖像進(jìn)行多尺度分割，得到分割后的各尺度對象。
[0032]在本步驟中，對圖像進(jìn)行多尺度分割，具體包括:基于區(qū)域融合方法，從像素開始，將像素融合成對象、小對象融合成大對象，逐級融合。
[0033]在得到分割后的各尺度對象之后，還包括:依據(jù)所述過分割尺度的對象邊界對各尺度對象進(jìn)行切割，得到切割后的各尺度對象，切割后的對象保持原有的SD特征。
[0034]具體的，利用區(qū)域合并技術(shù)，進(jìn)行多尺度自下而上、從一個像素到對象的分割過程，該過程可以通過Definiens軟件實現(xiàn)。在多次迭代步驟中，基于非均質(zhì)性閾值的控制，較小的圖像對象合并成較大的對象，多尺度分割遵循譜系過程，過分割尺度的邊界保持在欠分割尺度邊界中。改變閾值表示改變尺度大小。多尺度分割從O開始，以基準(zhǔn)等間距閾值(通常為“5”)增量進(jìn)行尺度提升?！?”尺度閾值范圍內(nèi)的參數(shù)變化不大，并且是足夠窄的范圍來測量穩(wěn)定的尺度度量。從Definiens的軟件輸出每個尺度的、包含SD信息的對象層，并導(dǎo)入ARCGIS軟件(一種矢量空間分析軟件)進(jìn)行多尺度對象的空間的對比。所有的尺度數(shù)據(jù)層以過分割(最密分割層)基準(zhǔn)進(jìn)行切割。從而形成統(tǒng)一的過分割尺度層的對象界線，將原對象的SD特征賦給新切割的對象屬性中。這個過程保證后續(xù)對象的投影不產(chǎn)生對象之間的重疊和空洞。
[0035]步驟202，利用穩(wěn)定尺度指數(shù)判斷各尺度對象，確定各尺度的最佳尺度對象。
[0036]在本步驟中，所述各尺度對象中分別包含有各自的特征參數(shù)，所述利用穩(wěn)定尺度指數(shù)判斷各尺度對象，確定各尺度的最佳尺度對象。
[0037]具體的，各尺度對象中包含的特征參數(shù)具體為標(biāo)準(zhǔn)差SD、像素均值等。在本步驟中，具體以特征參數(shù)為SD作為優(yōu)選實施例進(jìn)行闡述。
[0038]進(jìn)一步地，每個對象的標(biāo)準(zhǔn)差SD具體為對象內(nèi)各像素的光譜值統(tǒng)計，其做為特征值進(jìn)行穩(wěn)定尺度的特征分析，考慮到影像由多個波段組成，實際上對象的SD指的是所有影像光譜波段的歐氏距離(每個波段的對象的SD平方和的平方根)，選擇SD作為尺度參數(shù)(SD通常隨著尺度增加而增加)比對象均值(通常是波動變化)或?qū)ο蟮拇笮?弱相關(guān))更敏感。隨后，分析對象屬性表中多尺度的SD變化，提取最佳尺度。
[0039]從一個尺度到另一個尺度的變化來評估SD變化，可以利用尺度穩(wěn)定指數(shù)(Si)表達(dá):
[0040]Si = Fitl-Fi (I)
[0041]其中，Si是指尺度穩(wěn)定指數(shù)，i是指縮放級別，F(xiàn)i是對象的SD值在擴(kuò)展分割的水平，F(xiàn)i+1的是物體的i+Ι的尺度分割級別。
[0042]每個層對象的SD的屬性按尺度變化順序輸入到MATLAB軟件(數(shù)值處理軟件)。計算每個相鄰尺度Si (式I)，Si值等于零或者連續(xù)為零出現(xiàn)表示的穩(wěn)定的尺度，其中連續(xù)為零的寬度最大的尺度中，自動選擇該寬度段中間尺度表示為最佳尺度。
[0043]步驟203，將確定的各尺度的最佳尺度對象投影到單一數(shù)據(jù)層。
[0044]具體的，對上述確定的最佳尺度進(jìn)行標(biāo)識，并將這些最佳尺度對應(yīng)的SD提取出來，賦值到單獨一個數(shù)據(jù)層中。
[0045]步驟204，對投影到單一數(shù)據(jù)層上的最佳尺度對象進(jìn)行合并。
[0046]具體的，以SD為屬性進(jìn)行空間鄰近對象邊界的同類合并，這些合并后的矢量邊界就是最佳分割邊界，這些分割邊界最后輸入到Definiens軟件中，對影像進(jìn)行分割，再提取影像光譜作息進(jìn)行圖像分類。
[0047]在進(jìn)行多尺度分割之后，為了驗證分割效果，下面選取各類土地覆蓋類型進(jìn)行效果評估。選擇常見的8類土地覆蓋類型，包括針葉林、闊葉林、草地、作物生長的耕地、休耕地、水面、居住地、交通用地，從5尺度參數(shù)(過分割尺度)圖像上，每類隨機(jī)采集10個對象、共80對象，在此基礎(chǔ)上，多尺度分割24個尺度。真實的最佳尺度使用試驗-誤差的分析方法中選擇最佳的尺度，目標(biāo)真實大小與影像對象邊界擬合為最佳尺度。對象SD是隨著尺度增加，而逐漸增加或不變。有三種類型的SD變動:不穩(wěn)定(連續(xù)變化，SiX));相對穩(wěn)定(不變化，但不是最寬不變尺度帶，連續(xù)的Si = O);最穩(wěn)定的(無變化，但是最寬不變化尺度，連續(xù)的Si = O)，那么，我們分析匹配到上述三種類型的SD變化的最佳對象尺度的比例統(tǒng)計。具體的效果圖參見圖4。
[0048]基于上述圖4中的效果圖，對最優(yōu)尺度提取的效果進(jìn)行相應(yīng)的分析。具體的，對8類土地覆蓋的分割中最佳尺度選擇的統(tǒng)計，真實匹配尺度在最穩(wěn)定的、相對穩(wěn)定、不穩(wěn)定尺度上分別占76%，21%和3%。水面和闊葉林的真實匹配尺度多數(shù)在最穩(wěn)定的尺度上，它們具有更多的類內(nèi)同質(zhì)性，比其它土地覆蓋顯示明顯的特征差異。而相對穩(wěn)定的SD通常反映一些土地覆蓋的多尺度變化中的類內(nèi)結(jié)構(gòu)的差異性。道路對象的最優(yōu)尺度的匹配方面有不確定性。近半數(shù)對象在最穩(wěn)定的范圍匹配。道路通常空間上鄰近居住地和耕地，而這些類型與道路有相似的光譜特征。這兩個原因?qū)е伦罴颜鎸嵠ヅ涑叨嚷湓跊]有都落在最穩(wěn)定尺度上。但對于大多數(shù)土地覆蓋和地區(qū)，利用最穩(wěn)定尺度選擇最佳匹配對象可以得到較好的分表I]效果。
[0049]本實施例中，通過基于每個對象邊界的真實單元匹配為目標(biāo)進(jìn)行分割對象提取，實現(xiàn)了對圖像的多尺度分割，避免了多尺度對象疊加時的重疊問題的出現(xiàn)，提高了多尺度分割的精確性。
[0050]通過以上的實施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當(dāng)然也可以通過硬件，但很多情況下前者是更佳的實施方式?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述的方法。
[0051]本領(lǐng)域技術(shù)人員可以理解附圖只是一個優(yōu)選實施例的示意圖，附圖中的流程并不一定是實施本發(fā)明所必須的。
[0052]上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。
[0053]以上公開的僅為本發(fā)明的一個具體實施例，但是，本發(fā)明并非局限于此，任何本領(lǐng)域的技術(shù)人員能思之的變化都應(yīng)落入本發(fā)明的保護(hù)范圍。
【權(quán)利要求】
1.一種多尺度疊加分割方法，其特征在于，所述方法包括以下步驟: 對圖像進(jìn)行多尺度分割，得到分割后的各尺度對象； 利用穩(wěn)定尺度指數(shù)判斷各尺度對象，確定各尺度的最佳尺度對象； 將確定的各尺度的最佳尺度對象投影到單一數(shù)據(jù)層； 對投影到單一數(shù)據(jù)層上的最佳尺度對象進(jìn)行合并。
2.如權(quán)利要求1所述的方法，其特征在于，所述對圖像進(jìn)行多尺度分割，具體包括:基于區(qū)域融合方法，從像素開始，將像素融合成對象、小對象融合成大對象，逐級融合。
3.如權(quán)利要求2所述的方法，其特征在于，在得到分割的各尺度對象之后，所述各尺度對象中分別包含有各自的特征參數(shù)，其中，對象標(biāo)準(zhǔn)差SD為最佳尺度識別的參數(shù)。
4.如權(quán)利要求3所述的方法，其特征在于，所述方法還包括: 以過分割對象的最初分割尺度為邊界，同位置切割各尺度的對象，保持各尺度對象各自的特征參數(shù)，以便不同尺度對象進(jìn)行同位置特征參數(shù)對比。
5.如權(quán)利要求4所述的方法，其特征在于，所述利用穩(wěn)定尺度指數(shù)分析各尺度對象的特征參數(shù)，具體通過如下公式:
Si = Fw-Fi 其中，Si是指尺度穩(wěn)定指數(shù)，i是指縮放級別，F(xiàn)i是在i尺度上對象的SD值，F(xiàn)i+1是在i+1尺度分割級別上的對象SD值； 在整個尺度變化中，Si連續(xù)為O并持續(xù)最長時，該區(qū)間中間尺度定義為最佳對象擬合尺度。
6.如權(quán)利要求5所述的方法，其特征在于，所述對投影到單一數(shù)據(jù)層上的最佳尺度對象進(jìn)行合并，具體包括: 以單一尺度對象的特征參數(shù)為依據(jù)進(jìn)行相鄰對象的同值合并。
【文檔編號】G06T7/00GK104036499SQ201410238491
【公開日】2014年9月10日 申請日期:2014年5月30日 優(yōu)先權(quán)日:2014年5月30日
【發(fā)明者】張磊 申請人:中國科學(xué)院遙感與數(shù)字地球研究所