本發(fā)明涉及影像處理技術(shù)領(lǐng)域，具體地說，涉及一種新的高分辨率遙感影像的最優(yōu)分割尺度自動(dòng)選擇方法。

背景技術(shù)：

面向?qū)ο蟮牡匚镄畔⑻崛∈歉叻直媛蔬b感影像分析的基礎(chǔ)和前提。由于高分辨率遙感影像包含的信息豐富，地物類別復(fù)雜，且不同類型的地物對(duì)應(yīng)不同的分割尺度，單一的分割尺度無法滿足應(yīng)用需求。在面向?qū)ο蟮母叻直媛蔬b感影像分析中，常常利用影像多尺度分割方法，為不同類別特征的地物提供相應(yīng)的尺度。為保證影像信息提取的精度、必須了解影像信息隨著分割尺度變化的效應(yīng),因此影像信息尺度轉(zhuǎn)換與最優(yōu)尺度選擇成為面向?qū)ο笥跋穹治鲋幸鉀Q的基本問題。

傳統(tǒng)的分割帶有較強(qiáng)的主觀性，通過目測(cè)判斷和反復(fù)試錯(cuò)，選擇一個(gè)合適的分割結(jié)果，因而很難建立一個(gè)最優(yōu)尺度分割模型。從保證影像對(duì)象的同質(zhì)性和影像對(duì)象的可分性的角度，黃慧萍、孫波中等提出圖像最優(yōu)分割的評(píng)價(jià)準(zhǔn)則：影像對(duì)象內(nèi)部異質(zhì)性盡可能小，同時(shí)，不同類型對(duì)象之間的異質(zhì)性盡可能的大，并且對(duì)象能夠表達(dá)某種地物的基本特征。根據(jù)上述分割評(píng)價(jià)準(zhǔn)則，目前國(guó)內(nèi)外還沒有一個(gè)客觀的、定量的和普適的影像多尺度模型來確定最優(yōu)分割尺度參數(shù)。

馬爾可夫隨機(jī)場(chǎng)是圖象分割中一個(gè)有效且常用的工具。它有效地刻畫出圖像空間依賴關(guān)系，通過信息的局部交互，將上下文信息傳遞到整個(gè)圖像，最終能夠構(gòu)建不同尺度的影像對(duì)象網(wǎng)絡(luò)層次結(jié)構(gòu)。但是，現(xiàn)有影像MRF模型往往采用自頂向下的方式構(gòu)建影像的層次結(jié)構(gòu)，由于最細(xì)粒度尺度的建立依賴于影像所有像素的標(biāo)識(shí)計(jì)算，帶來運(yùn)算時(shí)間較長(zhǎng)的問題，且由于像素信息較為單一，容易造成像元的誤分類。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述技術(shù)存在的缺陷，提供一種新的高分辨率遙感影像的最優(yōu)分割尺度自動(dòng)選擇方法。該方法利用多尺度MRF模型，建立高分辨率影像的多尺度分割模型，同時(shí)對(duì)影像層次分割和影像平面分別建模，描述層與層對(duì)象之間的上下文信息以及同一層中對(duì)象之間的空間依賴關(guān)系。將對(duì)象的光譜、顏色、紋理及拓?fù)潢P(guān)系等基本特征，歸一化到馬爾可夫隨機(jī)場(chǎng)中，通過概率信息收斂計(jì)算，實(shí)現(xiàn)了一種計(jì)算機(jī)可自動(dòng)進(jìn)行全局最有分割尺度選擇方法，參數(shù)選擇計(jì)算和推斷工程實(shí)現(xiàn)了計(jì)算機(jī)自動(dòng)進(jìn)行，獲得理論上的最優(yōu)分割尺度參數(shù)。該技術(shù)具有分割質(zhì)量精度高、自適應(yīng)性強(qiáng)和計(jì)算效率高的優(yōu)點(diǎn)。

其具體技術(shù)方案為：

一種新的高分辨率遙感影像的最優(yōu)分割尺度自動(dòng)選擇方法，包括以下步驟：

輸入：影像下的圖D＝(V,E,W)，其中V、E和W分別代表了圖D的頂點(diǎn)集、邊集和相似度矩陣；

輸出：最優(yōu)尺度分割的影像、全部尺度分割參數(shù)；

步驟1、利用分水嶺方法得到過分割的影像，作為最細(xì)粒度的分割影像D0；

步驟2、提取上述影像中對(duì)象的光譜、顏色、紋理等特征值；

步驟3、使用期望最大化EM算法估計(jì)GMM參數(shù)

步驟4、For 1＝L to 0，執(zhí)行步驟3-4：

1)在第l層MRF模型中，計(jì)算對(duì)象消息在MRF節(jié)點(diǎn)之間進(jìn)行迭代傳遞，直至全局概率收斂，即

2)利用MAP準(zhǔn)則，得到聚類對(duì)象標(biāo)號(hào)的估計(jì)值：

步驟5、在MRF模型的最精細(xì)層，運(yùn)行標(biāo)準(zhǔn)置信傳播BP算法，利用BP算法更新公式和置信度計(jì)算公式b_i(y_i)＝kφ_i(y_i)∏_j∈N(i)m_ji(y_i)進(jìn)行迭代，直到收斂，然后根據(jù)MAP準(zhǔn)則，逐像素估計(jì)標(biāo)號(hào)值:

步驟6、計(jì)算層次間的節(jié)點(diǎn)對(duì)象的后驗(yàn)邊緣概率，取其中的最大值，確定最優(yōu)分割尺度。

進(jìn)一步，步驟1中離散域分水嶺變換用如下迭代方式進(jìn)行定義：

分水線可以記作為：

影像模擬為一個(gè)地表結(jié)構(gòu)，通過分水嶺方法來給影像進(jìn)行標(biāo)注，使相同的聚水區(qū)對(duì)應(yīng)的像素有一致的標(biāo)識(shí)，從而達(dá)到影像初始分割的目的。最后，像素聚集的區(qū)域(對(duì)象)是同質(zhì)和均一的，得到影像是最細(xì)粒度的影像D0。

進(jìn)一步，步驟2中計(jì)算影像D0中各個(gè)對(duì)象的亮度均值均方差；

計(jì)算影像D0中各個(gè)對(duì)象的顏色特征值；

使用二維高斯核函數(shù)，計(jì)算不同方向的對(duì)象能量，通過高斯差分濾波器

計(jì)算對(duì)象的紋理特征值。

進(jìn)一步，步驟3中使用期望最大化EM算法估計(jì)GMM參數(shù)EM算法分為兩步：

i)計(jì)算聯(lián)合似然概率的期望

E[logP(x,y|θ)|y,θ^l]＝∑P(x|y,θ^l)·logP(x,y|θ)

ii)迭代計(jì)算新的參數(shù)值θ＝arg max_θE[logP(x,y|θ)|y,θ^l]，執(zhí)行只止收斂。

進(jìn)一步，步驟4中第l層，多尺度BP算法消息迭代公式為

相應(yīng)的置信度更新公式：

進(jìn)一步，步驟5中，構(gòu)建多尺度MRF模型

φ_i(x_i,y_i)表示觀察節(jié)點(diǎn)i取標(biāo)號(hào)y_i的條件概率，采用高斯混合模型進(jìn)行建模，即

式中其中μ_l、分別為GMM的第l類均值和方差。

ψ_ij(y_i,y_j)為成對(duì)對(duì)象(ij)之間的狀態(tài)轉(zhuǎn)移矩陣，本文定義ψ_ij(y_i,y_j)為一個(gè)Potts模型，即

為大于0的參數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

本發(fā)明利用多尺度MRF模型，建立高分辨率影像的多尺度分割模型，同時(shí)對(duì)影像層次分割和影像平面分別建模，描述層與層對(duì)象之間的上下文信息以及同一層中對(duì)象之間的空間依賴關(guān)系。將對(duì)象的光譜、顏色、紋理及拓?fù)潢P(guān)系等基本特征，歸一化到馬爾可夫隨機(jī)場(chǎng)中，通過概率信息收斂計(jì)算，實(shí)現(xiàn)了一種計(jì)算機(jī)可自動(dòng)進(jìn)行全局最有分割尺度選擇方法，參數(shù)選擇計(jì)算和推斷工程實(shí)現(xiàn)了計(jì)算機(jī)自動(dòng)進(jìn)行，獲得理論上的最優(yōu)分割尺度參數(shù)。該技術(shù)具有分割質(zhì)量精度高、自適應(yīng)性強(qiáng)和計(jì)算效率高的優(yōu)點(diǎn)。

附圖說明

圖1是原始航空影像；

圖2是過分割影像(尺度因子c＝0.065)；

圖3是欠分割影像(尺度因子c＝0.085)；

圖4是最優(yōu)尺度分割影像(尺度因子c＝0.075)。

具體實(shí)施方式

為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合附圖和具體實(shí)例進(jìn)一步闡述本發(fā)明。

1、技術(shù)實(shí)現(xiàn)方案

輸入：影像下的圖D＝(V,E,W)，其中V、E和W分別代表了圖D的頂點(diǎn)集、邊集和相似度矩陣；

輸出：最優(yōu)尺度分割的影像、全部尺度分割參數(shù)；

1)利用分水嶺方法得到過分割的影像，作為最細(xì)粒度的分割影像D0；

2)提取上述影像中對(duì)象的光譜、顏色、紋理等特征值；

3)使用期望最大化EM算法估計(jì)GMM參數(shù)

4)For 1＝L to 0，執(zhí)行步驟3)-4)：

(1)在第l層MRF模型中，計(jì)算對(duì)象消息在MRF節(jié)點(diǎn)之間進(jìn)行迭代傳遞，直至全局概率收斂，即

(2)利用MAP準(zhǔn)則，得到聚類對(duì)象標(biāo)號(hào)的估計(jì)值：

5)在MRF模型的最精細(xì)層，運(yùn)行標(biāo)準(zhǔn)置信傳播BP算法，利用BP算法更新公式和置信度計(jì)算公式b_i(y_i)＝kφ_i(y_i)∏_j∈N(i)m_ji(y_i)進(jìn)行迭代，直到收斂，然后根據(jù)MAP準(zhǔn)則，逐像素估計(jì)標(biāo)號(hào)值:

6)計(jì)算層次間的節(jié)點(diǎn)對(duì)象的后驗(yàn)邊緣概率，取其中的最大值，確定最優(yōu)分割尺度。

2、上述算法的詳細(xì)說明

步驟1中離散域分水嶺變換用如下迭代方式進(jìn)行定義：

分水線可以記作為：

影像模擬為一個(gè)地表結(jié)構(gòu)，通過分水嶺方法來給影像進(jìn)行標(biāo)注，使相同的聚水區(qū)對(duì)應(yīng)的像素有一致的標(biāo)識(shí)，從而達(dá)到影像初始分割的目的。最后，像素聚集的區(qū)域(對(duì)象)是同質(zhì)和均一的，得到影像是最細(xì)粒度的影像D0。

進(jìn)一步，步驟2中計(jì)算影像D0中各個(gè)對(duì)象的亮度均值均方差；

計(jì)算影像D0中各個(gè)對(duì)象的顏色特征值；

使用二維高斯核函數(shù)，計(jì)算不同方向的對(duì)象能量，通過高斯差分濾波器

計(jì)算對(duì)象的紋理特征值。

進(jìn)一步，步驟3中使用期望最大化EM算法估計(jì)GMM參數(shù)EM算法分為兩步：

i)計(jì)算聯(lián)合似然概率的期望

E[logP(x,y|θ)|y,θ^l]＝∑P(x|y,θ^l)·logP(x,y|θ)

ii)迭代計(jì)算新的參數(shù)值θ＝arg max_θE[logP(x,y|θ)|y,θ^l]，執(zhí)行只止收斂。

進(jìn)一步，步驟4中第l層，多尺度BP算法消息迭代公式為

相應(yīng)的置信度更新公式：

進(jìn)一步，步驟5中，構(gòu)建多尺度MRF模型

φ_i(x_i,y_i)表示觀察節(jié)點(diǎn)i取標(biāo)號(hào)y_i的條件概率，采用高斯混合模型進(jìn)行建模，即

式中其中μ_l、分別為GMM的第l類均值和方差。

ψ_ij(y_i,y_j)為成對(duì)對(duì)象(ij)之間的狀態(tài)轉(zhuǎn)移矩陣，本文定義ψ_ij(y_i,y_j)為一個(gè)Potts模型，即

β為大于0的參數(shù)。

離散域分水嶺變換用如下迭代方式進(jìn)行定義：

分水線可以記作為：

影像模擬為一個(gè)地表結(jié)構(gòu)，通過分水嶺方法來給影像進(jìn)行標(biāo)注，使相同的聚水區(qū)對(duì)應(yīng)的像素有一致的標(biāo)識(shí)，從而達(dá)到影像初始分割的目的。最后，像素聚集的區(qū)域(對(duì)象)是同質(zhì)和均一的，得到影像是最細(xì)粒度的影像D0。

進(jìn)一步，步驟2中計(jì)算影像D0中各個(gè)對(duì)象的亮度均值均方差；

計(jì)算影像D0中各個(gè)對(duì)象的顏色特征值；

使用二維高斯核函數(shù)，計(jì)算不同方向的對(duì)象能量，通過高斯差分濾波器

計(jì)算對(duì)象的紋理特征值。

進(jìn)一步，步驟3中使用期望最大化EM算法估計(jì)GMM參數(shù)EM算法分為兩步：

i)計(jì)算聯(lián)合似然概率的期望

E[logP(x,y|θ)|y,θ^l]＝∑P(x|y,θ^l)·logP(x,y|θ)

ii)迭代計(jì)算新的參數(shù)值θ＝arg max_θE[logP(x,y|θ)|y,θ^l]，執(zhí)行只止收斂。

進(jìn)一步，步驟4中第l層，多尺度BP算法消息迭代公式為

相應(yīng)的置信度更新公式：

進(jìn)一步，步驟5中，構(gòu)建多尺度MRF模型

φ_i(x_i,y_i)表示觀察節(jié)點(diǎn)i取標(biāo)號(hào)y_i的條件概率，采用高斯混合模型進(jìn)行建模，即

式中其中μ_l、分別為GMM的第l類均值和方差。

ψ_ij(y_i,y_j)為成對(duì)對(duì)象(ij)之間的狀態(tài)轉(zhuǎn)移矩陣，本文定義ψ_ij(y_i,y_j)為一個(gè)Potts模型，即

β為大于0的參數(shù)。

3、實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)過程：

1)原始影像

實(shí)驗(yàn)用到的高分辨率遙感數(shù)據(jù)是航空影像(圖1)，航空影像的大小為300×500，影像上主要包含居民地、道路、樹木、水體、耕地以及裸地等。

2)多尺度分割下的影像

由圖2可以看到，圖2中的居民地對(duì)象被劃分成多個(gè)不同區(qū)域，造成區(qū)域(對(duì)象)的破碎；

圖3中的居民地和房屋周圍的裸地被分割成了同一塊區(qū)域，將不同地物類型劃分成同類對(duì)象。上述兩種情形，都造成對(duì)象的錯(cuò)誤分割。

3)最優(yōu)尺度分割影像

從圖4可以看出，在分割尺度因子c＝0.075情形中，分割的效果較好。不同地物以封閉邊界圍成的區(qū)域顯示出來，相同地物內(nèi)部具有較好的相似性，同時(shí)，不同地物之間具有較強(qiáng)的互異性。

4)結(jié)果分析

影像結(jié)果的分割評(píng)價(jià)，本發(fā)明基于PETS的度量方法，通過比較真實(shí)樣本分割(人工分割)與檢測(cè)樣本(本算法分割)，度量相應(yīng)對(duì)象之間不匹配程度，稱為負(fù)率度量(NR)。

其中，表示錯(cuò)認(rèn)率，表示漏報(bào)率。

實(shí)驗(yàn)數(shù)據(jù)分為航空影像和IKONOS影像兩類，其數(shù)量分別為30幅和50幅，利用分水嶺算法和時(shí)空MRF網(wǎng)進(jìn)行多尺度分割；最優(yōu)分割尺度因子由時(shí)空MRF網(wǎng)推斷計(jì)算得到。最優(yōu)分割尺度下的分割結(jié)果與人工分割結(jié)果的比較，如表1所示。

表1 最優(yōu)分割尺度下的分割結(jié)果與人工分割結(jié)果的比較

從算法的分割時(shí)間上來看，將本文算法與標(biāo)準(zhǔn)BP算法的處理時(shí)間進(jìn)行比較。實(shí)驗(yàn)數(shù)據(jù)同為一幅大小300×500的航空影像和IKONOS影像，本文提出的算法有更快的收斂速度，如表2所示。

表2

綜上所述，該技術(shù)具有分割質(zhì)量精度高、自適應(yīng)性強(qiáng)和計(jì)算效率高的優(yōu)點(diǎn)。

以上所述，僅為本發(fā)明最佳實(shí)施方式，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可顯而易見地得到的技術(shù)方案的簡(jiǎn)單變化或等效替換均落入本發(fā)明的保護(hù)范圍內(nèi)。