本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種遙感影像最優(yōu)分割結(jié)果確定的自動化方法。

背景技術(shù)：

自Landsat-1遙感衛(wèi)星應(yīng)用以來，基于像元的影像分析（Pixel-based Image Analysis）方法一直是遙感界進行遙感影像分析的主流方法。然而，隨著1999年IKONOS遙感衛(wèi)星成功發(fā)射，以及后來的QuickBird、GeoEye-1、WorldView-I/II/III、高分一號和高分二號等衛(wèi)星數(shù)據(jù)投入應(yīng)用，遙感影像空間分辨率有了極大提高，這使得基于像元的影像分析方法受到越來越多的質(zhì)疑。

目前，比較通用做法是采用面向?qū)ο笥跋穹治龇椒ǎ℅eographic Object-based Image Analysis, GEOBIA）進行高空間分辨率遙感影像分析。而GEOBIA方法中一個關(guān)鍵步驟是影像分割。影像分割結(jié)果質(zhì)量直接決定數(shù)據(jù)后期處理質(zhì)量（例如：圖像分類）。目前主流的影像分割算法有多尺度分割、均值漂移分割何分水嶺分割算法，然而以上算法大多需要通過設(shè)置分割參數(shù)來生成相應(yīng)的分割結(jié)果。不同的分割參數(shù)，會產(chǎn)生不同質(zhì)量的分割結(jié)果，對影像進行分割操作時，一般都會經(jīng)歷“過度分割―最優(yōu)分割―欠分割”等三個階段。因此，對不同質(zhì)量的分割結(jié)果進行評價，從中確定出最優(yōu)分割結(jié)果就顯得至關(guān)重要。為此，許多解決方法被嘗試性提出。然而，人為干預(yù)較多，且費時費力，使得這些方法自動化程度普遍不高，進而影響方法的實用性。近些年，陸續(xù)有一些自動確定最優(yōu)分割結(jié)果方面的研究成果相繼問世，但其實際使用效果并不理想，其客觀性還有待進一步加以驗證。遙感影像最優(yōu)分割結(jié)果的自動化確定是未來科學(xué)研究所優(yōu)先關(guān)注的研究領(lǐng)域。

GEOBIA方法目前需亟待解決的一個問題是如何提高最優(yōu)分割結(jié)果確定的自動化程度。而目前這方面的研究仍處于探索階段，通用的解決方案仍然缺乏。因此，研究和發(fā)展遙感影像最優(yōu)分割結(jié)果確定的自動化方法，以彌補GEOBIA現(xiàn)有不足，得到客觀的、自動化程度更高的遙感影像最優(yōu)分割結(jié)果具有重要的理論意義和應(yīng)用價值。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為解決現(xiàn)有技術(shù)的不足而提供一種遙感影像最優(yōu)分割結(jié)果確定的自動化方法。

本發(fā)明所采用的技術(shù)方案是：

一種遙感影像最優(yōu)分割結(jié)果確定的自動化方法，包括如下步驟：

（10）對一種或多種影像分割方法設(shè)置不同的分割參數(shù)，并對遙感影像進行分割，得到一系列影像分割結(jié)果；

（20）利用光譜信息離散度指標構(gòu)建分割對象內(nèi)部光譜均一性的度量指標和相鄰分割對象間光譜異質(zhì)性的度量指標；

（30）利用步驟（20）中兩個所述度量指標構(gòu)建單個分割對象分割質(zhì)量、影像整體分割質(zhì)量的度量指標；

（40）采用變分法對步驟（10）中不同分割結(jié)果的影像整體分割質(zhì)量進行對比分析，獲得影像整體最優(yōu)分割結(jié)果；

（50）構(gòu)建分割對象異質(zhì)度度量指標，然后從所述影像整體最優(yōu)分割結(jié)果中提取處于欠分割和過分割狀態(tài)的分割對象作優(yōu)化處理，獲得影像全面最優(yōu)分割結(jié)果。

優(yōu)選的，步驟（10）中所述影像分割方法為多尺度分割和/或均值漂移分割和/或分水嶺分割算法。

優(yōu)選的，步驟（20）中所述光譜均一性的度量指標為；光譜異質(zhì)性的度量指標為。

優(yōu)選的，步驟（30）中單個分割對象分割質(zhì)量的度量指標為；影像整體分割質(zhì)量的度量指標為。

優(yōu)選的，在步驟(40) 中采用變分法分析E值的變化，△E的極大值點對應(yīng)的影像分割結(jié)果就是影像整體最優(yōu)分割結(jié)果。

優(yōu)選的，步驟（50）中所述分割對象異質(zhì)度度量指標為：。

優(yōu)選的，步驟（50）在進行提取處于欠分割和過分割狀態(tài)的分割對象前先將影像整體最優(yōu)分割結(jié)果進行融合，具體的方法是：將影像整體最優(yōu)分割結(jié)果分別用S1，S2，…，St表示；對比分析S1，S2，…，St中對應(yīng)分割對象邊界間包含關(guān)系，將S1，S2，…，St進行排隊，用表示，對于分割對象的邊界來說，存在關(guān)系；

再將影像整體最優(yōu)分割結(jié)果作為分割操作的邊界約束條件，采用對應(yīng)的分割參數(shù)組合對影像重新進行分割，得到新的分割結(jié)果；將作為分割操作新的邊界約束條件，采用對應(yīng)的分割參數(shù)組合對影像重新進行分割，得到新的分割結(jié)果；如此循環(huán)直到結(jié)束；最后得到新的分割結(jié)果，即為新的影像整體最優(yōu)分割結(jié)果。

優(yōu)選的，所述步驟（50）中欠分割的分割對象提取與優(yōu)化處理是：將影像整體最優(yōu)分割結(jié)果中每一分割對象的異質(zhì)度度量指標H值進行大小排序，按3%-10%的比例提取H值較大的分割對象進行多次再分割，多次再分割結(jié)果分別和未參與再分割的最優(yōu)分割結(jié)果進行聯(lián)合，得到兩尺度下多次分割結(jié)果；根據(jù)影像分割結(jié)果的△E極大值點，確定兩尺度下最優(yōu)分割結(jié)果。

優(yōu)選的，所述步驟（50）中過分割的分割對象的提取與優(yōu)化處理是：將影像整體最優(yōu)分割結(jié)果中每一分割對象的異質(zhì)度度量指標H值進行大小排序，按3%-10%的比例提取H值較小的分割對象進行多次合并，多次合并的結(jié)果分別與剩下的兩尺度下最優(yōu)分割結(jié)果進行聯(lián)合，得到三尺度下多次合并結(jié)果；根據(jù)影像分割結(jié)果的△E極大值點，確定三尺度下優(yōu)分割結(jié)果，即影像全面最優(yōu)分割結(jié)果。

優(yōu)選的，所述過分割的分割對象的提取與優(yōu)化處理是：將影像整體最優(yōu)分割結(jié)果中每一分割對象的異質(zhì)度度量指標H值進行大小排序，按3%-10%的比例提取H值較小的分割對象進行多次合并，多次合并的結(jié)果分別與剩下的兩尺度下最優(yōu)分割結(jié)果進行聯(lián)合，得到三尺度下多次合并結(jié)果；根據(jù)影像分割結(jié)果的△E極大值點，確定三尺度下優(yōu)分割結(jié)果，即影像全面最優(yōu)分割結(jié)果。

有益效果：

本發(fā)明方法無需人為干預(yù)，可以自動實現(xiàn)對遙感影像的不同分割結(jié)果進行評價，進而確定出與實際地物邊界吻合度好的高精度最優(yōu)分割結(jié)果；相比于現(xiàn)有方法，本發(fā)明方法具有效率高、準確性高和實用性強的優(yōu)點，在土地遙感監(jiān)測與災(zāi)害監(jiān)測時應(yīng)用于地物信息提取。

附圖說明

圖1為本發(fā)明的流程圖。

具體實施方式

下面結(jié)合具體實施例進一步闡述本發(fā)明。

實施例

如圖1所示，一種遙感影像最優(yōu)分割結(jié)果確定的自動化方法，包括如下步驟：（10）對多尺度分割和/或均值漂移分割和/或分水嶺分割算法影像分割方法設(shè)置n個分割參數(shù)，并對遙感影像進行分割，得到n個影像分割結(jié)果。

（20）構(gòu)建分割對象內(nèi)部光譜均一性度量指標和相鄰分割對象間光譜異質(zhì)性的度量指標；

（21）構(gòu)建分割對象內(nèi)部光譜均一性度量指標：

該步驟采用光譜信息離散度（Spectral Information Divergence，SID）方法，

影像上像元可用公式（1）表示：

(1)

其中，是像元的光譜矢量；是波段數(shù)；表示像元在第波段上灰度值（=1，2，…，L），（j=1，2，…，L）。

定義像元的概率矢量，如公式（2）：

(2)

定義像元的信息熵，如公式（3）：

(3)

同理，定義像元的概率矢量，如公式（4）：

(4)

定義像元的信息熵，如公式（5）：

(5)

定義兩不同像元和之間相對熵，分別用公式（6）和（7）表示：

(6)

(7)

定義像元x和像元y之間光譜信息離散度SID表示為：

(8)

計算同一分割對象內(nèi)部任意兩個不同像元間光譜信息離散度，將得到的光譜信息離散度進行平均，用值來表達分割對象內(nèi)部光譜均一性，如公式（9）所示：

(9)

其中，m，n是分割對象內(nèi)部不同像元對；P是分割對象內(nèi)部不同像元對的集合；I是P集合中像元對的數(shù)量。

（22）相鄰分割對象間光譜異質(zhì)性的度量指標：

用對象內(nèi)像元光譜矢量均值計算分割對象與其相鄰的任一分割對象間光譜信息離散度，再根據(jù)分割對象與其相鄰的分割對象間公共邊長度設(shè)置權(quán)重系數(shù)，將得到的光譜信息離散度進行加權(quán)平均，來表達分割對象與其相鄰的分割對象之間的光譜異質(zhì)性度量指標，如公式（10）所示：

(10)

其中，S代表分割對象；SN代表與S相鄰的分割對象；NSS代表與S相鄰的所有分割對象集合；和分別表示S和SN對象內(nèi)像元光譜矢量均值；是權(quán)重系數(shù)，等于S與SN間公共邊長度除以S周長。

（30）用分割對象內(nèi)部光譜均一性和相鄰分割對象間光譜異質(zhì)性的度量指標構(gòu)建單個分割對象分割質(zhì)量的度量指標，然后考慮單個分割對象的面積權(quán)重，構(gòu)建影像整體分割質(zhì)量的度量指標；

（31）先將分割對象內(nèi)部光譜均一性度量指標與相鄰分割對象間光譜異質(zhì)性度量指標進行綜合，得到分割對象的分割質(zhì)量e，如公式（11）：

(11)

e表征的是單個分割對象的分割質(zhì)量。

（32）以分割對象面積除以整個影像面積作為權(quán)重系數(shù)，將影像內(nèi)所有分割對象的分割質(zhì)量進行加權(quán)平均，得到整個影像的分割質(zhì)量E，如公式（12）：

(12)

其中，是分割對象k的分割質(zhì)量；是權(quán)重系數(shù)；表示整個影像內(nèi)分割對象數(shù)量，E表征整個影像分割質(zhì)量。

（40）采用變分法對不同分割結(jié)果的影像整體分割質(zhì)量進行對比分析，確定出影像整體最優(yōu)分割結(jié)果：

對影像進行分割操作時，一般都會經(jīng)歷“過度分割―最優(yōu)分割―欠分割”等三個階段。在從過度分割到最優(yōu)分割演變過程中，分割對象由小逐步增大，其邊緣逐步靠近參考對象的真實邊緣。由于影像上物體的邊緣附近混合像元較多，分割對象邊緣在靠近參考對象的真實邊緣過程中不斷新增混合像元，使得分割對象內(nèi)部均一性和相鄰分割對象間光譜異質(zhì)性不斷發(fā)生變化，從而造成影像分割質(zhì)量E值不斷變化；當(dāng)分割對象繼續(xù)增大，剛超過參考對象的真實邊緣后，△E（相鄰分割參數(shù)的E值之間的差值）則出現(xiàn)減小或停止現(xiàn)象。E值的這種變化，當(dāng)分割對象邊緣與參考對象的真實邊緣匹配時達到極值，此時影像分割最優(yōu)。

采用變分法分析E值變化，△E（相鄰分割參數(shù)的E值之間的差值）的極大值點對應(yīng)的影像分割就是所求的影像整體最優(yōu)分割結(jié)果。

（50）構(gòu)建分割對象異質(zhì)度度量指標，從所述影像整體最優(yōu)分割結(jié)果中提取處于欠分割和過分割狀態(tài)的分割對象作優(yōu)化處理，獲得影像全面最優(yōu)分割結(jié)果；

（51）構(gòu)建分割對象異質(zhì)度度量指標:

構(gòu)建分割對象的異質(zhì)度度量指標H，如公式（13）

（13）

其中，是分割對象內(nèi)光譜信息離散度的歸一化方差；是用光譜信息離散度求算的分割對象歸一化局部Moran’s I。

（52）影像整體最優(yōu)分割結(jié)果的融合：

考慮到影像上地面物體的尺寸大小和類別不盡相同，影像整體最優(yōu)分割結(jié)果可能會存在多個，分別用S1，S2，…，St表示；對比分析S1，S2，…，St中對應(yīng)分割對象邊界間包含關(guān)系，將S1，S2，…，St進行排隊，用表示。對于分割對象的邊界來說，存在關(guān)系。

影像整體最優(yōu)分割結(jié)果的融合方案為：將影像整體最優(yōu)分割結(jié)果作為分割操作的邊界約束條件，采用對應(yīng)的分割參數(shù)組合對影像重新進行分割，得到新的分割結(jié)果；將作為分割操作新的邊界約束條件，采用對應(yīng)的分割參數(shù)組合對影像重新進行分割，得到新的分割結(jié)果；循環(huán)，直到結(jié)束。最后，得到新的分割結(jié)果，作為影像全面最優(yōu)分割結(jié)果確定的基礎(chǔ)數(shù)據(jù)。

（53）處于欠分割狀態(tài)的分割對象的提取與優(yōu)化處理（再分割）：

將影像整體最優(yōu)分割結(jié)果中每一分割對象的異質(zhì)度度量指標H值進行大小排序，按3%-10%的比例提取H值較大的分割對象進行多次再分割；多次再分割結(jié)果分別和未參與再分割的最優(yōu)分割結(jié)果進行聯(lián)合，得到兩尺度下多次分割結(jié)果；根據(jù)影像分割結(jié)果的△E（相鄰分割參數(shù)的E值之間的差值）極大值點，確定兩尺度下最優(yōu)分割結(jié)果。

（54）處于過分割狀態(tài)的分割對象的提取與優(yōu)化處理（合并）：

將影像整體最優(yōu)分割結(jié)果中每一分割對象的異質(zhì)度度量指標H值進行大小排序，按3%-10%的比例提取H值較小的分割對象進行多次合并，多次合并的結(jié)果分別與剩下的兩尺度下最優(yōu)分割結(jié)果進行聯(lián)合，得到三尺度下多次合并結(jié)果；根據(jù)影像分割結(jié)果的△E（相鄰分割參數(shù)的E值之間的差值）極大值點，確定三尺度下優(yōu)分割結(jié)果，即影像全面最優(yōu)分割結(jié)果。