一种高分辨率遥感图像分割方法技术

本发明专利技术提供一种高分辨率遥感图像分割方法，涉及遥感图像处理技术领域。该方法对输入待分割彩色遥感图像，将其表达为最小生成树，即MST，利用MST静态划分技术将图像域划分成若干个同质子区域，在划分的图像域上，以同质子区域为基本决策单元，建立基于区域隐马尔可夫随机场的彩色高分辨率遥感图像分割模型，利用RHMRF‑FCM算法对该模型进行求解，得到最优分割结果，最后输出高分辨率遥感图像的分割结果。本发明专利技术结合MST划分和RHMRF‑FCM算法，在有效抑制几何噪声的同时能较好地表达地物目标不规则边界，在此基础上结合区域HMRF模型构建模糊目标函数，能有效克服地物目标光谱测度异质性高的问题，显著提高分割精度。

A high resolution remote sensing image segmentation method

The invention provides a high resolution remote sensing image segmentation method, which relates to the field of remote sensing image processing technology. In this method, the color remote sensing image is divided into a minimum spanning tree, that is MST. The image domain is divided into several same proton regions by MST static partitioning technology. On the divided image domain, the region of the same proton is used as the basic decision unit, and the color high resolution based on the regional hidden Markov random field is established. The model of remote sensing image segmentation is solved by using RHMRF FCM algorithm, and the optimal segmentation results are obtained. Finally, the segmentation results of high resolution remote sensing images are output. Combining the MST partition and the RHMRF FCM algorithm, this invention can effectively suppress the geometric noise and express the irregular boundary of the object. On this basis, the fuzzy target function is constructed with the regional HMRF model, which can effectively overcome the high heterogeneity of the ground object spectral measure and improve the segmentation accuracy significantly.

【技术实现步骤摘要】
一种高分辨率遥感图像分割方法
本专利技术涉及遥感图像处理
，尤其涉及一种高分辨率遥感图像分割方法。
技术介绍
遥感图像分割是实现遥感影像信息自动提取的关键步骤。由于高空间分辨遥感图像(简称高分遥感图像)蕴含更加丰富的地物几何、纹理、光谱信息，呈现更多的地物细节信息，给遥感图像分割方法带来一些新的挑战：(1)在更精细的空间尺度下，高分遥感图像中同类地物的光谱信息呈现更高的异质性，使得传统分割算法的结果中存在大量分割噪声；(2)在城市场景中，高分遥感图像中呈现大量的琐碎地物类型，如道路中行驶的车辆、屋顶的透气窗、道路的交通标志线等，这些地物在分割结果中表现为几何噪声，传统分割算法难以处理这些几何噪声问题；(3)高分遥感图像中存在大量的“同谱异物”和“同物异谱”现象，造成光谱测度的聚类性降低，使得传统的分割算法效果不佳。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种高分辨率遥感图像分割方法，在有效抑制几何噪声的同时能较好地表达地物目标的不规则边界，提高分割精度。为解决上述技术问题，本专利技术所采取的技术方案是：一种高分辨率遥感图像分割方法，包括如下步骤：步骤1：输入待分割彩色遥感图像，并将其表达为最小生成树，即MST；步骤2：利用MST静态划分技术将图像域划分成若干个同质子区域；步骤3：在划分的图像域上，以同质子区域为基本决策单元，建立基于区域隐马尔可夫随机场(RegionalHiddenMarkovRandomField，RHMRF)的彩色高分辨率遥感图像分割模型；步骤4：针对已建立的分割模型，利用RHMRF-FCM算法对该模型进行求解，得到最优分割结果；步骤5：输出高分辨率遥感图像的分割结果。步骤1中MST表达的具体方法为：步骤1.1：输入的待分割彩色遥感图像为在图像域P上的彩色遥感图像z＝{zs(xs，ys)；(xs，ys)∈P，s∈N}，其中，s为像素索引，(xs，ys)为像素s的平面坐标，N＝{1，...，n}为像素索引集，n为像素个数，zs＝(zsR，zsG，zsB)T为像素s的彩色矢量；步骤1.2：将像素映射为节点，并以节点8邻域作为节点间的邻接关系，构建图像z的无向带权图G＝(V，E，W)；其中，V＝{vs＝(xs，ys，zs)；s∈N}为节点集，E＝{ec＝(vs，vs′)；c＝1，…，C，s∈N，s′∈Np(s)}为边集，C为边的条数，s′为节点s的邻域节点的索引，Np(s)为节点s的8邻域，W＝{wc＝w(vs，vs′)；c＝1，...，C}为边集对应的权值矢量，wc为边ec连接的两个节点间彩色矢量的非相似性测度，如下式所示，其中，dss′为节点vs和vs′之间彩色矢量的欧式距离，θss′为节点vs和vs′之间的彩色矢量夹角，t1，t2∈(0，1)分别用于调节dss′和θss′在权函数中的作用强度，dss′和θss′分别如下式所示，图G的生成树为T＝(V，E′)，是具有树状结构的G的子图，且子图T连通了图G中的所有节点，即步骤1.3：采用Kruskal算法求解无向带权图G的MST。步骤2中进行图像域划分的具体方法为：步骤2.1：假设图像中的每个像素均为一个同质子区域，图像的MST中的任意边ec∈E′均为割边，将割边作为区域合并边；步骤2.2：定义区域合并的准则，即最小异质区域准则，具体为：对于ec中连接的两个区域Ps、Ps′，如果合并判据满足，即h(Ps，Ps′)≤S，则将两个区域Ps、Ps′合并为(Ps∪Ps′)，否则不合并；其中，S为合并阈值，表示同质子区域的尺度；h(Ps，Ps′)为合并判据函数，表示区域Ps、Ps′间光谱测度相似性和形状参数的线性组合，如下式所示，h(Ps，Ps′)＝αhcolor+(1-α)hshape(4)其中，α∈[0，1]为光谱测度相似性权重；hcolor为光谱测度相似性，如下式所示，其中，b为波段索引，σb，merge、σb，s、σb，s′分别为合并后的区域(Ps∪Ps′)、区域Ps、区域Ps′的标准差，Nmerge、Ns、Ns′分别为合并后的区域(Ps∪Ps′)、区域Ps、区域Ps′的像素个数，βb为波段b的权重，其中σb2为波段b的方差；hshape为形状参数，表示区域形状紧致度hcompt和平滑度hsmooth的线性组合，三者分别如下三式所示，hshape＝γhcompt+(1-γ)hsmooth(6)其中，γ∈[0，1]为区域形状紧致度权重，lmerge、ls、ls′分别为合并后的区域(Ps∪Ps′)、区域Ps、区域Ps′的轮廓线长度，bmerge、bs、bs′分别为合并后的区域(Ps∪Ps′)、区域Ps、区域Ps′的外包矩形周长；步骤2.3：按照步骤2.2依次遍历每条MST边，完成图像域划分，将图像域P划分成m个同质子区域，即P＝{Pi；i∈M}，M＝{1，...，m}，第i个同质子区域像素集为zi＝{za(xa，ya)；(xa，ya)∈Pi，a＝1，...，Ni}，其中a为子区域像素索引，Ni为第i个同质子区域像素个数。步骤3中建立基于区域隐马尔可夫随机场的彩色高分辨率遥感图像分割模型的具体方法为：步骤3.1：建立区域隐马尔可夫随机场，具体方法为：步骤3.1.1：对于划分的图像域P上的每个同质子区域索引i∈M，定义其标号空间为Xi＝{xi；xi∈Q}，其中xi为同质子区域i的标号，Q＝{1，...，q}，q为同质子区域类数，同质子区域标号叉积空间为对于空间X，概率分布函数p(x)为定义于X上的标号随机场，x∈X，x＝{xi；i∈M}为该随机场的一个实现；步骤3.1.2：令为M上的同质子区域邻域系统，为同质子区域的邻域集合，其中为第i个同质子区域的邻域区域集合，当且仅当两个同质子区域有共同边界时，两个同质子区域相邻；对于同质子区域邻域系统标号随机场的实现x的马尔科夫随机场即在给定标号场邻域作用强度参数β的条件下标号随机场x的分布，如下式所示，其中，β为标号场邻域作用强度；为第i个同质子区域邻域区域的标号集合，如下式所示，其中，t(xi，xi′)为指示函数，当xi＝xi′时，其函数值为1，否则函数值为0；q表示同质子区域类数；步骤3.1.3：在光谱测度空间的随机场p(z)和子区域标号随机场p(x)的基础上，参考基于像素的HMRF模型的定义，建立区域隐马尔可夫随机场，如下式所示，p(z，x)＝p(z|x)p(x)(11)其中，p(z|x)采用似然函数方式进行计算，即，其中，zi是z的子集，表示第i个同质子区域的像素集合；步骤3.2：基于像素的改进HMRF-FCM思想，建立基于区域的HMRF-FCM目标函数及其约束条件，即建立基于区域隐马尔可夫随机场的彩色高分辨率遥感图像分割模型，目标函数如下式所示，其中，λ为模糊度参数；R＝{rij}为模糊关系矩阵，rij为模糊关系函数，表示第i个同质子区域数据隶属于第j个聚类的程度；q是同质子区域类数；η＝{ηij}为标号HMRF先验分布，其中ηij如下式所示，Dij为第i个同质子区域像素集关于第j类的信息量和，如下式所示，其中，μj和∑j分别为第j类多元高斯分布的均值和协方差矩阵，θj＝(μj，∑j)，目标函数Fλ(R，θ，η|m，q)满足的约束条件为即一个同质子区域隶属于所本文档来自技高网...

【技术保护点】
1.一种高分辨率遥感图像分割方法，其特征在于：包括如下步骤：步骤1：输入待分割彩色遥感图像，并将其表达为最小生成树，即MST；步骤2：利用MST静态划分技术将图像域划分成若干个同质子区域；步骤3：在划分的图像域上，以同质子区域为基本决策单元，建立基于区域隐马尔可夫随机场(Regional Hidden Markov Random Field，RHMRF)的彩色高分辨率遥感图像分割模型；步骤4：针对已建立的分割模型，利用RHMRF‑FCM算法对该模型进行求解，得到最优分割结果；步骤5：输出高分辨率遥感图像的分割结果。

【技术特征摘要】
1.一种高分辨率遥感图像分割方法，其特征在于：包括如下步骤：步骤1：输入待分割彩色遥感图像，并将其表达为最小生成树，即MST；步骤2：利用MST静态划分技术将图像域划分成若干个同质子区域；步骤3：在划分的图像域上，以同质子区域为基本决策单元，建立基于区域隐马尔可夫随机场(RegionalHiddenMarkovRandomField，RHMRF)的彩色高分辨率遥感图像分割模型；步骤4：针对已建立的分割模型，利用RHMRF-FCM算法对该模型进行求解，得到最优分割结果；步骤5：输出高分辨率遥感图像的分割结果。2.根据权利要求1所述的高分辨率遥感图像分割方法，其特征在于：所述步骤1中MST表达的具体方法为：步骤1.1：输入的待分割彩色遥感图像为在图像域P上的彩色遥感图像z＝{zs(xs，ys)；(xs，ys)∈P，s∈N}，其中，s为像素索引，(xs，ys)为像素s的平面坐标，N＝{1，...，n}为像素索引集，n为像素个数，zs＝(zsR，ZsG，ZsB)T为像素s的彩色矢量；步骤1.2：将像素映射为节点，并以节点8邻域作为节点间的邻接关系，构建图像z的无向带权图G＝(V，E，W)；其中，V＝{vs＝(xs，ys，zs)；s∈N}为节点集，E＝{ec＝(vs，vs′)；c＝1，…，C，s∈N，s′∈Np(s)}为边集，C为边的条数，s′为节点s的邻域节点的索引，Np(s)为节点s的8邻域，W＝{wc＝w(vs，vs′)；c＝1，...，C}为边集对应的权值矢量，wc为边ec连接的两个节点间彩色矢量的非相似性测度，如下式所示，其中，dss′为节点vs和vs′之间彩色矢量的欧式距离，θss′为节点vs和vs′之间的彩色矢量夹角，t1，t2∈(0，1)分别用于调节dss′和θss′在权函数中的作用强度，dss′和θss′分别如下式所示，图G的生成树为T＝(V，E′)，是具有树状结构的G的子图，且子图T连通了图G中的所有节点，即步骤1.3：采用Kruskal算法求解无向带权图G的MST。3.根据权利要求2所述的高分辨率遥感图像分割方法，其特征在于：所述步骤2中进行图像域划分的具体方法为：步骤2.1：假设图像中的每个像素均为一个同质子区域，图像的MST中的任意边ec∈E′均为割边，将割边作为区域合并边；步骤2.2：定义区域合并的准则，即最小异质区域准则，具体为：对于ec中连接的两个区域Ps、Ps′，如果合并判据满足，即h(Ps，Ps′)≤S，则将两个区域Ps、Ps′合并为(Ps∪Ps′)，否则不合并；其中，S为合并阈值，表示同质子区域的尺度；h(Ps，Ps′)为合并判据函数，表示区域Ps、Ps′间光谱测度相似性和形状参数的线性组合，如下式所示，h(Ps，Ps′)＝αhcolor+(1-α)hshape(4)其中，α∈[0，1]为光谱测度相似性权重；hcolor为光谱测度相似性，如下式所示，其中，b为波段索引，σb，merge、σb，s、σb，s′分别为合并后的区域(Ps∪Ps′)、区域Ps、区域Ps′的标准差，Nmerge、Ns、Ns′分别为合并后的区域(Ps∪Ps′)、区域Ps、区域Ps′的像素个数，βb为波段b的权重，其中σb2为波段b的方差；hshape为形状参数，表示区域形状紧致度hcompt和平滑度hsmooth的线性组合，三者分别如下三式所示，hshape＝γhcompt+(1-γ)hsmooth(6)其中，γ∈[0，1]为区域形状紧致度权重，lmerge、ls、ls′分别为合并后的区域(Ps∪Ps′)、区域Ps、区域Ps′的轮廓线长度，bmerge、bs、bs′分别为合并后的区域(Ps∪Ps′)、区域Ps、区域Ps′的外包矩形周长；步骤2.3：按照步骤2.2依次遍历每条MST边，完成图像域划分，将图像域P划分成m个同质子...

【专利技术属性】
技术研发人员：林文杰，李玉，赵泉华，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁,21