一种基于颜色空间分类的无人机遥感图像分割方法技术

本发明专利技术公开了一种基于颜色空间分类的无人机遥感图像分割方法,通过把高分辨率无人机遥感图像分割成一系列像素簇，再利用颜色空间坐标和纹理特征的相似性对像素点分类，最后结合分类的结果引导像素簇之间的融合，保证最后的每个分区基本属于同质区域，解决了现有技术中存在的分类精度低，椒盐噪声大以及算法效率低的问题，达到快速准确分割高分辨率无人机遥感图像的目的。

【技术实现步骤摘要】
一种基于颜色空间分类的无人机遥感图像分割方法
本专利技术属于无人机应用
，尤其涉及一种基于颜色空间分类的无人机遥感图像分割方法。
技术介绍
目前，通过遥感影像获取地面专题信息已成空间信息学科及相关行业部门研究和应用的热点。以往遥感影像的获取主要通过遥感卫星和航拍图像，大部分遥感影像的分辨率较低，并且获取的成本高，数据量有限。而无人机的引入和高清摄像头的产生使高清遥感图像的获取更加方便，也就带来了对高清遥感影像信息提取的巨大需求。对于无人机遥感的应用而言，影像信息提取的基础和关键是影像分类，即对同一类地物所对应的影像目标(像素点)进行划分。对于传统的中低分辨率遥感影像的信息提取而言，主要使用基于像素的地物分类方法(A.M.Dean,G.M.Smith.Anevaluationofper-parcellandcovermappingusingmaximumlikelihoodclassprobabilities[J].InternationalJournalofRemoteSensing,2003,24(14):2905-2920.)。但将这种传统的分类方法应用在高分辨率无人机遥感图像上，存在分类精度降低，空间数据冗余等问题，并且分类结果往往包含严重的椒盐噪声，不利于后续的信息提取和空间分析。针对基于像素的地物分类方法应用于高分辨率遥感影像的不足，基于对象的分类与信息提取技术开始得到广泛应用。其中，对象的提取是基于对象的分类和信息提取技术的基础，对象的提取主要采用遥感影像的分割方法进行实现。在高分辨率遥感影像分割算法方面，多数可见文献都采用了多尺度分割算法(BaatzM,A.Anoptimizationapproachforhighqualitymulti-scaleimagesegmentation[C].AGIT-Symposium.2000:12-23、HappPN,FerreiraRS,BentesC,etal.Multiresolutionsegmentation:aparallelapproachforhighresolutionimagesegmentationinmulticorearchitectures[C].InternationalConferenceonGeographicObject-BasedImageAnalysis.2010.)，但是多尺度影像分割过程，需要建立不同的尺度多次分割，由于遥感影像数据量大，算法复杂度高，所以执行算法需要耗用大量资源，效率低下，不适应于有实时处理需求的无人机影像信息提取过程。基于以上，针对高分辨率无人机遥感图像，需要有更高效的分割方法来达到快速准确的提取对象的目的，提高分类精度，降低分类结果的椒盐效应。
技术实现思路
本专利技术的目的在于提供一种基于颜色空间分类的无人机遥感图像分割方法，解决了现有技术中对高分辨率无人机遥感图像的分类精度低，椒盐噪声大以及算法效率低的问题，本专利技术可以快速准确分割高分辨率无人机遥感图像。为达到上述目的，本专利技术采用如下技术方案：本专利技术提供了一种基于颜色空间分类的无人机遥感图像分割方法，包括以下步骤：步骤(1)：通过图像像素点之间的颜色距离和空间距离来判断像素点的相似性，将设定范围内相似的像素点聚合在一起并标记相同的聚类中心编号，将图像分割成若干个像素簇；步骤(2)：对像素簇的面积进行连通分量调整，将面积小于设定阈值的像素簇合并到周围的像素簇中，并使合并后的像素簇中的像素点使用相同的聚类中心编号；步骤(3)：根据像素点的LCH颜色空间特征和灰度共生矩阵纹理特征得到像素点的特征向量，用特征向量对图像进行模糊聚类,将像素点分为不同的类别，标记不同的分类标签编号；步骤(4)：根据步骤(2)得到的像素点的聚类中心编号和步骤(3)得到的分类标签编号对像素簇进行融合，将每个像素簇中所有像素点的分类标签编号的均值作为像素簇的分类标签，并把分类标签相同的像素簇进行合并。更进一步地，本专利技术的特点还在于:步骤(1)具体包括以下步骤：步骤(1.1)：将图像预分割为K个尺寸相同的像素簇，则共有K个聚类中心；设图像共有N个像素点，则每个像素簇的大小为N/K,相邻的聚类中心之间的间隔STEP＝(N/K)1/2；步骤(1.2)：计算在聚类中心np*np范围内所有像素点的梯度值，将聚类中心移到np*np范围内梯度最小的地方；步骤(1.3)：计算在每一个聚类中心周围nx*nx范围内每个像素点与聚类中心的颜色距离dc和空间距离ds,根据dc和ds计算每个像素点与聚类中心的距离度量D`；步骤(1.4)：每一个像素点与周围的聚类中心对应有若干个距离度量D`,将若干个距离度量D`中最小距离度量min(D`)对应的聚类中心作为该像素点的聚类中心；步骤(1.5)：对每一个聚类中心周围nx*nx范围内每个像素点进行步骤(1.4)的操作，找到每个像素点对应的聚类中心；在遍历所有聚类中心后，更新聚类中心的颜色坐标和空间坐标为所有隶属于这个聚类中心的像素点的颜色坐标(L,a,b)和空间坐标(x,y)的平均值；重复聚类过程，完成迭代。步骤(1.2)具体包括以下步骤：步骤(1.2.1)：将图像从RGB彩色图像转为灰度图像，设图像坐标(i,j)处的像素点的RGB值为R(i,j),G(i,j),B(i,j),则坐标(i,j)处像素点的灰度值Gray(i,j)的计算公式如下：Gray(i,j)＝0.299R(i,j)+0.587G(i,j)+0.114B(i,j)；步骤(1.2.2)：计算在聚类中心np*np范围内所有像素点的梯度值，位于坐标(i,j)处的像素点的梯度值计算公式如下：其中，GX是图像在像素点(i,j)处X方向的梯度，GY是图像在像素点(i,j)处Y方向的梯度，G(i,j)是图像在像素点(i,j)处的梯度强度，hx是X方向的梯度算子，hy是Y方向的梯度算子，k是梯度算子在X方向的范围，l是梯度算子在Y方向的范围；步骤(1.2.3)：将聚类中心移到np*np范围内梯度最小的地方；在步骤(1.3)中：记两个像素点的Lab颜色空间坐标分别为X1＝(L1,a1,b1),X2＝(L2,a2,b2)，则X1和X2的颜色距离dc为：其中，S-1是X1和X2两个样本的协方差矩阵；记两个像素点的空间坐标分别为S1＝(x1,y1),S2＝(x2,y2),则S1和S2的空间距离ds为：两个像素点的距离度量D`为：其中，m为加权系数；步骤(1.5)具体包括以下步骤：步骤(1.5.1)：将图像中每个像素点到对应的聚类中心的距离度量Di`赋值为无穷大，i＝1～N；将像素点对应的聚类中心编号Labeli赋值为0，i＝1～N；遍历在当前聚类中心周围nx*nx范围内每个像素点到当前聚类中心的距离度量Dp`，若Dp`小于Di`,则将当前像素点的距离度量Di`替换为Dp`，将当前像素点对应的聚类中心编号Labeli替换为当前聚类中心的编号；步骤(1.5.2)：在遍历所有聚类中心后，更新每个聚类中心的颜色坐标和空间坐标为所有隶属于这个聚类中心的像素点的颜色坐标(L,a,b)和空间坐标(x,y)的平均值，完成一轮聚类。步骤(1.5.3)：重复步骤(1.5.1)和步骤(1.5.2)niter次，至此，隶本文档来自技高网...

【技术保护点】
一种基于颜色空间分类的无人机遥感图像分割方法，其特征在于，包括以下步骤：步骤(1)：通过图像像素点之间的颜色距离和空间距离来判断像素点的相似性，将设定范围内相似的像素点聚合在一起并标记相同的聚类中心编号，将图像分割成若干个像素簇；步骤(2)：对像素簇的面积进行连通分量调整，将面积小于设定阈值的像素簇合并到周围的像素簇中，并使合并后的像素簇中的像素点使用相同的聚类中心编号；步骤(3)：根据像素点的LCH颜色空间特征和灰度共生矩阵纹理特征得到像素点的特征向量，用特征向量对图像进行模糊聚类,将像素点分为不同的类别，标记不同的分类标签编号；步骤(4)：根据步骤(2)得到的像素点的聚类中心编号和步骤(3)得到的分类标签编号对像素簇进行融合，将每个像素簇中所有像素点的分类标签编号的均值作为像素簇的分类标签，并把分类标签相同的像素簇进行合并。

【技术特征摘要】
1.一种基于颜色空间分类的无人机遥感图像分割方法，其特征在于，包括以下步骤：步骤(1)：通过图像像素点之间的颜色距离和空间距离来判断像素点的相似性，将设定范围内相似的像素点聚合在一起并标记相同的聚类中心编号，将图像分割成若干个像素簇；步骤(2)：对像素簇的面积进行连通分量调整，将面积小于设定阈值的像素簇合并到周围的像素簇中，并使合并后的像素簇中的像素点使用相同的聚类中心编号；步骤(3)：根据像素点的LCH颜色空间特征和灰度共生矩阵纹理特征得到像素点的特征向量，用特征向量对图像进行模糊聚类,将像素点分为不同的类别，标记不同的分类标签编号；步骤(4)：根据步骤(2)得到的像素点的聚类中心编号和步骤(3)得到的分类标签编号对像素簇进行融合，将每个像素簇中所有像素点的分类标签编号的均值作为像素簇的分类标签，并把分类标签相同的像素簇进行合并。2.根据权利要求1所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，步骤(1)具体包括以下步骤：步骤(1.1)：将图像预分割为K个尺寸相同的像素簇，则共有K个聚类中心；设图像共有N个像素点，则每个像素簇的大小为N/K,相邻的聚类中心之间的间隔STEP＝(N/K)1/2；步骤(1.2)：计算在聚类中心np*np范围内所有像素点的梯度值，将聚类中心移到np*np范围内梯度最小的地方；步骤(1.3)：计算在每一个聚类中心周围nx*nx范围内每个像素点与聚类中心的颜色距离dc和空间距离ds,根据dc和ds计算每个像素点与聚类中心的距离度量D`；步骤(1.4)：每一个像素点与周围的聚类中心对应有若干个距离度量D`,将若干个距离度量D`中最小距离度量min(D`)对应的聚类中心作为该像素点的聚类中心；步骤(1.5)：对每一个聚类中心周围nx*nx范围内每个像素点进行步骤(1.4)的操作，找到每个像素点对应的聚类中心；在遍历所有聚类中心后，更新聚类中心的颜色坐标和空间坐标为所有隶属于这个聚类中心的像素点的颜色坐标(L,a,b)和空间坐标(x,y)的平均值；重复步骤(1.4)和步骤(1.5)，完成迭代。3.根据权利要求2所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于：步骤(1.2)具体包括以下步骤：步骤(1.2.1)：将图像从RGB彩色图像转为灰度图像，设图像坐标(i,j)处的像素点的RGB值为R(i,j),G(i,j),B(i,j),则坐标(i,j)处像素点的灰度值Gray(i,j)的计算公式如下：Gray(i,j)＝0.299R(i,j)+0.587G(i,j)+0.114B(i,j)；步骤(1.2.2)：计算在聚类中心np*np范围内所有像素点的梯度值，位于坐标(i,j)处的像素点的梯度值计算公式如下：其中，GX是图像在像素点(i,j)处X方向的梯度，GY是图像在像素点(i,j)处Y方向的梯度，G(i,j)是图像在像素点(i,j)处的梯度强度，hx是X方向的梯度算子，hy是Y方向的梯度算子，k是梯度算子在X方向的范围，l是梯度算子在Y方向的范围；步骤(1.2.3)：将聚类中心移到np*np范围内梯度最小的地方；在步骤(1.3)中：记两个像素点的Lab颜色空间坐标分别为X1＝(L1,a1,b1),X2＝(L2,a2,b2)，则X1和X2的颜色距离dc为：其中，S-1是X1和X2两个样本的协方差矩阵；记两个像素点的空间坐标分别为S1＝(x1,y1),S2＝(x2,y2),则S1和S2的空间距离ds为：两个像素点的距离度量D`为：其中，m为加权系数；步骤(1.5)具体包括以下步骤：步骤(1.5.1)：将图像中每个像素点到对应的聚类中心的距离度量Di`赋值为无穷大，i＝1～N；将像素点对应的聚类中心编号Labeli赋值为0，i＝1～N；遍历在当前聚类中心周围nx*nx范围内每个像素点到当前聚类中心的距离度量Dp`，若Dp`小于Di`,则将当前像素点的距离度量Di`替换为Dp`，将当前像素点对应的聚类中心编号Labeli替换为当前聚类中心的编号；步骤(1.5.2)：在遍历所有聚类中心后，更新每个聚类中心的颜色坐标和空间坐标为所有隶属于这个聚类中心的像素点的颜色坐标(L,a,b)和空间坐标(x,y)的平均值，完成一轮聚类；步骤(1.5.3)：重复步骤(1.5.1)和步骤(1.5.2)niter次，至此，隶属于同一个聚类中心的像素点组成一个像素簇，像素簇的总数目为K个。4.根据权利要求3所述的基于颜色空间分类的...

【专利技术属性】
技术研发人员：成凯华，白霖抒，韩姣姣，马泳潮，
申请(专利权)人：西安因诺航空科技有限公司，
类型：发明
国别省市：陕西,61