一种基于层次合并树的遥感图像分割方法技术

本发明专利技术公开了一种基于层次合并树的遥感图像分割方法，它涉及图像分割领域。包括以下步骤：1、读取输入的遥感图像，将其所有像素初始化为单独的斑块；2、利用种子区域生长（Seeded Region Growing，SRG）将已经初始化的遥感图像分割为若干超像素斑块；3、利用层次斑块合并方法构建层次合并树；4、利用自顶向下的策略对层次合并树进行节点选择；5、对于所选择的每一个节点，将其所对应的斑块作为结果输出。本发明专利技术通过利用一种称为层次合并树的数据结构，来存储和表现层次斑块合并方法的执行过程。利用本发明专利技术提出的层次合并树的节点选择，使不同尺度的地物被同时完整地分割出来，以提高遥感图像的分割精度。

【技术实现步骤摘要】
一种基于层次合并树的遥感图像分割方法
本专利技术涉及的是图像分割领域，具体涉及一种基于层次合并树的遥感图像分割方法。
技术介绍
面向对象的遥感图像分类是用于遥感图像信息提取的一种技术。这种技术非常适用于高空间分辨率的遥感图像解译，因为与传统的、基于像素的遥感图像分类技术相比，它能更为充分地利用空间背景特征，从而提高分类的精确度与可靠性。这种技术包含两个重要步骤：(1)图像分割，(2)斑块识别或分类。其中，步骤(1)是将遥感图像划分为若干在空间上互不重叠的斑块，其中每个斑块是由在空间上邻接的若干像素组成的。步骤(1)的性能在很大程度上影响着步骤(2)的效果。因为，假如图像分割将属于不同地物的像素划分到同一斑块中，那么后续的分类将不可避免得发生错误。为了避免这样的分类错误，提高图像分割方法的精度是非常必要的。目前，大多主流的遥感图像分割方法是基于区域合并(或斑块合并)方法来实现的。其中最为著名的方法包括分形网演化方法(FractalNetEvolutionApproach，FNEA)与层次分割方法(HierarchicalSegmentation，HSeg)。这两种方法都采用了自底向上的策略，即在算法执行的初始阶段，每一个像素被当做独立的斑块(也可以利用超像素来进行初始化，以加快图像分割的计算速度；超像素可以被看作是大小近似相等、形状大致相近的若干斑块；常用的超像素生成算法包括简单线性迭代聚类(SimpleLinearIterativeClustering，SLIC)、种子区域生长(SeededRegionGrowing，SRG)等)；通过合并符合某种相似性度量的斑块对(即两个斑块)，使合并后的斑块逐渐逼近真实地物的形状；这样的过程迭代进行，直到所有斑块对的相似性度量都低于一个尺度阈值参数；尺度阈值参数需要由用户预先设置，其值的高低决定了分割结果中各个斑块的平均大小。一般而言，尺度阈值越高，被允许的合并次数就越多，分割结果中斑块的平均尺度也越大。利用不同的尺度参数，可以将遥感图像中不同大小的地物分割出来。但是，在很多遥感图像中，不同地物之间的尺度差异很大，要将这些地物同时分割出来，利用尺度阈值参数的策略是难以实现的。综上所述，本专利技术设计了一种基于层次合并树的遥感图像分割方法。
技术实现思路
针对现有技术上存在的不足，本专利技术目的是在于提供一种基于层次合并树的遥感图像分割方法，与已有的遥感图像分割方法相比，本专利技术能更有效地同时将遥感图像中不同尺度的地物完整分割出来，具有分割精度高的特点。为了实现上述目的，本专利技术是通过如下的技术方案来实现：一种基于层次合并树的遥感图像分割方法，基于层次合并树的遥感图像分割是用来将遥感图像中的地物分割成独立斑块的一种技术，它是遥感图像分类或目标识别的关键环节。包括以下步骤：1、读取输入的遥感图像，将其所有像素初始化为单独的斑块；2、利用种子区域生长(SeededRegionGrowing，SRG)将已经初始化的遥感图像分割为若干超像素斑块；3、利用层次斑块合并方法构建层次合并树；4、利用自顶向下的策略对层次合并树进行节点选择；5、对于所选择的每一个节点，将其所对应的斑块作为结果输出。所述的步骤3所构建的层次合并树的定义为：它是一种隶属于二叉树的数据结构，用于存储和表现层次斑块合并的过程；层次合并树由三种节点构成：根节点、叶节点以及中间节点；根节点表示由所输入的遥感图像的所有像素所组成的斑块；叶节点表示由初始化产生的某一个超像素斑块；中间节点表示由其孩子节点的斑块合并所产生的斑块。所述的步骤3中利用层次斑块合并方法构建层次合并树，包括以下步骤：步骤3.1：创建一个线性表list，用于存储适合合并的斑块对；一个斑块对包含两个斑块；list的每个元素包含三个变量：a、斑块1的指针变量，b、斑块2的指针变量，c、斑块1与斑块2的异质性度量值Ch，其定义为：Ch＝(1-fshape)Cspec+fshapeCshape，fshape表示形状相似性度量Cspec的权重；Cspec的定义为：其中n1、σ1,j表示包含种子点的斑块的像素数目与该斑块在波段j的灰度标准差；n2、σ2,j表示与斑块1(即包含了种子点的斑块)在空间上相邻接的单像素斑块；σ1+2,j表示斑块1与斑块2合并后的斑块在波段j的灰度标准差；形状相似性度量Cshape的定义为p1、p2、p1+2分别表示斑块1、斑块2、斑块1与斑块2合并后的斑块的周长；两个斑块的Ch值越低，说明他们越适合合并；步骤3.2：找到所有适合合并的超像素斑块对，并将其插入到list中；步骤3.3：以Ch为关键字，对list中的所有元素进行由低到高的排序；步骤3.4：利用list进行层次合并树的构建。所述的步骤3.2包括以下两个子步骤：步骤3.2.1：对于每一个超像素斑块，利用局部相互最适合原则，搜索与其最适合合并的斑块；局部相互最适合原则的规则为：对于某一斑块(设为斑块1)，在与其相邻接的所有斑块中，搜索与其Ch值最低的斑块(设为斑块2)；在斑块2的所有邻接斑块中，搜索在与斑块2的Ch值最低的斑块(设为斑块3)；若斑块1与斑块3不是同一个斑块，则返回空值；否则，返回斑块2；步骤3.2.2：若根据局部相互最适合原则，不存在与当前斑块适合合并的斑块，则继续处理下一个斑块；否则，将当前斑块、与其适合合并的斑块、以及两个斑块的Ch值组成一个新元素，然后将其插入到list中。所述的步骤3.4具体包括以下四个子步骤：步骤3.4.1：为所有超像素斑块创建与之相对应的层次合并树的节点；每一个节点包含4个变量：a、指向父节点的指针变量，b、指向左孩子的指针变量，c、指向右孩子的指针变量，d、组成该斑块的像素链表的头像素的指针变量；对于每一个超像素斑块所对应的节点，其父节点、左孩子与右孩子节点的指针变量均被设置为0；步骤3.4.2：取出list中的第一个元素，合并该元素中前两个变量所指的斑块1、斑块2；令list的元素数目减少1；利用新得到的斑块创建一个新的节点，其左、右孩子节点的指针变量分别指向斑块1、斑块2所对应的节点；步骤3.4.3：对于上一步骤所产生的斑块，利用局部相互最适合的原则搜索与其适合合并的斑块，若存在这样的斑块，则将两个斑块与其Ch值组成一个新元素插入到list中；若不存在，则进行下一步；步骤3.4.4：若list的元素数目小于1，则返回步骤4.2；否则，结束层次合并树的构建。所述步骤4中利用自顶向下的策略对层次合并树进行节点选择，包括以下步骤：步骤4.1：创建三个线性表，其中前两个线性表用于分别存储层次合并树的每一层节点与当前层节点的所有孩子节点，将这两个线性表简称为level_table；第三个线性表用于存储被选择的节点，简称为node_table；这三个线性表的每个元素均是指向层次合并树节点的指针变量；步骤4.2：按照自顶向下的顺序，逐层对层次合并树进行节点选择。所述的步骤4.2具体包括以下四个子步骤：步骤4.2.1：设步骤4.1创建的第一个level_table为table1，第二个level_table为table2；步骤4.2.2：将层次合并树的根节点插入该table1中；令table1表示当前层；步骤4.2.3：对于table1中的每一本文档来自技高网...

【技术保护点】
1.一种基于层次合并树的遥感图像分割方法，其特征在于，包括以下步骤：(1)、读取输入的遥感图像，将其所有像素初始化为单独的斑块；(2)、利用种子区域生长将已经初始化的遥感图像分割为若干超像素斑块；(3)、利用层次斑块合并方法构建层次合并树；(4)、利用自顶向下的策略对层次合并树进行节点选择；(5)、对于所选择的每一个节点，将其所对应的斑块作为结果输出。

【技术特征摘要】
1.一种基于层次合并树的遥感图像分割方法，其特征在于，包括以下步骤：(1)、读取输入的遥感图像，将其所有像素初始化为单独的斑块；(2)、利用种子区域生长将已经初始化的遥感图像分割为若干超像素斑块；(3)、利用层次斑块合并方法构建层次合并树；(4)、利用自顶向下的策略对层次合并树进行节点选择；(5)、对于所选择的每一个节点，将其所对应的斑块作为结果输出。2.根据权利要求1所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述的步骤(3)所构建的层次合并树的定义为：它是一种隶属于二叉树的数据结构，用于存储和表现层次斑块合并的过程；层次合并树由三种节点构成：根节点、叶节点以及中间节点；根节点表示由所输入的遥感图像的所有像素所组成的斑块；叶节点表示由初始化产生的某一个超像素斑块；中间节点表示由其孩子节点的斑块合并所产生的斑块。3.根据权利要求1所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述的步骤(3)中利用层次斑块合并方法构建层次合并树，包括以下步骤：步骤(3.1)：创建一个线性表list，用于存储适合合并的斑块对；一个斑块对包含两个斑块；list的每个元素包含三个变量：a、斑块1的指针变量，b、斑块2的指针变量，c、斑块1与斑块2的异质性度量值Ch，其定义为：Ch＝(1-fshape)Cspec+fshapeCshape，fshape表示形状相似性度量Cspec的权重；Cspec的定义为：其中n1、σ1,j表示包含种子点的斑块的像素数目与该斑块在波段j的灰度标准差；n2、σ2,j表示与斑块1(即包含了种子点的斑块)在空间上相邻接的单像素斑块；σ1+2,j表示斑块1与斑块2合并后的斑块在波段j的灰度标准差；形状相似性度量Cshape的定义为p1、p2、p1+2分别表示斑块1、斑块2、斑块1与斑块2合并后的斑块的周长；两个斑块的Ch值越低，说明他们越适合合并；步骤(3.2)：找到所有适合合并的超像素斑块对，并将其插入到list中；步骤(3.3)：以Ch为关键字，对list中的所有元素进行由低到高的排序；步骤(3.4)：利用list进行层次合并树的构建。4.根据权利要求3所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述的步骤(3.2)包括以下两个子步骤：步骤(3.2.1)：对于每一个超像素斑块，利用局部相互最适合原则，搜索与其最适合合并的斑块；局部相互最适合原则的规则为：对于某一斑块,设为斑块1，在与其相邻接的所有斑块中，搜索与其Ch值最低的斑块,设为斑块2；在斑块2的所有邻接斑块中，搜索在与斑块2的Ch值最低的斑块,设为斑块3；若斑块1与斑块3不是同一个斑块，则返回空值；否则，返回斑块2；步骤(3.2.2)：若根据局部相互最适合原则，不存在与当前斑块适合合并的斑块，则继续处理下一个斑块；否则，将当前...

【专利技术属性】
技术研发人员：苏腾飞，张圣微，
申请(专利权)人：内蒙古农业大学，
类型：发明
国别省市：内蒙古,15