基于信息增益率的卫星影像分割最佳分割尺度确定方法技术

本发明专利技术公开了一种基于信息增益率的卫星影像分割最佳分割尺度确定方法，包括：获取高分辨率卫星遥感影像，并进行预处理，选择具有代表性的区域作为最佳分割尺度确定的样区，并对样本区域的地物类型进行分类，获取样区影像分类成果，作为最佳分割尺度确定的参考影像；设置一系列从小到大的分割尺度参数，使用多尺度分割技术，分别对样区影像进行多尺度分割，获取一系列分割对象矢量；基于香农信息熵公式，计算参考影像及分割矢量的信息熵，并计算参考影像加入分割矢量后的条件熵，进而计算分割矢量的信息增益和信息增益率；根据信息增益率最大的原则选取最佳分割尺度。最终基于最佳分割尺度，对原始影像进行多尺度分割。

【技术实现步骤摘要】
基于信息增益率的卫星影像分割最佳分割尺度确定方法
本专利技术涉及面向对象影像分割参数选取
，具体涉及一种基于信息增益率的卫星影像分割最佳分割尺度确定方法。
技术介绍
近年来，随着各类卫星不断发射，农作物监测的可用数据源日益增多，基于多源卫星遥感数据进行农作物识别成为一种新的趋势，较好地解决了单一卫星影像时间分辨率不足的缺陷(Sharmaetal.2017；ColkesenandKavzoglu2017；Mortonetal.2011；Novellietal.2016)。然而，不同卫星数据的空间分辨率往往不一致，传统的基于像元的方法需要使用重采样等方式使其分辨率一致(Mansarayetal.2017；Sharmaetal.2017)，但混合像元及尺度效应的存在制约了重采样影像的识别精度。而随着面向地理对象影像分析(GeographicObject-BasedImageAnalysis，GEOBIA)技术的发展(Rauetal.2013；Martha2011；Benzetal.2004)，以地理对象作为分类的基本单元，获取地理对象在多源影像上的特征并进行地理对象识别，可以避免影像重采样及其带来的不足。影像分割是面向对象分类的基础，其将一景影像分割为多个地理对象，每个对象由相近地物的像元组合而成(Martha2011)。多尺度分割算法是当前应用最广泛的影像分割方法，是一种从单个像元开始、自下而上不断进行区域合并的算法。在合并的过程中，当两个相邻相似对象合并为一个对象后，若异质性的变化小于定义的尺度参数，则进行合并，否则合并停止(Benzetal.2004)。影像最佳分割尺度参数(SegmentationScaleParameter，SSP)的确定是多尺度分割中的关键步骤。过大的尺度参数将会导致地物的欠分割，反之则会造成过分割(Laliberteetal.2004)。当前，最佳分割尺度参数的确定方法主要是试错法结合目视判读(Feizizadehetal.2017)，通过人工比对不同分割尺度下影像分割效果(Rauetal.2013)或分类精度(Maetal.2015)来确定最佳尺度参数。这一方法的优势在于影像分割结果较为符合人的主观判断，缺点则是主观性较强、缺少定量分析，且工作量大。为定量化确定最佳分割尺度参数，提高自动化程度，一些自动或半自动的最佳分割尺度选择算法被开发出来(Gaoetal.2017；JohnsonandXie2011；Kalantaretal.2017；Marthaetal.2011)。如JohnsonandXie(2011)提出了一种非监督的最佳尺度参数确定方法，利用归一化全局方差和全局莫兰指数，通过研究不同尺度下对象内部同质性和对象之间异质性的变化趋势确定最佳分割尺度，这一方法已在一些的研究中得到了应用(Puissantetal.2014；ZhangandXie2012)。然而，在实际应用中，由于分类对象的复杂性和多义性，使用非监督方法获取的最佳分割尺度，可能与实际产生偏差，例如：当一块耕地中存在光谱相近小麦和油菜作物时，分类对象为耕地时，可以将油菜和小麦作为一种一个对象，但当分类的对象为具体的作物时，则必须使用更小的分割尺度以将这两类作物区分开。使用基于监督方法的最佳分割尺度确定技术则可以避免这一问题的出现。监督方法主要通过使用被认为是“真值”的参考对象结果，对比分割获取的分割对象结果，从而对分割结果的可靠性进行评估。然而，当前应用较多的有监督最佳分割尺度确定方法，主要是基于拓扑或几何度量指标来评价参考对象与分割对象的吻合度，方法的应用较为复杂，限制了其应用。
技术实现思路
本专利技术的目的是为高空间分辨率遥感影像面向对象分割过程中，最佳分割尺度参数的选择提供一种具有可靠性的定量化方法，其可以通过计算样方区域不同分割尺度分割结果的信息增益率，选取信息增益率最高的分割尺度作为最佳分割尺度，并可为后续面向对象的多尺度分割提供精确的分割参数，提高影像面向对象分类的精度。一种基于信息增益率的卫星影像分割最佳分割尺度确定方法，包括如下步骤：步骤1、获取高分辨率卫星遥感影像，并对遥感影像进行预处理；步骤2、将步骤1预处理的遥感影像中选择具有代表性的区域作为最佳分割尺度确定的样本区域；步骤3、使用分类方法对步骤2中确定的样本区域的地物类型进行分类，得到样本区域的分类成果，作为最佳分割尺度确定的参考影像；步骤4、对步骤2中确定的样本区域，基于多尺度分割技术设置一系列从小到大的分割尺度参数，对样本区域影像进行多尺度分割，获取一系列分割对象的矢量文件，即分割矢量；步骤5、基于香农信息熵公式，计算步骤3确定的参考影像的信息熵及步骤4获取的分割矢量的信息熵；步骤6、将步骤3确定的参考影像加入步骤4获取的分割矢量，通过条件熵公式计算参考影像加入分割矢量后的条件熵；步骤7、将步骤5得到的参考影像的信息熵、分割矢量的信息熵以及步骤6得到的条件熵，通过信息增益公式和信息增益率公式计算分割矢量的信息增益和信息增益率；步骤8、根据步骤7获得的分割矢量的信息增益率，根据信息增益率最大的原则选取最佳分割尺度。以下作为本专利技术的优选技术方案：步骤1中，所述的预处理包括：几何校正、影像裁切。步骤2中，所述的具有代表性的区域是指分类目标集中区域，分类目标是所要研究的作物类型。步骤3中，所述的分类方法为目视解译分类方法、最大似然分类方法或ISODATA分类方法。步骤4中，所述的矢量文件为shp格式的文件，由一系列对象矢量构成。对样本区域影像进行多尺度分割，设置一系列从小到大不同的分割尺度参数以及相同的其他参数(形状/光谱、紧凑度/光滑度参数)。对于Sentinel2A/B、GF-1WFV、Landsat-8OLI等分辨率在10m及以下的高分辨率卫星遥感影像，经过处理后获得样本区域影像，对样本区域影像进行多尺度分割，设置一系列从小到大不同的分割尺度参数以及相同的其他参数(形状/光谱参数设置为0.1/0.9，紧凑度/光滑度参数设置为0.5/0.5)。步骤8中，获得的分割矢量的信息增益率为不同分割尺度下分割矢量的信息增益率，根据信息增益率最大的原则选取最佳分割尺度。最终基于最佳分割尺度，对原始影像进行多尺度分割。与现有技术相比，本专利技术具有如下优点：本专利技术基于信息增益率选取影像分割的最佳分割尺度，为高分辨率影像面向对象分类中最基本的步骤影像分割中分割尺度参数的定量化确定提供了一种简单、快速、准确的有监督技术方法，有助于提高面向对象影像多尺度分割的效果，并有助于提高面向对象的影像分类精度。附图说明图1为本专利技术基于信息增益率的卫星影像分割最佳分割尺度确定方法的流程示意图；图2为影像多尺度分割尺度参数确定的样本区域，图2中(a)为冬小麦地物的最佳分割尺度确定样本区域，图2中(b)为油菜地物的最佳分割尺度确定样本区域，图2中(c)为香葱地物的最佳分割尺度确定样本区域；图3为使用信息增益率进行最佳分割尺度计算的示意图，图3中(a)为欠分割条件下，影像的信息熵及信息增益率情况，图3中(b)为最佳分割条件下，影像的信息熵及信息增益率情况，图3中(c)为过分割条件下，影像的信息熵及信息增益率情况；图4为不同分割尺度下，分割影像信息熵和信息增益率的变本文档来自技高网...

【技术保护点】
1.一种基于信息增益率的卫星影像分割最佳分割尺度确定方法，其特征在于，包括如下步骤：步骤1、获取高分辨率卫星遥感影像，并对遥感影像进行预处理；步骤2、将步骤1预处理的遥感影像中选择具有代表性的区域作为最佳分割尺度确定的样本区域；步骤3、使用分类方法对步骤2中确定的样本区域的地物类型进行分类，得到样本区域的分类成果，作为最佳分割尺度确定的参考影像；步骤4、对步骤2中确定的样本区域，基于多尺度分割技术设置一系列从小到大的分割尺度参数，对样本区域影像进行多尺度分割，获取一系列分割对象的矢量文件，即分割矢量；步骤5、基于香农信息熵公式，计算步骤3确定的参考影像的信息熵及步骤4获取的分割矢量的信息熵；步骤6、将步骤3确定的参考影像加入步骤4获取的分割矢量，通过条件熵公式计算参考影像加入分割矢量后的条件熵；步骤7、将步骤5得到的参考影像的信息熵、分割矢量的信息熵以及步骤6得到的条件熵，通过信息增益公式和信息增益率公式计算分割矢量的信息增益和信息增益率；步骤8、根据步骤7获得的分割矢量的信息增益率，根据信息增益率最大的原则选取最佳分割尺度。

【技术特征摘要】
1.一种基于信息增益率的卫星影像分割最佳分割尺度确定方法，其特征在于，包括如下步骤：步骤1、获取高分辨率卫星遥感影像，并对遥感影像进行预处理；步骤2、将步骤1预处理的遥感影像中选择具有代表性的区域作为最佳分割尺度确定的样本区域；步骤3、使用分类方法对步骤2中确定的样本区域的地物类型进行分类，得到样本区域的分类成果，作为最佳分割尺度确定的参考影像；步骤4、对步骤2中确定的样本区域，基于多尺度分割技术设置一系列从小到大的分割尺度参数，对样本区域影像进行多尺度分割，获取一系列分割对象的矢量文件，即分割矢量；步骤5、基于香农信息熵公式，计算步骤3确定的参考影像的信息熵及步骤4获取的分割矢量的信息熵；步骤6、将步骤3确定的参考影像加入步骤4获取的分割矢量，通过条件熵公式计算参考影像加入分割矢量后的条件熵；步骤...

【专利技术属性】
技术研发人员：杨玲波，黄敬峰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33