结合相位与光谱的高分遥感影像分割方法技术

本发明专利技术公开一种结合相位与光谱的高分遥感影像分割方法。针对传统方法在分割时由于过于依赖梯度信息而在弱边缘检测等方面所存在的局限，通过引入相位信息来进行优势互补，首先，通过Log Gabor滤波来提取相位一致性信息。在此基础上，采用传统JSEG算法中的局部同质性指标J‑value来优化边缘检测结果，并提出了一种基于尺度间互信息最小化的目标函数优化策略，从而构建了一种参数自适应的最优参数组合和响应模型。最后，基于该模型进行多尺度区域分割及区域合并以获得最终的分割结果。

High-resolution remote sensing image segmentation method combining phase and spectrum

The invention discloses a high-resolution remote sensing image segmentation method combining phase and spectrum. In order to overcome the limitations of traditional methods in weak edge detection due to over-dependence on gradient information, phase information is introduced to complement each other. Firstly, phase consistency information is extracted by Log Gabor filtering. On this basis, the local homogeneity index J value in traditional JSEG algorithm is used to optimize the edge detection results, and an objective function optimization strategy based on minimizing inter-scale mutual information is proposed, thus an optimal parameter combination and response model of parameter adaptation is constructed. Finally, based on the model, multi-scale region segmentation and region merging are performed to obtain the final segmentation results.

【技术实现步骤摘要】
结合相位与光谱的高分遥感影像分割方法
本专利技术涉及一种结合相位与光谱的高分遥感影像分割方法，属于遥感影像处理

技术介绍
随着遥感影像空间分辨率的不断提高，同类地物内部的光谱差异也更加显著，使传统像素级分析方法已越来越难以满足实际应用的需求。对象级图像分析Object-BasedImageAnalysis(OBIA)技术则其中Geographicalobject基本分析单元，为高分辨率遥感影像的信息提取提供了新的思路。开展OBIA首先需要有效的图像分割，图像分割也是后续处理中实现准确的特征提取及目标识别的基本前提与重要保证。与中、低分辨率遥感影像相比，高分辨遥感影像具有更加丰富的光谱、纹理、几何等空间细节特征。特别是在城市场景中，杂乱的图像背景、多样的地物种类以及结构复杂的人造地物等使高分辨率遥感影像呈现出结构化、层次性特征，因此需要从多层次、多角度加以分析和理解。这些因素均导致了采用传统的图像分割方法难以取得理想的效果。面对这些困难与挑战，学者们已经从不同角度提出了一些有效的应对策略。例如，Zhang等通过引入多尺度分析策工具对传统分水岭分割方法加以改进，有助于深入剖析对象的空间细节特征，从而更好地定位对象的边缘[1]；Hu等首先通过可信度指标进行边缘检测并结合商业软件eCognition来确定初始对象，再通过构建区域邻接图及分析边缘完整性来进一步精炼分割结果，该方法能够有效分割不同面积、不同尺寸的对象(改写)[2]；Raffaele等提出了一种基于标记点自适应控制的多尺度分水岭分割方法，通过在最精细尺度中对边缘信息、光谱以及形态学进行融合，能够有效识别不同尺度下代表性地物的轮廓特征[3]。尽管如此，这些方法均过于依赖图像的梯度信息，对于影像中对比度较低的部分响应较弱，容易造成轮廓信息的丢失。另一方面，基于局部同质性信息来构建边缘检测模型不仅能够减少对梯度信息的依赖，而且对弱边缘非常敏感，但同时分割过程受到的噪声和伪边缘的干扰也更加显著。参考文献：[1]ZhangB,HeBB.Multi-scaleSegmentationofHigh-resolutionRemoteSensingImageBasedonImprovedWatershedTransformation[J].Journalofgeo-informationscience,2014,16(1):142-150.[2]HuY,ChenJ,PanD,etal.Edge-GuidedImageObjectDetectioninMultiscaleSegmentationforHigh-ResolutionRemotelySensedImagery[J].IEEETransactionsonGeoscienceandRemoteSensing,2016,54(8):4702-4711.[3]GaetanoR,MasiG,PoggiG,etal.Marker-controlledwatershed-basedsegmentationofmultiresolutionremotesensingimages[J].IEEETransactionsonGeoscienceandRemoteSensing,2015,53(6):2987-3004.
技术实现思路
专利技术目的：针对现有技术中存在的问题与不足，为实现高精度、高可靠的高分辨率遥感影像分割，本专利技术利用传统彩色纹理分割算法JSEG中J-value指标所具有的强大局部同质性信息检测能力与多尺度特性，与相位一致性信息相结合来进行优势互补，构建了一种参数自适应的边缘响应模型，进而提出了一种联合相位一致性及局部同质性的高分辨率遥感影像分割方法。通过不同传感器类型的高分辨遥感影像的分割实验表明，所提出的方法能够获得低依赖于梯度信息的边缘响应，准确定位对象弱边缘并减少噪声及伪边缘的影响。技术方案：一种结合相位与光谱的高分遥感影像分割方法，主要包括四个步骤：(1)根据图像边缘点之间的相位信息具有较高的一致性，实现了基于相位一致性信息的边缘检测；(2)计算局部均匀性指数J值，提取局部均匀性信息；(3)将相位一致性与局部均匀性相结合，构建边缘响应模型，同时遍历所有可能的参数组合，寻找目标函数的最小值，得到自适应的最优参数组合和响应模型；(4)在优化模型的基础上，对高分辨率遥感影像图像进行多尺度分割，并通过结构相似性(SSIM)对相邻区域进行融合。边缘检测首先基于相位一致性提取图像的边缘信息，具体过程如下：设F(x)为变量为x的一维离散信号，其傅里叶展开式可表示为：其中，An，ωn，分别为第n次谐波的幅值、角频率和初始相位，φn(x)为第n次谐波的瞬时相位；若某一边缘点的各次谐波值相等时有φ0＝φk(k＝1,2...n)，令A＝∑An，则公式(1)可以转化为:F(x)＝Asinφ0；为进一步消除φ0的影响，通过构造能量函数E(x)来描述相位一致性：由于在边缘特征点处各次谐波分量的值相等，因此公式(2)可以转化为:在此基础上，采用LogGabor小波的多尺度特征对相位一致性模型进行改进；定义变量PC来表示任意一个像素z的相位一致性大小，令(a,b)为像素z的坐标值，则改进后的二维相位一致性模型为：因此，可采用ΔΦn表示尺度n下所有方向相位差异的和，可进一步采用如下公式表示：e(a,b)和o(a,b)分别为LogGaborFilter的奇对称和偶对称小波，N为滤波器尺度，eno(a,b)、ono(a,b)分别为LogGaborFilter的奇对称和偶对称小波，ΔΦno(a,b)为瞬时相位差异，T0为估计噪声，en(a,b)2为尺度n下奇对称小波的平方、on(a,b)为尺度n下偶对称小波，φn(a,b)为尺度n的相位值，为所有尺度的相位均值；C为避免分母为0的常数，通常取C＝0.01，o为滤波方向。J-value指标的提取引入梯度信息建立参数自适应边缘响应模型，参数自适应边缘响应模型的建立过程如下：Step1：影像量化；在LUV空间中采用FCM动态聚类对原始多光谱影像进行颜色量化，获得单一波段的包含Q个灰度级的量化影像；Step2：基于局部同质性的边缘检测；在量化影像中，设任意一个像素为z，依据公式(1)～(4)计算每个像素z的相位一致性值PCz(a,b)；遍历所有像素，获得初步边缘检测结果；Step3：计算多尺度J-value集合；在量化影像中，构建以像素z为中心，尺寸为d×d像素的窗口P，其中d为尺度参数，去除窗口P中的角点；令Pq为窗口中属于灰度级q的所有像素的集合，采用像素z的坐标Z(a,b)作为替换该像素的灰度值，令mq为Pq内所有像素的平均值，则窗口Z中属于同一灰度级像素的方差的和可表示为：Pq中所有像素的均值为m，则总体方差可表示为：则尺度参数为d时像素z对应的J-value为：Jd(a,b)＝(ST-SW)/SW(8)边缘响应模型构建与优化基于所提取的相位一致性及局部同质性信息，对于任意一个像素z，构建边缘响应模型为：IER(a,b)＝PC(a,b)×J(a,b)(9)PC(a,b)、J(a,b)分别表示z的相位一致性指标值和局部相似性值；该模型主要涉及三个参数，即计算局部同质性模型时LogG本文档来自技高网...

【技术保护点】
1.一种结合相位与光谱的高分遥感影像分割方法，其特征在于，包括四个步骤：(1)根据图像边缘点之间的相位信息具有较高的一致性，实现了基于相位一致性信息的边缘检测；(2)计算局部均匀性指数J值，提取局部均匀性信息；(3)将相位一致性与局部均匀性相结合，构建边缘响应模型，同时遍历所有可能的参数组合，寻找目标函数的最小值，得到自适应的最优参数组合和响应模型；(4)在优化模型的基础上，对高分辨率遥感影像图像进行多尺度分割，并通过结构相似性(SSIM)对相邻区域进行融合。

【技术特征摘要】
1.一种结合相位与光谱的高分遥感影像分割方法，其特征在于，包括四个步骤：(1)根据图像边缘点之间的相位信息具有较高的一致性，实现了基于相位一致性信息的边缘检测；(2)计算局部均匀性指数J值，提取局部均匀性信息；(3)将相位一致性与局部均匀性相结合，构建边缘响应模型，同时遍历所有可能的参数组合，寻找目标函数的最小值，得到自适应的最优参数组合和响应模型；(4)在优化模型的基础上，对高分辨率遥感影像图像进行多尺度分割，并通过结构相似性(SSIM)对相邻区域进行融合。2.如权利要求1所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，边缘检测中首先基于相位一致性提取图像的边缘信息，具体过程如下：设F(x)为一维离散信号，其傅里叶展开式可表示为：其中，An，ωn，分别为第n次谐波的幅值、角频率和初始相位；若某一边缘点的各次谐波值相等时有φ0＝φk(k＝1,2...n)，令A＝∑An，则公式(1)可以转化为:F(x)＝Asinφ0；为进一步消除φ0的影响，通过构造能量函数E(x)来描述相位一致性：由于在边缘特征点处各次谐波分量的值相等，因此公式(2)可以转化为:在此基础上，采用LogGabor小波的多尺度特征对相位一致性模型进行改进；定义变量PC来表示任意一个像素z的相位一致性大小，令(a,b)为像素z的坐标值，则改进后的二维相位一致性模型为：其中，尺度n下所有方向相位差异的和ΔΦn可表示为：e(a,b)和o(a,b)分别为LogGaborFilter的奇对称和偶对称小波；T0为噪声估计；C为避免分母为0的常数，通常取C＝0.01，o为滤波方向。3.如权利要求1所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，引入梯度信息建立参数自适应边缘响应模型，参数自适应边缘响应模型的建立过程如下：Step1：影像量化；在LUV空间中采用FCM动态聚类对原始多光谱影像进行颜色量化，获得单一波段的包含Q个灰度级的量化影像；Step2：基于局部同质性的边缘检测；在量化影像中，设任意一个像素为z∈Z，计算每个像素z的相位一致性值PCz(a,b)；遍历所有像素，获得初步边缘检测结果；Step3：计算多尺度J-value集合；在量化影像中，构建以像素z为中心，尺寸为d×d像素的窗口P，其中d为尺度参数，去除窗口P中的角点；令Pq为窗口中属于灰度级q的所有像素的集合，采用像素z的坐标Z(a,b)作为替换该像素的灰度值，令mq为Pq内所有像素的平均值，则窗口Z中属于同一灰度级像素的方差的和可表示为：Pq中所有像素的均值为m，则总体方差可表示为：则尺度参数为d时像素z对应的J-value为：Jd(a,b)＝(ST-SW)/SW(8)。4.如权利要求3所述的结合相位与光谱的高分遥感影像分割方法，其特征在于，基于所提取的相位一致性及局部同质性信息，对于任意一个像素z，构建边缘响应模型为：IER(a,b)＝PC(a,b)×J(a,b)(9)该模型主要涉及三个参数，即计算局部同...

【专利技术属性】
技术研发人员：刘辉，王丽丽，刘茜，康俊峰，张雪红，
申请(专利权)人：江西理工大学，
类型：发明
国别省市：江西,36