一种基于各向异性势函数的马氏场遥感图像分割方法技术

本发明专利技术提出了一种基于各向异性势函数的马氏场遥感图像分割方法，步骤为：对像素级图像进行初始化过分割处理，得到对象级图像和区域邻接图，并在区域邻接图上分别定义邻域系统、观测特征场和分割标记场；对观测特征场进行似然函数的特征建模，对分割标记场联合概率分布中能量函数的势函数进行各向异性的概率建模；根据Bayes准则得到势函数各向异性的条件下分割标记场的后验分布，运用最大后验概率准则更新迭代分割并由此得到最终分割结果。实验验证，无论是定性分析还是定量分析，都验证了本发明专利技术在遥感影像分割中的有效性；本发明专利技术可用以解决遥感图像中由于光谱值相似而加大了分割难度的问题，相比于人工检测，极大地提高了工作效率。

A segmentation method of remote sensing image of Markov field based on anisotropic potential function

【技术实现步骤摘要】
一种基于各向异性势函数的马氏场遥感图像分割方法
本专利技术涉及影像分割的
，具体涉及高分辨率遥感影像的分割，尤其涉及一种基于各向异性势函数的马氏场遥感图像分割方法。
技术介绍
影像分割就是把影像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由影像处理到影像分析的关键步骤。近年来，随着遥感技术的不断发展，不同传感器获取的遥感影像开始广泛应用于土地覆盖检测、森林覆盖检测、湿地资源检测、城乡规划以及军事侦察等各个领域。为了充分利用遥感影像数据中包含的有用信息，研究人员进行了大量影像分析处理研究，其中影像分割成为该领域的研究热点之一。目前，已有许多方法应用于影像分割，如：阈值法、聚类等，这些方法往往假设同质地物类别具有相似的特征，而不同地物间具有不同的特征差异。但是，随着遥感影像空间分辨率的提高，地物细节得以彰显，结构信息更加突出，同物异谱与异物同谱现象进一步加剧，使得这些方法难以获得高精度的分割结果。为了描述高空间分辨率遥感影像的特点，Deeplearning、MRF等方法又被相继提出，这些方法在原有分割理论的基础上，考虑了更多的先验信息或条件约束。提高了分割的精度。其中，MRF因其具有马氏性，能够更好的描述影像基元间的空间关系，而受到了广泛应用。基于MRF的影像分割中，也有很多常用的方法，其中，最早的影像分割方法是经典的像素级的ICM算法，进而发展到基于多尺度MRF模型的影像处理方法，以上这两种都是基于像素的分割方法，它们考虑的范围有一定的局限性，因此，就有了后来的对象级的OMRF方法，考虑了更多的区域信息和空间邻域关系。虽然这些方法改善了分割效果，但这些方法的势函数都是各向同性的，即只判断两个相邻的基元是否属于同一类的地物。然而，地物关系不仅局限于此，不同地物类别之间存在着不同的相关关系。
技术实现思路
针对现有的遥感图像分割方法的标记场能量函数的势函数是各向同性的，只能判断两个相邻基元是否属于同一类地物，有很多细碎的错误分类技术问题，本专利技术提出一种基于各向异性势函数的马氏场遥感图像分割方法，将势函数通过损失矩阵刻画成改成各向异性的，从而判别不同的类别间的作用关系，可以处理光谱值相似但类别不同和同一类别不同光谱值的问题，即地物间同物异谱和异物同谱的问题。为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于各向异性势函数的马氏场遥感图像分割方法，将标记场中能量函数的势函数原有的各向同性改为各向异性，其步骤如下：步骤一：对输入的影像进行初始化过分割处理，将影像分成若干个过分割区域，并利用过分割区域建立区域邻接图，根据区域邻接图定义影像的邻域系统、对象级的观测特征场和对象级的分割标记场；步骤二：采用混合高斯分布对观测特征场进行似然函数的特征建模，对分割标记场联合概率分布中能量函数的势函数进行各向异性的概率建模；步骤三：根据Bayes准则得到势函数各向异性的条件下分割标记场的后验分布，运用最大后验概率准则更新迭代分割，得到最终分割影像图像。所述步骤一中邻域系统、观测特征场和分割标记场的实现方法为：1)输入的影像I(R,G,B)的各个波段的大小为a×b，其位置集合为：S＝{(i1,j1)|1≤i1≤a,1≤j1≤b}；2)用meanshift算法对影像I(R,G,B)进行过分割处理，得到相应的过分割区域，并且对每个过分割区域依照自左至右、由上到下的顺序进行标号，过分割区域构成的集合为R＝{R1,R2,…,Rl}，其中，l为过分割区域的个数，Rs是第s个过分割区域，s∈{1,2,…,l}；3)基于过分割区域构建相应的区域邻接图RAG：G＝(V,E)；其中，顶点集V＝{V1,V2,…,Vl}，Vs表示过分割区域Rs的位置；边界集E＝{est|1≤s,t≤l}，est表示过分割区域Rs和过分割区域Rt的空间相邻关系；4)在区域邻接图G上定义对象级的分割标记场X＝{Xs|1≤s≤l}＝{X1,X2,…,Xl}，其中，随机变量Xs表示第s个区域所对应的类别标记，且Xs∈{1,2,…,k}，k为分割类别数；在区域邻接图G上定义对象级的观测特征场Y＝{Ys|1≤s≤l}＝{Y1,Y2,…,Yl}，Ys为从过分割区域RS中所提取的影像特征；5)根据区域邻接图G定义相应的邻域系统N＝{Ns|1≤s≤l}；其中，Ns表示顶点s的邻域系统，即Ns＝{Rt|est＞0,1≤t≤l}。所述边界集E中的空间相邻关系est的实现方法为：若两个过分割区域Rs和过分割Rt相邻，取值为1，否则为0，即：其中，dst是过分割区域Rs和过分割Rt的公共边界长度。所述步骤二中特征建模的实现方法为：采用混合高斯分布对影像的观测特征场Y进行建模：设似然函数中同质区域具有相同分布，即影像中同一类型的区域服从同一种分布，此时，观测特征场Y＝y的每一个成分在给定标记场的一个实现X＝x的条件下相互独立，因此有：其中，P(Y＝y|X＝x)是给定观测数据Y＝y的条件下，分割标记场X＝x的后验概率；xs是类别标记Xs的取值，ys是影像特征Ys的取值；μh表示特征均值，Σh表示特征协方差矩阵，p是影像数据的维数；使用极大似然法对估计出特征均值μh和特征协方差矩阵Σh这两个参数进行估计：所述步骤二中概率建模的实现方法为：在MRF模型中，假设标记场具备Markov性，根据Harmmersley-Clifford定理可知，分割标记场的联合概率P(x)服从Gibbs分布，即：其中，是一个归一化常量，x为分割标记场X的一个实现，Ω为所有x的集合；U(x)为能量函数，且U(x)＝∑c∈CVc(x)，Vc(x)是集团的势；T为温度常量；能量函数U(x)是势团集合C中所有势团的总和；利用损失矩阵L代替势函数Vc(x)，损失矩阵L为：其中，θm表示真实的地物类别是第m类，an表示分割得到的地物类别是第n类；l(θm,an)是真实的地物类别θm被错分成分割地物类别an的代价，且l(θm,am)＝0,m∈{1,2,…,k}；能量函数其中，是第i迭代区域t的标记结果，作为本次一个真实的地物类别θm；xs是本次区域s需要更新的地物类别，即充当了地物类别an的角色；损失值L(xt,xs)表示的是当前区域s类别取为xs时，与相邻区域t间的标记惩罚。所述损失矩阵L中，若两种地物类别的光谱值相似，代价l(θm,an)的值较大；若两种地物类别的光谱值相差较大，代价l(θm,an)的值较小。所述步骤三中得到最终分割影像图像的方法为：逐对象的迭代更新来得到最终的结果，其中一个对象代表一个过分割区域，因为X＝{XS|1≤s≤l}，故：P(X＝x)＝P{X1＝x1,X2＝x2,…,Xl＝xl}；观测观测场Y＝y的每一个成分在给定标记场的一个实现标记分割成长X＝x的条件下相互独立，则：故由最大后验概率准则及贝叶斯公式知：...

【技术保护点】
1.一种基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，将标记场中能量函数的势函数原有的各向同性改为各向异性，其步骤如下：/n步骤一：对输入的影像进行初始化过分割处理，将影像分成若干个过分割区域，并利用过分割区域建立区域邻接图，根据区域邻接图定义影像的邻域系统、对象级的观测特征场和对象级的分割标记场；/n步骤二：采用混合高斯分布对观测特征场进行似然函数的特征建模，对分割标记场联合概率分布中能量函数的势函数进行各向异性的概率建模；/n步骤三：根据Bayes准则得到势函数各向异性的条件下分割标记场的后验分布，运用最大后验概率准则更新迭代分割，得到最终分割影像图像。/n

【技术特征摘要】
1.一种基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，将标记场中能量函数的势函数原有的各向同性改为各向异性，其步骤如下：
步骤一：对输入的影像进行初始化过分割处理，将影像分成若干个过分割区域，并利用过分割区域建立区域邻接图，根据区域邻接图定义影像的邻域系统、对象级的观测特征场和对象级的分割标记场；
步骤二：采用混合高斯分布对观测特征场进行似然函数的特征建模，对分割标记场联合概率分布中能量函数的势函数进行各向异性的概率建模；
步骤三：根据Bayes准则得到势函数各向异性的条件下分割标记场的后验分布，运用最大后验概率准则更新迭代分割，得到最终分割影像图像。


2.根据权利要求1所述的基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，所述步骤一中邻域系统、观测特征场和分割标记场的实现方法为：
1)输入的影像I(R，G，B)的各个波段的大小为a×b，其位置集合为：S＝{(i1，j1)|1≤i1≤a，1≤j1≤b}；
2)用meanshift算法对影像I(R，G，B)进行过分割处理，得到相应的过分割区域，并且对每个过分割区域依照自左至右、由上到下的顺序进行标号，过分割区域构成的集合为R＝{R1，R2，...，Rl}，其中，l为过分割区域的个数，Rs是第s个过分割区域，s∈{1，2，...，l}；
3)基于过分割区域构建相应的区域邻接图RAG：G＝(V，E)；其中，顶点集V＝{V1，V2，...，Vl}，Vs表示过分割区域Rs的位置；边界集E＝{est|1≤s，t≤l}，est表示过分割区域Rs和过分割区域Rt的空间相邻关系；
4)在区域邻接图G上定义对象级的分割标记场X＝{Xs|1≤s≤l}＝{X1，X2，...，Xl}，其中，随机变量Xs表示第s个区域所对应的类别标记，且Xs∈{1，2，…，k}，k为分割类别数；在区域邻接图G上定义对象级的观测特征场Y＝{Ys|1≤s≤l}＝{Y1，Y2，...，Yl}，Ys为从过分割区域RS中所提取的影像特征；
5)根据区域邻接图G定义相应的邻域系统N＝{Ns|1≤s≤l}；其中，Ns表示顶点s的邻域系统，即Ns＝{Rt|est＞0，1≤t≤l}。


3.根据权利要求2所述的基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，所述边界集E中的空间相邻关系est的实现方法为：若两个过分割区域Rs和过分割Rt相邻，取值为1，否则为0，即：

其中，dst是过分割区域Rs和过分割Rt的公共边界长度。


4.根据权利要求2所述的基于各向异性势函数的马氏场遥感图像分割方法，其特征在于，所述步骤二中特征建模的实现方法为：采用混合高斯分布对影像的观测特征场Y进行建模：设似然函数中同质区域具有相同分布，即影像中同一类型的区域服...

【专利技术属性】
技术研发人员：郑晨，潘欣欣，陈运成，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41