超像素分类识别的遥感图像水域分割提取方法技术

本发明专利技术针对现有技术的遥感图像水域分割提取方法存在人为设置分割临界值导致自适应差、结果中存在大量的非水域地类、结果中存在着大量的脉冲噪声等问题，提出了超像素分类识别的遥感图像水域分割提取方法，结合改良的线性聚类超像素分割方法将遥感图像划分为若干个同质性好、布局紧凑且能较好的保持边缘信息的超像素，以超像素为特征提取单元，从光谱、纹理、地形三个角度提取遥感图像中的水域特征，更加准确的描述了水域与非水域的特征，构建典型的学习样本库，利用非线性支持向量机进行监督分类。实验结果表明本发明专利技术方法可以克服现有技术方法的弊端，显著提高遥感图像的水域分割提取精度和速度。

【技术实现步骤摘要】
超像素分类识别的遥感图像水域分割提取方法
本专利技术涉及一种遥感图像水域分割提取方法，特别涉及一种超像素分类识别的遥感图像水域分割提取方法，属于遥感图像分割

技术介绍
水是自然生态系统的重要组成部分，是地球上人类和其它生物赖以生存的必要物质，水与人类生存发展密切联系，在农业灌溉、工业发展、水产养殖、航运交通及维系生态平衡等方面发挥着不可替代的作用。但随着全球工业快速发展、人口急剧增长、城市化进程加快，水资源被过度不合理利用，加上水资源的时空分布不平衡性和频繁发生的旱灾和洪灾，全球正面临着严重的水资源危机，因此科学、快速、准确实时的获取水资源的空间分布现状，对解决水资源危机具有巨大意义。随着遥感技术的快速发展，获取更高的空间和时间分辨率、光谱分辨率的遥感图像已不困难，通过遥感图像提取水域成为大范围的水域监测、洪涝灾害评估、湿地保护的主要手段。现有技术的遥感图像水域分割提取方法是通过目视解译或是基于逐像素的分类方法，目视解译的方法虽能够获得较高的水域分割精度，但是其效率低，不适合大范围的水域监测工作。现有技术基于逐像素的提本文档来自技高网...

【技术保护点】
1.超像素分类识别的遥感图像水域分割提取方法，其特征在于，采用超像素图像分割将遥感图像水域划分为若干个超像素，利用图像的水域特征提取方法分别从光谱、纹理、地形三个维度提取超像素的特征，通过SVM分类器训练出来的最佳分类面，将超像素分为水域和非水域；/n超像素分类识别的遥感图像水域分割提取方法包括超像素图像分割、图像的水域特征提取、构建学习训练样本库和SVM驱动的监督分类四个步骤；/n超像素图像分割分为两步，一是主成分降维分析的波段选取，二是基于大津法的改良线性聚类图像分割；/n图像的水域特征提取从光谱特征、纹理特征、地形特征三个维度提取遥感图像中的水域特征，将超像素内所有像素的特征均值作为超像...

【技术特征摘要】
1.超像素分类识别的遥感图像水域分割提取方法，其特征在于，采用超像素图像分割将遥感图像水域划分为若干个超像素，利用图像的水域特征提取方法分别从光谱、纹理、地形三个维度提取超像素的特征，通过SVM分类器训练出来的最佳分类面，将超像素分为水域和非水域；
超像素分类识别的遥感图像水域分割提取方法包括超像素图像分割、图像的水域特征提取、构建学习训练样本库和SVM驱动的监督分类四个步骤；
超像素图像分割分为两步，一是主成分降维分析的波段选取，二是基于大津法的改良线性聚类图像分割；
图像的水域特征提取从光谱特征、纹理特征、地形特征三个维度提取遥感图像中的水域特征，将超像素内所有像素的特征均值作为超像素特征值；
构建学习训练样本库中，通过目视判读在遥感图像上选取一定数目标水域和非水域的典型地物超像素，并人工标识这些超像素的具体地类，将超像素的不同特征进行归一化处理，本发明采用的归一化算法如式1所示，
B＝(A-ZXZ)/(ZDZ-ZXZ)式1
式1中，A、B分别为转换前、转换后的值，ZDZ、ZXZ分别为某个特征的最大值和最小值,归一化使不同维度之间的特征在数值上具有可比性。


2.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，SVM驱动的监督分类建立在结构风险最小化基础上的统计学习分类方法上，在特征空间内寻找满足置信条件的最佳分类面，最终通过拉格朗日对偶函数转化为求解凸二次规划问题；
在线性不可分的情形下，SVM首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构建出最佳分离超平面；
本发明采用径向核函数，通过开源计算机视觉库OpenCV中的SVM工具包实现，主要包含构建样本库、配置SVM参数、搜索最佳分类面、基于最佳分类面的分类四个步骤，具体的实现形式为：
第一步，建立样本库：构建具有典型性的学习样本库，对样本的特征进行归一化处理；
第二步，配置SVM参数：在实现SVM的过程中，设置核函数的类型，本发明采用径向核函数，还需设置算法的终止条件，SVM训练过程是在通过迭代方式求约束条件下二次优化问题的最佳解，指定一个最大迭代次数和容许误差，以允许算法在适当条件下停止计算；
第三步，搜索最佳分类面：利用第一步建立的样本库进行SVM训练，通过不断的迭代计算，当训练出的模型误差小于设定的临界值时，得到一个最佳分类面；
第四步，基于最佳分类面的分类：对于待分类的超像素，提取其特征，并且将其归一化处理，利用第三步得到的最佳分类面，将待分类的超像素划分为水域或非水域，完成分类的过程。


3.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，主成分降维分析的波段选取中，一张图像在线性聚类算法中用[l,a,b,x,y]的5维特征向量进行描述，其中[l,a,b]是色彩空间特征，[x,y]描述像素点的空间位置特征，不同波段间存在一定程度的关联性，存在数据的冗余，对图像进行主成分降维分析变换，提取前三个主成分分量进行图像分割。


4.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，基于大津法的改良线性聚类图像分割是同质像元合并和异质像元分离的过程，图像分割将图像分割成多个同质性好的超像素，通过式2衡量超像素的同质性，



式中Lc、Ac、Bc分别是超像素的第c个像素在LAB色彩空间中的像素值，对于遥感图像即是对应各波段的值，是超像素在LAB色彩空间中的像素均值，n是超像素中的像素个数，D越大则超像素的同质性越弱，D越小则超像素的同质性越强；
本发明通过目视判读方法标注出分割效果不佳的水域边界，通过式2计算每个超像素的同质性，边缘信息保持较差的超像素的同质性差，这些超像素中包含了大量的异质像元，本发明利用大津法多临界值分割方法，对同质性差的超像素进行二次分割，在超像素个数较少的情形下，较好的保持图像的边缘信息，克服线性聚类算法的弊端；
基于大津法的改良线性聚类图像分割方法流程为：
步骤一，图像粗分割：利用线性聚类算法，先将图像预分割为J个较大的超像素；
步骤二，同质性计算：通过式2，计算步骤一生成的超像素的同质性；
步骤三，超像素细分割：利用大津法多临界值分割算法，对同质性差的超像素进行再次分割。


5.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，光谱特征提取是提取水域和非水域在图像不同波段上的光谱特征，利用谱间关系法除去地形复杂区域水域分割提取结果中的山体暗影，水域指数法过滤去除城市区域水域分割提取结果中的植被信息，本发明以中红外波段、MNDWI指数、NDWI指数作为光谱特征组合，进行超像素分类识别的光谱特征提取。


6.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，超像素分类识别的纹理特征提取分别采用灰度空间关联矩阵纹理特征和空间自关联纹理特征。


7.根据权利要求6所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，灰度空间关联矩阵纹理特征提取是图像中两个像素灰度级联合分布的统计形式,反映纹理灰度级关联性的规律；
灰度空间关联矩阵反映遥感图像灰度方向、向量间隔、变化幅度的信息，分析图像局部模式结构及其排列规则，本发明提取遥感图像中纹理特征统包括均值、方差、同质性、对比度、非相似性、熵、角二阶矩、关联性，在灰度空间关联矩阵的基础上提取用来定量描述纹理特征的统计属性；
本发明灰度空间关联矩阵纹理分析综合考虑要素包括：
一是遥感图像灰度级压缩：为使灰度空间关联矩阵的维数不至于太大，先把初始遥感图像的灰度等级进行压缩，从0-255的8bit图像压缩为0-31的5bit图像，相应的灰度空间关联矩阵维数从256*256降低到32*32；
二是分析窗口大小：灰度空间关联矩阵纹理特征对于分析窗口大小敏感，分别设置3*3、5*5、7*7、9*9、11*11的窗口，分析比较灰度空间关联矩阵纹理特征提取结果；
三是移动方向选择：分析窗口的移动方向影响灰度空间关联矩阵纹理特征提取效果，分别从0度、45度、90度、135度四个方向提取灰度空间关联矩阵纹理特征，然后对相应的统计量求平均值，得到最后的灰度空间关联矩阵纹理特征；
四是波段选取：将多光谱图像进行主成分降维分析后，用第一主成分要优于使用单个波段的灰度空间关联矩阵纹理提取效果，将遥感图像的多个波段进行主成分降维分析后，用第一主成分来提取灰度空间关联矩阵纹理；
遥感图像局部的同质性通过角二阶矩、同质度、关联性进行衡量，其值越大，表明在分析窗口内的像素的灰度值差异值越小，否则反之；水域的同质性较强，在纹理特征图像上表现出高值，植被等地类的同...

【专利技术属性】
技术研发人员：刘秀萍，刘文平，
申请(专利权)人：荆门汇易佳信息科技有限公司，
类型：发明
国别省市：湖北;42