一种基于光谱特性的遥感场景下自适应目标分割方法技术

本发明专利技术提出了一种基于光谱特性的遥感场景下自适应目标分割方法，解决现有图像分割方法存在目标分割精度较低的问题，该方法提高了获取高分辨率遥感目标信息的精度，为遥感目标后处理提供了更多特征。该方法包括：1)输入遥感场景数据；2)对遥感场景数据进行高斯滤波；3)对滤波后的数据进行HSV空间转换；4)对滤波后的数据进行Lab空间转换；5)计算超像素分割区域个数；6)使用SLIC对Lab空间域的数据进行超像素分割；7)计算超像素分割后各个区域的HSV均值映射；8)使用k‑means++结合定义的距离度量函数进行二次聚类；9)计算最大类数；10)合并目标阴影区域；11)孔洞填充；12)输出遥感目标分割掩膜。

【技术实现步骤摘要】
一种基于光谱特性的遥感场景下自适应目标分割方法
本专利技术属于高分辨率可见光遥感图像数据处理领域，具体涉及一种基于光谱特性的遥感场景下自适应目标分割方法，该方法对带有阴影的遥感目标进行分割，用于在遥感场景下对遥感目标进行精细化分割研究。
技术介绍
遥感影像具有丰富的光谱信息以及空间信息，因此，快速有效地实现遥感数据的自动解译，提取遥感影像中重要的目标信息是高分辨率遥感领域的发展方向。图像分割作为该发展方向的核心内容，在遥感图像处理领域中占据重要地位。遥感目标分割方法中，在数据量小、且需要进行非监督分割的情况下，已有k-means聚类算法、slic超像素分割等相关算法研究，但是，这些现有的目标分割方法未能对遥感影像进行有效的分割，往往将目标和背景区域划分为一类，降低了目标分割的精度。
技术实现思路
本专利技术的目的是解决现有图像分割方法存在目标分割精度较低的问题，提出了一种基于光谱特性的遥感场景下自适应目标分割方法，该方法提高了获取高分辨率遥感目标信息的精度，为遥感目标后处理提供了更多特征。为解决上述问题，本专利技术技本文档来自技高网...

【技术保护点】
1.一种基于光谱特性的遥感场景下自适应目标分割方法，其特征在于，包括以下步骤：/n步骤一、输入所要分割的遥感目标场景F；/n步骤二、对遥感目标场景F进行高斯滤波，得到滤波后的数据F_gaus；/n步骤三、对步骤二滤波后的数据使用如下公式进行HSV空间转换得到数据F_HSV，F_HSV包括H、S、V三个通道的值；/nV＝max(R，G，B)/n

【技术特征摘要】
1.一种基于光谱特性的遥感场景下自适应目标分割方法，其特征在于，包括以下步骤：
步骤一、输入所要分割的遥感目标场景F；
步骤二、对遥感目标场景F进行高斯滤波，得到滤波后的数据F_gaus；
步骤三、对步骤二滤波后的数据使用如下公式进行HSV空间转换得到数据F_HSV，F_HSV包括H、S、V三个通道的值；
V＝max(R，G，B)






其中，H、S、V是最终HSV色彩空间三个通道的值；R、G、B为F_gaus中RGB空间的三个通道值；
步骤四、对步骤二滤波后的数据使用如下公式进行Lab空间转换得到F_Lab，F_Lab包括L*、a*、b*三个通道的值；









其中，L*，a*，b*是最终LAB色彩空间三个通道的值；X、Y、Z是RGB转换后计算的值；Xn，Yn，Zn为X，Y，Z的转换系数；
步骤五、计算Lab空间下的slic超像素初始化分割数K1；
K1＝(w×h)/c
其中，w、h分别为输入数据的长、宽，c为输入数据的超参数；
步骤六、根据初始化分割数K1，对F_Lab数据使用slic超像素分割算法进行处理，分割出数量为n的超像素区域，标记为Li，i∈1，2，3…n；
步骤七、将步骤六获取的超像素区域映射到HSV空间，计算F_HSV各自通道的超像素区域均值，获得F_HSV_mean；
F_HSV_mean＝(f_h_mean，f_s_mean，f_v_mean)



其中，f_h_mean表示h通道的像素均值；f_s_mean表示s通道的像素均值；f_v_mean表示v通道的像素均值；length(Li)表示第i个超像素区域中的像素个数；f_hi(k)表示第i个超像素区域中h通道的第k个像素值；f_si(k)表示第i个超像素区域中s通道的第k个像素值；f_vi(k)表示第i个超像...

【专利技术属性】
技术研发人员：李海巍，陈军宇，张耿，陈铁桥，王爽，胡炳樑，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：陕西;61