基于马尔可夫随机场的遥感图像语义分割方法技术

本申请公开了一种基于马尔可夫随机场的遥感图像语义分割方法，包括以下步骤：步骤

【技术实现步骤摘要】
基于马尔可夫随机场的遥感图像语义分割方法


[0001]本申请涉及遥感图像语义分割算法
，特别是一种基于马尔可夫随机场的遥感图像语义分割方法
。

技术介绍

[0002]随着高空间分辨率遥感影像的涌现，影像中地物信息更加丰富，地物光谱类内异质性和类间同质性变化的趋势增强，像素类属的不确定性增加，地物空间尺度和语义尺度变异加剧，采用现有基于光谱
、
逐像素的分割方法处理此类图像，所得分割结果中会出现明显的误分类和“胡椒盐”现象
。
[0003]由于遥感图像中的噪声
、
复杂的背景和复杂的目标形态等因素的存在，遥感图像语义分割任务具有挑战性
。
因此，研究人员一直在致力于开发更加准确和高效的遥感图像语义分割算法
。
[0004]现有的基于地理对象的图像分析
(GEOBIA)
方法虽然可以用于解决基于像素建模分割方法中出现的椒盐噪声问题，但该方法处理后图像上细节信息丢失严重
、
边界过度平滑
。
>也有部分研究是将多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于马尔可夫随机场的遥感图像语义分割方法，其特征在于，包括以下步骤：步骤
Si
：利用均值漂移
(Mean Shift
，
MS)
算法生成图像
Y
的过分割区域集
R
＝
{R1，
R2，
R3，
...
，
R
n
}
，
n
为过分割区域的数量，并基于集合
R
建立区域邻接图
(Region Adjacent Graph RAG)
，
MRF
‑
MSSP
模型定义在区域邻接图上，其中每个顶点
v
l
|l∈N
表示一个过度分割的区域
R
l
，标签模型中顶点的取值从经典的对象级
MRF
模型中的一个集合扩展为两个标签集合
X
＝
{x
l
}
和其中
X
从标签集
ω
＝
{1
，2，3，
...
，
k}
中取值，
X1从标签集
ω1＝
{1
，2，3，
...
，
k1}
中取值，标签模型中的顶点
V
l
＝
{v
l
}
同时具有两个土地覆盖类标签
X
＝
{x
l
}
和的属性，两个不同的土地覆盖类标签集合构成了图像的分层语义表达；步骤
S2
：由
SVM
分类器得到分类数为
k
类的初始结果和初始的类条件概率，并通过经典的像素级
MRF
方法得到分类数为
k1的初始分类结果；步骤
S3
：根据
SVM
分类结果和经典
MRF
方法的分类结果初始化
MRF
‑
MSSP
的标签模型的标签模型设置步长
t
＝0；步骤
S4
：基于
X
1(t)
和
X
(t)
更新标签
X
1(t+1)
；步骤
S41
：使用期望最大化算法
(Expectation
‑
Maximum
，
EM)
算法根据公式
(18)、(19)
估计特征场中类别
X
1(t)
的均值和方差然后根据公式
(10)
计算类条件概率：步骤
S42
：根据公式
(12
～
14)
计算相邻区域的光谱差异值，并将其作为权重引入到势能函数的计算中；步骤
S43
：根据公式
(4)、(6)
计算图像在不同语义层之间的交互能量步骤
S44
：根据公式
(17)
将
X
1(t)
更新为
X
1(t+1)
；步骤
S5
：基于
X
(t)
和
X
1(t+1)
更新
X
(t+1)
：步骤
S51
：利用
SVM
分类器输出的类条件概率求解似然函数
P(Y|X
＝
x)
，得到
X
的类条件概率；步骤
S52
：根据以下公式
(4)
，
(6)
和
(12)
计算不同语义层之间的交互能量：在公式
(4)
中，表示顶点
v
l
、
标签
x
j
、
顶点
v
j
在层内的标签
x
l
之间的相互作用；
表示顶点
v
l
的标签
x
l
和标签在层间的相互作用；
β
是平滑参数；在公式
(6)
中，
R
和
C
分别表示观测图像
Y
的行和列；
n
是过度分割区域的数量；是一个常数；
|R
j
|
是组成超分割区域
R
j
的像素数；被更新为如下：在公式
(12)
中，是描述区域之间的光谱差异性函数；关于单调递减；被定义如下：在公式
(13)
中，为区域
R
l
和
R
j
的光谱差异值；被定义为：在公式
(14)
中，取值范围是
[0
，
1]
；的值与
R
l
和
R
j
的光谱差异值正相关；
D
是观测图像的光谱维数；
a
ld
是组成过分割区域
R
l
的像素在
d
波段中的光谱平均值；
a
jd
是组成过分割区域
R
j
的像素集在
d
波段的光谱平均值；步骤
S53
：根据如下公式
(16)
依次将更新至更新至步骤
S6
：判断：如果
X
(t+1)
≠X
(t)
或者
X
1(t+1)
≠X
1(t)
，那么设置步长
t
＝
t+1
，并且返回步骤4继续迭代，直到
X
(t+1)
＝
X
(t)
和
X
1(t+1)
＝
X
1(t)
时，输出分割结果
。2.
根据权利要求1所述的基于马尔可夫随机场的遥感图像语义分割方法，其特征在于，步骤
S1
中当时，标签模型的的取值按以下步骤获得：其中，其中，是
x
取值的集合，
Y
为测试图像；
P(Y)
是常数；
P(X
＝
x|X1＝
x1)
和
P(X1＝
x1|X
＝
x)
分别是标签模型
X
和
X1的联合概率分布；当
X
＝
{x
l
}
给定时，被表示为：
其中，时
x1取值的集合
。3.
根据权利要求1所述的基于马尔可夫随机场的遥感图像语义分割方法，其特征在于，步骤
S2
中采用概率支持向量机获得每个区域的类概率求解似然函数
P(Y|X
＝
x)
即：在方程式
(9)
中，表示区域
R
l
属于给定标签类
x
l
的概率；对于似然函数根据条件独立...

【专利技术属性】
技术研发人员：王雷光，王军，郑晨，代沁伶，付浩宇，赵毅力，徐伟恒，
申请(专利权)人：西南林业大学，
类型：发明
国别省市：