本发明专利技术提出了一种基于最小生成树与统计学习理论的图像分割方法，在构建影像图模型的基础上，采用自底向上（合并）策略，用最小生成树算法按照本发明专利技术设计的基于统计学习理论的合并准则来构造生成多个最小生成树的过程。该分割方法在满足全局最优的同时，能有效利用区域统计特性，适合于各类高分辨率影像分割；具有较好的抗噪声性能，对纹理区域也能得到较好的分割效果，同时能获得良好的区域边界。
Image segmentation method based on minimum spanning tree and statistical learning theory
The invention provides a method of image segmentation with minimum spanning tree based on statistical learning theory, based on graph model constructing images, using the bottom-up (merger) strategy, using the minimum spanning tree algorithm is designed according to the invention of statistical learning theory and criterion based on the construction process of generating a plurality of minimum spanning tree the. The segmentation method to meet the global optimal and effective utilization of regional statistical characteristics, suitable for all kinds of high resolution image segmentation; has better anti noise performance, the texture area can get better segmentation results, and can get a good regional boundary.
【技术实现步骤摘要】
本方法属于图像处理与模式识别
，特别是涉及一种新的基于最小生成树 最优化理论与统计学习理论的面向对象的图像分割方法。
技术介绍
高空间分辨率遥感影像为我们提供了地面景观的高精度空间几何信息、丰富的纹 理信息以及多光谱信息，使得传统的基于像素的遥感影像分类方法已不适用，从而使得高 分辨率遥感影像处理面临影像所提供的细节的挑战。为此，Baatz和Schape于1999年在 中指出重要的语义解释更需要用有意义的影像中对象及对象之间的相互关系而不是 用一个个像素来表示，因此，提出了面向对象的高分辨率遥感影像目标识别与分类方法，即 首先对影像进行分割生成对象区域，并用分层网络来描述对象，再以对象为单位进行目标 识别。Blaschke和Mrobl在发出“像素出了什么问题？ ”的疑问，指出传统的基于像素 的多维特征空间分类没有利用空间信息，特别是对于相邻像素可能属于同一土地覆盖类型 的高分辨率影像，以分割为基础的分类，在很多情况下优于传统每个像素的方法。基于对象 的光谱、形状、纹理、空间关系以及人的知识进一步推理的新分类器证明在高空间分辨率领 域非常有用，它符合人类识别目标的规律，提高了分类精度和细节。基于对象的研究领域的 迅速发展使得地理信息科学领域又产生了一个基于对象的影像分析(Object-Based Image Analysis, OBIA)子学科，它专门研究自动将遥感影像分割成有意义的对象，通过空间、光谱 和时间尺度来评估它们的特征，以产生GIS数据格式的新的地理信息。面向对象的图像 分割是获取对象的主要方法之一，面向对象的目标识别技术是通过对对象的光谱、几何、纹 理、空间邻域关系等信息组合来识别目标，从理论和实际应用中发现，对象分割的好坏直接 影响影像分类识别的效果和精度，因为它直接关系到能否准确、有效地提取图像上中目标 的几何信息和结构信息，因此，面向对象高分辨率遥感影像分割成为遥感图像处理中的关 键和基础，面向对象分割方法的研究也成为高空间分辨率热点和难点之一。图像分割已经是图像处理、计算机视觉的一个经典课题，从早期的单目标与背景 的分割到多目标分割；从像素级分割到对象级分割，从不确定目标分割到确定目标分割，研 究人员根据需求提出了大量的分割算法。图像分割的基本策略是基于像素灰度值的两个基 本特性不连续性和相似性。区域内部的像素一般具有某种相似性，而在区域之间的边界上 一般具有某种不连续性。所以分割算法可据此分为利用区域间特性不连续的基于边界的算 法和利用区域内相似性的基于区域的算法。随着图像分割技术的发展，人们对图像分割的研究已经从最初的简单的阈值分 割、边缘检测和区域提取转向将新的概念、新的方法引入图像分割领域，非常重视多种分割 算法的有效结合。通过综合使用两种或两种以上的方法，可以部分克服单独的图像分割算 法难以对一般图像取得令人满意的分割效果的问题，而采取什么样的结合方式才能体现各 种方法的优点，弥补各自的不足，取得好的预期效果，仍是人们关注的主要问题之一。二十 世纪八十年代以后，越来越多的学者开始将模糊理论、马尔科夫模型、遗传算法理论、分形理论和小波理论等研究成果运用于图像分割的研究，并取得了很大进展。但由于图像类型 的复杂多样性，虽然人们已经进行了广泛深入的研究，但目前尚无通用的图像分割理论提 出，现有算法都各有局限性。因此，探索新的分割理论和分割算法对于图像处理、分析具有 重大意义http//www. tu-dresden. de/ioer/statisch/segmentation-evaluation/ index, html是一个专门用于遥感影像分割软件评价的网站，网站中简单介绍了各种面向 对象的高分辨率遥感影像分割软件方法及性能，展示了各软件对高分辨率城市和郊区影 像的分割结果。目前展示的主要有如下软件=BerkeleyIm的eg、Definens Developer、 CAEASRλ Data Dissection Tool、Edge Detection and Image SegmentationON(EDISON) System、ENVI Feature Extraction、Extended Watershed EWS(Multi-channel watershed transformation)、InfoPack、MinimumEntropy Approach、Image segmentation for Erdas Imagine、Imagine WS for Erdas ImagineΛPABAT 0. 32、RHSEG、SCRM、SegSAR、HaIcon Seg， 每种软件的所采用的分割方法介绍如下Definens Developer和BerkeleyImgSeg是遥感领域目前推出的两款面向对象分 割与分类软件，这两个分割软件的思想相同，其分割思想都来源于文献，都采用区域增 长与合并策略，其合并准则中考虑了多波段光谱特性的权重以及区域形状特性，实现多尺 度、多层次的影像分割，上层对象是其下一层对象的合并，对图像进行分层描述，每层分割 结果都统计有其光谱、纹理、形状、对象的拓扑特征、上下层对象之间关系的属性信息，此统 计结果可以用于进一步影像分类与分析。CAEASR和hfc^ack两个软件是依据文献，假设影像中具有r个服从Gamma分 布的区域，通过定义代价函数，采用模拟退火(Simulated Annealing, SA)方法完成图像分 割。模拟退火方法是S. Kirkpatrick, C. D. Gelatt和M. P. Vecchi在1983年所专利技术的一种 通用概率算法，用来在一个大的搜寻空间内找寻命题的最优解是一种通用的优化算法，目 前已广泛应用于最优控制、机器学习、神经网络等优化问题，算法先以搜寻空间内一个任意 点作起始，每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。Data Dissection Tool采用中提出的超顺磁性聚类算法(Super ParamagneticClusting, SPC)实现图像分割和分析。超顺磁聚类方法是一种全新的思想， 它将物理学的思想引人到信息领域，把非均勻Potts模型的热力学聚集运动看作是数据聚 类，即在某个温度范围内，数据处于超顺磁相位，然后利用数据点之间的相关性来聚类。该 算法对各种参数的依赖性不强，主要用于聚类、影像分析，统计物理。Edge Detection and Image SegmentationON(EDISON) System, ^STilK Φ 提出的Mean shift算法完成对彩色影像的分割，Mean Shift这个概念最早由Fukunaga等 人在提出的关于概率密度梯度函数的估计，是一种非参数特征空间分析技术，该算法 是一个迭代的过程，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的 起始点，继续移动，直到满足一定的条件结束。Mean Shift算法本质上是一个自适应的梯度 上升搜索峰值的方法，Mean Shift主要用在聚类、模态的检测和最优化三个方面，已广泛应 用于计算机视觉和图像处理的聚类。ENVI Feature Ext本文档来自技高网...
【技术保护点】
１．基于最小生成树和统计学习理论的图像分割方法，其特点是：包括以下步骤，步骤一、将图像用简单图模型来表示，简单图模型的每个顶点对应图像的一个像素，每两个邻接顶点之间用边连接，每条边的边权值为该边连接的两个顶点所对应两像素之间的差异；步骤二、基于统计学习理论设定区域合并准则，并设置分割参数；步骤三、对步骤一所得简单图模型进行基于最小生成树的影像分割，分割时从简单图模型中的最小权值边开始按区域合并准则进行合并直到最大权值边，合并生成的每个最小生成树代表一个连通的区域。
【技术特征摘要】
【专利技术属性】
技术研发人员：崔卫红，潘斌，
申请(专利权)人：武汉大学，
类型：发明
国别省市：83
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。