專利名稱：一種面向遙感影像分割的影像對象合并方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種面向遙感影像分割的基于對象合并指數(shù)(Object Merge Index,OMI)進(jìn)行對象基元合并的方法，屬于遙感影像處理與分析技術(shù)領(lǐng)域。
背景技術(shù)：
影像分割是實現(xiàn)面向?qū)ο蟮母叻直媛蔬b感影像信息提取的一個重要步驟。在圖像工程與計算機(jī)視覺領(lǐng)域，有大量的圖像分割算法，但是大多數(shù)的分割算法在多光譜遙感影像分析中使用效果欠佳。在遙感影像分析領(lǐng)域較為常用的分割算法主要有均值漂移分割算法、分水嶺分割算法、eCognition多分辨率分割算法等。遙感影像分割是提取地物目標(biāo)基元的首要步驟，影像分割的最佳狀態(tài)是將想要提取的真實地物目標(biāo)用影像對象的形式表達(dá) 出來，分割出的地物空間邊界與目視解譯的邊界類似，與地物真實界線符合度較高。最佳的 分割結(jié)果就是得到有地理意義的影像對象(基元)，使得針對此基元所計算得到的形狀、紋理和空間關(guān)系等特征能夠有效用于分類。在傳統(tǒng)的遙感圖像分割方法中(如均值漂移分割算法或多分辨率分割算法)，往往都需要針對所分析的影像設(shè)定一個表達(dá)影像分割詳細(xì)程度的尺度參數(shù)，此尺度參數(shù)在分割中的象元合并或基元合并過程起到控制作用，尺度參數(shù)與分割基元的面積有直接或者間接的聯(lián)系。然而，由于地理現(xiàn)象的區(qū)域性特征與復(fù)雜性，同一幅影像中不同的區(qū)域地物類型可能不同，其復(fù)雜程度不一樣，而傳統(tǒng)分割算法對同一幅影像分割所采用的尺度參數(shù)卻是一樣的，其對不同復(fù)雜程度的影像區(qū)域缺乏自適應(yīng)性。所以，使用傳統(tǒng)分割方法時，當(dāng)選擇的尺度參數(shù)適合于分割高復(fù)雜度區(qū)域的影像時，對于低復(fù)雜度區(qū)域則會過分割，而如果采用較大的尺度參數(shù)分割，則對復(fù)雜區(qū)域地物欠分割。特別在對大區(qū)域范圍的影像進(jìn)行自動分析時，傳統(tǒng)方法對于欠分割和過分割的矛盾難以調(diào)和，無法從分割結(jié)果上提取有地理代表意義的影像基元，這就直接導(dǎo)致了與地物目標(biāo)相關(guān)的形狀、紋理、空間關(guān)系等特征難以有效利用，限制了面向?qū)ο蠓诸惖木扰c有效性。本發(fā)明提出了一種面向遙感影像分割的基于對象合并指數(shù)(OMI)進(jìn)行對象基元合并的方法。經(jīng)文獻(xiàn)和專利檢索發(fā)現(xiàn)，與本發(fā)明提出的基于邊緣特征構(gòu)建合并指數(shù)的對象合并方法類似的方法未見報道。

發(fā)明內(nèi)容
本發(fā)明提出一種面向遙感影像分割的對象基元合并方法，該方法以傳統(tǒng)通用的分割方法小尺度預(yù)分割結(jié)果為基礎(chǔ)，設(shè)計一種新的對象合并指數(shù)(Object Merge Index, OMI)作為判別指標(biāo)進(jìn)行對象基元合并，實現(xiàn)對圖像分割基元的優(yōu)化。對象合并的判別規(guī)則主要依據(jù)當(dāng)前對象與其鄰域?qū)ο筻徑犹庍吔绲倪吘壧卣魇欠衩黠@來判別?；谠摵喜⒎椒ǖ倪b感影像二次分割具有較強(qiáng)的尺度自適應(yīng)能力，能夠較好地平衡過分割和欠分割的矛盾。本發(fā)明提出的面向遙感影像分割的對象基元合并方法，包括以下實施步驟(I)選取待分析的遙感影像，計算其邊緣量化影像CL ；
(2)對待分析的遙感影像進(jìn)行預(yù)分割，采用通用的分割方法(如均值漂移分割或者多分辨率分割算法)，使用較小的分割尺度，得到小尺度分割結(jié)果；(3)遍歷分割結(jié)果的所有對象，對象集合中取當(dāng)前處理對象O ;(4)取當(dāng)前處理對象的鄰域?qū)ο蠹蟅 ；(5)對當(dāng)前處理對象O和所有領(lǐng)域?qū)ο骎進(jìn)行對象合并操作，更新對象集合；(6)取對象集合中下一個對象為當(dāng)前處理對象，重復(fù)步驟(4)，(5)，直到所有對象都被處理完。上述對象合并方法中所述步驟(I)，計算邊緣量化影像CL，實現(xiàn)方法如下(I)選取待分析的遙感影像；·
(2)選擇對典型地物邊界敏感的波段Li，采用canny算法計算量化影像CLi ；(3)融合所有的邊緣量化影像，結(jié)果為CZ = IiCZ,
η上述對象合并方法中所述步驟(5)，當(dāng)前對象與其所有鄰域?qū)ο骎的合并操作，實現(xiàn)方法包括(I)獲取當(dāng)前中心處理對象O,計算其鄰域?qū)ο蠹蟅 ；(2)順序獲取鄰域?qū)ο蠹现械膶ο螅洰?dāng)前領(lǐng)域?qū)ο鬄閂 ；(3)計算中心對象ο與鄰域?qū)ο骎的對象合并指數(shù)OMI ；(4)如果OMI值小于設(shè)定的閾值0MI_Trsh，則合并對象ο與V，否則標(biāo)記該鄰域?qū)ο骎為不能合并；(5)判定當(dāng)前鄰域?qū)ο蠹蟅中元素是否被取完；(6)步驟(5)判定結(jié)果為否，則取下一鄰域?qū)ο?，重?fù)執(zhí)行步驟(3)和(4)；(7)步驟(5)判定結(jié)果為真，更新合并后的中心對象O，獲取其新的鄰域?qū)ο蠹蟅 ；(8)判定是否其所有鄰域?qū)ο缶粯?biāo)記為不可合并，結(jié)果為否則重復(fù)執(zhí)行步驟(2)至(7)，結(jié)果為真則結(jié)束對象合并步驟。上述將當(dāng)前對象與其所有鄰域?qū)ο蟮暮喜⒉僮鞯乃霾襟E(3)，計算中心對象與鄰域?qū)ο蟮膶ο蠛喜⒅笖?shù)OMI，實現(xiàn)方法包括(I)獲取當(dāng)前中心對象O，獲取待合并鄰域?qū)ο骎 ；(2)獲取中心對象O的與V相鄰的邊界象元集合B (O，V)；(3)獲取鄰域?qū)ο骎的與O相鄰的邊界象元集合B (V，O)；(4)臨時變量賦值，temp_num = O, total_num = O ；(5)順序取集合B(v，o)中的象元，記當(dāng)前象元為b(v，ο)；(6)判定當(dāng)前象元b(v，ο)的canny邊緣量化影像值CL值是否大于設(shè)定的閾值Thresh,結(jié)果為真則將temp num值加1，并跳到步驟(9)，否則繼續(xù)下一步；(7)獲取邊界象元b(v,o)的鄰域內(nèi)屬于中心對象O的象元b (O, V)；(8)判定象元b(o,v)的canny邊緣量化影像值CL值是否大于設(shè)定的閾值Thresh,結(jié)果為真則將temp_num值加1，否則直接跳到步驟(9)(9) total_num 值增加 I ；
(10)判定是否將集合B (V，ο)中的象元全部取完，如果沒有取完，則回到步驟(5)，繼續(xù)執(zhí)行步驟(6)至步驟(9);如果全部象元被取完，則執(zhí)行步驟(11)；(11)計算中心對象ο與鄰域?qū)ο骎的對象合并指數(shù)OMI = temp_num/total_num ；本發(fā)明所提出的基于對象合并指數(shù)(OMI)進(jìn)行對象基元合并方法，其優(yōu)點是能夠改進(jìn)傳統(tǒng)遙感影像分割方法中對尺度參數(shù)的依賴，對不同復(fù)雜程度的影像的處理時具有較強(qiáng)的尺度適應(yīng)能力，能夠較好的平衡過分割和欠分割的矛盾，能夠更好的抽取出地物目標(biāo)的真實邊界和其他空間特征。


圖I :本發(fā)明方法中基于對象合并的遙感影像二次分割流程框2 =Canny邊緣量化影像計算流程框圖
圖3 :當(dāng)前對象、鄰域?qū)ο笈c邊界對象示意4 :當(dāng)前對象與其所有領(lǐng)域?qū)ο蠛喜⒂嬎懔鞒炭? :對象合并指數(shù)OMI計算流程框6 SP0T5多光譜遙感影像圖7 :實驗影像小尺度(10)預(yù)分割結(jié)果圖8 :本方法對象合并后的分割結(jié)果
具體的實施方式本發(fā)明提出的面向遙感影像分割的基于對象合并指數(shù)(OMI)的影像對象基元合并方法，其實現(xiàn)基本流程如圖I所示。首先選取待分析的遙感影像，計算其邊緣量化影像CL，然后對遙感影像進(jìn)行預(yù)分割，采用通用的分割方法(如均值漂移分割或者多分辨率分割算法)，使用較小的分割尺度，得到小尺度分割結(jié)果，取預(yù)分割結(jié)果對象集合中的一個對象為當(dāng)前處理對象O，計算當(dāng)前對象與鄰域?qū)ο蟮暮喜⒅笖?shù)0ΜΙ，如果OMI值滿足閾值條件，則合并當(dāng)前對象與其領(lǐng)域?qū)ο?，如果?dāng)前對象的所有領(lǐng)域?qū)ο缶粷M足合并條件，則當(dāng)前對象合并處理完成，取預(yù)分割結(jié)果中的下一對象作為當(dāng)前對象，循環(huán)執(zhí)行鄰域?qū)ο蠛喜⒉僮鳎钡筋A(yù)分割結(jié)果集合中所有元素遍歷完。上述方法中計算邊緣量化影像的實施步驟如圖2所示，首先分析原始影像，根據(jù)所提取的目標(biāo)，選取對目標(biāo)邊界敏感的波段，采用canny邊緣提取算法，計算邊緣量化影像(canny邊緣量化算法使用普遍，此處不再贅述)，如果選擇了多個波段，則將邊緣量化值的均值作為最后邊緣量化影像。上述方法中將當(dāng)前對象與其所有鄰域?qū)ο蠛喜⒌挠嬎悴襟E如圖4所示，計算步驟中涉及的當(dāng)前對象、鄰域?qū)ο蠛瓦吔鐚ο蟮氖疽鈭D見圖3。首先獲取當(dāng)前中心處理對象O，計算其鄰域?qū)ο蠹蟅 ;順序取鄰域?qū)ο蠹现械脑豓，計算當(dāng)前中心對象與鄰域?qū)ο蟮膶ο蠛喜⒅笖?shù)0ΜΙ，如果閾值符合要求，則合并，否則標(biāo)記當(dāng)前鄰域?qū)ο鬄椴荒芎喜?；遍歷當(dāng)前鄰域?qū)ο蠹蟅中所有元素，做上述合并處理；如果當(dāng)前鄰域?qū)ο蠹现兴性靥幚硗?，則更新合并后的中心對象ο及其鄰域?qū)ο蠹蟅，計算未被標(biāo)記的鄰域?qū)ο蟮膶ο蠛喜⒅笖?shù)，繼續(xù)合并知道所有鄰域?qū)ο缶粯?biāo)記為無法合并。上述方法中對象合并指數(shù)OMI的計算步驟如圖5所示，計算步驟中涉及的當(dāng)前對象、鄰域?qū)ο蠛瓦吔鐚ο蟮氖疽鈭D見圖3。首先獲取當(dāng)前中心對象ο和待合并的鄰域?qū)ο骎，計算獲取分屬中心對象和鄰域?qū)ο蟮南噜彽倪吔缦笤螧 (O, V)和Β(ν, ο);順序取鄰域邊界象元集合的象元b (V, O),如果當(dāng)前象元的canny邊緣量化值大于閾值,或者b (ν, O)的鄰域象元b (ο, V)的canny邊緣量化值大于閾值,則計數(shù)器temp_num加I,否則下一步；取鄰域邊界象元集合中的下一象元，重復(fù)上述步驟，直到所有元素被取完；統(tǒng)計Β(ν，ο)中元素的總數(shù)total_num,則可以計算當(dāng)前對象與其鄰域?qū)ο蟮膶ο蠛喜⒅笖?shù)OMI。以下為本發(fā)明的一個實施例子現(xiàn)有空間分辨率為IOm的SP0T5多光譜遙感影像(圖6)，所處區(qū)域為海岸帶地區(qū)。由于本幅影像以水體和植被為主要地物類型，因此我們可以選取近紅外波段(NIR，bandl)來計算邊緣影像。采用傳統(tǒng)分割方法以較小尺度參數(shù)(10)對實驗影像進(jìn)行預(yù)分割，得到結(jié)果如圖7。可以看到，在大面積水域部分出現(xiàn)了嚴(yán)重的過分害I]，植被區(qū)域過分割也較為嚴(yán)重，在養(yǎng)殖區(qū)域分割斑塊對養(yǎng)殖池塘的劃分基本合理。從預(yù)分割結(jié)果集合中取當(dāng)前處理對象O，按照本發(fā)明方法中的對象合并步驟，完成當(dāng)前對象與其鄰域?qū)ο蟮暮喜⒉僮?。合并過程有兩層主要的循環(huán)，分別稱為內(nèi)層循環(huán)和外層循環(huán)。當(dāng)前處理對象的鄰域?qū)ο笥卸鄠€，每個鄰域?qū)ο缶枰嬎愫喜⒅笖?shù)，考慮合并操·作，此為內(nèi)層循環(huán)。另外，當(dāng)前對象有合并操作后，其鄰域?qū)ο蠹蠒l(fā)生改變，所以，合并操作后，需要重新獲取鄰域?qū)ο蠹?，并進(jìn)行合并計算，直到無法再合并為止，此為外層循環(huán)。具體實施方法如下(I)獲取當(dāng)前中心處理對象O,計算其鄰域?qū)ο蠹蟅 ；(2)順序獲取鄰域?qū)ο蠹现械膶ο螅洰?dāng)前領(lǐng)域?qū)ο鬄閂 ；(3)計算中心對象ο與鄰域?qū)ο骎的合并指數(shù)OMI ；(4)如果OMI值小于設(shè)定的閾值0MI_Trsh，則合并對象ο與V，否則標(biāo)記該鄰域?qū)ο骎為不能合并；(5)判定當(dāng)前鄰域?qū)ο蠹蟅中元素是否被取完；(6)步驟(5)判定結(jié)果為否，則取下一鄰域?qū)ο?，重?fù)執(zhí)行步驟(3)和(4)；(7)步驟(5)判定結(jié)果為真，更新合并后的中心對象O，獲取其新的鄰域?qū)ο蠹蟅 ；(8)判定是否其所有鄰域?qū)ο缶粯?biāo)記為不可合并，結(jié)果為否則重復(fù)執(zhí)行步驟
(2)至(7)，結(jié)果為真則結(jié)束對象合并步驟。針對每一個鄰域?qū)ο螅枰嬎闫渑c當(dāng)前處理對象之間的對象合并指數(shù)，對象合并指數(shù)OMI的計算方法是本發(fā)明的關(guān)鍵步驟，具體實施方法為(I)獲取當(dāng)前中心對象O，獲取待合并鄰域?qū)ο骎 ；(2)獲取I心對象ο的與V相鄰的邊界象元集合B (O，V);(3)獲取鄰域?qū)ο骎的與ο相鄰的邊界象元集合B (V, O)；(4)臨時變量賦值，temp_num = O, total_num = O ；(5)順序取集合B (V，O)中的象元，記當(dāng)前象元為b (V，O)；(6)判定當(dāng)前象元b(v，ο)的canny邊緣量化影像值CL值是否大于設(shè)定的閾值Thresh,結(jié)果為真則將temp_num值加I,并跳到步驟(9),否則繼續(xù)下一步；(7)獲取邊界象元b(v,o)的四鄰域內(nèi)屬于中心對象O的象元b (O, V)；(8)判定象元b(o,v)的canny邊緣量化影像值CL值是否大于設(shè)定的閾值Thresh,結(jié)果為真則將temp_num值加1，否則直接跳到步驟(9)(9) total_num 值增加 I ;(10)判定是否將集合B (V，O)中的象元全部取完，如果沒有取完，則回到步驟(5)，繼續(xù)執(zhí)行步驟(6)至步驟(9);如果全部象元被取完，則執(zhí)行步驟(11)；(11)計算中心對象ο與鄰域?qū)ο骎的合并指數(shù)OMI = temp_num/total_num ；按照以上步驟對實驗區(qū)影像預(yù)分割結(jié)果進(jìn)行對象合并，得到的最終分割結(jié)果如圖8所示。結(jié)果中將過分割的區(qū)域進(jìn)行了有效合并，大面積水體邊界劃分與目視結(jié)果十分接近，植被區(qū)域過分割現(xiàn)象也得到一定的抑制，復(fù)雜度高的養(yǎng)殖區(qū)域的精細(xì)分割結(jié)果得到保持。經(jīng)過本發(fā)明方法對影像分割得到的結(jié)果，得到的影像對象與真實地物更為接近，基于此結(jié)果提取的對象空間特征將使面向?qū)ο笥跋穹治龈鼮橛行?。以上是本發(fā)明的實施步驟的詳細(xì)解說。對于本研究領(lǐng)域的一般技術(shù)人員，在不背 離本發(fā)明所述精神和權(quán)力要求范圍的情況下對它進(jìn)行各種顯而易見的改變均在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.本發(fā)明提出的面向遙感影像分割的對象基元合并方法，包括以下實施步驟 (1)選取待分析的遙感影像，計算其邊緣量化影像CL; (2)對遙感影像進(jìn)行預(yù)分割，采用通用的分割方法(如均值漂移分割或者多分辨率分割算法)，使用較小的分割尺度，得到小尺度分割結(jié)果； (3)遍歷分割結(jié)果的所有對象，對象集合中取當(dāng)前處理對象ο; (4)取當(dāng)前處理對象的鄰域?qū)ο蠹蟅； (5)對當(dāng)前處理對象ο和所有領(lǐng)域?qū)ο骎進(jìn)行對象合并操作，更新對象集合； (6)取對象集合中下一個對象為當(dāng)前處理對象，重復(fù)步驟(4)，(5)，直到所有對象都被處理完。
2.根據(jù)權(quán)力要求I所述步驟(I)，計算邊緣量化影像CL，實現(xiàn)方法如下 (1)選取待分析的遙感影像； (2)選擇對典型地物邊界敏感的波段Li，采用canny算法計算量化影像CLi； (3)融合所有的邊緣量化影像，結(jié)果為
3.根據(jù)權(quán)力要求I所述步驟(5)，當(dāng)前對象與其所有鄰域?qū)ο骎的合并操作，實現(xiàn)方法如下 (1)獲取當(dāng)前中心處理對象ο,計算其鄰域?qū)ο蠹蟅； (2)順序獲取鄰域?qū)ο蠹现械膶ο螅洰?dāng)前領(lǐng)域?qū)ο鬄閂； (3)計算中心對象ο與鄰域?qū)ο骎的對象合并指數(shù)OMI； (4)如果OMI值小于設(shè)定的閾值0MI_Trsh，則合并對象ο與V，否則標(biāo)記該鄰域?qū)ο螃蜑椴荒芎喜ⅲ? (5)判定當(dāng)前鄰域?qū)ο蠹蟅中元素是否被取完； (6)步驟(5)判定結(jié)果為否，則取下一鄰域?qū)ο螅貜?fù)執(zhí)行步驟(3)和(4)； (7)步驟(5)判定結(jié)果為真，更新合并后的中心對象O，獲取其新的鄰域?qū)ο蠹蟅; (8)判定是否其所有鄰域?qū)ο缶粯?biāo)記為不可合并，結(jié)果為否則重復(fù)執(zhí)行步驟(2)至(7)，結(jié)果為真則結(jié)束對象合并步驟。
4.根據(jù)權(quán)力要求3所述步驟(3)，計算中心對象與鄰域?qū)ο蟮膶ο蠛喜⒅笖?shù)0ΜΙ，實現(xiàn)方法如下 (1)獲取當(dāng)前中心對象O，獲取待合并鄰域?qū)ο螃?獲取中心對象ο的與ν相鄰的邊界象元集合B (O, V);獲取鄰域?qū)ο螃偷呐cο相鄰的邊界象元集合B (ν, O)； (2)臨時變量賦值，temp_num= O, total_num = O ； (3)順序取集合B(ν, ο)中的象元,記當(dāng)前象元為b (ν, ο)； (4)判定當(dāng)前象元b(v,o)的canny邊緣量化影像值CL值是否大于設(shè)定的閾值Thresh,結(jié)果為真則將temp_num值加1，并跳到步驟(5)，否則獲取邊界象元b (ν，ο)的鄰域內(nèi)屬于中心對象ο的象元b (ο, V),判定象元b (ο, V)的canny邊緣量化影像值CL值是否大于設(shè)定的閾值Thresh,結(jié)果為真則將temp_num值加I ;(5)total_num 值增加 I ； (6)判定是否將集合Β(ν，ο)中的象元全部取完，如果沒有取完，則回到步驟(3)，繼續(xù)執(zhí)行步驟(4)至步驟(5);如果全部象元被取完，則執(zhí)行步驟(7)；(7)計·算中心對象ο與鄰域?qū)ο螃偷膶ο蠛喜⒅笖?shù)OMI = temp—num/total—num。
全文摘要
本發(fā)明涉及一種面向遙感影像分割的基于對象合并指數(shù)(Object Merge Index，OMI)進(jìn)行對象(基元)合并的方法，屬于遙感影像處理與分析技術(shù)領(lǐng)域。首先根據(jù)原始影像計算邊緣量化影像，并對原始影像采用常規(guī)分割算法的小尺度預(yù)分割，根據(jù)邊緣量化影像計算得到預(yù)分割對象的對象合并指數(shù)OMI，基于OMI值的大小進(jìn)行對象合并，得到最終分割的結(jié)果。本方法能夠改進(jìn)傳統(tǒng)遙感影像分割方法中對尺度參數(shù)的依賴，對不同復(fù)雜程度的影像的處理時具有較強(qiáng)的尺度適應(yīng)能力，能夠較好的平衡過分割和欠分割的矛盾。
文檔編號G06T7/00GK102915531SQ20111022314
公開日2013年2月6日 申請日期2011年8月5日 優(yōu)先權(quán)日2011年8月5日
發(fā)明者張濤, 楊曉梅, 周成虎 申請人:中國科學(xué)院地理科學(xué)與資源研究所