[發(fā)明專利]一種基于各向異性勢函數(shù)的馬氏場遙感圖像分割方法

有效

• 申請?zhí)枺?/td>: 201910302954.0
• 申請日: 2019-04-16
• 公開（公告）號: CN111210433B
• 公開（公告）日: 2023-03-03
• 發(fā)明（設(shè)計）人: 鄭晨;潘欣欣;陳運(yùn)成
• 申請（專利權(quán)）人: 河南大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 鄭州優(yōu)盾知識產(chǎn)權(quán)代理有限公司 41125
• 代理人: 栗改

本發(fā)明提出了一種基于各向異性勢函數(shù)的馬氏場遙感圖像分割方法，步驟為：對像素級圖像進(jìn)行初始化過分割處理，得到對象級圖像和區(qū)域鄰接圖，并在區(qū)域鄰接圖上分別定義鄰域系統(tǒng)、觀測特征場和分割標(biāo)記場；對觀測特征場進(jìn)行似然函數(shù)的特征建模，對分割標(biāo)記場聯(lián)合概率分布中能量函數(shù)的勢函數(shù)進(jìn)行各向異性的概率建模；根據(jù)Bayes準(zhǔn)則得到勢函數(shù)各向異性的條件下分割標(biāo)記場的后驗分布，運(yùn)用最大后驗概率準(zhǔn)則更新迭代分割并由此得到最終分割結(jié)果。實驗驗證，無論是定性分析還是定量分析，都驗證了本發(fā)明在遙感影像分割中的有效性；本發(fā)明可用以解決遙感圖像中由于光譜值相似而加大了分割難度的問題，相比于人工檢測，極大地提高了工作效率。

技術(shù)領(lǐng)域

本發(fā)明涉及影像分割的技術(shù)領(lǐng)域，具體涉及高分辨率遙感影像的分割，尤其涉及一種基于各向異性勢函數(shù)的馬氏場遙感圖像分割方法。

背景技術(shù)

影像分割就是把影像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。它是由影像處理到影像分析的關(guān)鍵步驟。

近年來，隨著遙感技術(shù)的不斷發(fā)展，不同傳感器獲取的遙感影像開始廣泛應(yīng)用于土地覆蓋檢測、森林覆蓋檢測、濕地資源檢測、城鄉(xiāng)規(guī)劃以及軍事偵察等各個領(lǐng)域。為了充分利用遙感影像數(shù)據(jù)中包含的有用信息，研究人員進(jìn)行了大量影像分析處理研究，其中影像分割成為該領(lǐng)域的研究熱點之一。目前，已有許多方法應(yīng)用于影像分割，如：閾值法、聚類等，這些方法往往假設(shè)同質(zhì)地物類別具有相似的特征，而不同地物間具有不同的特征差異。但是，隨著遙感影像空間分辨率的提高，地物細(xì)節(jié)得以彰顯，結(jié)構(gòu)信息更加突出，同物異譜與異物同譜現(xiàn)象進(jìn)一步加劇，使得這些方法難以獲得高精度的分割結(jié)果。為了描述高空間分辨率遙感影像的特點，Deep learning、MRF等方法又被相繼提出，這些方法在原有分割理論的基礎(chǔ)上，考慮了更多的先驗信息或條件約束。提高了分割的精度。其中，MRF因其具有馬氏性，能夠更好的描述影像基元間的空間關(guān)系，而受到了廣泛應(yīng)用。基于MRF的影像分割中，也有很多常用的方法，其中，最早的影像分割方法是經(jīng)典的像素級的ICM算法，進(jìn)而發(fā)展到基于多尺度MRF模型的影像處理方法，以上這兩種都是基于像素的分割方法，它們考慮的范圍有一定的局限性，因此，就有了后來的對象級的OMRF方法，考慮了更多的區(qū)域信息和空間鄰域關(guān)系。雖然這些方法改善了分割效果，但這些方法的勢函數(shù)都是各向同性的，即只判斷兩個相鄰的基元是否屬于同一類的地物。然而，地物關(guān)系不僅局限于此，不同地物類別之間存在著不同的相關(guān)關(guān)系。

發(fā)明內(nèi)容

針對現(xiàn)有的遙感圖像分割方法的標(biāo)記場能量函數(shù)的勢函數(shù)是各向同性的，只能判斷兩個相鄰基元是否屬于同一類地物，有很多細(xì)碎的錯誤分類技術(shù)問題，本發(fā)明提出一種基于各向異性勢函數(shù)的馬氏場遙感圖像分割方法，將勢函數(shù)通過損失矩陣刻畫成改成各向異性的，從而判別不同的類別間的作用關(guān)系，可以處理光譜值相似但類別不同和同一類別不同光譜值的問題，即地物間同物異譜和異物同譜的問題。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：一種基于各向異性勢函數(shù)的馬氏場遙感圖像分割方法，將標(biāo)記場中能量函數(shù)的勢函數(shù)原有的各向同性改為各向異性，其步驟如下：

步驟一：對輸入的影像進(jìn)行初始化過分割處理，將影像分成若干個過分割區(qū)域，并利用過分割區(qū)域建立區(qū)域鄰接圖，根據(jù)區(qū)域鄰接圖定義影像的鄰域系統(tǒng)、對象級的觀測特征場和對象級的分割標(biāo)記場；

步驟二：采用混合高斯分布對觀測特征場進(jìn)行似然函數(shù)的特征建模，對分割標(biāo)記場聯(lián)合概率分布中能量函數(shù)的勢函數(shù)進(jìn)行各向異性的概率建模；

步驟三：根據(jù)Bayes準(zhǔn)則得到勢函數(shù)各向異性的條件下分割標(biāo)記場的后驗分布，運(yùn)用最大后驗概率準(zhǔn)則更新迭代分割，得到最終分割影像圖像。

所述步驟一中鄰域系統(tǒng)、觀測特征場和分割標(biāo)記場的實現(xiàn)方法為：

1)輸入的影像I(R,G,B)的各個波段的大小為a×b，其位置集合為：

S＝{(i1,j1)|1≤i1≤a,1≤j1≤b}；