[發(fā)明專利]一種基于對象相似性的最優(yōu)分割尺度選擇方法

在審

• 申請?zhí)枺?/td>: 201910343355.3
• 申請日: 2019-04-26
• 公開（公告）號: CN110047079A
• 公開（公告）日: 2019-07-23
• 發(fā)明（設(shè)計）人: 潘建平;陽振宇;陳茂霖;李明明
• 申請（專利權(quán)）人: 重慶交通大學(xué)
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 重慶飛思明珠專利代理事務(wù)所(普通合伙) 50228
• 代理人: 劉念芝

1.一種基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于包括以下步驟：

步驟1：導(dǎo)入高分辨率原始遙感影像，并影像對進行預(yù)處理；

步驟2：對預(yù)處理后的遙感影像進行不同分割尺度的分割，得到多個尺度的分割結(jié)果；

步驟3：選取一定數(shù)量的原始遙感影像作為參考對象，并利用位置關(guān)系選擇方法，檢索出參考對象所對應(yīng)的分割結(jié)果作為分割對象；

步驟4：對各個分割對象分別進行相似度分析，計算不同尺度下分割對象與參考對象之間的灰度相似度與紋理相似度，并構(gòu)建最優(yōu)分割尺度質(zhì)量評價函數(shù)；

步驟5：根據(jù)最優(yōu)分割尺度質(zhì)量評價函數(shù)的值確定最終的最優(yōu)分割尺度，形成最優(yōu)分割尺度組。

2.根據(jù)權(quán)利要求1所述的基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于：步驟1中所述預(yù)處理包括全色和多光譜影像融合、影像裁剪。

3.根據(jù)權(quán)利要求2所述的基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于：所述全色和多光譜影像融合采用Envi軟件NNDiffuse Pan Sharpening算法進行。

4.根據(jù)權(quán)利要求1所述的基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于：步驟2中所述不同分割尺度的尺度范圍為40～120，間隔單位設(shè)置為5。

5.根據(jù)權(quán)利要求1或4所述的基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于：步驟2中采用分形網(wǎng)絡(luò)進化分割算法對預(yù)處理后的遙感影像進行分割處理。

6.根據(jù)權(quán)利要求1所述的基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于：步驟4中所述灰度相似度的計算步驟為：

步驟A1：按照公式分別計算參考對象與分割對象的灰度值，其中R、G、B分別為影像的三個顏色分量；

步驟A2：按照公式計算參考對象與分割對象的灰度相似度G，其中，m表示參考樣本對象的個數(shù)，n表示參考樣本對應(yīng)分割對象的個數(shù)，H_m和H_n分別為參考對象和分割對象的灰度值統(tǒng)計直方圖。

7.根據(jù)權(quán)利要求1所述的基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于：步驟4中所述紋理相似度的計算步驟為：

步驟B1：基于灰度共生矩陣，按照公式分別計算某個分割尺度下各分割對象的紋理均值Mean，其中，k為影像灰度化后最大的灰度級，f(i，j)表示灰度值為i和j的像素對共生的概率；

步驟B2：按照公式計算參考對象與分割對象的紋理相似度W，其中，m表示參考對象的個數(shù)，n表示參考對象對應(yīng)的分割對象的個數(shù)，Mean_m和Mean_n分別為參考對象與分割對象的灰度共生矩陣紋理均值。

8.根據(jù)權(quán)利要求1或6或7所述的基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于：步驟4中最優(yōu)分割尺度質(zhì)量評價函數(shù)的表達式為：

F(G,W)＝αG+(1-α)W，

其中，F(xiàn)(G,W)為最優(yōu)分割尺度質(zhì)量評價函數(shù)，G與W分別表示灰度相似度和紋理相似度，α為灰度相似度G在最優(yōu)分割尺度質(zhì)量評價函數(shù)中所占的權(quán)重，其值取0或1。

9.根據(jù)權(quán)利要求1所述的基于對象相似性的最優(yōu)分割尺度選擇方法，其特征在于：步驟5中所述最優(yōu)分割尺寸獲取過程為：

將不同分割尺度對應(yīng)的最優(yōu)分割尺度質(zhì)量評價函數(shù)的值進行排序，其中min|F(G,W)-1|對應(yīng)的尺度即為最優(yōu)分割尺度。