[發明專利]超像素分類識別的遙感圖像水域分割提取方法

在審

• 申請號: 202010544451.7
• 申請日: 2020-06-15
• 公開（公告）號: CN111696123A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 劉秀萍;劉文平
• 申請（專利權）人: 荊門匯易佳信息科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/34;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.超像素分類識別的遙感圖像水域分割提取方法，其特征在于，采用超像素圖像分割將遙感圖像水域劃分為若干個超像素，利用圖像的水域特征提取方法分別從光譜、紋理、地形三個維度提取超像素的特征，通過SVM分類器訓練出來的最佳分類面，將超像素分為水域和非水域；

超像素分類識別的遙感圖像水域分割提取方法包括超像素圖像分割、圖像的水域特征提取、構建學習訓練樣本庫和SVM驅動的監督分類四個步驟；

超像素圖像分割分為兩步，一是主成分降維分析的波段選取，二是基于大津法的改良線性聚類圖像分割；

圖像的水域特征提取從光譜特征、紋理特征、地形特征三個維度提取遙感圖像中的水域特征，將超像素內所有像素的特征均值作為超像素特征值；

構建學習訓練樣本庫中，通過目視判讀在遙感圖像上選取一定數目標水域和非水域的典型地物超像素，并人工標識這些超像素的具體地類，將超像素的不同特征進行歸一化處理，本發明采用的歸一化算法如式1所示，

B＝(A-ZXZ)/(ZDZ-ZXZ) 式1

式1中，A、B分別為轉換前、轉換后的值，ZDZ、ZXZ分別為某個特征的最大值和最小值,歸一化使不同維度之間的特征在數值上具有可比性。

2.根據權利要求1所述的超像素分類識別的遙感圖像水域分割提取方法，其特征在于，SVM驅動的監督分類建立在結構風險最小化基礎上的統計學習分類方法上，在特征空間內尋找滿足置信條件的最佳分類面，最終通過拉格朗日對偶函數轉化為求解凸二次規劃問題；

在線性不可分的情形下，SVM首先在低維空間中完成計算，然后通過核函數將輸入空間映射到高維特征空間，最終在高維特征空間中構建出最佳分離超平面；

本發明采用徑向核函數，通過開源計算機視覺庫OpenCV中的SVM工具包實現，主要包含構建樣本庫、配置SVM參數、搜索最佳分類面、基于最佳分類面的分類四個步驟，具體的實現形式為：

第一步，建立樣本庫：構建具有典型性的學習樣本庫，對樣本的特征進行歸一化處理；

第二步，配置SVM參數：在實現SVM的過程中，設置核函數的類型，本發明采用徑向核函數，還需設置算法的終止條件，SVM訓練過程是在通過迭代方式求約束條件下二次優化問題的最佳解，指定一個最大迭代次數和容許誤差，以允許算法在適當條件下停止計算；

第三步，搜索最佳分類面：利用第一步建立的樣本庫進行SVM訓練，通過不斷的迭代計算，當訓練出的模型誤差小于設定的臨界值時，得到一個最佳分類面；

第四步，基于最佳分類面的分類：對于待分類的超像素，提取其特征，并且將其歸一化處理，利用第三步得到的最佳分類面，將待分類的超像素劃分為水域或非水域，完成分類的過程。

3.根據權利要求1所述的超像素分類識別的遙感圖像水域分割提取方法，其特征在于，主成分降維分析的波段選取中，一張圖像在線性聚類算法中用[l,a,b,x,y]的5維特征向量進行描述，其中[l,a,b]是色彩空間特征，[x,y]描述像素點的空間位置特征，不同波段間存在一定程度的關聯性，存在數據的冗余，對圖像進行主成分降維分析變換，提取前三個主成分分量進行圖像分割。