《基于灰度共生矩阵的多波段高分辨率遥感影像分割方法.pdf》由会员分享，可在线阅读，更多相关《基于灰度共生矩阵的多波段高分辨率遥感影像分割方法.pdf（12页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103578110 A (43)申请公布日 2014.02.12 CN 103578110 A (21)申请号 201310563019.2 (22)申请日 2013.11.12 G06T 7/00(2006.01) (71)申请人 河海大学 地址 210098 江苏省南京市西康路 1 号 (72)发明人 朱立琴 王友恒 (74)专利代理机构 南京苏高专利商标事务所 ( 普通合伙 ) 32204 代理人 李玉平 (54) 发明名称 基于灰度共生矩阵的多波段高分辨率遥感影 像分割方法 (57) 摘要 本发明公开一种基于灰度共生矩阵的多波段 高分辨率遥感影像分割方法， 在。
2、基于灰度共生矩 阵的纹理影像中采用降水分水岭变换单独分割每 个波段影像， 进而对各波段分割结果进行叠加。 最 后， 提出了一种的基于多波段光谱信息的区域合 并策略合并过分割结果中的碎片区域， 最终实现 影像分割。 本发明分别对高分辨率ALOS和SPOT 5 影像进行了实验， 并与传统基于局域同质性梯度 的分割方法进行了比较。 实验结果表明， 本发明能 够准确定位对象的边缘， 有效克服过分割及欠分 割现象， 具有更高的分割精度与稳定性。 (51)Int.Cl. 权利要求书 3 页 说明书 6 页 附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书6页。
3、 附图2页 (10)申请公布号 CN 103578110 A CN 103578110 A 1/3 页 2 1. 一种基于灰度共生矩阵的多波段高分辨率遥感影像分割方法， 其特征在于， 主要分 为三个步骤 ： 波段影像纹理影像特征提取 ； 降水分水岭分割 ； 分割结果叠加与区域合并 ； 1） ， 波段影像纹理影像特征提取 对每个波段影像单独进行分割， 采用灰度共生矩阵方法提取遥感影像的多个纹理特 征， 计算各个波段的纹理影像 ： 根据图像大小， 选择尺寸为 NN 像素的滑动窗口来计算灰 度共生矩阵， 计算灰度共生矩阵的熵、 角二阶矩、 对比度和一致性四个特征值， 作为新的特 征矩阵的窗口中心像元。
4、 ； 移动纹理窗口， 重复上述步骤， 直到遍历整个影像， 可以得到四个 新的纹理矩阵 ； 将得到的四个方向的纹理矩阵取平均值， 获得最终的纹理特征矩阵， 即纹理 影像 ； 2） ， 降水分水岭分割 基于所提取的纹理图像， 采用降水分水岭变换方法对每个波段影像分割进行分割 ； 3） ， 分割结果叠加与区域合并 将多波段影像中的分割结果中的边界进行叠加， 从而将原始影像过分割为大量碎片区 域， 在此基础上对这些区域进行区域合并， 获得最终的分割结果。 2. 如权利要求 1 所述的基于灰度共生矩阵的多波段高分辨率遥感影像分割方法， 其特 征在于， 对于一个由 N 个离散灰度级组成的图像 f(x,y)。
5、 来说， 灰度共生矩阵 Pd,i,j 定义为 i， j 联合出现的概率， 其中， i 是点 (x,y) 的灰度值， j 是点 (x+x,y+y) 的灰度值， d 是指 灰度共生矩阵的生长步长 ； 是指灰度共生矩阵的生成方向，是指满足 d、 条件的灰 度值分别为 i， j 的点对数，是指满足 d、 条件的所有点对数 ； 共生矩阵 P(d,) 是一个大小为 NqNq的方阵 ： 采用灰度共生矩阵方法提取遥感影像的多个纹理特征， 计算各个波段的纹理影像 ： 根 据图像大小， 选择尺寸为 NN 像素的滑动窗口来计算灰度共生矩阵， 确定公式 （1） 步长参 数d ； 计算灰度共生矩阵的方向角取0、 45、。
6、 90、 135， 从而获得四个方向上的灰度 共生矩阵 ； 选取灰度共生矩阵的 4 个特征值， 计算特征矩阵 ； 根据公式 （1） ， 选取的特征值如下 ： 熵 当Pd,i,j中的数值均相等时， 熵最大， 反之， Pd,i,j的数值之间差别很大时， 熵较 小 ； 角二阶矩 权 利 要 求 书 CN 103578110 A 2 2/3 页 3 当 Pd,i,j 中的数值分布较集中于主对角线附近时， 说明从局部区域范围内观察图 像的灰度分布是角均匀的， 即图像呈现较粗的纹理， 相应的角二阶矩值较大， 反之较小 ； 对比度 一致性 根据得到的灰度共生矩阵计算相应的特征值， 作为新的特征矩阵的窗口中心。
7、像元 ； 移 动纹理窗口， 重复上述步骤， 直到遍历整个影像， 可以得到四个新的纹理矩阵 ； 将得到的四 个方向的纹理矩阵取平均值， 获得最终的纹理特征矩阵， 即纹理影像。 3. 如权利要求 1 所述的基于灰度共生矩阵的多波段高分辨率遥感影像分割方法， 其特 征在于， 降水分水岭的具体步骤如下 ： （1） 为每一个像元寻找下游像元， 并记录在数组中， 对于每一个像元， 寻找与其相比灰 度最小的邻域像元 ； （2） 标记局部最小值的点， 判断数组中的每一个元素是否为局部最小， 若是的话则赋予 一个新的标号， 将该标号同样赋予与其连通并均为局部最小的区域 ； （3） 标识非局部最小像元， 对于每一。
8、个非局部最小像元 P， 总是存在一个下游像元 ； 若 该下游像元已被标识， 则将该标号赋予 P， 否则寻找下游像元的下游像元， 直至找到已标识 的下游像元， 并将该标号赋予 P。 经过降水分水岭变换图像被分割成标号从 0 开始的一系列标号区域， 每一个局部极小 值或者说一个具有极小值的连通区域都对应了一个集水盆地。 4. 如权利要求 3 所述的基于灰度共生矩阵的多波段高分辨率遥感影像分割方法， 其特 征在于， 区域合并策略为 ： 第一步 ： 把叠加后的边界映射到每一个波段影像中， 定义过分割结果中区域为总数为 n， 影像中波段总数为 C， 某一波段中各区域的颜色均值向量为 n=（l1， l2，。
9、 ln） ， 其中 l 1,2.C。 第 二 步 ： 计 算 任 意 两 个 碎 片 区 域 RA和 RB在 每 个 波 段 中 的 欧 式 距 离 dl(A,B) lA-lB， 设定阈值 T1， 若所有波段的欧式距离均满足 dl(A,B) T1， 则直接合并区 域 RA和 RB； 若没有一个波段满足 dl(A,B) T1， 则不进行合并 ； 第三步 ： 对不满足第二步中两个判别条件的区域， 进一步计算每个波段中 RA和 RB的 方差 lAB， 从而获得所有波段的方差均值 AB T2，设定阈值 T2， 若满足 AB T2， 则合并 RA和 RB； 反之， 不进行合并。 权 利 要 求 书 CN。
10、 103578110 A 3 3/3 页 4 第四步 ： 遍历所有区域， 获得最终的分割结果。 权 利 要 求 书 CN 103578110 A 4 1/6 页 5 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 技术领域 0001 本发明涉及一种基于灰度共生矩阵的多波段高分辨率遥感影像分割方法， 属于遥 感影像分割技术领域。 背景技术 0002 目前， 高分辨率遥感影像在城市规划、 环境评价及军事等很多领域都得到广泛应 用， 而面向对象的分析方法在高分辨率遥感影像研究中正越来越多的受到重视。有效的影 像分割是面向对象的分析方法的基础和重要保证。目前， 高分辨率遥感影像的分割方法主 要分为五。
11、类 ： 基于像元的分割方法， 如阈值法、 聚类法 ； 基于边缘检测的分割方法 ； 基于区 域的分割方法 ； 基于物理模型的分割方法和结合特定数学理论 ； 工具的分割方法， 如数学 形态学、 模糊数学、 小波变换和人工神经网络等。 0003 随着航天技术与传感器技术的不断发展， 遥感影像空间分辨的不断提高， 同时也 为影像分割带来了新的挑战。 与传统中低分辨率遥感影像相比， 高分辨遥感影像中 “同谱异 物” 现在依然存在，“同物异谱” 现象更为突出。尤其在城市场景中， 丰富地物的种类， 多样 的生态环境以及复杂的图像背景都给准确的影像分割造成了困难。在众多分割方法中， 分 水岭算法具有快速、 有。
12、效、 准确特点而受到广泛应用。但在高分辨率遥感影像中， 在图像中 通常存在大量的暗纹理细节， 从而造成了大量的伪局部极小值， 这些极小值产生的伪积水 盆地会造成严重的过分割问题。针对这一问题， Vincent 等提出的沉浸分水岭分割算法有 效提高了分割精度， 但是计算效率不高。 Semt等提出了一种模拟降水的分水岭算法， 该算法 速度更快且没有保证了分割精度。在此基础上， 陈秋晓等提出了一种新颖的基于局域同质 性梯度的高分辨率遥感影像分割方法， 该算法有效的解决了分水岭变换的过分割问题， 但 也存在如下问题 ： 由于采用了过于粗糙的量化， 使高分辨率遥感影像中大量细节信息的严 重损失， 从而容。
13、易产生欠分割现象， 也很难准确定位对象的边缘 ； 由于高分辨率遥感影像中 存在大量具有相似梯度特征的对象， 而此方法仅采用了梯度信息作为提取对象的依据， 因 此需要引入更多的特征信息对这些对象加以区分 ； 最后， 此方法所采用的区域合并策略仅 对梯度影像中对象内部的灰度信息进行了比较， 而忽略了高分辨率遥感影像中不同对象在 不同波段影像中的光谱差异， 从而可能造成误合并现象。 发明内容 0004 发明目的 ： 针对现有技术中存在的问题， 本发明提供一种新颖的多波段 - 多特征 高分辨率遥感影像分割方法。首先利用灰度共生矩阵计算各个波段的纹理图像， 进而采用 降分水岭变换获得单一波段的分割结果。。
14、 进而将各波段分割结果进行叠加获得过分割的碎 片区域， 最后采用基于多波段光谱信息的区域合并策略合并碎片区域。 0005 技术方案 ： 一种基于灰度共生矩阵的多波段高分辨率遥感影像分割方法， 主要分 为三个步骤 ： 波段影像纹理影像特征提取 ； 降水分水岭分割 ； 分割结果叠加与区域合并。 0006 1， 波段影像纹理影像特征提取 说 明 书 CN 103578110 A 5 2/6 页 6 0007 对每个波段影像单独进行分割， 采用灰度共生矩阵方法提取遥感影像的多个纹理 特征， 计算各个波段的纹理影像 ： 根据图像大小， 选择尺寸为 NN 像素的滑动窗口来计算 灰度共生矩阵， 计算灰度共生。
15、矩阵的熵、 角二阶矩、 对比度和一致性四个特征值， 作为新的 特征矩阵的窗口中心像元。移动纹理窗口， 重复上述步骤， 直到遍历整个影像， 可以得到四 个新的纹理矩阵。 将得到的四个方向的纹理矩阵取平均值， 获得最终的纹理特征矩阵， 即纹 理影像。 0008 2， 降水分水岭分割 0009 基于所提取的纹理图像， 采用降水分水岭变换方法对每个波段影像分割进行分 割。 0010 3， 分割结果叠加与区域合并 0011 将多波段影像中的分割结果中的边界进行叠加， 从而将原始影像过分割为大量碎 片区域， 在此基础上对这些区域进行区域合并， 获得最终的分割结果。 0012 有益效果 ： 与现有技术相比，。
16、 本发明提供的基于灰度共生矩阵的多波段高分辨率 遥感影像分割方法， 针对高分辨率影像的特点， 算法对各波段影像单独进行了分割， 且避免 了影像量化造成的图像细节的损失 ； 进而采用度共生矩阵提取图像的多个纹理特征增加的 分割结果的可靠性， 最后提出了一种改进的区域合并策略。 通过对不同类型传感器， 不同空 间分辨率的两组遥感影像实验表明， 本发明所提方法能够精确提取图像中的细节信息， 准 确定位对象的边缘， 有效避免过分割及欠分割现象。与文献 1 所提出的方法相比， 无论目视 分析还是定量分析均表明， 对于细节信息丰富的遥感影像， 可以很好地解决常规算法欠分 割的问题， 而对于纹理特征单一的区。
17、域， 也可以很好的避免过分割的情况， 因此， 本发明具 有更高的分割精度及更好的分割效果。 附图说明 0013 图 1 为本发明实施例的 ALOS 融合影像图 ； 0014 图 2 为数据集 1 实验结果图， 其中 （a） 为本发明实施例实验结果，（b） 为文献 1 方 法实验结果 ； 0015 图 3 为本发明实施例的 ALOS 融合影像图 ； 0016 图 4 为数据集 2 实验结果图， 其中 （a） 为基于局域同质性梯度分割算法实验结果， （b） 为本发明实施例实验结果。 具体实施方式 0017 下面结合具体实施例， 进一步阐明本发明， 应理解这些实施例仅用于说明本发明 而不用于限制本发。
18、明的范围， 在阅读了本发明之后， 本领域技术人员对本发明的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。 0018 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法， 包括如下步骤 ： 0019 1 多波段纹理影像生成 0020 由于过于粗糙的量化会损失图像的细节信息， 不对原始影像进行量化， 而对每个 波段影像单独进行分割。遥感影像中的纹理特征反映了对象的空间排列信息， 而结合图像 的纹理特征则能更加有效的提取遥感图像中的有用信息， 从而提高图像分割的精度。灰度 说 明 书 CN 103578110 A 6 3/6 页 7 共生矩阵是图像纹理分析方法中的一种， 在一定程度上反映了。
19、纹理图像中的各灰度级在空 间上的分布特性， 是纹理分析领域中最经常采用的方法之一。 0021 灰度共生矩阵的数学基础是图像的二阶矩组合条件概率密度函数， 其定义为 ： 对 于一个由 N 个离散灰度级组成的图像 f(x,y) 来说， 灰度共生矩阵 Pd,i,j 定义为 i， j 联 合出现的概率， 其中， i 是点 (x,y) 的灰度值， j 是点 (x+x,y+y) 的灰度值， d 是指灰度 共生矩阵的生长步长 ； 是指灰度共生矩阵的生成方向，是指满足 d、 条件的灰度值 分别为 i， j 的点对数，是指满足 d、 条件的所有点对数 ； 共生矩阵 P(d,) 是一 个大小为 NqNq的方阵 ：。
20、 0022 0023 采用灰度共生矩阵方法提取遥感影像的多个纹理特征， 计算各个波段的纹理影 像 ： 根据图像大小， 选择尺寸为 NN 像素的滑动窗口来计算灰度共生矩阵， 确定公式 （1） 步 长参数 d。计算灰度共生矩阵的方向角 取 0、 45、 90、 135， 从而获得四个方向上 的灰度共生矩阵。 0024 Haralick 等人在灰度共生矩阵的基础上提出了 14 种相关纹理量化的统计量， 选 取灰度共生矩阵的 4 个特征值， 计算特征矩阵。根据公式 （1） ， 选取的特征值如下 ： 0025 熵 0026 0027 熵给出了一个图像内容随机性、 无序性的度量， 反映了图像中纹理的非均匀。
21、程度 或复杂程度。当 Pd,i,j 中的数值均相等时， 熵最大， 反之， Pd,i,j 的数值之间差别很 大时， 熵较小。 0028 角二阶矩 0029 0030 它是图像灰度分布均匀性或平滑性的度量， 反映了图像灰度分布的均匀程度和纹 理的粗细度。 当Pd,i,j中的数值分布较集中于主对角线附近时， 说明从局部区域范围内 观察图像的灰度分布是角均匀的， 即图像呈现较粗的纹理， 相应的角二阶矩值较大， 反之较 小。 0031 对比度 0032 0033 对比度反映图像的清晰度和纹理沟纹深浅的程度， 对于粗纹理， Pd,i,j 的数值 较集中于主对角线附近。 对比度能够与有效检测图像反差， 提取。
22、图像边缘信息， 增强线性构 造等信息。 说 明 书 CN 103578110 A 7 4/6 页 8 0034 一致性 0035 0036 一致性反映图像纹理的同质性， 度量图像纹理局部变化的多少， 是区分不同目标 的重要度量。其值大则说明图像纹理的不同区域间缺少变化， 局部非常均匀。 0037 根据得到的灰度共生矩阵计算相应的特征值， 作为新的特征矩阵的窗口中心像 元。移动纹理窗口， 重复上述步骤， 直到遍历整个影像， 可以得到四个新的纹理矩阵。将得 到的四个方向的纹理矩阵取平均值， 获得最终的纹理特征矩阵， 即纹理影像。 0038 2 降水分水岭分割 0039 基于所提取的纹理图像， 采用。
23、Smet和Pires等提出的降水分水岭变换方法对每个 波段影像分割进行分割， 降水分水岭变换的实质是寻找从图像的每个像素到图像表面高程 的局部较小的下游路径。而集水盆地则定义为满足一下条件的所有像素的集合 ： 这些像素 的下游路径终止于同一个高程极小点。降水分水岭的具体步骤如下 ： 0040 （1） 为每一个像元寻找下游像元， 并记录在数组中。对于每一个像元， 寻找与其相 比灰度最小的邻域像元。 0041 （2） 标记局部最小值的点。 判断数组中的每一个元素是否为局部最小， 若是的话则 赋予一个新的标号， 将该标号同样赋予与其连通并均为局部最小的区域。 0042 （3） 标识非局部最小像元。 。
24、对于每一个非局部最小像元P， 总是存在一个下游像元。 若该下游像元已被标识， 则将该标号赋予 P， 否则寻找下游像元的下游像元， 直至找到已标 识的下游像元， 并将该标号赋予 P。 0043 经过降水分水岭变换图像被分割成标号从 0 开始的一系列标号区域， 每一个局部 极小值或者说一个具有极小值的连通区域都对应了一个集水盆地。 可以看出分水岭变换的 过分割问题很严重， 为了解决过分割的问题， 下面提出一种改进的区域合并策略。 0044 3 分割结果叠加与区域合并 0045 将多波段影像中的分割结果中的边界进行叠加， 从而将原始影像过分割为大量碎 片区域， 在此基础上对这些区域进行区域合并， 获。
25、得最终的分割结果。鉴于文献 1 的合并策 略中仅考虑了量化影像中对象内部的梯度信息， 为进一步提高区域合并的准确性， 本文提 出了一种改进的区域合并策略 ： 0046 第一步 ： 把叠加后的边界映射到每一个波段影像中， 定义过分割结果中区域为总 数为 n， 影像中波段总数为 C， 某一波段中各区域的颜色均值向量为 n=（l1， l2， ln） ， 其中 l 1,2.C。 0047 第二步 ： 计算任意两个碎片区域 RA和 RB在每个波段中的欧式距离 dl(A,B) lA-lB， 设定阈值 T1， 若所有波段的欧式距离均满足 dl(A,B) T1， 则直接合并区 域 RA和 RB。若没有一个波段。
26、满足 dl(A,B) T1， 则不进行合并。 0048 第三步 ： 对不满足第二步中两个判别条件的区域， 进一步计算每个波段中 RA和 RB 和方差 lAB， 从而获得所有波段的方差均值 AB T2，设定阈值 T2， 若满足 AB T2， 则合并 RA和 RB。反之， 不进行合并。 说 明 书 CN 103578110 A 8 5/6 页 9 0049 第四步 ： 遍历所有区域， 获得最终的分割结果。 0050 实验结果与分析 0051 为了验证方法的可行性与有效性， 采用两组高分辨率全色多光谱融合影像进 行了实验。为了进一步分析方法的性能， 选择将实验结果与文献 1（陈秋晓， 陈述彭， 周成。
27、虎 . 基于局域同质性梯度的遥感图像分割方法及其评价 J. 遥感学报 .2006. Vol.10,No.3,pp.357-365.） 提出的方法进行了比较。 0052 数据集 1 结果分析 0053 实验数据集1采用ALOS卫星2007年采集的三波段全色-多光谱融合影像， 空间分 辨率为 2.5m， 所在地区为中国江苏省南京市江宁区河海大学， 影像的空间分辨为 2.5m。如 图 1 所示。 0054 实验中， 由于波段数为 3， 因此 C 3， 设定阈值 T1 0.6， T2 0.3。文献 1 方法 中， 各阈值设定为 ： h-threshold=39， 合并阈值 T=100。实验结果如图 2。
28、 所示。 0055 为便于目视分析分割结果， 我们对图像中的典型地物用字母进行了标记， 如果 1、 图 2 所示。其中， 区域 A、 D 和 E 为建筑物， 区域 B 为操场， 区域 C 为道路， 区域 F 和 G 为绿化 带。通过目视分析可以看出， 文献 1 的分割算法能够基本的分割遥感影像的各个区域， 但是 图像的一些细节信息却没有很好地识别出来， 如位置 A、 D 和 E， 这些建筑物的纹理特征不是 特别明显， 因此基于局域同质性梯度的分割算法没有很好的将它们分割出来， 但是本发明 则对他们进行了精确的分割， 解决了欠分割的问题， 得到了很好的分割结果。 而对于操场B， 基于局域同质性梯。
29、度的分割算法没能区分出操场的跑道和草坪， 而本发明则很好的识别出 这些信息。我们还可以看出， 本发明对于影像边缘定位比基于局域同质性梯度的分割算法 更加准确。同时， 对于植被覆盖部分即区域 F 和 G， 还有道路区域 C， 基于局域同质性梯度的 分割算法还存在着过分割的现象， 而本发明由于提出了改进的区域合并策略， 很好的解决 了分水岭变换常有的过分割情况。 0056 数据集 2 结果分析 0057 实验图像采用的是2009年采集的中国上海地区的三波段全色-多光谱融合影像， 影像的空间分辨为 2.5m ； 如图 3 所示。 0058 实验中， 由于波段数为 3， 因此 C 3， 设定阈值 T1。
30、 0.6， T2 0.3。文献 1 方法 中， 各阈值设定为 ： h-threshold=39， 合并阈值 T=100。实验结果如图 4 所示。 0059 同样， 我们对图像中的部分典型区域用字母进行了标记， 如果图3、 图4所示。 由于 该图像地物种类较少， 且存在大量内部纹理特征单一且面积较大的区域， 由于该图像地物 种类较少， 且存在大量内部纹理特征单一且面积较大的区域， 因此通过两个算法结果的目 视对比图我们不难看出， 基于局域同质性梯度的分割算法得到的图像分割结果中欠分割的 问题仍然存在， 不能很好的识别出纹理特征不是很明显的细节区域， 从而使得分割结果不 尽理想。如图 4 的 A、。
31、 B、 C 和 D 区域， 这些区域有一些细微的纹理特征， 但是局域同质性梯度 的分割算法没有将它们分割出来。且本发明更好的识别出区域 A 的边缘细节信息， 因此对 于这类细节信息丰富且纹理特征单一的遥感影像， 本发明可以得到很好的分割结果。 0060 定量分析 0061 为进一步定量分析所提出算法的性能， 采用Y.Deng.et al提出的评价标准比较两 种算法的分割精度。定义分割结果中所有区域的 J 指标均值为： 说 明 书 CN 103578110 A 9 6/6 页 10 0062 0063 （6） 式中， N 为图像中像素总数， Mk为第 k(k 1,2.N) 个区域的像素总数， J。
32、k为 第 k 个区域的 J 指标。J 指标反映了分割结果中某一区域的颜色分布均质程度 。某一算 法的分割结果对应的越小， 说明该算法的分割结果越好， 即所提取的对象内部的平均均 质程度越高。根据这一准则， 分别对两组实验进行定量分析， 结果图表 1 所示 ： 0064 表 1 分割精度定量分析 0065 0066 如表1所示， 本发明在两组实验中分割精度都明显高于文献1采用的方法， 与目视 分析结果一致， 进一步验证了本发明的可行性与有效性。 另外， 第二组实验中两种算法的分 割精度较第一组实验均有所提高， 由于数据集 2 中地物种类较少， 存在大量内部纹理特征 单一且面积较大的区域所造成的。 说 明 书 CN 103578110 A 10 1/2 页 11 图 1 图 2 说 明 书 附 图 CN 103578110 A 11 2/2 页 12 图 3 图 4 说 明 书 附 图 CN 103578110 A 12 。