專利名稱：基于區(qū)域聚類的遙感影像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種遙感影像分割方法，尤其是一種選用模糊C均值(Fuzzy CMeans, 簡(jiǎn)稱FCM)算法進(jìn)行模糊聚類，選用均值漂移(Mean Shift)算法進(jìn)行區(qū)域分割的遙感影像 分割方法。
背景技術(shù)：
遙感影像分割是指將遙感影像中的像元?jiǎng)澐譃榛ゲ幌嘟坏娜舾商囟▍^(qū)域的過程。 在海岸帶典型地物遙感信息自動(dòng)提取中采用遙感影像分割技術(shù)具有三重意義首先，使處 理的對(duì)象已從像元過渡到了對(duì)應(yīng)于現(xiàn)實(shí)世界中地物圖斑的對(duì)象，更接近人們觀測(cè)數(shù)據(jù)的思 維邏輯；其次，使同一個(gè)對(duì)象中的不同像元具有相同的光譜特征，在一定程度上克服了同物 異譜問題，同時(shí)減輕了信息提取時(shí)的椒鹽噪聲效應(yīng)；再次，面向?qū)ο蠓指顚?shí)現(xiàn)了像元計(jì)算的 集群化，減少了進(jìn)一步分析時(shí)處理的數(shù)據(jù)量，有利于深入開展高性能遙感地學(xué)計(jì)算。因此， 遙感影像分割是海岸帶遙感信息自動(dòng)提取方法中的基礎(chǔ)環(huán)節(jié)。據(jù)統(tǒng)計(jì)，當(dāng)前圖像分割方法林林總總，大約有1000多種。有關(guān)研究將圖像分割方 法大致分為五大類①基于閾值的分割方法，該方法通過選取適當(dāng)?shù)拈撝祵⑦b感影像中的 像元分為兩類或多類，直接將目標(biāo)信息和背景元素分開。②基于邊緣的分割方法，即利用不 同區(qū)域間像元灰度不連續(xù)的特點(diǎn)檢測(cè)出區(qū)域間的邊緣，再通過邊緣跟蹤，形成的封閉曲線 構(gòu)成小圖斑。③基于區(qū)域的分割方法，主要指區(qū)域生長(zhǎng)法和分裂合并法，其關(guān)鍵是判斷兩個(gè) 相鄰區(qū)域相似性的準(zhǔn)則或函數(shù)。④基于聚類的分割方法，是將影像中的每個(gè)像元都映射為 特征空間上的一個(gè)點(diǎn)，影像中不同的地類，就對(duì)應(yīng)特征空間上不同的聚類。⑤基于特定模型 的分割算法。將圖像分割算法應(yīng)用于遙感圖像中，在20世紀(jì)末已開展了較多的研究(1986 年，CanonR L 等，在《Geoscience and Remote Sensing》第 24 期中發(fā)表文章“Sementation of a thematic mapper image using the fuzzy c-means clusteringalgorithm，，；1988 年，Laprade R H 等，在《Computer Vision, Graphics and ImageProcessing》第 48 期中 發(fā)@文I "Sp 1 it-and-merge segmentation of aerialphotographs" ； 1995 ^^SL^ 在《環(huán)境遙感》第10卷第4期中發(fā)表文章“基于知識(shí)的迭代四叉樹分割” ；1999年，劉偉強(qiáng) 等在《東南大學(xué)學(xué)報(bào)》29卷Bll期中發(fā)表文章“基于馬爾可夫隨機(jī)場(chǎng)的遙感圖像分割和描 述”)。但是由于遙感圖像的特殊性①遙感圖像尺寸較大(隨尺寸增長(zhǎng)、計(jì)算復(fù)雜度呈指 數(shù)上升)；②遙感圖像中的地物類型多樣、形態(tài)結(jié)構(gòu)復(fù)雜；③遙感圖像中表達(dá)的現(xiàn)象或過 程中往往具有多尺度的特性；④遙感圖像是在非均勻光照條件下成像的，受到多種成像因 素(如大氣條件、地形因素)影響，同類地物的光譜差異較大。由于遙感圖像的這些特性， 簡(jiǎn)單應(yīng)用上述的圖像分割算法于遙感影像中，在有些情況下，其效果并不令人滿意。自第 一個(gè)面向?qū)ο蟮倪b感信息提取軟件eCognition面世以來，遙感影像分割方法由于加入了 更多的地學(xué)特性才取得了長(zhǎng)足的發(fā)展(2000年，BAATZ等在《Angewandte Geographische Informations-Verarbeitung))第 7 期，發(fā)表文章“Multiresolution segmentation-an optimization approach for high qualitymulti-scale image segmentation"；2001Blaschke 等在《International Archives ofPhotogrammetry and Remote Sensing》第 34 卷第 4 期發(fā)表文章“Ob ject-orientedimage analysis and scale-space theory and methods for modeling and evaluatingmultiscale landscape structures，，;2004 年，陳 秋曉等在《遙感科學(xué)》第5卷第3期發(fā)表文章“基于多特征的遙感影像分類方法”;2003年， 酈蘇丹等在《遙感學(xué)報(bào)》第7卷第2期，發(fā)表文章“基于相似性準(zhǔn)則的SAR圖像分割方法”； 2009年，沈占峰等在《武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)》第35卷第3期發(fā)表文章“高分辨率遙 感影像多尺度均值漂移分割算法研究”)。縱觀前文提到的五類最主要的遙感圖像分割方法，每一類都有自身獨(dú)特的優(yōu)勢(shì)， 但也都存在較為明顯的不足。①閾值分割。優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，運(yùn)算效率高，速度快；缺點(diǎn)是對(duì)圖像的直方圖依賴 性過強(qiáng)，而未考慮空間特征，因此受噪聲影響較大。②邊緣分割。優(yōu)點(diǎn)是符合人類視覺系統(tǒng)的特點(diǎn)，邊緣檢測(cè)微分算子的發(fā)展已比較 成熟；缺點(diǎn)是抗噪性和精度難以兩全，且邊緣跟蹤方法的發(fā)展相對(duì)滯后，應(yīng)用于地物復(fù)雜的 遙感影像，往往難以在區(qū)域封閉完整和過分割之間實(shí)現(xiàn)平衡。③區(qū)域分割。優(yōu)點(diǎn)是充分考慮了圖像的空間信息，并且易于同尺度概念相結(jié)合，符 合遙感地學(xué)信息的一股特征；缺點(diǎn)是計(jì)算復(fù)雜，區(qū)域相似性指標(biāo)往往難以確定。④聚類分割。優(yōu)點(diǎn)是易于實(shí)現(xiàn)，對(duì)遙感影像的運(yùn)算結(jié)果包含了對(duì)地物信息的初步 理解，有利于進(jìn)一步分析；缺點(diǎn)是未利用影像的空間信息，分割結(jié)果易于產(chǎn)生椒鹽現(xiàn)象。⑤特定模型分割。這種方法近年來發(fā)展迅速，許多新的方法在針對(duì)特定的圖像進(jìn) 行分割時(shí)較為有效，由于沒有通用的理論，這些方法各有優(yōu)劣，總體上尚不成熟，進(jìn)行圖像 分割的精度仍有待提高。

發(fā)明內(nèi)容
1.發(fā)明要解決的技術(shù)問題本發(fā)明的目的是提供一種基于區(qū)域聚類的遙感影像分割方法，該方法結(jié)合了區(qū)域 分割和聚類分割兩種方法的優(yōu)點(diǎn)，可以更便捷、有效地對(duì)遙感影像進(jìn)行分割。所以此方法可 以作為遙感影像處理的前期步驟，將遙感影像從像元轉(zhuǎn)變到對(duì)應(yīng)于現(xiàn)實(shí)世界中地物圖斑的 對(duì)象，更接近人們觀測(cè)數(shù)據(jù)的思維邏輯，從而便于進(jìn)一步從遙感影像中提取更為豐富的地
理信息O2.本發(fā)明的技術(shù)方案FCM算法原理FCM算法屬于基于劃分的聚類方法，它是一種“軟”劃分的方法，與傳統(tǒng)的“硬”劃 分方法相比，它能更好地描述現(xiàn)實(shí)世界的不確定性，因而在圖像分割等領(lǐng)域得到了廣泛的 應(yīng)用。FCM算法是在硬C均值(Hard C Means，簡(jiǎn)稱HCM)算法的基礎(chǔ)上發(fā)展而來的，后者又 被稱為K均值(K-Means)算法。K-Means算法將每個(gè)待識(shí)別的對(duì)象嚴(yán)格地劃分到某一個(gè)類 別中去，具有非此即彼的性質(zhì)。而FCM算法基于模糊集理論，它用模糊隸屬度表示每個(gè)元素 屬于某個(gè)特定集合的可能性。隸屬度的取值范圍在0到1之間，隸屬度越接近0，屬于該集 合的可能性就越?。浑`屬度越接近1，屬于該集合的可能性就越大。研究利用FCM算法的這 種特性對(duì)遙感影像進(jìn)行聚類，從而得到每個(gè)像元隸屬于各類別的概率圖像。Mean Shift算法原理Mean Shift算法是區(qū)域生長(zhǎng)與合并方法中的一種快速、穩(wěn)健的多尺度圖像濾波與 分割方法，它采用非參數(shù)核密度估計(jì)技術(shù)來進(jìn)行聚類，估計(jì)過程完全依靠樣本數(shù)據(jù)，對(duì)先驗(yàn) 知識(shí)要求極少，并且可以用于任意形狀密度函數(shù)的估計(jì)，因此對(duì)于不同結(jié)構(gòu)的數(shù)據(jù)具有更 好的適應(yīng)性和穩(wěn)健性。給定d維空間Rd中的η個(gè)樣本點(diǎn)Xi, i = 1，. . .，η，在χ點(diǎn)的Mean Shift向量的 基本形式定義為Mh(X)^jYj(Xi-X)(1)
'-S I1其中，Sh是一個(gè)半徑為h的高維球區(qū)域，滿足以下關(guān)系的y點(diǎn)的集合，Sh (χ)三{y (y-x)τ (y-χ) ( h2} (2)k表示在這η個(gè)樣本點(diǎn)Xi中，有k個(gè)點(diǎn)落入Sh區(qū)域中.我們可以看到(Xi-X)是樣本點(diǎn)\相對(duì)于點(diǎn)χ的偏移向量，⑴式定義的MeanShift 向量Mh(X)就是對(duì)落入?yún)^(qū)域Sh中的k個(gè)樣本點(diǎn)相對(duì)于點(diǎn)χ的偏移向量求和然后再平均.從 直觀上看，如果樣本點(diǎn)Xi從一個(gè)概率密度函數(shù)f(x)中采樣得到，由于非零的概率密度梯度 指向概率密度增加最大的方向，因此從平均上來說，Sh區(qū)域內(nèi)的樣本點(diǎn)更多的落在沿著概 率密度梯度的方向.因此，對(duì)應(yīng)的，Mean Shift向量Mh(χ)應(yīng)該指向概率密度梯度的方向如附

圖1所示，大圓圈所圈定的范圍就是Sh，小圓圈代表落入Sh區(qū)域內(nèi)的樣本點(diǎn) Xi e Sh，黑點(diǎn)就是Mean Shift的基準(zhǔn)點(diǎn)x，箭頭表示樣本點(diǎn)相對(duì)于基準(zhǔn)點(diǎn)χ的偏移向量，很 明顯的，我們可以看出，平均的偏移向量Mh(X)會(huì)指向樣本分布最多的區(qū)域，也就是概率密 度函數(shù)的梯度方向.比較五類主要遙感圖像分割方法的優(yōu)缺點(diǎn)，可以發(fā)現(xiàn)，區(qū)域分割同聚類分割的優(yōu) 缺點(diǎn)可以形成互補(bǔ)，一方面，聚類的結(jié)果作為區(qū)域分割的相似性指標(biāo)，改善區(qū)域分割過程對(duì) 圖像的理解；另一方面，區(qū)域分析充分考慮了圖像的空間信息，能夠避免聚類產(chǎn)生的椒鹽噪 聲。因此，研究將基于區(qū)域的分割方法和基于聚類的分割方法結(jié)合起來，提出一種新的基于 區(qū)域聚類的遙感影像分割算法，其核心思想為將在地類概率空間和地理空間上鄰近的像元 組合為對(duì)象。整個(gè)方法包括四個(gè)關(guān)鍵步驟本發(fā)明的具體技術(shù)方案如下基于區(qū)域聚類的遙感影像分割方法，步驟如下步驟1 區(qū)域預(yù)分割，即在待分割的原始圖像的光譜空間中進(jìn)行初步的區(qū)域分割， 以消除圖像中存在的噪聲，同時(shí)初步合并像元，減輕進(jìn)一步分析的計(jì)算量；其具體步驟為①輸入由N個(gè)樣本數(shù)據(jù)組成的圖像{Xi，i = 1,2,…，N}，并設(shè)定空間域帶寬、和 值域帶寬、，以及分割對(duì)象最小尺度M ；②獲取一個(gè)樣本數(shù)據(jù)Xi，根據(jù)hs和、獲取其鄰域樣本數(shù)據(jù)Xp e Sh(Xi)；③根據(jù)式火‘ (\)= ‘免
，使用核函數(shù)計(jì)算各鄰域樣本Xp
與Xi的相似度；
④根據(jù)式
權(quán)利要求
1.一種基于區(qū)域聚類的遙感影像分割方法，包括以下步驟步驟1 區(qū)域預(yù)分割，即在待分割的遙感影像的光譜空間中用MeanShift算法對(duì)圖像進(jìn) 行初步的區(qū)域分割①選擇經(jīng)過影像預(yù)處理的遙感影像作為待分割的數(shù)據(jù)源，用GDAL作為數(shù)據(jù)讀寫工具 讀入遙感影像；②要為MeanShift算法確定合適的空間域帶寬hs和光譜域帶寬hr兩個(gè)參數(shù)，實(shí)驗(yàn)證 明空間域帶寬hs為5時(shí)分割效果最好；對(duì)于光譜域帶寬hr，用以下方法計(jì)算對(duì)單個(gè)像元， 統(tǒng)計(jì)其空間域鄰域中的所有像元與它的DN值之差的均值，即為該像元鄰域范圍內(nèi)的平均 光譜差異；統(tǒng)計(jì)所有像元的平均光譜差異，對(duì)其再求均值，即為整個(gè)圖像在一定空間域帶寬 下的平均光譜差異，以此作為光譜域帶寬hr ；③用meanShift算法對(duì)影像進(jìn)行濾波處理；然后依據(jù)空間域帶寬hs和光譜域帶寬hr， 使用種子生長(zhǎng)法對(duì)圖像進(jìn)行區(qū)域標(biāo)號(hào)，最后計(jì)算相同標(biāo)號(hào)的像元的DN值的均值，以這一均 值作為該類對(duì)象所有像元的DN值填入圖像數(shù)組中即得到預(yù)分割圖像；步驟2 模糊聚類，即在預(yù)分割后圖像的光譜空間中用FCM算法進(jìn)行模糊聚類①采用FCM算法進(jìn)行模糊聚類，需要設(shè)置一個(gè)參數(shù)，即聚類數(shù)C，實(shí)驗(yàn)證明選擇20作為 聚類數(shù)，綜合效果最好；所以隨機(jī)選取20個(gè)樣本像元點(diǎn)作為聚類中心；②通過計(jì)算距離矩陣和隸屬度矩陣一重新計(jì)算聚類中心一再次計(jì)算距離矩陣和隸屬 度矩陣的循環(huán)得到穩(wěn)定地聚類中心和隸屬度矩陣，從而得到每個(gè)像元點(diǎn)隸屬于每個(gè)類中心 的概率大小組成的概率圖像；步驟3 區(qū)域重分割，即對(duì)模糊聚類得到的概率圖像用MeanShift算法進(jìn)行區(qū)域分割 用與步驟1 一致的方法對(duì)概率圖像進(jìn)行MeanShift濾波處理，用種子生長(zhǎng)法對(duì)圖像進(jìn) 行標(biāo)號(hào)得到分割后的每個(gè)對(duì)象隸屬于每個(gè)地類的概率圖像；然后依據(jù)每個(gè)對(duì)象隸屬于各個(gè) 地類概率的大小進(jìn)行概率“硬化”，即確定每個(gè)對(duì)象應(yīng)屬于隸屬概率最大的那一類；步驟4:分割對(duì)象的合并，即消除面積較小的分割對(duì)象，將其歸并到鄰近分割對(duì)象中去以分割對(duì)象最小尺度M為標(biāo)準(zhǔn)，面積小于M的分割對(duì)象將被劃歸到與之最鄰近其他分 割對(duì)象中去；面積大于M的分割對(duì)象才保留下來；以此減少分割對(duì)象的數(shù)目。
2.根據(jù)權(quán)利要求1所述的基于區(qū)域聚類的遙感影像分割方法，其特征在于步驟1中對(duì) 空間域帶寬hs的設(shè)定和光譜域帶寬hr的計(jì)算方法，以及用種子生長(zhǎng)法對(duì)區(qū)域進(jìn)行標(biāo)號(hào)的 方法。
3.根據(jù)權(quán)利要求2所述的基于區(qū)域聚類的遙感影像分割方法，其特征 在于步驟2中對(duì)聚類數(shù)的選取、確定聚類中心和隸屬度矩陣的循環(huán)方法以及
4.根據(jù)權(quán)利要求1 3中任一項(xiàng)所述的基于區(qū)域聚類的遙感影像分割方法，其特征在 于步驟3中用“硬化”函數(shù)對(duì)概率圖像進(jìn)行“硬化”處理，即按照概率最大原則將概率圖像 轉(zhuǎn)換為確定的地類分割圖像。
5.根據(jù)權(quán)利要求1 3中任一項(xiàng)所述的一種基于區(qū)域聚類的遙感影像分割方法，其特征在于區(qū)域預(yù)分割、模糊聚類、區(qū)域重分割、分割對(duì)象的合并這樣順序的遙感影像分割技術(shù) 流程。
全文摘要
本發(fā)明公開了基于區(qū)域聚類的遙感影像分割方法，屬于遙感影像綜合利用領(lǐng)域。其步驟為用MeanShift算法進(jìn)行區(qū)域預(yù)分割，以去除噪聲和對(duì)像元進(jìn)行初步集群化；用模糊C均值算法對(duì)預(yù)分割后的圖像進(jìn)行模糊聚類，對(duì)各圖像對(duì)象的特征進(jìn)行初步的歸納與識(shí)別，得到各對(duì)象隸屬于某一類別的概率，構(gòu)成遙感影像的地類概率空間，從而為進(jìn)一步的區(qū)域分割提供對(duì)象合并的依據(jù)；在聚類圖像的概率空間中進(jìn)行區(qū)域分割，通過區(qū)域標(biāo)號(hào)將概率空間上相近且類別上相似的像元?jiǎng)澐譃橥粚?duì)象。本發(fā)明克服了兩種原有分割方法的不足之處，能夠精確有效地對(duì)遙感影像進(jìn)行分割，經(jīng)過集成可以批量地完成對(duì)遙感影像的分割任務(wù)，為更好地從遙感影像提取地物信息提供數(shù)據(jù)支撐。
文檔編號(hào)G06T5/00GK102005034SQ20101056689
公開日2011年4月6日 申請(qǐng)日期2010年12月1日 優(yōu)先權(quán)日2010年12月1日
發(fā)明者劉永學(xué), 李滿春, 楊康, 江沖亞, 程亮, 趙威, 陳焱明, 黃秋昊 申請(qǐng)人:南京大學(xué)