一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法

摘要

本发明是一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法，目的在于解决高空间分辨率多光谱遥感图像的分割问题。具体步骤如下：首先用多光谱梯度算法对多光谱图像求梯度得到梯度图像，然后用分水岭算法对梯度图像进行分割，最后按合并算法利用区域间的相似性进行区域合并得到最终的分割结果。

说明书

技术领域：

本发明属于遥感图像处理及图像分割技术领域，是基于分水岭算法能够处理多光谱遥感图像并能消除分水岭算法过分割现象的图像分割方法。

背景技术：

当前遥感数据呈现出高空间、高光谱和高时间分辨率等特点，其种类与容量都达到前所未有的规模，目视解译海量数据早已公认是不能完成的任务，必须依靠计算机自动进行信息解译。高分辨率图像是指空间分辨率超过5米的图像，图像信息的高度细节化、纹理变化复杂造成同物异谱、异物同谱现象更为突出，给专题信息提取工作带来了很大困难。如何有效地缓解或克服“数据过剩”与“信息贫乏”之间的矛盾是目前亟待解决的问题。高分辨率图像目标自动识别已成为遥感应用与模式识别研究领域的重要课题之一。图像分割是高分辨率遥感图像面向对象处理的前提和基础，图像分割的质量直接影响后续处理的精度，但针对遥感图像，尤其是高分辨率遥感图像的分割方法较少(参考对比文件1)。灰度图像的分割方法非常多，有一些已经比较成熟，阈值分割、基于边缘的分割、基于区域的分割都已取得了不错的结果，应用于多光谱遥感图像的分割方法多是先将图像通过颜色空间变换变换成灰度图像来处理，这样就会损失很多的信息，分割的结果并不理想。现有的多光谱遥感图像分割方法很少应用于高分辨率遥感图像(参考对比文件3)。分水岭分割会产生严重的过分割现象，有些学者进行过分割合并时，多重考虑纹理、均值、方差等各种信息，来改进合并的效果，但实际上考虑这么多的信息只会减慢合并的速度，对合并结果改进并不大，且相似度不好衡量(参考对比文件2)。

对比文件1：宫鹏，黎夏，徐冰.高分辨率影像解译理论与应用方法中的一些研究问题[J].遥感学报.2006，10(1)：1-5.

对比文件2：陈忠，赵忠明.基于分水岭变换的多尺度遥感图像分割算法.计算机工程.2006，32(23)：186-207.

对比文件3：刘永学，李满春，毛亮.基于边缘的多光谱遥感图像分割方法.遥感学报.2006，10(3)：350-356

发明内容：

一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法，包括多光谱图像梯度算法、分水岭分割、过分割区域合并三个步骤。

其中多光谱图像梯度算法包括，设第i个波段的梯度矩阵为Gi，则整个多光谱图像的在点(x，y)梯度为：G(x，y)＝max{Gi(x，y)}，其中Gi(x，y)为第i个波段上点(x，y)的梯度值。

其中过分割区域合并算法包括：

计算分水岭算法分割出来的各个区域的L、u、v的均值定义相似度s为相邻区域的的差的平方和，即(其中A和B为相邻两区域)。

然后开始进行区域合并：

(a)建立各区域的邻接矩阵；

(b)依次扫描各区域，将区域像素个数小于阈值的区域标记为最小区域；

(c)对每个极小区域A，与所有相邻区域计算相似度s，找到s最大的邻域B；如果s小于某个值d1，则把区域A标为已经处理，执行(b)，否则，执行(d)；

(d)在邻接矩阵中将B从A的的邻域除去，将B的邻域加入到A的邻域，将B区域所有像素标记为A，重新计算新A区域的

(e)判断A是否为极小区域，如果是，转到(c)执行；再次查找A的邻域，如果s大于某个阈值d2，则转到(d)，否则转到(b)执行。直到已经没有极小区域或者所有的区域都标记为已处理为止。

其中，d1、d2的确定要靠多次实验，针对特定图像来确定，即如果对一幅图像应用本发明的方法，最终分割的结果出现了过合并现象，则计算所有过合并的区域的s值，取d1＝min(s)，重新执行上述合并算法。d2的确定同理，找到应该合并但是没有合并的所有区域对，计算s，取d2＝max(s)。初始时d1＝0，d2＝∞(可以用可以表示的最大整数代替)。

附图说明：

图1是厦门市航拍图像，有红、绿、蓝三个波段

图2是对该图像求多光谱梯度的结果

图3是分水岭初分割的结果

图4是区域合并的结果

图5是本发明整体流程图

图6是区域合并流程图

具体实施方式：

本发明的目的在于解决高空间分辨率光学遥感图像的分割问题。具体步骤如下：首先对多光谱图像求梯度得到梯度图像，然后用分水岭算法对梯度图像进行分割，最后按合并算法利用区域间的相似性进行区域合并得到最终的分割结果。

因为分水岭算法对梯度敏感，主要利用梯度信息进行分割，所以本发明首先利用多光谱图像的梯度算法来求梯度。

其中多光谱图像的梯度算法综合考虑各个波段，使所有的显著的细节信息都能反映在梯度矩阵上，使分水岭算法利用的信息也更多。解决了分水岭算法不能处理多光谱遥感图像的问题，也合理利用了各个波段的信息。

(a)设第i个波段的梯度矩阵为Gi，则整个多光谱图像的在点(x，y)梯度为：G(x，y)＝max{Gi(x，y)}，其中Gi(x，y)为第i个波段上点(x，y)的梯度值。

其中分水岭算法用的是Vincent和Soille的沉浸分水岭。主要有两个步骤：(1)根据梯度矩阵中像素的灰度值对图像中所有像素进行排序；(2)从最小值开始一步步开始进行漫水的过程。沉浸水分水岭变换步骤如下：

(b)对(a)求出的梯度图像素进行排序，根据像素梯度值将像素的位置写入到对应的数组中，以便使具有相同梯度的像素能存储在同一个数组中。同时，创建一个指向上述数据的指针表，以便能直接存取任意梯度的所有像素，并创建一个矩阵以存储分割结果。

(c)以图像中的最低梯度为“起始水位”，按一个梯度级的增幅渐次提高“水位”，直到最大梯度为止。

(d)假设已经处理到了k级(梯度值或高程等于k)。此时，每一个比k小或等于k的像素都已经被分配了唯一的集水盆地标号。

1)取出梯度为k+1的所有像素，并将那些至少有一个已被标注的邻域像素的像素写入到一个队列中。

2)对队列中的一个像素，考察其四邻域。若四邻域中已被具有两个或两个以上标号，则将该像素标为分水岭；若四邻域中只有一个邻域像素有标号，则将该像素标为该标号。从队列中剔除当前像素，而具有同一梯度值的邻域像素则加入到队列的最后。重复上述过程直到队列为空。

(e)以梯度为k+1但未被标号的像素为基础形成新的集水盆地，并赋以新的标号。分割最终结果是一幅这样的图像，每个区域用同一个数字标记，边界记为0(为4连通的边界)。

其中区域合并的算法，首先取得图像的分辨率信息，可以从图像文件中读取，也可以由用户输入得到。由图像分辨率确定最小区域的大小，通过实验，建立图像分辨率和最小区域大小的关系。通过实验得到，如果是分辨率为5m的图像，最小区域阈值取400-500个像素左右效果最好，同理其它对应关系也可以确定。这个值也可以由用户自行调整。

因为RGB空间中相似度不方便衡量，而Luv空间则比较容易，所以本发明从多光谱图像取三个波段(通常取1、2、3或1、2、4波段)，将这三个波段分别当作RGB，将图像从RGB空间转换到Luv空间，转换公式如下：

$\left(\begin{array}{c}L=116{(Y/Y_0)}^{1/3}-16\\ u=13L(u^{\prime }-u_0)\\ v=13L(v^{\prime }-v_0)\\ u^{\prime }=4X/(X+15Y+3Z)\\ v^{\prime }=9Y/(X+15Y+3Z)\\ u_0=0.0417\\ v_0=0.4683\end{array}\right)$$\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{ccc}0.430& 0.342& 0.178\\ 0.222& 0.707& 0.071\\ 0.020& 0.130& 0.939\end{array}\right)\left(\begin{array}{c}R\\ G\\ B\end{array}\right)$

计算分水岭算法分割出来的各个区域的L、u、v的均值定义相似度s为相邻区域的差的平方和，即然后开始进行区域合并，只考虑一个参数，克服了现有合并算法计算大量参数耗去的时间的问题。合并算法可以通过调整d1，d2两个参数，多次分割来使分割达到最优——不但能有效地消除过分割，也能有效防止过合并。

(f)建立各区域的邻接矩阵；

(g)依次扫描各区域，将区域像素个数小于阈值的区域标记为最小区域；

(h)对每个极小区A，与所有相邻区域计算相似度s，找到s最大的邻域B；如果s小于某个值d1，则把此区域标为已经处理，执行(g)，否则，执行(i)；

(i)在邻接矩阵中将B从A的的邻域除去，将B的邻域加入到A的邻域，将B区域所有像素标记为A，重新计算新A区域的

(j)判断A是否为极小区域，如果是，转到(h)执行；再次查找A的邻域，如果s大于某个阈值d2，

则转到(i)，否则转到(g)执行。直到所有的区域都标记为已处理或者已经没有极小区域为止。

其中，d1、d2要靠多次实验、针对特定图像来确定，即如果对一幅图像应用本发明的方法，最终分割的结果出现了过合并现象，则计算所有过合并的区域的s值，取d1＝min(s)，重新执行上述合并算法。d2的确定同理，找到应该合并但是没有合并的所有区域对，计算s，取d2＝max(s)。初始时d1＝0，d2＝∞(可以用可以表示的最大整数代替)。

仿真结果：

采用厦门市某地多光谱图像，包含红、绿、蓝三个波段，截取了512*512大小，图1是原图。

图2是光谱图像梯度算法求出的梯度图。图3为分水岭算法初分割的结果。然后利用区域合并的算法对分水岭算法的结果进行区域合并，得到最后的分割结果图4。可以看到，过分割现象明显减轻了，分割出的区域已经有了明显的意义。