CN103514599A - 一种基于邻域总变分的影像最佳分割尺度选择方法 - Google Patents
一种基于邻域总变分的影像最佳分割尺度选择方法 Download PDFInfo
- Publication number
- CN103514599A CN103514599A CN201310386335.7A CN201310386335A CN103514599A CN 103514599 A CN103514599 A CN 103514599A CN 201310386335 A CN201310386335 A CN 201310386335A CN 103514599 A CN103514599 A CN 103514599A
- Authority
- CN
- China
- Prior art keywords
- image
- image segmentation
- segmentation result
- index
- result images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于邻域总变分的影像最佳分割尺度选择方法。包括如下步骤:1)将影像以不同的分割尺度进行分割,得到一系列的影像分割结果图像;2)根据本发明的同质性评价方法计算不同尺度下影像分割结果图像中对象内部的同质性指数;3)根据本发明的异质性评价方法计算不同尺度下影像分割结果图像对象之间的异质性指数;4)将同质性指数和异质性指数归一化,指定异质性指数的权重,综合评价指数最小值对应的分割尺度为影像的最佳分割尺度。本发明应用邻域总变分对影像分割结果进行评价,综合考虑了影像分割对象内部的同质性和对象之间的异质性,为影像最佳分割尺度提供客观的选择方法,有利于提供影像的分割效果和影像的后续处理。
Description
技术领域
本发明涉及如何选择遥感影像的最佳分割尺度的技术领域,尤其涉及一种基于邻域总变分的影像最佳分割尺度选择方法。
背景技术
影像分割是面向对象影像处理的关键步骤,分割的质量会直接影响影像的后续处理效果,其中分割尺度的选择在影像的分割效果中有举足轻重的作用。最佳分割尺度的定义为影像利用该尺度分割后,地类能由一个或几个对象来表达,对象大小和地物目标大小接近,影像对象内部的灰度比较均匀,对象之间的灰度差异较大。目前关于影像的最佳分割尺度的选择有多种方法,如对象与邻域绝对均值差分方差比(Ratio of Mean Difference to Neighbors to Standard Deviation,RMAS)、矢量距离法,但这两种方法有所偏颇,并不能比较全面地考虑影像欠分割或过分割的问题。Espindola通过空间自相关性分析影像的分割效果来进行影像最佳分割尺度选择,但其中的选择标准不能很好地体现影像分割的最优性。
发明内容
本发明的目的是解决影像分割尺度选择的难题,提供一种基于邻域总变分的方法进行最佳分割尺度选择。
基于邻域总变分的影像最佳分割尺度选择方法包括如下步骤:
1)将影像以不同的分割尺度进行分割,得到一系列的影像分割结果图像;
2)根据同质性评价方法计算每个分割尺度下的影像分割结果图像中对象内部的同质性指数H;
3)根据异质性评价方法计算每个分割尺度下的影像分割结果图像中对象之间的异质性指数I;
4)将同质性指数H和异质性指数I归一化,指定异质性指数I的权重,计算每个尺度下的影像分割结果图像的综合评价指数F(H,I),获取影像分割综合评价指数F(H,I)的最小值,综合评价指数F(H,I)的最小值对应的分割尺度为影像的最佳分割尺度。
所述的步骤2)包括:
(1)获取每个影像分割结果图像中分割对象的总个数n;
(2)设定每个影像分割结果图像中第k个分割对象的面积ak和灰度标准差 vk;
(3)按下式求得每个影像分割结果图像中所有分割对象内部的同质性指数H,
所述的步骤3)包括:
(1)按下式求得原始影像f(x,y)的梯度g的模|g(f(x,y))|,
(4)按下式求得每个影像分割结果图像中影像对象之间的异质性指数I,
所述的步骤4)包括:
(1)按下两式将所有影像分割结果图像的同质性指数H和异质性指数I分别归一化,
(2)指定异质性指数I的权重ρ,按下式综合影像分割结果图像的同质性指数H和异质性指数I,求得每个影像分割结果图像的影像分割评价指数F(H,I),
F(H,I)=(1-ρ)F(H)+ρF(I);
(3)求影像分割综合评价指数F(H,I)的最小值,综合评价指数F(H,I)的最小值对应的分割尺度即为影像的最佳分割尺度。
本发明与现有技术相比具有的有益效果:
(1)综合考虑了影像分割对象内部的同质性和对象之间的异质性,对影像分割质量的评价分析全面客观;
(2)本发明的同质性指数计算方法同时受到标准差、面积和对象总数的制约,能从影像整体上考虑影像的同质性,能客观衡量影像分割中的过分割和前分割现象;
(3)本发明的异质性指数计算应用邻域总变分,能显著体现对象之间的异质性和影像分割尺度的最佳性,为影像分割提供最佳分割尺度选择标准。
附图说明:
图1为本发明的在10个不同尺度下进行分割的分割结果图;
图2为本发明的影像分割尺度评价指数和分割尺度的曲线图。
具体实施方式:
基于邻域总变分的影像最佳分割尺度选择方法包括如下步骤:
1)将影像以不同的分割尺度进行分割,得到一系列的影像分割结果图像;
2)根据同质性评价方法计算每个分割尺度下的影像分割结果图像中对象内部的同质性指数H;
3)根据异质性评价方法计算每个分割尺度下的影像分割结果图像中对象之间的异质性指数I;
4)将同质性指数H和异质性指数I归一化,指定异质性指数I的权重,计算每个尺度下的影像分割结果图像的综合评价指数F(H,I),获取影像分割综合评价指数F(H,I)的最小值,综合评价指数F(H,I)的最小值对应的分割尺度为影像的最佳分割尺度。
所述的步骤2)包括:
(1)获取每个影像分割结果图像中分割对象的总个数n;
(2)设定每个影像分割结果图像中第k个分割对象的面积ak和灰度标准差vk;
(3)按下式求得每个影像分割结果图像中所有分割对象内部的同质性指数H,
所述的步骤3)包括:
(1)按下式求得原始影像f(x,y)的梯度g的模|g(f(x,y))|,
(4)按下式求得每个影像分割结果图像中影像对象之间的异质性指数I,
所述的步骤4)包括:
(1)按下两式将所有影像分割结果图像的同质性指数H和异质性指数I分别归一化,
(2)指定异质性指数I的权重ρ,按下式综合影像分割结果图像的同质性指数H和异质性指数I,求得每个影像分割结果图像的影像分割评价指数F(H,I),
F(H,I)=(1-ρ)F(H)+ρF(I);
(3)求影像分割综合评价指数F(H,I)的最小值,综合评价指数F(H,I)的最小值对应的分割尺度即为影像的最佳分割尺度。
实施例:
第一步,选择某地区分辨率为2.4米的快鸟影像作为实验数据,应用德国DEFINIENS公司的eCognition软件对影像进行10次多尺度分割,每次分割的分割尺度分别设置为50、60、70、……、140,其它参数保持不变,得到的分割结果如图1所示;
第二步,获取每个影像分割结果图像中的分割对象的总个数n、每个分割对象k的面积ak和灰度标准差vk,按下式求得每个影像分割结果图像中所有分割对象内部的同质性指数H,
第三步,先按式求得原始影像f(x,y)的梯度g的模|g(f(x,y))|,然后设定每个影像分割结果图像中分割对象边界半径邻域范围半径r=3,设邻域范围为得到邻域范围上的像素个数按式 求得每个影像分割结果图像中邻域范围上影像梯度的模|g(f(x,y))|的积分,最后按下式求得每个影像分割结果图像中影像对象之间的异质性指数I,
第四步,将同质性指数H和异质性指数I归一化,指定异质性指数I的权重ρ, 计算每个尺度下的影像分割结果图像的影像分割综合评价指数F(H,I),统计影像分割综合评价指数F(H,I)和分割尺度s的关系,得到如图2所示的曲线图,图中影像分割综合评价指数最小值对应的分割尺度为130,即130为该影像的最佳分割尺度。
Claims (4)
1.一种基于邻域总变分的影像最佳分割尺度选择方法,其特征在于包括如下步骤:
1)将影像以不同的分割尺度进行分割,得到一系列的影像分割结果图像;
2)根据同质性评价方法计算每个分割尺度下的影像分割结果图像中对象内部的同质性指数H;
3)根据异质性评价方法计算每个分割尺度下的影像分割结果图像中对象之间的异质性指数I;
4)将同质性指数H和异质性指数I归一化,指定异质性指数I的权重,计算每个尺度下的影像分割结果图像的综合评价指数F(H,I),获取影像分割综合评价指数F(H,I)的最小值,综合评价指数F(H,I)的最小值对应的分割尺度为影像的最佳分割尺度。
2.根据权利要求1所述的一种基于邻域总变分的影像最佳分割尺度选择方法,其特征在于所述的步骤2)包括:
(1)获取每个影像分割结果图像中分割对象的总个数n;
(2)设定每个影像分割结果图像中第k个分割对象的面积ak和灰度标准差vk;
(3)按下式求得每个影像分割结果图像中所有分割对象内部的同质性指数H,
4.根据权利要求1所述的一种基于邻域总变分的影像最佳分割尺度选择方法,其特征在于所述的步骤4)包括:
(1)按下两式将所有影像分割结果图像的同质性指数H和异质性指数I分别归一化,
(2)指定异质性指数I的权重ρ,按下式综合影像分割结果图像的同质性指数H和异质性指数I,求得每个影像分割结果图像的影像分割评价指数F(H,I),
F(H,I)=(1-ρ)F(H)+ρF(I);
(3)求影像分割综合评价指数F(H,I)的最小值,综合评价指数F(H,I)的最小值对应的分割尺度即为影像的最佳分割尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310386335.7A CN103514599B (zh) | 2013-08-30 | 2013-08-30 | 一种基于邻域总变分的影像最佳分割尺度选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310386335.7A CN103514599B (zh) | 2013-08-30 | 2013-08-30 | 一种基于邻域总变分的影像最佳分割尺度选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103514599A true CN103514599A (zh) | 2014-01-15 |
CN103514599B CN103514599B (zh) | 2016-02-24 |
Family
ID=49897276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310386335.7A Active CN103514599B (zh) | 2013-08-30 | 2013-08-30 | 一种基于邻域总变分的影像最佳分割尺度选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103514599B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529430A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于空间相关性与异质性特征的高分影像居民区提取方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107194942A (zh) * | 2017-03-27 | 2017-09-22 | 广州地理研究所 | 一种确定影像分类分割尺度阈值的方法 |
CN109816668A (zh) * | 2019-01-22 | 2019-05-28 | 中国科学院地理科学与资源研究所 | 遥感影像非监督分割评价方法和装置 |
CN113850822A (zh) * | 2021-09-18 | 2021-12-28 | 四川大学 | 一种基于汇流分割的斜坡单元自动划分方法 |
CN114119645A (zh) * | 2021-11-25 | 2022-03-01 | 推想医疗科技股份有限公司 | 一种图像分割质量的确定方法、***、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
US20130071003A1 (en) * | 2011-06-22 | 2013-03-21 | University Of Florida | System and device for characterizing cells |
-
2013
- 2013-08-30 CN CN201310386335.7A patent/CN103514599B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
US20130071003A1 (en) * | 2011-06-22 | 2013-03-21 | University Of Florida | System and device for characterizing cells |
Non-Patent Citations (3)
Title |
---|
付树军 等: "基于各向异性扩散方程的超声图像去噪与边缘增强", 《电子学报》, vol. 33, no. 7, 31 July 2005 (2005-07-31) * |
何敏 等: "面向对象的最优分割尺度计算模型", 《大地测量与地球动力学》, vol. 29, no. 1, 28 February 2009 (2009-02-28) * |
李书晓,常红星: "基于总变分和形态学的航空图像道路检测算法", 《计算机学报》, vol. 30, no. 12, 31 December 2007 (2007-12-31) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529430A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于空间相关性与异质性特征的高分影像居民区提取方法 |
CN107194942A (zh) * | 2017-03-27 | 2017-09-22 | 广州地理研究所 | 一种确定影像分类分割尺度阈值的方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107067405B (zh) * | 2017-03-30 | 2020-04-03 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN109816668A (zh) * | 2019-01-22 | 2019-05-28 | 中国科学院地理科学与资源研究所 | 遥感影像非监督分割评价方法和装置 |
CN113850822A (zh) * | 2021-09-18 | 2021-12-28 | 四川大学 | 一种基于汇流分割的斜坡单元自动划分方法 |
CN113850822B (zh) * | 2021-09-18 | 2023-04-25 | 四川大学 | 一种基于汇流分割的斜坡单元自动划分方法 |
CN114119645A (zh) * | 2021-11-25 | 2022-03-01 | 推想医疗科技股份有限公司 | 一种图像分割质量的确定方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103514599B (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378196B (zh) | 一种结合激光点云数据的道路视觉检测方法 | |
CN103514599B (zh) | 一种基于邻域总变分的影像最佳分割尺度选择方法 | |
CN108491757B (zh) | 基于多尺度特征学习的光学遥感图像目标检测方法 | |
Ferraz et al. | Lidar detection of individual tree size in tropical forests | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
US20180088228A1 (en) | Obstacle detection method and apparatus for vehicle-mounted radar system | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN103148881B (zh) | 利用视频自动对指针式仪表进行读数的方法及装置 | |
JP2021504816A (ja) | 骨年齢評価と身長予測モデル、そのシステム及びその予測方法 | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN105930772A (zh) | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 | |
CN103870834B (zh) | 基于分层分割的滑动窗搜索方法 | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和*** | |
CN113763350B (zh) | 一种胶线检测方法、装置、胶线检测设备及存储介质 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN102651124A (zh) | 基于冗余字典稀疏表示和评价指标的图像融合方法 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN103729462B (zh) | 一种基于稀疏表示处理遮挡的行人检索方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN111079807B (zh) | 一种地物分类方法及装置 | |
Maurya et al. | Development of fusion approach for estimation of vegetation fraction cover with drone and sentinel-2 data | |
CN117765313A (zh) | 一种基于空间连续视图对比学习的多源遥感图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |