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

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

一种基于邻域总变分的影像最佳分割尺度选择方法

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a_k和灰度标准差 v_k； 

（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， 

$H=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\frac{v_k}{a_k}}{n}.$

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))|， 

$\left|g\left(f(x,y)\right)\right|=\sqrt{{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂y}\right)}^2};$

（2）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为r，以及邻域范围为

得到邻域范围上的像素个数

（3）按下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， 

$J_{D_f^r}\left(f(x,y)\right)=\underset{D_f^r}{\∫}\left|g(x,y)\right|\mathrm{dxdy};$

（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， 

$I=\frac{C_{D_f^r}}{\underset{D_f^r}{\∫}\left|g(x,y)\right|\mathrm{dxdy}}.$

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， 

$F\left(H\right)=\frac{H_{\max }-H}{H_{\max }-H_{\min }},$

$F\left(I\right)=\frac{I_{\max }-I}{I_{\max }-I_{\min }}.$

（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a_k和灰度标准差v_k； 

（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， 

$H=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\frac{v_k}{a_k}}{n}.$

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))|， 

$\left|g\left(f(x,y)\right)\right|=\sqrt{{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂y}\right)}^2};$

（2）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为r，以及邻域范围为

得到邻域范围

上的像素个数

（3）按下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， 

$J_{D_f^r}\left(f(x,y)\right)=\underset{D_f^r}{\∫}\left|g(x,y)\right|\mathrm{dxdy};$

（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， 

$I=\frac{C_{D_f^r}}{\underset{D_f^r}{\∫}\left|g(x,y)\right|\mathrm{dxdy}}.$

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， 

$F\left(H\right)=\frac{H_{\max }-H}{H_{\max }-H_{\min }},$

$F\left(I\right)=\frac{I_{\max }-I}{I_{\max }-I_{\min }}.$

（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a_k和灰度标准差v_k，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， 

$H=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\frac{v_k}{a_k}}{n};$

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， 

$I=\frac{C_{D_f^r}}{\underset{D_f^r}{\∫}\left|g(x,y)\right|\mathrm{dxdy}};$

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a_k和灰度标准差v_k；

（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，

$H=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\frac{v_k}{a_k}}{n}.$

3.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))|，

$\left|g\left(f(x,y)\right)\right|=\sqrt{{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂y}\right)}^2};$

（2）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为r，以及邻域范围为得到邻域范围

上的像素个数

（3）按下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，

$J_{D_f^r}\left(f(x,y)\right)=\underset{D_f^r}{\∫}\left|g(x,y)\right|\mathrm{dxdy};$

（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，

$I=\frac{C_{D_f^r}}{\underset{D_f^r}{\∫}\left|g(x,y)\right|\mathrm{dxdy}}.$

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，

$F\left(H\right)=\frac{H_{\max }-H}{H_{\max }-H_{\min }},$

$F\left(I\right)=\frac{I_{\max }-I}{I_{\max }-I_{\min }}.$

（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。

Images