CN109359583B - 一种遥感影像中显著性面状特定目标提取方法 - Google Patents

Abstract

本发明涉及一种遥感影像中显著性面状特定目标提取方法，其特征在于，包括以下步骤：1)对影像进行分割；2)选择少量特定目标样本，通过估计高维正态分布参数以及增强变换操作，实现阈值提取潜在特定目标区域P；3)利用对象及其相邻对象特征值的差异性，阈值提取显著区域S；4)以P和S相交的区域K为种子，P和S相并的区域G为待增长的区域，进行以对象为单元的区域增长，得到初步目标提取结果T₀；5)通过几何、形态等特征，对T₀进一步排除非目标区域，得到最终的面状特定目标区域。本发明的方法可快速有效提取特定目标区域种子对象，解决了显著目标提取时边缘模糊问题；适用于强调面积属性的特定目标，例如人工栽培区域，在遥感影像中的自动提取。

Description

一种遥感影像中显著性面状特定目标提取方法

技术领域

本发明属于数字图像处理技术领域，特别涉及一种遥感影像中显著性面状特定目标提取方法。

背景技术

与人类活动紧密相关的特定目标，例如开采矿山、人参栽培区等，在遥感影像中呈现视觉显著特征。此外，这类目标，通常呈现为面状，其面积信息对生态评估、管理以及相关市场行情评估等均具有重要参考价值。及时、准确地从遥感影像中自动获取这些显著的面状特定目标的面积及其空间分布，相对于成本高昂、时效性差的传统实地、市场调查是一件非常有意义的工作。

现有的显著性特定目标提取主要包括监督分类和基于像素的视觉注意模型两类。监督分类首先提取解译单元的特征，然后通过选择场景中各个类别的样本训练分类器，最后通过分类实现特定目标的提取。其中，解译单元既可以是像素，也可以是分割的对象(Ma,L.,et al.(2017)."A review of supervised object-based land-cover imageclassification."Isprs Journal of Photogrammetry&Remote Sensing 130.)。这类方法的本质是通过分类，最后抽取特定目标的类别作为提取结果。其缺点是：在样本选取中，不仅需要包括属于特定目标的正样本，还需要包括不属于特定目标的负样本，而实际中负样本的类型十分复杂，导致该类方法在实际应用中成本较高。

基于像素的视觉注意模型方法，借鉴人眼视觉注意机制，较好地克服了样本选取的问题，在速度和成本方面均具有较大优势。但现有的该类方法是在像素尺度上基于不同尺度的高斯滤波结果相减或者谱残差、边缘密度等方式计算显著特征图，并通过对该特征图的分割实现显著目标区域的提取(张钧萍,李彤,毛宇.基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法.201510940040.9；温奇,李苓苓,刘庆杰,等.基于视觉显著性和图分割的高分辨率遥感影像中人工目标区域提取[J].测绘学报,2013(6):831-837.)。这类处理方式，主要有两个问题：(1)对显著目标没有区分性，即任何视觉显著的目标，均会被提取；(2)受限基于像素的显著特征图计算方式，导致边缘模糊，使得面积准确度较低。

针对以上两个问题，本发明采用基于马氏距离原理的高维正态分布进行特定目标的筛选，将基于像素的视觉显著特征计算扩展至基于对象的视觉显著特征计算，并将二者结合，使得提取同时具有目标导向性和边缘准确性。对中外文献进行检索，现有技术中还没有采用这种方式进行显著性面状特定目标的提取。

发明内容

针对上述问题，本发明提出了一种遥感影像中显著性面状特定目标提取方法，该方法基于分割结果，计算视觉显著特征，并且引入基于高维正态分布函数增强的方式实现特定目标的筛选，进而实现显著性面状特定目标提取。

本发明的具体技术方案是一种遥感影像中显著性面状特定目标提取方法，其特征在于，包括以下步骤：

1)根据待提取的特定目标的大小，对影像进行分割；

2)选择少量特定目标作为样本，确定每个样本的特征向量，计算得到全部样本高维正态分布的均值μ和协方差矩阵C，对步骤1)中得到的每个分割对象进行增强变换操作，设置区分阈值R₁，提取潜在特定目标区域P；

3)计算所有分割对象的目标敏感特征，设置区分阈值R₂，提取显著区域S；

4)以P和S相交的区域K为种子，P和S相并的区域G为待增长的区域，采用区域增长算法得到初步的目标提取结果T₀，并将G中与K相邻的分割对象也添加至T₀；

5)通过几何、形态特征，对T₀进一步排除非目标区域，得到最终的面状特定目标区域。

更进一步地，所述的步骤1)中对影像进行分割的分割尺度的确定方法是，以分割对象平均大小不超过特定目标平均大小的前提下尽可能偏大。

更进一步地，所述的步骤2)中特定目标区域P的具体提取方法是，

2.1)选择数量N个特定目标的样本，N不小于每个样本的特征向量的维度d，特征为分割对象的波段均值、方差或者纹理；

2.2)按下式(I)、(II)计算计算高维正态分布的均值μ和协方差矩阵C，

其中，X_i表示第i个样本的特征构成的向量，

2.3)按下式(III)对步骤1)中得到的每个分割对象进行增强变换操作，

其中，Y是任一待增强分割对象的特征向量，

2.4)设置区分阈值R₁，与每个分割对象的f的数值进行比对，将f的数值大于阈值R₁的分割对象设置为潜在特定目标区域P。

更进一步地，所述的阈值R₁选取可以人工目视选择，或者使用OTSU等自动化方法确定。

更进一步地，所述的特定目标样本数量为10，特征向量的特征为分割对象的4个波段均值，R₁＝1.0×10^-11。

更进一步地，所述的步骤3)中显著区域S的具体提取方法是，

3.1)选择分割对象的一个特征作为目标敏感特征；

3.2)按下式(IV)计算每个分割对象的中心周边差特征，

其中，CS₀是当前分割对象的中心周边差特征，F₀是当前分割对象的目标敏感特征，S_N是与当前分割对象的重心距离小于设置阈值D的所有对象构成的集合，|S_N|是该集合的元素个数；

3.3)设置区分阈值R₂，与每个分割对象的中心周边差特征CS₀进行对比，将CS₀的数值大于阈值R₂的分割对象设置为显著区域S。

更进一步地，分割对象的目标敏感特征是其一个波段的均值，所述的阈值D设置为特定目标外界圆形半径的2-3倍，所述的阈值R₂选取可以人工目视选择，或者使用OTSU等自动化方法确定。

本发明的有益效果是：以分割对象为解译单元，利用高维正态分布增强的方法，可快速有效提取特定目标区域种子对象；将传统视觉注意模型中以像素为单元扩展到以分割对象为单元，解决了显著目标提取时边缘模糊问题；将以上两种方法结合，实现显著性面状特定目标的位置和面积高精度提取。

本发明对高分遥感影像中视觉特征显著、种类单一、需要面积属性的目标具有显著优势。

附图说明

图1为本发明的遥感影像中显著性面状特定目标提取方法的流程图；

图2为本发明一个具体实施例采用的遥感影像；

图3具体实施例中分割结果及样本；

图4为具体实施例中高维正态分布变换增强特征图；

图5为具体实施例中阈值提取的潜在特定目标区域P；

图6是具体实施例中以对象为单元计算的显著特征图；

图7是具体实施例中阈值提取的显著目标区域S；

图8是具体实施例中种子区K；

图9是具体实施例中待增长区G；

图10是具体实施例中的初步提取结果T₀；

图11是具体实施例中的最终提取结果。

具体实施方式

下面结合说明书附图对本发明的具体技术方案作进一步地描述。

采用本发明的方法进行处理的原始高分遥感影像分辨率达6米，图像尺寸为1292列×2044行，含有四个波段，分别是蓝波段(0.45-0.52μm),绿波段(0.52-0.59μm),红波段(0.63-0.69μm),近红外波段(0.77-0.89μm)，辐射量化等级为8bit，如图2所示。待提取的目标是人生栽培区。

如图1所示，本发明的遥感影像中显著性面状特定目标提取方法的具体步骤如下：

1)根据特定目标的大小，对影像进行最佳尺度的分割。本实施例中选择的是易康软件中的Multiresolution Segmentation算法，根据待提取目标人参栽培区的平均大小，设置分割尺度参数为25，形状参数为0.5，紧致度参数为0.7，分割结果见图3。

2)选择少量特定目标样本，通过估计高维正态分布参数以及增强变换操作，实现阈值提取潜在特定目标区域P。本实施例中人工选择了10处样本，见图3中的三角形标志的区域。按下式(I)、(II)计算计算高维正态分布的均值μ和协方差矩阵C，

其中，X_i表示第i个样本的特征构成的向量，特征可以是分割对象的波段均值、方差或者纹理等。本实施例特征是4个波段的均值。计算结果是

μ＝[242.91 199.00 175.52 339.84]^T

按下式(III)对每个分割对象进行增强变换操作，

其中，Y是任一待增强分割对象的特征构成的向量，d是该向量的维度。本实施例增强后的结果见图4。

对增强变换后的对象进行阈值分割，提取潜在特定目标区域P，阈值选取可以人工目视选择，或者使用OTSU等自动化方法确定，以不遗漏特定目标的情况下，尽可能偏大为准。本实施例中阈值设定为1.0×10^-11。阈值提取的结果见图5。

3)利用分割对象及其相邻对象特征值的差异性，阈值提取显著区域S。计算所有分割对象的目标敏感特征。本实施例中选择的目标敏感特征是波段1的均值。按下式(IV)计算每个分割对象的中心周边差特征，

其中，CS₀是当前分割对象的中心周边差特征，F₀是当前分割对象的目标敏感特征，S_N是与当前分割对象的重心距离小于设置阈值D的所有对象构成的集合，|S_N|是该集合的元素个数。阈值D可设置为特定目标外界圆形半径的2-3倍，本实施例中设置为100个像元，中心周边差特征见图6。

根据每个分割对象的中心周边差特征CS₀进行阈值分割，提取显著区域S。阈值设置以不遗漏特定目标的情况下，尽可能偏大为准。本实施例中设置为25，结果见图7。

4)将同时属于区域P和区域S的分割对象设为种子区域K，见图8。将属于区域P或者区域S的对象设为待增长区域G，见图9。采用区域增长算法得到初步提取结果T₀，并将G中与K相邻的分割对象也添加至T₀，结果见图10。

5)通过几何、形态等特征，对T₀进一步排除非目标区域，得到最终的面状特定目标区域。本实施例中选择的几何特征是紧致度，排除规则是将紧致度大于3的设置为非目标区域，结果见图11。

本发明的方法利用显著面状目标，视觉特征显著、特征稳定的特点，基于马氏距离原理的高维正态分布进行特定目标的筛选，并将基于像素的视觉显著特征计算扩展至基于对象的视觉显著特征计算，并将二者结合，使得提取同时具有目标导向性和边缘准确性。

显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (7)

1.一种遥感影像中显著性面状特定目标提取方法，其特征在于，包括以下步骤：

1)根据待提取的特定目标的大小，对影像进行分割；

2)选择少量特定目标作为样本，确定每个样本的特征向量，计算得到全部样本高维正态分布的均值μ和协方差矩阵C，对步骤1)中得到的每个分割对象进行增强变换操作，设置区分阈值R₁，设具有大于阈值R₁的增强变换后的对象的集合为潜在特定目标区域P；

3)选取所有分割对象的目标敏感特征，计算得到每个分割对象的中心周边差特征，设置区分阈值R₂，设具有大于阈值R₂的中心周边差特征的分割对象的集合为显著区域S；

4)以P和S相交的区域K为种子，P和S相并的区域G为待增长的区域，采用区域增长算法得到初步的目标提取结果T₀，并将G中与K相邻的分割对象也添加至T₀；

5)通过几何、形态特征，对T₀进一步排除非目标区域，得到最终的面状特定目标区域。

2.如权利要求1所述的一种遥感影像中显著性面状特定目标提取方法，其特征在于，所述的步骤1)中对影像进行分割的分割尺度的确定方法是，在分割对象平均大小不超过特定目标平均大小的前提下尽可能偏大。

3.如权利要求1所述的一种遥感影像中显著性面状特定目标提取方法，其特征在于，所述的步骤2)中特定目标区域P的具体提取方法是，

2.1)选择数量N个特定目标的样本，N不小于每个样本的特征向量的维度d，特征为分割对象的波段均值、方差或者纹理；

2.2)按下式(I)、(II)计算高维正态分布的均值μ和协方差矩阵C，

其中，X_i表示第i个样本的特征构成的向量，

2.3)按下式(III)对步骤1)中得到的每个分割对象进行增强变换操作，

其中，Y是任一待增强分割对象的特征向量，

2.4)设置区分阈值R₁，与每个分割对象的f的数值进行比对，将f的数值大于阈值R₁的分割对象设置为潜在特定目标区域P。

4.如权利要求3所述的一种遥感影像中显著性面状特定目标提取方法，其特征在于，所述的阈值R₁通过人工目视选择，或者使用OTSU自动化方法确定。

5.如权利要求4所述的一种遥感影像中显著性面状特定目标提取方法，其特征在于，所述的特定目标样本数量为10，特征向量的特征为分割对象的4个波段均值，R₁＝1.0×10^-11。

6.如权利要求1所述的一种遥感影像中显著性面状特定目标提取方法，其特征在于，所述的步骤3)中显著区域S的具体提取方法是，

3.1)选择分割对象的一个特征作为目标敏感特征；

3.2)按下式(IV)计算每个分割对象的中心周边差特征，

其中，CS₀是当前分割对象的中心周边差特征，F₀是当前分割对象的目标敏感特征，S_N是与当前分割对象的重心距离小于设置阈值D的所有对象构成的集合，F_j是S_N集合中的一个分割对象的目标敏感特征，|S_N|是该集合的元素个数；

3.3)设置区分阈值R₂，与每个分割对象的中心周边差特征CS₀进行对比，将CS₀的数值大于阈值R₂的分割对象设置为显著区域S。

7.如权利要求6所述的一种遥感影像中显著性面状特定目标提取方法，其特征在于，分割对象的目标敏感特征是其一个波段的均值，所述的阈值D设置为特定目标外界圆形半径的2-3倍，所述的阈值R₂通过人工目视选择，或者使用OTSU自动化方法确定。

Images