[发明专利]基于空间一致性的高分辨率遥感图像解析树自动提取方法

权利要求书

1.一种基于空间一致性的高分辨率遥感图像解析树自动提取方法，其特征在于，包括步骤：

第一步，建立多类高分辨率遥感图像场景代表集；

第二步，以归一化全局最优划分为分割准则，对训练图像采用Normalized-cut算法进行分割，其中I_t表示第t幅图像，t＝1，2，...，T₂；

第三步，统计图像对象的局部特征属性值；

第四步，构建隐含概率语义模型，经过学习训练后对各个对象进行分类处理，得到图像中各个对象属于不同类别的概率；

第五步，提取体现图像场景和地物目标特性、具有稳定空间几何一致性的一致性对象，用于分析空间一致性；

第六步，选取完一致性对象后，依据对象之间的相互关系，从中提取图像解析树结构。

2.如权利要求1所述的方法，其特征在于，所述第一步，方法是：

a1、根据需要定义J个类别的遥感场景，类别编号为1～J，J为自然数；

a2、对每个场景类别，选取T幅图像作为该类场景的代表图像，对每一类场景图像，任选T₁幅图像作为训练集，其余T₂幅图像作为测试集；

a3、将所有J类场景的图像代表合并为高分辨率遥感图像场景代表集。

3.如权利要求1所述的方法，其特征在于，所述第二步，方法是：

b1、将图像转换为四向连接图G＝(V，E)，其中，V为图中节点的集合，每个节点代表一个像素，E为每对相邻节点连接边的集合；假设将四向连接图G分为两个不相交的部分A和B，满足A∪B＝V，且定义A与B之间所有边的对应权值w(i，j)的和为该图的一个分割cut(A，B)，表示为：

cut(A,B)=Σi∈A,j∈Bw(i,j)---(1)]]>

b2、定义Normalized-cut方法的表达式如下：

Ncut(A,B)=cut(A,B)assoc(A,V)+cut(A,B)assoc(B,V)---(2)]]>

其中，w(i，j)代表节点i与节点j之间的权值；

b3、求解特征方程，获取对图G的一个最优分割：

(D-W)x＝λDx    (3)

其中，W(i，j)＝w_ij，D为对角矩阵且存在D(i，j)＝∑_jw_ij，λ为特征值，x为指示向量；

b4、选用公式(3)中求取得到的第二个最小特征值所对应的特征向量作为指示向量，分割获得训练图像中的所有图像对象。