[发明专利]一种新的高分辨率遥感影像的最优分割尺度自动选择方法

权利要求书

1.一种新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，包括以下步骤：

输入：影像下的图D＝(V,E,W)，其中V、E和W分别代表了图D的顶点集、边集和相似度矩阵；

输出：最优尺度分割的影像、全部尺度分割参数；

步骤1、利用分水岭方法得到过分割的影像，作为最细粒度的分割影像D0；

步骤2、提取上述影像中对象的光谱、颜色、纹理的特征值；

步骤3、使用期望最大化EM算法估计GMM参数α_k表示第k类高斯模型的权重；μ_k和分别是GMM第k类均值和方差；

步骤4、执行步骤3-4：

1)在第l层MRF模型中，计算对象消息在MRF节点之间进行迭代传递，直至全局概率收敛，即

式中，表示在第t步中影像D节点(X，Y)的转移概率；上式表明，当相邻两步的转移概率小于特定ε时，迭代计算结束；

2)利用MAP准则，得到聚类对象标号的估计值：

上式中，对象节点y_ω的标号根据对象置信度按照MAP准则估计；

步骤5、在MRF模型的最精细层，运行标准置信传播BP算法，利用BP算法更新公式和置信度计算公式b_i(y_i)＝kφ_i(y_i)∏_j∈N(i)m_ji(y_i)进行迭代，直到收敛，然后根据MAP准则，逐像素估计标号值:

其中，m_ij表示从标号节点i传递到标号节点j的消息，表明标号节点j对标号节点i当前状态的影响；k是一个归一化常量；N(i)\j表示节点i的所有邻域节点，但不包括节点j；b_i(y_i)表示节点i的近似边缘后验概率；似然函数φ_i(x_i,y_i)为节点i的局部证据，表示观察节点i取标号y_i的条件概率，反映了i处的x_i和y_i统计依赖性，这里采用高斯混合模型建模；ψ_ij(y_i,y_j)是对象节点(y_i,y_j)的势能量函数；对象节点y_i的标号根据对象置信度按照MAP准则估计。

2.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，步骤1中离散域分水岭变换用如下迭代方式进行定义：

分水线记作为：

对于上述公式，数字影像f是定义在D上的灰度影像，影像的最小值为h_min且最大值为h_max；X_h指积水盆地CB扩张时，灰度级h下所有积水盆地的集合，其中灰度值小于h的像素集合写作T_h＝{p∈D|f(p)≤h}；表示影像的最小值为h_min对应的像素集合，Wshed(f)表示图像f的分水岭为不属于任何积水盆地点的集合；影像模拟为一个地表结构，通过分水岭方法来给影像进行标注，使相同的聚水区对应的像素有一致的标识，从而达到影像初始分割的目的；最后，像素聚集的区域是同质和均一的，得到影像是最细粒度的影像D0。

3.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，步骤2中计算影像D0中各个对象的亮度均值均方差；

计算影像D0中各个对象的颜色特征值；

使用二维高斯核函数，计算不同方向的对象能量，通过高斯差分滤波器

计算对象的纹理特征值；

其中，从图像行列方向，随机变量t服从正态分布；σ₁和σ₂为高斯的标准方差；A和B为增益系数；g(t)为两个高斯函数的差分值。