[发明专利]一种基于层次合并树的遥感图像分割方法

说明书

本发明公开了一种基于层次合并树的遥感图像分割方法，它涉及图像分割领域。包括以下步骤：1、读取输入的遥感图像，将其所有像素初始化为单独的斑块；2、利用种子区域生长（Seeded Region Growing，SRG）将已经初始化的遥感图像分割为若干超像素斑块；3、利用层次斑块合并方法构建层次合并树；4、利用自顶向下的策略对层次合并树进行节点选择；5、对于所选择的每一个节点，将其所对应的斑块作为结果输出。本发明通过利用一种称为层次合并树的数据结构，来存储和表现层次斑块合并方法的执行过程。利用本发明提出的层次合并树的节点选择，使不同尺度的地物被同时完整地分割出来，以提高遥感图像的分割精度。

技术领域

本发明涉及的是图像分割领域，具体涉及一种基于层次合并树的遥感图像分割方法。

背景技术

面向对象的遥感图像分类是用于遥感图像信息提取的一种技术。这种技术非常适用于高空间分辨率的遥感图像解译，因为与传统的、基于像素的遥感图像分类技术相比，它能更为充分地利用空间背景特征，从而提高分类的精确度与可靠性。这种技术包含两个重要步骤：(1)图像分割，(2)斑块识别或分类。其中，步骤(1)是将遥感图像划分为若干在空间上互不重叠的斑块，其中每个斑块是由在空间上邻接的若干像素组成的。步骤(1)的性能在很大程度上影响着步骤(2)的效果。因为，假如图像分割将属于不同地物的像素划分到同一斑块中，那么后续的分类将不可避免得发生错误。为了避免这样的分类错误，提高图像分割方法的精度是非常必要的。

目前，大多主流的遥感图像分割方法是基于区域合并(或斑块合并)方法来实现的。其中最为著名的方法包括分形网演化方法(Fractal Net Evolution Approach，FNEA)与层次分割方法(Hierarchical Segmentation，HSeg)。这两种方法都采用了自底向上的策略，即在算法执行的初始阶段，每一个像素被当做独立的斑块(也可以利用超像素来进行初始化，以加快图像分割的计算速度；超像素可以被看作是大小近似相等、形状大致相近的若干斑块；常用的超像素生成算法包括简单线性迭代聚类(Simple Linear IterativeClustering，SLIC)、种子区域生长(Seeded Region Growing，SRG)等)；通过合并符合某种相似性度量的斑块对(即两个斑块)，使合并后的斑块逐渐逼近真实地物的形状；这样的过程迭代进行，直到所有斑块对的相似性度量都低于一个尺度阈值参数；尺度阈值参数需要由用户预先设置，其值的高低决定了分割结果中各个斑块的平均大小。一般而言，尺度阈值越高，被允许的合并次数就越多，分割结果中斑块的平均尺度也越大。利用不同的尺度参数，可以将遥感图像中不同大小的地物分割出来。但是，在很多遥感图像中，不同地物之间的尺度差异很大，要将这些地物同时分割出来，利用尺度阈值参数的策略是难以实现的。

综上所述，本发明设计了一种基于层次合并树的遥感图像分割方法。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种基于层次合并树的遥感图像分割方法，与已有的遥感图像分割方法相比，本发明能更有效地同时将遥感图像中不同尺度的地物完整分割出来，具有分割精度高的特点。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于层次合并树的遥感图像分割方法，基于层次合并树的遥感图像分割是用来将遥感图像中的地物分割成独立斑块的一种技术，它是遥感图像分类或目标识别的关键环节。包括以下步骤：

1、读取输入的遥感图像，将其所有像素初始化为单独的斑块；

2、利用种子区域生长(Seeded Region Growing，SRG)将已经初始化的遥感图像分割为若干超像素斑块；

3、利用层次斑块合并方法构建层次合并树；

4、利用自顶向下的策略对层次合并树进行节点选择；

5、对于所选择的每一个节点，将其所对应的斑块作为结果输出。