一種高分辨率遙感圖像多尺度自適應決策融合分割方法
【技術領域】
[0001] 本發明是一種實用的高分辨率遙感圖像多尺度自適應決策融合分割方法，方法適 用于GF-1、GF-2、Worldview、QuickBird等高分辨率遙感圖像的分割。本發明可廣泛應用 于面向對象的專題目標識別、土地利用分類與變化檢測等領域。
【背景技術】
[0002] 高分辨率遙感衛星的大量升空使得高分辨率衛星遙感數據的獲取能力大幅提高， 人類進入到多源高分辨率對地觀測數據獲取的新時代。隨著衛星遙感圖像空間分辨率的提 高，圖像的數據量和信息量越來越大，圖像的空間結構和細節信息也更加豐富。然而，更高 的空間分辨率和較少的光譜波段數使得高分辨率遙感圖像中同類地物之間的光譜差異性 增強，不同類地物之間的光譜差異性減弱，傳統基于像素的處理方法已經不能滿足應用的 需求。面向對象的圖像處理與分析技術的出現，使得圖像處理的基本單元由像元過渡到對 象，使得特征空間由單一像元光譜特征擴展到區域的光譜、空間紋理、形狀和上下文關系等 特征。遙感圖像分割是面向對象遙感圖像處理與分析的基礎，是面向對象分析的第一個層 次。因此，研究高效精確的高分辨率遙感圖像分割方法，對于提高高分辨率遙感影像的信息 提取精度，促進高分辨率遙感圖像應用具有十分重要的理論研究意義和應用價值。
[0003] 針對遙感圖像的分割問題，提出了大量的分割算法。按照分割算法所使用圖像特 征的不同，可以將分割算法分為：基于閾值法的圖像分割、基于邊緣檢測的圖像分割和基于 區域生長的圖像分割等。依據分割算法所使用數學模型的不同，可分為基于馬爾科夫隨機 場模型的分割、基于小波變換的分割、基于數學形態學的分割、基于聚類分析的分割、基于 圖論的分割等等。根據分割過程中是否使用圖像的多尺度信息，可將分割算法分為單尺度 分割和多尺度分割等等。
[0004] 不同的地物對象具有不同的最佳空間表達尺度，只有在適宜的空間尺度下，地物 對象的空間本質特征才能更好的體現。針對多尺度的現實世界，需要應用多尺度或者多分 辨率的思想進行地物識別與解譯。基于多尺度理論的圖像分割其實并不是一種具體的圖像 分割算法，而是提供了一種圖像分割的策略與框架，這種框架與人眼觀察識別圖像有著類 似的特點，所以在圖像分割甚至圖像處理領域中被廣泛應用。多尺度分割是從原始影像的 像元尺度上，進行"尺度上推"所得到多層次分割結果的過程。面對多尺度的分割結果，通 常從中選擇某一尺度作為圖像最佳分割結果，如何確定和選擇最佳分割表達尺度也是多尺 度分割重點研究的問題。然而，高分辨率遙感圖像具有多尺度特性，不同地物目標的最佳分 割尺度不同，選用單一尺度很難全面描述和刻畫現實世界中的所有地物尺度特征。雖然多 尺度的分割結果能夠綜合呈現各個局部區域的最佳狀態，但是如何有效地綜合應用多尺度 的最佳分割信息是當前遙感圖像分割領域研究的熱點問題。
[0005] 本發明從高分辨率遙感圖像的多尺度特性和多尺度分割結果出發，在分析圖像分 割尺度與分割質量、信息提取精度關系的基礎上，受人眼識別圖像模式的啟發，提出了多尺 度自適應決策融合分割方法。本發明有效綜合了圖像多尺度的分割信息，能夠有效減弱過 分割與欠分割、易分割與精確性的矛盾，獲得高質量的分割結果。

【發明內容】

[0006] 本發明是一種實用的高分辨率遙感圖像多尺度自適應決策融合分割方法，通過多 尺度自適應決策融合策略實現多尺度分割信息的有機融合，獲得高質量的分割結果。該發 明主要包括兩部分內容：首先是多尺度分割模型的構建，其次是多尺度分割結果的自適應 決策融合。多尺度分割模型構建的過程是從像元尺度逐步進行"尺度上推"的過程，多尺度 分割結果決策融合的過程是從多尺度分割結果的最大尺度分割層進行"尺度下推"自適應 融合的過程。
[0007] 具體方法的步驟為：
[0008] 第一步：高分辨率遙感圖像多尺度分割模型構建。
[0009] 本發明首先應用分形網絡演化分割算法，通過設置一系列遞增尺度的分割參數， 得到高分辨率遙感圖像多尺度分割序列，形成高分辨率遙感圖像多尺度分割模型。分形網 絡演化算法從像元層開始，采用"自下而上"的區域合并原則實現多尺度分割，根據相鄰區 域或者對象的異質性測度最小原則，將特征相似的臨近區域合并為更大的區域。合并的依 據是兩個相鄰對象合并前后異質性測度的變化是否小于某個閾值，而該閾值控制著面向對 象分割的尺度，即所謂的"尺度參數"。相比于其它的多尺度分割算法，分形網絡演化多尺度 分割結果中較大尺度的分割結果是由較小尺度的分割結果合并而來，如第三層是由第二層 分割結果通過區域合并得到，其分割層與層之間具有嚴格的空間繼承與對應關系，更利于 后續多尺度分割結果的融合與應用。
[0010] 第二步：定義區域多尺度Moran'sI指數以及臨界分割尺度。
[0011] 2-1)區域多尺度MoraYsI指數是指在多尺度分割結果中，最大尺度分割結果 中的每個區域都對應著一個多尺度的分割區域序列，通過計算最大尺度上每個區域在多尺 度分割序列中所有尺度上的Moran'sI指數，構成該區域的多尺度Moran'sI指數序列， 稱為區域多尺度Moran'sI指數。
[0012] Moran'sI指數是最早由Moran在1950年提出的一種全局聚類檢驗方法，研究 整個研究區中鄰近區域是相似（空間正相關）、相異（空間負相關）還是相互獨立。該指標 可以反映出區域屬性值的分布是聚集、離散或者隨機分布模式。全局Moran'sI指數計算 公式：
[0013]
[0014] 上述公式中：N是研究區內的區域總數，Wlj是空間權重，表示區域i和區域j的鄰 近關系，通常用一個二元對稱空間權重矩陣W來表達N個區域的空間鄰接關系，^和"分 別是區域i和區域j的屬性值，i是所有區域屬性的平均值。
[0015] 對最大分割尺度上每一個區域對應的多尺度分割序列，計算每一個尺度上分割區 域的整體Moran'sI指數，構成了該分割區域的多尺度Moran'sI指數序列。
[0016] 2-2)臨界分割尺度是指在圖像的多尺度分割序列中，由過分割變成欠分割的尺度 轉折點。
[0017] 最大尺度上的分割區域如果存在欠分割現象，則隨著分割尺度的增加，多尺度 Moran'sI指數首次達到最小值的點所對應的分割尺度定義為該多尺度分割序列的臨界 分割尺度。
[0018] 第三步：多尺度分割結果的自適應決策融合。
[0019] 3-1)判定臨界尺度上的分割區域是否存在欠分割。
[0020] 首先在此定義一個Moran'sI指數閾值，以多尺度分割序列的最大分割尺度作 為初始臨界尺度，對其上的每個區域通過多尺度Moran'sI指數的最大值判定該區域是 否欠分割。如果多尺度Moran'sI指數序列中的最大值超過該閾值，則說明該區域存在欠 分割現象，同樣，如果多尺度Moran'sI指數序列中的最大值沒有超過該閾值，則說明該