[0045] 以下将结合附图,对本发明的技术方案进行详细说明。
[0046] 鉴于阴影对遥感影像分割及后续解译所造成的干扰,本发明首先将阴影区域视为检测的目标,将影像划分为阴影区域及非阴影区域。在此基础上,通过对影像进行阴影补偿,从而避免后续的影像分割受到阴影的影响。
[0047] 首先,对多波段遥感影像进行颜色量化从而转化为灰度影像。尽管与FCM算法相比,HCM聚类方法的聚类结果中可能存在一些无意义的聚类,但却可以预先人为设定聚类中心的数目。在本文中,为了在影像量化时尽可能少的损失高分辨率遥感影像中的空间细节信息,同时使所提出算法对单波段遥感影像分割具有良好的通用性,因此本文采用HCM算法将多波段影像量化为包含256个灰度级的8bit灰度影像。
[0048] 在阴影检测中,假设非阴影区域服从高斯分布,则可以将阴影视为出界点,依据卡方变换进行阴影检测。
[0049] Y=(X-m)TΣ-1(X-m)~χ2(b) (1)
[0050] 上式中,X为随机变量,m和Σ分别为非阴影区域的均值和协方差矩阵,Y为服从自由度为b的卡方变换的随机变量,b为高分辨率多光谱影像的波段数目。
[0051] 给定置信度为1-α时,有:
[0052]
[0053] 则影像卡方值大于 的区域可以视为非阴影区域。最后,对所提取的阴影区域再采用形态学膨胀与腐蚀的闭运算来填充细小空洞从而获得获得阴影检测结果。
[0054] 基于卡方变换的阴影去除,关键是均值m和协方差矩阵Σ的求取,本发明采用如下迭代方法进行计算,具体为:
[0055] Step1:给定置信度1-α(α是显著性水平),最大迭代次数M,阈值ε。由用户选择部分阴影区域作为训练样本,进而确定非阴影区域的均值和协方差矩阵;
[0056] Step2:计算式(1)和(2);
[0057] Step3:确定非阴影区域,并更新非阴影区域的均值和协方差矩阵;
[0058] Step4:如果迭代次数大于M或者本次迭代和上次迭代的均值和协方差矩阵的变化值小于ε,则迭代终止;否则返回Step2,继续迭代。
[0059] 对于所有检测结果为阴影的像素,将灰度值设定为0,从而获得阴影补偿影像。本发明中,参数的设定均采用trial-and-error method设定。
[0060] 在提取的阴影补偿影像基础上,采用WJSEG算法中的多尺度区域分割及区域合并策略获得最终分割结果。在区域分割阶段其基本实现流程为:
[0061] Step1:采用Haar小波对阴影补偿影像进行多尺度分解,并计算获得多尺度J-image序列;
[0062] Step2:在最粗糙尺度J-image中计算阈值TN,确定种子区域。对剩余的非种子区域像素,重新计算阈值TN′,更新种子区域;依据种子区域进行区域增长,获得当前尺度下的分割结果;
[0063] 阈值TN的计算方法如下:
[0064] TN=μN+ρσN
[0065] 其中,μN和σN分别当前尺度中所有像素所对应J-value的均值和标准差,ρ为预先设定的阈值,通常取ρ∈[-0.4,0.4],将所有小于阈值TN的点作为种子点,进而采用4-connectivity获得种子区域;
[0066] Step3:将当前尺度下的分割结果映射到下一个精细尺度中,并对映射结果进行边界修正;基于映射结果,依据局部同质性提取在当前尺度下需要分割的区域,采用与Step2相同的策略获得当前尺度下的分割结果;
[0067] Step4:重复Step3,直到所有尺度计算完毕;在最精细尺度中,为避免欠分割现象,对映射结果中的所有区域都进行分割。
[0068] 对分割结果进行进一步的区域合并处理。一方面,利用颜色直方图描述阴影补偿影像中的各个区域,并计算相邻区域直方图间的欧式距离DH。另一方,计算相邻区域的色彩标准差距离DColor。最后,根据预先设定的阈值TH和阈值范围TC进行区域合并,若满足DH≤TH且DColor∈Tc,则合并当前相邻区域,从而获得最终的遥感影像分割结果。通常设定TH=0.18,TC=[2.5,3.5]。
[0069] 整个过程如图1所示。
[0070] 为验证所提出的算法的精度及可靠性,本实施例选择两幅来自不同传感器的城市场景高分辨率遥感影像进行实验。实验一采用空间分辨率为4m的IKONOS多光谱影像,尺寸为512×512像素,所在地区为中国重庆,原始影像及阴影检测结果如图2-4所示;实验二采用空间分辨率为0.6m的航空遥感DOM影像,尺寸为512×512像素,所在地区为中国南京,如图5-7所示。两组实验中阴影检测的阈值设定均为α=0.05,M=1000,ε=0.01。
[0071] 如图2、图5所示,两幅影像都是典型的城市场景,其中建筑物、道路、植被及其他人造目标混杂分布,且阴影均主要存在于阳光受到建筑物遮挡的区域。通过对比两组实验中原始影像与阴影补偿影像可以看出,所提出的阴影检测策略能够较为准确的识别场景中的阴影区域,从而为后续分割中有效避免阴影造成的干扰奠定了基础。
[0072] 在对阴影补偿结果进行区域分割时,SWJSEG在两组实验中均设定TH=0.18,TC=[2.5,3.5],分割结果分别如图8、图9所示。另外,为分析引入阴影补偿策略后的改进效果,实验中分别对两幅影像采用WJSEG进行了分割,结果如图10、图11所示。
[0073] 通过比较两种算法的实验结果可以看出,在分割参数相同时,对于未受到阴影影响的区域两种方法取得了相近的分割效果。例如,对于小尺寸对象两种算法均能够准确定位对象的边缘;而对于大尺寸建筑物及其他均质区域,两种算法均能够保持对象轮廓的完整。差异主要体现在受到阴影影响的区域,对于由于阴影造成的弱边缘及虚假边缘,WJSEG算法出现了边缘定位不准确、欠分割及过分割现象,本发明算法则有效避免了这些不足。
[0074] 为进一步定量分析本发明算法的性能,通过目视解译构建了一个包含300个像素的参考边界集合作为地物的真实边界,其中受到阴影影响及未受阴影影响的像素各占一半。依照此集合分别与两种算法的分割结果进行比较:与参考边界差异在1个像素及以内的分割结果判定为“准确”,差异在3个像素以内的判定为“一般”,其他判定为“较差”。精度评价结果如表1所示:
[0075] 表1
[0076]
[0077] 通过表1可以看出,在引入阴影补偿策略后,两组实验中本发明较WJSEG的分割精度均有显著的提高,与目视分析结果一致。另外,两组实验中WJSEG算法归为“准确”类的像素比例波动较大,幅度达到5.76%。而本发明算法该幅度仅为2.17%,且“准确”类的像素比例均达到90%以上,因此可靠性更高。
[0078] 实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。