一种集成地物光谱信息的多波段遥感图像分割及标记方法

技术领域

本发明涉及到遥感图像纹理分割方法，尤其涉及一种对分割后的遥感图像进行地物分类标记方法。

背景技术

图像分割(章毓晋.图像分割.北京：科学出版社,2005.)是图像处理与计算机视觉领域中最为基础和重要的问题之一，它是对图像进行视觉分析和模式识别的基本前提，图像分割的效果将直接影响到后续分析、识别和解译等处理。纹理是遥感图像的重要特征，与遥感图像的光谱特征一样，它提示了图像中辐射亮度值空间变化的重要信息。波段遥感影像分析中引入纹理特征能够很好地提高分割精度。常用的纹理分割方法(陈建裕,张汉松,图像对象层次遥感影像分析.北京：科学出版社,2016.)，其结果仅仅是获取遥感图像的纹理分割区域，缺乏进一步的技术手段有效处理分割后的区域。另一方面，由于常规的纹理分割方法只关注当前图像的纹理特征，使得同一地区不同传感器、不同时间的遥感数据之间的分割结果多种多样，不具有可比性。

多波段遥感图像以其丰富的光谱信息，包含着大量的地物信息特征。传统方法(章孝灿等,遥感数字图像处理(第2版).杭州：浙江大学出版社，2008.)对地物的分类与标注往往在分割结果之后，分割过程忽视了地物的分类信息。利用光谱特征规则集进行地物分类是经典的遥感图像分类方法，在分割过程中引入地物分类，可以改善分割效果，并有利于后续标注处理。

发明内容

针对现有技术的不足，本发明提出一种集成地物光谱信息的多波段遥感图像分割及标记方法，该方法能使不同类型或不同时相遥感图像的结果具有可比性，并可以按用户设定的方式对纹理分割进行标记，识别分割结果。具体技术方案如下：

一种集成地物光谱信息的多波段遥感图像分割及标记方法，其特征在于，包括如下步骤：

(1)计算多波段遥感图像数据的大气层顶表观反射率；

(2)运用波段运算提取图像的光谱特征，包括亮度Bright、可见光部分的估算反射率Vis、近红外波段NIR及中红外波段处的反射率MIR、归一化差异植被指数NDVI、归一化差异裸土指数NDBSI、归一化差异积雪指数NDSI、蓝光波段的归一化差异建筑物与荒地指数NDBBBI；

(3)根据遥感图像传感器类型及光谱特征规则集进行地物分类，得到遥感图像的分类结果图；

(4)利用分类结果图计算图像各个局部区域的J值，得到J值图像，局部区域的J值计算方法如下：

J＝(S_T-S_W)/S_W

其中，S_T代表每个局部区域的数据的方差，S_W代表每个局部区域内每一个类别的方差总和，即类内差；

(5)采用区域增长的方法对J值图像进行图像分割，得到分割结果的栅格数据；

(6)统计每个分割区域内的地物分类类别及各类别像元所占比例，并按比例大小进行排序；

(7)对于每个分割区域，根据实际需要选择位于排序前列的类别，并把该类别和类别所占的比例标记在所属的分割区域上。

进一步地，所述步骤(7)中，所述的标记过程如下：

将步骤(5)得到的分割结果的栅格数据转化为矢量数据，然后在矢量数据的属性文件中增加所选择的位于排序前列的类别及类别比例的字段，完成标记过程。

与现有技术相比，本发明的有益效果如下：

本发明提供的集成地物光谱信息的多波段遥感图像分割及标记方法能够使不同类型或不同时相遥感图像的结果具有可比性，并可以按用户设定的方式对纹理分割进行标记，识别分割结果，及时有效地获取遥感图像地物类型等相关信息。

附图说明

图1是本发明的集成地物光谱信息的多波段遥感图像分割及标记方法的流程框图。

图2是本发明中局部J值的计算模板及计算结果显示。

图3是本发明的一个具体实施例的地物分类结果及其纹理分割结果图。

图4是本发明的一个具体实施例的图像分割及标记结果图。

具体实施方式

下面结合具体实施例对本发明的集成地物光谱信息的多波段遥感图像分割及标记方法作进一步的详述。

一种集成地物光谱信息的多波段遥感图像分割及标记方法，包括如下步骤：

(1)计算多波段遥感图像数据的大气层顶表观反射率；

首先计算大气层顶表观辐射值TOARD：

TOARD＝Gain_band·DN_band+Offset_band

其中，DN_band为每个波段遥感影像像元亮度值，Gain_band和Offset_band为每个波段的定标系数，这两个系数保存在与待处理数据关联的辅助数据文件中；

特殊地，对于SPOT-5卫星进行辐射定标时，TOARD的计算表达式为：

TOARD＝DN_band/Gain_band+Offset_band

然后计算大气层顶表观反射率TOARF

其中，d为天文单位的日地距离，ESUN_λ为太阳表观辐照度均值，θ_S是以度为单位的成像时太阳天顶角。

(2)运用波段运算提取图像的光谱特征

对于多波段遥感图像数据的各个波段，按其成像时的波段光谱范围进行波段标识，参考表1：

表1遥感图像波段光谱范围

光谱特征计算如表2所示：

表2光谱特征计算表

其中，亮度缩写“Bright”，定义为感知亮度；“Vis”表示可见光部分的估算反射率；“NIR”、“MIR”分别表示近红外波段及中红外波段处的反射率；NDVI是常用的植被指数，即归一化差异植被指数，用于预测和估计植被特性；NDBSI表示归一化差异裸土指数，用于增强裸土信息；NDSI表示归一化差异积雪指数，用以描述雪、冰信号；NDBBBI表示考虑蓝光波段的归一化差异建筑物与荒地指数。

(3)根据遥感图像传感器类型及光谱特征规则集进行地物分类，得到遥感图像分类的分类结果图。以SPOT-5遥感卫星图像为例，其光谱特征规则集如表3所示：

表3光谱特征规则集

(4)利用分类结果图计算图像各个局部区域的J值，得到J值图像，局部区域的J值计算方法如下：

J＝(S_T-S_W)/S_W

其中，S_T代表每个局部区域的数据的方差，S_W代表每个局部区域内每一个类别的方差总和，即类内差；

其中，Z是局部区域内N个数据点的集合，z＝(x，y)，z∈Z，(x,y)是图像坐标位置。设Z分为C个颜色类，即Z_i，i＝1，...，C，相应的类有N_i个数据点，均值为m_i；

(5)采用区域增长的方法对J值图像进行图像分割，得到分割结果的栅格数据；

图像分割好坏的标准是由每个分割区域总的J值均值来描述的，即为，其计算公式如下：

其中，J_k区域k的J值，M_k是区域k中的点数。对于一个好的分割，即使得同类像元点聚集在一个分割区域内，因此区域的J就比较小，那么也就越小，最小的J值可以为零。相应的，若一个局部区域内含有几类分隔开的地物，那么其局部J值就比较大。

计算局部J值时用的是圆形窗模板，由于J值的大小可以反映区域的边界与内部问题，模板尺寸的选择也至关重要。一般来说，如果计算J值的窗口较大，则计算出的区域局部J值分布比较均匀，分割出的区域就比较完整，但在区域边界会存在欠分割现象，获得的边界会不够精确。相反，如果采用较小的窗口，则容易获得较精确的边界，但可能导致过分割现象。本发明采用的分割算法是按尺度从大到小的顺序多次进行局部J值计算和区域生长，寻求最小化的即得到最终分割的结果。

(6)统计每个分割区域内的地物分类类别及各类别像元所占比例，并按比例大小进行排序；

(7)对于每个分割区域，根据实际需要选择位于排序前列的类别，并把该类别和类别所占的比例标记在所属的分割区域上。本发明的实施例中，将步骤(5)得到的分割结果的栅格数据转化为矢量数据，选择处于前三位的预分类的类别及比例，添加到属性文件中，完成标记过程。

图2为局部J值计算的示意图。(a)为7×7圆形模板，只含有一类地物(黑色实心点)，(b)为9×9圆形模板，包含两类地物(黑色实心与空心点)。通过计算，可以得到(a)的中心点局部J值为0，(b)的中心点局部J值为0.6。

图3给出了本发明的一个具体实施例的地物分类结果及其纹理分割结果图。如图所示，不同的灰度颜色表示不同的地物分类，实线描绘区域为分割的边缘。从图中右上角、左下角的水体区域分割结果可以看出，本发明很好地提取出了地物的边界，对于整幅图像获得了较好的分割结果。另一方面，如图所示，同一个分割区域内，有不同颜色的像元，表示存在不同的地物分类。

图4给出了本发明的一个具体实施例的图像分割及标记结果图。本实施例选取了分割区域内占主要比例的地物类别对图像进行标记，并用不同的灰度颜色在图像中显示出来。此外，图中将标记结果可视化出来，如分割区域1和2所示，可以得到此区域的主要地物类别及比例。