一种基于迭代超像素分割的遥感地物分类后处理方法

摘要

本发明公开了一种基于迭代超像素分割的遥感地物分类后处理方法，属于遥感图像智能应用技术领域。该方法首先对遥感影像采用深度学习地物分类方法进行初步分类结果生成，随后采用SLIC算法根据遥感影像分辨率以及成像效果设置合理参数对遥感影像进行初步超像素分割，接着对每个超像素块计算超像素块复杂度判断是否需要进行二次甚至多次迭代分割，对不需要进一步分割的超像素块对应的图斑区域进行图斑复杂度计算，根据复杂度大小进行不同后处理策略，最后以最小粒度的超像素为基础单元进行类别合并输出最终后处理结果。该方法能够对人为参数弱依赖的地物分类结果进行优化，具有较好的精度提升和业务应用能力。

权利要求

1.一种基于迭代超像素分割的遥感地物分类后处理方法，其特征在于，用于对地物分类初步结果图进行后处理，包括以下步骤：(1)采用SLIC方法对原始遥感影像进行超像素分割，得到密集超像素块；

(2)计算超像素块的复杂度参数M，将超像素块复杂度参数M与阈值U进行比较，若所有超像素块的复杂度参数均小于U，则执行步骤(3)，否则返回步骤(1)重新进行超像素分割；

其中，M用来描述超像素块中灰度数值与空间分布的复杂度；

参数M的计算方式为：

其中，超像素块中mi为像素值为i的像素数量，N为超像素块中像素数，h为超像素图斑的高度，wi高度为i时超像素块的宽度，p(i,j)为坐标位置为i，j的像素值，aver(i,j,k)为以i，j为中心k为宽度的矩阵的像素值均值；

(3)对每个超像素块提取其轮廓区域位置，在地物分类初步结果图中提取该轮廓区域位置的图斑，并计算各图斑的复杂度参数S；其中，S用来描述图斑中类别分布的复杂度；

参数S的计算方式为：

S＝narea*A/N

其中，narea为图斑中包含的地物类别数量，A为对图斑中进行轮廓统计后得到的地物块数量，N为图斑中像素数；

(4)对于每一图斑，将其复杂度参数S与阈值L进行比较，若S小于L，则保持该图斑的原有类别分布，否则，用该图斑中占比最大的类别对该图斑进行填充，填充后图斑中的类别全部是原占比最大的类别；

(5)将经过步骤(4)处理后的所有图斑进行合并，组合成原图大小的矢量图像，该矢量图像即为完成后处理的地物分类结果。

说明书

一种基于迭代超像素分割的遥感地物分类后处理方法

技术领域

[0001] 本发明属于遥感图像智能应用技术领域，特别是指一种基于迭代超像素分割的遥感地物分类后处理方法。

背景技术

[0002] 随着军、民、商各类对地观测卫星逐步升空并投入使用，目前各单位逐步积累的遥感影像数据已达到百万级别，并且随着微纳卫星、星群、星座的概念提出，后续遥感影像数
据将呈爆炸式增长。面对如此庞大的遥感影像数据，如何快速地、自动地完成图像解析，特
别是地物类型解析，成为一项亟待完成的任务。

[0003] 随着深度学习、强化学习等人工智能技术的长足进步，其在各领域均具有广阔的应用前景。在遥感智能处理领域，当前深度学习已应用于地物分类、目标检测等影像处理方
面任务，国内外各高校均开展相应技术研究产出了不少技术成果。当前与遥感地物分类任
务较为接近的深度学习解决方案为语义分割，此外，目前国内外最优地语义分割网络设计
方案为全卷积类神经网络以及其改良网络结构。虽然全卷积类神经网络已经在遥感影像地
物分类任务中具有较好的效果，对某些典型地物类型(例如：水体、森林等)的分类精度达到
90％以上，但受到网络结构中卷积结构的局限，上采样与下采样过程的压缩失真，不可避免
会产生边缘模糊以及分类孔洞等误差的出现。就当前神经网络的发展，虽然可以通过改进
网络卷积核分布以及其他策略在一定程度上改进误差现象，但是由于网络内部的“黑盒”效
应导致可控性较差，难以真正达到真正业务应用水平。可见，如何自动、高效、人为可控地对
网络分类结果进行优化是一个至关重要而又亟待解决的难题。

[0004] 目前，如何对遥感影像地物分类结果进行优化，业内尚缺少成熟的解决途径，而仅从实验理论阶段进行了尝试。

[0005] 近年来，较多研究采用CRF条件随机场对CNN分类结果进行优化，虽然一定程度上对分类结果进行改进，但CRF需要人为设定多组核函数等经验参数，不同影像所需最优的经
验参数不同的，需要经过多次尝试确定最优值，面对如此庞大的遥感数据量，频繁的人为设
定参数是不现实的。真正实现业务应用自动化应该避免此类人为多次干预过程，因此CRF等
人为参数强依赖方法是无法满足当前业务自动化需求的。

发明内容

[0006] 本发明的目的在于克服当前海量遥感地物分类结果边缘模糊以及分类孔洞等误差的难题，提出了一种基于迭代超像素分割的遥感地物分类后处理方法，该方法为一种人
工参数低耦合的自动化精度提升后处理方法，相比以往方法，减少了人为经验干预，同时进
一步提高了后处理的精度提升效果。

[0007] 本发明的目的是这样实现的：

[0008] 一种基于迭代超像素分割的遥感地物分类后处理方法，用于对地物分类初步结果图进行后处理，包括以下步骤：

[0009] (1)采用SLIC方法对原始遥感影像进行超像素分割，得到密集超像素块；

[0010] (2)计算超像素块的复杂度参数M，将超像素块复杂度参数M与阈值U进行比较，若所有超像素块的复杂度参数均小于U，则执行步骤(3)，否则返回步骤(1)重新进行超像素分
割；其中，M用来描述超像素块中灰度数值与空间分布的复杂度；

[0011] (3)对每个超像素块提取其轮廓区域位置，在地物分类初步结果图中提取该轮廓区域位置的图斑，并计算各图斑的复杂度参数S；其中，S用来描述图斑中类别分布的复杂
度；

[0012] (4)对于每一图斑，将其复杂度参数S与阈值L进行比较，若S小于L，则保持该图斑的原有类别分布，否则，用该图斑中占比最大的类别对该图斑进行填充，填充后图斑中的类
别全部是原占比最大的类别；

[0013] (5)将经过步骤(4)处理后的所有图斑进行合并，组合成原图大小的矢量图像，该矢量图像即为完成后处理的地物分类结果。

[0014] 进一步的，所述步骤(2)中，参数M的计算方式为：

[0015]

[0016]

[0017] 其中，超像素块中mi为像素值为i的像素数量，N为超像素块中像素数，h为超像素图斑的高度，wi高度为i时超像素块的宽度，p(i,j)为坐标位置为i，j的像素值，aver(i,j,
k)为以i，j为中心k为宽度的矩阵的像素值均值；

[0018] 参数S的计算方式为：

[0019] S＝narea*A/N

[0020] 其中，narea为图斑中包含的地物类别数量，A为对图斑中进行轮廓统计后得到的地物块数量，N为图斑中像素数。

[0021] 本发明与背景技术相比具有如下优点：

[0022] 1、本发明提出了一种全新的地物分类后处理方法迭代超像素后处理ISR(iteration superpixels reprocessing)，可实现对不同遥感影像无需人工进行不同经验
参数设置即可实现普适性的后处理精度提升，实现真正自动化业务应用。

[0023] 2、本发明对不同的超像素分割结果具有复杂度评估，根据评估结果自动判断是否进行迭代分割，达到最优分割超像素颗粒度。

[0024] 3、本发明不同分类效果具有不同的后处理策略，防止过处理的情况出现。

附图说明

[0025] 图1是本发明实施例的方法流程图。

[0026] 图2是本发明实施例中后处理之前的分类结果样例图。

[0027] 图3是本发明实施例中初次超像素分割后的分割样例图。

[0028] 图4是本发明实施例中迭代超像素分割结果图。

[0029] 图5是本发明实施例中分割效果较好的超像素示意图。

[0030] 图6是本发明实施例中欠缺进一步分割的超像素示意图。

[0031] 图7是本发明实施例中最终后处理的结果图。

具体实施方式

[0032] 下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许
会淡化本发明的主要内容时，这些描述在这里将被忽略。

[0033] 如图1所示，一种基于迭代超像素分割的遥感地物分类后处理方法，包括以下步骤：

[0034] (1)采用线性迭代聚类SLIC(Simple Linear Iterative Clustering)方法对原始遥感影像进行超像素分割，得到密集超像素块；

[0035] (2)计算超像素块的复杂度参数M，将超像素块复杂度参数M与阈值U进行比较，若所有超像素块的复杂度参数均小于U，则执行步骤(3)，否则返回步骤(1)重新进行超像素分
割；其中，M用来描述超像素块中灰度数值与空间分布的复杂度；

[0036] (3)对每个超像素块提取其轮廓区域位置，在地物分类初步结果图中提取该轮廓区域位置的图斑，并计算各图斑的复杂度参数S；其中，S用来描述图斑中类别分布的复杂
度；

[0037] (4)对于每一图斑，将其复杂度参数S与阈值L进行比较，若S小于L，则保持该图斑的原有类别分布，否则，用该图斑中占比最大的类别对该图斑进行填充，填充后图斑中的类
别全部是原占比最大的类别；

[0038] (5)将经过步骤(4)处理后的所有图斑进行合并，组合成原图大小的矢量图像，该矢量图像即为完成后处理的地物分类结果。

[0039] 该方法对采用deeplab深度学习网络进行地物分类得到的地物分类初步结果图进行后处理，使得分类结果边缘优化和漏分填充，实现分类精度的提升。

[0040] 上述方法中，超像素块的复杂度参数M的计算公式为，

[0041]

[0042]

[0043] 式中，超像素块中mi为像素值为i的像素数量，N为超像素块中像素数，h为超像素图斑的高度，wi高度为i时超像素块的宽度，p(i,j)为坐标位置为i，j的像素值，aver(i,j,
k)为以i，j为中心k为宽度的矩阵的像素值均值；

[0044] 图斑的复杂度参数S的计算方式为：

[0045] S＝narea*A/N

[0046] 式中，narea为图斑中包含的地物类别数量，A为对图斑中进行轮廓统计后得到的地物块数量，N为图斑中像素数。

[0047] 以建筑为例，该方法的原始遥感图像以及地物分类初步结果如图2所示。本方法首先采用种子节点较少的SLIC算法对原始遥感影像进行超像素分割，相比传统的单纯SLIC分
类(如图3所示)，种子节点较少的SLIC算法得到不稠密的超像素块(如图4所示)。

[0048] 接着，本方法根据M和S的分布情况设定了多种组合处理策略，从而对每块超像素块以及对应图斑进行后处理，得到处理后的图斑。图5和图6分别为分割效果较好和较差的
超像素示意图。

[0049] 然后，将处理后的所有处理后图斑进行合并，组合成原图大小的矢量图像即为最终后处理的地物分类结果，后处理前后对比结果如图7所示。通过对后处理前后的地物分类
精度进行对比试验，本方法相比处理前地物分类结果在精度方面提升了5.24％，具有较大
性能提升。

[0050] 本发明方法首先对遥感影像采用深度学习地物分类方法进行初步分类结果生成，随后采用SLIC算法根据遥感影像分辨率以及成像效果设置合理参数对遥感影像进行初步
超像素分割。接着对每个超像素块计算超像素块复杂度判断是否需要进行二次甚至多次迭
代分割。对不需要进一步分割的超像素块对应的图斑区域进行图斑复杂度计算，根据复杂
度大小进行不同后处理策略，最后以最小粒度的超像素为基础单元进行类别合并输出最终
后处理结果。

[0051] 总之，本发明方法对采用deeplab深度学习网络进行地物分类得到的地物分类初步结果图进行后处理，使得分类结果边缘优化和漏分填充，实现分类精度的提升。该方法采
用超像素分割的方法为基础，通过自主迭代的方式实现了子超像素的分割判定及各超像素
块的独立多策略处理，能够对人为参数弱依赖的地物分类结果进行优化，具有较好的精度
提升和业务应用能力。

[0052] 尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技
术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些
变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。