本申請涉及圖像處理領(lǐng)域，特別是涉及一種多尺度超像素級地物分類識別方法、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、超像素是由原始圖像中特征相似、位置相鄰的一系列像素點組成的具有特定屬性、介于單個像素與完整圖像對象之間的不規(guī)則像素集合。超像素分割作為圖像處理中的一種重要技術(shù)，通過特定標(biāo)準(zhǔn)將圖像處理層面從單個像素提升到區(qū)域級別，從而顯著降低圖像后處理的復(fù)雜度，為后續(xù)圖像分析工作提供極大便利。然而，面對當(dāng)前多平臺、多類型遙感傳感器及成像技術(shù)的迅猛發(fā)展，已有超像素分割算法大多局限于單幅rgb圖像的處理，難以有效應(yīng)對遙感大數(shù)據(jù)背景下復(fù)雜的數(shù)據(jù)源，成為制約其進(jìn)一步應(yīng)用的關(guān)鍵瓶頸。

2、以簡單線性迭代聚類法為代表的已知超像素分割算法主要基于單幅圖像的顏色和空間接近度進(jìn)行聚類，難以實現(xiàn)多源遙感影像的優(yōu)勢互補性，對復(fù)雜場景的適應(yīng)性較差。所生成的超像素在形狀及大小方面雖保持了較好的一致性，但其邊界與目標(biāo)真實輪廓的貼合度可能不夠高，容易出現(xiàn)過分割現(xiàn)象，難以保證分割的準(zhǔn)確性和魯棒性，導(dǎo)致后續(xù)地物分類、目標(biāo)識別等任務(wù)誤差較大。

技術(shù)實現(xiàn)思路

1、本申請的目的是提供一種多尺度超像素級地物分類識別方法、設(shè)備、介質(zhì)及產(chǎn)品，能夠增強超像素分割的適應(yīng)性和魯棒性，更好地服務(wù)于多樣化的分類任務(wù)和復(fù)雜場景，從而顯著提升地物分類識別的精度和效率。

2、為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨福?/p>

3、第一方面，本申請?zhí)峁┝艘环N多尺度超像素級地物分類識別方法，包括：

4、獲取遙感圖像，并按照所述遙感圖像的獲取來源，將所述遙感圖像分為光學(xué)遙感圖像和雷達(dá)遙感圖像；

5、對所述光學(xué)遙感圖像和所述雷達(dá)遙感圖像分別進(jìn)行預(yù)處理；

6、對預(yù)處理后的光學(xué)遙感圖像和雷達(dá)遙感圖像分別進(jìn)行主成分分析；

7、將滿足設(shè)定要求的主成分分析后的光學(xué)遙感圖像以及主成分分析后的雷達(dá)遙感圖像作為主成分特征圖像；

8、將所述主成分特征圖像進(jìn)行歸一化，得到歸一化結(jié)果；

9、結(jié)合所述歸一化結(jié)果以及所述主成分特征圖像中像素行列位置信息，進(jìn)行各像素聚類中心分配的距離度量，得到所述超像素聚類目標(biāo)準(zhǔn)則；

10、確定多個分割尺寸，并采用所述分割尺寸，基于所述超像素聚類目標(biāo)準(zhǔn)則對所述主成分特征圖像進(jìn)行超像素分割，得到分割結(jié)果；

11、基于預(yù)處理后的所述光學(xué)遙感圖像和所述雷達(dá)遙感圖像提取特征圖像；所述特征圖像至少包括紋理特征圖像和極化特征圖像；

12、取分割結(jié)果中各超像素包含的所有像素對應(yīng)不同特征圖像的像元均值作為每個超像素在各特征圖像上的特征值；

13、將每個超像素在不同特征圖像上的特征值作為機器學(xué)習(xí)模型的輸入，實現(xiàn)地物分類識別。

14、可選地，將滿足設(shè)定要求的主成分分析后的光學(xué)遙感圖像以及主成分分析后的雷達(dá)遙感圖像作為主成分特征圖像，包括：

15、將累計貢獻(xiàn)超過90%的主成分分析后的光學(xué)遙感圖像以及主成分分析后的雷達(dá)遙感圖像作為所述主成分特征圖像。

16、可選地，采用所述分割尺寸，基于所述超像素聚類目標(biāo)準(zhǔn)則對所述主成分特征圖像進(jìn)行超像素分割，得到分割結(jié)果，包括：

17、采用所述分割尺寸，基于所述超像素聚類目標(biāo)準(zhǔn)則對所述主成分特征圖像進(jìn)行最大尺度超像素分割，得到超像素塊；

18、對所述超像素塊進(jìn)行多尺度超像素分割，得到所述分割結(jié)果。

19、可選地，采用所述分割尺寸，基于所述超像素聚類目標(biāo)準(zhǔn)則對所述主成分特征圖像進(jìn)行最大尺度超像素分割，得到超像素塊，包括：

20、按超像素尺寸對所述分割尺寸進(jìn)行降序排列，得到尺度序列；

21、針對所述尺度序列中的第一個分割尺寸，完成種子點初始化及種子點梯度最小位置調(diào)整；

22、針對每一種子點，基于所述超像素聚類目標(biāo)準(zhǔn)則確定搜索空間范圍內(nèi)的所述主成分特征圖像中像素點到種子點的聯(lián)合距離；所述搜索空間范圍基于相鄰兩個種子點間的距離確定得到；

23、按照最小的聯(lián)合距離為各像素點分配聚類中心，進(jìn)行迭代聚類，確定相鄰兩次迭代后所有聚類中心在各主成分特征圖像的特征值及像素位置的變化情況，當(dāng)聚類中心在各主成分特征圖像的特征值及像素位置的變化小于第一設(shè)定閾值時，停止迭代，得到超像素塊。

24、可選地，采用所述分割尺寸，對所述超像素塊進(jìn)行多尺度超像素分割，得到所述分割結(jié)果，包括：

25、確定所述超像素塊內(nèi)所有像素到聚類中心的距離指標(biāo)；

26、當(dāng)所述距離指標(biāo)大于等于第二設(shè)定閾值時，繼續(xù)分割所述超像素塊，直至所述距離指標(biāo)小于所述第二設(shè)定閾值時，得到聚類結(jié)果；

27、對所述聚類結(jié)果進(jìn)行分割后處理，得到所述分割結(jié)果。

28、可選地，對所述聚類結(jié)果進(jìn)行分割后處理，得到所述分割結(jié)果，包括：

29、確定所述聚類結(jié)果是否存在異常情況；所述異常情況包括聚類結(jié)果中出現(xiàn)的多連通、超像素尺寸小于設(shè)定值以及單個超像素被分割為多個不連續(xù)的超像素的情況；

30、當(dāng)所述聚類結(jié)果存在異常情況時，通過增強連通性的方式進(jìn)行分割后處理，得到所述分割結(jié)果。

31、可選地，所述機器學(xué)習(xí)模型采用支持向量機。

32、第二方面，本申請?zhí)峁┝艘环N計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述中任一項所述的多尺度超像素級地物分類識別方法的步驟。

33、第三方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的多尺度超像素級地物分類識別方法的步驟。

34、第四方面，本申請?zhí)峁┝艘环N計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的多尺度超像素級地物分類識別方法的步驟。

35、根據(jù)本申請?zhí)峁┑木唧w實施例，本申請具有了以下技術(shù)效果：

36、本申請?zhí)峁┝艘环N多尺度超像素級地物分類識別方法、設(shè)備、介質(zhì)及產(chǎn)品，通過按照遙感圖像的獲取來源，將遙感圖像分為光學(xué)遙感圖像和雷達(dá)遙感圖像，能夠綜合來自不同遙感數(shù)據(jù)源的豐富屬性特征?；诔袼鼐垲惸繕?biāo)準(zhǔn)則對主成分特征圖像進(jìn)行超像素分割得到分割結(jié)果，取分割結(jié)果包含的所有像素對應(yīng)特征圖像的像元均值作為每個超像素在不同特征圖像上的特征值，并將這一特征值作為機器學(xué)習(xí)模型的輸入，以實現(xiàn)地物分類識別，能夠?qū)崿F(xiàn)對遙感圖像更為精細(xì)和靈活的處理，生成與地物真實邊界更為貼合的超像素區(qū)域，有效減少分類過程中常見的邊緣模糊問題，增強超像素分割的適應(yīng)性和魯棒性，還使其能夠更好地服務(wù)于多樣化的分類任務(wù)和復(fù)雜場景，從而顯著提升地物分類識別的精度和效率。

技術(shù)特征：

1.一種多尺度超像素級地物分類識別方法，其特征在于，所述多尺度超像素級地物分類識別方法包括：

2.根據(jù)權(quán)利要求1所述的多尺度超像素級地物分類識別方法，其特征在于，將滿足設(shè)定要求的主成分分析后的光學(xué)遙感圖像以及主成分分析后的雷達(dá)遙感圖像作為主成分特征圖像，包括：

3.根據(jù)權(quán)利要求1所述的多尺度超像素級地物分類識別方法，其特征在于，采用所述分割尺寸，基于所述超像素聚類目標(biāo)準(zhǔn)則對所述主成分特征圖像進(jìn)行超像素分割，得到分割結(jié)果，包括：

4.根據(jù)權(quán)利要求3所述的多尺度超像素級地物分類識別方法，其特征在于，采用所述分割尺寸，基于所述超像素聚類目標(biāo)準(zhǔn)則對所述主成分特征圖像進(jìn)行最大尺度超像素分割，得到超像素塊，包括：

5.根據(jù)權(quán)利要求3所述的多尺度超像素級地物分類識別方法，其特征在于，采用所述分割尺寸，對所述超像素塊進(jìn)行多尺度超像素分割，得到所述分割結(jié)果，包括：

6.根據(jù)權(quán)利要求5所述的多尺度超像素級地物分類識別方法，其特征在于，對所述聚類結(jié)果進(jìn)行分割后處理，得到所述分割結(jié)果，包括：

7.根據(jù)權(quán)利要求1所述的多尺度超像素級地物分類識別方法，其特征在于，所述機器學(xué)習(xí)模型采用支持向量機。

8.一種計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現(xiàn)權(quán)利要求1-7中任一項所述的多尺度超像素級地物分類識別方法。

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7中任一項所述的多尺度超像素級地物分類識別方法。

10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7中任一項所述的多尺度超像素級地物分類識別方法。

技術(shù)總結(jié)
本申請公開了一種多尺度超像素級地物分類識別方法、設(shè)備、介質(zhì)及產(chǎn)品，涉及圖像處理領(lǐng)域。該方法包括對光學(xué)和雷達(dá)遙感圖像分別進(jìn)行主成分分析提取主成分特征圖像；將主成分特征圖像進(jìn)行歸一化，確定超像素聚類目標(biāo)準(zhǔn)則；采用多個分割尺寸，基于超像素聚類目標(biāo)準(zhǔn)則對主成分特征圖像進(jìn)行超像素分割；基于預(yù)處理后的光學(xué)和雷達(dá)遙感圖像提取紋理、極化等特征，取分割各超像素包含的所有像素對應(yīng)特征圖像的像元均值作為每個超像素在不同特征圖像上的特征值，將提取構(gòu)成的多維特征值作為機器學(xué)習(xí)模型的輸入，識別地物分類。本申請能夠增強超像素分割的適應(yīng)性和魯棒性，更好地服務(wù)于多樣化的分類任務(wù)和復(fù)雜場景，從而顯著提升地物分類識別的精度和效率。

技術(shù)研發(fā)人員：蘆家欣,金國棟,韓玲,王俊峰,李良志
受保護(hù)的技術(shù)使用者：中國人民解放軍火箭軍工程大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19