[发明专利]一种综合MRF和贝叶斯网络的遥感影像区域分割方法

说明书

技术领域

本发明属于影像处理技术领域，涉及一种综合MRF和贝叶斯网络的遥感影像区域分割方法。

背景技术

近年来，随着航空航天、计算机、通信和数据采集等技术的不断进步，高分辨率遥感技术得到了飞速发展。高分辨率遥感影像在森林资源调查、生态环境监测、城市规划、探矿、精细农业、自然灾害监测等领域有着广泛的应用价值。我国森林资源丰富，很多地方容易发生火灾，利用遥感影像来监测火灾易发地区，可减少火灾带来的损失；我国也是农业大国，遥感影像也可用来监测农作物的生长状态和土壤湿度变化等，可为农作物进行估产、病虫灾害防治、旱涝灾害评估等提供信息支持；遥感影像还可用来监测洞庭湖区的生态环境变化和为城市规划提供参考信息。这些应用都离不开影像信息的提取，这也说明了作为信息提取方法的影像分割对我国经济和社会发展的重要性。然而，面对海量对地观测数据，如何从中提取有用的信息仍是亟待解决的问题，世界各国都投入了大量的人力物力对此进行研究。我国在“十一五”期间也成立了相关的重大研究专项，高分辨率遥感影像的信息提取就是其中一个非常重要的组成部分，主要内容涉及影像处理、模式识别、人工智能和认知学等领域，是当前遥感影像解译研究的重点和热点。

高分辨率遥感影像的数据量大、细节信息丰富、地物语义层次分明、结构信息清楚、同物异谱和同谱异物现象严重。同一地物的光谱响应以及地物与地物之间的邻接关系等都具有很高的随机性，从影像数据的统计特征来看，高分辨率遥感影像属于高随机信号。因此，采用统计的方法来从高分辨率遥感影像中提取信息是一条有效的途径。

马尔可夫随机场(Markov Random Field，MRF)作为一种描述各种物理现象结构的概率模型，能够有效地描述影像的空间上下文关系并具有完备的理论基础而受到广泛关注。基于像素的MRF影像分割是此类方法的理论基础，该类方法首先使用MRF模型对影像进行统计建模，再在Bayesian框架下进行影像分割。针对地物影像具有的多尺度特性，近年来结合了多尺度分析的MRF模型成为了一个研究的重点。该类模型可以在低分辨率的大尺度上，分析影像宏观的纹理模式；在高分辨率的小尺度上，分析影像具体的细节信息。如Krishnamachari提出了一个用于纹理分割的多分辨率高斯马尔科夫随机场(GMRF)模型。Bouman等采用四叉树结构或金字塔结构表示尺度之间的状态转移关系，提出一个用于影像分割的多尺度随机场。Noda等在小波域利用MRF模型进行多尺度纹理分割时，考虑了更多邻域像素的影响。传统的MRF和多尺度MRF均以像素为基本单位，而这些像素级的MRF一般只能考虑像素光谱特征在小范围内的纹理表现，难以描述结构和语义等复杂信息，因此只能用于低层次的影像分析。

为了能够描述更高层次的影像信息，近年来一些研究人员以区域为研究对象，将MRF模型从像素级推广至区域级，对区域形状、上下文关系、语义等特征进行建模。如Kim等先对影像进行过分割，然后对过分割所得到的区域构造区域邻接图(Region Adjacency Graph，RAG)，再利用RAG对区域进行MRF建模，实现区域级的影像分割。Wang等提出了一个超像素MRF模型(Superpixel MRF，SMRF)，每一个超像素对应一个影像区域，并将MRF模型定义在区域邻接图上，通过将区域似然函数假设为高斯分布来实现区域级影像分割。Qin等人在利用MRF进行区域的增长的过程中，通过自适应的边界惩罚函数引入语义信息，但因影像中信息的冗余和矛盾，获得的初始区域精度不高，这约束了区域级MRF模型分割的精确性。Ciro等人提出了一个树结构化的MRF模型，并应用于监督方式的影像分割，可以将遥感影像本身所暗含的分层信息集成在影像分割过程中。Liu等人将树结构化的MRF模型与小波分解的多尺度表达结合在一起，提出了一种小波域的树结构化的MRF模型，并基于该模型进行了监督方式的影像分割。上述方法虽然能在一定程度上利用语义分层信息，但模型后验概率的选择方法有待进一步完善。Scarpa等人利用马氏链统计区域间的空间邻接性，然后通过概率转移矩阵刻画区域间的。

语义关系，但这种方法对细碎纹理和边界纹理的分割效果较差。

纵观现有的基于MRF影像分割分类方法，从光谱特征的描述到结构信息(纹理、形状指数等)的引入，从单一尺度的研究到多尺度的研究，从像素级的建模到区域级的建模，从单纯的影像数据建模到考虑影像语义的有关尝试，其研究的目标都是希望建立能够准确反映影像特征的统计模型。尽管目前的研究已经取得了很大的进展，但在高分辨率遥感影像分割中仍存在一些问题。