一种多尺度超像素级地物分类识别方法、设备、介质及产品

本申请涉及图像处理领域，特别是涉及一种多尺度超像素级地物分类识别方法、设备、介质及产品。

背景技术：

1、超像素是由原始图像中特征相似、位置相邻的一系列像素点组成的具有特定属性、介于单个像素与完整图像对象之间的不规则像素集合。超像素分割作为图像处理中的一种重要技术，通过特定标准将图像处理层面从单个像素提升到区域级别，从而显著降低图像后处理的复杂度，为后续图像分析工作提供极大便利。然而，面对当前多平台、多类型遥感传感器及成像技术的迅猛发展，已有超像素分割算法大多局限于单幅rgb图像的处理，难以有效应对遥感大数据背景下复杂的数据源，成为制约其进一步应用的关键瓶颈。

2、以简单线性迭代聚类法为代表的已知超像素分割算法主要基于单幅图像的颜色和空间接近度进行聚类，难以实现多源遥感影像的优势互补性，对复杂场景的适应性较差。所生成的超像素在形状及大小方面虽保持了较好的一致性，但其边界与目标真实轮廓的贴合度可能不够高，容易出现过分割现象，难以保证分割的准确性和鲁棒性，导致后续地物分类、目标识别等任务误差较大。

技术实现思路

1、本申请的目的是提供一种多尺度超像素级地物分类识别方法、设备、介质及产品，能够增强超像素分割的适应性和鲁棒性，更好地服务于多样化的分类任务和复杂场景，从而显著提升地物分类识别的精度和效率。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种多尺度超像素级地物分类识别方法，包括：

4、获取遥感图像，并按照所述遥感图像的获取来源，将所述遥感图像分为光学遥感图像和雷达遥感图像；

5、对所述光学遥感图像和所述雷达遥感图像分别进行预处理；

6、对预处理后的光学遥感图像和雷达遥感图像分别进行主成分分析；

7、将满足设定要求的主成分分析后的光学遥感图像以及主成分分析后的雷达遥感图像作为主成分特征图像；

8、将所述主成分特征图像进行归一化，得到归一化结果；

9、结合所述归一化结果以及所述主成分特征图像中像素行列位置信息，进行各像素聚类中心分配的距离度量，得到所述超像素聚类目标准则；

10、确定多个分割尺寸，并采用所述分割尺寸，基于所述超像素聚类目标准则对所述主成分特征图像进行超像素分割，得到分割结果；

11、基于预处理后的所述光学遥感图像和所述雷达遥感图像提取特征图像；所述特征图像至少包括纹理特征图像和极化特征图像；

12、取分割结果中各超像素包含的所有像素对应不同特征图像的像元均值作为每个超像素在各特征图像上的特征值；

13、将每个超像素在不同特征图像上的特征值作为机器学习模型的输入，实现地物分类识别。

14、可选地，将满足设定要求的主成分分析后的光学遥感图像以及主成分分析后的雷达遥感图像作为主成分特征图像，包括：

15、将累计贡献超过90%的主成分分析后的光学遥感图像以及主成分分析后的雷达遥感图像作为所述主成分特征图像。

16、可选地，采用所述分割尺寸，基于所述超像素聚类目标准则对所述主成分特征图像进行超像素分割，得到分割结果，包括：

17、采用所述分割尺寸，基于所述超像素聚类目标准则对所述主成分特征图像进行最大尺度超像素分割，得到超像素块；

18、对所述超像素块进行多尺度超像素分割，得到所述分割结果。

19、可选地，采用所述分割尺寸，基于所述超像素聚类目标准则对所述主成分特征图像进行最大尺度超像素分割，得到超像素块，包括：

20、按超像素尺寸对所述分割尺寸进行降序排列，得到尺度序列；

21、针对所述尺度序列中的第一个分割尺寸，完成种子点初始化及种子点梯度最小位置调整；

22、针对每一种子点，基于所述超像素聚类目标准则确定搜索空间范围内的所述主成分特征图像中像素点到种子点的联合距离；所述搜索空间范围基于相邻两个种子点间的距离确定得到；

23、按照最小的联合距离为各像素点分配聚类中心，进行迭代聚类，确定相邻两次迭代后所有聚类中心在各主成分特征图像的特征值及像素位置的变化情况，当聚类中心在各主成分特征图像的特征值及像素位置的变化小于第一设定阈值时，停止迭代，得到超像素块。

24、可选地，采用所述分割尺寸，对所述超像素块进行多尺度超像素分割，得到所述分割结果，包括：

25、确定所述超像素块内所有像素到聚类中心的距离指标；

26、当所述距离指标大于等于第二设定阈值时，继续分割所述超像素块，直至所述距离指标小于所述第二设定阈值时，得到聚类结果；

27、对所述聚类结果进行分割后处理，得到所述分割结果。

28、可选地，对所述聚类结果进行分割后处理，得到所述分割结果，包括：

29、确定所述聚类结果是否存在异常情况；所述异常情况包括聚类结果中出现的多连通、超像素尺寸小于设定值以及单个超像素被分割为多个不连续的超像素的情况；

30、当所述聚类结果存在异常情况时，通过增强连通性的方式进行分割后处理，得到所述分割结果。

31、可选地，所述机器学习模型采用支持向量机。

32、第二方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的多尺度超像素级地物分类识别方法的步骤。

33、第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的多尺度超像素级地物分类识别方法的步骤。

34、第四方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的多尺度超像素级地物分类识别方法的步骤。

35、根据本申请提供的具体实施例，本申请具有了以下技术效果：

36、本申请提供了一种多尺度超像素级地物分类识别方法、设备、介质及产品，通过按照遥感图像的获取来源，将遥感图像分为光学遥感图像和雷达遥感图像，能够综合来自不同遥感数据源的丰富属性特征。基于超像素聚类目标准则对主成分特征图像进行超像素分割得到分割结果，取分割结果包含的所有像素对应特征图像的像元均值作为每个超像素在不同特征图像上的特征值，并将这一特征值作为机器学习模型的输入，以实现地物分类识别，能够实现对遥感图像更为精细和灵活的处理，生成与地物真实边界更为贴合的超像素区域，有效减少分类过程中常见的边缘模糊问题，增强超像素分割的适应性和鲁棒性，还使其能够更好地服务于多样化的分类任务和复杂场景，从而显著提升地物分类识别的精度和效率。

技术特征：

1.一种多尺度超像素级地物分类识别方法，其特征在于，所述多尺度超像素级地物分类识别方法包括：

2.根据权利要求1所述的多尺度超像素级地物分类识别方法，其特征在于，将满足设定要求的主成分分析后的光学遥感图像以及主成分分析后的雷达遥感图像作为主成分特征图像，包括：

3.根据权利要求1所述的多尺度超像素级地物分类识别方法，其特征在于，采用所述分割尺寸，基于所述超像素聚类目标准则对所述主成分特征图像进行超像素分割，得到分割结果，包括：

4.根据权利要求3所述的多尺度超像素级地物分类识别方法，其特征在于，采用所述分割尺寸，基于所述超像素聚类目标准则对所述主成分特征图像进行最大尺度超像素分割，得到超像素块，包括：

5.根据权利要求3所述的多尺度超像素级地物分类识别方法，其特征在于，采用所述分割尺寸，对所述超像素块进行多尺度超像素分割，得到所述分割结果，包括：

6.根据权利要求5所述的多尺度超像素级地物分类识别方法，其特征在于，对所述聚类结果进行分割后处理，得到所述分割结果，包括：

7.根据权利要求1所述的多尺度超像素级地物分类识别方法，其特征在于，所述机器学习模型采用支持向量机。

8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的多尺度超像素级地物分类识别方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的多尺度超像素级地物分类识别方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的多尺度超像素级地物分类识别方法。

技术总结
本申请公开了一种多尺度超像素级地物分类识别方法、设备、介质及产品，涉及图像处理领域。该方法包括对光学和雷达遥感图像分别进行主成分分析提取主成分特征图像；将主成分特征图像进行归一化，确定超像素聚类目标准则；采用多个分割尺寸，基于超像素聚类目标准则对主成分特征图像进行超像素分割；基于预处理后的光学和雷达遥感图像提取纹理、极化等特征，取分割各超像素包含的所有像素对应特征图像的像元均值作为每个超像素在不同特征图像上的特征值，将提取构成的多维特征值作为机器学习模型的输入，识别地物分类。本申请能够增强超像素分割的适应性和鲁棒性，更好地服务于多样化的分类任务和复杂场景，从而显著提升地物分类识别的精度和效率。

技术研发人员：芦家欣,金国栋,韩玲,王俊峰,李良志
受保护的技术使用者：中国人民解放军火箭军工程大学
技术研发日：
技术公布日：2024/12/19