Segmentación de imágenes basada en características de la imagen
Utilizando el método de detección de cambio de información de teledetección para procesar y analizar las imágenes de teledetección de dos fases, se obtiene la imagen de "información de cambio" al mismo tiempo, para facilitar la identificación de terremotos posteriores. información, esta información de cambios debe extraerse del fondo ambiental complejo. Extráigala de la imagen para obtener una imagen binaria que solo contenga información de cambios. Aquí debe utilizar la tecnología de segmentación de imágenes. Aquí se utiliza la tecnología de segmentación de imágenes. La segmentación de imágenes incluye segmentación manual y segmentación automática. La segmentación manual significa que el operador utiliza la experiencia relevante para fusionar, extraer, redondear y otras operaciones en parches pequeños. Sin embargo, para imágenes de detección remota de áreas grandes, la operación manual requiere una gran carga de trabajo, es ineficiente, lenta y lleva mucho tiempo. Y es fácil pasar por alto pequeños parches. Los límites de la placa segmentada son fácilmente controlados subjetivamente por el operador, lo que tiene un gran impacto en la precisión, por lo que la segmentación de imágenes en este estudio generalmente utiliza tecnología de segmentación automática. La segmentación de imágenes en este estudio generalmente se refiere a la segmentación automática.
Investigación sobre la extracción de información de teledetección de tierras abandonadas degradadas Figura 4-11 Resultados del método de detección de información de cambios de teledetección de fuentes múltiples basado en MNF/ICA
Desde la década de 1970, la segmentación de imágenes Los métodos han sido populares en varios países. Con la atención de los académicos, hasta ahora se han propuesto varios métodos de segmentación. FuK.S (1981) divide los métodos de segmentación en métodos de segmentación por umbral, métodos de segmentación de bordes y métodos de segmentación de bordes. FuK.S (1981) divide los métodos de segmentación en segmentación de umbral, segmentación de borde y segmentación de región. De hecho, la segmentación de región incluye la segmentación de umbral. Cai Marti y Zhu Bo (2002) dividieron los métodos de segmentación de imágenes en más categorías, incluido el método de segmentación de umbral, el método de segmentación de color, el método basado en conjuntos difusos, el método de segmentación de profundidad, el método de segmentación de píxeles y el método de crecimiento de regiones, entre los cuales se encuentran el método de segmentación de color y la profundidad. El método de segmentación y el método de segmentación de píxeles pertenecen al método de segmentación por umbral.
Dado que la detección de información de cambio de detección remota aún permanece en el nivel de píxel (Zhong Jiaqiang, 2005), las imágenes en escala de grises y en color se procesan y transforman a través de diferentes métodos de detección para generar la escala de grises (píxel) del cambio. valor de información) y la información de color se intensifican, generalmente aparecen como blanco grisáceo (Figura 4-8, Figura 4-9) y verde esmeralda (Figura 4-11). El color de la información de cambio se intensifica y aparece como blanco grisáceo (). Figura 4-11) y verde esmeralda (Figura 4-11). (Figura 4-8, Figura 4-9) y verde brillante (Figura 4-11), que no están coordinados con la escala de colores de las características circundantes, el área de cambio se puede dividir determinando el umbral de cambio relevante. Sin embargo, dado que la información de cambio se ve afectada por factores como la radiación solar, la interferencia atmosférica, los parámetros del sensor, la resolución espacial, la resolución espectral, las diferencias estacionales, etc., la escala de grises de los parches modificados a veces fluctúa dentro de un cierto rango, lo que aumenta la dificultad. de segmentación precisa. La dificultad de cambiar la información hace que la determinación del umbral de cambio sea particularmente importante.
(1) Análisis de características de imágenes de cambios
Las imágenes en escala de grises o en color obtenidas mediante métodos de detección de información de cambios de teledetección multitemporal generalmente tienen las siguientes características: ① Las características espectrales de la imagen son complejos; contiene muchos tipos de características, pero las características espectrales de la información cambiante no son consistentes con el entorno de fondo. Los parches de información cambiante de las imágenes en escala de grises generalmente se distribuyen en ambos extremos del eje de la escala de grises (es decir, el área brillante), pero a veces pueden ubicarse en el extremo oscuro y, en casos raros, pueden ubicarse en el medio de los dos. Esto depende de los datos de detección remota específicos y del tipo de método de detección que se debe utilizar para determinar si los parches de información de cambio de las imágenes en color son generalmente de color verde brillante y se debe determinar si se pueden distinguir de los objetos terrestres circundantes. la situación real. El valor de gris dentro del parche de información cambiante es relativamente uniforme, pero fluctuará dentro de un cierto rango, por lo que los parches pequeños se pierden fácilmente durante la segmentación de la imagen. Las características en escala de grises entre los parches de información de cambios son similares (consistentes), pero la diferencia en las características de textura suele ser obvia. Debido a que los parches de información de cambios pueden pertenecer a diferentes tipos de características, la información de textura generalmente no se puede utilizar para segmentar parches de información de cambios. Debido a factores de control no humanos, inevitablemente hay algo de información de ruido en la imagen. Esta información de ruido generalmente se expresa en pequeños parches cerca de los parches de información cambiantes (especialmente obvios en la Figura 4-9), por lo que los cambios deben distinguirse durante. Segmentación. Parches de información y parches de ruido. Para diferentes entornos y regiones, los parches de información cambiante se distribuyen aleatoriamente, son escasos en algunos lugares y densos en otros.
(2) Segmentación de región de umbral único
La segmentación de región de umbral único es un método de segmentación de imágenes simple y efectivo que utiliza umbrales para dividir la escala de grises de las imágenes cambiantes en cambios y no. cambios.
Su característica más importante es que es simple de calcular y se usa ampliamente en situaciones que requieren una alta eficiencia computacional (como la implementación de hardware) (Feng Dejun, 2004). El umbral de segmentación generalmente se determina utilizando el histograma en escala de grises de la imagen. Al calcular el umbral de segmentación, el histograma en escala de grises generalmente se envuelve en una curva después de eliminar el ruido. Si hay múltiples áreas de características en la imagen, el histograma tendrá múltiples picos, cada pico corresponde a un área de características, el punto del valle es el. Umbral de segmentación, utilizado para dividir diferentes áreas de características.
Los valores de gris del objetivo y el fondo en imágenes complejas a menudo están parcialmente entrelazados. Para minimizar la probabilidad de una segmentación incorrecta durante el proceso de segmentación, es necesario encontrar el umbral de segmentación óptimo. entonces segmentación de región de umbral único El método también se denomina método de umbral óptimo, que puede minimizar el error de segmentación. El histograma en escala de grises de una imagen puede verse como la función de densidad de la distribución de probabilidad de los valores en escala de grises de los elementos de la imagen. Suponiendo que la imagen solo contiene dos áreas grises principales, el objetivo y el fondo, el histograma representa la suma de las funciones de densidad de las dos distribuciones de probabilidad de un solo pico correspondientes al objetivo y al fondo. conocido, el error mínimo se puede calcular el umbral óptimo. El principio de cálculo es el siguiente:
Supongamos que una imagen contiene ruido gaussiano y que los histogramas (funciones de densidad de probabilidad) del fondo y el objetivo son pb(z) y po(z) respectivamente, entonces la combinación La densidad de probabilidad de toda la imagen p(z) es (Zhang Yujin, 2001):
Investigación sobre la extracción de información por teledetección de tierras abandonadas degradadas
En la fórmula:
σb y σo son el objetivo y el fondo respectivamente. El histograma (función de densidad de probabilidad) de probabilidad previa, la suma de los dos es 1. Si μb <μo, debe determinar un umbral T, tomar la segmentación menor que el umbral como fondo y utilizar la segmentación mayor que el umbral como objetivo. Se supone que la probabilidad de clasificar incorrectamente el elemento de la imagen de destino es. el fondo y la probabilidad de clasificar incorrectamente el fondo como objetivo son Eb respectivamente, y el error total es la suma de los dos, E(T). Para minimizar este error se puede tomar la derivada del error total respecto a T y la derivada es cero, obteniendo así
Investigación sobre extracción de información de teledetección de terrenos degradados y abandonados
Sustituya esta ecuación en la fórmula (4-3) para obtener un binomio. (4-3), se puede obtener un binomio
Investigación sobre la extracción de información de teledetección de tierras degradadas y abandonadas
El umbral óptimo se puede obtener resolviendo este binomio
>Investigación sobre la extracción de información de teledetección de tierras degradadas y abandonadas
El principio de selección del umbral óptimo T se muestra en la Figura 4-12, que se puede resumir de la siguiente manera: El histograma después del suavizado y Se puede ver la eliminación de ruido. Dibuje una curva h(x), y el umbral óptimo T debe cumplir las dos condiciones siguientes:
Extracción de información de teledetección de tierras abandonadas degradadas
Figura 4-12 -12 Principio de selección de umbral óptimo
Supongamos que el rango de valores de gris de la imagen original f (x, y) es G = [0, L -1], utilice el mejor método de umbral único para dividir la imagen en dos categorías, el mejor umbral de segmentación es T (0 ＜ T ＜ L -1), la imagen binaria generada por la segmentación es g (El lenguaje (SML) implementó el método de umbral único (umbral óptimo) en el software ERDAS y analizó el histograma. distribución de las imágenes cambiantes en la Figura 4-8, Figura 4-9 y Figura 4-11 respectivamente (Figura 4-8), (Figura 4-8) y (Figura 4-11). Analice la distribución del histograma de las imágenes de cambio en la Figura 4-8, Figura 4-9 y Figura 4-11 (Figura 4-13) respectivamente, realice una segmentación del área de umbral óptima y utilice las tres imágenes binarias de información de cambio obtenidas como un conjunto. , es decir, sumar las tres imágenes, retener todos los píxeles mayores que 1 y finalmente obtener la imagen binaria del área modificada, como se muestra en la Figura 4-14.
Figura 4-13 Curvas de histograma de tres imágenes cambiantes
Figura 4-14 Imagen binaria que utiliza el método de umbral único para extraer información de cambio (el área blanca es el área de cambio)
Figura 4-15 Proceso de cálculo del método de reconocimiento difuso de doble umbral (C) Método de segmentación de reconocimiento difuso de doble umbral
Dado que el método de segmentación de región de umbral único solo tiene un umbral global involucrado en la imagen Sin embargo, la segmentación de la imagen está sujeta a la influencia de la atmósfera, el ruido, la iluminación y los cambios en la escala de grises del fondo, lo que hace que los cambios de información en los valores de la escala de grises siempre fluctúen dentro de un cierto rango, y los cambios de información a menudo se cruzan con el ruido y otras categorías de características. En este caso, es difícil que la segmentación de regiones de umbral único cumpla con los requisitos de precisión. ¿Cómo distinguir la información de cambio? Este estudio propone un método de segmentación de reconocimiento difuso de doble umbral, cuyo proceso se muestra en la Figura 4-15.
Utilice el histograma en escala de grises de la imagen cambiante para calcular dos umbrales T1 y T2, T1 Investigación sobre la extracción de información de teledetección de la degradación de tierras abandonadas Los elementos de imagen inciertos mantienen su valor de gris sin cambios y utilizan operadores de reconocimiento difuso Construya una función objetivo, realice grados de membresía difusos en dos categorías diferentes (información de fondo y de cambio) a las que pertenecen los elementos de la imagen, y determine su pertenencia comparando el tamaño de los dos grados de membresía (clasifíquelos en la categoría con un grado de membresía mayor ). Divida en categorías de fondo y cambie las categorías de información hasta que todos los elementos de imagen inciertos estén divididos. Complete la segmentación de todos los elementos inciertos de la imagen, es decir, complete todo el proceso de segmentación. 1. Cálculo de los umbrales duales T1 y T2 El umbral central T1 se calcula de acuerdo con el método de segmentación de región de umbral único (umbral óptimo) en la Ecuación 4-5. El umbral central T2 se obtiene promediando los niveles de gris de los elementos de la imagen en el histograma de grises que son mayores que el umbral T1. Establezca el valor de gris de la imagen entre 0 y 255 (imagen de 8 dimensiones) y utilice el principio de integración discreta para calcular el valor de gris promedio. Si el umbral óptimo calculado utilizando el método de umbral único es T1, la fórmula de cálculo del umbral central T2 es la siguiente: Investigación sobre la extracción de información de teledetección de tierras abandonadas degradadas Dónde : ni representa el cambio El número de píxeles con nivel de gris i en la imagen. 2. Algoritmo de reconocimiento difuso La idea básica del algoritmo de reconocimiento difuso es la siguiente (Li Xican et al., 2003, 2008): 1. La idea básica del algoritmo de reconocimiento difuso: 2. La idea básica del algoritmo de reconocimiento difuso 2003, 2008): Primero, estandarizar el conjunto de muestras, es decir. es decir, los valores propios del conjunto de muestras están estandarizados entre 0 y 1. Supongamos que la muestra El valor propio y está estandarizado como x, y las n muestras del conjunto de muestras se dividen en categorías C, entonces la matriz de identificación difusa es La matriz de identificación difusa es La matriz de identificación difusa es la siguiente p>Tierras abandonadas degradadas Investigación sobre extracción de información de teledetección En la fórmula. Uhj es el grado de pertenencia relativo de la muestra j perteneciente a la h-ésima categoría, h=1, 2, ... Investigación sobre la extracción de información por teledetección de tierras abandonadas degradadas Supongamos que el valor característico de la categoría C es el índice estándar o el índice central de agrupamiento difuso, entonces el vector de índice central de la clase C es Investigación sobre la extracción de información de teledetección de tierras abandonadas degradadas En la fórmula: Sh es el índice central de la h-ésima categoría, 0≤Sh≤1, h=1, 2,...,c. Para resolver la matriz de identificación difusa óptima U y el índice de centro óptimo difuso S, se estableció una función objetivo (Li Xican, 1998): Investigación sobre extracción de información de teledetección de terrenos baldíos degradados Ecuación 4: La importancia de 14 es minimizar la suma de las distancias de Hamming generalizadas ponderadas al cuadrado del conjunto de muestras de toda la categoría. Obviamente, en el caso de que no haya categorías (h=1, Uhj=1), esta fórmula se convierte en el criterio habitual de optimización de mínimos cuadrados. Bajo la función objetivo de la Fórmula 4-14, se calcula el grado de pertenencia y el vector índice central de la división difusa óptima: Investigación sobre la extracción de información de teledetección de tierras abandonadas degradadas En la fórmula: u* hj es el grado de pertenencia de la muestra j perteneciente a la clase h. 3. Segmentación y clasificación A través de la función objetivo construida (función de membresía), se determinan los valores pertenecientes al "objetivo" (información de cambio) y al "fondo" (no- información de cambio) se calculan respectivamente. El grado de membresía de cada píxel se clasifica en la categoría con el mayor grado de membresía. Al clasificarla en la categoría con mayor grado de pertenencia se completa el proceso de segmentación de imágenes. Figura 4-16 Método de segmentación por reconocimiento difuso de umbral dual para imágenes binarias (El área blanca es información de cambio) El algoritmo de segmentación utiliza la construcción espacial debajo Implementación del lenguaje modelo ERDAS (SML), tomando las imágenes cambiantes de la Figura 4-8, Figura 4-9 y Figura 4-11 como objetos de entrada respectivamente. Tomando la imagen de cambio en la Figura 4-11 como objeto de entrada, se realiza una segmentación de reconocimiento difuso de doble umbral y se agrega la imagen de cambio binario resultante. El resultado final se muestra en la Figura 4-16. Como se puede ver en la Figura 4-16, el método de segmentación de reconocimiento difuso de umbral dual puede eliminar hasta cierto punto el ruido discreto y los tipos de características individuales mezclados en la información de cambio en el método de segmentación de región de umbral único, haciendo que la información de cambio sea más preciso y concentrado, y mejora la precisión de la segmentación. La práctica ha demostrado que el método de segmentación por reconocimiento difuso de doble umbral tiene una base teórica sólida y puede lograr buenos resultados en la segmentación real de información cambiante. Es un algoritmo automático factible y confiable para la segmentación de imágenes.