基于分解的多目标遥感图像分割方法

摘要

本发明公开了一种基于分解的多目标遥感图像分割方法，主要解决现有图像分割技术中评价指标单一、计算复杂度高、分割效果不好的问题。实现步骤主要包括：输入待分割遥感图像；提取待分割图像特征；产生聚类数据；初始化初始种群；计算个体适应度值；初始化子问题；进化每一个子问题中的个体；判断是否满足终止条件分配类别标号；产生最优个体；输出分割图像。本发明提取图像每个像素的融合特征并结合分水岭粗分割产生超像素特征，通过分解的多目标方法，将多目标问题分解成一系列子问题实现遥感图像分割。本发明具有评价指标多样化、计算复杂度低、细节保持性能好等优点，对于图像的分割精度高、边缘定位准确，可用于对复杂图像的分割。

主权项

一种基于分解的多目标遥感图像分割方法，包括以下步骤：步骤1：输入待分割遥感图像；步骤2：提取待分割图像特征；2.1利用灰度共生矩阵方法提取纹理特征向量；2.2利用非下采样小波分解方法获取小波特征向量；2.3用小波特征向量和纹理特征向量表示待分割图像的每一个像素点；步骤3：产生待聚类数据：用分水岭算法对待分割图像进行分水岭粗分割，得到不同的图像块；对每一个图像块的所有像素点特征取平均值，获得代表初始聚类数据的每一个超像素的特征向量，用所有超像素的特征向量作为待聚类数据；步骤4：利用待聚类数据初始化大小为N的初始种群X＝{x₁，x₂，...，x_N}，每个个体x_n都代表一个分割结果，n＝1，2，...，N，N为初始种群大小，取N＝50；步骤5：根据类内方差F1和类间连接F2，计算每个个体的目标函数值F_nF_n＝[F_n1，F_n2]其中，F_n1＝F1，F_n2＝F2；步骤6：初始化理想点Z^*；其中是第1个目标函数F1到目前为止找到的最小值，是第2个目标函数F2到目前为止找到的最小值；步骤7：将多目标问题F(x)＝min(F1(x)，F2(x))分解成N个子问题，每一个子问题的目标函数如下：$\begin{array}{cc}\min \mathrm{imize}& g_j^{\mathrm{te}}\left(x\right|{\lambda }^j,z^{*})=\max \left\{{\lambda }_i^j\right|g\_F_{\mathrm{ji}}\left(x\right)-z_i^{*}\left|\right\}\end{array}$其中，表示第j个子问题的目标函数；是第j个子问题的权值；j＝1，2，...，N；x表示一个个体；g_F_ji(x)表示第j个子问题的个体对应的第i个目标函数值；|是算术运算中的条件符号；||是算术运算中的绝对值符号；1≤i≤2；步骤8：根据每一个子问题的权值λ^j，计算每一个子问题的T个邻居子问题B(j)＝(B_j1，B_j2，...，B_jT)，B_ji表示第j个子问题的第i个邻居子问题的索引；取T＝10；i＝1，2，...，T；步骤9：根据初始种群X对每一个子问题的父代个体P_i(t)进行初始化，P_i(t)＝x_i；其中t为迭代次数；t＝0；步骤10：根据每个初始个体x_j的目标值F_j，对每个子问题对应的两个目标函数值进行初始化，g_F_j(t)＝F_j；其中t为迭代次数；t＝0；步骤11：对每一个子问题的个体进行进化操作11.1在第j个子问题的T个邻居子问题B(j)中随机选择3个邻居子问题s，k，l，对第s，k，l个邻居子问题的父代个体P_s(t)，P_k(t)，P_l(t)进行交叉操作，得到一个新的临时子代个体Q_j(t+1)；11.2计算新的临时子代个体Q_j(t+1)的两个目标函数值newF_j1，newF_j2，并根据newF_j1，newF_j2更新理想点Z^*；通过新的临时子代个体Q_j(t+1)和其目标值newF_j1或newF_j2来更新第j个子问题的所有T个邻居子问题的父代个体以及对应的目标函数值；步骤12：判断当前迭代次数t是否满足t＜Tmax，如满足，则执行步骤13；否则，令迭代次数t加一次t＝t+1，返回步骤11，其中Tmax为最大迭代次数，取Tmax＝100；步骤13：分配类别标号：将每一个子问题的父代个体P_j(t)取出，作为最终的输出解集；对获得的解集中的每一个父代个体进行解码获得类别数及类别标号，作为可供选择的分割结果集合；步骤14：在可供选择的分割结果集合中产生最优分割结果；步骤15：输出分割图像。