(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210468086.5 (22)申请日 2022.04.29 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 郭舟　 (74)专利代理 机构 佛山市粤顺知识产权代理事 务所 44264 专利代理师 梁志豪 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/17(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01) G06F 16/29(2019.01)G06V 10/20(2022.01) (54)发明名称 基于扩展随机游走和GIS先验的高分影像目 标提取方法 (57)摘要 一种基于扩展随机游走和GIS先验的高分影 像目标提取方法， 包括以下步骤： A、 高分影像过 分割： 采用多分辨率分割方法， 对高分辨率遥感 影像进行过分割， 得到过分割的影像对象； B、 利 用GIS数据选 取前景种子点： GIS数据中每一个多 边形都被看作先验信息， 用于自动选取前景种子 点； C、 利用GIS数据选取背景种子点： GIS数据同 时也可作为先验信息， 用于为目标地物自动选取 背景种子点； D、 利用包含形状先验和光谱先验的 扩展随机游走算法提取目标地物： 为每一个GIS 多边形， 选取其周围缓冲区内的对象， 并建立了 一个有权无向图。 本发明充分利用了GIS数据所 提供的先验信息， 取得了较好的目标提取效果， 并且该方法克服了高分辨率影像与GIS数据间表 现不一致性的影响。 权利要求书2页 说明书18页 附图13页 CN 114842352 A 2022.08.02 CN 114842352 A 1.一种基于扩展随机游走和GIS先验的高分影像目标提取方法， 其特征在于： 包括以下 步骤： A、 对高分辨率遥感影像进行过分割： 采用多分辨率分割方法， 对高分辨率遥感影像进 行过分割， 得到过分割的影像对象； 影像对 象将要在步骤B和步骤C中用于前景和背景种子 点的选取； B、 利用GIS数据选取前景种子点： GIS数据中每一个多边形都被看作先验信息， 用于自 动选取前景种子点； 前 景种子点将要在步骤D中进行增长， 用于提取目标地物； C、 利用GIS数据选取背景种子点： GIS数据同时也可作为先验信息， 用于为目标地物自 动选取背景种子点； D、 利用包含形状先验和光谱先验的扩展随机游走算法提取目标地物： 为每一个GIS多 边形， 选取其周围缓冲区内的对象， 并建立了一个有权无向图， 有权无向图包括前景种子点 和背景种子点这些已标记的结点、 还包括表示未知类别影像对 象的未标记结点； 在有权无 向图的基础上， 扩展的随机游走算法用于计算每个未标示影像对象属于每个前景和背 景类 别的概率， 使得目标地物在整体上和GIS数据形状最相似， 而其内部光谱又 具有同质性。 2.根据权利要求1所述的基于扩展随机游走和GIS先验的高分影像目标提取方法， 其特 征在于： 步骤B中， 前 景种子点的选取 方法包括以下步骤： (1)、 利用GIS数据选取初始前景种子点， 并采用以下公式计算重叠度用于选取初始的 前景种子点： 其中， Vi代表一个影像对象， Rj是GIS数据中一个目标多边形， 如果一个影像对象的重叠 度超过了阈值Tf， 它将被加入到初始的前 景种子集 合ST中； (2)、 移除步骤(1)中不确定的前景种子点， 将不满足 以下公式的初始前景种子点进行 移除： 其中， 是影像对象vi在第l个波段上的平均光谱值， 是所有初始的前景种子点在第l 个波段上平均光谱值， δl是集合ST中初始前景种子点在第l个波段上光谱值标准差， L是高 分影像中波段 数目； (3)、 通过步骤(1)和步骤(2)后， 集合ST中剩余的初始前景种子点若具有相似的光谱特 性， 则被用作目标对象的前 景种子点。 3.根据权利要求1所述的基于扩展随机游走和GIS先验的高分影像目标提取方法， 其特 征在于： 步骤C中， 背景种子点的选取 方法包括以下步骤： 1)、 利用GIS选择初始的背景种子点， 并采用以下公式计算重叠度用于选取初始的背景 种子点： 其中， Vi代表一个影像对象， Rj是GIS数据中一个目标多边形， 如果一个影像对象与前景 对象之间的重 叠度小于阈值Tb， 它被看作初始的背景种子点， 并加入到集 合SB中；权　利　要　求　书 1/2 页 2 CN 114842352 A 22)、 聚类背景种子点， 采用ISODATA算法对初始背景种子点进行聚类， 以聚类成多个类 别， 每个类别都代 表一类背景地物； 3)、 移除不可靠的背景种子点： 为了保证每一个聚类 中样本具有纯净性， 利用正态分布 统计移除那些严重偏离样本聚类中心的初始选取的背 景样本， 剩余的初始背 景种子点被用 作目标对象的背景种子点。 4.根据权利要求1所述的基于扩展随机游走和GIS先验的高分影像目标提取方法， 其特 征在于： 步骤(D)中， 选取的前景种子点标示为τ0， 选取的背景种子点分别标示为τ1, τ2,…, τk， 随机游走算法计算每个未标示影像对象分别属于τ0, τ1,…, τk每个类别的概率， 属于前 景类别 τ0概率最大的影 像对象将被最终标记为目标对象。 5.根据权利要求1所述的基于扩展随机游走和GIS先验的高分影像目标提取方法， 其特 征在于： 步骤(D)中， 形状先验是利用GIS数据的形状先验信息， 设计一种形状惩罚， 并通过 定义形状惩罚， 并将形状惩罚加入到随机游走 的能量函数中求解， 形状先验就被纳入到了 随机游走框架中， 其中， 形状惩罚的计算公式为： 其中， si是影像对象vi的面积归一化值， 由vi的面积除以所有对象的最大面积求得， pi为 影像对象vi属于前景类别的先验概 率， xi为vi属于前景类别的概 率。 6.根据权利要求1所述的基于扩展随机游走和GIS先验的高分影像目标提取方法， 其特 征在于： 步骤(D)中， 光谱 先验是利用GIS数据所选取的前景和背 景种子点先验光谱信息， 设 计一个光谱先验能量函数， 并将函数加入到原始随机游走能量函数中求解， 光谱先验能量 函数为： 其中， xs为一个n×1的矩阵， 每一个元素 表示结点vi属于类别标示τs的先验概率， n为 总的结点的数目， ∧q是一个对角阵， 对角线上的元素为 表示观测到vi的亮度值的概率 密度函数值， xsT为xs的转置矩阵， k 为总的类别的数目， 在只有前 景和背景的条件下， k ＝2。 7.根据权利要求1所述的基于扩展随机游走和GIS先验的高分影像目标提取方法， 其特 征在于： 步骤A中， 每 个前景种子点 为一个影像对象。权　利　要　求　书 2/2 页 3 CN 114842352 A 3