本發(fā)明屬于地球科學(xué)研究領(lǐng)域，特別涉及遙感地學(xué)空間統(tǒng)計(jì)分析和模式識(shí)別等方面，具體涉及基于區(qū)域不一致性評(píng)價(jià)自動(dòng)優(yōu)選遙感影像分割參數(shù)的方法。

背景技術(shù)：

在遙感領(lǐng)域，針對(duì)不同應(yīng)用和目的，不同的影像分割算法不斷被提出，而多分辨率分割(Multiresolution Segmentation)算法的出現(xiàn)，被認(rèn)為是遙感影像分割的一個(gè)里程碑。該算法在影像分割時(shí)，綜合了影像的光譜信息和空間信息，能產(chǎn)生內(nèi)部同質(zhì)性最高的影像對(duì)象，其主要參數(shù)有尺度、形狀因子、緊湊度因子，這些參數(shù)的不同組合會(huì)產(chǎn)生不同的分割結(jié)果。選擇質(zhì)量最好的分割結(jié)果的過程被稱為參數(shù)優(yōu)選，而參數(shù)優(yōu)選必須要解決的問題是對(duì)分割質(zhì)量的具體評(píng)價(jià)。因此，如何獲得最優(yōu)分割參數(shù)組合來評(píng)價(jià)影像分割質(zhì)量是OBIA中必須解決的一個(gè)問題。

不一致性分割結(jié)果評(píng)價(jià)方法基于參考多邊形(Reference Polygon)和對(duì)應(yīng)的匹配分割多邊形(Corresponding Polygon)之間的不一致性(Discrepancy)來度量當(dāng)前參數(shù)組合所產(chǎn)生的分割數(shù)據(jù)的質(zhì)量。它是一種客觀的經(jīng)驗(yàn)性評(píng)價(jià)方法(Empirical Method)，它是用幾何不一致性度量的是參考多邊形與匹配多邊形之間面積的差異，而算術(shù)不一致性度量的是兩者多邊形數(shù)量的差異。

在不一致性評(píng)價(jià)體系(Potential Segmentation Error,PSE-Number-of-Segments Ratio,NSR-Euclidean Distance 2,ED2)中，PSE是潛在分割誤差面積比，NSR是分割多邊形數(shù)量比，ED2是PSE與NSR的歐幾里得距離。斜U型(Euclidean Distance2,ED2-Scale Patterns,SP)模式是基于對(duì)PSE-SP,NSR-SP,ED2-SP曲線的分析提出的。在給定形狀、緊湊度參數(shù)的情況下，影像分割單元平均面積隨尺度參數(shù)的增序近似呈冪函數(shù)的形式單調(diào)遞增，分割單元的面積隨尺度參數(shù)的遞增近似呈冪函數(shù)。相應(yīng)地，分割單元的數(shù)量隨尺度參數(shù)遞減近似呈冪函數(shù)。ED2作為PSE和NSR的組合形式會(huì)隨著尺度參數(shù)的變化呈現(xiàn)傾斜的U型曲線形式，如圖1所示。

2、現(xiàn)有技術(shù)方案

分割質(zhì)量評(píng)價(jià)的方法有不一致性法和優(yōu)度法?；诓灰恢滦栽u(píng)價(jià)方法通過比較參考數(shù)據(jù)集和分割數(shù)據(jù)集，從幾何不一致性和算術(shù)不一致性兩個(gè)方面對(duì)分割質(zhì)量進(jìn)行綜合評(píng)價(jià)。主要的不一致性評(píng)價(jià)指標(biāo)有Clinton等、Weidner等提出的一系列分割質(zhì)量評(píng)價(jià)指標(biāo)QR(Quality Rate)、UR(Under-Segmentation Rate)、OR(Over-Segmentation Rate)和ED1；Liu等基于幾何不一致性和算術(shù)不一致性提出了ED2(Euclidean Distance 2)指標(biāo)；而Yang等通過分析ED1、ED2系列評(píng)價(jià)指標(biāo)，進(jìn)一步提出了ED3、ED3-Modified和SEI(Segmentation Evaluation Index)。同時(shí)，Zhang等提出了F-measure指標(biāo)和MOA(Multiscale Object Accuracy)和BCA(Bidirectional Consistency Accuracy)?；趦?yōu)度法的分割參數(shù)質(zhì)量評(píng)價(jià)指標(biāo)主要是通過局部方差來進(jìn)行構(gòu)建的；等(2010)將Kim提出的局部方差評(píng)價(jià)最優(yōu)分割尺度的方法進(jìn)行了自動(dòng)化，構(gòu)建了最優(yōu)尺度參數(shù)選取的工具ESP；等(2014)對(duì)ESP工具進(jìn)行了改進(jìn)。

通過分析和總結(jié)最優(yōu)尺度分割參數(shù)選擇方法，提出尺度評(píng)定應(yīng)該結(jié)合形狀、紋理等信息，最終實(shí)現(xiàn)尺度分割參數(shù)的自動(dòng)選取，然而目前自動(dòng)化方法多為非監(jiān)督分割，在一定程度上存在選擇的分割參數(shù)尺度偏大，對(duì)地物類別的分辨針對(duì)性不強(qiáng)，欠分割現(xiàn)象明顯等問題，這會(huì)給后續(xù)影像分類帶來不利的影響。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提供了一種基于區(qū)域不一致性評(píng)價(jià)自動(dòng)優(yōu)選遙感影像分割參數(shù)組合的方法。

本發(fā)明的技術(shù)方案如下：

本發(fā)明公開了一種基于區(qū)域不一致性評(píng)價(jià)自動(dòng)優(yōu)選遙感影像分割參數(shù)的方法，包括如下步驟：

步驟一：輸入待分割的遙感影像和參考數(shù)據(jù)集，初始化參數(shù)，所述的初始化參數(shù)包括給定初始尺度分割參數(shù)區(qū)間值s₁和s₅，且s₅>s₁，給定尺度分割參數(shù)間最小步距d_min，給定ED2_min最大值L、形狀因子、緊湊度因子和ED2_min極小值ζ；

步驟二：如果s₅-s₁>4d_min，則在初始尺度分割參數(shù)值s₁和s₅的基礎(chǔ)上設(shè)置5個(gè)尺度分割參數(shù)及其步距，否則需重新設(shè)置初始尺度分割參數(shù)值s₁和s₅，這里d>d_min為約束條件，s₁，s₂，s₃，s₄，s₅五個(gè)尺度分割參數(shù)具體計(jì)算如下：

s₂＝s₁+d

s₄＝s₅-d

步驟三：根據(jù)s₁，s₂，s₃，s₄，s₅尺度分割參數(shù)上各自的分割數(shù)據(jù)集和參考數(shù)據(jù)集，分別統(tǒng)計(jì)其參考多邊形數(shù)量、分割多邊形數(shù)量，重疊面積、過分割面積、欠分割面積、依次計(jì)算出每一個(gè)尺度分割參數(shù)對(duì)應(yīng)的不一致性度量參數(shù)對(duì)應(yīng)的PSE_i，NSR_i和ED2_i，其中i＝{2,3,4,5}。具體計(jì)算流程如下：

在每個(gè)尺度分割參數(shù)中，用R＝{r_i:i＝1,2,...,m}表示m個(gè)參考多邊形的集合，S＝{s_j:j＝1,2,...,n}表示分割多邊形的集合，|r_i∩s_j|表示參考多邊形r_i和分割多邊形s_j相交部分的面積，|r_i|和|s_j|分別為參考多邊形r_i和分割多邊形s_j的面積，S'＝{s_k:k＝1,2,...,v}表示與參考數(shù)據(jù)集相對(duì)應(yīng)的分割數(shù)據(jù)集的集合。定義Sa和Sb為集合S的兩個(gè)子集，且滿足匹配準(zhǔn)則：

也就是說匹配準(zhǔn)則是參考多邊形和分割多邊形相交部分的面積至少是參考多邊形或匹配多邊形的面積一半，則參考多邊形相匹配的分割多邊形的集合S'就為Sa和Sb的并集。同時(shí)定義∑|R_i|為m個(gè)參考多邊形的總面積，∑|S_k|為跟m個(gè)參考多邊形相匹配的分割多邊形總面積，∑|R_i∩S_k|為參考數(shù)據(jù)集和匹配的分割數(shù)據(jù)集重疊面積，|r_i-s_j|＝|r_i|-|r_i∩s_j|是在匹配多邊形之外的那部分參考多邊形的面積為過分割面積，|s_j-r_i|＝|s_j|-|r_i∩s_j|是在參考多邊形之外的那部分匹配多邊形的面積為欠分割面積。因此，PSE、NSR和ED2可以表示為：

最后得到計(jì)算5點(diǎn)間的ED2最小值和最大值：

ED2_min＝min{ED2₁,ED2₂,ED2₃,ED2₄,ED2₅}

ED2_max＝max{ED2₁,ED2₂,ED2₃,ED2₄,ED2₅}

步驟四:模式匹配過程

分析ED2隨s₁～s₅尺度分割參數(shù)變化的趨勢(shì)并動(dòng)態(tài)調(diào)整五個(gè)尺度分割參數(shù)，不斷地匹配PSE-NSR-ED2不一致評(píng)價(jià)模型Case a～Case q 17種變化模式，獲得在固定形狀因子和緊湊度因子下遙感影像的最優(yōu)尺度分割參數(shù)。

步驟五：依次按照形狀因子＝0.1,0.2,…,0.9，緊湊度因子＝0.1,0.2,…,0.9的組合方式進(jìn)行步驟一到步驟四的迭代運(yùn)算，得到81個(gè)參數(shù)組合上的最優(yōu)尺度分割參數(shù)；然后對(duì)這81組最優(yōu)尺度分割參數(shù)進(jìn)行再排序，從中選出的最小ED2組對(duì)應(yīng)的尺度分割參數(shù)，形狀因子及緊湊度因子三個(gè)參數(shù)組合即為最優(yōu)分割參數(shù)組合。

優(yōu)選的，所述的步驟四ED2隨尺度分割參數(shù)變化的趨勢(shì)具有Case a～Case q17種模式：

Case a.ED2_i不隨尺度分割參數(shù)發(fā)生變化，即ED2₁＝ED2₂＝ED2₃＝ED2₄＝ED2₅，或者其間的最大、最小值之差小于預(yù)設(shè)的極小值ζ：

|ED2_max-ED2_min|＜ζ

若如此且ED2_max≥L，則意味著預(yù)設(shè)尺度分割參數(shù)明顯偏大至ED2值變化不穩(wěn)定區(qū)域，需要將尺度分割參數(shù)范圍向小值方向，將s₅左移到s₁的位置，s₁左移4個(gè)步距，s₃為動(dòng)態(tài)調(diào)整后s₁和s₅的值一半，s₂和s₄也相應(yīng)左移4個(gè)步距：

s₅←s₁

s₁←s₁-4·d

s₂←s₁+d

s₄←s₅-d

其中“←”表示將箭頭右端的值賦值給箭頭左端的變量，即為尺度分割參數(shù)動(dòng)態(tài)調(diào)整的過程，五個(gè)尺度分割參數(shù)的調(diào)整是同步進(jìn)行的，沒有先后之分；箭頭右邊的s1～s5為調(diào)整前的尺度分割參數(shù)值；以s₅←s₁為例；即表示將原s₁的值賦值給新的s₅，即表示將s₅左移到原s₁的位置。

參數(shù)的調(diào)整具體是根據(jù)尺度分割參數(shù)變化的趨勢(shì)對(duì)s₁～s₅的動(dòng)態(tài)調(diào)整，完成相應(yīng)尺度分割參數(shù)“左移”、“右移”、“放大”和“縮小”等，本發(fā)明中所有提到的“←”均代表這個(gè)意思。

如果s₁<0，則使s₁＝5，s₅左移s₄的位置，d為動(dòng)態(tài)調(diào)整后s₁和s₅的值四分之一，s₃為動(dòng)態(tài)調(diào)整后s₁和s₅的值二分之一，s₂和s₄左移1個(gè)新獲的步距：

s₁←5

s₅←s₄

s₂←s₁+d

s₄←s₅-d

回到步驟三繼續(xù)；

否則當(dāng)滿足條件ED2_max<L時(shí)擴(kuò)大尺度分割參數(shù)搜索范圍，相應(yīng)的s₃不變，s₁減小原來的2倍步距，s₅擴(kuò)大原來的2倍步距，s₂和s₄分別替換原來的s₁和s₅)

s₂←s₁

s₄←s₅

s₁←s₂-2·d

s₅←s₄+2·d

如果擴(kuò)大出現(xiàn)s₁<0，則使s₁＝5，s₅左移s₄的位置，d為動(dòng)態(tài)調(diào)整后s₁和s₅的值四分之一，s₃為動(dòng)態(tài)調(diào)整后s₁和s₅的值二分之一，s₂和s₄左移1個(gè)新獲的步距：

s₁←5

s₅←s₄

s₂←s₁+d

s₄←s₅-d

回到步驟三繼續(xù)；

如果擴(kuò)大尺度分割參數(shù)范圍搜索，仍出現(xiàn)ED2_i不隨尺度參數(shù)發(fā)生變化，或其間的最大、最小值之差小于預(yù)設(shè)的極小值ζ其中之一的情況：

|ED2_max-ED2_min|＜ζ

且ED2_max≤L，則最優(yōu)尺度分割參數(shù)可能位居其一，s_opt∈[s₁,s₅]；需作進(jìn)一步的判斷：如果前后兩次運(yùn)算均出現(xiàn)上述狀況，對(duì)比前后兩次運(yùn)算ED_2min，取ED2_min較小的一次作為最優(yōu)尺度分割參數(shù)的范圍，s_opt∈[s₁,s₅]，則s_opt＝s₅，運(yùn)行結(jié)束并報(bào)告結(jié)果。

Case b.ED2_i隨尺度分割參數(shù)的增加而遞減，即ED2₁≥ED2₂≥ED2₃≥ED2₄≥ED2₅，則最優(yōu)尺度分割參數(shù)大于s₅，調(diào)整尺度分割參數(shù)設(shè)置，將s₁右移到s₃的位置，s₂右移到s₄的位置，s₃右移到s₅的位置，s₂和s₄也相應(yīng)右移2個(gè)步距：

s₁←s₃

s₂←s₄

s₃←s₅

s₄←s₃+2·d

s₅←s₄+2·d

回到步驟三繼續(xù)；

Case c.ED2_i在s₄處呈現(xiàn)最小值拐點(diǎn)，即ED2₁≥ED2₂≥ED2₃≥ED2₄并且ED2₄≤ED2₅，則最優(yōu)尺度分割參數(shù)可能處于s₃和s₅之間，將尺度分割參數(shù)范圍向小值方向，則使s₁右移到s₂的位置，s₂右移到s₃的位置，s₃右移到s₄的位置，s₄右移到s₅的位置，s₅右移1個(gè)步距：

s₁←s₂

s₂←s₃

s₃←s₄

s₄←s₅

s₅←s₄+d

回到步驟三繼續(xù)；

Case d.ED2_i在s₃處呈現(xiàn)最小值拐點(diǎn)，即ED2₁≥ED2₂≥ED2₃，并且ED2₃≤ED2₄≤ED2₅，則最優(yōu)尺度分割參數(shù)處于s₂和s₄之間；進(jìn)而如果ED2₃≥L，則意味著預(yù)設(shè)尺度分割參數(shù)明顯偏大至ED2值變化不穩(wěn)定區(qū)域，需要將尺度分割范圍向小值方向，將s₅左移到s₁的位置，s₁左移4個(gè)步距，s₃為動(dòng)態(tài)調(diào)整后s₅和s₁的二分之一，s₂和s₄也相應(yīng)左移4個(gè)步距：

s₅←s₁

s₁←s₁-4·d

s₂←s₁+d

s₄←s₂-d

如果s1<0，則使s₁＝5，s₅左移s₄的位置，d為動(dòng)態(tài)調(diào)整后s₁和s₅的值四分之一，s₃為動(dòng)態(tài)調(diào)整后s₁和s₅的值二分之一，s₂和s₄也相應(yīng)左移1個(gè)新獲的步距：

s₁←5

s₅←s₄

s₂←s₁+d

s₄←s₅-d

回到步驟三繼續(xù)；

否則ED2₃<L，并且d＞d_min，則需要在s₂和s₄之間加密搜索，相應(yīng)的s₃不變，將s₁左移到s₂的位置，s₅左移到s₄的位置，s₂和s₄也相應(yīng)左移二分之一個(gè)步距：

s₁←s₂

s₅←s₄

直到d≤d_min，且滿足ED2₃<L，則s_opt＝s₃。

Case e.ED2_i在s₂處呈現(xiàn)最小值拐點(diǎn)，即ED2₁≥ED2₂，并且ED2₂≤ED2₃≤ED2₄≤ED2₄，則最優(yōu)尺度分割參數(shù)可能處于s₁和s₃之間，若ED2₂<L，且d<d_min，則s₂為最優(yōu)參數(shù)；否則如果ED2₂≥L，則需要將尺度分割參數(shù)范圍向小值方向，則使s₅左移到s₄的位置，s₄左移到s₃的位置，s₃左移到s₂的位置，s₂左移到s₁的位置，s₁左移1個(gè)步距：

s₅←s₄

s₄←s₃

s₃←s₂

s₂←s₁

s₁←s₁-d

如果s₁<0，則使s₁＝5，s₅左移s₄的位置，d為動(dòng)態(tài)調(diào)整后s₁和s₅的值四分之一，s₃為動(dòng)態(tài)調(diào)整后s₁和s₅的值二分之一，s₂和s₄也相應(yīng)左移1個(gè)新獲的步距：

s₁←5

s₅←s₄

s₂←s₁+d

s₄←s₅-d

回到步驟三繼續(xù)；

否則當(dāng)ED2₂<L，且d>d_min，在s₁和s₃處加密，則需要在s₂和s₄之間加密搜索，相應(yīng)的s₃不變，將s₁左移到s₂的位置，s₅左移到s₄的位置，s₂和s₄也相應(yīng)左移二分之一個(gè)步距：

s₁←s₂

s₅←s₄

回到步驟三繼續(xù)；

Case f.ED2_i隨尺度分割參數(shù)遞增，即ED2₁≤ED2₂≤ED2₃≤ED2₄≤ED2₂，則最優(yōu)尺度分割參數(shù)小于s₁或者鄰近s₁，則使s₅左移到s₃的位置，s₃左移到s₁的位置，s₄左移到s₂的位置，s₂左移2個(gè)步距，s₁左移2個(gè)步距：

s₅←s₃

s₃←s₁

s₄←s₂

s₂←s₃-d

s₁←s₂-d

如果s₁<0，則使s₁＝5，s₅左移s₄的位置，d為動(dòng)態(tài)調(diào)整后s₁和s₅的值四分之一，s₃為動(dòng)態(tài)調(diào)整后s₁和s₅的值二分之一，s₂和s₄也相應(yīng)左移1個(gè)新獲的步距：

s₁←5

s₅←s₄

s₂←s₁+d

s₄←s₅-d

回到步驟三繼續(xù)；

Case g-Case q.隨尺度分割參數(shù)遞增，ED2_i隨尺度分割參數(shù)的變化趨勢(shì)趨于不穩(wěn)定，ED2i值隨尺度分割參數(shù)變化而至不穩(wěn)定區(qū)域，且ED2_min≥L，則意味著預(yù)設(shè)尺度分割參數(shù)明顯偏大至ED2_i值變化不穩(wěn)定區(qū)域，需要將分割尺度參數(shù)范圍向小值方向左移，將s₅左移到s₁的位置，s₁左移4個(gè)步距，s₃為動(dòng)態(tài)調(diào)整后s₁和s₅的值一半，s₂和s₄也相應(yīng)左移4個(gè)步距：

s₅←s₁

s₁←s₁-4·d

s₂←s₁+d

s₄←s₂-d

如果s₁<0，則使s₁＝5，s₅左移s₄的位置，d為動(dòng)態(tài)調(diào)整后s₁和s₅的值四分之一，s₃為動(dòng)態(tài)調(diào)整后s₁和s₅的值二分之一，s₂和s₄也相應(yīng)左移1個(gè)新獲步距：

s₁←5

s₅←s₄

s₂←s₁+d

s₄←s₅-d

回到步驟三繼續(xù):否則遇到ED2_max≤L時(shí)，將放大后計(jì)算獲得的這組數(shù)據(jù)與上一組數(shù)據(jù)的ED2_min進(jìn)行比較，如果出現(xiàn)小于上一組最小值的情況就繼續(xù)放大，直到找到最小的ED2_min，放大結(jié)束，確定最小ED2_min的區(qū)間，然后在最小區(qū)間進(jìn)行加密，加密到d≤d_min，加密結(jié)束，取其ED2_min對(duì)應(yīng)的尺度分割參數(shù)為最優(yōu)尺度分割參數(shù)。

優(yōu)選的，所述的步驟一中給定尺度分割參數(shù)間最小步距d_min＝1，給定ED2_min最大值L＝1.0、形狀因子＝0.1、緊湊度因子＝0.1、ED2_min極小值ζ＝0.0001。

本發(fā)明將地學(xué)空間分析和模式匹配用到具體問題上，確定的最優(yōu)分割參數(shù)可用地學(xué)空間分析以及基于幾何不一致性和算術(shù)不一致性原理明確地加以解釋，具有更高的理論可信度。

本發(fā)明方法，不拘泥于遙感影像分割參數(shù)優(yōu)選算法，可以廣泛應(yīng)用于任何服從斜U型曲線分布的模型求最優(yōu)值的問題，該方法具有廣泛的實(shí)用性和應(yīng)用價(jià)值。

本發(fā)明方法，實(shí)質(zhì)上是遙感影像分析之前分割參數(shù)的預(yù)測(cè)，避免了選擇參數(shù)的盲目性，解決了試錯(cuò)法帶來的不確定性和窮舉法帶來的耗時(shí)，兼顧了工作效率的同時(shí)，也提高了面向?qū)ο筮b感影像處理與分析的精度和自動(dòng)化程度。

附圖說明

圖1為給定形狀因子和緊湊度因子下斜U型ED2-SP模式示意圖；

圖2為ED2隨尺度分割參數(shù)變化的17種基本模式示意圖；

圖3為本發(fā)明實(shí)施例的基于區(qū)域不一致性評(píng)價(jià)自動(dòng)優(yōu)選遙感影像分割參數(shù)的方法流程流程圖；

圖4為本發(fā)明實(shí)施例與窮舉法選擇遙感影像最優(yōu)分割參數(shù)組合自動(dòng)搜索的軌跡對(duì)比圖；

圖5為本發(fā)明實(shí)施例應(yīng)用在廣東省東莞市Quick bird高分辨率遙感影像中的分割效果圖；

圖6為本發(fā)明實(shí)施例應(yīng)用在寧夏回族自治州中衛(wèi)市World view2高分辨率遙感影像中的分割效果圖。

具體實(shí)施方式

如圖3所示，為本發(fā)明實(shí)施例的基于區(qū)域不一致性評(píng)價(jià)自動(dòng)優(yōu)選遙感影像分割參數(shù)的方法流程流程圖；在本發(fā)明的所有實(shí)施例中，步驟一給定尺度分割參數(shù)間最小步距d_min＝1，給定ED2_min最大值L＝1.0、形狀因子＝0.1、緊湊度因子＝0.1、ED2_min極小值ζ＝0.0001。

如圖2所示為ED2隨尺度分割參數(shù)變化的17種基本模式示意圖。

1.本發(fā)明的方法與窮舉法選擇最優(yōu)分割參數(shù)組合的對(duì)比

將本發(fā)明實(shí)施例應(yīng)用到廣東省東莞市和寧夏回族自治州中衛(wèi)市三種傳感器(Quick bird、Alos、World view2)多光譜和融合的6景高分辨率遙感影像中3種不同地物(耕地FL、居民住宅RB、坑塘WB)最優(yōu)分割參數(shù)組合的選擇，并與窮舉法獲得的結(jié)果進(jìn)行比較，實(shí)驗(yàn)中用相同配置的計(jì)算機(jī)進(jìn)行測(cè)試，將初始尺度參數(shù)范圍進(jìn)行統(tǒng)一，確保兩種方法具有可比性，獲得實(shí)驗(yàn)結(jié)果，其中窮舉法實(shí)驗(yàn)結(jié)果如表1所示，本發(fā)明的方法結(jié)果如表2所示。

對(duì)比表1和表2，可以發(fā)現(xiàn)本發(fā)明實(shí)施例在相同的初始尺度參數(shù)范圍下，基本都能產(chǎn)生較小數(shù)據(jù)量級(jí)的分割數(shù)據(jù)集，所耗費(fèi)時(shí)間也相對(duì)也較短，且可以將步長(zhǎng)精確到1，獲得更加精確的ED2的取值來確定遙感影像的最優(yōu)分割參數(shù)組合，然而目前流行的窮舉法需要機(jī)械地產(chǎn)生步長(zhǎng)規(guī)定的分割數(shù)據(jù)集，步長(zhǎng)一旦確定也不能動(dòng)態(tài)調(diào)整，找到的初始尺度參數(shù)范圍，也會(huì)因?yàn)槌跏汲叨葏?shù)范圍考慮不全面，沒有列舉到最優(yōu)分割參數(shù)組合存在的范圍，給尋找參數(shù)帶來了具體的制約性。通過這個(gè)實(shí)驗(yàn)的對(duì)比，本發(fā)明實(shí)施例表現(xiàn)良好，不但可以通過設(shè)置合適的初始尺度參數(shù)范圍快速的得到最優(yōu)尺度分割參數(shù)，而且可以動(dòng)態(tài)改變步長(zhǎng)，可以精準(zhǔn)預(yù)測(cè)PSE‐NSR‐ED2不一致性評(píng)價(jià)模型取得最優(yōu)尺度分割參數(shù)的區(qū)間，節(jié)約時(shí)間的同時(shí)避免了選擇最優(yōu)分割參數(shù)組合的盲目性。

表1窮舉法結(jié)果統(tǒng)計(jì)表

表2本發(fā)明方法結(jié)果統(tǒng)計(jì)表

從表1和表2獲得大量的數(shù)據(jù)中抽取一組形狀因子和緊湊度因子都為0.1時(shí)，選擇最優(yōu)尺度分割參數(shù)的軌跡進(jìn)行分析，可以清楚的看到本發(fā)明實(shí)施例中可以在初始尺度分割參數(shù)的范圍內(nèi)快速預(yù)測(cè)到最優(yōu)尺度分割參數(shù)的存在的區(qū)間，然后開始加密確定最優(yōu)，而窮舉法沒有任何搜索軌跡，需要人工判斷斜U型曲線最優(yōu)的位置，如圖4所示。

2.本發(fā)明的方法與其他自動(dòng)化分割參數(shù)優(yōu)選工具對(duì)比

將本發(fā)明實(shí)施例與等(2014)提出的自動(dòng)優(yōu)選遙感影像尺度參數(shù)的工具ESP進(jìn)行對(duì)比，實(shí)驗(yàn)數(shù)據(jù)為廣東省東莞市和寧夏回族自治州中衛(wèi)市三種傳感器(Quick bird、Alos、World view2)3景高分辨率遙感影像中3種不同地物(耕地、林地、坑塘)，由于ESP只能選擇最優(yōu)尺度分割參數(shù)，將本發(fā)明實(shí)施例中找到的形狀因子和緊湊度因子作為標(biāo)準(zhǔn)，并設(shè)置相同的初始尺度參數(shù)和步長(zhǎng)進(jìn)行對(duì)比實(shí)驗(yàn)。根據(jù)分割精度評(píng)價(jià)指標(biāo)中的規(guī)定，生產(chǎn)者精度和用戶精度都接近1，分割效果最優(yōu)的原則衡量表3中的結(jié)果，可以發(fā)現(xiàn)ESP工具的用戶精度很不穩(wěn)定，最低達(dá)到0.11，而且找到的最優(yōu)尺度分割參數(shù)明顯偏大，分割數(shù)據(jù)集量級(jí)很大，整體效率較差。

表3最優(yōu)分割參數(shù)結(jié)果及精度評(píng)價(jià)對(duì)比統(tǒng)計(jì)表

3.圖5為本發(fā)明實(shí)施例和窮舉法獲得的最優(yōu)分割參數(shù)組合對(duì)廣東省東莞市Quick bird高分辨率遙感影像對(duì)水體的分割效果，可以看出已經(jīng)能很好的劃分水體的區(qū)域，過分割和欠分割現(xiàn)象都解決良好；圖6為本發(fā)明實(shí)施例和窮舉法獲得的最優(yōu)分割參數(shù)組合對(duì)寧夏回族自治州中衛(wèi)市World view2高分辨率遙感影像對(duì)耕地的分割效果,，明顯可以看出本發(fā)明實(shí)施例已經(jīng)可以預(yù)測(cè)出此類地物的最優(yōu)尺度分割參數(shù)范圍比較大，但是窮舉法已經(jīng)盲目認(rèn)為初始尺度參數(shù)范圍已經(jīng)估計(jì)到了最大范圍，這樣人工的判讀存在嚴(yán)重的主觀性。