1、高分遥感图像植被信息提取算法设计,一、课题概述,二、选择设计方案的概述,三、设计方案具体讲解,四、结果分析,本课程设计是对高分遥感图像分析，所要分析的图片如下：,原始待分割图片：由植被和其他区域组成 （左） 非植被区域用彩笔勾画出来（右）,课题概述：,将原始图像的灰度直方图用MATLAB显示出来：,有直方图可知，植被与背景的灰度之间没有明显的谷底，因此用直方图阈值分割等方法无法很好的将植被分割出来。因此我选用了基于均值漂移的meanshift算法。,整个设计方案表述如下：第一步，由于要分割的图像为彩色图像，用RGB彩色空间来处理图像不太方便，因此先将图像从RGB彩色空间转换到HSI彩色空间。第
2、二步，在HSI彩色空间的基础上用meanshift算法进行处理。第三步，将第二步所得的图像转换为灰度图像，将其灰度直方图用MATLAB显示出来，选择阈值将其转换为二值化图像。至此这个过程结束，原始图像的植被和非植被被分割出来。,HSI空间由一个垂直的亮度轴以及垂直于此轴的一个平面上的彩色点的轨迹组成,由平面和立方体表面相交形成的边界或者是三角形或者是六边形。,点是一个任意点，它与红色轴的夹角给出了色调，向量的长度是饱和度。亮度都由垂直亮度轴上的平面的位置给出。,第一步：RGB彩色空间转HIS彩色空间,H：色调，描述纯色的属性（如红色，蓝色.） S：饱和度，给出了纯彩色被白光冲淡程度的度量 I
3、：亮度,在RGB彩色立方体中，黑色顶点位于(0,0,0)处，白色顶点位于（1，1，1）处。这条连接黑色和白色顶点的线为亮度轴，想确定图中任意彩色点的亮度分量，我们就需要经过一个包含该点且垂直于亮度轴的平面，这个平面和亮度轴的交点就给出了范围在0,1之间的亮度值。,形成一个HSI空间所需的色调、饱和度和亮度值都可以通过RGB彩色立方体得到。通过几何公式，就可以将任意的RGB点转换成HSI彩色模型中的对应点。,若给出一幅RGB彩色格式的图像，则每一个RGB像素的H分量可用下面的方程得出：,饱和度分量由下式给出： S = 1- 3/(R + G + B) * min(R,G,B)亮度由下式给出： I
4、 = (R + G + B)/3,MeanShift算法可以看作是使多个随机中心点向着密度最大的方向移动，最终得到多个最大密度中心。可以看成初始有多个随机初始中心，每个中心都有一个半径为bandwidth的圆，我们要做的就是求解一个向量，使得圆心一直往数据集密度最大的方向移动，也就是每次迭代的时候，都是找到圆里面点的平均位置作为新的圆心位置，直到满足某个条件不再迭代，这时候的圆心也就是密度中心。,第二步:利用Meanshift算法对图片处理。,如图所以。其中黄色箭头就是Mh（meanshift向量）。,再以meanshift向量的终点为圆心，再做一个高维的球。如下图所以，重复以上步骤，就可得到
5、一个meanshift向量。如此重复下去，meanshift算法可以收敛到概率密度最大得地方。也就是最稠密的地方。如下图所示：,一般一个图像就是个矩阵，像素点均匀的分布在图像上，就没有点的稠密性可言。所以怎样来定义点的概率密度，这才是最关键的。如果我们就算点x的概率密度，采用的方法如下：以x为圆心，以hs为半径。落在球内的点位xi定义二个模式规则。,(1)x像素点的颜色与xi像素点颜色越相近，我们定义概率密度越高。(2)离x的位置越近的像素点xi，定义概率密度越高。所以定义总的概率密度，是二个规则概率密度乘积的结果，可以下式表示：,其中： 代表空间位置的信息，离远点越近，其值就越大。 表示颜色
6、信息，颜色越相似，其值越大。C为常数，hs和hr为位置和像素窗口的大小，相当于上边所介绍的高维球的半径。,综上，算法的步骤如下：(1)选择搜索窗(2)计算得窗口的重心(3)将窗口的重心设置在计算出的重心处(4).移动搜索窗的中心到重心，如果移动距离大于预设的固定阈值，则重复(2), (3), (4)直到搜索窗的中心与质心间的移动距离小于预设的固定阈值停止计算。下式为计算新的重心的公式：,调用meanshift算法处理后的灰度图像(左),将其再转化为灰度图像后的图片（右）,将其灰度直方图表示出来，由图片可知将灰度阈值设置为50左右可以将植被（灰度值大于50）和非植被区域（灰度值小于50）分割出来。,第三步：将得出的灰度图片二值化后就得出了最终分割结果。,谢谢观看！,
