遙感影像的分類(lèi)處理

1、摘 要在面向?qū)ο蟮挠跋穹诸?lèi)方法中，首先需要將遙感影像分割成有意義的影像對(duì)象集合，進(jìn)而在影像對(duì)象的基礎(chǔ)上進(jìn)行特征提取和分類(lèi)。本文針對(duì)面向?qū)ο笥跋穹诸?lèi)思想的關(guān)鍵環(huán)節(jié)展開(kāi)討論和研究，（1）采用基于改進(jìn)分水嶺變換的多尺度分割算法對(duì)高分辨率遙感影像進(jìn)行分割。 構(gòu)建了基于高斯尺度金字塔的多尺度視覺(jué)單詞，并且通過(guò)實(shí)驗(yàn)證明其表達(dá)能力優(yōu)于經(jīng)典的詞包表示。最后，在詞包表示的基礎(chǔ)上，利用概率潛在語(yǔ)義分析方法對(duì)同義詞和多義詞較強(qiáng)的 鑒別能力對(duì)影像對(duì)象進(jìn)行分析，找出其最可能屬于的主題或類(lèi)別，進(jìn)而完成影像的分類(lèi)。近些年來(lái)，隨著航空航天平臺(tái)與傳感器技術(shù)的高速發(fā)展，獲取的遙感影像的分辨率越來(lái)越高。高分辨率遙感影像在各行業(yè)部門(mén)

2、的應(yīng)用也越來(lái)越廣泛，除了傳統(tǒng)的國(guó)土資源、 地質(zhì)調(diào)查和測(cè)繪測(cè)量等部門(mén)，還涉及到城市規(guī)劃、交通旅游和環(huán)境生態(tài)等領(lǐng)域，極大地拓展了遙感影像的應(yīng)用范圍。因此，對(duì)高分辨率遙感影像的處理分析成為備受關(guān)注的領(lǐng)域之一。高分辨率遙感影像包括以下三種形式：高空間分辨率（獲取影像的空間分辨率從以前的幾十米提高到1至5米，甚至更高）；高光譜分辨率（電磁波譜被不斷細(xì)分，獲取遙感數(shù)據(jù)的波段數(shù) 從幾十個(gè)到數(shù)百個(gè)）；高時(shí)間分辨率（遙感衛(wèi)星的回訪周期不斷縮短，在部分區(qū)域甚至可以 連續(xù)觀測(cè)）。本文所要研究的高分辨率遙感影像均是指“高空間分辨率”影像。相對(duì)于中低分辨率的遙感數(shù)據(jù)，高空間分辨率遙感影像具有更加豐富的空間結(jié)構(gòu)、幾何紋理

3、及拓?fù)潢P(guān)系等信息，對(duì)認(rèn)知地物目標(biāo)的屬性特征更加方便，如光譜、形狀、紋理、結(jié)構(gòu) 和層次等。另外，高分辨率遙感影像有效減弱了混合像元的影響，并且能夠在較小的空間尺度下反映地物特征的細(xì)節(jié)變化，為實(shí)現(xiàn)更高精度的地物識(shí)別和分類(lèi)提供了可能。然而，傳統(tǒng)的遙感影像分析方法主要基于“像元”進(jìn)行，它處于圖像工程中的“圖像處 理”階段（見(jiàn)圖 1-1）,已然不能滿足當(dāng)今遙感數(shù)據(jù)發(fā)展的需求?；凇跋裨钡母叻直媛?遙感影像分類(lèi)更多地依賴(lài)光譜特征，而忽視影像的紋理、形狀、上下文和結(jié)構(gòu)等重要的空間特征，因此，分類(lèi)結(jié)果會(huì)產(chǎn)生很?chē)?yán)重的“椒鹽 （salt and pepper）現(xiàn)象”，從而影響到分類(lèi)的 精度。雖然國(guó)內(nèi)外的很多研究

4、人員針對(duì)以上缺陷提出了很多新的方法，如支持向量機(jī)（SupportVector Machine , SVM）、紋理聚類(lèi)、分層聚類(lèi)（Hierarchical Clustering）、神經(jīng)網(wǎng)絡(luò)（NeuralNetwork, NN）等，但僅依靠光譜特征的基于像元的方法很難取得更好的分類(lèi)結(jié)果?；凇跋?元”的傳統(tǒng)分類(lèi)方法還有著另一個(gè)局限：無(wú)法很好的描述和應(yīng)用地物目標(biāo)的尺度特征，而多尺度特征正是遙感信息的基本屬性之一。由于在不同的空間尺度上，同樣的地表空間格局與過(guò)程會(huì)表現(xiàn)出明顯的差異，因此，在單一尺度下對(duì)遙感影像進(jìn)行分析和識(shí)別是不全面的。為了得到更好的分類(lèi)結(jié)果，需要充分考慮多尺度特征。針對(duì)以上問(wèn)題，面向?qū)?/p>

5、象的處理方法應(yīng)運(yùn)而生，并且逐漸成為高空間分辨率遙感影像分析和識(shí)別的新途徑。所謂“面向?qū)ο蟆?，即影像分析的最小單元不再是傳統(tǒng)的單個(gè)像元，而是由特定像元組成的有意義的同質(zhì)區(qū)域，也即“對(duì)象”；因此，在對(duì)影像分析和識(shí)別的過(guò)程中，可以方便地提取影像對(duì)象大小、形狀、紋理和空間關(guān)系等屬性特征，而這些特征在基于像元的分析方法中很難獲取的。現(xiàn)有研究表明，面向?qū)ο蟮姆诸?lèi)對(duì)高分辨率遙感影像有著更好的分類(lèi)效果，不僅有效地克服了 “椒鹽現(xiàn)象”，而且更加符合人類(lèi)的視覺(jué)習(xí)慣。面向?qū)ο蟮姆诸?lèi)思想首先要對(duì)影像進(jìn)行初始分割，得到一系列彼此相鄰的“影像對(duì)象”；然后對(duì)各個(gè)對(duì)象的屬性特征進(jìn)行提取，進(jìn)而基于這些特征實(shí)現(xiàn)對(duì)整幅影像的識(shí)別和

6、分類(lèi)。因此，這就帶來(lái)兩方面的問(wèn)題：首先是影像分割問(wèn)題，由于高分辨率遙感影像自身的復(fù)雜性和多尺度特性， 使得普通的分割方法并不能取得理想的效果；其次是特征提取問(wèn)題，由于常用的特征依然是光譜、紋理等“低層視覺(jué)特征"，與影像語(yǔ)義信息之間存在著巨大的“語(yǔ)義鴻溝”，因而它們很難準(zhǔn)確的描述遙感影像的內(nèi)容，更不能利用這些特征來(lái)區(qū)分不同的對(duì)象類(lèi)別。本文將以高分辨率遙感影像分類(lèi)為目標(biāo)，在充分了解現(xiàn)有面向?qū)ο蟮姆诸?lèi)方法的基礎(chǔ)上，綜合考慮高分辨率遙感影像自身的復(fù)雜性和多尺度特性，將基于分水嶺變換的多尺度分割和多尺度詞包表示引入面向?qū)ο蟮姆诸?lèi)思想中，建立適合于高分辨率遙感影像的多尺度分類(lèi)方法。由于本文的研究

7、目標(biāo)是基于面向?qū)ο蠓诸?lèi)思想對(duì)高分辨率遙感影像進(jìn)行分類(lèi)，因此研究現(xiàn)狀將從面向?qū)ο蠓诸?lèi)的幾個(gè)關(guān)鍵環(huán)節(jié)展開(kāi)論述，一是影像分割，二是尺度問(wèn)題，三是遙感影像的特征提取與分類(lèi)。(1)影像分割影像分割是指，基于同質(zhì)性或異質(zhì)性準(zhǔn)則將一幅影像劃分為若干有意義的子區(qū)域的過(guò) 程。最終的分割效果需要同時(shí)滿足以下三個(gè)條件：第一，分割后形成的圖像區(qū)域中的所有像元點(diǎn)必須滿足一定的同質(zhì)準(zhǔn)則，并且不存在不連通的點(diǎn)；第二，兩個(gè)相鄰的區(qū)域間的某項(xiàng)特定屬性要有明顯的差異性；第三，區(qū)域的邊緣應(yīng)該相對(duì)規(guī)整，并保證邊緣的定位精度。 影像分割效果的優(yōu)劣將直接影響到后期的分類(lèi)和識(shí)別，對(duì)于遙感影像的分析和理解至關(guān)重要。近些年來(lái)，國(guó)內(nèi)外很多研究人

8、員在影像分割方面做了大量的探索研究。一般情況下，根據(jù)分割時(shí)選取特征的差異可將分割算法分成三類(lèi)：基于閾值的分割算法、 基于邊緣的分割算法以及基于區(qū)域的分割算法?；陂撝档姆指钏惴ù蠖纪ㄟ^(guò)影像的灰度閾值實(shí)現(xiàn)對(duì)影像的分割，目前已有的方法主要包括直方圖統(tǒng)計(jì)法，最大類(lèi)間方差法、嫡方法等，然而這些方法對(duì)閾值的選擇有很強(qiáng)的依賴(lài)性， 尤其是對(duì)于復(fù)雜的遙感影像，往往不能得到較好的效果；基于邊緣的分割方法是利用影像中灰度變換較為劇烈的信息實(shí)現(xiàn)分割，邊緣特征屬于遙感影像的重要特征之一，可以通過(guò)一系列邊緣檢測(cè)算子提取，如常用的Sobel算子、Laplace算子和Candy算子等；基于區(qū)域的分割算法主要包括區(qū)域生長(zhǎng)法、

9、分水嶺變換算法以及馬爾科夫隨機(jī)場(chǎng)算法等。 從20世紀(jì)60年代末開(kāi)始，影像分割的相關(guān)算法研究已經(jīng)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得 較大的進(jìn)展，但對(duì)遙感影像的分割算法卻相對(duì)較少，直至20世紀(jì)80年代，針對(duì)遙感影像特征所提出的分割算法開(kāi)始不斷涌現(xiàn)。Laprade于1988年利用分裂合并的方法對(duì)航空影像進(jìn)行分割，Ryherd和 Woodcock在1996年組合光譜和紋理特征進(jìn)行遙感影像分割。遙感 影像分割方法同樣受到國(guó)內(nèi)學(xué)者的關(guān)注，劉永學(xué)在2004年提出了一種結(jié)合邊緣檢測(cè)以及邊緣生長(zhǎng)的方法來(lái)進(jìn)行遙感影像的分割，陳忠于2006年利用多尺度分割法與多分類(lèi)器融合技術(shù)來(lái)進(jìn)行高分辨率遙感圖像的分類(lèi)，并達(dá)到了很高的精度， 陳

10、秋曉等于2006年利用基于局域同質(zhì)性梯度實(shí)現(xiàn)對(duì)遙感影像的分割。雖然遙感影像的分割方法被不斷地提出和改進(jìn)，但 Neubert等于2006年通過(guò)比較現(xiàn)有各種分割算法對(duì)高分辨率遙感影像的分割性能，認(rèn)為當(dāng)前的技術(shù)仍不能有效滿足應(yīng)用的要求。近年來(lái)，分水嶺算法作為一種經(jīng)典的基于區(qū)域的分割方法，越來(lái)越受到國(guó)內(nèi)外研究人員的關(guān)注。自 Vincent和Soille于1991年將測(cè)地理論的集合運(yùn)算推廣到灰度圖像，進(jìn)而提 出分水嶺算法以來(lái)，該方法被廣泛應(yīng)用于圖像分割處理。目前，分水嶺算法已經(jīng)被成功應(yīng)用于遙感領(lǐng)域，并且在對(duì)多光譜遙感影像、高光譜遙感影像和高分辨率遙感影像的分割中有著 出色的表現(xiàn)。當(dāng)然，分水嶺算法有著自身

11、的缺點(diǎn)，如對(duì)噪聲高度敏感，容易產(chǎn)生過(guò)分割現(xiàn)象。為了克服分水嶺的過(guò)分割問(wèn)題，國(guó)內(nèi)外的學(xué)者提出很多改進(jìn)的方法，主要在影像的預(yù)處理和后處理上做研究。 Gao H 等人于2001年借助先驗(yàn)知識(shí)，利用限定分割的區(qū)域數(shù)目的方法 對(duì)分水嶺算法的過(guò)分割現(xiàn)象進(jìn)行改善；Karantzalos K等人于2006年將各向異性擴(kuò)散濾波和邊緣檢測(cè)的方法引入分水嶺算法中，并且取得了不錯(cuò)的效果；O' callaghan R J等人對(duì)初始分割后的影像進(jìn)行快速區(qū)域合并，有效改善了過(guò)分割問(wèn)題。國(guó)內(nèi)的學(xué)者也在分水嶺的改進(jìn)方法上做了很多工作，陳忠在2006年提出基于分水嶺變換的多尺度遙感影像分割算法，利用非線性濾波和快速區(qū)域合

12、并算法優(yōu)化分割結(jié)果；孫穎等于2006年利用標(biāo)記的分水嶺算法對(duì)高分辨率遙感影像進(jìn)行分割，取得較好的效果。(2)尺度問(wèn)題多尺度特征屬于空間數(shù)據(jù)的基本屬性之一，遙感中的尺度問(wèn)題也是當(dāng)今國(guó)內(nèi)外的研究熱點(diǎn)。國(guó)外學(xué)者開(kāi)始尺度的問(wèn)題的研究可以追溯至上世紀(jì)80年代初期，近年來(lái)，國(guó)內(nèi)的專(zhuān)家學(xué)者也開(kāi)展了此領(lǐng)域的研究，由李小文院士主持的973項(xiàng)目“地球表面時(shí)空多變要素的定量遙感理論及應(yīng)用”中指出，“在像元尺度上，以研究尺度效應(yīng)和尺度轉(zhuǎn)換理論為核心，檢驗(yàn)與反演目標(biāo)參數(shù)有關(guān)的基本物理概念、定理、定律的適用性”被列為待解決的關(guān)鍵問(wèn)題之一，由此可見(jiàn)，尺度問(wèn)題在遙感影像分析中的有著不可忽視的重要作用。遙感中的尺度問(wèn)題得到廣泛

13、的關(guān)注，主要體現(xiàn)在以下三個(gè)方面：尺度選擇、尺度效應(yīng)和尺度轉(zhuǎn)換。其中，尺 度選擇是指針對(duì)特定應(yīng)用選擇最佳分析尺度，以保證研究目標(biāo)的屬性特征被最優(yōu)描述；尺度效應(yīng)是指研究空間尺度的變化對(duì)分類(lèi)精度的影響；尺度轉(zhuǎn)換指將某一尺度上的信息和知識(shí)拓展到其它尺度上，或稱(chēng)為跨尺度信息轉(zhuǎn)換。 Woodcock和Strahler于1987年分析了影像中 局部地物方差隨分辨率降低的變化，提出平均局部方差選擇最佳空間尺度。Chen等在2004年指出空間尺度對(duì)分類(lèi)誤差的影響更加明顯地體現(xiàn)在地物的空間分布上。Wang等在2001年設(shè)計(jì)了變異函數(shù)的塊金方差 (Nugget Variance)和基臺(tái)方差(Sill Varianc

14、e)的比值指標(biāo)，將該比 值穩(wěn)定時(shí)對(duì)應(yīng)的空間尺度作為最佳尺度。黃慧萍在2003年針對(duì)從單一尺度進(jìn)行影像特征提取的不合理性，提出了多尺度遙感影像分析方法，并研究了面向?qū)ο笥跋穹治鲋械淖顑?yōu)尺度選擇問(wèn)題。明冬萍等于 2008年提出了基于可變窗口與可變分辨率的改進(jìn)局部方差方法用于 選擇最佳空間尺度。韓鵬等于2010年提出了一種基于信息嫡的尺度選擇的方法，該方法以信息嫡為評(píng)價(jià)類(lèi)別可分性的標(biāo)準(zhǔn)，最優(yōu)尺度由最小平均嫡確定。然而，我們研究的空間尺度又包含兩層含義： 一是影像的空間分辨率，二是對(duì)影像分析時(shí)所研究的地表空間范圍。上述的兩層含義在基于像元的分類(lèi)思想和面向?qū)ο蟮姆诸?lèi)思想中得到了很好的體現(xiàn)。在基于像元的影

15、像分類(lèi)中，“尺度”即指影像的空間分辨率。隨著遙感影像分辨率的不斷提高，影像 的分類(lèi)精度并沒(méi)有隨之提高，這是由地物目標(biāo)的“多尺度”特性決定的，任何地物目標(biāo)在不 同的尺度上都會(huì)有著不同的特征表現(xiàn)。因此，基于像元的分類(lèi)方法存在著“最優(yōu)尺度選擇” 和“多尺度特征提取”等問(wèn)題。在面向?qū)ο蟮姆诸?lèi)方法中，“尺度”除了擁有在基于像元分類(lèi)方法中的概念外，還被拓展為“面積尺度”的概念。影像對(duì)象的“面積”隨分割尺度的變 化而變化，并且表現(xiàn)出在該尺度下的特征信息，這樣就可以根據(jù)研究目標(biāo)的特點(diǎn)得到最優(yōu)的分割結(jié)果，進(jìn)而得到更高的分類(lèi)精度，這就是“高分辨率遙感影像的多尺度分類(lèi)”思想。(3)遙感影像的特征提取與分類(lèi)隨著遙感影

16、像空間分辨率的不斷提高，面向?qū)ο蟮姆诸?lèi)方法得到越來(lái)越廣泛的應(yīng)用。面向?qū)ο蟮姆诸?lèi)方法首先要對(duì)遙感影像進(jìn)行初始分割，得到一個(gè)個(gè)屬性各異的同質(zhì)區(qū)域，這些同質(zhì)區(qū)域也被稱(chēng)為“對(duì)象”；進(jìn)而從這些影像對(duì)象中提取多種特征，如光譜、形狀、紋理、 結(jié)構(gòu)和空間關(guān)系等，最后引入分類(lèi)算法以完成最終的影像分類(lèi)。面向?qū)ο蟮倪b感影像分類(lèi)方法是通過(guò)描述遙感影像中對(duì)象的信息來(lái)替代像元層的特征，從較高層次對(duì)遙感影像進(jìn)行分 類(lèi)，以減少傳統(tǒng)的基于像元層次分類(lèi)方法的語(yǔ)義信息損失，使分類(lèi)結(jié)果具有更豐富的語(yǔ)義信息。圖1-2簡(jiǎn)單描述了基于面向?qū)ο笏枷氲姆诸?lèi)流程：面向?qū)ο蟮姆诸?lèi)方法的本質(zhì)就是將圖像中的對(duì)象作為處理的基本單元，利用分類(lèi)器來(lái)分析對(duì)象

17、的特征，進(jìn)而判別它們對(duì)應(yīng)的類(lèi)別。Blaschke等人于2001年首先提出了基于對(duì)象的 遙感影像分類(lèi)方法， 認(rèn)為基于多尺度分割形成的同質(zhì)區(qū)域（即影像對(duì)象）不僅很好的利用光譜特征，還引入其它不同的特征，同時(shí)該方法能進(jìn)一步融入領(lǐng)域知識(shí)和專(zhuān)家經(jīng)驗(yàn)，使得分割后的對(duì)象比像元具有更豐富的語(yǔ)義信息，從而提高遙感影像分析的智能化水平。Giada等人在2003年通過(guò)自動(dòng)提取遙感圖像中的同質(zhì)區(qū)域來(lái)完成基于對(duì)象的分類(lèi)。eCognition軟件通過(guò)整合多尺度的分割和基于對(duì)象的分類(lèi)，成為首個(gè)投入商業(yè)應(yīng)用的基于對(duì)象的遙感分析軟件（現(xiàn)改名為 De巾niens Professional） o Mathieu 等人于 2007年

18、在對(duì)象層面分析了新西蘭地 區(qū)的城市與農(nóng)村的地類(lèi)。然而，上述學(xué)者所做的工作都是直接從影像對(duì)象中提取低層的視覺(jué)特征，進(jìn)而利用分類(lèi)器實(shí)現(xiàn)分類(lèi)。但是，遙感影像分類(lèi)的本質(zhì)是給各個(gè)區(qū)域添加高層的語(yǔ) 義標(biāo)簽，而低層的視覺(jué)特征很難準(zhǔn)確地描述遙感影像的高層語(yǔ)義內(nèi)容，因此要獲得更好的分類(lèi)效果，只依賴(lài)這些低層視覺(jué)特征是不全面的。近幾年，一些研究學(xué)者將文本分析和場(chǎng)景理解中的詞包模型（Bag-of-Word, BOW）引入遙感領(lǐng)域，期望通過(guò)詞包模型來(lái)提取遙感影像中 局部特征的統(tǒng)計(jì)信息（或語(yǔ)義信息），并根據(jù)這些新的特征來(lái)分析遙感圖像中的主題，從而 達(dá)到分類(lèi)的目的。詞包模型原本是文本分析中最為成功的模型之一，在該模型中，文

19、檔被表述成少量單詞的無(wú)序集合，這些無(wú)序集合就被稱(chēng)為“詞包”，文檔的大致內(nèi)容則可以由詞包中單詞的分布情況表達(dá)?，F(xiàn)在該模型已經(jīng)被應(yīng)用于影像分析中，并且取得了不錯(cuò)的效果。對(duì)影像進(jìn)行“詞包模型”的構(gòu)建過(guò)程類(lèi)似于在文本分析中的構(gòu)建過(guò)程，整幅影像被初始分割成一個(gè)個(gè)對(duì)象，然后統(tǒng)計(jì)各個(gè)影像對(duì)象的低層視覺(jué)特征（光譜、紋理等）并進(jìn)行聚類(lèi)分析，形 成表征該對(duì)象的特征向量組，這些特征向量組被稱(chēng)為視覺(jué)單詞（visual word）;最后統(tǒng)計(jì)這些視覺(jué)單詞在各個(gè)影像對(duì)象中的分布直方圖作為該影像的特征，用于后期的分類(lèi)。遙感影像的分類(lèi)過(guò)程的實(shí)質(zhì)就像是文本分析中為各個(gè)文檔找出其對(duì)應(yīng)的文本主題的過(guò)程，其對(duì)應(yīng)關(guān)系可歸納為表1-1所示

20、。表1“遙感電像分類(lèi)與文本分析的對(duì)應(yīng)關(guān)系符號(hào)上本分析遙感影像分類(lèi)文檔區(qū)域加詞匯表視覺(jué)詞匯表工文本上翹區(qū)域類(lèi)別以色列的學(xué)者 Weizman和Goldberger首先將詞包模型的思想引入遙感領(lǐng)域，用來(lái)提 取與低層視覺(jué)信息無(wú)關(guān)的圖像表達(dá)(feature-free image representation)。 Feng等人將遺傳算法引入詞包模型，改進(jìn)原有視覺(jué)單詞構(gòu)造中存在的問(wèn)題。而Yang等人則進(jìn)一步考慮了詞包模型中各個(gè)視覺(jué)單詞的空間關(guān)系，增加其所包含的語(yǔ)義信息。Lienou等人基于詞包模型中提取的單詞概念，引入主題模型 Latent Dirichlet Allocation (LDA泄一步分析遙感影

21、像視 覺(jué)單詞間的關(guān)系，通過(guò)最大似然分類(lèi)器計(jì)算圖像中每個(gè)圖像塊對(duì)應(yīng)的語(yǔ)義概念，從而完成圖像的語(yǔ)義標(biāo)定。Yi等人利用相同的思想，通過(guò)PLSA模型來(lái)分析視覺(jué)單詞間的關(guān)系，完成影像的分類(lèi)任務(wù)。隨著詞包模型在遙感影像的解譯和理解中的廣泛應(yīng)用，國(guó)內(nèi)也有很多研究人員開(kāi)始關(guān)注詞包模型在遙感影像分析中的應(yīng)用，如遙感影像分類(lèi)和遙感特定目標(biāo)的檢測(cè)等。常見(jiàn)影像分割方法多年來(lái)，影像分割一直是圖像處理與模式識(shí)別領(lǐng)域的經(jīng)典難題，一直受到國(guó)內(nèi)外學(xué)者的高度關(guān)注。由于現(xiàn)有的分割算法種類(lèi)繁多，這些算法一般被分為以下三種經(jīng)典類(lèi)型：基于閾值的分割，基于邊緣的分割和基于區(qū)域的分割。基于閾值的分割方法基于閾值的分割方法又被稱(chēng)為“門(mén)限分割”

22、，是一種簡(jiǎn)單并有效的分割方法。對(duì)一幅影像進(jìn)行閾值分割時(shí)，通過(guò)選取一個(gè)或多個(gè)閾值作為分割門(mén)限，將影像的所有像元進(jìn)行遍歷， 像元的灰度值與閾值進(jìn)行比較，最終將只存在三種情況：大于閾值、小于閾值和等于閾值， 進(jìn)而以此為依據(jù)完成整幅影像的分割?；谝陨厦枋?，可以看出基于閾值的分割方法的關(guān)鍵在于閾值的選取，其核心工作即按照某種準(zhǔn)則選出合適的閾值，因?yàn)橹挥凶顑?yōu)的閾值才能實(shí)現(xiàn)對(duì)影像的最有效分割。通常，閾值的選取包括全局閾值、局部閾值和動(dòng)態(tài)閾值三類(lèi)。其中， 全局閾值的選取只與影像像元本身的性質(zhì)有關(guān)；局部閾值的選取與影像像元本身的性質(zhì)和局部區(qū)域特征有關(guān)；動(dòng)態(tài)閾值的選取與像元坐標(biāo)、像元性質(zhì)和局部特征有關(guān)?；陂撝?/p>

23、的分割方法對(duì)于不太復(fù)雜并且灰度分布比較集中的影像有著較好的效果，而對(duì)于比較復(fù)雜的影 像，尤其是遙感影像僅僅依賴(lài)此方法是遠(yuǎn)遠(yuǎn)不夠的?；谶吘墮z測(cè)的分割方法邊緣特征是影像最基本的特征之一，是不同區(qū)域間灰度不連續(xù)的像元點(diǎn)的集合，它代表著一個(gè)區(qū)域的結(jié)束，同時(shí)也是另一個(gè)區(qū)域的起始，是影像局部特征不連續(xù)或突變的結(jié)果?；谶吘墮z測(cè)的分割方法就是通過(guò)檢測(cè)這些不連續(xù)的像元點(diǎn)，并把這些像元點(diǎn)按照約定的規(guī)則連接成輪廓，利用這些輪廓線構(gòu)成分割區(qū)域，進(jìn)而得到分割結(jié)果。在影像中灰度值有屋頂形 變或階躍突變的像元集合組成了邊緣，如圖 2-1所示：I ;i I U l；圖2"圖像灰度的變換類(lèi)型邊緣總存在于影像中相鄰

24、的不同區(qū)域間，并且可以通過(guò)求導(dǎo)數(shù)來(lái)檢測(cè)，常用的一階微分算子有 Roberts算子、Prewitt算子和 Sobel算子，二階微分算子有Laplace算子和 Kirsh算子等。在實(shí)際應(yīng)用中，常用小區(qū)域模板來(lái)表示各種微分算子，并且通過(guò)模板與影像卷積來(lái)實(shí)現(xiàn)微分運(yùn)算。基于邊緣檢測(cè)的分割方法對(duì)噪聲敏感度高，適合用于噪聲較小且不太復(fù)雜的影像分割?；趨^(qū)域的分割方法基于區(qū)域的分割方法的出發(fā)點(diǎn)是影像中空間距離較近的像元具有較大的相似 性，空間距離較遠(yuǎn)的像元具有較大的差異性。這種描述恰好符合地理學(xué)第一定律 （Tobler's First Law of Geography） : Everything is

25、 related to everything else, but near things are more related than distant things 。目前比較常用的基于區(qū)域的分害U 方法有區(qū)域生長(zhǎng)和區(qū)域分裂合并等方法，或者是兩種方法的綜合。區(qū)域生長(zhǎng)的基本思想是把影像中特征相似的像元按照一定的規(guī)則合并而成一個(gè)區(qū)域。具體方法如下：首先，按照某種規(guī)則選取種子點(diǎn)，然后遍歷和種子點(diǎn)相鄰的像元，將與種子點(diǎn) 特征相似的像元合并為同一區(qū)域，接著以合并的像元作為新的種子點(diǎn)，依此類(lèi)推，最終得到在該生長(zhǎng)準(zhǔn)則下最大的連通集合，如圖 2-2所示。在對(duì)區(qū)域生長(zhǎng)算法進(jìn)行設(shè)計(jì)時(shí)，為了得 到更優(yōu)的分割效果，需要

26、解決以下三個(gè)問(wèn)題：（1）選擇一個(gè)或者一組能夠正確代表所需區(qū)域的種子像元；（2）生長(zhǎng)準(zhǔn)則的確定；（3）停止生長(zhǎng)的條件。在生長(zhǎng)準(zhǔn)則的確定中，除了需 要考慮像元間的相似性外，還要考慮像元間的鄰近性和連通性，否則可能最終分割出毫無(wú)意義的區(qū)域；另外，區(qū)域生長(zhǎng)是一種串行算法，當(dāng)影像較大時(shí)，分割效率低下。國(guó)基于區(qū)域生長(zhǎng)的過(guò)程陷）區(qū)域分裂合并的方法是和區(qū)域生長(zhǎng)相反的方法，此方法按照一定的準(zhǔn)則對(duì)整幅影像進(jìn)行分裂，形成不重疊的區(qū)域，同時(shí)將分裂后的相似區(qū)域進(jìn)行合并；經(jīng)過(guò)反復(fù)的分裂和合并，直 至滿足分割要求為止。圖2-3展示了區(qū)域分裂合并算法的一種形式：任意區(qū)域R被分裂為 4個(gè)互不重疊的區(qū)域，并滿足 P pl ）=

27、FALSE依次進(jìn)行，直至在該分裂準(zhǔn)則下不能繼續(xù)分裂；然后將任何滿足 尸出LJel看的區(qū)域進(jìn)行合并，直至在該合并準(zhǔn)則下不能繼續(xù)合并, 則分割過(guò)程結(jié)束。Ri%R"%R44值）分區(qū)伯像（h相對(duì)度的網(wǎng)義生國(guó)23圉像分區(qū)及四叉例原則其它分割方法近年來(lái)，影像分割領(lǐng)域不斷引入新的理論和新的工具，因此誕生了一些比較新穎的方法。如基于數(shù)學(xué)形態(tài)學(xué)的影像分割、基于小波分析的影像分割、基于神經(jīng)網(wǎng)絡(luò)的影像分割、基于遺傳算法的影像分割和基于分水嶺變換的影像分割等等。1）基于數(shù)學(xué)形態(tài)學(xué)的影像分割基于數(shù)學(xué)形態(tài)學(xué)的分割首先將待處理影像用各種形狀大小的結(jié)構(gòu)元素進(jìn)行掃描，以此識(shí)別出影像中梯度變化較大的邊緣信息。這種方法處

28、理速度快，但對(duì)結(jié)構(gòu)元素的選擇依賴(lài)性很高：若選取的結(jié)構(gòu)元素過(guò)小，則對(duì)噪聲的干擾響應(yīng)較大；選取的結(jié)構(gòu)元素過(guò)大，則有可能濾掉有意義的邊緣信息。因此，結(jié)構(gòu)元素選取的是否得當(dāng)將直接影響到最終效果的好壞。2）基于小波分析的影像分割小波變換是一種經(jīng)典的多尺度分析工具，具有良好的時(shí)頻局部變化特性和多分辨率分析能力。對(duì)影像進(jìn)行小波變換以后， 可以得到不同的頻帶子圖以及相對(duì)應(yīng)的小波系數(shù)，影像的總體和局部特征就可以通過(guò)這些小波系數(shù)來(lái)表征。小波分析常用來(lái)檢測(cè)影像的高頻分量，也即影像邊緣信息。它也常被作為多尺度分析的工具和其它技術(shù)結(jié)合使用。3）基于遺傳算法的影像分割遺傳算法是一種將生物自然選擇和遺傳機(jī)制與統(tǒng)計(jì)學(xué)的相關(guān)知

29、識(shí)相結(jié)合的一種隨機(jī)搜 索優(yōu)化方法。該算法的執(zhí)行操作直接在結(jié)構(gòu)對(duì)象（集合、矩陣、序列和圖等）上進(jìn)行操作， 而不是直接作用在變量上。 遺傳算法由于其自身的并行機(jī)制，在對(duì)分割速度的提高上很有幫助，并且可以有效利用全局信息。 為進(jìn)一步提高分割質(zhì)量， 該算法通常與其它分割技術(shù)結(jié)合， 如果能獲得大量的先驗(yàn)知識(shí)，則可以實(shí)現(xiàn)對(duì)影像的最佳分割效果。4）基于神經(jīng)網(wǎng)絡(luò)的影像分割神經(jīng)網(wǎng)絡(luò)是通過(guò)抽象和模擬人腦或神經(jīng)網(wǎng)絡(luò)的一些基本特性指導(dǎo)影像的分析，其基本思想是通過(guò)對(duì)多層感知機(jī)的訓(xùn)練得到?jīng)Q策函數(shù)，進(jìn)而利用這些決策函數(shù)值指導(dǎo)影像的分類(lèi)，以達(dá)到分割的目的。神經(jīng)網(wǎng)絡(luò)可以充分利用影像像元間的空間信息，能夠較好的抵抗噪聲的干擾，對(duì)

30、于復(fù)雜影像的分割具有一定的優(yōu)勢(shì)。然而，此方法需要積累大量的先驗(yàn)知識(shí)和訓(xùn)練樣本，才能訓(xùn)練出有效的神經(jīng)網(wǎng)絡(luò)；而且在網(wǎng)絡(luò)節(jié)點(diǎn)和層數(shù)設(shè)計(jì)以及訓(xùn)練效率也需要進(jìn)一步的 探索和研究。5）基于分水嶺變換的分割分水嶺分割本質(zhì)上是屬于基于區(qū)域的方法， 該方法的基本思想是將影像類(lèi)比為地學(xué)上的 拓?fù)涞孛?，影像中每一個(gè)像元的灰度值類(lèi)比為海拔高度， 然后每一個(gè)局部極小值及其影響區(qū) 域被稱(chēng)作集水盆地，而集水盆的邊界即被稱(chēng)為分水嶺，將各個(gè)分水嶺作為影像分割的邊界，實(shí)現(xiàn)對(duì)影像的分割。綜上所述，雖然影像分割領(lǐng)域的方法種類(lèi)繁多，但這些方法都存在著自身的不足和缺陷。如閾值分割方法只考慮圖像灰度值，不能很好的反映圖像的結(jié)構(gòu)信息， 并且

31、容易受到噪聲干擾；邊緣檢測(cè)的方法可以得到邊界線段，但需要后續(xù)的操作使輪廓保持連續(xù)，因而在邊界不明顯的地方較難確定區(qū)域；區(qū)域方法的性能對(duì)初始種子的選擇有較大的依賴(lài)性，其參數(shù)確定或者選擇比較困難。即使是上文提到的新穎的分割方法，也同樣存在著各自的局限性，這是由高分辨率遙感影像自身的復(fù)雜性決定的。分水嶺算法作為一種經(jīng)典的基于區(qū)域的分割方法，由于其邊緣定位準(zhǔn)確、全局分割和并行處理等優(yōu)點(diǎn)被應(yīng)用于很多領(lǐng)域。雖然分水嶺算法存在著對(duì)噪聲敏感、過(guò)分割等缺點(diǎn)，但可以通過(guò)預(yù)處理或后處理進(jìn)行改善。目前，該方法在對(duì)多光譜遙感影像、 高光譜遙感影像和高分辨率遙感影像的分割中都有著出色的表現(xiàn)。因此，本文將基于分水嶺算法對(duì)高

32、分辨率遙感影像進(jìn)行分割，并對(duì)其加以改進(jìn)?；诟倪M(jìn)分水嶺變換的多尺度分割方法分水嶺算法有著很多優(yōu)點(diǎn)，比如說(shuō)能夠?qū)崿F(xiàn)全局分割，封閉的邊界和高的定位精度等，使得它適合用于高分辨率遙感影像的分割。然而，傳統(tǒng)的分水嶺分割也存在著缺陷：（1）分水嶺的輸入通常為影像梯度，而梯度受噪聲的影響較大，并且當(dāng)紋理細(xì)節(jié)特征明顯時(shí)，會(huì)產(chǎn) 生很多局部最小值，使得分割結(jié)果產(chǎn)生嚴(yán)重的過(guò)分割；（2）對(duì)影像中對(duì)比度較低的部分響應(yīng)較弱，易造成輪廓信息的丟失。雖然很多學(xué)者針對(duì)高分辨率遙感影像改進(jìn)了分水嶺算法，但仍有一些問(wèn)題沒(méi)有解決，這是由于遙感影像本身具有多光譜和多尺度特性，數(shù)據(jù)復(fù)雜性和冗余度較高。本文針對(duì)以上未解決的問(wèn)題，提出了一種改進(jìn)的分水嶺分割方法，用于高分辨率遙感影像的多尺度分割。本文提出的算法描述如下：首先，對(duì)高分辨率遙感影像進(jìn)行各向異性擴(kuò)散濾波的預(yù)處理，目的是既可以濾除細(xì)小的噪聲又能較好的保留邊緣信息；然后對(duì)影像進(jìn)行多尺度形態(tài)學(xué)梯度提取，然后利用擴(kuò)展最小變換修正多尺度梯度，進(jìn)而進(jìn)行基于標(biāo)記的分水嶺變換；最后利用影像對(duì)象的光譜和形狀異質(zhì)性指標(biāo)進(jìn)行多尺度區(qū)域合并。算法流程如圖2-9所示：圖2用我11的其子分水嶺變模的分荊武行本文基于面向?qū)ο蟮挠跋穹治鏊枷?，介紹了一種高分辨率遙感影像多尺度分類(lèi)的方