#/5三種多尺度遙感圖像分割算法的分析比較概述摘要圖像分割是數字圖像處理領域中的重要內容 ，遙感圖像分割是圖像分割的一個重要應用方向。論文簡要地概述了三種多尺度遙感圖像分割算法，分別是基于 HIS空間和顏色純度的多尺度遙感圖像分割算法、基于區域生長的多尺度遙感圖像分割算法、基于分水嶺算法的多尺度遙感圖像分割算法。關鍵字：圖像分割，遙感,多尺度，算法AbstractImagesegmentationisadigitalimageprocessinginthefieldofimportantcontent, |remotesensingimagesegmentationimagesegmentationisanimportantapplication |direction.Thispapergivesabriefoverviewofthethreeremotesensingimagesegmentationalgorithm,whichisbasedontheHIScolorspaceandmultiscalesegmentationofremotesensingimagebasedonregiongrowingalgorithm,themethodofimagesegmentationbasedonwatershedalgorithm,multiscaleimagesegmentationofremotesensingimage.Keyword:imagesegmentation‘remotesensing,multiscale,algorithm介紹：遙感圖像分割⑴，就是對遙感圖像進行處理，并從中提取目標的過程。它是對遙感圖像進行進一步處理和應用的基礎。遙感圖像通常表現為對比度低，區域特征因不同的拍攝條件而產生較大變化，不同區域之間的邊界模糊，以及形狀結構和細微結構分布復雜多樣，圖像信息容量大等等。由于遙感圖像的這些特點，使得遙感圖像分割沒有可靠的模型進行指導，因而在一定程度上阻礙了圖像分割技術在遙感領域的應用。雖然目前已經有大量的圖像分割算法，一些研究者利用各種方法對遙感圖像的自動化分割進行了積極的嘗試，但是目前還沒有算法能夠對不同條件下獲取的同一地區的遙感圖像都產生滿意的分割結果，更沒有通用的算法能夠對所有的遙感圖像都產生滿意的分割結果。圖像分割是計算機視覺研究中的一個極為重要的基本問題，是由圖像處理到圖像分析的關鍵步驟。分割結果的優劣直接影響到隨后的圖像分析、理解和景物恢復問題求解的正確與否。對圖像的理解有很好的作用，其定義為按照選定的一致性準則將圖像劃分為互相不交疊的、連通的像元集的處理過程[2]。基于區域生長：僅僅利用光譜信息的傳統分割方法已不能有效地對高分辨遙感圖像進行分割。鑒于高分辨率遙感圖像提供了地物光譜、形狀和紋理等大量信息，提出了一種基于區域生長結合多種特征的多尺度分割算法。首先利用圖像梯度信息選取種子點；其次綜合高分辨率遙感圖像地物的局部光譜信息和全局形狀信息作為區域生長的準則進行區域生長。迭代這兩個過程，直到所有區域的平均面積大于設定的尺度面積參數則停止生長。該算法用 vc實現，實驗結果表明該算法能獲得不同尺度下的分割結果且分割效率高、分割效果好。圖像分析意在處理圖像的語義。很多情況下，單一的像素并不能反映出理解圖像的重要語義信息，而是通過有意義的圖像對象以及他們之間的相互關系表現出來。如今，航空雷達以及衛星等高分辨率數據在遙感領域中發揮出越來越重要的作用。圖像分割是圖像分析的第一步，也是圖像處理中最古老最困難的問題之一。常用的圖像分割技術大致可劃分[3]為六類：<1）自頂向下分割，如直方圖域值分割，或基于最大后驗概率 <MAp的最優分類；<2）基于邊緣檢測的分割；<3）區域生長與合并；<4）自底向上的迭代像素聚類，如模糊 C均值方法<FCM，基于馬爾柯夫隨機場<MRF的聚類，基于神經網絡的聚類；<5）主動輪廓模型<ACM方法；<6）全局優化方法，如基于能量函數，貝葉斯公式，或最小描述長度 <MDL的分類方法。這些算法各有不同的缺點：<1）域值方法簡單但是效果差；<2）邊緣檢測只使用了局部信息，難以保證分割區域內部的顏色一致，且不能產生連續的封閉區域輪廓；<3）區域生長常得到不規則的邊界；<4）迭代像素聚類計算量巨大；<5）ACM需要良好的初始分割；<6）全局優化方法難于找到最優解或次優解。這些方法分割灰度圖像效果較好，但用于彩色圖像尤其是多光譜的遙感圖像往往達不到理想的分割效果[4]。通常處理彩色圖像是通過顏色空間的轉換，具體來說，有 RG顏色模型，CM顏色模型YUV^色模型HIS顏色空間等等。但是遙感圖像具有多波段，“同質異譜”和“同譜異質”的特點，僅靠三原色的顏色空間轉換已不能很好地反映出地物的顏色信息，必須結合圖像的各個波段所表現出來的地物信息才能準確地反映出地物的特征 [5]。遙感圖像由于分辨率的提高，圖像的噪聲也隨之提高，因此僅僅利用顏色信息會導致分割區域的邊緣不準確。采用區域生長算法容易結合多種特征進行生長，但是要選擇種子點。為了優化區域增長方法，文獻[6]提出一種種子區域增長<SeededRegionGrowing，SRG的方法，它的實現機制類似于分水嶺方法。與通常方法不同， SRGT先選擇一定數量的像元作為種子點。這種事先選擇種子點的方式，能避免選擇噪音或其它無關像元成為種子點的情形，并能直接將關于圖像的高層知識 <如區域的數目$區域的典型特征等）融入到分割任務中。但是在對象較多的圖像中，這種通過人機交互確定種子方法會導致種子點選擇不準確。針對以上提出的問題，同時為了克服區域生長結果的不規則邊界，本文提出了一種基于區域生長結合多特征，多波段的多尺度高分辨率遙感圖像分割算法。為了自動選擇種子點，本文利用圖像梯度信息來確定種子像素，同時結合高分辨率遙感圖像局部各個光譜信息和全局形狀信息準則來增強區域生長的能力。由于影像分析的不同主題都有其特定的空間尺度，本文利用圖像分割后區域的平均面積來度量圖像空間尺度以用來獲得最優分割效果，并作為區域生長結束的標志。實驗證明該算法具有較好的魯棒性，分割效率高，分割效果好。尺度參數遙感圖像中的各個地物與圖像分割的空間尺度的關系是非常緊密的 [6]。本文通過計算所有區域的平均面積作為圖像分割的尺度參數和終止區域生長的準則，通過選取合適的值，可以得到滿意的分割結果，也可以通過選擇合適的尺度參數來分割出特定區域。例如在圖2和圖3中使用同樣的差異性度量參數，但使用了不同的尺度參數，較大的尺度參數可完整地分割出紅色環形跑道。實驗結果分析：＜1）尺度參數不同#所生成的分割圖像區域的大小也不同。＜2）形狀權值中光滑度的權值大的分割區域的邊界越光滑。因此在實際的分割中可以通過調整各個權值和尺度參數來獲得滿意的結果，為進一步的圖像分析奠定基礎。基于HSI空間和顏色純度的多尺度遙感圖像分割算法在不僅考慮了單個像元的屬性而且考慮了像元集合的整體特性的情況下，首先在HIS（hue，intensity，saturation＞空間根據分割尺度被分割成一個個小的區域，即一個個對象，然后小的對象又通過區域對象特性和相對位置信息合并成大的對象。彩色空間的選擇與顏色純度表達顏色的彩色空間有很多種，它們常是根據不同的應用目的而提出的。最常見的色彩空間是紅綠藍（red,green,blue,RGB空間，彩色圖像常用R、GB3個分量的值來表示，但R、G、B3分量之間有很強的相關性，直接利用這些分量往往不能得到所需的效果。比較接近人對顏色視覺感知的是色度、飽和度和亮度（hue，saturation，intensity，HIS＞空間。在對色彩信息的利用中， HIS空間的優點在于它將亮度（1＞與反映色彩本質特性的兩個參數一色度（H＞和飽和度（S＞分開。光照明暗給物體顏色帶來的直接影響就是亮度分量（I＞，它與彩色信息無關，而H和S分量與人感受彩色的方式緊密相連。 HIS空間比較直觀并符合人的視覺特性，因此采用此空間作為圖像分割的基礎，會獲得比較好的效果。多尺度效應不同目標在影像上具有的尺度不同，因此不同的分析目的所關注的尺度也會不同， 2。5m分辨率的影像可以用來分析房屋，而1000m分辨率的可能只能用來分析植被覆蓋，特定的目標分析要在特定的尺度上來進行。尺度可分空間尺度與時間尺度，這里所提及的尺度均指空間尺度。空間尺度是指在研究某一物體或現象時所采用的空間單位，同時又可指某一現象或過程在空間上所涉及到的范圍。客觀存在的景觀空間異質性依賴于空間尺度，當景觀空間尺度發生變化時，所量測到的空間異質性也隨之變化，因此尺度對景觀空間異質性的測量與理解有著重要的影響。尺度的把握就決定了分割結果的有效性。分割尺度過大會使類別過度聚合難以區分目標，而尺度過小，使得對象特征統計不充分減弱了分割的作用，原始影像本身就相當于尺度為1的分割結果。分割算法2.3.1特定尺度的基于HIS彩色空間的圖像分割1＞把每個像素都當作原始對象，根據實際分析目的獲得尺度值。2＞求對象在HIS彩色空間分量H、丨、S值，并且求出與鄰居對象的相似度。3＞如果對象尺度大于規定尺度，則只有在相似度大于某閾值 T時才標記合并標記。如果小于規定尺度則把對象標記到相似度最大的相鄰對象中。檢查是否分割結束。當所有對象尺度都大于指定尺度M時分割結束，否則繼續。區域對象的合并1＞計算某區域對象的均值和方差2＞計算與該區域對象相鄰的對象的均值與方差，根據對象之間的相似程度進行合并。3＞計算合并后對象的均值，作為該區域對象的彩色空間分量值。檢查是否結束，否則繼續。實驗結果分析我們采用以上提出的算法，通過對彩色遙感圖像進行分割，證明了本文中提出算法可以根據不同的遙感地物分割的要求實現多尺度的分割，而且較好的解決了的分割后的圖像小區域對象與大區域對象之間的所屬關系，提高了遙感影像分割的精度和有效性，進而為影像后續的分類和信息提取奠定了基礎，在應用中具有一定的現實意義基于分水嶺：面向對象的圖像分析，關鍵在于發展多尺度的圖像分割算法。由于尺度變化不可能通過改變圖像的分辨率來實現，因此，實現多尺度分割提取圖像區域的可行方法是對同一圖像在不同的指定尺度下進行多次分割，從而將遙感圖像中不同尺度的地物與空間結構特征信息，借助不同指定尺度下的分割結果予以表現和描述。分水嶺分割方法使分割后的圖像存在嚴重的過分割現象；而基于局部相鄰區域合并異質性最小的多尺度分割，可以在任意指定的感興趣尺度下，生成相應尺度下圖像區域作為圖像對象，為面向對象的遙感圖像分析與地物目標提取提供基礎。高分辨率遙感圖像中豐富的地物目標與空間語義信息必須在多尺度下才能充分表達和描述；因此，本算法對于高分辨率遙感圖像的數據處理與信息提取具有一定的實用意義。分水嶺變換是一種常用有效的圖像分割方法，在圖像處理中，可以有兩種形式：一是將灰度圖像看作假想的地形表面；二是將待分割的梯度圖像看作假想的地形表面 [7]。在這兩種形式中都用圖像中每個象素的象素值表示該點的海拔高度。但直接在原圖上進行分水嶺分割很容易產生過分割問題，即生成過多分割區域而不能將圖像中有意義的區域表示出來，從而導致感興趣的目標難以識別。傳統的遙感圖像由于分辨率較低，一般只利用圖像的灰度特征，分割算法也只是基于顏色信息，它不能提供滿意的分割結果。隨著高分辨率遙感圖像的誕生，它包含更多的細節信息，如顏色、尺寸、形狀和紋理等特征，但同樣也增加了圖像的噪聲和地物之間的相互影響。在這種情況下，如果僅僅利用顏色相似性這一準則會出現一些欠合并或者過合并的現象。在實際處理問題中，合并差異相似性度量的準則越多，分割的效果也相應越好；充分利用獲取的遙感圖像信息，能獲得令滿人意的分割效果。結論：由于遙感圖像的特殊性與復雜性，使得遙感圖像分割時沒有可靠的模型進行指導，在實際分割時，往往是根據經驗，選用合適的分割算法，這在一定程度上制約了遙感圖像處理技術的發展，如何根據具體的遙感圖像選用合適的分割算法 ?如何根據對分割結果的要求選用合適的分割算法?如何對算法的分割結果進行定量的評估?這些問題都是有待進一步研究的。文獻：王潤生．圖像理解[M]．北京：國防科技大學出版社， 1995．章毓晉.圖像工程圖像分析[M].北京：清華大學出版社，2006徐巖.基于多分辨率分析的分水嶺分割技術研究[D].北京：中國科學院，2006.楊芳芳，呂建平，李昊.多尺度變換與標記符分水嶺相結合的圖像分割[J].西安郵電學院學報，2009，14<5)103?106.蔡華杰，田金文.一種高分辨率遙感圖像多尺度分割新算法[