三種多尺度遙感圖像分割算法的分析比較概述

《三種多尺度遙感圖像分割算法的分析比較概述》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、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(shù)字圖像處理領(lǐng)域中的重要內(nèi)容,遙感圖像分割是圖像分割的一個(gè)重要應(yīng)用方向。論文簡(jiǎn)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(qū)域生長(zhǎng)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(guān)鍵字：圖像分割,遙感,多尺度,算法AbstractImagesegmentationisadigitalimageprocessinginthefieldofimportantcontent,remotesensingimagesegmentationimagesegment

2、ationisanimportantapplicationdirection.Thispapergivesabriefoverviewofthethreeremotesensingimagesegmentationalgorithm,whichisbasedontheHIScolorspaceandmultiscalesegmentationofremotesensingimagebasedonregiongrowingalgorithm,themethodofimagesegmentationbasedonwatershedalgorithm,multiscaleimage

3、segmentationofremotesensingimage.Keyword:imagesegmentation,remotesensing,multiscale,algorithm介紹：遙感圖像分割[1]，就是對(duì)遙感圖像進(jìn)行處理，并從中提取目標(biāo)的過(guò)程。它是對(duì)遙感圖像進(jìn)行進(jìn)一步處理和應(yīng)用的基礎(chǔ)。遙感圖像通常表現(xiàn)為對(duì)比度低，區(qū)域特征因不同的拍攝條件而產(chǎn)生較大變化，不同區(qū)域之間的邊界模糊，以及形狀結(jié)構(gòu)和細(xì)微結(jié)構(gòu)分布復(fù)雜多樣，圖像信息容量大等等。由于遙感圖像的這些特點(diǎn)，使得遙感圖像分割沒(méi)有可靠的模型進(jìn)行指導(dǎo)，因而在一定程度上阻礙了圖像分割技術(shù)在遙感領(lǐng)域的應(yīng)用。雖然目前已經(jīng)有大量

4、的圖像分割算法，一些研究者利用各種方法對(duì)遙感圖像的自動(dòng)化分割進(jìn)行了積極的嘗試，但是目前還沒(méi)有算法能夠?qū)Σ煌瑮l件下獲取的同一地區(qū)的遙感圖像都產(chǎn)生滿意的分割結(jié)果，更沒(méi)有通用的算法能夠?qū)λ械倪b感圖像都產(chǎn)生滿意的分割結(jié)果。圖像分割是計(jì)算機(jī)視覺(jué)研究中的一個(gè)極為重要的基本問(wèn)題，是由圖像處理到圖像分析的關(guān)鍵步驟。分割結(jié)果的優(yōu)劣直接影響到隨后的圖像分析、理解和景物恢復(fù)問(wèn)題求解的正確與否。對(duì)圖像的理解有很好的作用，其定義為按照選定的一致性準(zhǔn)則將圖像劃分為互相不交疊的、連通的像元集的處理過(guò)程[2]。1.基于區(qū)域生長(zhǎng)：僅僅利用光譜信息的傳統(tǒng)分割方法已不能有效地對(duì)高分辨遙感圖像進(jìn)行分割。鑒于高分辨

5、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(qū)域生長(zhǎng)結(jié)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(diǎn)；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(qū)域生長(zhǎng)的準(zhǔn)則進(jìn)行區(qū)域生長(zhǎng)。迭代這兩個(gè)過(guò)程，直到所有區(qū)域的平均面積大于設(shè)定的尺度面積參數(shù)則停止生長(zhǎng)。該算法用vc實(shí)現(xiàn)，實(shí)驗(yàn)結(jié)果表明該算法能獲得不同尺度下的分割結(jié)果且分割效率高、分割效果好。圖像分析意在處理圖像的語(yǔ)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(yǔ)義信息，而是通過(guò)有意義的圖像對(duì)象以及他們之間的相互關(guān)系表現(xiàn)出來(lái)。如今，航空雷達(dá)以及衛(wèi)星等高分辨率數(shù)據(jù)在遙感領(lǐng)域中發(fā)揮出越來(lái)越

6、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(wèn)題之一。常用的圖像分割技術(shù)大致可劃分為六類[3]：（1）自頂向下分割，如直方圖域值分割，或基于最大后驗(yàn)概率（MAP）的最優(yōu)分類；（2）基于邊緣檢測(cè)的分割；（3）區(qū)域生長(zhǎng)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(jī)場(chǎng)（MRF）的聚類，基于神經(jīng)網(wǎng)絡(luò)的聚類；（5）主動(dòng)輪廓模型（ACM）方法；（6）全局優(yōu)化方法，如基于能量函數(shù)，貝葉斯公式，或最小描述長(zhǎng)度（MDL）的分類方法。這些算法各有不同的缺點(diǎn)：（1）域值方法簡(jiǎn)單但是效果差；（2）邊緣檢測(cè)只使用了局部信息，難以保證分割區(qū)域內(nèi)

7、部的顏色一致，且不能產(chǎn)生連續(xù)的封閉區(qū)域輪廓；（3）區(qū)域生長(zhǎng)常得到不規(guī)則的邊界；（4）迭代像素聚類計(jì)算量巨大；（5）ACM需要良好的初始分割；（6）全局優(yōu)化方法難于找到最優(yōu)解或次優(yōu)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(dá)不到理想的分割效果[4]。通常處理彩色圖像是通過(guò)顏色空間的轉(zhuǎn)換，具體來(lái)說(shuō)，有RGB顏色模型，CMY顏色模型YUV顏色模型HIS顏色空間等等。但是遙感圖像具有多波段，“同質(zhì)異譜”和“同譜異質(zhì)”的特點(diǎn)，僅靠三原色的顏色空間轉(zhuǎn)換已不能很好地反映出地物的顏色信息