資源描述：
《三種多尺度遙感圖像分割算法的分析比較概述》由會員上傳分享，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。
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重要應(yīng)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(qū)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(guān)鍵字：圖像分割,遙感,多尺度,算法AbstractImagesegmentationisadigitalimageprocessinginthefieldofimportantcontent,remotesensingimagesegmentationim
2、agesegmentationisanimportantapplicationdirection.Thispapergivesabriefoverviewofthethreeremotesensingimagesegmentationalgorithm,whichisbasedontheHIScolorspaceandmultiscalesegmentationofremotesensingimagebasedonregiongrowingalgorithm,themethodofimagesegmentationbasedonwatershedalgor
3、ithm,multiscaleimagesegmentationofremotesensingimage.Keyword:imagesegmentation,remotesensing,multiscale,algorithm介紹：遙感圖像分割[1]，就是對遙感圖像進(jìn)行處理，并從中提取目標(biāo)的過程。它是對遙感圖像進(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有可靠的模型進(jìn)行指導(dǎo)，因而在一定
4、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(jìn)行了積極的嘗試，但是目前還沒有算法能夠?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(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(zhǔn)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]。1.基于區(qū)域生長
5、：僅僅利用光譜信息的傳統(tǒng)分割方法已不能有效地對高分辨遙感圖像進(jìn)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(qū)域生長結(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)域生長的準(zhǔn)則進(jìn)行區(qū)域生長。迭代這兩個過程，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。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
6、圖像對象以及他們之間的相互關(guān)系表現(xiàn)出來。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(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）基于邊緣檢測的分割；（3）區(qū)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(jī)場（MRF）的聚類，基于神經(jīng)網(wǎng)絡(luò)的聚類；（5）主動輪廓模型（ACM）方法；（6）全局優(yōu)化方法，如基于能量函數(shù)，貝葉斯公式，或最小描述長度（MD
7、L）的分類方法。這些算法各有不同的缺點(diǎn)：（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(qū)域內(nèi)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顏色空間的轉(zhuǎn)換，具體來說，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)
8、”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
