论文部分内容阅读
摘 要：高分辨率遥感影像分割技术的发展趋势，数学形态学在图像分割中的应用，遥感影像的分类精度直接制约了遥感在应用方面的发展。
关键词：高分辨；遥感影像；多尺度分割
引言
经过几十年的发展，遥感技术取得了巨大的进步，己经形成三多（多平台、多传感器、多分辨率）和三高（高空间分辨率、高时间分辨率、高光谱分辨率）的对地观测系统，获取地球数据的能力极大增强，特别是影像空间分辨率的空前提高，对影像信息提取技术提出了更高的要求。自1999年以来，高空间分辨率的商业化卫星IKONOS、QuickBird、orbview3、worldview-I/11相继发射成功，高分辨率卫星影像在各个领域得到广泛应用，快速准确的信息提取技术己经成为制约遥感产业化的瓶颈之一。
1 高分辨率遥感影像国内外研究现状
影像分割是指，基于同质性或异质性准则将一幅影像划分为若干有意义的子区域的过程。最终的分割效果需要同时满足以下三个条件：第一，分割后形成的图像区域中的所有像元点必须满足一定的同质准则、特征指标等，并且不存在不连通的点；第二，两个相邻的区域间的某一项或某几项特定属性，要有比较明显的差异性；第三，分割后，各个区域的边缘应该相对规整，并保证边缘的定位精度。影像分割效果的优劣将直接影响到后期的分类和识别，对于遥感影像的分析和理解至关重要。分水岭算法作为一种经典的基于区域的分割方法，越来越受到国内外研究人员的关注。
2 图像分割原理
所谓图像分割，从广义上来讲，是根据图像的某些特征或特征集合（包括灰度、颜色、纹理等）的相似性准则对图像象素进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域。这使得同一区域中的象素特征是类似的，即具有一致性；而不同区域间象素的特征存在突变，即具有非一致性。从集合的角度出发，图像分割定义如下：
设整个图像空间为一集合R。根据选定的一致性准则P，R被划分为互不重叠的非空子集：{R1，R2，...，Rn}，这些子集必须满足下述条件：
其中：P（Ri）为作用于Ri中所有象素的形似性逻辑谓词，i，j=1，2，…n，？准代表空集。
上述條件中：（1）指出分割后的全部子区域的总和应包含图像中的所有元素，或者说分割应将图像中每个象素都分进一个子区域中。（2）指出各个子区域相互不重叠。（3）指出分割后得到的属于同一区域中的元素应该具有某种相同特性。（4）指出对于分割后得到的属于相邻两个区域中的元素具有某种不同的特性。（5）要求同一个子区域内的元素应当是连通的。
其中分割准则P适用于所有象素，由它来确定各区域元素的相同特性。上述数学条件说明了图像分割算法的一般特点，凡不符合以上特点的图像处理算法则不能称为图像分割算法。
3 分水岭算法描述
分水岭变换是一种基于区域的影像分割思想，并且建立在形态学的理论基础之上。该算法基本思想是将待处理影像类比为地学上的拓扑地貌，影像中每个像元的灰度值类比为地貌中每点的海拔高度。这样就可以将整幅影像形象地表达成海拔高低各不同的地形图，此图由若干个向下凹的盆地和若干向上凸起的山脊组成。每个盆地都必然存在一个极小区域，现在提出这样的假设：将每个盆地的极小区域刺穿一个小孔，然后将整个地形图放入水中。如图1所示。
4 多尺度分割思想
我们研究的空间尺度包含两层含义：一是影像的空间分辨率，二是对影像分析时所研究的地表空间范围。上述的两层含义在基于像元的分类思想和面向对象的分类思想中得到了很好的体现。在基于像元的影像分类中，“尺度”即指影像的空间分辨率。随着遥感影像分辨率的不断提高，影像的分类精度并没有随之提高，这是由地物目标的“多尺度”特性决定的，任何地物目标在不同的尺度上都会有着不同的特征表现。因此，基于像元的分类方法存在着“最优尺度选择”和“多尺度特征提取”等问题。在面向对象的分类方法中，“尺度”除了拥有在基于像元分类方法中的概念外，还被拓展为“面积尺度”的概念。影像对象的“面积”随分割尺度的变化而变化，并且表现出在该尺度下的特征信息，这样就可以根据研究目标的特点得到最优的分割结果。
5 多尺度梯度提取
通过分析可以知道梯度图像是进行分水岭变换的第一处理对象，因为梯度图像能完美的反映出图像自身灰度的变化效果，我们想要从图像中提取的物体边缘一般都在那些变化非常明显的地方，所以，对梯度图像进行分水岭变换比直接对原图像进行分水岭变换效果要好的多。传统的分水岭分割大都是以单尺度梯度影像进行的，而地物目标在不同观测尺度下会有着不同的特征表现，所以，在实行梯度图像构建时引进多尺度。利用多尺度元素对要采集的图像进行相应的梯度提取。通过结果，可以发现，在分割过程中，不同尺度的操作具有不同的效果，总的来说，我们可以将它们分成大尺度以及小尺度两类。就前者而言，适合于面积更大的物质，而后者适用于特征复杂并且面积较小的地物。所以应该按照兴趣目标不同的详细情况来确定最完美合并的尺度。
6 结论
本研究提出了一种改进分水岭变换对高分辨率遥感影像多尺度分割的方法，该方法以抑制分水岭的过分割现象为目标，分别在预处理滤波、多尺度梯度构建和标记提取等环节进行了详细的阐述和分析，并通过实验证明了本文方法对高分辨率遥感影像分割的有效性。
综上所述，本文方法较好地实现了对高分辨遥感影像的初始分割，并且能够为面向对象的影像分析提供多尺度的选择。但本文方法也存在着不足，比如说存在不少的参数选择问题，合适的参数对分割效果至关重要，并且不同的遥感影像可能需要的最佳参数也不尽相同。因此，智能化的分类方法必将有越来越广泛的发展前景。
参考文献
[1]章毓晋.图像分割[M].北京：科学出版社，2001.
[2]梅天灿，李德仁，秦前清.分水岭变换在遥感影像现状特征提取中的应用[J].武汉大学学报（信息科学版），2004，29（4）：338-341.
[3]宫鹏，黎夏，徐冰.高分辨率影像解译理论与应用方法中的一些研究问题[J].遥感学报，2006，10（1）：1-5.
关键词：高分辨；遥感影像；多尺度分割
引言
经过几十年的发展，遥感技术取得了巨大的进步，己经形成三多（多平台、多传感器、多分辨率）和三高（高空间分辨率、高时间分辨率、高光谱分辨率）的对地观测系统，获取地球数据的能力极大增强，特别是影像空间分辨率的空前提高，对影像信息提取技术提出了更高的要求。自1999年以来，高空间分辨率的商业化卫星IKONOS、QuickBird、orbview3、worldview-I/11相继发射成功，高分辨率卫星影像在各个领域得到广泛应用，快速准确的信息提取技术己经成为制约遥感产业化的瓶颈之一。
1 高分辨率遥感影像国内外研究现状
影像分割是指，基于同质性或异质性准则将一幅影像划分为若干有意义的子区域的过程。最终的分割效果需要同时满足以下三个条件：第一，分割后形成的图像区域中的所有像元点必须满足一定的同质准则、特征指标等，并且不存在不连通的点；第二，两个相邻的区域间的某一项或某几项特定属性，要有比较明显的差异性；第三，分割后，各个区域的边缘应该相对规整，并保证边缘的定位精度。影像分割效果的优劣将直接影响到后期的分类和识别，对于遥感影像的分析和理解至关重要。分水岭算法作为一种经典的基于区域的分割方法，越来越受到国内外研究人员的关注。
2 图像分割原理
所谓图像分割，从广义上来讲，是根据图像的某些特征或特征集合（包括灰度、颜色、纹理等）的相似性准则对图像象素进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域。这使得同一区域中的象素特征是类似的，即具有一致性；而不同区域间象素的特征存在突变，即具有非一致性。从集合的角度出发，图像分割定义如下：
设整个图像空间为一集合R。根据选定的一致性准则P，R被划分为互不重叠的非空子集：{R1，R2，...，Rn}，这些子集必须满足下述条件：
其中：P（Ri）为作用于Ri中所有象素的形似性逻辑谓词，i，j=1，2，…n，？准代表空集。
上述條件中：（1）指出分割后的全部子区域的总和应包含图像中的所有元素，或者说分割应将图像中每个象素都分进一个子区域中。（2）指出各个子区域相互不重叠。（3）指出分割后得到的属于同一区域中的元素应该具有某种相同特性。（4）指出对于分割后得到的属于相邻两个区域中的元素具有某种不同的特性。（5）要求同一个子区域内的元素应当是连通的。
其中分割准则P适用于所有象素，由它来确定各区域元素的相同特性。上述数学条件说明了图像分割算法的一般特点，凡不符合以上特点的图像处理算法则不能称为图像分割算法。
3 分水岭算法描述
分水岭变换是一种基于区域的影像分割思想，并且建立在形态学的理论基础之上。该算法基本思想是将待处理影像类比为地学上的拓扑地貌，影像中每个像元的灰度值类比为地貌中每点的海拔高度。这样就可以将整幅影像形象地表达成海拔高低各不同的地形图，此图由若干个向下凹的盆地和若干向上凸起的山脊组成。每个盆地都必然存在一个极小区域，现在提出这样的假设：将每个盆地的极小区域刺穿一个小孔，然后将整个地形图放入水中。如图1所示。
4 多尺度分割思想
我们研究的空间尺度包含两层含义：一是影像的空间分辨率，二是对影像分析时所研究的地表空间范围。上述的两层含义在基于像元的分类思想和面向对象的分类思想中得到了很好的体现。在基于像元的影像分类中，“尺度”即指影像的空间分辨率。随着遥感影像分辨率的不断提高，影像的分类精度并没有随之提高，这是由地物目标的“多尺度”特性决定的，任何地物目标在不同的尺度上都会有着不同的特征表现。因此，基于像元的分类方法存在着“最优尺度选择”和“多尺度特征提取”等问题。在面向对象的分类方法中，“尺度”除了拥有在基于像元分类方法中的概念外，还被拓展为“面积尺度”的概念。影像对象的“面积”随分割尺度的变化而变化，并且表现出在该尺度下的特征信息，这样就可以根据研究目标的特点得到最优的分割结果。
5 多尺度梯度提取
通过分析可以知道梯度图像是进行分水岭变换的第一处理对象，因为梯度图像能完美的反映出图像自身灰度的变化效果，我们想要从图像中提取的物体边缘一般都在那些变化非常明显的地方，所以，对梯度图像进行分水岭变换比直接对原图像进行分水岭变换效果要好的多。传统的分水岭分割大都是以单尺度梯度影像进行的，而地物目标在不同观测尺度下会有着不同的特征表现，所以，在实行梯度图像构建时引进多尺度。利用多尺度元素对要采集的图像进行相应的梯度提取。通过结果，可以发现，在分割过程中，不同尺度的操作具有不同的效果，总的来说，我们可以将它们分成大尺度以及小尺度两类。就前者而言，适合于面积更大的物质，而后者适用于特征复杂并且面积较小的地物。所以应该按照兴趣目标不同的详细情况来确定最完美合并的尺度。
6 结论
本研究提出了一种改进分水岭变换对高分辨率遥感影像多尺度分割的方法，该方法以抑制分水岭的过分割现象为目标，分别在预处理滤波、多尺度梯度构建和标记提取等环节进行了详细的阐述和分析，并通过实验证明了本文方法对高分辨率遥感影像分割的有效性。
综上所述，本文方法较好地实现了对高分辨遥感影像的初始分割，并且能够为面向对象的影像分析提供多尺度的选择。但本文方法也存在着不足，比如说存在不少的参数选择问题，合适的参数对分割效果至关重要，并且不同的遥感影像可能需要的最佳参数也不尽相同。因此，智能化的分类方法必将有越来越广泛的发展前景。
参考文献
[1]章毓晋.图像分割[M].北京：科学出版社，2001.
[2]梅天灿，李德仁，秦前清.分水岭变换在遥感影像现状特征提取中的应用[J].武汉大学学报（信息科学版），2004，29（4）：338-341.
[3]宫鹏，黎夏，徐冰.高分辨率影像解译理论与应用方法中的一些研究问题[J].遥感学报，2006，10（1）：1-5.