三种多尺度遥感图像分割算法的分析比较概述
三种多尺度遥感图像分割算法的分析比较概述
摘要
图像分割是数字图像处理领域中的重要内容,遥感图像分割是图像分割的一个重要应用方向。论文简要地概述了三种多尺度遥感图像分割算法，分别是基于HIS空间和颜色纯度的多尺度遥感图像分割算法、基于区域生长的多尺度遥感图像分割算法、基于分水岭算法的多尺度遥感图像分割算法。
关键字：图像分割,遥感,多尺度,算法
Abstract
Image segmentation is a digital image processing in the field of important content, remote sensing image segmentation image segmentation is an important application direction. This paper gives a brief overview of the three remote sensing image segmentation algorithm, which is based on the HIS color space and multiscale
image segmentation based on watershed algorithm, multi scale image segmentation of remote sensing image.
Keyword:image segmentation,remote sensing, multiscale,algorithm
介绍：
遥感图像分割[1]，就是对遥感图像进行处理，并从中提取目标的过程。它是对遥感图像进行进一步处理和应用的基础。遥感图像通常表现为对比度低，区域特征因不同的拍摄条件而产生较大变化，不同区域之间的边界模糊，以及形状结构和细微结构分布复杂多样，图像信息容量大等等。由于遥感图像的这些特点，使得遥感图像分割没有可靠的模型进行指导，因而在一定程度上阻碍了图像分割技术在遥感领域的应用。虽然目前已经有大量的图像分割算法，一些研究者利用各种方法对遥感图像的自动化分割进行了积极的尝试，但是目前还没有算法能够对不同条件下获取的同一地区的遥感图像都产生满意的分割结果，更没有通用的算法能够对所有的遥感图像都产生满意的分割结果。
图像分割是计算机视觉研究中的一个极为重要的基本问题，是由图像处理到图像分析的关键步骤。分割结果的优劣直接影响到随后的图像分析、理解和景物恢复问题求解的正确与否。对图像的理解有很好的作用，其定义为按照选定的一致性准则将图像划分为互相不交叠的、连通的像元集的处理过程[2]。
1.基于区域生长：
仅仅利用光谱信息的传统分割方法已不能有效地对高分辨遥感图像进行分割。鉴于高分辨率遥感图像提供了地物光谱、形状和纹理等大量信息，提出了一种基于区域生长结合多种特征的多尺度分割算法。首先利用图像梯度信息选取种子点；其次综合高分辨率遥感图像地物的局部光谱信息和全局形状信息作为区域生长的准则进行区域生长。迭代这两个过程，直到所有区域的平均面积大于设定的尺度面积参数则停止生长。该算法用vc实现，实验结果表明该算法能获得不同尺度下的分割结果且分割效率高、分割效果好。
图像分析意在处理图像的语义。很多情况下，单一的像素并不能反映出理解图像的重要语义信息，而是通过有意义的图像对象以及他们之间的相互关系表现出来。如今，航空雷达以及卫星等高分辨率数据在遥感领域中发挥出越来越重要的作用。图像分割是图像分析的第一步，也是图像处理中最古老最困难的问题之一。常用的图像分割技术大致可划分为六类[3]：
（1）自顶向下分割，如直方图域值分割，或基于最大后验概率（MAP）的最优分类；（2）基于边缘检测的分割；
（3）区域生长与合并；
（4）自底向上的迭代像素聚类，如模糊C 均值方法（FCM），基于马尔柯夫随机场（MRF）的聚类，基于神经网络的聚类；
（5）主动轮廓模型（ACM）方法；
（6）全局优化方法，如基于能量函数，贝叶斯公式，或最小描述长度（MDL）的分类方法。这些算法各有不同的缺点：
（1）域值方法简单但是效果差；
（2）边缘检测只使用了局部信息，难以保证分割区域内部的颜色一致，且不能产生连续的封闭区域轮廓；
（3）区域生长常得到不规则的边界；
（4）迭代像素聚类计算量巨大；
（5）ACM需要良好的初始分割；
（6）全局优化方法难于找到最优解或次优解。
这些方法分割灰度图像效果较好，但用于彩色图像尤其是多光谱的遥感图像往往达不到理想的分割效果[4]。通常处理彩色图像是通过颜色空间的转换，具体来说，有RGB 颜色模型，CMY颜色模型YUV 颜色模型HIS 颜色空间等等。但是遥感图像具有多波段，“同质异谱”和“同谱异质”的特点，仅靠三原色的颜色空间转换已不能很好地反映出地物的颜色信息，必须结合图像的各个波段所表现出来的地物信息才能准确地反映出地物的特征[5]。遥感图像由于分辨率的提高，图像的噪声也随之提高，因此仅仅利用颜色信息会导致分割区域的边缘不准确。采用区域生长算法容易结合多种特征进行生长，但是要选择种子点。为了优化区域增长方法，文献[6]提出一种种子区域增长（Seeded Region Growing，SRG）的方法，它的实现机制类似于分水岭方法。与通常方法不同，SRG 首先选择一定数量的像元作为种子点。这种事先选择种子点的方式，能避免选择噪音或其它无关像元成为种子点的情形，并能直接将关于图像的高层知识（如区域的数目$区域的典型特征等）融入到分割任务中。但是在对象较多的图像中，这种通过人机交互确定种子方法会导致种子点选择不准确。
针对以上提出的问题，同时为了克服区域生长结果的不规则边界，本文提出了一种基于区域生长结合多特征，多波段的多尺度高分辨率遥感图像分割算法。为了自动选择种子点，本文利用图像梯度信息来确定种子像素，同时结合高分辨率遥感图像局部各个光谱信息和全局形状信息准则来增强区域生长的能力。由于影像分析的不同主题都有其特定的空间尺度，本文利用图像分割后区域的平均面积来度量图像空间尺度以用来获得最优分割效果，并作为区域生长结束的标志。实验证明该算法具有较好的鲁棒性，分割效率高，分割效果好。
1.2 尺度参数
遥感图像中的各个地物与图像分割的空间尺度的关系是非常紧密的[6]。本文通过计算所有区域的平均面积作为图像分割的尺度参数和终止区域生长的准则，通过选取合适的值，可以得到满意的分割结果，也可以通过选择合适的尺度参数来分割出特定区域。例如在图2 和图3 中使用同样的差异性度量参数，但使用了不同的尺度参数，较大的尺度参数可完整地
分割出红色环形跑道。
1.3实验结果分析：
（1）尺度参数不同#所生成的分割图像区域的大小也不同。
（2）形状权值中光滑度的权值大的分割区域的边界越光滑。
因此在实际的分割中可以通过调整各个权值和尺度参数来获得满意的结果，为进一步的图像分析奠定基础。
2.基于HSI空间和颜色纯度的多尺度遥感图像分割算法
在不仅考虑了单个像元的属性而且考虑了像元集合的整体特性的情况下，首先在
HIS(hue，intensity，saturation)空间根据分割尺度被分割成一个个小的区域，即一个个对象，然后小的对象又通过区域对象特性和相对位置信息合并成大的对象。
2.1 彩色空间的选择与颜色纯度
表达颜色的彩色空间有很多种，它们常是根据不同的应用目的而提出的。最常见的色彩空间是红绿蓝(red，green，blue，RGB)空间，彩色图像常用R、G、B 3个分量的值来表示，但R、G、B 3分量之间有很强的相关性，直接利用这些分量往往不能得到所需的效果。比较接近人对颜色视觉感知的是色度、饱和度和亮度(hue，saturation，intensity，HIS)空间。在对色彩信息的利用中，HIS空间的优点在于它将亮度(I)与反映色彩本质特性的两个参数一色度(H)和饱和度(S)分开。光照明暗给物体颜色带来的直接影响就是亮度分量(I)，它与彩色信息无关，而H和S分量与人感受彩色的方式紧密相连。HIS空间比较直观并符合人的视觉特性，因此采用此空间作为图像分割的基础，会获得比较好的效果。
2.2 多尺度效应
不同目标在影像上具有的尺度不同，因此不同的分析目的所关注的尺度也会不同，2。5m 分辨率的影像可以用来分析房屋，而1000m分辨率的可能只能用来分析植被覆盖，特定的目标分析要在特定的尺度上来进行。尺度可分空间尺度与时间尺度，这里所提及的尺度均指空间尺度。空间尺度是指在研究某一物体或现象时所采用的空间单位，同时又可指某一现象或过程在空间上所涉及到的范围。客观存在的景观空间异质性依赖于空间尺度，当景观空间尺度发生变化时，所量测到的空间异质性也随之变化，因此尺度对景观空间异质性的测量与理解有着重要的影响。
尺度的把握就决定了分割结果的有效性。分割尺度过大会使类别过度聚合难以区分目标，而尺度过小，使得对象特征统计不充分减弱了分割的作用，原始影像本身就相当于尺度为1的分割结果。
2.3 分割算法
2.3.1 特定尺度的基于HIS彩色空间的图像分割
1)把每个像素都当作原始对象，根据实际分析目的获得尺度值。
2)求对象在HIS彩色空间分量H 、I、S值，并且求出与邻居对象的相似度。
3)如果对象尺度大于规定尺度，则只有在相似度大于某阈值T时才标记合并标记。如果小于规定尺度则把对象标记到相似度最大的相邻对象中。检查是否分割结束。当所有对象尺度都大于指定尺度M时分割结束，否则继续。
2.3.2 区域对象的合并
1)计算某区域对象的均值和方差
2)计算与该区域对象相邻的对象的均值与方差，根据对象之间的相似程度进行合并。
3)计算合并后对象的均值，作为该区域对象的彩色空间分量值。检查是否结束，否则继续。
2.4 试验结果分析
我们采用以上提出的算法，通过对彩色遥感图像进行分割，证明了本文中提出算法可以根据不同的遥感地物分割的要求实现多尺度的分割，而且较好的解决了的分割后的图像小区域对象与大区域对象之间的所属关系，提高了遥感影像分割的精度和有效性，进而为影像后续的分类和信息提取奠定了基础，在应用中具有一定的现实意义
3.基于分水岭：
面向对象的图像分析，关键在于发展多尺度的图像分割算法。由于尺度变化不可能通过改变图像的分辨率来实现，因此，实现多尺度分割提取图像区域的可行方法是对同一图像在不同的指定尺度下进行多次分割，从而将遥感图像中不同尺度的地物与空间结构特征信息，借助不同指定尺度下的分割结果予以表现和描述。分水岭分割方法使分割后的图像存在严重的过分割现象；而基于局部相邻区域合并异质性最小的多尺度分割，可以在任意指定的感兴趣尺度下，生成相应尺度下图像区域作为图像对象，为面向对象的遥感图像分析与地物目标提取提供基础。高分辨率遥感图像中丰富的地物目标与空间语义信息必须在多尺度下才能充分表达和描述；因此，本算法对于高分辨率遥感图像的数据处理与信息提取具有一定的实用意义。
分水岭变换是一种常用有效的图像分割方法，在图像处理中，可以有两种形式：一是将灰度图像看作假想的地形表面；二是将待分割的梯度图像看作假想的地形表面[7]。在这两种形式中都用图像中每个象素的象素值表示该点的海拔高度。但直接在原图上进行分水岭分割很容易产生过分割问题，即生成过多分割区域而不能将图像中有意义的区域表示出来，从而导致感兴趣的目标难以识别。传统的遥感图像由于分辨率较低，一般只利用图像的灰度特征，分割算法也只是基于颜色信息，它不能提供满意的分割结果。随着高分辨率遥感图像的诞生，它包含更多的细节信息，如颜色、尺寸、形状和纹理等特征，但同样也增加了图像的噪声和地物之间的相互影响。在这种情况下，如果仅仅利用颜色相似性这一准则会出现一些欠合并或者过合并的现象。在实际处理问题中，合并差异相似性度量的准则越多，分割的效果也相应越好；充分利用获取的遥感图像信息，能获得令满人意的分割效果。
结论：
由于遥感图像的特殊性与复杂性，使得遥感图像分割时没有可靠的模型进行指导，在实际分割时，往往是根据经验，选用合适的分割算法，这在一定程度上制约了遥感图像处理技术的发展，如何根据具体的遥感图像选用合适的分割算法?如何根据对分割结果的要求选用合适的分割算法?如何对算法的分割结果进行定量的评估?这些问题都是有待进一步研究的。