高分辨率遥感影像多尺度均值漂移分割算法研究
高分辨率卫星遥感图像处理中的算法研究
高分辨率卫星遥感图像处理中的算法研究高分辨率卫星遥感图像处理是目前遥感技术应用中的热门领域，其能够提供高分辨率的地面信息，为人类探索地球提供了巨大的帮助。
然而，高分辨率卫星遥感图像处理面临的最大问题是大量数据的处理和快速准确的图像分析。
因此，算法研究成为高分辨率卫星遥感图像处理中关键技术和难点之一，下面我将从三个方面谈谈高分辨率卫星遥感图像处理中的算法研究。
一、图像分类算法图像分类算法是高分辨率卫星遥感图像处理中的一项重要技术，能够对图像进行分类和识别，为图像分析提供有力支持。
在高分辨率卫星遥感图像处理中，图像分类算法一般分为有监督和无监督两种。
有监督分类算法需要先进行训练样本的选择和标注，然后采用一定的分类算法对图像进行分类。
无监督分类算法则不需要人为干预，利用图像统计特性自主进行分类。
二、目标检测算法目标检测算法是高分辨率卫星遥感图像处理中的另一项重要技术，能够对图像中的目标进行检测和识别。
目标通常包括：建筑物、道路、水体、植被等自然和人工景观。
目标检测算法主要分为两大类：基于特征检测的目标检测算法和基于深度学习的目标检测算法。
前者采用传统的数学方法对图像进行特征提取和匹配，后者则通过神经网络学习对图像进行有监督或无监督的训练，实现目标的精确定位和识别。
三、图像增强算法图像增强算法是高分辨率卫星遥感图像处理中的一项基础技术，旨在提高图像质量和增强图像细节。
图像增强算法有很多种，如直方图均衡化、小波变换、自适应滤波等。
在高分辨率卫星遥感图像处理中，图像增强算法一般用于提取图像细节和改善图像视觉效果。
例如，在夜间对城市灯光的观测中，由于光线太暗，需要通过图像增强算法进行增强，才能更好地识别建筑物。
总结高分辨率卫星遥感图像处理中的算法研究是提高遥感技术应用价值的重要手段，目前在图像分类、目标检测、图像增强等方面发展迅速。
未来还需加强算法研究和实验验证，在更高效快速地处理海量数据和更准确地分析图像中实现遥感技术更深入的发展。
作业2高空间分辨率遥感影像分割方法实验
作业2高空间分辨率遥感影像分割方法实验高空间分辨率遥感影像分割是指利用高分辨率遥感影像进行地物分割的过程。
地物分割是图像处理和计算机视觉领域的一个重要课题，对于遥感影像分析、地物识别和监测具有重要意义。
本文将介绍一种基于卷积神经网络（Convolutional Neural Network，CNN）的高空间分辨率遥感影像分割方法实验。
首先，需要准备一组高空间分辨率的遥感影像数据集。
可以选择一些包含不同地物类型的遥感影像，如建筑物、道路、植被等。
这些影像应该具有较高的空间分辨率，以保证细节信息能够被充分捕捉到。
其次，根据实验需求选择并搭建适当的卷积神经网络模型。
常用的卷积神经网络模型有U-Net、DeepLab、FCN等。
这些模型通过多次卷积和池化操作，可以有效地提取遥感影像中的地物特征。
然后，需要对遥感影像进行预处理。
预处理包括影像的裁剪、归一化、滤波等操作。
裁剪操作可以将影像切分成较小的块，以减小计算量。
归一化操作可以将影像的灰度值映射到0-1范围内，以便模型训练。
滤波操作可以去除噪声，提高图像的质量。
接下来，利用已搭建好的卷积神经网络模型对预处理后的遥感影像进行训练。
训练过程可以采用反向传播算法，通过最小化损失函数来优化模型参数。
在训练过程中，可以使用一部分遥感影像作为训练样本，另一部分遥感影像作为验证样本，以监测模型的性能和泛化能力。
总结起来，高空间分辨率遥感影像分割方法实验包括数据集的准备、神经网络模型的选择与搭建、预处理操作、模型训练、测试和评估等步骤。
这些步骤在实际应用中非常重要，对于地物分割的准确性和效率具有关键作用。
通过实验可以验证该方法在高空间分辨率遥感影像分割中的有效性和可行性。
遥感影像的多尺度分析方法研究
遥感影像的多尺度分析方法研究一、引言遥感技术的快速发展为我们获取地球表面信息提供了丰富的数据资源。
遥感影像作为这些数据的主要表现形式，包含了大量关于地理、生态、环境等方面的有价值信息。
然而，要从这些海量且复杂的数据中准确提取有用的信息并非易事，这就需要采用有效的分析方法。
多尺度分析方法便是其中一种重要的手段，它能够帮助我们更好地理解和处理遥感影像。
二、多尺度分析的基本概念多尺度分析，简单来说，就是在不同的尺度上对对象进行观察和分析。
在遥感影像中，尺度可以理解为分辨率或者观察的细节程度。
例如，高分辨率的遥感影像能够提供更详细的地物特征，而低分辨率的影像则能展现更宏观的地理格局。
多尺度分析的核心思想是，不同的地物和现象在不同的尺度上表现出不同的特征和规律。
通过在多个尺度上进行分析，可以更全面、准确地认识和理解遥感影像所反映的现实世界。
三、多尺度分析方法的分类（一）基于图像金字塔的方法图像金字塔是一种常见的多尺度表示方法。
它通过对原始影像进行一系列的降采样操作，生成不同分辨率的影像层，从而构建出一个金字塔结构。
在分析时，可以从金字塔的不同层次获取相应尺度的信息。
（二）基于小波变换的方法小波变换是一种能够将信号分解为不同频率和尺度成分的数学工具。
应用于遥感影像分析时，它能够有效地提取影像在不同尺度和方向上的特征。
（三）基于分形理论的方法分形理论用于描述具有自相似性的复杂对象。
在遥感影像中，一些地物的分布和形态可能具有分形特征，通过分形分析可以揭示这些地物在不同尺度下的规律。
（四）基于多分辨率模型的方法这类方法通过建立不同分辨率的模型来描述遥感影像，例如多分辨率网格模型等。
四、多尺度分析方法在遥感影像中的应用（一）地物分类不同类型的地物在不同尺度上具有不同的特征。
例如，城市中的建筑物在高分辨率下可以清晰地看到其轮廓和细节，而在低分辨率下则表现为成片的块状区域。
通过多尺度分析，可以综合利用不同尺度的信息，提高地物分类的准确性。
基于多尺度均值漂移的高分辨率遥感影像快速分割方法
辨率影像的耕地地块提取 。文 献［ ３ 传统 的水平 集 图像 分 ８将 割方法 （ —Ｖ模型 ） ｃ 拓展到小波域 ， 采用 与文献 Ｅ３ 似的投 ７类 影 准则 ， 比未采用小波变换 的结果速度提 高了 ｌ 倍 。 相 ～２ 但 文献Ｅ ］ ８ 的方法均 只适用 于单波 段影像 的处 理 。受上述 多尺
收稿 日期 ：２ １—２２ ，修 订 日期 ：２ １—５２ ０００ —２ ０ ００—６
定义 １ ： ［ Ｘ代表一个 ｄ维 的欧 氏特征空 间， ∈ Ｘ以列 剃
基金项 目：国家 （７ ９ ３汁划） 日（０ ６ Ｂ ０ ３ ３ ，国家 自然科学基金项 目（ １ ０ ２ ６ ０ ７ ２ ９ ，湖南 省教育厅科研项 目（９ ５ ７ 和西南林 项 ２ ０ Ｃ ７ １０ ） ４０ １ ８ ，４ ９ １ １ ） ０之 间 的矛 盾 。
近年来 ， 均值漂移 （ ａ ｈｆ，ＭＳ 算 法在影 像分 割 中 ｍｅｎｓ ｉ ｔ ）
的应 用 备 受 关 注 。基 于 ＭＳ的 分 割 算 法 具 有 较 好 的 抗 噪 能 ］ 力 、 合 并 行 处 理 的 特 点 。但 作 为 一 种 迭 代 算 法 ，ＭＳ算 法 适 具 有 较 高 的 计 算 复 杂 度 ， 成 为 该 算 法 在 具 有 海 量 特 性 的 遥 这
业 大 学 重 点 科 研基 金 项 目（ １０ ３ 资 助 １ １０ ） 作 者简 介 ：干 雷光 ，１ ８ 生 ， 南 林 业 大 学 资 源 学 院 讲 师 ９ ２年 西 ＊通 讯 联 系 人 ｅｍａｌ ｏ ｅｙ １ ６ ｃｒ ￣ ｉ ｘ ｒ＠ ２ ．ｏ ：ｆ ｎ ｅｍａ ： ｇ ａｎ ｇ ｉ ｃｍ － ｉ ｗｌｂ ｉ＠ ｍａｌ ｏ ｌ ．
１ ＭＳ分 割算 法
ＭＳ过程是一种基于非参数 概率密度梯度估 计的迭 代聚
高分辨率卫星遥感图像分割技术研究
高分辨率卫星遥感图像分割技术研究近年来，随着卫星遥感技术的不断发展，高分辨率卫星遥感图像分割技术也越来越受到人们的关注。
在城市规划、农业生产、环境监测等领域，高分辨率卫星遥感图像分割技术的应用已经成为了不可或缺的手段。
一、高分辨率卫星遥感图像分割技术的基本概念高分辨率卫星遥感图像分割技术是指根据遥感图像中的各种特征对图像进行划分，将其分成不同的区域，每个区域具有明显的空间结构特征。
这种分割技术可以帮助我们更好地理解和利用遥感图像，加深对地表物体的认识以及对空间信息的掌握。
二、高分辨率卫星遥感图像分割技术的优势和挑战高分辨率卫星遥感图像分割技术具有如下优势：1.分割效果更加精细。
高分辨率卫星遥感图像分辨率高，可以获取更多的细节信息，使得对地表物体的分割更加精确。
2.难度更大。
高分辨率卫星遥感图像中物体的种类繁多、相似度高，同时图像也较大，因此对算法的精度和效率提出了更高的要求。
3.更强的泛化能力。
高分辨率卫星遥感图像分割技术具有较强的泛化能力，可以适应各种地区和各种场景的遥感图像分割需求。
三、高分辨率卫星遥感图像分割技术的算法和应用高分辨率卫星遥感图像分割技术的算法主要分为两大类：基于区域的方法和基于边缘的方法。
1.基于区域的方法。
该方法是将遥感图像分为若干个互不相交的区域，并将具有相似特征的像素划分到同一区域中。
这种方法先将整幅图像分成多个区域，再通过合并或分裂这些区域，得到最终的分割图像。
2.基于边缘的方法。
该方法是基于图像中物体边缘和边缘间的关系进行划分，得到不同的物体区域。
该方法常用的算法有阈值、水平集、Canny等。
对于高分辨率卫星遥感图像分割技术的应用，它主要涵盖城市规划、农业生产、环境监测等领域。
例如，在城市规划方面，可以利用高分辨率卫星遥感图像分割技术快速提取城市建筑物、道路和绿地等信息，为城市规划提供重要参考。
在农业生产方面，可以利用高分辨率卫星遥感图像分割技术分析农产品的生长、产量和品质等特征，为农业生产提供决策支持。
高分辨率遥感影像多尺度分割技术的研究
高分辨率遥感影像多尺度分割技术的研究作者：吕英嘉来源：《科学与财富》2016年第17期摘要：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。
遥感影像信息提取中的多尺度分割算法研究
遥感影像信息提取中的多尺度分割算法研究遥感技术在现代的资源管理、城市规划、农业等各个领域中已经广泛应用。
其中遥感影像信息提取是遥感技术应用中比较重要的一部分，它能够从遥感影像中提取出一些有价值的信息，如道路、建筑、水体等。
然而，由于遥感影像分辨率较高，单一分割算法往往难以有效地提取出有价值的信息。
多尺度分割算法的研究对于解决这一问题具有重要的意义。
一、多尺度分割算法的概念多尺度分割算法是一种利用不同的尺度对遥感影像进行分割的算法。
在进行图像分割时，往往需要对彩色或灰度图像中像素点进行聚类，以便提取出相似的像素点并将其归为一类。
随着遥感影像分辨率的提高，图像中的像素数目也随之增加，这就导致了聚类算法计算的复杂度增大。
而采用多尺度分割算法则可以在保持精度的前提下实现快速计算。
二、多尺度分割算法的主要应用1. 遥感影像分析与判读多尺度分割算法可以通过分析遥感影像，提取出其中的有用信息，如土地利用、土地覆盖、冰雪覆盖等。
这样就可以对地理环境进行诊断和监测，有效地优化资源管理。
2. 环境监测多尺度分割算法可以通过遥感影像提取水体、植被、土地利用等信息，为城市规划、土地利用规划等环境监测提供科学依据，为保护生态环境提供有力支持。
3. 地球科学研究多尺度分割算法可以将遥感影像中的类别分割得更加精确，从而为地球科学的研究提供可靠的基础数据，如洪水监测、气象预报等。
三、多尺度分割算法的实现原理目前常用的多尺度分割算法主要有基于小波变换、基于金字塔和基于局部自适应阈值（Local Adaptive Threshold, LAT）。
1. 基于小波变换基于小波变换的多尺度分割算法是一种对遥感影像进行多尺度分割的有效方法。
它可以将图像进行小波分解，然后根据不同的尺度进行分割，最终通过小波重构得到分割后的影像。
2. 基于金字塔基于金字塔的多尺度分割算法使用了一个多分辨率表示的图像金字塔，并依次分解到不同的尺度。
在不同的分辨率下，对图像进行分割，然后对每个尺度进行汇总，最终得到所有尺度的分割结果。
遥感图像处理中的多尺度分割方法与应用研究
遥感图像处理中的多尺度分割方法与应用研究遥感图像处理是利用遥感技术获取的图像数据进行处理和分析的科学。
遥感图像通常具有高分辨率和大范围的特点，需要采用有效的分割方法来提取和识别图像中的地物信息。
多尺度分割方法是一种常用的图像分割技术，通过在不同尺度下对图像进行分割，可以提高分割的准确性和鲁棒性。
本文将介绍多尺度分割方法的原理和常见的应用研究，旨在为遥感图像处理领域的研究者和应用者提供参考。
多尺度分割方法是基于图像多尺度表示的思想，将图像分解成不同尺度的子图像，并在不同尺度下对子图像进行分割。
常见的多尺度分割方法包括基于区域的分割方法和基于边缘的分割方法。
基于区域的多尺度分割方法主要是基于图像的颜色、纹理和形状等特征，将图像分割为一系列区域，每个区域具有相似的特征。
常用的算法包括基于水平集的方法、标准化割降方法和区域生长方法等。
其中，基于水平集的方法将图像分割为多个子区域，并通过图像边界的演化来得到最终的分割结果。
标准化割降方法将图像分割为多个具有相似特征的子区域，并通过自适应阈值来实现分割。
区域生长方法从种子像素开始，根据像素之间的相似性将像素逐步合并成为区域。
基于边缘的多尺度分割方法主要是基于图像的边缘信息，将图像分割为不同的边缘区域。
常用的算法包括Canny算子、Sobel算子和Laplacian算子等。
其中，Canny算子是一种常用的边缘检测算法，通过计算图像中像素间的梯度和非最大抑制来得到图像的边缘区域。
Sobel算子和Laplacian算子分别通过计算图像中像素的一阶和二阶导数来得到边缘信息。
多尺度分割方法在遥感图像处理中具有广泛的应用。
一方面，多尺度分割方法可以应用于遥感图像的地物提取和分类。
通过提取图像中的地物信息，可以对地物进行分类和识别，为地理信息系统（GIS）的建设和管理提供数据支持。
另一方面，多尺度分割方法还可以应用于遥感图像的变化检测和监测。
通过对多时相的遥感图像进行分割和比较，可以检测地物的变化和演化情况，为城市规划、农业监测和环境保护等领域提供参考。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第35卷第3期2010年3月武汉大学学报・信息科学版G eomatics and Information Science of Wuhan University Vol.35No.3March 2010收稿日期:2009201219。
项目来源:国家863计划资助项目(2009AA12Z123,2007AA12Z141);国家“十一五”科技支撑计划重大资助项目(2006BAJ 02A01,2006BAJ 14B08);国家自然科学基金资助项目(40601057,40871203)。
文章编号:167128860(2010)0320313204文献标志码:A高分辨率遥感影像多尺度均值漂移分割算法研究沈占锋1 骆剑承1 胡晓东1 孙卫刚2(1 中国科学院遥感应用研究所,北京市大屯路甲3号,100101)(2 大港油田公司第一采油厂,天津市大港油田,300280)摘 要:根据高分辨率遥感影像信息提取过程中对影像的对象化分割的需求,分析了均值漂移分割算法的原理,并对其多尺度分割方法进行了设计与实现。
实验证明该算法具有较好的影像分割精度。
关键词:均值漂移;影像分割;信息提取;特征基元中图法分类号:P237.4 影像分割是实现面向对象的高分辨率遥感影像信息提取的一个重要步骤。
目前已经发展了大量的图像分割方法,其中,区域生长与合并方法易于同分割过程中的尺度问题相结合,能够通过算法中制定的合并规则及不同区域的特征将影像划分为不同尺度下的小的区域(特征基元),并可进而建立不同尺度间特征基元的空间关系。
多尺度分割是实现遥感影像至特征基元转换的重要过程。
本文分析了区域生长与合并方法中的一种快速、稳健的多尺度分割方法———均值漂移分割算法,并针对多尺度分割的流程进行了改进。
通过与商用软件eCognition 提出的多分辨率分割算法进行比较可以看出,改进的均值漂移算法在计算速度方面略优于多分辨率分割算法,而在效果方面则明显优于多分辨率分割算法,具有很好的应用前景。
1 均值漂移分割算法1.1 均值漂移算法原理设核函数H (・)如果满足一定的统计矩约束概率密度函数,可以用于非参数概率密度估计,若样本集{x i }n i =1是依密度函数f (x )经过n 次独立抽样得到,则给出的密度函数估计为[1]:^f (x )=1n∑ni =1KH(x -x i )(1)其中,核函数满足:K H (x )=H-1/2K (H-1/2x ) 在实际应用过程中,矩阵H 的选择对结果有着直接影响。
为了减少计算的复杂性,往往选择对角阵H =diag [h 21 … h 2d ]或单位矩阵的比例阵H =h 2I 。
后者的优点是只需要指定一个大于零的带宽h 。
在这种情况下,确定核函数带宽后,式(1)中的密度估计算子就可以转化成一种更为常见的形式:^f (x )=1nh d∑ni =1K (x -x ih)(2) 核密度估计的质量由密度函数及其估计值来决定:^f h,K (x )=c k ,dnh d∑ni =1kx -x ih(3)或^f (x )=∑iw iH (x -x i )(4)其中,权重系数w i 满足约束条件∑iwi=1。
若核H (・)是某核K (・)的影子核,则均值漂移向量的定义为[2]:m (x )-x =∑iw iK (x -x i)x i∑iw iK (x -x i)-x (5)武汉大学学报・信息科学版2010年3月式中,m (x )为x 处的样本均值。
数据点向样本均值移动的迭代过程,x ←m (x ),称为均值漂移算法。
迭代过程中x 所经过的位置,即序列{x ,m (x ),m (m (x )),…}称为x 的轨迹。
式(5)定义的均值漂移向量正比于概率密度函数f (x )在x 处的梯度。
均值漂移具有很好的算法收敛性[123],其方向总是指向具有最大局部密度的地方,在密度函数极大值处,漂移量趋于零, f (x )=0,所以均值漂移算法是一种自适应快速上升算法,它可以通过计算找到最大的局部密度在什么地方[4,5],并向其位置“漂移”。
1.2 基于均值漂移原理的影像分割如果影像维数为p ,当空间位置向量与颜色向量一起合为“空间2颜色”域时,维数为p +2,作为辐射对称核和欧几里德多元核表示为:K h s ,h r (x )=Ch 2s h p rkx sh s2kxr h r2(6)式中,x s 为特征矢量的空间部分;x r 为特征矢量的颜色部分;k x 在空间和颜色域中都使用相同的核;h s 、h r 分别为空间带宽与色度带宽;C 为相应的归一化常数。
因此,带宽参数(h s ,h r )就成为均值漂移分割过程中的重要参数[6,7]。
对于基于均值漂移的影像分割过程,设x i 为d 维输入影像,z i (i =1,…,n )为其滤波影像,L i 为分割影像的第i 个像元,则分割过程为:①根据§1.1进行均值滤波,存储d 维滤波数据z i =y i ,c ;②对所有空间域小于h s 且范围域小于h r 的z i 进行聚类{C p },p =1,…,m;③对于每个i =1,2,…,n ,计算L i ={p |z i ∈C p };④尺度合并过程,将连续空间域小于合并尺度M 个像元的区域进行进一步合并。
1.3 均值漂移算法的多尺度分割实现图1显示了高分辨率遥感影像的均值漂移分割过程。
图1 均值漂移算法的多尺度分割实现流程Fig.1 Implementation Flowchart of Multi 2scale Mean Shift Segmentation 首先,均值漂移分割算法需要将R G B 色度空间转换到L UV 特征空间,以更好地实现其特征空间的分离[8210],这是因为R G B 空间为非线性,不具有较好的空间统计性及尺度对应关系,而L UV 可以更好地应用分割过程中的影像不同像元的光谱信息并进行统计[1,2]。
对于彩色影像来说,假设彩色图像的特征空间为L ,则图像中不同颜色的物体,就对应特征空间上不同的聚类。
彩色图像映射到特征空间L 后,再结合像素在图像中的位置,即空间信息(X ,Y ),就能得到每个像素在5维特征空间中的值,即(X ,Y ,L 3,U 3,V 3)。
其中,L 3表示图像的亮度,U 3和V 3分别表示色差。
在此基础上采用聚类算法,就可以把空间和颜色欧氏距离相近的点归为一类,从而实现彩色图像的分割。
在L UV 影像上进行核函数及相应参数(h s及h r )的确定并进行均值漂移滤波,再进行影像的聚类过程。
对于灰度影像来说,直接采用灰度影像亮度数据代替L UV 即可。
确定算法的核函数及带宽后就可按式(1)～(5)进行基于空间与颜色域的均值滤波过程,即均值漂移算法的主体部分。
对于算法的多尺度实现方法,有效确定不同尺度的算法合并位置,并对前期处理的中间结果进行存储,建立或更新影像的尺度层次关系,可有效避免同一影像、同一参数在不同分割时的重复性工作,达到提高分割效率的目的。
如图1中的多尺度分割的实现过程中,确定不同尺度的合并序列{M 1,M 2,…,M n },并在滤波结果的基础上进行迭代,通过对滤波结果的存储能够达到多尺度分割过程的尺度M 。
2 实例与分析为检验均值漂移算法在遥感影像多尺度分割方面的应用效果,本文选取了高分辨率遥感影像应用较多的领域———城市人工目标地物识别与农林地块边界提取等两个应用进行实验研究。
选取了具有代表性的面向城市信息提取的I KONOS413 第35卷第3期沈占锋等:高分辨率遥感影像多尺度均值漂移分割算法研究灰度影像与面向农林地块信息提取的SPO T5融合真彩色合成影像作为实验数据,分割结果如图2所示。
其中,图2(a )的参数选择为h s =7,h r =6.5,M =200;图2(b )的参数选择为h s =7,h r =6.5,M =100;图2(c )的参数选择为Color/Shape =0.9,compact ness/smoot hness =0.5,M =100;图2(d )的参数选择为Color/Shape =0.9,compact ness/smoot hness =0.5,M =50。
图2中的两个实验数据分别为分辨率为1m 的IKONOS 灰度影像(图2(a )、2(c ))与分辨率为2.5m 的SPO T5融合真彩色合成影像(图2(b )、图2 基于均值漂移分割方法的影像信息提取结果Fig.2 Information Extraction Results of Mean ShiftSegmentation Algorithm2(d ))。
其中,图2(a )、2(b )为均值漂移算法的分割效果,图2(c )、2(d )为商业软件eCognition 提供的多分辨率分割算法的分割效果,4幅影像的分割(合并)尺度分别为200、100、100、50。
尽管4幅影像所用尺度不同,但均值漂移算法的尺度同多分辨率分割算法的尺度不具可比性[11,12],4幅图尺度选择的依据是笔者通过十余次实验选取效果较好的结果。
从图2所示的分割效果精度可以看出,均值漂移分割算法的效果从很多方面均已达到或优于eCognition 分割算法的效果。
在图2(a )、2(c )中,①②处为城市道路、船舶提取与识别时需要的结果,可以看出均值漂移算法在保持相对完整性的同时,并没有出现过多的欠分割过程,在③处水体的分割也保持了较好的完整性;而多分辨率分割在①②等处表现为欠分割,而在③处又表现过分割;两图在④处分割效果相似。
在图2(b )、2(d )中,从整体上可以看出均值漂移算法效果较好,在实现了不同地块分离的同时也保持了地块内部的完整性,而eCognition 选择尺度为50时才能够将图中⑤⑦等处的地块边界提取出来,但可以看出在⑥⑧等处过分割现象严重,而如果选择更大的尺度则在⑤⑦等处表现为欠分割。
均值漂移多尺度分割算法与eCognition 的多分辨率分割算法的计算速度对比见表1。
表1 均值漂移算法与eCognition 分割算法计算速度比较Tab.1 Speed Comparison of Mean Shift and Multi 2scale Segmentation 分割方法均值漂移分割/ms多分辨率分割/ms首次分割后续尺度分割首次分割后续尺度分割图2(a )、2(c )(900×950)5123101[a ]628199[b] 5532[c]图2(b )、2(d )(1000×1100)8825124[a ]7165135[b] 6124[c]其他实验(2990×2500)49311732[a ]47838850[b] 42621[c] 表1中分别对图2(a )、2(b )、2(b )、2(d )所示图像的分割速度进行了记录,并进一步进行了一次其他实验(实验数据大小为2990×2500)。