基于四叉树与图割的遥感图像分割方法

合集下载

基于人工智能和可视化技术舌象脉象诊断器

基于人工智能和可视化技术舌象脉象诊断器摘要当下时代，是人工智能飞速发展的时代，医工融合成了时代发展的热点，人工智能在医学上的使用慢慢普及到了各大医院。

而在中医方面，当下医院仍秉持传统，使用望、闻、问、切的传统方式进行对病人的诊治，经验不足的中医会对病人造成误诊，而通过人工智能的方式，对采集的脉象和舌象进行量化分析，辅助医生进行诊断，可以有效避免医生经验不足带来的误诊，因此人工智能在中医上的应用是当今时代下发展的必然趋势。

本文重点研究脉象和舌象的采集和分析，主要研究工作如下：一．人工智能在医学领域的发展1.1医学影像医学影像主要包括 X射线和 CT。

医学影像作为医院的基础医疗设备，也是诊疗的基础。

CT是医院临床应用最为广泛的影像设备，由于其拍摄分辨率高、检测范围广和非侵入性等特点，被广泛应用于各行业以及临床应用领域。

我国医学影像产品主要分为全自动影像系统及人工辅助诊断系统等。

其中全自动影像系统，即指可以自动完成检查影像中的诊断流程和定量描述成像图像中的关键信息。

1.2辅助诊断辅助诊断是指借助人工智能技术，对病人进行辅助诊断。

人工智能在医学影像领域的应用主要包括：影像分析；疾病分类；分型；辅助诊断（临床辅助用药);诊断依据——辅助医生进行诊断；辅助专家做出诊断建议。

临床辅助诊断主要包括肿瘤、感染性疾病、心脏病和慢性疾病诊治等。

这些类别具有诊断需要，专业医生对病情进行全面分析，尤其是对一些疑难病例，需要借助人工智能诊断来进行疾病诊治水平整体提高，诊断效率，降低诊断风险，从而提高疗效，缩短疗程。

二．脉象信息采集3.1 取脉仪器设计的目的就是要再现医师号脉时手指对脉的不同力度。

通过设计对受检测者的脉施以合适的三种固定压强，模拟出中医切脉过程，并分别记录下此时的脉搏图像，得到在不同的取法压力下，所采到的压力脉图的波形高度，再现取脉过程的浮、中、沉取的操作。

查阅资料可知，脉诊最适压力为:浮取10kPa；中取15kPa；沉取20kPa。

基于机器视觉的禽蛋图像分割方法研究

分辨率可达１００Ｖ）０（３（Ｘ１３０Ｈ）像素，高感光
判断基本一致。孙炀等运用分裂一合并算法对图像进
行区域分割，并比其他算法比较，结果表明该法在
度、高信噪比，镜采集卡；光源为环形日光灯；视ＥＥ１９ａ
ｓｐｔｄｔｉｓ．Ｔｈｅｕｔｈｗｅｄｔａｅ —ｉｆｔｅｓｍｅｔｔｌｒｈｗａｏｏｄｔｅｏｓａｎｓａｎｅｒｓｌｓｏｓｈｔｒａｌｍｅｏｈｅｇｎａｉａｇｏｉｍｓｇｄａｎｈｔｏｎｔ
Ｆｎｌｉａｌｈｗｏｎｗｍａｇｙ，ｔｅｔｅｉｅｓｗｅｒｙｃｅｉｅｏｆｍｅｉａｅｂｍａｕｉｎｔｃｎｉｕｓｅｓｎｒｔｄｔｏｒａｎｗｍｇｙｉｇｅｆｓｏｅｈｑｅ．Ｔｈｚｅａｌｏｒｈａｏｖｏｄｏｔｎｓｇｍｅｎｅｍａｅｓｗｉｅｂｅｅｇｎｌａｒｓｒａｅｉｆｍａｔｎｏｒｇｉｍｂｅｃｕｌｂａｉｅｔｔｄｉｇｔｌｇｉｌｄｅａｄｃｅｕｆｃｎｏｒｈｉｆｄｉｙｏｔ
别、分析的关键技术之一，从图像中把有关结构
区域分离出来是图像处理识别首要解决的问题，同时分割效果的好坏直接影响图像处理中其
收稿日期：２１—１— ７００２０
基金项目：内蒙古自治区自然科学基金项目（０９００）内蒙古自治区高等学校科学研究项目（Ｊ９５）２０ＭＳ９６；Ｎ０００作者简介：贾超（９４，男，硕士研究生，研究方向为图像处理，模式识别。Ｅｍａｌｈｌｉｏｕ＠１６Ｃ／１８一） — ｉｅｉａｘｅ２．Ｏｌ：ｘ／通讯作者：郁志宏，教授，研究方向为图像处理，模式识别。Ｅｍａ：ｚｙ＠ｓｈ．ｏ — ｉｙｈｑｏｕｃｒｌｎ

四叉树结构在复杂多目标图像分割中的应用

第25卷第4期2003年12月南昌大学学报(工科版)Journal of Nanchang University (Engineering &Technology )Vol.25No.4Dec.2003收稿日期:2003-06-04作者简介:余劲松,男,1974年生,硕士研究生1 文章编号:1006-0456(2003)04-0080-03四叉树结构在复杂多目标图像分割中的应用余劲松,吴建华(南昌大学信息工程学院,江西南昌330029) 摘要:针对有噪声的复杂多目标图像,引入四叉树的数据结构,区域生长条件运用象素周围k ×k 邻域的特性进行判决.由于是两个邻域比较特性,需要用到统计学中的假设检验等方法,采用最优阈值作为区域增长的相似性检测准则.达到了以下目的:第一,通过剪切过程减少了许多计算冗余,分割速度明显快于传统的区域增长;第二,由于考虑了邻域性质,抗噪声能力和工作鲁棒性也有所增强.实验表明,把四叉树结构引入复杂多目标图像分割能取得较好的效果.关键词:图像分割;分裂与合并算法;四叉树中图法分类号:TN911173 文献标识码:A1　引言图像分割技术是图像处理中的重要内容,在实际中得到大量的应用.对于比较简单的灰度图像,用阈值化的方法就能取得良好的效果,对于有噪声的复杂多目标图像,实现分割的方法要复杂很多,常用的是区域增长技术,传统的区域增长算法实现比较麻烦,而且过多的分开、合并过程影响计算速度.本文提出的方法是针对复杂多目标图像引入四叉树的数据结构,先找出不属于任何区域的象素作为父节点,并利用这些父节点作为四叉树的根节点进行区域增长,象素分裂或合并条件运用该象素k ×k 邻域的特性进行判决,相邻象素的相似与否,主要依赖于它们各自邻域在某个具体含义上是否相似,相对于现有基于四叉树分割方法也提高抗噪声能力和工作鲁棒性.现有基于四叉树分割方法大部分仅考虑了从一个象素到另一个象素(或区域)的特性是否相似,因此对于有噪声的或复杂的图像,使用这种方法会引起不希望的区域出现.如果区域间边缘的灰度变化很平缓或对比度弱的两个区域相交,采用这种方法,区域1和区域2就会合并起来(图1).图1　对于有噪声的或复杂图像的边缘2　区域生长准则及四叉树结构211　区域生长准则区域生长的步骤如下:1)对图像进行逐行扫描,寻找出能成为新区域出发点的象素;2)以该象素作为父节点;3)将该象素k ×k 邻域的灰度值与其相邻子节点象素的k ×k 邻域灰度值进行比较,如果差值的绝对值小于某个设定的最优阈值,就把该节点对应象素和其父节点合并为同一区域;4)对于那些新合并的象素,重复3)的操作;5)反复进行3)、4)的操作,直至区域不能再增长为止;6)返回到步骤1),继续扫描直到不能发现没有归属的象素,则结束整个生长过程.212　四叉树结构如果把树的根对应于整个图像,树叶对应于各单位象素,所有其他的节点往下都有四个子节点,那么这样的树称为四叉树.采用四叉树是为了解决分裂与合并算法中图像的遍历问题,四叉树生长和剪切过程如图2所示,当图像是一个正方形的矩阵,其维数是2n 时,最宜采用这种技术.图2　四叉树生长和剪切过程示意图3　分裂与合并判决准则子节点是否被剪切,除看新子节点是否是父辈节点或同辈子节点中已分割过的节点外,还要看新节点是否满足判决条件.剪切判决条件根据需要可选不同的相似性判决标准.由于是两个邻域比较特性,需要用到统计学中的假设检验等方法,本文采用最优阈值作为区域增长的相似性检测准则.最优阈值是指能使误分割率最小的分割阈值,图像的直方图可看作成象素灰度值的概率分布密度函数的一个近似.如果已知概率函数的形式,那么就有可能计算出一个最优阈值,用它可以把图像分成两类区域而使误分割率最小.针对复杂多目标图像的两个相邻邻域1和邻域2,设概率密度分别为p 1(z )和p 2(z ),两个相邻邻域的混合概率密度p (z )是p (z )=P 1p 1(z )+P 2p 2(z )=P 12πσ1exp [-(z -u 1)22σ21]+P 22πσ2exp [-(z -u 2)22σ22](1)其中u 1和u 2分别是邻域1和邻域2的平均灰度值;σ1和σ2分别是均值的均方差;P 1和P 2分别是邻域1和邻域2灰度值的先验概率.根据概率定义有P 1+P 2=1,所以混合概率密度式(1)中只有5个未知的参数.如果能求得这些参数,就可以确定混合概率密度.假定u 1<u 2,需确定一个阈值T 使得灰度值小于T 的象素分割为邻域1而使得灰度值大于T 的象素分割为邻域2.这时错误地将邻域2象素划分为邻域1的概率和将邻域1象素划分为邻域2的概率分别是E 1(T )=∫T-∞p 2(z )d z (2)E 2(T )=∫∞T p 1(z )d z (3)而总的误差概率为E (T )=P 2E 1(T )+P 1E 2(T )(4)为求得使该误差最小的阈值,可将E (T )对T 求导并令导数为0,这样得到P 1p 1(T )=P 2p 2(T )(5)将这个结果有于(1),可得到二次式A =σ21-σ22B =2(u 1σ22-u 2σ21)C =σ21u 22-σ22u 21+σ21σ22ln σ2P 1σ1P 2(6)该二次式在一般情况下有两个解.如果两个邻域的方差相等,即噪声来自同一个源,σ1=σ2,则只有一个最优阈值T =u 1+u 22+σ2u 1-u 2ln P 2P 1(7)如果两种灰度值的先验概率相等(两区域的大小相当),或者噪声方差为0,则最优阈值就是两个区域的平均灰度值的中值.一幅图像的混合概率密度函数p (z )的参数可根据最小均方误差的方法借助直方图得到.例如p (z )和・18・第4期余劲松等:四叉树结构在复杂多目标图像分割中的应用实测得到的直方图h (z )之间的均方误差可表示为(L 为直方图的灰度级数)e ms =1L ∑Li =1[p (z i )-h (z i )]2(8)则通过最小化这个误差就可以确定函数p (z )的各个参数.4　实验结果实验结果见图3和图4.(a )　原图像 (b )　分割结果图3 (a )　原图像 (b )　分割结果图4实验结果分析:基于以上算法对128×128象素的图3(a )和图4(a )原图像进行了分割,象素分裂和合并的准则采用相邻邻域最优阈值的方法,实验结果如图3(b )和图4(b )所示.实验中为了去除噪声干扰,选取目标时通常假定目标大小满足一定条件,与传统的区域增长技术相比,由于区域生长条件运用象素周围k ×k 邻域的特性进行判决,具有明显的优点:1)通过剪切过程减少了许多计算冗余,分割速度明显快于传统的区域增长;2)由于考虑了邻域性质,抗噪声能力和工作鲁棒性也有所增强.可见该算法针对有噪声的复杂多目标图像能取得较好的分割结果且具有一定的适应性.而且能够得到图像的边缘、目标大小等信息,为进一步进行图像分析奠定基础.参考文献:[1]　夏良正.数字图象处理[M ].南京:东南大学出版社,1999.[2]　章毓晋.图象分割[M ].北京:科学出版社,2001.[3]　章毓晋.图象处理和分析[M ].北京:清华大学出版社,1999The Application of Q u adtree to Complicated andMulti -Object Im age SegmentationYU Jin -song ,WU Jian -hua(School of Inf orm ation Engineering ,N anchang U niversity ,N anchang 330029,China )Abstract :The data structure of Quadtree is introduced to segment the complicated and multi -object image in this paper.The rule of region growing uses the property of the k ×k neighborhood of pixels ,and it needs the method of hypothesis testing because of the comparison of neighborhood.We use the best threshold value as similiarity rules and attach the aims as follows :Firstly ,the computation is simplified by the process of branch -cut and the speed is greatly improved.Secondly ,the ability of anti -noise and the robustness is enhanced because of the consideration of neighborhood of pixels.The experiment results show that this method has good performance of segmentation for complicated and multi -object image.K ey Words :image segmentation ;split -and -merge algorithm ;Quadtree ・28・南昌大学学报(工科版)2003年。

地理信息系统名词解释大全(整理版本)

地理信息系统名词解释大全地理信息系统Geographic Information System GIS作为信息技术的一种, 是在计算机硬、软件的支持下, 以地理空间数据库（Geospatial Database）为基础, 以具有空间内涵的地理数据为处理对象, 运用系统工程和信息科学的理论, 采集、存储、显示、处理、分析、输出地理信息的计算机系统, 为规划、管理和决策提供信息来源和技术支持。

简单地说, GIS就是研究如何利用计算机技术来管理和应用地球表面的空间信息, 它是由计算机硬件、软件、地理数据和人员组成的有机体, 采用地理模型分析方法, 适时提供多种空间的和动态的地理信息, 为地理研究和地理决策服务的计算机技术系统。

地理信息系统属于空间型信息系统。

地理信息是指表征地理圈或地理环境固有要素或物质的数量、质量、分布特征、联系和规律等的数字、文字、图像和图形等的总称；它属于空间信息, 具有空间定位特征、多维结构特征和动态变化特征。

地理信息科学与地理信息系统相比, 它更加侧重于将地理信息视作为一门科学, 而不仅仅是一个技术实现, 主要研究在应用计算机技术对地理信息进行处理、存储、提取以及管理和分析过程中提出的一系列基本问题。

地理信息科学在对于地理信息技术研究的同时, 还指出了支撑地理信息技术发展的基础理论研究的重要性。

地理数据是以地球表面空间位置为参照, 描述自然、社会和人文景观的数据, 主要包括数字、文字、图形、图像和表格等。

地理信息流即地理信息从现实世界到概念世界, 再到数字世界（GIS）, 最后到应用领域。

数据是通过数字化或记录下来可以被鉴别的符号, 是客观对象的表示, 是信息的表达, 只有当数据对实体行为产生影响时才成为信息。

信息系统是具有数据采集、管理、分析和表达数据能力的系统, 它能够为单一的或有组织的决策过程提供有用的信息。

包括计算机硬件、软件、数据和用户四大要素。

四叉树数据结构是将空间区域按照四个象限进行递归分割（2n×2n, 且n ≥1）, 直到子象限的数值单调为止。

基于自适应四叉树分割的遥感图像压缩算法

此，一些实用的遥感应用系统中，在就必须要采用有
本文首先分析了遥感图像的特点及其对压缩算
法的特殊要求，次，其介绍了基于四叉树分割算法的
基本流程，分析算法各个环节的具体实现，后给再最
维普资讯
第６卷第５期
２００２年９月
遥感学
Hale Waihona Puke 报Ｖｏ．６．Ｎｏ．５１Ｓｐ．２０ｅｔ０２
，
ＪＯＵＲＮＡＬＯＦＲＥＭＯＴＳＥＥＮＳＮＧＩ
文章编号：１０．６９（０２５０４・９０７４１２０）０・３３０
出了实验结果。
损压缩方法ｌ５。有损压缩可有效地提高压缩比，４ｊ，但其致命的弱点就是有可能使得重要的遥感信息在
压缩过程中丢失。为解决这一问题，想的方法就理是在压缩前，遥感图像中将目标内容和背景等不从
中图分类号：Ｔ３１Ｔ９１７Ｐ９／Ｎｌ．３文献标识码：Ａ
应用的要求。为解决上述问题，们提出一种自适我
１引言
卫星遥感在资源探测、环境监视、军事侦察等领
应编码方法。本方法在图像数据灰度层次上，图对像的局部特征（方差等）行检测，根据检测结如进再果对图像进行自适应块分割。对于局部相关性较强的区域（应灰度变化平坦区）在分割时采用尺寸对，较大的像块，以有效去除图像数据的相关性，而提进高压缩比；于相关性小、度变化较大的区域，对灰采用尺寸较小的像块，以保留有用信息（这些区域中可能包含重要的特征）。对于不同的图像块，采用不同

基于eCognition的土地利用遥感影像自动提取研究

第48卷第12期2 0 1 7年6月人民长江Yangtze RiverVol.48,No. 12June,2017文章编号：1001 -4179(2017) 12 -0075 -04基于eCognition的土地利用遥感影像自动提取研究周勇兵，曹珥(武汉大学遥感信息工程学院，湖北武汉430079)摘要：遥感监测是开展区域水土流失动态监测的重要手段。

对同一地区不同时期遥感影像进行影像分类，对比分析两期分类结果可以实现对土地利用等水土流失影响因子的动态监测。

传统方法通常采用人工目视勾绘法获得土地利用分类结果，耗时耗力且效率不高。

以同一地区不同时期的遥感影像为对象，基于eCognition软件平台，采用多尺度分割和面向对象分类方法快速获取了影像分类结果。

结果表明，该方法分类精度较高，能有效提高工作效率。

关键词：水土流失；土地利用；多尺度分割；面向对象分类；eCognition中图法分类号：S157 文献标志码：A D O I：10. 16232/ki. 1001 -4179.2017. 12. 020水土流失可破坏水土资源，恶化生态环境，加剧自然灾害，严重制约国家经济社会的可持续发展。

开展水土流失动态监测对水土保持科学决策、生态建设和环境保护至关重要。

近年来，遥感监测已成为区域水土流失监测的重要技术手段。

土地利用、植被覆盖等水土流失影响因子信息提取是遥感监测的核心环节，采用人工目视判读方法，往往需要很大的人力物力支撑，所以通过一些自动或者半自动的分类方法是提高工作效率的重要途径。

eCongnition作为世界第一个面向对象的分类软件，可以有效地提高图像分类的效率，同时拥有较高的精度。

1面向对象的分类遥感图像分类的方法有很多种，例如K均值分类、最大似然法分类、支持向量机分类、神经网络法分类和面向对象法分类等。

非面向对象分类的方法是基于像元的光谱信息进行分类，但是因为同物异谱以及异物同谱现象的大量存在，容易产生“椒盐现象”，使得这些方法分类效果不好，尤其是在对一些分辨率高的遥感影像进行分类的时候。

一种融合边缘信息的面向对象遥感图像分割方法

相结合，。。
提出一种在区域分割过程中通过判据将区域信息和边缘信息结合起来进行高分辨率遥感图像分割的方法。
１本文方法
本文方法如图１所示，遥感数据首先经过高斯滤波处理，然后进行ＳＡＮ滤波提取边缘得到边界图，对高斯滤ＵＳ波处理的图像进行四叉树分割，然后在区域合并过程中，利
基金项目：国家自然科学基金项目（００１８，４９１９）极地测绘科学国家测绘局重点实验室开放基金项目（０８０和空间数据挖掘与信息共享教２０１）
育部重点实验室（福州大学）开放基金项目（０８５资助２００）作者简介：谭玉敏，女，１７９７年生，北京航空航天大学交通科学与工程学院讲师ｅｍａｌａｙ－ｉｎｍ＠ｂａ．ｄ．ｎ：ｔｕａｅｕｃ
用本文改进的判据结合已提取的边缘信息，引导区域合并过
程，从而得到最终的图像分割结果。
１１ＳＳＮ边缘提取．ＵＡ
是在区域生长过程中，通过判据将边缘信息和其他信息结合起来，判断区域能否合并＿］７，如运用Ｆｂｎｃｉｉｏａｃ数列得到区域边界图，再通过判据结合区域和边缘信息形成标记图，运用区域分裂生长算法进行图像分割；再一种是在概率模型中引入边缘信息，Ｙｕ等＿将边界信息引入ＭＡＫＯＶ模型如９Ｒ
第６期
光谱学与光谱分析
１２６５
界图。ＳＡＮ算子的优势在于：（）ＵＳ１在拐角处可得到较为连续的边界；（）良的运行速度，到近似的处理效果比ｃｎ２优得ａ～

四叉树分割例题

四叉树分割例题如下：四叉树分割是一种常用的图像处理技术，可以将一幅二维图像划分为四个象限，每个象限再递归地被分割为四个子象限，直到达到一定的终止条件为止。

下面是一个四叉树分割的例题：假设有一幅大小为8x8的灰度图像，像素值范围为0-255，如下图所示：```1 2 3 4 5 6 7 81 [255, 255, 255, 255, 255, 255, 255, 255]2 [254, 254, 254, 254, 254, 254, 254, 254]3 [253, 253, 253, 253, 253, 253, 253, 253]4 [252, 252, 252, 252, 252, 252, 252, 252]5 [251, 251, 251, 251, 251, 251, 251, 251]6 [ 0, 0, 0, 0, 0, 0, 0, 0]7 [ 0, 0, 0, 0, 0, 0, 0, 0]8 [ 0, 0, 0, 0, 0, 0, 0, 0]```现在需要将该图像进行四叉树分割，直到每个象限中只有一个像素为止。

分割过程如下：第一步：将第一行和第二行分别作为两个子象限，得到以下结果：```Q1: [(1,1), (1,2), (1,3), (1,4)]Q2: [(1,6), (1,7), (1,8)]Q3: [(2,1), (2,2), (2,3), (2,4)]Q4: [(2,6), (2,7), (2,8)]```其中，每个象限用一个四元组表示，包含四个像素点的坐标。

可以看到，此时每个象限中都只有一个像素点，达到了终止条件。

因此，四叉树分割结束。

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)。

２ＳｈｏｆｌｔｎｃＳｉｎｅｎｅｈｏｏｙＡｈｉｉｅｓｔ，ｆｉ３０９．ｃｏｌｅｒｉｃｃｄＴｃｎｌｇ，ｎｕｖｒｙＨｅｅ２０３）ｏＥｃｏｅａＵｎｉ
［ｂｔａｔｍｉｇａｅｐｏｌｍｆｏｒｅｌｉｂｌｙｏａｈｃｔｔｉｐｐｒｕｇｓｓｍｏｅｅｓｇｉｇｅｍｅｔｔｎａｐｏｃａｅＡｓｒｃ］Ａｉｎｔｈｒｂｅｏｏａ—ｍｅｉｔｆｒｐｕ，ｈｓａｅｇｅｔａｅｔｎｉｅｓｇｎａｉｒａｈｂｓｄｔｐｒｔａｉｇｓｒｓｎｍａｏｐ
ａｊｃｎｙｏａｈｐｒｔｎｓｌｒａｄｓｌａｔｉｎｒｒｅｎｏｓｍｅａｅｓＢｎｅｒｔｇｇａｅｔｒｎｐｔｌｏａｏｆａｈｄａｅｃｆｅｃａｔｉ，ｍａｌｎｉａｐｒｔｓａｅｍｅｇｄｔｏｒａ．ｙｉｔａｉｒｙｆａｅａｄｓａｉｃｔｎｏｃｉｏｅｍｉｒｉｏｇｎｕａｌｉｅ
ＺＨＯＵｉ１ｎ，ＡＮＧｎ，ＡＮＧｉＫＯＮＧｉＳ．ｇＬＩｏＤｏｇＷＨｕ，Ｊｅ
ｆ．ｕａｉｎＭｉｉｔｙＬａｏａｏｙｏｔｌｇｎｍｐｔｎ１ＥｄｃｔｏｎｓｒＫｅｂｒｔｒｆＩｅｌｅｔｙｎｉＣｏｕｉｇ＆ＳｇａｒｃｓｉｇＡｎｕｉｅｓｔ，ｆｉ３０９ｉｎｌｏｅｓｎ，ｈｉＰＵｎｖｒｉＨｅｅ０３ｙ２
［ｅｏｄ］ｉａｅｅｍｎｔｎｑａｅ－ｅ；ｅｉｅｅ；ｒｈｕＫｙｒｓｍｇｇｅｔｉ；ｕｒｒｅｒｏｍｒｒｇｐｔｗｓａｏｔｔｒｇｎｇａｃ
１概述
图像分割是从图像中分割出感兴趣的区域。随着卫星遥
感技术的广泛应用，大量的遥感图像随之而生，从这些图像
该子区域不再往下分割；否则，把这个区域再分割成４个子区域，这样递归地分割，直至每个子区域都符合一致性标准为止。它具有分块灵活性高、计算速度快等优点，但对噪声
敏感，存在过分割等缺点。本文综合四叉树与ＮｏｍａｉｄＣｔｒｌｅｕ分割算法的优点，提ｚ出一种基于四叉树与Ｎｒｌｅｕ的遥感图像分割方法，ｏｍａｉｄＣｔｚ
ｏｎｑａｔｒｔｅｎｒｐＵ．ｈｅａｐｏａｈｒｅｕｒｅ－ｅＯｓｇｎｅｒｍｏｅｓｎｉｇｉｇｔａｇｕｅｆｓｌｐｒｔｎｓｗｉｈｔｅｕｒｅ－ｒｅａｄｇａｈＣｔＴｐｒｃｓｓｑａｔｒｔｅｔｅｍｅｔｅｔｅｓｎｍａｅｉｏａｌｒｅｎｍｂｒｏｍａｌａｔｉ，ｔｉｒｈｔｎｉｏｈ
结果证明该方法能有效消除四叉树方法的过分割现象。关健词：图像分割；四叉树；区域合并；图割
ＲｅｏｅＳｎｉｇＩａｅＳｇｅｔｔｎＡｐｒａｈｍｔｅｓｎｍｇｅｍｎａｉｐｏｃｏ
ＢａｅｎＱｕｒｅ－ｅｎａｈＣｕｓｄｏａｔｒｔｅａｄＧｒｐｔｒ
摘
要：针对图割算法实时性差的问题，出一种基于四叉树与图割的遥感图像分割方法。提用四叉树分割方法将遥感图像分割成多个区域，
根据区域的邻接性合并相似小区域，结合区域间的灰度和位置信息，利用Ｎｒｌｅｕ方法在区域间进行划分，完成图像的分割。实验ｏｉｄｔｍａｚＣ
中啊分类Ｐ９・号ｌ３１１Ｔ４
基于四叉树与图割的遥感图像分割方法
周四龙一．，粱栋，王慧，孔颉
（．１安徽大学计算智能与信号处理教育部重点实验室，合肥２０３；３０９
２安徽大学电子科学与技术学院，合肥２０３）．３０９
ｐａｔｏｎｎｒｌｅｕｔｎｐｐｏｃｓｕｅｏｓｇｎｈｍａｅａｎａｔｔｎｆｏｇｏａｉｗ，ｙｗｈｃｈｎｌｓｇｎｅａｅＣｅｒｔ，ｏｍａｉｄｃｔｉｇａｒａｈｉｓｄｔｅｍｅｔｅｉｇｍｏｇｐｒｉｏｒｍｌｂｌｖｅｂｉｈｔｅｆａｅｍｅｔｄｉｇａｂｉｉｚｔｉｉｍｎｇｎｒｔ．ｐｒｍｅｔｌｅｕｔｈｗａｅｏｅ —ｅｍｅｔｔｎｃｎｂｌｍｉａｅｆｅｔｅｙｅｅａｅＥｘｅｉｎａｓｌｓｏｔｔｖｒｓｇｎａｉａｅｅｉｎｔｄｅｆｃｉｌ．ｄｒｓｈｔｈｏｖ
第３卷第８６期
Ｖ１６ｏ．３
Ｎｏ．８
计

算
机
工程
２１００年４月
Ａｐｉ２１ｒｌ００
ＣｏｐｕｅｍｔｒＥｎｇｎｅｒｎｇｉｅｉ
・图形图像处理・
文章编号：００３２（１）＿ｏ２－０文献标识码；１ｏ— ４２ｏ８＿２４＿３８００Ａ