一种改进的高分辨率遥感影像分割方法
一种优化的迭代反投影超分辨率重建方法
一种优化的迭代反投影超分辨率重建方法刘克俭;陈淼焱;冯琦【摘要】针对现有超分辨率重建方法存在重建的高分辨率图像具有边缘结构不清晰、高频信息提升有限的问题,提出了一种结合迭代反投影(iterative back-projection,IBP)与限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)的遥感图像超分辨率重建方法.通过结合迭代反投影与限制对比度自适应直方图均衡的超分辨率重建方法重建高分辨率遥感影像,增加重建图像的纹理细节信息,并利用灰度信息与梯度特征的能量优化模型对重建图像进行优化处理.本文以不同地貌类型遥感图像为实验数据.实验结果表明,该重建方法与经典迭代反投影方法相比,纹理细节丰富,边缘结构清晰,与非局部迭代反投影(nonlocal iterative back-projection,NLIBP)相比,客观质量评价指标均有明显改善,验证了该方法具有较好的普适性与鲁棒性.【期刊名称】《遥感信息》【年(卷),期】2019(034)003【总页数】5页(P14-18)【关键词】超分辨率重建;迭代反投影;限制对比度自适应直方图均衡化;非局部迭代反投影;资源三号【作者】刘克俭;陈淼焱;冯琦【作者单位】中国人民公安大学公安遥感应用工程技术研究中心,北京100038;中国人民公安大学公安遥感应用工程技术研究中心,北京100038;中国人民公安大学公安遥感应用工程技术研究中心,北京100038【正文语种】中文【中图分类】P238.80 引言超分辨率(super resolution，SR)重建是指通过对单幅或多幅低分辨率(low-resolution，LR)图像进行处理，重建出一幅或多幅高分辨率(high-resolution，HR)图像的技术[1]。
将超分辨率重建技术应用到卫星光学遥感图像处理中，利用卫星遥感图像进行超分辨率重建，提升遥感图像的空间分辨率，是目前遥感图像处理领域新的研究热点之一。
遥感影像的变化检测与分析方法
遥感影像的变化检测与分析方法在当今科技飞速发展的时代，遥感技术凭借其能够获取大范围、多光谱、多时相的地表信息的强大能力，成为了众多领域中不可或缺的工具。
而遥感影像的变化检测与分析方法，更是在资源监测、环境评估、城市规划等方面发挥着关键作用。
遥感影像变化检测，简单来说，就是通过对比不同时期的遥感影像，找出其中发生变化的区域和特征。
这一过程就像是在玩“找不同”的游戏，但要复杂和精确得多。
为了实现准确的变化检测，首先得有高质量的遥感影像数据。
这些影像通常来自卫星、飞机等平台，包含了丰富的地物信息。
然而，在获取影像的过程中，可能会受到天气、传感器精度等因素的影响，导致影像存在噪声、几何变形等问题。
所以，在进行变化检测之前，需要对影像进行预处理，包括辐射校正、几何校正等操作，以提高影像的质量和一致性。
常用的变化检测方法可以大致分为基于像元的方法和基于对象的方法。
基于像元的方法直接对影像中的每个像素进行分析和比较。
其中，差值法是一种常见的思路，就是将两个时期的影像对应像素的灰度值相减，得到差值影像。
如果差值超过了一定的阈值，就认为该像素发生了变化。
这种方法简单直观，但容易受到噪声的干扰，而且对于光谱相似但实际发生变化的区域可能检测不出来。
相比之下，基于对象的方法则先将影像分割成不同的对象，然后再对这些对象进行变化检测。
这种方法考虑了地物的空间特征和上下文信息，能够更好地处理复杂的场景。
例如，面向对象的分类后比较法，先对不同时期的影像分别进行分类，然后比较分类结果，从而确定变化的区域。
除了上述方法，还有一些基于特征的变化检测技术。
这些特征可以是地物的形状、纹理、光谱特征等。
通过提取和比较这些特征，来判断是否发生了变化。
在进行变化检测之后，接下来就是对检测结果的分析。
这包括对变化区域的类型识别、面积计算、变化趋势预测等。
例如，在城市发展研究中，通过分析变化区域，可以了解城市扩张的方向和速度，为城市规划提供依据。
遥感图像分类
影像对象构建方法与参数优化
对象合并准则
在初始分割基础上，通过将 初始影像对象逐步合并为较 大的对象来实现多尺度对象 的构建，对象合并的停止条 件是由其尺度准则决定的
fw vah lv uael uw esh h aspheape
h va luw e c ( n 1 (m c1 c ) n 2 (m c2 c ))
1）分类前影像平滑 2）分类后小区合并—将小于一定面积的像元合并到邻近区
域
遥感影像分类后处理—误差分析
目的：检验分类效果 方法：抽样检验 抽样方法： 1）监督分类的样本区 2）试验场抽样 3）随机抽样 评价方式：混淆矩阵
辅助数据改进遥感分类的方法
地理分层 分类器操作 分类后处理
遥感信息与非遥感信息的复合
c
hsh a p w c emh p c m c t pw cstmh oso mth o o th
h cm pn c 1(t ln m mln 11)n 2(ln m mln 22)
hsmo on t1 h(b lm mb l1 1)n2(b lm mb l2 2)
37
影像对象构建方法
尺度为： 16 平均 面积： 867.6
• 基于统计的方法和基于规则的方法 • 监督分类和非监督分类 • 硬分类和软分类 • 逐像元分类和面向对象分类
分类标准
• 按照逻辑准则组织的信息类别正确的分类
学定义
• 参考标准: • 规划协会的土地分类标准(LBCS) • 国家植被分类系统
基于统计的分类方法
遥感影像光谱特征分布特点
遥感影像分类原理
μc4
人工神经网络分类
生物神经网络(biological neural network, BNN)， 特别是人脑
随机森林及其在遥感影像处理中应用研究
随机森林及其在遥感影像处理中应用研究一、概述随着遥感技术的飞速发展，遥感影像数据在地理信息系统、环境监测、资源管理等领域发挥着越来越重要的作用。
遥感影像处理与分析成为研究和应用的热点，而机器学习作为处理和分析遥感影像的有效工具，其重要性日益凸显。
随机森林（Random Forest，RF）作为一种高效的机器学习算法，近年来在遥感影像处理领域得到了广泛关注和应用。
随机森林算法由Leo Breiman和Adele Cutler于2001年提出，它是一种基于决策树的集成学习方法。
通过构建多棵决策树并进行投票或平均来提高预测的准确性和稳定性。
随机森林具有很多优点，如：能够处理大量特征数据、对异常值和噪声不敏感、无需进行特征选择和参数调整等。
在遥感影像处理中，随机森林算法被广泛应用于地物分类、目标检测、变化检测、参数反演等多个方面。
例如，在地物分类中，随机森林可以有效地处理高维遥感数据，提高分类的准确性在目标检测中，随机森林能够识别复杂背景下的目标，提高检测的精确度在变化检测中，随机森林可以有效地识别和分析时间序列遥感影像中的变化信息在参数反演中，随机森林能够建立遥感数据与地面参数之间的关系模型，提高反演的准确性。
1. 遥感影像处理的重要性遥感影像处理在多个领域，尤其是地球科学、环境监控、城市规划、农业管理等方面具有极其重要的地位。
随着遥感技术的不断发展，更高分辨率、更多元化的遥感影像数据正在被持续生产和应用，如何从这些数据中有效提取出有用的信息，成为了遥感影像处理领域的核心问题。
遥感影像处理对于地球科学研究具有重要意义。
通过处理和分析遥感影像，科学家可以对地球表面进行大范围、高精度的观测和研究，揭示地球表面各种自然现象的发生、发展规律，为全球气候变化研究、生态系统动态监测、资源环境评估等提供重要依据。
遥感影像处理在环境监控中发挥着重要作用。
通过遥感影像处理，可以实时监测和评估生态环境质量，如水质监测、森林覆盖变化、土地退化等，为环境保护和生态修复提供决策支持。
遥感影像云检测和去除方法综述
遥感影像云检测和去除方法综述遥感影像在现代地理信息系统（GIS）和环境研究中扮演着重要的角色。
然而，由于气候条件、传感器限制或技术问题等原因，遥感影像中常常存在云遮挡。
云遮挡会影响影像的质量，降低地物提取和分析的精度。
因此，对遥感影像进行云检测和去除是非常必要的。
本文将综述当前常用的遥感影像云检测和去除方法，并讨论它们的优缺点。
不同的方法可以分为基于光学遥感和基于雷达遥感两类。
一、基于光学遥感的云检测和去除方法1. 阈值法阈值法是最简单和常用的云检测方法之一。
它基于云的光谱特征，将云像元与非云像元分离。
通过选择适当的阈值，可以实现较好的云检测效果。
然而，由于光照条件和云的形状、纹理等因素的影响，阈值法在某些情况下存在误检和漏检的问题。
2. 纹理分析法纹理分析法利用图像中的纹理信息，通过计算纹理特征来识别云。
它可以有效地区分云与非云区域，并能够应对光照变化和云的形状变化。
但是，纹理分析法对云的覆盖程度要求较高，且计算复杂度较高。
3. 多时相法多时相法通过比较不同时间点的遥感影像，利用云的运动特征来检测云。
它可以较好地处理云的变化和遮挡问题，但需要多个时间点的影像数据，并且对云的运动速度有一定要求。
二、基于雷达遥感的云检测和去除方法1. 激光雷达法激光雷达法利用激光雷达的主动传感器特性，通过发送激光脉冲并接收反射回来的信号，来获取地物的高程信息。
由于激光雷达可以穿透云层，因此可以有效地检测云并进行去除。
然而，激光雷达数据的获取成本较高，限制了其在大规模地表覆盖的应用。
2. 合成孔径雷达（SAR）法合成孔径雷达（SAR）法是一种常用的雷达遥感云检测和去除方法。
它通过接收地面散射信号来获取地物信息。
由于雷达波长较长，可以穿透云层，因此可以实现较好的云检测和去除效果。
然而，雷达像元的分辨率相对较低，影像细节信息较少。
综上所述，遥感影像云检测和去除是遥感数据处理中的重要环节。
基于光学遥感和基于雷达遥感的方法各有优点和局限性。
基于ECLDeeplab模型提取华北地区耕地的方法
基于ECLDeeplab模型提取华北地区耕地的方法随着农业现代化的不断推进，精准农业成为了当今农业发展的趋势。
而在精准农业中，耕地信息的获取和利用是至关重要的一环。
而传统的耕地调查方法效率低、成本高，无法满足现代化精准农业的需求。
基于遥感影像和深度学习模型的耕地提取方法成为了研究的热点之一。
本文将以ECLDeeplab模型为基础，结合华北地区的特点，介绍一种基于ECLDeeplab模型提取华北地区耕地的方法。
一、ECLDeeplab模型简介ECLDeeplab模型是一种基于深度卷积神经网络的图像分割模型，能够对遥感影像进行精准的分割和识别。
该模型在传统的Deeplab模型基础上进行了改进，主要包括以下几个方面：1. 空洞卷积的应用：通过空洞卷积可以扩大感受野，提高分割效果。
2. 上采样网络的设计：采用轻量级的上采样网络，减小了模型的参数规模，提高了运算效率。
3. 多尺度信息的融合：引入了多尺度信息融合模块，增强了模型对不同尺度目标的识别能力。
由于ECLDeeplab模型在图像分割任务中表现出色，因此在耕地提取的任务中也具有很好的应用前景。
二、华北地区耕地特点华北地区是中国的一个重要农业生产基地，其耕地资源丰富，但受到气候和土地利用方式的影响，耕地分布较为复杂。
具体来说，华北地区的耕地具有以下特点：1. 土地利用多样性：包括粮食作物、经济作物和园艺作物等多种类型的耕地。
2. 土地利用方式多样化：有旱地耕地、水田耕地、果园等不同的土地利用方式。
3. 土地面积不规则：受到自然地形和人为开发的影响，华北地区的耕地面积呈现出不规则分布的特点。
这些特点给耕地提取任务带来了一定的难度，需要提取模型具有很好的泛化能力和对复杂场景的适应性。
三、基于ECLDeeplab模型的耕地提取方法1. 数据准备需要收集华北地区的高分辨率遥感影像数据，并进行预处理，包括影像配准、镶嵌、辐射校正等操作，以确保输入模型的影像数据质量。
从高分辨率遥感影像中提取城市道路的新方法
从高分辨率遥感影像中提取城市道路的新方法摘要：道路是城市交通的重要组成部分，如何高效地从遥感影像中提取道路信息一直是遥感图像处理中的研究热点。
本文提出了一种基于卷积神经网络和局部特征的新方法，实现了对高分辨率遥感影像中道路的自动提取和识别。
该方法在多个数据集上进行了测试和验证，结果表明其具有较高的准确性和鲁棒性，可为城市规划和交通管理等领域提供有效的支持。
关键词：遥感影像，道路提取，卷积神经网络，局部特征，城市规划一、引言随着城市化进程的不断推进，城市交通问题日益突出，道路建设和交通管理也成为城市规划和管理的重要任务。
遥感技术作为一种非接触式、高效率的信息获取方式，已被广泛用于城市规划和交通管理中。
而道路作为城市交通的重要组成部分，如何高效地从遥感影像中提取道路信息一直是遥感图像处理中的研究热点。
传统的道路提取方法主要基于图像处理和计算机视觉技术，如边缘检测、形态学变换、区域生长等。
然而，这些方法往往受到遥感影像本身的特点、光照条件、遮挡等因素的影响，容易出现漏检、误检等问题。
因此，如何提高道路提取的准确性和鲁棒性，成为当前道路提取研究的重要方向。
近年来，深度学习技术的发展为道路提取带来了新的思路和方法。
卷积神经网络（CNN）是深度学习的重要组成部分，其具有自动特征提取、端到端训练等优势，已被广泛用于图像分类、目标检测等领域。
在道路提取方面，CNN也被应用于道路提取模型的设计和训练中，取得了不错的效果。
然而，基于CNN的道路提取方法仍存在一些问题。
一方面，CNN需要大量的训练样本和计算资源，训练过程复杂，容易出现过拟合等问题。
另一方面，遥感影像中的道路具有多样性、复杂性和不规则性，对于CNN的特征提取和分类能力提出了更高的要求。
因此，如何进一步提高CNN在道路提取中的性能，成为当前道路提取研究的重要问题。
本文提出了一种基于卷积神经网络和局部特征的新方法，实现了对高分辨率遥感影像中道路的自动提取和识别。
基于信息熵的遥感图像分割算法研究
基于信息熵的遥感图像分割算法研究近年来，遥感技术快速发展并应用于多个领域。
而遥感图像分割技术是遥感应用领域中一个重要的课题，其目的是将复杂的遥感图像分成不同的区域，以便于后续处理和分析。
然而，由于遥感图像具有高维、复杂和模糊的特点，遥感图像分割一直是一个难以解决的问题。
为了解决这个问题，本文将介绍一种基于信息熵的遥感图像分割算法。
一、信息熵的基础概念信息熵是热力学中的概念，用来描述系统的无序程度。
在信息论中，信息熵是用来描述信息源中信息量的概念。
在遥感图像分割问题中，可以将像素的灰度值看作是信息源的符号集，从而将信息熵的概念引入到遥感图像分割问题中来。
信息熵的计算公式为：$H(X) = -\sum_{i=1}^{n} p_{i}\log_{2}p_{i}$其中，$X$ 是信息源，$p_{i}$ 是信息源中第 $i$ 个符号出现的概率，$n$ 是符号集的大小，$\log_{2}$ 是以 $2$ 为底的对数。
信息熵的单位是比特/符号。
二、基于信息熵的遥感图像分割算法基于信息熵的遥感图像分割算法是一种无监督的分割方法。
该算法将遥感图像中的每个像素看作是符号集中的一个符号，以像素灰度值的概率分布作为符号集的概率分布。
算法步骤如下：Step 1：将遥感图像中的像素灰度值归一化到 $[0,1]$ 之间。
Step 2：根据灰度值的概率分布计算信息熵，作为图像的全局信息量。
信息熵越大，表示图像的信息量越多，也就是图像的信息更加分散，可以分成更多的区域。
Step 3：将图像分成 $K$ 个区域，并为每个区域计算灰度值的概率分布和信息熵。
Step 4：计算每个区域的加权平均信息熵：$E_{k} = -\sum_{i=1}^{n} w_{i}^{k}\log_{2}(w_{i}^{k})$其中，$w_{i}^{k}$ 是第 $k$ 个区域中灰度值为 $i$ 的像素的比重，$n$ 是灰度值的范围。
Step 5：对于图像的每个像素，计算它与各个区域之间的信息熵差异：$d_{k} = E_{k} - E_{0}$其中，$E_{0}$ 是全局信息熵。
《基于轻量化DeepLabV3+的遥感影像农作物语义分割算法研究》范文
《基于轻量化DeepLabV3+的遥感影像农作物语义分割算法研究》篇一一、引言随着遥感技术的不断发展，遥感影像在农业领域的应用日益广泛。
农作物语义分割作为遥感影像处理的关键技术之一，对于实现精准农业、提高农业生产效率具有重要意义。
然而，传统的遥感影像处理算法在面对高分辨率、大规模的遥感影像时，往往存在计算量大、实时性差等问题。
因此，本研究基于轻量化的DeepLabV3+算法，对遥感影像农作物语义分割算法进行研究，旨在提高算法的准确性和实时性。
二、相关工作在农作物语义分割领域，深度学习算法已经成为主流方法。
其中，DeepLabV3+算法以其优秀的性能和较强的特征提取能力，在许多语义分割任务中取得了优异的表现。
然而，DeepLabV3+算法的计算量较大，对于硬件设备的要求较高。
因此，本研究采用轻量化的DeepLabV3+算法，以降低计算量、提高实时性。
三、方法本研究采用轻量化的DeepLabV3+算法进行遥感影像农作物语义分割。
具体步骤如下：1. 数据准备：收集包含农作物的遥感影像数据集，并进行预处理，包括裁剪、归一化等操作。
2. 模型构建：采用轻量化的DeepLabV3+算法构建语义分割模型。
通过改进模型结构，降低计算量，提高模型的实时性。
3. 训练与优化：使用标注的遥感影像数据集对模型进行训练，通过调整模型参数和损失函数，优化模型的性能。
4. 测试与评估：使用独立的测试集对模型进行测试，评估模型的准确性和实时性。
四、实验与结果本研究所采用的实验环境为高性能计算机，实验数据集为包含多种农作物的遥感影像数据集。
实验过程中，我们对轻量化的DeepLabV3+算法进行了多次调整和优化，最终得到了较好的实验结果。
在准确率方面，我们的算法在测试集上取得了较高的准确率，能够准确地识别出不同类型的农作物。
在实时性方面，由于采用了轻量化的模型结构，我们的算法在保证准确性的同时，大大降低了计算量，提高了实时性。
五、讨论本研究基于轻量化的DeepLabV3+算法，对遥感影像农作物语义分割算法进行了研究。
基于深度学习的遥感影像作物精细分类方法
深度学习模型构建
卷积神经网络（CNN）
CNN是一种常用的深度学习模型，能够有效地提取遥感影像中的 特征，适用于图像分类、目标检测等任务。
循环神经网络（RNN）
RNN是一种用于处理序列数据的深度学习模型，可以用于遥感影 像中的时间序列分析，如作物生长趋势预测等。
生成对抗网络（GAN）
GAN是一种生成式深度学习模型，可以用于遥感影像的超分辨率 重建和图像生成等任务。
研究成果与讨论
05
研究成果总结
深度学习技术
成功应用了深度学习技术，提高了遥感影像作物 分类的准确性和精度。
多尺度特征提取
采用了多尺度特征提取方法，综合考虑了局部和 全局特征，提高了分类的精细程度。
端到端训练
采用了端到端的训练方式，减少了人工干预，提 高了模型的自动化程度。
研究局限性与展望
数据量限制
分类结果评价与对比分析
总结词
分类结果评价、对比分析
详细描述
为了评估模型的分类效果，采用了混淆矩阵 、准确率、精确率、召回率等指标对模型进 行了评价。同时，为了验证模型的有效性， 还采用了对照组实验和对比分析的方法，与 其他传统分类方法进行了比较。结果表明， 本文提出的基于深度学习的遥感影像作物精
细分类方法具有更高的准确性和鲁棒性。
- 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期地球科学———中国地质大学学报Vol.35 No.3
2010年5月EarthScience—JournalofChinaUniversityofGeosciencesMay 2010
doi:10.3799/dqkx.2010.050
基金项目:教育部新世纪优秀人才计划资助项目(No.NCET20720772);国家重点“863”项目(No.2007AA120503).
作者简介:高伟(1980-),男,博士生,主要从事遥感数据处理与信息提取的科研和教学工作.E2mail:cuggaowei@hotmail.com
一种改进的高分辨率遥感影像分割方法高 伟1,2,刘修国1,2,彭 攀1,2,陈启浩1,21.中国地质大学信息工程学院,湖北武汉4300742.地理信息系统软件及其应用教育部工程中心,湖北武汉430074
摘要:分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高,
而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.
关键词:影像分割;分形网络演化;高空间分辨率;四叉树;地理信息系统.
中图分类号:TP311 文章编号:1000-2383(2010)03-0421-05 收稿日期:2010-01-15
AnImprovedMethodofHigh2ResolutionRemoteSenseImageSegmentationGAOWei1,2,LIUXiu2guo1,2,PENGPan1,2,CHENQi2hao1,21.FacultyofInformationEngineering,ChinaUniversityofGeosciences,Wuhan430074,China
2.EngineeringResearchCenterforGISSoftwareandApplications,MinistryofEducation,Wuhan430074,China
Abstract:Fractalnetevolutionapproach(FNEA)isarelativelymatureoneamongtheobject2orientedimagesegmentationalgo2rithms,butitsefficiencyistobeimproved.Quad2Treesegmentationisakindofeffectiveimagesegmentationmethod.Inthispaper,animprovedobjectorientedmulti2scaleimagesegmentationmethodbasedonthequad2treepre2segmentationandFNEAisintroduced.TheexperimentshowsthattheeffectofitssegmentationresultisalmostthesameasthatoftraditionalFNEAmethod.Moreover,Itsavestime.Keywords:imagesegmentation;fractalnetevolutionapproach;high2nesolutionremotesense;quad2tree;geographicinforma2tionsystem(GIS).
0 引言近年来,以IKONOS和Quick2Bird为代表的高空间分辨率遥感影像得到广泛应用(高伟,2006).高分辨率遥感影像具有丰富的空间信息,地物几何结构和纹理信息,便于认识地物目标的属性特征,如地物的图层值、形状、纹理、层次和专题属性,有助于提高地物定位和判读精度,使得在较小的空间尺度上观察地表细节变化,进行大比例尺遥感制图,以及监测人为活动对环境的影响成为可能.为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源.高分辨率影像的广泛应用迫切要求人们对高分辨率遥感信息提取进行研究,以满足高分辨
率影像信息不断增长的应用和研究需要(Chenet
al.,2009).面向对象的高分辨率遥感影像的分类方法不仅利用地物的光谱信息,而且更多地利用几何信息和结构信息,可以结合其他空间知识和上下文信息来进行更为深入的分类,使得对高分辨率影像的分类更为合理和有效,这成为高分辨率影像信息提取的重要方法之一(BlaschkeandHay,2001;陆关祥等,
2002).在面向对象高分辨率影像的信息提取中,对遥感图像进行分割,形成具有一定特征相似性的影像区域,是实现从影像上进行地物目标计算机自动提取的第一步.
目前分形网络演化算法(BaatzandSchape,地球科学———中国地质大学学报第35卷2000)是一种比较成熟稳定的影像分割方法,在一些商业软件中得到了广泛应用,如德国的专业信息提取软件eCognition等.但是运用分形网络演化算法对大数据量的影像进行分割时,形成初始对象的速度比较慢,影响了整体的分割效率.本文提出运用四叉树预分割的方法改进分形网络演化分割方法.1 分形网络演化分割方法分形网络演化方法(fractalnetevolutionap2proach,FNEA)是一种面向对象的遥感图像分割方法,它依据相应的算法针对原始影像的像元级层面上的图像分割,形成初始分割层,然后基于对象层的分割逐层形成最终的分割结果(BlaschkeandHay,2001).图1 第1次分割(a)和第2次分割(b)示意Fig.1Theresultofthefirstsegmentation(a)andthesecondsegmentation(b)FNEA技术的关键在两个影像对象间异质度的定义和描述.对于给定的特征空间,当两个影像对象在该特征空间内相距较近时,被认为是相似的或同质的.对于一个d维的特征空间,设两相邻对象的特征值分别为f1d和f2d,则异质度可以定义为(BlaschkeandHay,2001):h=6d(f1d-f2d)2.(1)影像对象的光谱均值、纹理特征、光谱差异特征以及形状特征都可以作为特征空间的一维.通过公式(2)对每一维特征求标准差来进一步标准化特征空间距离,其中对象特征的标准差为σfd(BlaschkeandHay,2001):h=6d(f1d-f2dσfd)2.(2)分形网络演化算法是基于像素从下向上的区域增长分割算法.遵循异质性最小的原则,把光谱信息相似的邻近像元合并为一个同质的影像对象,分割后属于同一对象的所有像元都赋予同一含义.影像分割过程中对影像对象的空间特征、光谱特征和形状特征同时进行操作,因此生成的影像对象不仅包括了光谱同质性,而且包括了空间特征与形状特征的同质性.
分形网络演化的分割示意如图1所示(陈启浩,
2007),此处只描述前两次,后面依此类推.第1次分割是在影像上进行;从第2次以后的分割,直接对影像对象进行处理.每次进行分割时,
就是搜寻邻域像元,遵循异质性最小的原则,把光谱信息相似的邻近像元合并为一个同质的影像对象.
传统的分形网络演化算法中的第1步是以原始影像像元为对象,当原始影像的行列值较大时,相应的原始影像像元的个数也就比较多,搜寻四邻域的次数就加大了很多,而且每次判断合并的标准中都要考虑到形状特征,导致相关的计算量也增大了.因此该阶段的分割效率相对来说就比较低.
2 基于四叉树预分割的FNEA分割方法
由于传统的基于分形网络演化算法的分割方法在形成初始对象的效率上相对较低,一个改进的思路就是代之以高效的分割算法来构建初始对象(Hu
etal.,2005).四叉树分割法因其具有分块灵活、压缩比高、算法简单等优点而成为目前最流行、最实用的分割方法之一(宋宇彬等,2004).当超过预定阀值时,将原始图像等分为4个子块,分别对应于四叉树树根的4个子节点(莫登奎和林辉,2005).依次考虑4个子
224 第3期 高伟等:一种改进的高分辨率遥感影像分割方法图2 四叉树分割过程示意Fig.2Sketchofthequad2treesegmentationprocess
图3 传统的分形网络与改进后的处理流程对比Fig.3Comparebetweentraditionalandtheimprovedseg2mentationprocess
块中的每一块,当匹配误差超过预定阀值时,这个阀值可称为剪枝判同的判决标准,可以是灰度相似性,也可以是目标均方差或其他可表示目标特征的有效信息,再将此块等分成4个子块,该过程也称之为剪枝.重复这一过程直至图像中的任意一块都能找到合适的匹配块为止.图2表示一个四叉树的分割过程(任秀芳等,2007).它使图像中平坦的部分以较大的图像块进行压缩,以提高压缩比;而图像中变化复杂的部分以较小的图像块进行压缩从而保证较高的解码图像质量(宋宇彬等,2004).四叉树的每一次剪枝是直接等分为4块,不用考虑对象的形状特征,而且剪枝的判决条件也很简单,一般只需考虑像元的灰度值相似性,计算量相对较小.因此基于四叉树的分割效率很高(Chenetal.,2006).而且经过四叉树的预分割,形成的初始对象基元、形状特征基本一致,这为后续的FNEA的再分割提供了极大的有利运算因子,因为在FNEA中一个很重要的对象合并依据条件就是关于对象形状特征的相似性.基于上述原因,可以将四叉树分割应用于影像的预分割以替代传统的分形网络演化算法预分割.大体流程如下:首先采用四叉树的分割方法形成影像的初始对象,然后在此初始对象上运用基于分形网络演化算法的方法进行再分割,最后得到分割结果影像.传统的与改进的分割处理方法的流程对比如图3所示(Pengetal.,2009).
3 实验与分析基于改进后的分割方法,运用MapGIS遥感影像处理平台,本文选取试验区进行分割实验.实验所采用的数据是江西省某地区的一幅3波段的SPOT5影像数据,空间分辨率为2.5m,数据类型为8位无符号整型.该地区属低山丘陵地带,主要覆盖地物包括大片的林地、水体、农田、庄稼地、道路、沙滩裸地以及零星的居民地.为了实验的需要,从整景影像中裁取了1024×1024分辨率大小的数据进行分割实验(图4).
相应的实验数据分析具体见表1.从表1中可以看出,利用四叉树预分割方法,进行FNEA的多尺度分割,对于同一幅影像,分割的时间相比传统的FNEA分割方法,效率提高了将近一倍.而且只要参数选择合适,在分割精度上也基本上和原来的差不多.以道路和绿地为例:如图4所示,狭长的道路和大片的林地这些比较明显的地物特征,在用改进的方法进行分割后,基本上都提取出来了,而且像绿地的特征提取的整体效果还更好些.