【文章內容簡介】 論 5 初用于醫(yī)學圖像分割，近年來開始用于遙感圖像的分割。它的計算時間長，容易導致過分割現(xiàn)象。 Vicent 等人于 1991 年提出的沉浸模擬的分水嶺分割算法大大提高了計算速度，但是這種算法的結果圖像中會生成單像素寬的封閉輪廓，稱為分水線，這些分水線會對圖像處理和分析造成一定的困難。 此外，基于分水嶺算法的遙感圖像分割算法還有 采用數(shù)學形態(tài)學方法描述城鎮(zhèn)地區(qū)地物尺寸信息和對比度信息，并通過 BP 神經(jīng)網(wǎng)絡完成遙感圖像分割 [11]，以及 根據(jù)遙感圖像不同區(qū)域之間邊界的模糊性，利用模糊概率模型替換了 BP 神經(jīng)網(wǎng)絡進行分類 [12]。這些 方法都 得到了良好的效果，同時提高了算法的執(zhí)行速度。 然而這種基于數(shù)學形態(tài)學的分割方法主要針對的是灰度圖像，并具有對邊界噪聲敏感的缺陷。 2 隨機場算法 隨機場算法中最常用的一種統(tǒng)計學方法是由 Geman S 和 Geman D 于 1984 提出的馬爾可夫隨機場 (Markov random field, MRF)理論。其實質是把圖像中各個點的彩色值看成是具有一定概率分布的隨機變量，這個彩色 值的概率僅由它的鄰域決定，而與圖像的全局信息無關。這種方法 在遙感圖像分割中得到廣泛應用 [13]。為了提高紋理分割的準確性和區(qū)域一致性，降低分割的錯誤率，近年還出現(xiàn)了將小波和雙馬爾可夫隨機場模型結合的圖像分割算法 [14]，以及 將模糊方法和 MRF相結合，建立了基于模糊隨機變量的模糊 MRF 隨機場，對 SAR 圖像進行分割 [15]。但是由于 MRF 模型只在確定類上有定義，因而該模型對于圖像中出現(xiàn)的模糊性問題，如：區(qū)域重疊、相干噪 聲、低對比度等處理效果并不理想。雖然馬爾可夫隨機場算法具有良好的抗噪性能，但是且算法很復雜且需要進行大量運算，因此需要在計算機復雜度和良好的分割結果之間做一個平衡。 3 紋理分割算法 紋理分割算法也是近幾年研究的熱點，是遙感圖像分割的重要工具。對于空間復雜、光譜混合的遙感圖像，如果使用多特征對圖像進行分割可以提高圖像分析的精確度。紋理圖像具有稀疏性、對比度和方向性等特點，通過這些特征，可以將不同的目標分割開來。紋理特征提取的主要目的是將隨機紋理或者幾何紋理的空間結構的差異轉換為特征灰度值的差異。紋理分析方法 基本上可分為基于特征值、基于結構和基于模型三大類： (1) 基于特征的方法。該方法主要描述紋理單元或局部模式隨機分布和空間統(tǒng)計特征，其結構性用圖像中紋理單元的空間頻率或密度來度量，主要包括自相關函數(shù)、灰度共生矩陣法、紋理分析方法、隨機場模型法、分型模型等方法來計算紋理圖像的特征值。 等人在 1996 年提出了局部二值模式 LBP (Local Binary Patterns)作為紋理算子來分析圖像紋理特征 ，并對灰度紋理圖像進行了分割 [38]。 目前，在此方法的基礎上還 提出了基于 LBP (local binary pattern)驅動的區(qū)西北工業(yè)大學碩士學位論文 第一章 緒論 6 域圍道分割模型用于分割紋理圖像，以及利用 LBP/C (Local binary pattern/contrast)的紋理分析方法 對遙感圖像上的居民地紋理特征進行分析描述 的方法 [17]。 (2) 基于結構的方法。該方法主要描述基于 “ 紋理基元 ” 分析紋理特征，假設紋理是由一系列紋理基元有規(guī)律地排列組成，紋理單元可以 分離出來，結構方法通過找到紋理基元，以基元特征和排列規(guī)則作為特征進行紋理分割，如形態(tài)學、圖論、拓撲等方法。 (3) 基于模型的方法。該方法假設紋理是以某種參數(shù)控制的分布模型方式形成的，從紋理圖像的實現(xiàn)來估計計算模型參數(shù)，以參數(shù)為特征或采用某種分類策略進行圖像分割，模型方法也可以看成是特征方法的特例。如 MRF 隨機場模型、小波變換、分形模型等。近年來 Gabor 濾波器成為使用方向濾波進行紋理分割研究的一個熱點。此外，還發(fā)展出 一種基于小波和模糊理論的紋理分割方法 [18]。 目前，紋理分割算法中，運用特征方法和模型方法的研究較多，基于結構的方法一般只適用于規(guī)則性較強的人工紋理，因此應用上受到很大的限制。紋理的方向性隸屬于紋理的結構特性，關于紋理方向性應用到遙感圖像分割的文章在國內外更是比較少。 4 區(qū)域生長算法 基于區(qū)域的方法主要利用區(qū)域內像素特征的相似性來分割圖像，主要包括區(qū)域生長和區(qū)域分裂與合并兩種方法。由于基于區(qū)域的方法具有抗噪聲能力強，得到的區(qū)域形狀緊湊，無需事先聲明類別數(shù)目，容易結合多特征進行生長，該方法仍是遙感圖像分割方法的 主流。此外，區(qū)域增長法對復雜場景進行分割很有效，在自然景物的分割方面亦顯較佳的性能。但基于區(qū)域的方法時開銷較大，在確定種子點和區(qū)域同質性標準時比較困難，需給予改進 [10]。文獻 [19]提出基于區(qū)域生長結合多種特征的多尺度分割算法，算法首先利用圖像梯度信息選取種子點，其次綜合 高分辨率遙感圖像 地物的局部光譜信息和全局形狀信息作為區(qū)域生長的準則進行 區(qū)域生長。 此外， Deng and Manjunath 提出的一種新的區(qū)域增長算法 ——JSEG 算法 [29]以及針對其方法的改進方法 [30]~[32]也在遙感圖像分割中取得了應用 [33]。這類方法較為充分的利用了彩色圖像中個目標區(qū)域的顏色信息，并采用了一種新的分割評價標準對圖像進行分割。本文的后續(xù)章節(jié)會對該方法做詳細的介紹。 5 其他分割算法 除了上述的一些經(jīng)典分割算法外，目前針對高分辨率遙感圖像還發(fā)展出許多新的分割方法。例如，為了提高高分辨率遙感圖像分割的運算效率，采用了基于鄰接圖的面向對象的 分割算法 [20]；另外，在結合了人工手動分割和計算機自動分割的 優(yōu)勢的基礎上，還提出了基于圖割的交互式分割方法 [21]，以及 針對圖割方法西北工業(yè)大學碩士學位論文 第一章 緒論 7 的缺陷，利用四叉樹進行 改進的分割方法 [22]等。除此之外 ，文獻 [23]和 [24]在提高數(shù)據(jù)利用率 方面， 文 獻 [25]在 針對高分辨率遙感圖像邊緣突出的問題上 分別 做了相應的研究。 目前，在遙感圖像分割中，基于區(qū)域的分割方法一般 將 紋理特征作為區(qū)域的一致性屬性，對于灰度圖像的紋理特征已得到深入的研究，彩色紋理特征的提取也已全面展開，對多光譜或高光譜遙感圖像的紋理特征的提取尚處于起步階段。另一方面，遙感圖像的紋理特征與灰度圖像的紋理特征是有所不同的，如何把這些區(qū)域的分割方法與遙感圖像的紋理特征有機結合起來，也值得深入研究。 雖然對 高分辨率 遙感圖像 的分割研究不斷深入，但遙感圖像分割存在以下一些問題： 1. 如何有效綜合利用高分辨率遙感圖像中所反映出的大量信息，如顏色，紋理等信息，來提高圖像分割質量 ； 2. 如何有效處理 遙感影像 的 噪聲問題。由于遙感圖像 內容豐富，具有類型多、目標小的特點，與一般圖像相比，包含了更多的信息，但與此同時也包含了比一般圖像更多的噪聲，這就對遙感影像分割方法處理噪聲圖像的能力提出了更高的要求； 3. 如何 從客觀角度 評價一個圖像分割 結果的優(yōu)劣 。 本文針對以上問題， 在如何有效并合理利用高分辨率彩色遙感圖像所反映的信息 問題上做 了相應研究 ， 并結合 JSEG 算法提出了一種改進 JSEG 算法。該方法綜合利用高分辨率彩色遙感圖像中區(qū)域顏色的同質信息以及圖像的紋理信息 來 解決 傳統(tǒng) JSEG 算法 中存在的邊界定位不準確以及過分割現(xiàn)象 ，并 利用 分析法 準則、優(yōu)度實驗法準則等圖像評價準則對 本文的 圖像分割 方法進行評價 。 論文主要工作及內容 本文根據(jù)遙感圖像的特性，結合遙感圖像的顏色和紋理特征，研究了基于改進 JSEG 算法的 高 分辨率遙感圖像 分割算法。主要研究內容如下： 1) JSEG 算法 研究 研究了傳統(tǒng)的 JSEG 算法 的基本原理和實現(xiàn)步驟，并給出仿真結果。 2) 基于改進 JSEG 算法 的圖像分割 研究 針對傳統(tǒng)的 JSEG 算法存在的問題， 通過利用同質矩陣和原圖像的 LBP 圖對傳統(tǒng) JSEG 算法進行改進。 3） 實驗結論及分析 對兩種算法編程實現(xiàn)，并對實驗結果進行了分析討論。 西北工業(yè)大學碩士學位論文 第一章 緒論 8 4) 圖像分割評價 方法研究 研究 了圖像分割評價的方法，如分析法、優(yōu)度實驗法等 ，并 選取其中的評價測度對 JSEG 以及改進 JSEG 算法分割實驗結果進行比較。 本文具體章節(jié)安排如下 : 第一章 緒論，簡要介紹了 論文的 研究背景及意義，對圖像分割的發(fā)展現(xiàn)狀作了簡要敘述， 并 提出課題的主要研究內容 。 第二章 基于 JSEG 算法的 高分辨率 遙感圖像分割 。對 JSEG 算法 進行研究，并將 JSEG 算法 用于 高分辨彩色遙感 圖像 分割。 第三章 基于改進 JSEG 算法的 高分辨率 遙感圖像分割 。針對 較為深入地分析JSEG 算法中存在的問題，并根據(jù)遙感圖像的特點，對傳統(tǒng) JSEG 算法進行了改進。 第四章 圖像分割評價 。 利用分析法、優(yōu)度實驗法 中的評價測度 ，對 JSEG 算法以及改進 JSEG 算法進行 比較 。 第五章對本文的內容進行總結，并提出今后進一步工作設想。西北工業(yè)大學碩士學位論文 第二章 基于 JSEG 算法的彩色遙感圖像分割 9 第二章 基于 JSEG算法的彩色遙感圖像分割Equation Chapter 2 Section 1 遙感圖像分割就是 對遙感圖像進行處理，把圖像分割成各具特性的區(qū)域并提取出感興趣目標的技術和過程 [26]，主要分割方法 有多尺度方法、多分辨率方法、基于局部圖像函數(shù)的方法、基于邊界曲線擬合的方法、基于馬爾科夫隨機場的方法、混合分布法、閾值化方法、流域變換等 [26]。 JSEG 算法是 Deng and Manjunath[29][34] 提出的一種基于顏色和紋理的區(qū)域分割方法。 JSEG 算法主要分成兩部分：顏色量化和空間區(qū)域的分割，其原理如 圖21 JSEG 分割原理圖 所示。 分 割 結 果 彩 色 圖 像彩 色 空 間 量 化顏 色 類 圖J 圖 計 算J 圖區(qū) 域 增 長空間分割 圖 21 JSEG 分割原理圖 顏色量化首先將圖像的顏色空間轉換為 Luv 顏色空間，然后進行 PGF (Peer Group Filtering)濾波對圖像進行平滑去噪，用分裂算法確定圖像的類數(shù)，最后用GLA (Generalized Lloyd Algorithm)算法完成量化，生成 “ 類圖 ” 。 “ 類圖 ” 可以看作是一個特殊的紋理圖像。 空間分割是在 “ 類圖 ” 上用模板進行掃描，根據(jù)顏色向量在模板中的分布進算出模板中心像素的 J 值，從而得到反映圖像區(qū)域分布信息的 “ J 圖像 ” 。在 “ J圖像 ” 中，小數(shù)值代表了區(qū)域的中心，大數(shù)值代表了區(qū)域的邊界。根據(jù)閾值在 “ J圖像 ” 上建立固定的種子區(qū)域，最終分割出對象的中心區(qū)域。然后將種子區(qū)域外西北工業(yè)大學碩士學位論文 第二章 基于 JSEG 算法的彩色遙感圖像分割 10 的像素按照距離進行區(qū)域生長分配給種子區(qū)域，最后用生成對象的顏色直方圖進行全局最優(yōu)區(qū)域合并完成最終的圖像分割。 彩色特征空間 目前常用的彩 色空間主要有 RGB 、 HSL 、 YUV 和 Luv 等。對于一般所處理的彩色圖像都是由 R ,G ,B 三個分量的值來表示的，但這三個分量具有很高的相關性，直接利用這些分量常不能得到所需效果。因此， 為了降低彩色特征空間各個特征分量之間的相關性，以及為了使得所選空間更方便于彩色圖像分割方法的具體應用，就需要將 RGB 空間轉換到其他空間。 在彩色圖像分割中經(jīng)常采用兩個顏色間的歐式距離來判斷顏色間的差異或相似性，計算兩種顏色間的歐式距離又稱色差計算。研究表明，很多圖像分割算法對色差計算都很敏感，色差計算很大程度上依賴于顏色空間的均勻性。而色差的結果越接近人眼的視覺感受，說明顏色空間均勻性越好。由于現(xiàn)有的彩色圖像分割算法基本都是基于顏色相似性的，所以顏色空間的均勻 性以及色差的計算與人眼視覺感知的符合程度直接影響著分割算法的性能。 Luv 顏色空間 基于色度理論和參考白點，與人類的視覺感知相當一致， 也就是人們感知到的兩個顏色的距離和它們在顏色空間中的距離成較好的比例關系，在 Luv 空間中的歐式距離能夠很好地表現(xiàn)兩種顏色的相似性。因此 本文選擇了CIE (國際照明委員會 )開發(fā)并在其基礎上演變而來的 Luv 彩色空間。該空間 有 三個特征向量 ,Luv ，其中 L 為亮度， u 和 v 為色度坐標。對于一般的圖像， u 和 v 的取值范圍為 100 到 +100，亮度為 0 到 100。它的計算公式可以通過如下非線性變換公式計算得到： 133003300006116 ( ) 16 , ( )2966( ) , ( )29 2913 ( )13 ( )YYYYLYYYYu L u uv L v v???????? ????????? () 式中， 0 0 0,Y u v 為標準白時的值，且 415 3615 3XuX Y ZYvX Y Z?? ???? ?? () 西北工業(yè)大學碩士學位論文 第二章 基于 JSEG 算法的彩色遙感圖像分割 11 ()和