【正文】 ）其中表示是不同的區(qū)域。直到圖像上的每個像素都進行過處理，因此，原圖像也可以由處理后的不同的區(qū)域組成。從種子點的集合開始，從這些點的區(qū)域增長是通過將與每個種子點有相似屬性的相鄰像素合并到此區(qū)域。但是，區(qū)域增長法對種子點的選擇依賴性較強，對噪聲的干擾，生長閾值的選擇十分敏感，容易造成過度分割，必須要采取對應的抑制措施，區(qū)域合并是較為常用的方法[33]。該算法最早由Admas和Bischf在九十年代提出[32]。 區(qū)域增長法區(qū)域增長法(Seeded Region Growing，SRG)面向對象遙感處理方法中的重要部分。由于橢圓有5個自由參數(shù)，所以它的參數(shù)空間是5維的，因此變換過程的計算量相應的也增加。根據(jù)以上理論基礎本文實現(xiàn)了對圖29的Hough變換圓檢測，結果如圖210。當然如果只檢測固定r的圓，相對來說不論從算法上還是從計算量上來講都要簡單些。由于原圖像空間中在同一個圓上的點的參數(shù)a和b相同，那么它們在參數(shù)空間中的對應的錐面簇都過同一個點(a,b,r)。同樣可以把x，y看作變量則方程為： (25)參數(shù)空間為三維的錐面，當檢測某一半徑的圓的時候，可以選擇與原圖像空間同樣的空間作為參數(shù)空間。下面我們先簡單介紹Hough變換的圓檢測原理。圖27 原始遙感影像圖28 Hough變換提取遙感影像中的道路 Hough變換的推廣其實Hough變換可以檢測任意的已知表達形式的曲線，關鍵是看其參數(shù)空間的選擇，參數(shù)空間的選擇可以根據(jù)它的表達形式而定。 a待提取邊緣的五角星 b提取邊緣后的五角星圖26 Hough變換提取五角星邊緣同樣把Hough變換的方法應用到遙感影像分析中同樣是可行的，圖28是對圖27的線性地物的提取，從28我們可以看出原始影像上的線性地物基本都可以提取到。（3）(x,y)域中一條直線上的n個點對應于變換域中經(jīng)過一個公共點的n條曲線。由Hough的原理可知Hough變換的性質如下：（1）(x,y)域中的一點對應于變換域(ρ,θ)中的一條正弦曲線。Hough變換在抑制噪聲方面的能力強使其能廣泛應用，它能夠提取處在噪聲背景中的直線，并且具有把斷了的線段連接起來的能力。圖25 Hough變換過程示意圖當原圖像上有N條直線時，對應參數(shù)平面上會有N個的直線簇分別通過N個固定點?？梢郧蟪?，過A點的直線的參數(shù)要滿足方程1=k+b,過B點的直線的參數(shù)要滿足方程2=2k+b,過C點的直線的參數(shù)要滿足方程3=3k+b,這三個方程就對應著參數(shù)平面上的三條直線，而這三條直線會相交于一點(k=1,b=0)。我們要得到此直線的方程就必須計算得到參數(shù)k和b的值。從圖24中可以看出，Hough 變換使不同的線和點建立了一種對應關系。對應到笛卡兒坐標里是同一條直線。(a) (b) (c)(d) (e) (f) 圖24 Hough變換的原理在笛卡兒坐標中共直線的點（如圖24(e)中的(x1,y1)(x2,y2)(x3,y3)三點共線）映射到極坐標系便是共點的一簇曲線（圖24(f)）。在笛卡兒坐標系中通過公共點的一簇直線（如圖 24(c)所示），映射到極坐標中便是一個點集,這些點集構成一條曲線，其實這是正弦曲線（圖24d)）。Hough變換就根據(jù)點線的對偶性把在圖像空間中存在的直線檢測問題轉化成參數(shù)空間中存在的點檢測問題，通過在參數(shù)空間里進行簡單的累加統(tǒng)計完成直線檢測任務[2930]。公式（）的另一種寫法如公式（22）： （22）（22）式代表過點的參數(shù)空間中的一條直線。Duda和Hart分別對最初的Hough變換算法做了進一步的改進和完善[27]，Hough變換實現(xiàn)了一種從圖像空間到參數(shù)空間的映射關系，其核心思想是點線的對偶性，通過變換將圖像從圖像空間轉到參數(shù)空間[28]。然后就可以根據(jù)我們的需求對此對象的各種特征的分析。這樣，不僅提高了圖像處理的速度(只對確定范圍內(nèi)的區(qū)域進行處理)，而且得到了檢測對象的描述參數(shù)(對檢測得到的邊緣像素點進行相應的進一步處理)[24]。Hough變換的思想認為根據(jù)實際測量所遇到的圖像邊緣的類型可分為直線、圓、圓弧、橢圓等不同類別?；谝浑A導數(shù)的運算是通過梯度算子來完成的，例如比較常用的Robets交叉算子[20]、Prewitt邊緣算子[21]以及Sobel邊緣算子等[22]，基于二階導數(shù)的邊緣檢測比較常用的有Laplacian算子[23]。 A分割尺度：10 B分割尺度：20 C分割尺度：50 D分割尺度：100 E分割尺度：150 F分割尺度：200圖22 eCognation中不同尺度的分割圖 面向對象的邊緣檢測方法 傳統(tǒng)圖像邊緣檢測與面向對象思想的結合邊緣是圖像最重要的特征之一，包含了圖像的大部分信息，是指圖像局部區(qū)域亮度變化最為顯著的部分[18]，該區(qū)域的灰度剖面一般可看作是一個階躍[19]，即從一個灰度值在很小的緩沖區(qū)域內(nèi)急劇變化到另一個灰度相差較大的灰度值。在金字塔的最底層保存的是原始圖像，然后每上一層數(shù)據(jù)都是由相鄰的下一層數(shù)據(jù)產(chǎn)生，從圖22可以更直觀的看到這一點。多尺度分解后將產(chǎn)生圖像的多尺度數(shù)據(jù)結構。影像對象的層次網(wǎng)絡允許影像信息在不同的尺度同時被表達，通過定義不同尺度對象之間的拓撲聯(lián)系，更多的信息可以從影像數(shù)據(jù)中抽取出來。以人類為例，人眼對某些現(xiàn)象或過程的觀察和測量也往往是在不同尺度上進行的。影像對象的層次網(wǎng)絡中不同尺度對象的尺寸大小有差異，但大尺度對象與小尺度對象一樣為原始像元的聚合，只是聚合閾值大小不一樣，而呈現(xiàn)不同的像元組合特征，因此大尺度的影像對象中并沒有損失原始像元的信息。它考慮了地表實體格局或過程的多層次，克服數(shù)據(jù)源的固定尺度，采用多尺度影像對象的層次網(wǎng)絡結構揭示地表特征的等級關系。一般在進行影像分割之前要遵循以下幾條規(guī)則：[17]：1)盡量保證對象內(nèi)部的同質性；2）分割時的尺度應與待解決問題所需尺度相適應；3）為了能適用于其他類型的數(shù)據(jù)與問題，分割算法應相對具有普適性；4）再生性問題，如果分割結果為最合理情況則分割成果應該具有可重復性。通過這種技術，我們就可以理解遙感影像對象如何在不同的尺度域之間相互作用，從而反映影像中地表物體的固有形態(tài)。多尺度分割是為提取影像對象所開發(fā)的一個分割算法，它是由基于像素值和對象形狀來共同描述。具體到影像分析技術上通過研究原始影像分辨率為50cm的對象均值方差與分割尺度之間的關系曲線圖得到不同地物具有不同的最優(yōu)分割尺度的結論。不同尺度的數(shù)據(jù)體現(xiàn)為不同的特點，在具體的專題應用中應根據(jù)任務與現(xiàn)象性質選擇相應的尺度進行觀察與研究[16]。我們這里比較關心的是空間尺度。通常把現(xiàn)象隨著尺度變化而變化稱為尺度效應。由于對象具有明確的等級與相鄰關系，子類可以繼承父類的類別描述函數(shù)，不但減少了類別間的混疊，而且基于一次解譯結果可以制作多種不同詳細程度的專題圖[15]。3) 分類精度更高。面向對象的方法近乎于模擬人的認知過程。因為它可以充分的利用形狀（如長度、邊緣個數(shù)等）和拓撲特征（鄰近，對象結構等等）等信息，可以保持地物目標的整體性。它可以充分利用了對象信息（色調(diào)、形狀、紋理、層次），類間信息（與鄰近對象、子對象、父對象的相關特征）,該方法大大提高了不同空間分辨率數(shù)據(jù)的自動識別精度，有效地滿足了地學科研和工程應用的需求。每個影像對象都知道它的相鄰對象、它的子對象以及它的父對象，通過垂直連接對象，可以訪問尺度、紋理、形狀和空間位置等屬性。這種面向對象的遙感影像分析方法首先根據(jù)尺度參數(shù)、局部區(qū)域紋理信息以及形狀和光譜信息自動將影像分為若干內(nèi)部均勻的小區(qū)域，并把這些小區(qū)域叫影像對象。以單個像素為單位的常規(guī)信息提取技術過于著眼于局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重制約了信息提取的精度。傳統(tǒng)的分類和提取方法主要是基于像素的、利用統(tǒng)計與人工解譯相結合的方法。對象層和這些層間的連接方式以層次結構的方式進行。 面向對象的優(yōu)越性面向對象的影像分析技術是基于對象的理念對影像的空間信息、光譜信息、紋理信息和形狀信息等方面的信息提取，最終進行影像的識別和分類。 a)對象化前影像 b)對象化后的影像圖21影像對象示意圖由于每塊影像內(nèi)所包含的信息要比單個像素所包含的信息多，大多數(shù)不同的影像對象是依據(jù)其顏色、形狀 、紋理所構成區(qū)域進行測算讀取的，更多信息也可通過影像對象的網(wǎng)狀結構來進行歸納分類或合并。同樣的影像在不增加外來信息的情況下用面向對象的分析方法可以提取到更多的信息，從而增加了分類的依據(jù)，提高分類的精度。經(jīng)過初步分割的“影像對象”包含了以下幾種信息：光譜信息、紋理、位置、大小、形狀、緊致性、光滑度等。 面向對象技術的理論基礎面向對象方法最大的特點是后面的“操作”都是以“影像對象”為基本的操作單元，而非傳統(tǒng)方法的像元。第二章 面向對象影像分割算法分析和改進第二章 面向對象影像分割算法分析和改進面向對象影像分割方法的優(yōu)越性使得近年來學者對該方法的研究一直都是熱點。分析結果證明該算法能夠得到較優(yōu)的分割結果。首先對數(shù)據(jù)進行預處理，然后用面向對象的方法進行分割和邊界的視覺“對象化“。最后對兩種方法進行了比較分析。第3章 基于紋理信息的信息提取技術 分別對兩種紋理分析方法（Tamura紋理法和共生矩陣法）進行了深入研究。在前人研究的基礎上對區(qū)域增長法進行了改進，并實現(xiàn)了區(qū)域的合并算法以滿足面向對象的多尺度分析。全文內(nèi)容安排如下:第1章 緒論介紹了課題的研究背景和意義、總結了目前遙感圖像紋理分析的研究現(xiàn)狀與發(fā)展趨勢、對現(xiàn)有的紋理分析方法進行對比分析和概括了論文的組織結構，其中本課題的意義從紋理分析和面向對象兩個方面進行了說明。綜上所述,在提取紋理特征的有效性方面, 信號處理法、統(tǒng)計法和模型法各有特點可以說相差無幾,都獲得部分學者的認可。也有學者[1314]比較了共生矩陣、馬爾可夫模型法和Gabor濾波法對遙感圖像分類的正確性，結果是共生矩陣法的正確率最好[5]?；诮y(tǒng)計的方法算法簡單且易于實現(xiàn),尤其是共生矩陣法是公認的有效方法,具有較強的適應能力和魯棒性。有學者[10]經(jīng)過研究認為該方法對雷達圖像紋理提取效果相當不錯。半方差圖法是一種基于變差函數(shù)的方法。為了換取計算時間有人提出壓縮圖像的灰度級，這就意味著要損失一定的灰度的空間依賴關系。雖然共生矩陣能很好的描述紋理信息但是計算公式矩陣的代價是昂貴的。LBP法因為具有旋轉不變性和多尺度特性，并且計算的復雜度也小的特點而受到眾多學者的青睞。4)統(tǒng)計法統(tǒng)計法中主要有灰度行程長度法、灰度差分統(tǒng)計、交叉對角矩陣、共生矩陣法和半方差圖方法。當二值紋理圖像由結構元素所腐蝕時,紋理屬性就會表現(xiàn)在腐蝕后的圖像中[9]。句法紋理描述方法通常首先確定紋理基元，然后根據(jù)句法模式識別理論，利用形式語言對紋理的排列規(guī)則進行描述，以達到紋理識別的目的。因此該方法在實際的應用方面也受到了限制。方法本身的理論基礎就確定該方法只能解決規(guī)律性較強的紋理分析問題。該方法存在的一個潛在的假設是紋理基元幾乎具有規(guī)范的關系并且紋理圖像的基元可以分離出來。計算量大的問題也是小波的一個致命的缺陷。小波包分析雖然能克服了這一缺點,但對非規(guī)則紋理則不能合理的刻畫出來。濾波法的不足部能一概而論，正交小波變換的多分辨分解只是將低頻部分進行進一步的分解,而對高頻部分不予考慮。同時在速度上也有優(yōu)勢。在計算量方面也沒有行之有效的快速算法來確定眾多的參數(shù)。Gabor能量譜能捕獲紋理中大量有用信息,但其變換窗口的大小固定,在靈活性方面很難獲得紋理在頻率和方向上微小的變化信息。由于小波具有良好的特性，有很多學者都做了研究，從而產(chǎn)生許多變種，如二進制小波、金字塔小波等。分辨率低的代表原圖像上低頻的信息，分辨率高的代表原圖像上的高頻信息。小波法是從紋理圖像呈現(xiàn)出的多尺度特征入手。其主要思想是:同紋理一般具有不同的中心頻率及帶寬,根據(jù)這些頻率和帶寬可以設計一組Gabor濾波器對紋理圖像進行濾波,每個Gabor濾波器只允許與其頻率相對應的紋理順利通過,而使其他紋理的能量受到抑制,從各濾波器的輸出結果中分析和提取紋理特征,用于爾后的分類或分割任務。為了能讓計算機也能完成相同的識別任務,各界學者研究能賦予計算機擁有近于人類的視覺功能和識別能力。小波變換方法是模擬人的大腦對自然特征的視覺直接感受的過程。數(shù)字圖像變換方法通常是先把圖像劃分為不重疊的nn的方形子圖像,并將像素排列成n2維的向量。大多數(shù)基于濾波的方法都基于這樣一個假設:頻域的能量分布是能夠鑒別紋理的。2)濾波法通過濾波的進行紋理信息提取的方法主要有數(shù)字圖像變換方法和小波變換方法。但是如果模型相對簡單則不能充分的反映紋理特征。在其迭代優(yōu)化過程中它由局部到全局的收斂速度很慢,因而需要很大的計算量。采用隨機場模型法對遙感影像紋理特征進行描述并在此基礎上進行分割,在很大程度上符合或反映了地學規(guī)律。馬爾科夫模型的主要優(yōu)點是提供了一種一般而自然的用來表達空間上相關隨機變量之間的相互作用的模型。第二是假設自然界中的分形與圖像的灰度表示之間存在著一定的對應關系。分型維數(shù)可以很好地表征紋理的粗糙程度，而且對尺度變化也不敏感，同時還可以把圖像的空間信息和灰度信息簡單而又有機地結合起來,因而在圖像處理中備受人們的關注。自回歸模型是通過鄰域的灰度級來估計本像元的灰度級，此法最早是由McCormick等人[7]提出。之后被用于描述紋理和紋理分類與分割。馬爾可夫模型建模的的基本思想是通過任意像素關于其鄰域像素的條件概率分布來描述紋理的統(tǒng)計特性。隨機場模型方法是通過概率來描述紋理信息的過程，實質上是描述圖像中像素對其鄰域像素的統(tǒng)計依賴關系。它是