【正文】 果可以看出，在各小類文獻數(shù)量中“圖像分割和邊緣檢測”小類仍分別排名第一和第二位[7]~[8]。 高分辨率遙感圖像分割發(fā)展現(xiàn)狀由于遙感圖像通常表現(xiàn)為對比度較低、區(qū)域特征由于不同拍攝條件而產(chǎn)生變化、不同區(qū)域之間邊界模糊，以及形狀結(jié)構(gòu)和紋理分布的復(fù)雜性和多樣性等特點，沒有完全可靠的模型和指導(dǎo)，因而使得遙感圖像分割技術(shù)發(fā)展受阻。以下是針對高分辨率遙感圖像的幾種常見分割方法：1 數(shù)學(xué)方法與遙感技術(shù)相結(jié)合的分割方法[10]由于目前遙感圖像分割尚無自身的理論基礎(chǔ)，因此可以結(jié)合數(shù)學(xué)方法和技術(shù)來進行遙感圖像分割。分水嶺算法，是以數(shù)學(xué)形態(tài)學(xué)作為基礎(chǔ)的一種區(qū)域分割方法。它的計算時間長，容易導(dǎo)致過分割現(xiàn)象。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(xué)形態(tài)學(xué)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(luò)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(luò)進行分類[12]。然而這種基于數(shù)學(xué)形態(tài)學(xué)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。其實質(zhì)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(guān)。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(jié)合的圖像分割算法[14]，以及將模糊方法和MRF相結(jié)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]。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(fù)雜且需要進行大量運算，因此需要在計算機復(fù)雜度和良好的分割結(jié)果之間做一個平衡。對于空間復(fù)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(jié)構(gòu)的差異轉(zhuǎn)換為特征灰度值的差異。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(jié)構(gòu)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(guān)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。目前，在此方法的基礎(chǔ)上還提出了基于LBP (local binary pattern)驅(qū)動的區(qū)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]。該方法主要描述基于“紋理基元”分析紋理特征，假設(shè)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(jié)構(gòu)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(xué)、圖論、拓撲等方法。該方法假設(shè)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。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。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(jié)構(gòu)的方法一般只適用于規(guī)則性較強的人工紋理，因此應(yīng)用上受到很大的限制。4 區(qū)域生長算法基于區(qū)域的方法主要利用區(qū)域內(nèi)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。此外，區(qū)域增長法對復(fù)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。文獻[19]提出基于區(qū)域生長結(jié)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。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。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。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(yīng)的研究。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(jié)合起來，也值得深入研究。由于遙感圖像內(nèi)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(jié)果的優(yōu)劣。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(zhì)信息以及圖像的紋理信息來解決傳統(tǒng)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。主要研究內(nèi)容如下：1) 算法研究研究了傳統(tǒng)的算法的基本原理和實現(xiàn)步驟，并給出仿真結(jié)果。3）實驗結(jié)論及分析對兩種算法編程實現(xiàn)，并對實驗結(jié)果進行了分析討論。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(nèi)容。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。針對較為深入地分析算法中存在的問題，并根據(jù)遙感圖像的特點，對傳統(tǒng)算法進行了改進。利用分析法、優(yōu)度實驗法中的評價測度，對算法以及改進算法進行比較。西北工業(yè)大學(xué)碩士學(xué)位論文 第二章 基于JSEG算法的彩色遙感圖像分割第二章 基于JSEG算法的彩色遙感圖像分割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(shù)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]。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。“類圖”可以看作是一個特殊的紋理圖像。在“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。然后將種子區(qū)域外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。對于一般所處理的彩色圖像都是由,三個分量的值來表示的，但這三個分量具有很高的相關(guān)性，直接利用這些分量常不能得到所需效果。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。而色差的結(jié)果越接近人眼的視覺感受，說明顏色空間均勻性越好。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(guān)系，在空間中的歐式距離能夠很好地表現(xiàn)兩種顏色的相似性。該空間有三個特征向量，其中為亮度，和為色度坐標。它的計算公式可以通過如下非線性變換公式計算得到： 式中，為標準白時的值，且 和式中由下式得到： 利用~式就可以將彩色圖像從空間轉(zhuǎn)換至空間，在空間中定義歐式距離為： JSEG算法 彩色圖像的顏色量化在算法中，首先需要知道整幅彩色圖像的顏色分布并產(chǎn)生類圖，將圖像進行一種原始的分割。顏色量化技術(shù)已經(jīng)研究了很多年，目前常用的顏色量化方法大體可以分為分割算法和聚類算法二類。此類方法重構(gòu)圖像的層次感較豐富，但會丟失出現(xiàn)頻率小的色彩，而無法保留細節(jié)，使局部模糊。聚類算法為近似最優(yōu)算法，但需迭代運算，計算量大，而且量化結(jié)果往往依賴于初始聚類中心的選取，聚類算法也容易將相近的色彩合并，而破壞色彩的層次感。根據(jù)人眼視覺特性、顏色的空間分布以及最小量化失真，提出了一種在顏色空間進行顏色量化的方法[34]。研究表明，人類的視覺感知對平滑區(qū)域的變化比對細節(jié)豐富區(qū)域的變化更為敏感。如果賦予平滑區(qū)域比較大的權(quán)重，而賦予細節(jié)豐富區(qū)域比較小的權(quán)重，就可以使細節(jié)豐富區(qū)域的量化粗糙，平滑區(qū)域的量化精細，從而提高整個圖像的質(zhì)量。 同等組濾波(PGF)同等組濾波()的目的有兩個，其一對實際獲取的圖像進行濾波，對圖像中被干擾的像素點利用同等組成員進行平滑；此外就是利用獲得的同等組得到矢量量化過程中的權(quán)重信息。是一種針對彩色圖像的圖像平滑和脈沖噪聲移除的非線性算法，其不僅能夠有效移除噪聲，并且能在邊緣和細節(jié)不模糊的情況下平滑彩色圖像[34]。根據(jù)顏色相似性，對每一個中心像素進行同等組分類，并判定窗口中心像素是否為噪聲信號；2) 替代與平滑。同等組濾波的具體流程如下圖所示：圖22 PGF算法流程圖值得注意的是彩色圖像的濾波與顏色量化以及后面所介紹的空間分割都是在空間中完成的，這是由于空間更加符合視覺的均勻感知特性，因此有利于顏色的量化和描述。設(shè)特征向量為，則濾波窗口中各像素與中心像素的特征距離為： 然后將進行升序排列： 1 脈沖噪聲的去除首先通過鄰域像素與濾波窗口中心像素點的歐氏距離的一階差分，通過的值來判斷脈沖噪聲并剔除，一階差分由下式得到： 然后，測試按距離升序排列后的前和后個像素點的距離差分值，并令門限值為,當出現(xiàn)： 即認為有噪聲出現(xiàn)，具體分為如下兩種情況。2) 若測試后點時，滿足式，則的點視為噪聲。準則函數(shù)定義如下： 其中，表示窗口內(nèi)幾個點的距離平均，表示窗口內(nèi)其余點的距離平均，分別由下式計算： 另外，定義類內(nèi)散度為： 通過遍歷所有的可能性，當某種情況下取得最大時，那么此時的值就是同等組的大小。計算公式為： 其中是標準高斯權(quán)值，分別是的均值和方差。是抑制噪聲常用的非線性處理方法。本文選擇華盛頓某地和北京某地的高分辨遙感圖像進行濾波實驗，以下是與方法濾波的實驗結(jié)果圖： (a)原圖 (b)加噪聲圖 (c)PGF濾波結(jié)果圖 (d)VMF濾波結(jié)果圖圖23 華盛頓某地PGF與VMF方法濾波對比結(jié)果 (a)原圖 (b)加噪聲圖 (c) PGF濾波結(jié)果圖 (d)VMF濾波結(jié)果圖圖24 北京某地PGF與VMF方法濾波對比結(jié)果從實驗結(jié)果可以看出，方法濾波后的圖像去除了噪聲的同時，也改變了其它像素點的顏色，使得細節(jié)模糊，而濾波則能夠去除脈沖噪聲、平滑圖像、減小失真并較好地保護細節(jié)。顏色量化技術(shù)目前做了大量的研究，主要工作包括簇的均值漂移算法(mean shift algorithm for clustering)[35]，針對均值初始化的通用方法(a genetic algorithm for initialization of Cmeans algorithm)[36]以及顏色空間中的量化方法(a quantization scheme in the HIS color space)[37]。顏色量化利用了由同等組濾波所獲得的局部統(tǒng)計特性作為矢量量化過程中的權(quán)重。越小，窗口圖像越平滑，反之，窗口圖像越粗糙。因此，就表征了區(qū)域平滑度的權(quán)重，噪聲區(qū)域像素的權(quán)重小于平滑區(qū)域像素的權(quán)重。越大，圖像越不平滑，則可能量化出更多的簇。2 GLA算法算法是矢量量化算法中的關(guān)鍵的一個步驟，該方法大致分為分裂與像素分配兩部分。假設(shè)已經(jīng)分裂成為簇。然后計算每簇的總失真，該值表征了每一簇的失真程度，是判斷該簇是否分裂的依據(jù)，計算公式如下： 設(shè)定失真門限值為，將已分裂好的每簇的失真值與其比較，當失真值高于設(shè)定的門限時，即，則將該簇分裂為兩部分，然后將原簇中的像素重新分配至新簇中。這種量化算法是以尋找最優(yōu)矢量量化器為目標的迭代聚類算法。3 合并由于算法的目標是使全局失真最小化，因此迭代完成后，對大量顏色相近的像素會存在多個簇，因此需要再運用簇聚類方法，合并相近的碼書向量，得出最終的量化結(jié)果。類圖可以看作是位于二維空間的數(shù)據(jù)點集合，每個點的值是圖像像素點在二維平面的位置，記為向量，這些數(shù)據(jù)點已經(jīng)歸類并且每一個點都有其類標記。圖26給出了一種簡單的類圖，圖中“+”、“O”、“*”分別表示數(shù)據(jù)點組成的3個類。實驗中設(shè)置=2，失真值的門限t=，濾波窗口n=5。算法提供了一種代價小，計算簡單的分割標準——值[29]。關(guān)于值在本文后面將做詳細的介紹。局部值計算和區(qū)域增長都是在一定尺度下完成的，每完成一次尺度減一，直到尺度小于某閾值后結(jié)束。該值是在類圖的基礎(chǔ)上計算的。設(shè)，則均值可由下式計算： 若將分成了類，為第類中個數(shù)據(jù)點的均值，則有： 令 則J值由定義： 以圖26為例，我們利用式很容易計算每種類圖所對用的值分別為，如下圖所示： 類圖1 類圖2 類圖3 J= J=0 J=圖29 不同類圖和它們相應(yīng)值容易看出，值越大，說明類與類之間分離地越開，類內(nèi)成員之間越緊密。然而大多數(shù)情況，整個類圖的值總是介于類圖1和類圖2這兩種情況之間，則判定分割的好壞顯的不夠直觀。因此，如果對于每一個分割的區(qū)域重新計算值后求和并平均就可以得到，定義為： 式中，是區(qū)域的值，是區(qū)域的像素點數(shù)，是類圖中所有像素點數(shù)的總和。因此，利用作為評價標準顯然比值更加直觀。 已分割的類圖1 已分割的類圖2 圖210 已分割的類圖和它們相應(yīng)的值 J圖和尺度的選擇雖然越小說明圖像分割的越好，但是想得到整幅圖像的全局最小值顯然是不現(xiàn)實的，因為分割圖像的方法有很多不是唯一的。圖就是利用這個思想而建立的，其實它相當于一個灰度圖，即在某一尺寸的小窗口內(nèi)利用像素值計算值，并將其作為窗口中心像素對應(yīng)位置上的值而得到的二維數(shù)據(jù)結(jié)構(gòu)。顯然，像素