基于邻接图的面向对象遥感图像分割算法

第35卷 第2期大连海事大学学报Vol.35 N o.2 2009年5月Journal of Dalian Maritime University M ay, 2009

文章编号:1006 7736(2009)02 0081 03

基于邻接图的面向对象遥感图像分割算法

谭玉敏1,槐建柱1,唐中实2

(1.北京航空航天大学交通科学与工程学院,北京 100191;

2.清华大学土木水利学院,北京 100084)

摘要:为解决高分辨率遥感图像自动化处理程度不高的问题,提出一种基于邻接图的面向对象遥感图像分割方法.综合利用遥感图像的光谱信息和区域形状信息进行图像分割,并采用了一种新的异质性度量准则.与经典软件eCogniton 在QuickBird图像分割的效率和效果方面的对比分析表明,该算法在运算效率上较eCognition的多尺度分割方法可以提高近1倍.

关键词:邻接图;面向对象;图像分割;高分辨率遥感

中图分类号:T P751 文献标志码:A

Object oriented adjacency graph partition algorithm for remote sensing image segmentation

T AN Yu min1,HU AI Jian zhu1,T A NG Z hong shi2

(1.School of Transpor tation S c ience&Engine er ing,

Beihang University,Beijing100191,China;

2.School o f Civ il Engineering,Tsinghua University,

Beijing100084,China)

Abstract:Automatically processing hig h resolution remote sens ing images is currently of regional and g lobal research prior ity. T his paper presented an algorithm based on adjacency graph par tit ion for high resolut ion remote sensing imag e segmentation. T he pro posed algor ithm utilized both the reg ion geometrical and spectr al properties to evaluate the weight o f the edges and the internal dissimilar ity of the reg par ing w ith t he eCogni tion on image seg mentation efficiency and effect,the proposed method can save half runtime in efficiency.

Key words:adjacency graph;object oriented;image segmenta tion;high resolution r emote sensing 0 引 言

图像分割是高分辨率遥感图像信息提取和面向对象图像分类的重要环节[1].图像分割的最终目的是将图像中这些像素点分离或者合并,形成对人有意义的图像区域.遥感图像的光谱信息是图像分割的基本信息,也是诸多图像分割算法所依据的基本特征,但空间信息如纹理和几何特征等也是遥感图像特别是高分辨遥感图像的重要特征,而目前分割算法[2-4]大多未能有效整合光谱信息和空间特征.为使遥感图像分割的结果更加合理,人们提出将纹理、特征引入图像分割的算法[5].其中最有代表的就是第一个面向对象的图像分析软件eCognition中实现的多尺度分级分割算法.但是,将几何特征引入分割过程,会占用大量的内存和时间,所以很多情况下,这样做是得不偿失的[6].

本文提出一种基于邻接图的面向对象的遥感图像分割模式.在图像分割时,综合颜色和形状信息进行邻接图分割.

1 基于邻接图的面向对象的遥感图像

分割

1.1 区域距离度量方法

在图像分割[7]中,基于同一区域的不同(即异质性)尽量小,不同区域的差异(异质性)尽量大的原则,当两个区域的异质性小于两个区域各自的异质性之和时,即将两个区域合并.用Dif(R a,R b)表示区域R a、R b的异质性度量函数,用Int(R a)= Dif(R a,R b)表示区域R a异质性度量函数,合并区

收稿日期:2008 09 08.

基金项目:空间数据挖掘与信息共享教育部重点实验室(福州大学)开放基金资助项目(200805);极地测绘科学国家测绘局重点实验室开放基金资助项目(200810).

作者简介:谭玉敏(1977-),女,山东临沂人,讲师,博士,E mail:tany m@.

域的判断函数为

Merge(R a,R b)=true,if(Dif(R a,R b)

<(Int(R a)+I nt(R b))(1) 下面基于面向对象的概念,建立区域异质性函数.其中这些函数的建立借鉴了eCognition中的区域异质性度量函数.当然,可以选取其他函数作为区域异质性的度量,例如文献[5]中进行图像处理时应用的Guigues函数.本文以异质性函数为代表,说明运行方式及其效果.

定义区域的异质距离

Dif(R a,R b)=w color h color+(1-w color)h shape

其中:w color表示光谱特征相对于形状信息的用户自定义权重,一般取0.5以上;h color表示区域R a R b 的色彩异质性,且

h color=n mg

m

k=1

w k mg k

其中:m表示波段数;n mg表示区域R a R b含有的像素点(样本点)个数,角标mg表示并(merge);w k 表示第k波段的权重,通常均取1; mg k表示第k波段区域R a R b的光谱值(即灰度值)标准差.h shap e表示区域R a R b的形状异质性,且

h shape=w cpt h cpt+(1-w cpt)h smooth

其中:w cpt为区域紧凑度的用户自定义权值,取值为0~1;h cpt表示区域R a R b的紧凑度,且

h cpt=n mg l mg

n mg

=n mg l mg

其中,l mg表示区域R a R b的周长.h smooth表示区域R a R b的光滑度,且

h smooth=n mg

l mg

b mg

其中,b mg表示边界框最短可能边长.

由此,

I nt(R a)=Dif(R a,R a)=

n mg

m

1

w k mg k+(1-w color)!

n mg l mg+(1-w cpt)n

mg

l mg

b mg

以上即完成了基本的函数定义.要使判据函数成立,必须引入一个用户定义的分割常量(分割尺度常数)s(0~1),得到新的区域合并判据.

M erge(R a,R b)=

true,if(s!Dif(R a,R b)<

Int(R a)+I nt(R b))

false,otherw ise

1.2 邻接图顶点(区域)合并

以图1为例说明区域合并的过程.区域3、4、5为同质区域,如经距离函数判定5和4可以合并,则按照最小生成树算法中的合并方式,将5合并至4中.然后开始数据升级过程,计算4和与5相连结点2的距离.注意4和与5相连其他结点的距离已经计算过.将5删除,删除所有以5为端点的边,将5

的邻接

点与4相连.综上,i、j(i

R j总的合并思路是:

(1)连接i和j的邻接节点中与i非邻接的节点,

计算新的连接边的长度,添加到边长记录最小堆中.

(2)删除结点j以及所有与之相连的边.

图1 区域合并过程

2 算法实验与分析

为检验本算法对遥感图像分割的效率和效果,

本文进行如下实验.实验数据为2005年7月15日拍

摄的宜昌市部分区域的QuickBird融合后数据,平台

环境为WindowsXP操作系统,系统配置512M内

存,2.66GH z CPU,在VC++ 6.0环境下编译执行.

在处理开始前,先对图像进行高斯滤波( =0.8).

图2(a)为原始图像;图2(b)中w color=0.8,

w cpt=0.9,s=0.6,耗时6.38s,生成区域402个;

图2(c)中w color=0.8,w cp t=0.9,s=0.8,耗时

5.32s,生成区域843个;图2(d)中w color=0.8,

w cpt=0.9,s=0.9,耗时4.47s,生成区域1724个.

由图2可以看出,对同一幅图像进行处理时,s

越大,分割得到的区域总数越多,因为区域合并的条

件比较苛刻.一般情况下,取s>0.5.在s<0.5时, 82

大连海事大学学报 第35卷