作业2 高空间分辨率遥感影像分割方法实验

作业2 高空间分辨率遥感影像分割方法实验

学号：

课程代码：

姓名：

截止日期：2016.11.29

上交时间：2016.11.28

摘要：遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。本文使用棋盘分割算法、四叉树分割算法、多尺度分割算法三种分割算法与Canny边缘检测算法对图像进行分割和提取边缘。并简单的对ecognition软件中设置的不同参数进行探索。

1.方法

1.1.分割

遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术，对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义[1]。

1.1.1. 棋盘分割算法

棋盘分割（Chessboard Segmentation）是易康软件中一种简单的分割算法，它将一幅影像或一个父级对象分割成许多正方形的小对象。在分割过程中，棋盘分割算法主要用到的是分割尺度参数。

1.1.

2. 四叉树分割算法

四叉树分割法（Quadtree-Based Segmentation）：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[2]。依次考虑4个子块中的每一块,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[3]。下图表示一个四叉树的分割过程[4]。

图1-1 四叉树分割过程示意

1.1.3. 多尺度分割算法

多尺度分割（Multiresolution Segmentation）：在指定的与感兴趣的地物目标或空间结构特征相对应的尺度下，将影像分割成高同质的、互相连结的不同影像区域，与感兴趣的地物目标或空间结构特征相对应[5]。它是一种自下而上（bottom-up）的方法，通过合并相邻的像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割。

1.2.Canny边缘检测

Canny[6]1986年提出了一个优良的边缘检测算子应满足以下准则：1.信噪比准则，即不漏检真实边缘，也不把非边缘点作为边缘点检出，使输出的信噪比最大；2.定位精度准则，即检测出的边缘点，尽可能在实际边缘的中心；3.单边缘响应准则，即单个边缘产生的多个响应的概率要低，虚假边缘响应得到最大抑制。算法方框图如图[7]

图1-2 用于边缘检测的Canny算法

2. 结果与分析

2.1. 棋盘分割算法

棋盘分割算法仅仅是根据设置的分割尺度将一幅影像分割成许多正方形的小对象，与地物特征一般没有联系。

(a)对象尺寸：100 (b)(a)局部放大(c)对象尺寸：50 (d)(c)局部放大

图2-1 棋盘分割

2.2. 四叉树分割算法

关键参数：1.mode：Color模式适用于新建一个四叉树分割层；Super Object Form模式适用于在已有的一个分割层上进行四叉树分割，例如在多尺度分割的基础上再进行四叉树分割（因为上一步的分割没有实际的划分意义，所以以下均使用Color）。2.Scale：用来决定正方形网格内最大的颜色差异。3.Image Layer weights：用来决定哪些波段参与Scale参数的设定。

(a)尺度：60 (b)(a)局部放大(c)尺度：150

(d) (c)局部放大

(e) 尺度：60仅使用R 波段

(f) (e)局部放大

图2-2 四叉树分割算法

从图2-2可以看出尺度增大时分割出的对象减少，仅使用一个图层（R 波段）分割出的对象略微减少；尺度较大时不能有效的区分地物，尺度较小时，分割出的对象数量巨大。

2.3. 多尺度分割算法

关键参数：1.Scale parameter 是一个抽象术语，没有明确的单位。2.Image Layer weights ：用来设置参与分割的波段的权重，好处在于包含影像信息较多的波段或者对当前提取某一类专题信息用处较大的波段可以赋予较大的权重，而其他的无关紧要的波段可以不参与分割或者赋予较小的权重。position of homogeneity criterion ：同质性用来表示最小异质性，同质性由两部分组成，即颜色（光谱）和形状，两者权重之和为1.0，而形状又由光滑度和紧致度来表示，两者权重之和也为1.0，因此颜色和形状可看作“相反值”，光弧度和紧致度也可以看作“相反值”。

以图2-3(a)（尺寸：250，图层权重1:1:1，shape ：0.1）标准进行了参数的更改。

(a)尺寸：250

(b)(a)局部放大

(c)尺寸：100

(d)(c)局部放大

(e)只使用图层3

(f) (e)局部放大

(g) Shape:0.5

(h) (g)局部放大

图2-3 多尺度分割

尺度用来确定生成的影像对象所允许的最大异质度，值越大则生成的影像对象的尺寸越

大，反之则越小。图层权重分配采用1:1:1与0:0:1比较发现前者能有效的对红绿通道的差

异进行区分，而后者则对蓝通道的差异更为敏感。Shape采用0.1与0.5相比，后者分割的

结果更为规则，边线更接近直线。

2.4.Canny边缘检测

关键参数有：1.较低阈值和2.较高阈值，取值范围[0,5]，默认值为0。在第一步骤期间，检测边缘，并且从检测到的边缘中移除具有低于较高阈值的值的像素。在最后步骤中，具有

高于较低阈值的值的非边缘像素（因为值小于较高阈值而被删除的像素）标记为边缘节点。

在应用算法第一次之后，可以检查结果（边缘像素值）和阈值的值。3.高斯滤波器的宽度相

对于高斯滤波器的半高全宽。该字段确定高斯过滤器所覆盖的细节的级别。较高的值将产生

较宽的高斯滤波器，并且较少的细节将保留用于边缘检测。因此，只有高强度梯度边缘将由

Canny算法检测。场的范围是0.0001-15。默认值为1。

以默认参数（高低阈值：0，高斯滤波宽度：1，图层1）为标准进行了如图2-4所示修改参数操作，并对在Mathematica下对输出图像进行二值化处理，将大于0（浮点型/Real32）

的点赋值为1，以便显示。

(a) 默认参数(b) (a)局部放大(c) 高低阈值：0.7 (d) (c)局部放大

(e) 高斯滤波宽度：10 (f) (e)局部放大(g) Layer3 （h） (g)局部放大

图2-4 Canny边缘检测

从图2-4中可以发现，默认参数下得出大于0的地方很多，大部分地方并不是边缘；将高低阈值设置为0.7后公路边缘几乎没有被提取，部分建筑及水体边缘可以分出；将高斯滤

波宽度设置为10后，边缘变少且边缘变得较为光滑；采用Layer3（蓝通道）边缘总长度似

乎要比使用Layer1长一些，可能是Layer3相比Layer1变化更为明显。

参考文献

[1]刘建华, 毛政元. 高空间分辨率遥感影像分割方法研究综述[J]. 遥感信息,

2009(6):95-101.