遥感图像的分割与描述

1 0
当g (i, j)³ H
其他
分 割
▪第三步，用二值图像h(i,j)乘以原图，从而组 成新图h(i,j)f(i,j)，新图便是仅包含景物边界 两侧点的图像，则新图直方图双峰中间的谷 底所对应的灰度，即为所求之阈值。
边缘增强法
这种方法有以下优点：
图
1)在景物和背景所占区域面积差别很大时， 不会造一个灰度级的波峰过高，而另一
割
-1 1
梯
-1
度
算
1
子
模
版
特点：仅计算相邻像素的灰度差，对噪声比较敏感， 无法抑止噪声的影响。
拉普拉斯边缘检测
边缘点两旁像素的二阶导数异号。据
此，对数字图像的每个像素计算关于
图
行和列的二阶偏导数之和▽2f(i,j)
像
分
? 2 f (i, j) f (i + 1, j)+ f (i - 1, j)+ f (i, j + 1) 割
x= - b 2a
其所对应的灰度值即可作为阈值。
缺点：会受到噪音的干扰，极小值不是预期的
阈值，而偏离期望的值；
改进：取两个峰值之间某个固定位置，如中间
图
像 位置上。由于峰值代表的是区域内外的典型值，
一般情况下，比选谷底更可靠，可排除噪音的
干扰
分
割
边缘增强法
基本思想：
图
▪ 如果直方图的各个波峰很高、很窄、对 称，且被很深的波谷分开时，有利于选
? 1 f (i, j) (? x f (i, j))2 (? y f (i, j))2
分
? 2 f (i, j) ? x f (i, j) ? y f (i, j)
割
( )? 3 f (i, j)
max
蜒 x
f
(i,
j)
,
y f (i, j)
其中，绝对相加法和取水平或垂直最大差分值法的计算简单一些。 梯度的大小代表边缘的强度，梯度方向与边缘走向垂直。一阶偏 导采用一阶差分表示：
像 穿出黑区为止；
(3)当由黑区跨进白区时，以后各步向右转，直到
穿出白区为止
分
割 (4)重复(1)~(3)各步，直到环行景物一周后，回到 起始点．则跟踪过的轨迹就是景物的轮廓。
a 起
起点
始
点
在
左
白
黑
上
方
b
起
始
点
在
起点
右 上
方
使用本方法时，有如下两点需要注意：
(1)景物的某些小凸部可能被迂回过去，如图a所 示。为避免出现这种情况，应多选些起始点并
图
像 取不同方向重复进行实验，然后选取相同的轨
迹作为景标的轮廓。
分
割 (2)要防止“爬虫”掉入陷阱，即围绕某一区域重
复跟踪爬行，回不到起点。为避免这种情况发
生，可以使“爬虫”具有某种记忆能力，当发
现其在重复走过的路径时，中断跟踪并重新选
择起始点和跟踪方向。
区域相关分割技术
模板匹配
一个模板可看作由各种权值所构成的。当 模板中n×n个权值具有不同数值时，模板
? x f (i, j) f (i, j)- f (i - 1, j) ? y f (i, j) f (i, j)- f (i, j - 1)
梯度边缘检测
为检测边缘点，选取适当的阈值T，对
梯度图像进行二值化，则有
图
g (x, y)=
ìïïíïïî
1 0
当Grad (x, y)³ T
其他
像 分
这样形成一幅边缘二值图像g(x,y)。
0000
其余作为背景标为0。
0033
0033
2200
图 2 2 0 0
2200
像 2 2 2 0
2220
分 0 0 0 0 割 3 0 0 0
3000
目的：把图像分成一些带有某种专业信
息意义的区域。
图
分割原则：
像
依据各个像元点的灰度不连续性进行分割， 分
称为点相关的分割技术。
割
依据同一区域具有相似的灰度特征和纹理特 征，寻找不同区域的边界，称为区域相关的
q = arctg 轾 犏 犏 臌骣 ççç桫抖抖fx ÷÷÷/骣 ççç桫fy ÷÷÷?
因此，图像函数f(x,y)沿梯度向量方向具有最大变化率， 且变化率的大小为梯度幅度▽f(x,y) 。
梯度边缘检测
梯度边缘检测法可以采用下列三种公式， 它们对检测水平方向或垂直方向上的边缘
图
是一样的，分别是
像
其他
为了得到被阈值T所定义的景物和背景的 图
边缘图像g(x,y)，可用下述关系：
像
分
割
g (x,
y) =
ìïïíïïî
LE LB
若f1(x, y)或f2 (x, y)中的任意一个等于LE
其他
这种灰度取阈法可以有以下各种具体形式。例如，
适当地选择一个阈值后，再将每一像元灰度级和它
进行比较，大于和等于阈值就重新分配以最大灰度 (例如1)，小于阈值就分配以最小灰度(例如0)、这 样处理后就可以得到一个二值图像，并把景物从背
权模板对图像的卷积结果即为这两个向量的内积，它是
C = W T X = w1x1 + 鬃? wn xn + 鬃? wnn xnn
模板匹配
当X为同一个区域，选择具有不同几何特征的
模板结构W1,…, Wk ，则可得到不同的卷积结
图
像 果C1,…,Ck ，对于这些卷积结果来说，只要是
Ci＞Cj (j=1,2,…,k,且i≠j)
像
择阈值。
分
▪ 为了改善直方图的波峰形状，我们只把 割
区域边缘的像素绘入直方图，而不考虑
区域中间的像素。
▪ 用微分算子，处理图像，使图像只剩下 边界中心两边的值。
边缘增强法
选取景物边界两侧点的灰度直方
图的谷底作为阈值，具体实现方法
图
如下：
像
▪ 第一步，对每个像元点进行边缘增强，
分
即
割
g (i, j)=
由于梯度算子和拉普拉斯算子都 对噪声敏感，因此一般在用它们 检测边缘前要先对图像进行平滑。
0
1
0
拉 普
1 -4 1 拉
斯
010算
子
图
像
分
a 原图
割
b 边缘二值图
边缘跟踪
跟踪法并不对图像的每一像元点都独立地 进行计算。在决定每一像元点是否为目标
图
像元点(包括边缘像元点)时，依赖于以前 像
处理过的像元点的信息。它的计算通常分 分
分
割 就可以认为X具有与Wi相类似的结构特征，这
样可以通过模板匹配来判定X中是否有边缘存
在。这种匹配原则也可以用一个阈值T来表达，
即对边缘的判断决定于
C＞T
区域生长
条件已知待分割的区域数目以及在每个区域中已知
某一个像元点(种子点)的位置
图
像 原理是从一个已知像元点开始，逐渐地加上与已知 像元点相似的邻近像元点，从而形成一个区域。这 分 个相似性准则可以是灰度级、彩色、结构、梯度或 割 其它特性。相似性的测度可以由所确定的阈值来确 定。
+ f (i, j - 1)- 4 f (i, j)
它是一个与方向无关的各向同性边缘检测算子。若 只关心边缘点的位置而不顾其周围的实际灰度差时， 一般选择该算子进行检测。采用拉普拉斯算子对图 (a)进行边缘检测的结果如图(b)所示。
拉普拉斯边缘检测
其特点是：各向同性、线性和位 移不变的；对细线和孤立点检测 效果好。但边缘方向信息丢失， 常产生双像素的边缘，对噪声有 双倍加强作用。
图
就具有不同的几何性质。如果把权模板中
像
的各行按首尾相连的规则接连起来，则可 得权向量为
分
W = 轾 臌w1,鬃鬃, wn , wn+1, 鬃, w2n,鬃?, wnn T
割
被权模板所覆盖的图像空间，若按同样规则连贯起来则有图像灰度 向量为
X = 轾 臌x1,鬃鬃, xn , xn+1, 鬃, x2n ,鬃?, xnn T
使A部分尽量包含与背景相关联的灰度级，
而B部分则包含景物的所有灰度级。
为了找出水平方向和垂直方向上的边界。需
要两次扫描图像f(x,y) 。也就是说，在阈值T
确定之后，可按下例步骤执行：
图
像
第一步，对图像f(x,y)中的每一行进
分
行检测，产生的中间图像f1(x,y)的灰
割
度级遵循如下原则：
( ) f1
1 4
éêë
f
(i,
j)-
f (i, j - 1) +
f (i, j)- f (i, j + 1)
+ f (i, j)- f (i - 1, j) + f (i, j)- f (i + 1, j)ùúû
边缘增强法
▪ 第二步，将所得到的梯度图转化为二
值图，即取一阈值H，令
图
像
h(i, j)=
ìïïíïïî
出两个局部极大值以及它们之间的极小值。
设极大点分别为gl和gh，而在它们之间的直方 图的极小值点为gT。
直方图分析法
▪ 可以用参数KT进一步测定直方图双极性的强 弱，从而判断所选阈值gT的有效性：
图 像
分
KT
=
P(gT ) min 轾 臌P(gl ), P(gh )
割
当KT值很小时，说明直方图谷底高和谷底较低的 峰高在数值上相差悬殊，这表明直方图有较强的
图 像
景中显示出来。即
分
g (x, y)
=
ìïïíïïî
1 0
当f (x, y)³ T 当f (x, y)< T
割
或
g (x, y)
=
ìïïíïïî
0 1
当f (x, y)> T 当f (x, y)£ T
• 若在图像f(x,y)的灰度动态范围内选取 一个灰度区间[T1,T2]为阈值，则又可 以得到下面两种二值图像，即
双极性，因此，gT是一个有效的阈值。
曲线拟合法
▪ 在用直方图分析法确定极大、极小 值时，往往会遇到困难，原因是直 方图往往很粗糙和参差不齐。此时，
图 像
可以用一个二次曲线来拟合直方图
分
的谷底部分，设该曲线方程为
割
y = ax2 + bx + c
式中a,b,c为拟合系数。
于是直方图的谷底极小值点可取为
图像f(x,y)中大部分像元是偏暗的，另外一些像元
分布在较高的灰度级中。
图
像 可以认为这是由一些具有较高灰度值的物体叠加
分 在一个偏暗背景上所组成的图像。可以设一个阈 割 值T，把直方图分成两个部分，这样相应的在图像
上也就勾画出了景物和背景之间的边界。
阈值T将直方图分为A和B两部分，其选择原则是：
像
分
g (x,
y)=
ìïïíïïî
f (x, y)
0或256
当f (x, y)³ T
其他
割
或
g
(x,
y)=
ìïïíïïî
f (x, y)
0或256
当f (x, y)£ T
其他
灰度阈值的选取是否合适将严重影响图像
的分割质量。当阈值选得太高(低)时，会
图
把许多背景(景物)像元点误分为景物(背景) 像
分割技术。
分割技术
点相关的分割技术
图
灰度取阈法
像
边缘检测法
分
边缘跟踪
割
区域相关分割技术
模板匹配
区域生长
点相关的分割技术
灰度取阈法
图
它是把灰度级分成许多区间，选用阈值 像
来确定图像的区域或边界点的方法，是 分
一种最常用、最简单的图像分割方法 。 割
直方图及阈值
设一幅给定图像f(x,y)中的灰度级，由图可知，在
g
(x,
y)=
ìïïíïïî
1 0
g
(x,
y)=
ìïïíïïî
1 0
当T1 ＃ f (x, y) T2
其他
当f (x, y)３T1或f (x, y)
其他
图 像 分 割
T2
另外，还有一种所谓半阈值方法，这
种方法在保留边界的前提下，还保留
景物的原来图像，分割时仅把背景表
图
示成最白或最黑。实现方法如下：
为两部分——先对图像像元点进行检测运 割
算，然后再作跟踪运算。
设图像是仅由黑色景物和白色背景组成的 二值图像如图所示。现在要设法找出黑色 景物的边缘轮廓。
轮廓跟踪方法如下，靠近边缘任取一个起始点， 然后按如下规律进行跟踪：
(1)每次只前进一个像元；
图 (2)当由白区跨进黑区时，以后各步向左转，直到
像元点。
分
对于两类对象的图像，若其灰度分布的百
割
分比已知，则可用试探的方法选取阈值，
需掌握的原则是：只要使阈值化后图像的
灰度分布百分比能达到已知的百分比数就
可以了。
最佳阈值的设置
图
直方图分析法
像
曲线拟合法
分
边缘增强法
割
直方图分析法
基本思想：边界上的点的灰度值出现次
图 像
数较少
分
割 ▪ 首先作出图像的直方图P(g)，在直方图中找
像
个过低
分
2)边缘上的点在区域内还是区域外的概率 割
是相等的，因此可以增加波峰的对称性
3)基于梯度和拉普拉斯算子选择的像素， 可以增加波峰的高度
边缘检测法
梯度边缘检测
连续图像f(x,y)的梯度幅度和方向分
图
别为：
像
? f (x, y)
骣 ççç桫抖抖fx
2
÷÷÷
+
骣 ççç桫fy
2
?÷÷÷
分 割
遥感图像的分割与描述
遥感图像的分割与描述
*
图像分割
*
区域描述
概念：把图像按一定的规则划分出
感兴趣的部分或区域叫做分割。分 割也是一种标记过程，即对分割所 0 0 0 0
0000
得属于同一区域的像元点给予相同 0 0 0 0
的标记值，例如可将感兴趣的不同 0 0 1 1
区域分别标为数字1、2、3、……， 0 0 1 1
x, y
=
ìïïíïïî
LE LB
若 f (x, y) 和
其他
f (x, y- 1) 处 在 不 同 的 灰 度 区 间 内
第二步，对图像f(x,y)中的每一列进行检 图
测，产生的中间图像f2(x,y)的灰度级遵循 像
如下原则：
分
割
f2 (x,
y)=
ìïïíïïî
LE LB
若f (x, y)和f (x- 1, y)处在不同的灰度区间内