賈春陽(yáng)，李衛(wèi)華，李小春

(空軍工程大學(xué)信息與導(dǎo)航學(xué)院，西安 710077)

0 引言

隨著遙感圖像的空間分辨率和光譜分辨率越來(lái)越高，高空間分辨率圖像中地物景觀的結(jié)構(gòu)、紋理和細(xì)節(jié)等信息都非常清楚地表現(xiàn)出來(lái)，除了地物光譜信息，還可以提供關(guān)于地物結(jié)構(gòu)、形狀和紋理方面的信息[1]。但高空間分辨率遙感圖像的出現(xiàn)也給圖像分割方法帶來(lái)了新的問(wèn)題[2]。近年來(lái)，面向?qū)ο蟮膱D像分割算法得到了快速的發(fā)展。盧昭羿等[3]根據(jù)地物影像的光譜、形狀及紋理等特征進(jìn)行多尺度分割和層次分類(lèi)，通過(guò)建立檢測(cè)層，將不同時(shí)相的QuickBird圖像分類(lèi)結(jié)果投影到檢測(cè)層的相應(yīng)對(duì)象層上并進(jìn)行互分割，實(shí)現(xiàn)了道路變化檢測(cè);沈金祥等[4]通過(guò)對(duì)Landsat TM遙感圖像進(jìn)行分割，從全域—局部上耦合分析水體的光譜、空間形態(tài)、空間分布與空間關(guān)系等特征，構(gòu)建通用性強(qiáng)的湖泊信息提取規(guī)則集，實(shí)現(xiàn)了湖泊水體信息的自動(dòng)化提取;徐宏根等[5]則針對(duì)植被與建筑物重疊區(qū)域分類(lèi)困難的問(wèn)題，提出了一種基于面向?qū)ο蟮腖iDAR點(diǎn)云數(shù)據(jù)分類(lèi)方法，根據(jù)建筑物幾何規(guī)則形狀延伸擴(kuò)充，從而提高了植被和建筑物重疊區(qū)的點(diǎn)云分類(lèi)準(zhǔn)確率。

分形網(wǎng)絡(luò)演化算法(fractal net evolution approach，F(xiàn)NEA)由 Baatz等[6]于2000 年提出，是一種比較成熟穩(wěn)定的面向?qū)ο蟮膱D像分割方法。高偉等[7]于2010年提出了一種基于四叉樹(shù)分解的改進(jìn)方法，在不影響圖像分割結(jié)果的情況下，有效地提高了形成初始對(duì)象的效率，在較大程度上提高了整體的分割效率;但圖像分割過(guò)程中的參數(shù)選擇還需人工確定。Tang等[8]將 FNEA算法應(yīng)用于變化檢測(cè)中的目標(biāo)提取過(guò)程，取得了較好的效果。然而，盡管FNEA算法考慮到形狀異質(zhì)性和光譜異質(zhì)性，但在計(jì)算異質(zhì)性的過(guò)程中，形狀異質(zhì)性權(quán)值和緊湊度判據(jù)權(quán)值只能根據(jù)經(jīng)驗(yàn)給定，而且都為固定值，這些都不能很好地適應(yīng)不同遙感圖像或者同一遙感圖像中不同屬性的影像對(duì)象分割。為此，本文對(duì)FNEA算法進(jìn)行改進(jìn)，設(shè)計(jì)了一種形狀異質(zhì)性判據(jù)權(quán)值和緊湊度判據(jù)權(quán)值的自適應(yīng)計(jì)算方法，并考慮了各個(gè)光譜分量對(duì)異質(zhì)性判據(jù)的不同貢獻(xiàn)，具有較好的自適應(yīng)性，改善了圖像分割的結(jié)果。

1 FNEA算法

分形網(wǎng)絡(luò)演化算法(FNEA)是一種面向?qū)ο蟮膱D像分割方法，它能實(shí)現(xiàn)對(duì)遙感圖像的多尺度分割。FNEA算法的基本思想就是對(duì)相鄰影像對(duì)象之間的異質(zhì)性進(jìn)行定義和度量，并作為是否進(jìn)行對(duì)象合并

2 FNEA算法改進(jìn)

本文提出了一種權(quán)值自適應(yīng)的FNEA算法，針對(duì)不同影像對(duì)象的屬性，設(shè)定計(jì)算權(quán)值的準(zhǔn)則函數(shù)f(hcpt，hsmooth)，對(duì)不同的影像對(duì)象可以賦予不同的空間判據(jù)權(quán)值wshape和緊湊度權(quán)值wcpt。計(jì)算權(quán)值的準(zhǔn)則公式為

即每次計(jì)算hcpt和hsmooth后，兩者求和作為歸一化依據(jù);當(dāng)緊湊度判據(jù)值較大時(shí)，意味著該影像對(duì)象的內(nèi)部較為緊湊，所以相應(yīng)的緊湊度判據(jù)權(quán)值要增大;反之，當(dāng)平滑度判據(jù)值較大時(shí)，意味著該對(duì)象內(nèi)部較為平滑，對(duì)應(yīng)的平滑度判據(jù)權(quán)值要增大。這樣，根據(jù)不同影像對(duì)象的屬性特點(diǎn)，可得到不同的判據(jù)權(quán)值，從而實(shí)現(xiàn)權(quán)值的自適應(yīng)調(diào)整。

同樣，在計(jì)算光譜判據(jù)度量時(shí)，考慮到不同光譜分量對(duì)光譜判據(jù)的貢獻(xiàn)，如對(duì)3個(gè)光譜分量的遙感圖像而言，令遙感圖像的3個(gè)光譜分量的光譜判據(jù)度量分別為 hcolour(k)，k=1，2，3，則計(jì)算權(quán)值的準(zhǔn)則公式為

即以各個(gè)光譜分量的光譜判據(jù)度量歸一化后的值作為該分量對(duì)最終光譜判據(jù)度量的貢獻(xiàn)度量。

改進(jìn)后的FNEA算法流程如圖1所示。

3 實(shí)驗(yàn)結(jié)果與分析

利用本文改進(jìn)后的算法用Matlab軟件進(jìn)行了仿真實(shí)驗(yàn)，并與用區(qū)域生長(zhǎng)法得到的圖像分割結(jié)果進(jìn)行了比較。

實(shí)驗(yàn)用圖像為某機(jī)場(chǎng)(圖2(a))和某城區(qū)(圖2(b))的高分辨率遙感圖像，其中機(jī)場(chǎng)的遙感圖像包含的影像對(duì)象為飛機(jī)、機(jī)場(chǎng)停機(jī)坪和倉(cāng)庫(kù)，城區(qū)的遙感圖像包含的影像對(duì)象主要為各種尺寸的建筑物。

圖2 原始的高分辨率遙感圖像Fig.2 Original high－resolution remote sensing images

圖3 不同方法圖像分割結(jié)果對(duì)比Fig.3 Comparison among results of image segmentation with different methods

表1 不同尺度下的圖像分割結(jié)果Tab.1 Results of image segmentation with different thresholds

從以上對(duì)比的結(jié)果可以看出，本文改進(jìn)后的FNEA算法根據(jù)不同影像對(duì)象的不同屬性，使用了自適應(yīng)的空間判據(jù)權(quán)值、緊湊度權(quán)值和各個(gè)光譜分量的貢獻(xiàn)度量，只需設(shè)定合理的尺度值，即可得到比固定權(quán)值算法和區(qū)域生長(zhǎng)法更好的分割效果(見(jiàn)圖3)。此外，通過(guò)本文算法在不同尺度下的圖像分割結(jié)果可以看出，本文算法對(duì)尺度選擇很敏感，這也是FNEA算法本身存在的問(wèn)題。

圖1 FNEA算法流程圖Fig.1 Flow chart of FNEA

分別用區(qū)域生長(zhǎng)法、固定權(quán)值的FNEA算法(分割尺度為6.5)和本文改進(jìn)的算法對(duì)圖2中的圖像進(jìn)行分割，提取目標(biāo)的結(jié)果如圖3所示。

以城區(qū)的遙感圖像為例，分析本文算法在中尺度(閾值)下對(duì)圖像分割結(jié)果的影響，統(tǒng)計(jì)結(jié)果如表1所示。

4 結(jié)論

本文在分析傳統(tǒng)的分形網(wǎng)絡(luò)演化算法(FNEA)采用固定權(quán)值所帶來(lái)的缺陷的基礎(chǔ)上，對(duì)該算法進(jìn)行改進(jìn)，提出了基于權(quán)值的自適應(yīng)構(gòu)建方法，使各權(quán)值能夠隨著不同屬性影像對(duì)象的變化作出相應(yīng)的調(diào)整;另外，還將不同光譜分量對(duì)光譜判據(jù)的貢獻(xiàn)引入到異質(zhì)性計(jì)算中。通過(guò)仿真實(shí)驗(yàn)，并與區(qū)域生長(zhǎng)法和固定權(quán)值的FNEA算法進(jìn)行比較，證明了本文改進(jìn)后算法的有效性。

下一步將探索最優(yōu)閾值的自適應(yīng)調(diào)整規(guī)則，以便進(jìn)一步優(yōu)化FNEA算法的分割結(jié)果。

[1]王文杰，趙忠明，朱海青.面向?qū)ο筇卣魅诤系母叻直媛蔬b感圖像變化檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用研究，2009，26(8):3149－3151.Wang W J，Zhao Z M，Zhu H Q.Object－ oriented change detection method based on features fusion for high－resolution remote sensing image[J].Application Research of Computers，2009，26(8):3149－3151.

[2]Rizvi I A，Mohan B K.Object－ based image analysis of high－resolution satellite images using modified cloud basis function neural network and probabilistic relaxation labeling process[J].IEEE Transaction on Geoscience and Remote Sensing，2011，49(12):4815－4820.

[3]盧昭羿，左小清，黃 亮，等.面向?qū)ο蟮耐队盎シ指畹缆纷兓瘷z測(cè)[J].國(guó)土資源遙感，2012，24(3):60－64.Lu Z Y，Zuo X Q，Huang L，et al.Road change detection using object－ oriented projective interactive partition[J].Remote Sensing for Land and Resources，2012，24(3):60－64.

[4]沈金祥，楊 遼，陳 曦，等.面向?qū)ο蟮纳絽^(qū)湖泊信息自動(dòng)提取方法[J].國(guó)土資源遙感，2012，24(3):84－91.Shen J X，Yang L，Chen X，et al.A method for object－ oriented automatic extraction of lakes in the mountain area from remote sensing image[J].Remote Sensing for Land and Resources，2012，24(3):84－91.

[5]徐宏根，王建超，鄭雄偉，等.面向?qū)ο蟮闹脖慌c建筑物重疊區(qū)域的點(diǎn)云分類(lèi)方法[J].國(guó)土資源遙感，2012，24(2):23－27.Xu H G，Wang J C，Zheng X W，et al.Object－ based point clouds classification of the vegetation and building overlapped area[J].Remote Sensing for Land and Resources，2012，24(2):23－27.

[6]Baatz M，Schape A.Multiresolution segmentation:An optimization approach for high quality multiscale image segmentation[C]//Heidelberg:Angewandte Geographische Information Sverarbeitung XII.2000:12－ 23

[7]高 偉，劉修國(guó)，彭 攀，等.一種改進(jìn)的高分辨率遙感影像分割方法[J].中國(guó)地質(zhì)大學(xué)學(xué)報(bào)，2010，25(3):421－425.Gao W，Liu X G，Peng P，et al.An improved method of high resolution remote sensing image segmentation[J].Earth Science—Journal of China University of Geosciences，2010，25(3):421－425.

[8]Tang Y Q，Zhang L P，Huang X.Object－oriented change detection based on the Kolmogorov－Smirnov test using high－resolution multispectral imagery[J].International Journal of Remote Sensing，2011，32(20):5719－5740.

[9]王慕華，張繼賢，李海濤，等.基于區(qū)域特征的高分辨率遙感影像變化檢測(cè)研究[J].測(cè)繪科學(xué)，2009，34(1):92－94.Wang M H，Zhang J X，LI H T，et al.High resolution image change detection based on region feature[J].Science of Surveying and Mapping，2009，34(1):92－94.