基于分水嶺變換的遙感影像面向?qū)ο蠓诸?/h1>
2014-05-04 08:05:28朱文球鄧劉昭蘆胡永祥李建飛
湖南工業(yè)大學(xué)學(xué)報 2014年4期
朱文球，鄧劉昭蘆，胡永祥，李建飛
（計算機與通信學(xué)院湖南工業(yè)大學(xué)，湖南株洲412007）
基于分水嶺變換的遙感影像面向?qū)ο蠓诸?/p>
朱文球，鄧劉昭蘆，胡永祥，李建飛
（計算機與通信學(xué)院湖南工業(yè)大學(xué)，湖南株洲412007）
為了提高面向?qū)ο蠓诸惖淖詣踊潭?，提出將分水嶺變換與ISODATA聚類相結(jié)合對遙感影像進行面向?qū)ο蠓诸?。首先利用改進的分水嶺變換對高分遙感影像進行分割，獲得分割的對象后，利用ISODATA聚類方法對其進行分類。試驗結(jié)果表明，該方法取得了較好的分類效果，且分類速度快，一定程度上提高了遙感影像分類的自動化。
面向?qū)ο蠓诸?；分水嶺變換；ISODATA聚類；高分辨率遙感影像
0 引言
隨著高分辨率遙感影像的推廣，使更多的遙感圖像信息應(yīng)用于遙感圖像分類成為可能。由于類內(nèi)混合像元及大量陰影的存在，從光譜波段非常有限的暗綠遙感影像中，獲取準確的類別信息較困難[1]。然而，對于單個像元的光譜信息，利用其紋理、形狀、尺度等特征可提高分類精度，但難以達到理想效果。因此，如何充分利用遙感影像各特征之間所存在的內(nèi)在聯(lián)系，成為了提高遙感影像分類精度的一大突破口。近年來，面向?qū)ο蟮倪b感影像分類技術(shù)順勢而出。利用面向?qū)ο蠓诸惣夹g(shù)對遙感影像進行信息提取時，處理的最小單元不再是像元，而是含有更多語義信息的多個相鄰像元組成的多尺度對象[2]。與傳統(tǒng)的僅利用單個對象的光譜信息方法相比，面向?qū)ο蠓诸惣夹g(shù)可以充分利用對象的幾何、語義、紋理和拓撲關(guān)系，且精度和效率更高。
遙感影像分割是面向?qū)ο蠓诸惣夹g(shù)的關(guān)鍵。M. Baatz 和A. Sch pe 于2000年提出了多尺度的FNEA（fractal net evolution appmach）分割算法[3]。該算法采用區(qū)域生長方法，由一個像元開始逐漸合并成較大影像對象，并采用多尺度分割尋求最佳分割尺度。該算法獲得了較好的分類結(jié)果，因而被廣泛使用。林卉等人[4]利用分水嶺變換對遙感影像進行多尺度分割，取得了理想的效果。陳杰等人[5]將分水嶺變換與空間聚類用于面向?qū)ο蠓诸?，提高了分類精度的同時，也提高了自動化程度。然而，針對不同的遙感影像，基于多尺度分割的面向?qū)ο蠓诸惣夹g(shù)需要經(jīng)過多次分割，以取得最佳分割尺度，且參數(shù)設(shè)置也較復(fù)雜，不利于自動化與應(yīng)用化。因此，在陳杰等人[5]所提方法的基礎(chǔ)上，本文提出一種改進的標記分水嶺變換與迭代自組織算法相結(jié)合的面向?qū)ο筮b感圖像分類方法，本方法的分類精度和自動化程度更高。
1 算法介紹
1.1基于邊緣檢測的標記分水嶺變換
遙感影像分割是面向?qū)ο蠓诸惙椒ǖ年P(guān)鍵，它直接影響著最終的分類精度。基于分水嶺算法的形態(tài)學(xué)分割方法具有計算速度快，能精確定位遙感影像的邊緣且易于并行處理等優(yōu)點而被廣泛關(guān)注。但該方法對圖像噪聲比較敏感，容易造成過分割。為了抑制過分割現(xiàn)象，通常采用前處理或分割后處理方法[6]。前處理包括對原始影像進行濾波處理、減少或消除噪聲和修改梯度函數(shù)，獲得重建的梯度圖像。后處理是對分割后的影像進行區(qū)域合并，以減少過分割現(xiàn)象。由于遙感影像中地物類型多樣且分布復(fù)雜，過分割現(xiàn)象成為影響面向?qū)ο蠓诸惥鹊年P(guān)鍵因素。因此，本文提出一種基于邊緣檢測的標記分水嶺分割方法，改進了標記的產(chǎn)生方式。算法具體步驟如下：
1）預(yù)處理。采用中值濾波消除圖像噪聲，再對濾波后的圖像采用開閉合運算，進行梯度重建。
2）邊緣檢測。利用相位一致模型對梯度圖像進行邊緣檢測，并將檢測到的邊緣點儲存。
3）標記初始化。手動對圖像一些較大區(qū)域進行標記，作為分水嶺算法的增長種子點。選擇大區(qū)域可以提高種子點的擴張速度。
4）標記生長。采用標記分水嶺算法的標記生長方式，利用FIFO（first input first output）隊列，梯度差小的水位優(yōu)先生長，并將邊緣檢測作為生長的終止條件，直到種子區(qū)域生長完全。
5）標記擴散。本文改進了標記的產(chǎn)生方式。傳統(tǒng)的標記分水嶺算法是通過局部最小值來標定。本方法是在初始種子點完全生長的情況下，采用擴張標記的方法，即將完全生長種子區(qū)域作為父類向周圍區(qū)域擴散，生成子類種子區(qū)域。新種子點有3種情況，如圖1所示。
圖1 新種子點擴散生長情況Fig.1New seeds point spread
由圖1可知，種子點完全生長的情況下，生長點周圍只存在標記點和邊緣點。在圖a中，種子點的四鄰域內(nèi)只有1個邊緣點，則水從該種子點溢出，將垂直于邊緣生成新的種子點；在圖b中，四鄰域內(nèi)有2個邊緣點，則水從此處溢出，將在生長點的斜對角處產(chǎn)生新的種子點；在圖c中，當(dāng)四鄰域內(nèi)有3個邊界點時，生長點周圍可能存在2個盆地的情況，因此無法判斷有多少個盆地，為了不產(chǎn)生過分割現(xiàn)象，本文處理此種情況時，采用將不產(chǎn)生新種子點的方法。
6）跳至步驟4。
本文采用擴散生長方式，因此，單個子類區(qū)域會產(chǎn)生唯一標記，從而避免了同一區(qū)域存在多個最小連通量標記而產(chǎn)生的過分割現(xiàn)象。同時，采用邊緣檢測手段，以保證生長不會跨越分水嶺而造成錯誤分割。
1.2迭代自組織數(shù)據(jù)分析算法
ISODATA算法（iterative self-organizing data analysis technique）是聚類分析中的一種常用算法，稱為動態(tài)聚類或迭代自組織數(shù)據(jù)分析技術(shù)。該算法是一種軟性分類方法，可以認識到大多數(shù)分類對象在初始認知或是初始分類時不太可能顯示的最本質(zhì)屬性，這種模糊聚類的過程以一種逐步進化的方式來逼近事物的本質(zhì)，可以客觀地反映人們認識事物的過程，從而使得分類方法更加科學(xué)[7]。它是一種非監(jiān)督分類方法，可以自動地分類合并，以達到合理的分類數(shù)，兼顧了各空間實體之間的相關(guān)信息，各個區(qū)域的特征的非均勻性可包含在初始圖像分割處理中，且可以形成原始圖像的特征空間，而不會像硬分割那樣產(chǎn)生偏倚[8]。
ISODATA算法實現(xiàn)步驟如下。
2）樣本分類。計算各類中諸樣本的距離指標函數(shù)，按照與聚類中心距離最小的原則將各樣本歸入最近的類中。
3）判斷類分裂、合并及迭代。
①若迭代次數(shù)已達到I，跳到步驟4），運算結(jié)束；若Nc≥2C，或者進行了偶數(shù)次迭代且，則轉(zhuǎn)至步驟②，合并處理；否則，轉(zhuǎn)至步驟③，分裂處理。
式中，ni,nj分別為類Vi和Vj的樣本數(shù)。合并操作完成后，更新Nc值即Nc=Nc-M。在一次迭代中，某一類最多只能被合并一次。上加上和減去而其他分量不變。k的選取應(yīng)該使和仍在Vj的類域空間中,且其他類的樣本到和的距離較遠。本文取k=0.5。
4）若最后一次迭代運算結(jié)束或過程收斂，則結(jié)束運行；否則轉(zhuǎn)至步驟3），繼續(xù)迭代。
1.3算法流程
本文分類方法的流程如圖2所示，其中，方框表示各步驟或結(jié)果，實心單箭頭表示流程。首先對原始圖像做預(yù)處理，修改灰度梯度并排序；然后用改進的分水嶺算法對圖像進行分割，生成對象；最后，利用ISODATA算法對分割后的影像進行非監(jiān)督分類，得到最終結(jié)果。
圖2 面向?qū)ο蠓诸惲鞒虉DFig.2The flow chart of object-oriented classification
2 試驗結(jié)果與分析
2.1試驗數(shù)據(jù)
試驗采用從深圳市南山區(qū)高分辨率遙感影像上截取的865×725像素圖像。如圖3為藍、綠、紅多光譜數(shù)據(jù)分別與全色波段數(shù)據(jù)進行Pansharp融合[9]，得到的空間分辨率為0.61 m的真彩色圖像。圖4是圖3的全色影像。由圖3和圖4可見，影像區(qū)域內(nèi)主要包括水面、樹林、農(nóng)田、居民地以及少量道路。其中，田地、樹林和水面占了大部分面積，道路和房屋等相互交錯。
圖3 原始影像Fig.3Original image
圖4 全色影像Fig.4Panchromatic image
2.2基于標記分水嶺的對象獲取
對原始影像進行中值濾波，減少圖像噪聲后，獲得灰度梯度，并按由低到高的順序進行排序。計算各灰度梯度所占的梯度百分比，突出感興趣的灰度梯度。通過改進后的分水嶺算法獲得初步的分割圖像，然后對過分割的小區(qū)域和椒鹽噪聲進行區(qū)域合并，把不感興趣的小區(qū)域合并到感興趣的大區(qū)域中，得到最終分割對象。圖3分別經(jīng)分水嶺算法和改進的分水嶺算法的分割影像如圖5所示。
圖5 分水嶺分割影像Fig.5Segmentation result
由圖5可知，經(jīng)過改進后的分水嶺分割獲取對象，分水線與影像地物邊緣吻合；影像對象大小適中，細小區(qū)域?qū)ο蠖寂c周圍區(qū)域合并，成功地抑制了分水嶺的過分割現(xiàn)象。
2.3基于ISODATA的對象分類結(jié)果
獲取對象之后，用對象的中心特征代表整塊區(qū)域，利用ISODATA對分水嶺分割后的影像對象進行聚類，通過原始影像初步判斷可分為5類，分別為水面、田地、森林、房屋和路面。因此，設(shè)置參數(shù)期望聚類數(shù)C為5，迭代次數(shù)I為20。圖6為ISODATA聚類后的結(jié)果。圖中，區(qū)域1為水體，區(qū)域2為森林，區(qū)域3為田地，區(qū)域4為房屋建筑，區(qū)域5為道路以及土地等。由圖可以看出，水體和房屋得到了很好地區(qū)分，由于道路所占面積較少且與房屋、林地等對象交錯，產(chǎn)生了很多小區(qū)域數(shù)據(jù)。
圖6 ISODATA分類結(jié)果Fig.6Result of ISODATA classification
2.4試驗結(jié)果比較
eCognition是目前所用商用遙感軟件中第一個基于目標信息的遙感信息提取軟件，它提出了革命性的分類技術(shù)——面向?qū)ο蟮姆诸惙椒ǎ蟠筇岣吡烁呖臻g分辨率數(shù)據(jù)的自動識別精度，被研究者廣泛使用。
本文采用分割尺度為70的多尺度分割算法獲得對象，然后通過最鄰近分類器對分割后的對象進行分類。圖7為通過eCognition面向?qū)ο蠓诸愜浖υ紙D像進行分類的結(jié)果。圖中，區(qū)域1為水體，區(qū)域2為田地，區(qū)域3為森林，區(qū)域4為建筑，區(qū)域5為土地。
圖7 基于ecognition分類結(jié)果Fig.7Ecognition-based classification
由圖7可知，由于圖像分辨率較高，因此，分類結(jié)果較好。比較圖6和圖7可知，2種分類方法都是采用面向?qū)ο蟮姆诸愃枷?，均取得了較好的分類結(jié)果，且水體及建筑物分類效果較好，但因本方法采用非監(jiān)督分類，導(dǎo)致田地與森林的區(qū)分較困難，因此，總體分類效果略有降低。但非監(jiān)督分類不需要大量的人工干預(yù)，因此提高了該算法的自動化程度。
為了更好地說明算法的分類效果，本文從分類總精度和Kappa系數(shù)2方面對算法進行定量對比。其中，Kappa系數(shù)是一種計算分類精度的方法，其是通過將所有地表真實分類中的像元總數(shù)（N）乘以混淆矩陣對角線（Xkk）的和，減去某一類地表真實像元總數(shù)與被誤分成該類像元總數(shù)之積對所有類別求和的結(jié)果，再除以總像元數(shù)的平方差減去某一類中地表真實像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結(jié)果所得到的。本文分別從2種算法的分類結(jié)果中選取田地（94個）、房屋（90個）、樹木（42個）、水體（57個）、 土地（49個）樣本像元進行分類精度比較。分類結(jié)果如表1所示。從表1可以看出，本文的分類精度與eCognition面向?qū)ο蠓诸愜浖姆诸惥染竭_了0.850以上。盡管eCognition軟件能夠綜合多重處理途徑得到不錯的分類結(jié)果，但多參數(shù)與多特征的最佳搭配方式需要反復(fù)嘗試和大量的先驗知識。相比結(jié)合多尺度分割和監(jiān)督分類，本文將分水嶺算法與ISODATA聚類算法相結(jié)合，在減少大量人為干預(yù)的前提下獲得了較好的效果。
表1 2種分類方法總精度和Kappa系數(shù)的比較Table 1Comparison of two methods of classification in overall accuracy and Kappa coefficient
3 結(jié)語
本文首先利用分水嶺變換分割得到影像對象，然后用迭代自組織算法對分割后的對象進行聚類。不同于廣泛使用的多尺度分割算法，分水嶺變換算法極大地減少了尋找最優(yōu)分割尺度所需時間，在保持原有分類精度的基礎(chǔ)上，減少了人為的干預(yù)，簡化了圖像分割獲取對象的復(fù)雜度，提高了分類的自動化程度。雖然本文方法從分類復(fù)雜度與分類精度取得了較好的平衡，但仍存在一些問題有待深入研究，如田地與森林分類的準確度、陰影等的干擾消除、道路等較小對象的提取等。
[1]Laliberte A S，Rango A，Havstad K M，et al. Object-Oriented Image Analysis for Mapping Shrub Encroachment from 1937 to 2003 in Southern New Mexico[J]. Remote Sensing of Environment，2004，93(1)：198-210.
[2]張春曉，候偉，劉翔，等.基于面向?qū)ο蠛陀跋裾J知的遙感影像分類方法：以都江堰向峨鄉(xiāng)區(qū)域為例[J].測繪通報，2010(4)：11-15. Zhang Chunxiao，Hou Wei，Liu Xiang，et al. Remote Sensing Image Classification Based on Object-Oriented and Image Cognition：A Case Study in Xiang’e Dujiangyan [J]. Bulletin of Surveying and Mapping，2010(4)：11-15.
[3]周春艷.面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù) [D].青島：山東科技大學(xué)，2006. Zhou Chunyan. Object-Oriented Information Extraction Technology of High Resolution Remote Sensing Image[D]. Qingdao：Shandong University of Science and Technology，2006.
[4]林卉，劉培，夏俊士，等.基于分水嶺變換的遙感影像面向?qū)ο蠖喑叨确指钏惴ㄑ芯縖J].測繪通報，2011 (10)：17-19. Lin Hui，Liu Pei，Xia Junshi，et al. Research on Object-Oriented Multi-Scale Segmentation Algorithm Based on Watershed Transformation[J]. Bulletin of Surveying and Mapping，2011(10)：17-19.
[5]陳杰，鄧敏，肖鵬峰，等.基于分水嶺變換與空間聚類的高分辨率遙感影像面向?qū)ο蠓诸怺J].遙感技術(shù)與應(yīng)用，2010，25(5)：597-603. Chen Jie，Deng Min，Xiao Pengfeng，et al. Object-Oriented Classification of High Resolution Imagery Based on Watershed Transform and Spatial Clustering[J]. Remote Sensing Technology and Application，2010，25(5)：597-603.
[6]徐奕奕，劉智琦，劉琦.基于改進的分水嶺算法圖像分割方法研究[J]. 計算機仿真，2011，28(9)：272-275. Xu Yiyi，Liu Zhiqi，Liu Qi. Image Segmentation Based on Watershed Algorithm[J]. Computer Simulation，2011，28 (9)：272-275.
[7]Vincent L，Soille P. Watersheds in Digital Spaces：An Efficient Algorithm Based on Immersion Simulations[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence，1991，13(6)：583-598.
[8]曾江源.ISODATA算法的原理與實現(xiàn)[J].科技廣場，2009(7)：126-127. Zeng Jiangyuan. Principle and Implementation of ISODATA Algorithm[J]. Science Mosaic，2009(7)：126-127.
[9]Zhang Yun. Problems in the Fusion of Commercial High-Resolution Satelitte As Well As Landsat 7 Images and Initial Solutions[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences，2002，34(4)：587-592.
（責(zé)任編輯：鄧彬）
Object-Oriented Classification of Remote Sensing Image Based on Watershed Transform
Zhu Wenqiu ，Dengliu Zhaolu，Hu Yongxiang，Li Jianfei
（School of Computer and Communication，Hunan University of Technology，Zhuzhou Hunan 412007，China）
In order to improve the automation of object-oriented classification，combines the watershed transform and ISODATA clustering to implement a quick and efficient object-oriented classification of remote sensing image. Firstly, uses the improved watershed transform to achieve better segmentation of high resolution imagery; then uses the ISODATA clustering to classify the object segmentation. The experimental results show that this new method obtains better classification effect and fast classification, and greatly enhances the automation of remote image classification.
object-oriented classification；watershed transform；ISODATA clustering；high resolution imagery
TP751.1
A
1673-9833(2014)04-0076-05
10.3969/j.issn.1673-9833.2014.04.017
2014-05-16
交通運輸部重點基金資助項目（2012-364-208-802-2），國家自然科學(xué)基金資助項目（61170102），湖南省自然科學(xué)基金資助項目（11JJ3070），湖南省教育廳科研基金資助項目（12A039）
朱文球（1969-），男，湖南工業(yè)大學(xué)教授，碩士生導(dǎo)師，主要從事圖像處理，模式識別等方面的研究，E-mail：wenqiu_zhu@126.com
鄧劉昭蘆（1989-），男，湖南工業(yè)大學(xué)碩士生，主要研究方向為遙感圖像處理，E-mail：dengliuzhaolu@163.com
猜你喜歡
2019，一定是個分水嶺！獸醫(yī)導(dǎo)刊(2019年1期)2019-02-21 01:13:44 面向?qū)ο蟮挠嬎銠C網(wǎng)絡(luò)設(shè)計軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測與儀表(2017年24期)2017-12-19 05:15:24 基于DBSACN聚類算法的XML文檔聚類電子測試(2017年15期)2017-12-18 07:19:27 面向?qū)ο骔eb開發(fā)編程語言的的評估方法現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25 基于改進的遺傳算法的模糊聚類算法智能系統(tǒng)學(xué)報(2015年4期)2015-12-27 09:38:39 一種層次初始的聚類個數(shù)自適應(yīng)的聚類方法研究電子設(shè)計工程(2015年6期)2015-02-27 12:04:53 面向?qū)ο笮畔⑻崛≈杏跋穹指顓?shù)的選擇河南科技(2014年10期)2014-02-27 14:09:03 自適應(yīng)確定K-means算法的聚類數(shù)：以遙感圖像聚類為例華東師范大學(xué)學(xué)報(自然科學(xué)版)(2014年6期)2014-02-27 13:40:55 “華北第一隧”——張涿高速分水嶺隧道貫通城市道橋與防洪(2014年1期)2014-02-27 07:24:36
朱文球，鄧劉昭蘆，胡永祥，李建飛
（計算機與通信學(xué)院湖南工業(yè)大學(xué)，湖南株洲412007）
基于分水嶺變換的遙感影像面向?qū)ο蠓诸?/p>
朱文球，鄧劉昭蘆，胡永祥，李建飛
（計算機與通信學(xué)院湖南工業(yè)大學(xué)，湖南株洲412007）
為了提高面向?qū)ο蠓诸惖淖詣踊潭?，提出將分水嶺變換與ISODATA聚類相結(jié)合對遙感影像進行面向?qū)ο蠓诸?。首先利用改進的分水嶺變換對高分遙感影像進行分割，獲得分割的對象后，利用ISODATA聚類方法對其進行分類。試驗結(jié)果表明，該方法取得了較好的分類效果，且分類速度快，一定程度上提高了遙感影像分類的自動化。
面向?qū)ο蠓诸?；分水嶺變換；ISODATA聚類；高分辨率遙感影像
0 引言
隨著高分辨率遙感影像的推廣，使更多的遙感圖像信息應(yīng)用于遙感圖像分類成為可能。由于類內(nèi)混合像元及大量陰影的存在，從光譜波段非常有限的暗綠遙感影像中，獲取準確的類別信息較困難[1]。然而，對于單個像元的光譜信息，利用其紋理、形狀、尺度等特征可提高分類精度，但難以達到理想效果。因此，如何充分利用遙感影像各特征之間所存在的內(nèi)在聯(lián)系，成為了提高遙感影像分類精度的一大突破口。近年來，面向?qū)ο蟮倪b感影像分類技術(shù)順勢而出。利用面向?qū)ο蠓诸惣夹g(shù)對遙感影像進行信息提取時，處理的最小單元不再是像元，而是含有更多語義信息的多個相鄰像元組成的多尺度對象[2]。與傳統(tǒng)的僅利用單個對象的光譜信息方法相比，面向?qū)ο蠓诸惣夹g(shù)可以充分利用對象的幾何、語義、紋理和拓撲關(guān)系，且精度和效率更高。
遙感影像分割是面向?qū)ο蠓诸惣夹g(shù)的關(guān)鍵。M. Baatz 和A. Sch pe 于2000年提出了多尺度的FNEA（fractal net evolution appmach）分割算法[3]。該算法采用區(qū)域生長方法，由一個像元開始逐漸合并成較大影像對象，并采用多尺度分割尋求最佳分割尺度。該算法獲得了較好的分類結(jié)果，因而被廣泛使用。林卉等人[4]利用分水嶺變換對遙感影像進行多尺度分割，取得了理想的效果。陳杰等人[5]將分水嶺變換與空間聚類用于面向?qū)ο蠓诸?，提高了分類精度的同時，也提高了自動化程度。然而，針對不同的遙感影像，基于多尺度分割的面向?qū)ο蠓诸惣夹g(shù)需要經(jīng)過多次分割，以取得最佳分割尺度，且參數(shù)設(shè)置也較復(fù)雜，不利于自動化與應(yīng)用化。因此，在陳杰等人[5]所提方法的基礎(chǔ)上，本文提出一種改進的標記分水嶺變換與迭代自組織算法相結(jié)合的面向?qū)ο筮b感圖像分類方法，本方法的分類精度和自動化程度更高。
1 算法介紹
1.1基于邊緣檢測的標記分水嶺變換
遙感影像分割是面向?qū)ο蠓诸惙椒ǖ年P(guān)鍵，它直接影響著最終的分類精度。基于分水嶺算法的形態(tài)學(xué)分割方法具有計算速度快，能精確定位遙感影像的邊緣且易于并行處理等優(yōu)點而被廣泛關(guān)注。但該方法對圖像噪聲比較敏感，容易造成過分割。為了抑制過分割現(xiàn)象，通常采用前處理或分割后處理方法[6]。前處理包括對原始影像進行濾波處理、減少或消除噪聲和修改梯度函數(shù)，獲得重建的梯度圖像。后處理是對分割后的影像進行區(qū)域合并，以減少過分割現(xiàn)象。由于遙感影像中地物類型多樣且分布復(fù)雜，過分割現(xiàn)象成為影響面向?qū)ο蠓诸惥鹊年P(guān)鍵因素。因此，本文提出一種基于邊緣檢測的標記分水嶺分割方法，改進了標記的產(chǎn)生方式。算法具體步驟如下：
1）預(yù)處理。采用中值濾波消除圖像噪聲，再對濾波后的圖像采用開閉合運算，進行梯度重建。
2）邊緣檢測。利用相位一致模型對梯度圖像進行邊緣檢測，并將檢測到的邊緣點儲存。
3）標記初始化。手動對圖像一些較大區(qū)域進行標記，作為分水嶺算法的增長種子點。選擇大區(qū)域可以提高種子點的擴張速度。
4）標記生長。采用標記分水嶺算法的標記生長方式，利用FIFO（first input first output）隊列，梯度差小的水位優(yōu)先生長，并將邊緣檢測作為生長的終止條件，直到種子區(qū)域生長完全。
5）標記擴散。本文改進了標記的產(chǎn)生方式。傳統(tǒng)的標記分水嶺算法是通過局部最小值來標定。本方法是在初始種子點完全生長的情況下，采用擴張標記的方法，即將完全生長種子區(qū)域作為父類向周圍區(qū)域擴散，生成子類種子區(qū)域。新種子點有3種情況，如圖1所示。
圖1 新種子點擴散生長情況Fig.1New seeds point spread
由圖1可知，種子點完全生長的情況下，生長點周圍只存在標記點和邊緣點。在圖a中，種子點的四鄰域內(nèi)只有1個邊緣點，則水從該種子點溢出，將垂直于邊緣生成新的種子點；在圖b中，四鄰域內(nèi)有2個邊緣點，則水從此處溢出，將在生長點的斜對角處產(chǎn)生新的種子點；在圖c中，當(dāng)四鄰域內(nèi)有3個邊界點時，生長點周圍可能存在2個盆地的情況，因此無法判斷有多少個盆地，為了不產(chǎn)生過分割現(xiàn)象，本文處理此種情況時，采用將不產(chǎn)生新種子點的方法。
6）跳至步驟4。
本文采用擴散生長方式，因此，單個子類區(qū)域會產(chǎn)生唯一標記，從而避免了同一區(qū)域存在多個最小連通量標記而產(chǎn)生的過分割現(xiàn)象。同時，采用邊緣檢測手段，以保證生長不會跨越分水嶺而造成錯誤分割。
1.2迭代自組織數(shù)據(jù)分析算法
ISODATA算法（iterative self-organizing data analysis technique）是聚類分析中的一種常用算法，稱為動態(tài)聚類或迭代自組織數(shù)據(jù)分析技術(shù)。該算法是一種軟性分類方法，可以認識到大多數(shù)分類對象在初始認知或是初始分類時不太可能顯示的最本質(zhì)屬性，這種模糊聚類的過程以一種逐步進化的方式來逼近事物的本質(zhì)，可以客觀地反映人們認識事物的過程，從而使得分類方法更加科學(xué)[7]。它是一種非監(jiān)督分類方法，可以自動地分類合并，以達到合理的分類數(shù)，兼顧了各空間實體之間的相關(guān)信息，各個區(qū)域的特征的非均勻性可包含在初始圖像分割處理中，且可以形成原始圖像的特征空間，而不會像硬分割那樣產(chǎn)生偏倚[8]。
ISODATA算法實現(xiàn)步驟如下。
2）樣本分類。計算各類中諸樣本的距離指標函數(shù)，按照與聚類中心距離最小的原則將各樣本歸入最近的類中。
3）判斷類分裂、合并及迭代。
①若迭代次數(shù)已達到I，跳到步驟4），運算結(jié)束；若Nc≥2C，或者進行了偶數(shù)次迭代且，則轉(zhuǎn)至步驟②，合并處理；否則，轉(zhuǎn)至步驟③，分裂處理。
式中，ni,nj分別為類Vi和Vj的樣本數(shù)。合并操作完成后，更新Nc值即Nc=Nc-M。在一次迭代中，某一類最多只能被合并一次。上加上和減去而其他分量不變。k的選取應(yīng)該使和仍在Vj的類域空間中,且其他類的樣本到和的距離較遠。本文取k=0.5。
4）若最后一次迭代運算結(jié)束或過程收斂，則結(jié)束運行；否則轉(zhuǎn)至步驟3），繼續(xù)迭代。
1.3算法流程
本文分類方法的流程如圖2所示，其中，方框表示各步驟或結(jié)果，實心單箭頭表示流程。首先對原始圖像做預(yù)處理，修改灰度梯度并排序；然后用改進的分水嶺算法對圖像進行分割，生成對象；最后，利用ISODATA算法對分割后的影像進行非監(jiān)督分類，得到最終結(jié)果。
圖2 面向?qū)ο蠓诸惲鞒虉DFig.2The flow chart of object-oriented classification
2 試驗結(jié)果與分析
2.1試驗數(shù)據(jù)
試驗采用從深圳市南山區(qū)高分辨率遙感影像上截取的865×725像素圖像。如圖3為藍、綠、紅多光譜數(shù)據(jù)分別與全色波段數(shù)據(jù)進行Pansharp融合[9]，得到的空間分辨率為0.61 m的真彩色圖像。圖4是圖3的全色影像。由圖3和圖4可見，影像區(qū)域內(nèi)主要包括水面、樹林、農(nóng)田、居民地以及少量道路。其中，田地、樹林和水面占了大部分面積，道路和房屋等相互交錯。
圖3 原始影像Fig.3Original image
圖4 全色影像Fig.4Panchromatic image
2.2基于標記分水嶺的對象獲取
對原始影像進行中值濾波，減少圖像噪聲后，獲得灰度梯度，并按由低到高的順序進行排序。計算各灰度梯度所占的梯度百分比，突出感興趣的灰度梯度。通過改進后的分水嶺算法獲得初步的分割圖像，然后對過分割的小區(qū)域和椒鹽噪聲進行區(qū)域合并，把不感興趣的小區(qū)域合并到感興趣的大區(qū)域中，得到最終分割對象。圖3分別經(jīng)分水嶺算法和改進的分水嶺算法的分割影像如圖5所示。
圖5 分水嶺分割影像Fig.5Segmentation result
由圖5可知，經(jīng)過改進后的分水嶺分割獲取對象，分水線與影像地物邊緣吻合；影像對象大小適中，細小區(qū)域?qū)ο蠖寂c周圍區(qū)域合并，成功地抑制了分水嶺的過分割現(xiàn)象。
2.3基于ISODATA的對象分類結(jié)果
獲取對象之后，用對象的中心特征代表整塊區(qū)域，利用ISODATA對分水嶺分割后的影像對象進行聚類，通過原始影像初步判斷可分為5類，分別為水面、田地、森林、房屋和路面。因此，設(shè)置參數(shù)期望聚類數(shù)C為5，迭代次數(shù)I為20。圖6為ISODATA聚類后的結(jié)果。圖中，區(qū)域1為水體，區(qū)域2為森林，區(qū)域3為田地，區(qū)域4為房屋建筑，區(qū)域5為道路以及土地等。由圖可以看出，水體和房屋得到了很好地區(qū)分，由于道路所占面積較少且與房屋、林地等對象交錯，產(chǎn)生了很多小區(qū)域數(shù)據(jù)。
圖6 ISODATA分類結(jié)果Fig.6Result of ISODATA classification
2.4試驗結(jié)果比較
eCognition是目前所用商用遙感軟件中第一個基于目標信息的遙感信息提取軟件，它提出了革命性的分類技術(shù)——面向?qū)ο蟮姆诸惙椒ǎ蟠筇岣吡烁呖臻g分辨率數(shù)據(jù)的自動識別精度，被研究者廣泛使用。
本文采用分割尺度為70的多尺度分割算法獲得對象，然后通過最鄰近分類器對分割后的對象進行分類。圖7為通過eCognition面向?qū)ο蠓诸愜浖υ紙D像進行分類的結(jié)果。圖中，區(qū)域1為水體，區(qū)域2為田地，區(qū)域3為森林，區(qū)域4為建筑，區(qū)域5為土地。
圖7 基于ecognition分類結(jié)果Fig.7Ecognition-based classification
由圖7可知，由于圖像分辨率較高，因此，分類結(jié)果較好。比較圖6和圖7可知，2種分類方法都是采用面向?qū)ο蟮姆诸愃枷?，均取得了較好的分類結(jié)果，且水體及建筑物分類效果較好，但因本方法采用非監(jiān)督分類，導(dǎo)致田地與森林的區(qū)分較困難，因此，總體分類效果略有降低。但非監(jiān)督分類不需要大量的人工干預(yù)，因此提高了該算法的自動化程度。
為了更好地說明算法的分類效果，本文從分類總精度和Kappa系數(shù)2方面對算法進行定量對比。其中，Kappa系數(shù)是一種計算分類精度的方法，其是通過將所有地表真實分類中的像元總數(shù)（N）乘以混淆矩陣對角線（Xkk）的和，減去某一類地表真實像元總數(shù)與被誤分成該類像元總數(shù)之積對所有類別求和的結(jié)果，再除以總像元數(shù)的平方差減去某一類中地表真實像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結(jié)果所得到的。本文分別從2種算法的分類結(jié)果中選取田地（94個）、房屋（90個）、樹木（42個）、水體（57個）、 土地（49個）樣本像元進行分類精度比較。分類結(jié)果如表1所示。從表1可以看出，本文的分類精度與eCognition面向?qū)ο蠓诸愜浖姆诸惥染竭_了0.850以上。盡管eCognition軟件能夠綜合多重處理途徑得到不錯的分類結(jié)果，但多參數(shù)與多特征的最佳搭配方式需要反復(fù)嘗試和大量的先驗知識。相比結(jié)合多尺度分割和監(jiān)督分類，本文將分水嶺算法與ISODATA聚類算法相結(jié)合，在減少大量人為干預(yù)的前提下獲得了較好的效果。
表1 2種分類方法總精度和Kappa系數(shù)的比較Table 1Comparison of two methods of classification in overall accuracy and Kappa coefficient
3 結(jié)語
本文首先利用分水嶺變換分割得到影像對象，然后用迭代自組織算法對分割后的對象進行聚類。不同于廣泛使用的多尺度分割算法，分水嶺變換算法極大地減少了尋找最優(yōu)分割尺度所需時間，在保持原有分類精度的基礎(chǔ)上，減少了人為的干預(yù)，簡化了圖像分割獲取對象的復(fù)雜度，提高了分類的自動化程度。雖然本文方法從分類復(fù)雜度與分類精度取得了較好的平衡，但仍存在一些問題有待深入研究，如田地與森林分類的準確度、陰影等的干擾消除、道路等較小對象的提取等。
[1]Laliberte A S，Rango A，Havstad K M，et al. Object-Oriented Image Analysis for Mapping Shrub Encroachment from 1937 to 2003 in Southern New Mexico[J]. Remote Sensing of Environment，2004，93(1)：198-210.
[2]張春曉，候偉，劉翔，等.基于面向?qū)ο蠛陀跋裾J知的遙感影像分類方法：以都江堰向峨鄉(xiāng)區(qū)域為例[J].測繪通報，2010(4)：11-15. Zhang Chunxiao，Hou Wei，Liu Xiang，et al. Remote Sensing Image Classification Based on Object-Oriented and Image Cognition：A Case Study in Xiang’e Dujiangyan [J]. Bulletin of Surveying and Mapping，2010(4)：11-15.
[3]周春艷.面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù) [D].青島：山東科技大學(xué)，2006. Zhou Chunyan. Object-Oriented Information Extraction Technology of High Resolution Remote Sensing Image[D]. Qingdao：Shandong University of Science and Technology，2006.
[4]林卉，劉培，夏俊士，等.基于分水嶺變換的遙感影像面向?qū)ο蠖喑叨确指钏惴ㄑ芯縖J].測繪通報，2011 (10)：17-19. Lin Hui，Liu Pei，Xia Junshi，et al. Research on Object-Oriented Multi-Scale Segmentation Algorithm Based on Watershed Transformation[J]. Bulletin of Surveying and Mapping，2011(10)：17-19.
[5]陳杰，鄧敏，肖鵬峰，等.基于分水嶺變換與空間聚類的高分辨率遙感影像面向?qū)ο蠓诸怺J].遙感技術(shù)與應(yīng)用，2010，25(5)：597-603. Chen Jie，Deng Min，Xiao Pengfeng，et al. Object-Oriented Classification of High Resolution Imagery Based on Watershed Transform and Spatial Clustering[J]. Remote Sensing Technology and Application，2010，25(5)：597-603.
[6]徐奕奕，劉智琦，劉琦.基于改進的分水嶺算法圖像分割方法研究[J]. 計算機仿真，2011，28(9)：272-275. Xu Yiyi，Liu Zhiqi，Liu Qi. Image Segmentation Based on Watershed Algorithm[J]. Computer Simulation，2011，28 (9)：272-275.
[7]Vincent L，Soille P. Watersheds in Digital Spaces：An Efficient Algorithm Based on Immersion Simulations[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence，1991，13(6)：583-598.
[8]曾江源.ISODATA算法的原理與實現(xiàn)[J].科技廣場，2009(7)：126-127. Zeng Jiangyuan. Principle and Implementation of ISODATA Algorithm[J]. Science Mosaic，2009(7)：126-127.
[9]Zhang Yun. Problems in the Fusion of Commercial High-Resolution Satelitte As Well As Landsat 7 Images and Initial Solutions[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences，2002，34(4)：587-592.
（責(zé)任編輯：鄧彬）
Object-Oriented Classification of Remote Sensing Image Based on Watershed Transform
Zhu Wenqiu ，Dengliu Zhaolu，Hu Yongxiang，Li Jianfei
（School of Computer and Communication，Hunan University of Technology，Zhuzhou Hunan 412007，China）
In order to improve the automation of object-oriented classification，combines the watershed transform and ISODATA clustering to implement a quick and efficient object-oriented classification of remote sensing image. Firstly, uses the improved watershed transform to achieve better segmentation of high resolution imagery; then uses the ISODATA clustering to classify the object segmentation. The experimental results show that this new method obtains better classification effect and fast classification, and greatly enhances the automation of remote image classification.
object-oriented classification；watershed transform；ISODATA clustering；high resolution imagery
TP751.1
A
1673-9833(2014)04-0076-05
10.3969/j.issn.1673-9833.2014.04.017
2014-05-16
交通運輸部重點基金資助項目（2012-364-208-802-2），國家自然科學(xué)基金資助項目（61170102），湖南省自然科學(xué)基金資助項目（11JJ3070），湖南省教育廳科研基金資助項目（12A039）
朱文球（1969-），男，湖南工業(yè)大學(xué)教授，碩士生導(dǎo)師，主要從事圖像處理，模式識別等方面的研究，E-mail：wenqiu_zhu@126.com
鄧劉昭蘆（1989-），男，湖南工業(yè)大學(xué)碩士生，主要研究方向為遙感圖像處理，E-mail：dengliuzhaolu@163.com
猜你喜歡
獸醫(yī)導(dǎo)刊(2019年1期)2019-02-21 01:13:44
電子測試(2018年15期)2018-09-26 06:01:34
電測與儀表(2017年24期)2017-12-19 05:15:24
電子測試(2017年15期)2017-12-18 07:19:27
現(xiàn)代計算機(2016年12期)2016-02-28 18:35:25
智能系統(tǒng)學(xué)報(2015年4期)2015-12-27 09:38:39
電子設(shè)計工程(2015年6期)2015-02-27 12:04:53
河南科技(2014年10期)2014-02-27 14:09:03
華東師范大學(xué)學(xué)報(自然科學(xué)版)(2014年6期)2014-02-27 13:40:55
城市道橋與防洪(2014年1期)2014-02-27 07:24:36
