丁海勇，王雨軒，毛宇瓊，許亞慧

(1. 南京信息工程大學(xué)地理與遙感學(xué)院，江蘇 南京 210044; 2. 南京信息工程大學(xué)濱江學(xué)院，江蘇 南京 210044)

?

基于動態(tài)閾值區(qū)域分裂合并算法的高分辨率遙感圖像分割研究

丁海勇1，王雨軒2，毛宇瓊2，許亞慧2

(1. 南京信息工程大學(xué)地理與遙感學(xué)院，江蘇 南京 210044; 2. 南京信息工程大學(xué)濱江學(xué)院，江蘇 南京 210044)

遙感圖像分割是10多年前提出的一種圖像處理算法，其目的是利用圖像中的多種特征，如光譜特征、紋理特征、幾何特征、上下文特征等，在一個特定的尺度上采取一定的標準對圖像中的不同地理對象進行提取，常見的算法包括：分水嶺分割算法、多尺度分割算法、均值漂移算法、四叉樹分割算法等。

一、基于動態(tài)閾值的區(qū)域分裂合并算法

圖像分割算法可分成灰度閾值法、基于邊緣檢測的分割、基于區(qū)域的分割等6類，同時又有各自的優(yōu)缺點。這些分割算法一般基于亮度值的不連續(xù)性和相似性。在區(qū)域分裂合并過程中，如果依賴于固定閾值，將會導(dǎo)致多分割或分割過大；如果以動態(tài)閾值為參數(shù)來調(diào)整區(qū)域分裂的層數(shù)，就可以更好地模擬人對地表物體的識別過程?；趧討B(tài)閾值的四叉樹分裂—相鄰?fù)|(zhì)區(qū)域歸并算法是以區(qū)域分裂合并算法為基礎(chǔ)，融合四叉樹分割算法，結(jié)合動態(tài)閾值優(yōu)勢改進后的圖像分割算法。

1) 區(qū)域分裂：動態(tài)閾值的四叉樹分裂；

2) 區(qū)域合并：相鄰?fù)|(zhì)區(qū)域歸并算法。

以待分割遙感影像的標準差為基礎(chǔ)閾值Tbasic與人為設(shè)定一非負且小于1的系數(shù)k(本文稱為歸一化閾值)的乘積作為分裂和合并的閾值T(T=k·Tbasic)。分裂的歸一化閾值(記為k1)與歸并的歸一化閾值(記為k2)根據(jù)計算量、分割效果選擇，二者可以不同，也可相同。

均勻測度或同質(zhì)度是描述圖斑內(nèi)部是否同質(zhì)的參數(shù)。均勻測度測試，即一種判斷圖斑內(nèi)部是否同質(zhì)的算法、運算和操作。該算法以圖斑內(nèi)部所有像元各波段標準差的加權(quán)平均值與給定閾值作關(guān)系運算，為均勻測度測試。

1. 基于動態(tài)閾值的四叉樹分裂

傳統(tǒng)四叉樹分裂算法采用全局閾值，圖像局部區(qū)域不可改動閾值。計算過程中對待分割圖像作均勻測度測試，如果判定為同質(zhì)，則不分裂；否則等分為左上、右上、左下、右下4塊，對每一塊照此辦法繼續(xù)分裂。四叉樹分裂算法本質(zhì)上是一種遞歸算法。對于遞歸算法，程序執(zhí)行效率低，因此有必要采用必要的數(shù)據(jù)結(jié)構(gòu)將其轉(zhuǎn)換為循環(huán)算法。結(jié)合數(shù)據(jù)結(jié)構(gòu)基本理論，采用常見的堆棧數(shù)據(jù)結(jié)構(gòu)進行運算。

2. 相鄰?fù)|(zhì)區(qū)域歸并算法

此算法具體流程與傳統(tǒng)區(qū)域生長算法類似，不再詳細說明。關(guān)于尋找某區(qū)域的相鄰區(qū)域，核心問題是如何判斷兩區(qū)域是否相鄰?？紤]到四叉樹分裂后形成的各區(qū)域均為橫向或縱向的方形區(qū)域，可將問題抽象為如下簡單數(shù)學(xué)問題：在xOy平面內(nèi)，任意兩橫向或縱向互不重疊的正方形，滿足何種條件，兩正方形(或矩形)才相鄰(有公共邊或公共點，也稱為鄰接)。

3. 分割算法的預(yù)處理及后處理

由于空間分辨率大大提高，數(shù)據(jù)量較大，并且存在數(shù)據(jù)冗余的問題，同時區(qū)域分裂-合并的圖像分割算法本身計算量很大，為了能夠在有限的時間完成圖像分割，有必要對圖像作預(yù)處理及后處理。

在預(yù)處理中，利用尺度參數(shù)，對圖像重采樣，以改變圖像的大小(即改變圖像行、列數(shù))。由于預(yù)處理改變了圖像大小，故完成圖像分割后，需對分割結(jié)果作后處理，將圖像分割結(jié)果恢復(fù)成原圖大小，以及對分割結(jié)果里各圖斑提取矢量或柵格形式的邊界。

二、試驗與結(jié)果分析

1. 試驗數(shù)據(jù)

本文以一幅航拍高分辨率遙感影像為試驗數(shù)據(jù)，空間分辨率為0.3m。選擇原影像中地物豐富區(qū)域作試驗區(qū)，影像尺寸為500×500像素。利用本文算法編程實現(xiàn)不同分割參數(shù)及其組合的圖像分割，以驗證算法的有效性，并結(jié)合eCognition軟件的分割結(jié)果作對比和分析。

2. 不同分割參數(shù)及其組合試驗結(jié)果對比

經(jīng)過試驗，本文選擇以下3組分割參數(shù)組合對試驗圖像進行分割，結(jié)果如圖1所示。3組試驗的閾值參數(shù)和尺度參數(shù)分別為：①k1=0.54，k2=0.18，scale=6;②k1=0.36，k2=0.16，scale=6; ③k1=0.48，k2=0.18，scale=10。

圖1　利用不同參數(shù)進行分割結(jié)果

經(jīng)過對比，可得以下結(jié)論：

1) 尺度參數(shù)越小，分裂及歸并的歸一化閾值越小，圖斑數(shù)量增加，分割結(jié)果越精細，過分割現(xiàn)象越嚴重，計算量越大。

2) 分裂及歸并的歸一化閾值之比也是影響圖像分割效果的重要因素之一。分裂的歸一化閾值應(yīng)較大于歸并的歸一化閾值，否則分割出的圖斑可能較少甚至沒有。為了取得較好的分割效果，在適當減小分裂及歸并的歸一化閾值的同時，有必要將分裂歸一化閾值與歸并歸一化閾值之比保持在一固定范圍內(nèi)。

3. 與eCognition分割結(jié)果的對比

與eCognition分割結(jié)果的對比如圖2、圖3所示。

圖2　本文算法分割結(jié)果

從圖2、圖3可以看出，本文算法分割圖斑數(shù)量少于eCognition多尺度分割的圖斑數(shù)量，對復(fù)雜地物分割效果不如eCognition多尺度分割效果，部分圖斑內(nèi)部不均一、多種地物混合。但本文算法對內(nèi)部較均質(zhì)的人工建筑，分割效果明顯優(yōu)于eCognition軟件，在這些區(qū)域里，也沒有嚴重的過分割現(xiàn)象。

三、結(jié)束語

高分辨率遙感影像中地物幾何特征信息非常豐富，為了有效提取這些特征信息，本文提出和闡釋了一種基于動態(tài)閾值的區(qū)域分裂-合并圖像分割算法，并通過試驗驗證了其有效性。理論上，如果地物內(nèi)部絕對同質(zhì)，且所選圖像分割參數(shù)合適，本文所提算法將能夠有效提取地物幾何特征信息，而無需過多人工干預(yù)。對于真實地物，雖整體分割效果不好，但容易編程實現(xiàn)，基本可滿足圖像分割要求，能較好地分割出內(nèi)部較同質(zhì)的地物。由于本文所提算法計算量大，均勻測度測試僅考慮光譜特征，分割參數(shù)對分割效果影響較大，因此如何優(yōu)化分割算法，如何將其他學(xué)科相關(guān)理論合理引入圖像分割算法，如何選取最優(yōu)分割參數(shù)將是今后值得關(guān)注的重要方向。

江蘇省大學(xué)生創(chuàng)新項目(201513982016X;201510300067)

天寶測繪解決方案專欄