馬國銳， 馬艷麗， 江滿珍

(武漢大學測繪遙感信息工程國家重點實驗室，武漢 430079)

結合顏色直方圖和LBP紋理的遙感影像分割

馬國銳， 馬艷麗， 江滿珍

(武漢大學測繪遙感信息工程國家重點實驗室，武漢 430079)

提出了一種結合顏色直方圖特征和LBP紋理特征的高分辨率遙感影像分割方法。首先對梯度圖像進行雙閾值聯(lián)合的自適應標記，進而通過快速分水嶺變換來獲得初始分割結果，然后以一種結合顏色直方圖特征和LBP紋理特征的區(qū)域相似性度為指標對初始分割區(qū)域進行合并獲得最終的分割結果。通過在高分辨率遙感影像上的分割對比實驗，證明了該方法能充分利用遙感影像的光譜和紋理信息，分割效果良好。

標記分水嶺分割； 顏色直方圖； LBP紋理； 區(qū)域合并

0 引言

圖像分割是將影像分割為若干個互不重疊的區(qū)域，這些區(qū)域內的像素在某種意義上具有共同的屬性。它是由圖像處理到圖像分析的關鍵步驟，合理的圖像分割有助于更好地進行圖像識別和理解[1]?；跀祵W形態(tài)學的分水嶺算法是新發(fā)展起來的一種圖像分割方法，它來自于測地學上的測線重構，Beucher等最早將其應用于圖像分割[2]。對于遙感影像而言，分水嶺分割具有特別的吸引力，因為它可以以全局形式產生一個明確且閉合的區(qū)域，并提供一個框架，在該框架下，針對特定的遙感應用，用關于影像的先驗知識來改善分割結果[3]。分水嶺一般是在梯度影像上進行變換，受原始影像中非規(guī)則灰度擾動和噪聲的影響，會造成對象的輪廓偏移，并產生過多的偽局部最小值區(qū)域,從而出現(xiàn)過分割現(xiàn)象[4]。特別是IKONOS和QuickBird等高分辨率遙感影像，由于地物種類多、紋理豐富及存在大量噪聲，在利用分水嶺方法分割時更容易出現(xiàn)過分割[5]。

針對傳統(tǒng)分水嶺分割所存在的過分割問題目前主要有以下3種改進方法： ①濾波，如文獻[6]利用小波多尺度分析的方法，在低分辨率圖像中進行分水嶺變換，從而在一定程度上抑制圖像噪聲和分水嶺的過分割； ②標記分水嶺分割，如文獻[7]將高斯低通濾波和概率統(tǒng)計相結合，對梯度影像進行區(qū)域自適應閾值分割提取前景標記，再進行標記分水嶺分割，緩解遙感影像的過分割； ③區(qū)域合并，如文獻[8]對分水嶺分割獲取的初始區(qū)域分別就區(qū)域面積和Fisher距離分兩步進行區(qū)域合并，以解決分水嶺過分割問題。

本文提出一種結合顏色直方圖和LBP紋理特征的分割法，主要創(chuàng)新點在于分水嶺變換時充分利用影像梯度的全局信息和局部信息來自適應地標記影像，以緩解影像上的紋理顯著區(qū)域如植被區(qū)域的過分割現(xiàn)象，在后續(xù)的區(qū)域合并中，通過度量區(qū)域紋理的顯著水平，結合顏色直方圖和LBP紋理特征的區(qū)域相似性來指導初始分割區(qū)域的合并，最后用高分影像的分割對比實驗驗證該方法的有效性。

1 分割方法

本文方法的主要流程為： 首先在低通濾波處理后的影像上計算梯度，并對獲得的梯度圖像進行自適應的標記，通過快速分水嶺變換獲得初始分割結果，然后將結合顏色直方圖特征和LBP紋理特征的區(qū)域相似度作為指標對初始分割區(qū)域進行合并，從而獲得最終的分割結果。其整體流程如圖1所示。

圖1 分割流程圖

1.1 影像預處理

由于高分影像中一般存在大量噪聲，在影像分割之前都要進行平滑去噪預處理。鑒于高斯低通濾波器具有良好的濾波效果，本文采用高斯低通濾波。

1.2 色彩空間變換

高分影像一般包含紅、綠、藍及近紅外波段。就本文分割方法而言，分水嶺分割及后續(xù)區(qū)域合并中的LBP紋理特征計算都只需要影像的灰度信息，而在顏色直方圖特征統(tǒng)計中，出于算法效率的考慮，只利用了3個波段的信息。故這里只利用遙感影像的紅、綠、藍波段。又考慮到這3個波段之間的相關性較強，且RGB顏色空間中的顏色差異不均衡，難以通過距離來度量顏色的相似性[9]。而HSI在光照不勻的場景下，可以有效區(qū)分不同顏色的物體[10]。因此，本文分割方法均是在HSI色彩空間下進行。

1.3 雙閾值聯(lián)合標記的分水嶺分割

采用基于梯度和標記相結合的分水嶺分割，首先采用Sobel算子在HSI色彩空間的I通道上進行梯度計算，后對梯度影像進行標記獲得標記影像。標記是影像上連通像素的集合，標記的質量可直接影響到影像的分割效果?？紤]到高分影像的特點，采用一般的標記提取方法通常不能得到理想的標記影像，對于某些地物如植被具有豐富的紋理，其對象內部梯度值可能大于其他地物邊緣處的梯度值，若采用單一閾值來標記影像，在紋理顯著區(qū)域顯然會產生嚴重的過分割現(xiàn)象。本文結合概率統(tǒng)計方法，以梯度的統(tǒng)計信息來獲得全局閾值和局部閾值來聯(lián)合產生標記，其標記算法定義為

(1)

(2)

式中：Marker=1表示前景點，否則為背景點；g(i,j)為像素(i,j)處梯度值；h(i,j)為由全局閾值hglobal和局部閾值hlocal(i,j)聯(lián)合確定的閾值； 全局閾值hglobal是影像梯度直方圖的α分位數，每一個α對應唯一的hglobal，且α值越大則hglobal越大，α太小會造成hglobal太小，從而造成過分割，但若α太大則hglobal也會過大，遙感影像上的弱邊緣或低對比度處將得不到分割，造成欠分割。由此，可以在α偏大的欠分割影像上計算其每個區(qū)域內梯度直方圖glocal的α分位數，從而獲得每個區(qū)域內的局部閾值hlocal。對比遙感影像上不同地物區(qū)域可以看出，地物細碎或內部紋理顯著的區(qū)域如植被區(qū)域，其梯度一般較高，且梯度變化比較劇烈，這時全局閾值hglobal必小于局部閾值hlocal，標記選用hlocal在一定程度上緩解紋理區(qū)域的過分割； 而在地物內部光譜一致性較高的區(qū)域如水體區(qū)域，其梯度相對較低，且地物內部梯度變化平緩，這時局部閾值hlocal可能會小于全局閾值hglobal，標記將使用hglobal，為了防止產生欠分割現(xiàn)象，生成全局閾值hglobal的α不能太大，以確保弱邊緣或低對比度處的準確分割。

獲得標記影像后，采用Meyer標記分水嶺分割方法對影像進行標記分割，但初始分水嶺分割所得到的區(qū)域中存在若干小區(qū)域，這些小區(qū)域一般是由噪聲像素引起，沒有語義意義，一般通過設定區(qū)域的面積的閾值來實現(xiàn)去除這樣的小區(qū)域，從而降低區(qū)域合并代價。

1.4 區(qū)域合并

為顧及弱邊緣或低對比度的地物，標記時設定的閾值一般偏低，因此初始分水嶺分割結果中還存在過分割現(xiàn)象，在后續(xù)處理中還需進行區(qū)域合并。而在遙感影像中，既有紋理占優(yōu)的圖像區(qū)域，也有亮度一致性程度較高的區(qū)域，若采用單一特征進行分割具有較大的局限性，探求一種能同時適應上述兩類區(qū)域的特征表達方法顯得特別重要[11]。本文定義了一種結合顏色直方圖特征和LBP紋理特征的區(qū)域相似性度作為指標對初始分割區(qū)域進行合并。

1.4.1 顏色直方圖特征

基于區(qū)域合并的圖像分割方法中，顏色直方圖作為一種高效的區(qū)域顏色特征的描述子，考慮到初始分割區(qū)域在大小和形狀上差異較大，但隸屬同一個對象的區(qū)域顏色仍將保持較高的相似度，具有更好的健壯性[12-13]。采用顏色直方圖特征來描述區(qū)域的顏色特征?？紤]到影像龐大的顏色范圍、算法的效率和統(tǒng)計特點，這里將HSI每個顏色通道都量化為8個顏色等級，那么每個區(qū)域僅包含個顏色特征，這大大降低了存儲和計算開銷。用Histi表示區(qū)域Ri歸一化的直方圖特征，選用Bhattacharyya相關系數來定義區(qū)域Ri和區(qū)域Rj之間的直方圖相似性，即

(3)

1.4.2 局部二值模式紋理特征

LBP是一種計算局部窗口內像素的局部結構與灰度反差并采用統(tǒng)計的方法來描述紋理的算子[14]。該算子計算簡單且紋理描述能力強，在圖像紋理分析中應用廣泛[15]。LBP算子描述像素的局部結構信息，以中心像素灰度為閾值，對鄰域像素二值分割為亮像元與暗像元，并與等大小的權重模板卷積得到結構信息，即

(4)

(5)

式中：P為半徑為R時鄰域點的個數；gC和gP分別為中心點和鄰域點灰度值。

原始LBP算法鄰域像素權重值和位置固定對于紋理的方向較為敏感，不斷旋轉鄰域而得到一組LBP值，并取其最小值作為最終的LBP值，即具有了旋轉不變性[14]。在HSI空間的各通道內分別計算LBP值得到LBP影像，并統(tǒng)計區(qū)域的紋理特征，將其量化并用Bhattacharyya相關系數來衡量區(qū)域之間的相似性.

1.4.3 特征融合

采用上述方法后會出現(xiàn)多特征問題?？紤]到在遙感影像中，對于紋理占優(yōu)的圖像區(qū)域如植被區(qū)域，在衡量其區(qū)域相似性時，LBP紋理特征應該獲得較大權重； 而在亮度一致性程度較高的區(qū)域如水域，較大比重的顏色直方圖特征可以更好地度量區(qū)域的相似性。為此，需要對區(qū)域的紋理顯著性強弱通過統(tǒng)計區(qū)域信息來自適應判斷。在紋理占優(yōu)區(qū)域內經常存在比較顯著的不同方向和尺度的梯度響應，而在亮度一致性程度較高的區(qū)域，其內部梯度響應一般比較稀疏[16]。本文將歸一化后的區(qū)域梯度向量的稀疏度作為判斷區(qū)域的紋理顯著性強弱的指標ω，根據參考文獻[17]中對向量的稀疏度的定義，得出區(qū)域Ri的指標ωi為

(6)

式中：n為區(qū)域Ri梯度向量g的維度。若向量中有且僅有一個非零元素此時稀疏度最大，ω為1； 若向量中所有的元素都非零且相等則ω=0； 其余情況下，ω在0～1之間?？梢钥闯觯瑓^(qū)域紋理越顯著則區(qū)域梯度向量的稀疏度越低，即ω越低。當計算區(qū)域Ri和區(qū)域Rj之間的相似度S(Ri,Rj)時，ω取ωi和ωj中的大值，即當一個紋理較顯著區(qū)域和一個紋理較弱區(qū)域合并時，取紋理較弱區(qū)域的ω指標，顏色直方圖特征將獲得較大的比重，由此定義區(qū)域的相似度為

S(Ri,Rj)=ω·ρC(Ri,Rj)+(1-ω)·ρT(Ri,Rj) ,

(7)

式中，ρC(Ri,Rj)和ρT(Ri,Rj)分別為區(qū)域Ri和Rj之間的顏色直方圖特征及LBP紋理特征的相關系數?？梢缘贸?，區(qū)域Ri和Rj的相似度S(Ri,Rj)大小范圍在(0，1)區(qū)間，區(qū)域之間顏色和紋理越相似，其值越高。

1.4.4 區(qū)域合并準則

在獲得區(qū)域對的相似度后，采用雙向最優(yōu)的合并準則來指導區(qū)域合并。當所有的相鄰區(qū)域對的相似度均小于閾值時，則終止區(qū)域合并?？紤]到分水嶺初始分割結果中存在較多面積較小的區(qū)域，將面積小于閾值的區(qū)域合并到與其顏色相關性最強的相鄰區(qū)域中。

2 實驗與分析

采用3幅遙感影像驗證本分割方法的有效性,其具體參數如表1所示。

表1 影像參數表

實驗影像在分割前均進行了高斯平滑預處理和色彩空間變換。各影像覆蓋范圍內的地物類型較為豐富，包括植被、水體、建筑物和道路等，可以充分地驗證本分割方法對高分辨率遙感影像的效果。

實驗包含3部分： 實驗一是驗證本文采用的全局閾值與局部閾值聯(lián)合標記分水嶺和只采用全局閾值標記的分水嶺分割效果，實驗二是分析分水嶺分割和區(qū)域合并時設置的閾值對分割結果的影響，實驗三是本文方法與商業(yè)遙感軟件eCognition采用的多尺度分割方法的比較。

2.1 實驗一

分別對3幅遙感影像進行雙閾值聯(lián)合標記分水嶺與單閾值標記分水嶺分割。實驗中，雙閾值聯(lián)合標記的欠分割區(qū)域是由梯度直方圖的0.5分位數標記產生，并去除區(qū)域面積在300個像元以內的小區(qū)域，雙閾值聯(lián)合標記的局部閾值和單閾值標記的閾值均設定為梯度直方圖的0.4分位數，并去除區(qū)域面積在15個像素內的偽標記區(qū)域。圖2展示了甲、乙、丙3幅影像在單閾值與雙閾值聯(lián)合標記下的分水嶺分割不同結果，2種標記方法分割結果的差異較大處用黃色橢圓標出。

(a) 影像甲2 045 單閾值標記分割 (b) 影像甲1 587雙閾值聯(lián)合標記分割

(c) 影像乙2 014單閾值標記分割 (d) 影像乙1 708雙閾值聯(lián)合標記分割

(e) 影像丙1 741單閾值標記分割 (f) 影像丙1 461雙閾值聯(lián)合標記分割

圖2雙閾值聯(lián)合標記分水嶺與單閾值標記分水嶺分割結果比較

Fig.2Comparisonbetweendual-thresholdjointandsingle-thresholdmarker-basedwatershedsegmentationresults

首先從分水嶺分割獲得的區(qū)域數目來看，雙閾值聯(lián)合標記分水嶺有更理想的表現(xiàn)，其分割區(qū)域數目明顯少于單閾值標記的分割區(qū)域數目，僅就這3幅影像而言，其區(qū)域數目相對減少了15%～22%，緩解了分水嶺分割的過分割現(xiàn)象，降低了后續(xù)區(qū)域合并代價。其次，從圖2的黃色橢圓標記處可以看出，雙閾值聯(lián)合標記分水嶺相較單閾值標記分水嶺區(qū)域數目的減少主要體現(xiàn)在遙感影像上相對而言梯度較高、且梯度變化比較劇烈的紋理顯著區(qū)域，如植被區(qū)域，在該區(qū)域其局部閾值通常大于全局閾值，在紋理顯著區(qū)域，雙閾值聯(lián)合標記效果更好。在梯度分布較低且比較平緩的區(qū)域，其局部閾值可能低于全局閾值，其標記是有全局閾值產生，這2種標記方法標記的結果是一樣的，也說明雙閾值聯(lián)合標記并不會影響遙感影像中的弱邊緣或低對比度處的分割質量。閾值聯(lián)合標記分水嶺相對于單閾值標記分水嶺在一定程度上緩解了過分割問題，在紋理占優(yōu)區(qū)域上有效減少過分割。

2.2 實驗二

分割的過程中主要涉及3個閾值： 分水嶺分割時的欠分割分位數α0、分水嶺分位數α和區(qū)域合并時的區(qū)域相似度閾值s的設定，合理的閾值應該既能有效地消減過分割區(qū)域，又不影響影像弱邊緣或低對比度處的分割。圖3為不同α0及α分位數下的乙圖分割結果，圖上橢圓處標出了部分差異較大的分割結果。

(a)α0=0.5，α=0.3，2 413 下的分割(b)α0=0.5，α=0.4，1 708下的分割

(c)α0=0.6，α=0.4，1 695下的分割(d)α0=0.6，α=0.5，1 057下的分割

圖3不同α0和α分位數組合下的分水嶺分割結果

Fig.3Watershedsegmentationresultsofdifferentα0andαcombination

分析實驗分割結果，圖3(a)中大部分地物都分割地比較破碎，如圖中(a)標記處的道路、(b)標記處的建筑物，都產生了大量的過分割區(qū)域。圖3(b)和圖3(c)所示的分割結果相對圖3(a)來說，其建筑物和道路區(qū)域都分割得較為完整，更接近地物的真實邊緣，但是在植被覆蓋區(qū)域仍存在一些過分割的現(xiàn)象。而圖3(d)中過分割現(xiàn)象大為減少，但無法分割出少數弱邊緣或與背景對比度低的地物，如圖中(c),(d)標記處的人工地物。

在α0不變的情況下，α越大，標記影像的梯度閾值越小，分割區(qū)域也相應變少。α的取值太小，會造成影像嚴重的過分割，而取值太大，會出現(xiàn)弱邊緣或對比度較低的地物欠分割。僅就本圖來說，α取0.4是比較合理的選擇。相對來說，α0影像分割的影響不如α強，α0僅提供一個欠分割結果作為第二次分水嶺分割時統(tǒng)計局部信息的基元。α0的大小對應基元劃分的精細程度，若α0太小，則基元劃分將過于精細，將增加后續(xù)的計算量，若α0太大，則基元劃分過于粗糙，使聯(lián)合閾值標記發(fā)揮不了效果。

除了分水嶺分割時的α0和α閾值外，在后續(xù)的區(qū)域合并中需設定區(qū)域相似度閾值s，圖4為乙圖在不同的相似度閾值s下的區(qū)域合并結果，部分欠分割或過分割區(qū)域已用橢圓標出。

(a)s=0.6，559 下的區(qū)域合并結果 (b)s=0.5，478下的區(qū)域合并結果

(c)s=0.4，435下的區(qū)域合并結果 (d)s=0.3，400下的區(qū)域合并結果

圖4不同相似度閾值s下的區(qū)域合并結果

Fig.4Regionmergingresultsofdifferentsimilaritys

合理的相似度閾值能以較少的區(qū)域來準確地描述地物的邊緣，從實驗結果看，圖4(a)，(b)，(c)中均存在個別的欠分割區(qū)域和過分割區(qū)域； 相對地，圖4(d)只存在輕微的過分割現(xiàn)象，其合并效果更為理想。實驗結果表明相似閾值s越小，區(qū)域合并的效果就越好，由于區(qū)域合并時除了極少部分小面積區(qū)域外均采用雙向最優(yōu)合并準則，這一準則充分考慮區(qū)域的局部環(huán)境，若兩最相似的相鄰區(qū)域的相似度大于閾值s則合并，從這一點又從全局出發(fā)，避免了區(qū)域的過度合并。但大部分滿足雙向最優(yōu)的區(qū)域的相似度都較高，故相似度閾值s并沒有對區(qū)域合并結果造成很大的影響。

2.3 實驗三

eCognition是德國Definiens Imaging 公司開發(fā)的，首次將面向對象的思想應用于遙感分類中。其所用的多尺度分割方法除采用光譜特征外，還將區(qū)域形狀特征納入到分割方案，但在實現(xiàn)過程中并沒有考慮紋理特征。這里為了更直觀地體現(xiàn)本文方法的分割效果，采用eCognition 8.0進行實驗，將eCognition的多尺度分割結果與本文方法的分割結果進行對比。這兩種方法的分割結果如圖5所示，且這兩種方法分割結果的部分過分割或欠分割處在圖中已經用黃色橢圓標出。

(a) 尺度=120，形狀=0.2，緊致度=0.4(b)α0=0.5，α=0.4，s=0.3

(c) 尺度=120，形狀=0.1，緊致度=0.3(d)α0=0.5，α=0.4，s=0.3

(e) 尺度=110，形狀=0.2，緊致度=0.5(f)α0=0.5，α=0.4，s=0.5

圖5eCognition多尺度方法(左側)與本文多尺度分割方法結果(右側)的比較

Fig.5Comparisonbetweenthepresentedsegmentationalgorithmandmulti-scalesegmentation

由對比圖可知，多尺度分割的尺度參數局限了影像的分割區(qū)域大小，當遙感影像所覆蓋的地物大小差別很大時，為兼顧小面積地物的分割，分割尺度一般對于大面積地物而言偏小，便造成大面積區(qū)域的過分割，如第一幅遙感影像的草地與建筑物的尺度差異很大，草地出現(xiàn)了過分割，如圖5(a)所示； 而本文方法相對而言表現(xiàn)比較理想，完整地將草地分割出來，更為貼近實際邊緣。對于紋理顯著區(qū)域如植被，多尺度分割更容易出現(xiàn)過分割現(xiàn)象，而本文方法對于道路等平滑地物分割比較完整，如圖5(b)和5(f)所示。

從對比中可以看出，eCognition受尺度限制，當影像覆蓋范圍內的地物尺寸差異不明顯時凸顯其優(yōu)勢，但當地物大小差異明顯時效果較差。在實驗中發(fā)現(xiàn)eCognition容易對植被區(qū)域、道路等地物出現(xiàn)過分割。本文分割算法對于遙感影像上的大部分的地物如植被、水體、建筑物和道路等都能取得準確的分割結果。

3 結語

1)本文提出的雙閾值聯(lián)合標記分水嶺方法，實現(xiàn)了根據全局和局部統(tǒng)計信息自適應地選擇閾值來標記影像，可有效緩解分水嶺的過分割問題，改善分割效果，在遙感影像的紋理顯著區(qū)域有較大的優(yōu)勢，在區(qū)域合并時引入相似度概念來度量區(qū)域的紋理顯著性水平，根據區(qū)域統(tǒng)計信息實現(xiàn)了顏色直方圖特征和LBP紋理特征的自適應組合。

2)實驗結果顯示該方法能充分利用遙感影像的顏色特征和紋理特征，對于大部分的地物如植被、道路、建筑物和水體等都取得了較準確的分割結果。

3)本文的不足之處表現(xiàn)為分割結果仍然存在未能合并的小部分零碎紋理區(qū)域，紋理區(qū)域分割合并還不十分完整，可以考慮在本文方法的基礎上引入形狀、邊緣等區(qū)域特征以進一步改善影像分割效果，提高遙感影像的分割質量。

[1] 冷美萍,鮑蘇蘇.基于色調直方圖和區(qū)域合并的彩色圖像分割算法[J].計算機應用,2010,30(3):653-656. Leng M P,Bao S S.Color image segmentation algorithm based on hue level histogram and region merging[J].Journal of Computer Applications,2010,30(3):653-656.

[2] 王宇,陳殿仁,沈美麗,等.基于形態(tài)學梯度重構和標記提取的分水嶺圖像分割[J].中國圖象圖形學報,2008,13(11):2176-2180. Wang Y,Chen D R,Shen M L,et al.Watershed segmentation based on morphological gradient reconstruction and marker extraction[J].Journal of Image and Graphics,2008,13(11):2176-2180.

[3] Gonzalez R C,Woods R E,Eddins S L.數字圖像處理(MATLAB版)[M].阮秋琦譯.北京:電子工業(yè)出版社,2005. Gonzalez R C,Woods R E,Eddins S L.Digital Image Processing Using MATLAB[M].Translated by Ruan Q Q.Beijing:Electronic Industry Press,2005.

[4] 陳波,張友靜,陳亮.標記分水嶺算法及區(qū)域合并的遙感圖像分割[J].國土資源遙感,2007(2):35-38.doi:10.6046/gtzyyg.2007.02.09. Chen B,Zhang Y J,Chen L.Segmentation of the remote sensing image based on method of labeling watershed algorithm and regional merging[J].Remote Sensing for Land and Resources,2007(2):35-38.doi:10.6046/gtzyyg.2007.02.09.

[5] 張桂峰.粒度理論下的多尺度遙感影像分割[D].武漢:武漢大學,2010. Zhang G F.Multi-scale Remote Sensing Image Segmentation Based on Granularity Theory[D].Wuhan:Wuhan University,2010.

[6] 王鑫,羅斌,寧晨.一種基于小波和分水嶺算法的圖像分割方法[J].計算機技術與發(fā)展,2006,16(1):17-19,22. Wang X,Luo B,Ning C.Image segmentation method based on wavelet and watersheds algorithm[J].Computer technology and Development,2006,16(1):17-19,22.

[7] 巫兆聰,胡忠文,歐陽群東.一種區(qū)域自適應的遙感影像分水嶺分割算法[J].武漢大學學報(信息科學版),2011,36(3):293-296. Wu Z C,Hu Z W,Ouyang Q D.A regional adaptive segmentation algorithm for remote sensing image[J].Geomatics and Information Science of Wuhan University,2011,36(3):293-296.

[8] 張平,王文偉,吳麗蕓.基于均勻性圖分水嶺變換及兩步區(qū)域合并的彩色圖像分割[J].計算機應用,2006,26(6):1378-1380. Zhang P,Wang W W,Wu L Y.Color image segmentation based on watershed transformation upon homogeneity and two-step region merging[J].Computer Applications,2006,26(6):1378-1380.

[9] Wyszecki G,Stiles W S.Color Science:Concepts and Methods,Quantitative Data and Formulae[M].2nd ed.New York:John Wiley & Sons,2000.

[10]林開顏,吳軍輝,徐立鴻.彩色圖像分割方法綜述[J].中國圖象圖形學報,2005,10(1):1-10. Lin K Y,Wu J H,Xu L H.A survey on color image segmentation techniques[J].Journal of Image and Graphics,2005,10(1):1-10.

[11]陳秋曉,陳述彭,周成虎.基于局域同質性梯度的遙感圖像分割方法及其評價[J].遙感學報,2006,10(3):357-365. Chen Q X,Chen S P,Zhou C H.Segmentation approach for remote sensing images based on local homogeneity gradient and its evaluation[J].Journal of Remote Sensing,2006,10(3):357-365.

[12]張長青,葛文英,劉國英.一種基于區(qū)域分級合并的彩色圖像分割方法[J].計算機工程與應用,2012,48(17):203-206,232. Zhang C Q,Ge W Y,Liu G Y.Color image segmentation algorithm based on multi-level region merging[J].Computer Engineering and Applications,2012,48(17):203-206,232.

[13]Ning J F,Zhang L,Zhang D,et al.Interactive image segmentation by maximal similarity based region merging[J].Pattern Recognition,2010,43(2):445-456.

[14]Ojala T,Pietikainen M,Harwood D.A comparative study of texture measures with classification based on feature distributions[J].Pattern Recognition,1996,29(1):51-59.

[15]巫兆聰,胡忠文,張謙,等.結合光譜、紋理與形狀結構信息的遙感影像分割方法[J].測繪學報,2013,42(1):44-50. Wu Z C,Hu Z W,Zhang Q,et al.On combining spectral,textural and shape features for remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.

[16]Alpert S,Galun M,Basri R,et al.Image segmentation by probabilistic bottom-up aggregation and cue integration[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Minneapolis,MN:IEEE,2007:1-8.

[17]Hoyer P O.Non-negative matrix factorization with sparseness constraints[J].The Journal of Machine Learning Research,2004,5:1457-1469.

[18]蔣志勇,陳曉玲,秦前清.一種基于淹沒的分水嶺變換算法[J].武漢大學學報(信息科學版),2009,34(5):509-513. Jiang Z Y,Chen X L,Qin Q Q.Watershed transform based on flooding[J].Geomatics and Information Science of Wuhan University,2009,34(5):509-513.

(責任編輯：李瑜)

CombinationalcolorhistogramandLBPtexturalfeaturesforremotesensingimagesegmentation

MA Guorui, MA Yanli, JIANG Manzhen

(WuhanUniversity,StateKeyLaboratoryofInformationEngineeringinSurveying,MappingandRemoteSensing,Wuhan430079,China)

A novel segmentation method combining color histogram with LBP textural features for segmentation of high-resolution remote sensing images is presented. This method starts with an adaptive marker-based watershed algorithm to obtain an initial segmentation result, and the markers are constructed by dual-threshold joint segmentation of the gradient image. And then a regional similarity indicator combining color histogram with LBP textural features is adopted to guide regional merging procedure and obtain the final result. Comparative experiments on high-resolution remote sensing images have proved the effectiveness of the method.

marker-based watershed; color histogram; LBP textural feature; region merging

10.6046/gtzyyg.2017.03.05

馬國銳，馬艷麗，江滿珍.結合顏色直方圖和LBP紋理的遙感影像分割[J].國土資源遙感，2017，29(3)：32-40.(Ma G R,Ma Y L,Jiang M Z.Combinational color histogram and LBP textural features for remote sensing image segmentation[J].Remote Sensing for Land and Resources,2017,29(3):32-40.)

2016-03-15；

2016-06-19

國家自然科學基金項目“基于多尺度一體化分割的高分辨率SAR與光學圖像變化檢測”(編號： 61001187)、國家863計劃資助項目“多傳感器信息實時接入”(編號： 2013AA122301)和江蘇省資源環(huán)境信息工程重點實驗室開放基金資助項目“高光譜影像全尺度分割與仿生模式分類方法”(編號： JS201302)共同資助。

馬國銳(1979-)，男，研究員，主要從事遙感應用、信息提取處理方面的研究。Email： mgr@whu.edu.cn。

馬艷麗(1985-)，女，碩士研究生，主要從事遙感信息提取方面的研究。Email: mayanli@whu.edu.cn。

TP 751.1

： A

： 1001-070X(2017)03-0032-09