亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種基于概率框架的遙感影像分割方法

        2018-05-04 07:04:10展,閆利,夏
        測(cè)繪通報(bào) 2018年4期
        關(guān)鍵詞:同質(zhì)性尺度像素

        趙 展,閆 利,夏 旺

        (武漢大學(xué)測(cè)繪學(xué)院,湖北 武漢 430079)

        影像分割是遙感信息提取的重要預(yù)處理過(guò)程,是面向?qū)ο蠓诸怺1]和目標(biāo)地物提取[2]的基礎(chǔ)。能否有效地將地物與周圍地物分割開(kāi)直接影響后續(xù)分類或提取的準(zhǔn)確性。基于區(qū)域增長(zhǎng)的分割方法是最常用的影像分割方法,研究者們提出了多種不同的區(qū)域增長(zhǎng)影像分割方法[3-8]。這些區(qū)域增長(zhǎng)分割方法研究焦點(diǎn)在于區(qū)域增長(zhǎng)中同質(zhì)性指數(shù)和合并順序設(shè)計(jì)[3-6],以及在增長(zhǎng)過(guò)程中加入?yún)^(qū)域大小約束[7-8]。其中,分形網(wǎng)絡(luò)演化算法[4](fractal net evolution approach,F(xiàn)NEA)在同質(zhì)性準(zhǔn)則中集成了光譜和形狀信息,并采用雙向最優(yōu)的合并準(zhǔn)則,具有較好的分割效果,已內(nèi)嵌入商業(yè)軟件eCognition中。國(guó)內(nèi)外諸多研究者也在初始分割[9~12]、合并策略控制[13-14]及并行處理[15]等方面對(duì)FNEA算法進(jìn)行改進(jìn)。區(qū)域增長(zhǎng)分割方法中判斷區(qū)域是否合并的相似性準(zhǔn)則對(duì)分割結(jié)果具有至關(guān)重要的影響,高分辨率影像地物細(xì)節(jié)信息豐富,需要利用多種特征判斷相似性。有的研究中采用分階段區(qū)域增長(zhǎng)過(guò)程,在不同的階段采用不同層次的各種特征計(jì)算相似性指數(shù)和確定合并準(zhǔn)則[6,16],在復(fù)雜場(chǎng)景的情況下取得較好的分割結(jié)果。分水嶺變換是另一種常用的遙感影像分割方法,其特點(diǎn)是分割效率很高。國(guó)內(nèi)外研究者針對(duì)遙感影像特點(diǎn),在梯度計(jì)算[17]、邊緣約束[18]、自適應(yīng)標(biāo)記提取[19]、基于動(dòng)態(tài)分水線的多尺度獲取[20]等方面對(duì)分水嶺變換分割方法進(jìn)行改進(jìn)。分水嶺變換與區(qū)域增長(zhǎng)方法結(jié)合使用,為區(qū)域合并過(guò)程提供初始分割結(jié)果[9-11]。

        區(qū)域增長(zhǎng)是從種子點(diǎn)開(kāi)始按照一定的合并準(zhǔn)則不斷合并周圍相似像素或區(qū)域的過(guò)程?;趨^(qū)域增長(zhǎng)的分割算法有兩個(gè)關(guān)鍵過(guò)程:種子點(diǎn)的選擇(即起始區(qū)域增長(zhǎng)點(diǎn)的選擇)和區(qū)域增長(zhǎng)中的對(duì)象合并準(zhǔn)則(即兩個(gè)對(duì)象滿足何種相似性準(zhǔn)則才能合并)。已有的分割方法如FNEA等都是從單個(gè)像素開(kāi)始進(jìn)行合并,在像素合并的初始階段對(duì)合并的順序非常敏感,需要施加額外的控制(如FNEA采用前后兩次合并像素相隔盡量遠(yuǎn)的策略進(jìn)行控制)。同時(shí)對(duì)于這些方法,對(duì)象相似性是多種特征計(jì)算的相似的加權(quán)和,權(quán)值和最終的相似性閾值通過(guò)用戶設(shè)置的參數(shù)控制,但這些參數(shù)具體含義不夠明確,往往需要通過(guò)反復(fù)的試驗(yàn)才能確定一組較優(yōu)的參數(shù)。針對(duì)這一情況,本文提出一種分為兩步的區(qū)域增長(zhǎng)分割算法:采用分水嶺變換和簡(jiǎn)單區(qū)域合并獲得一個(gè)初始分割結(jié)果,避免種子點(diǎn)選擇的影響;以初始分割得到的分割區(qū)域作為基本處理單元,利用光譜、形狀和上下文信息,基于貝葉斯準(zhǔn)則計(jì)算兩個(gè)區(qū)域的可合并概率,進(jìn)行進(jìn)一步的區(qū)域合并處理。利用區(qū)域合并概率進(jìn)行區(qū)域合并,能夠有效集成多種特征計(jì)算一個(gè)具有較明確含義的區(qū)域相似性指數(shù),同時(shí)避免了復(fù)雜的參數(shù)設(shè)置過(guò)程。

        1 基于概率框架的影像分割方法

        1.1 概率框架區(qū)域合并的基本思想

        (1)

        1.2 初始分割

        本文采用分水嶺變換和簡(jiǎn)單的區(qū)域合并對(duì)影像進(jìn)行初始分割。分水嶺變換具有計(jì)算速度快、邊界準(zhǔn)確的優(yōu)點(diǎn),且無(wú)需進(jìn)行復(fù)雜的參數(shù)設(shè)置。常用的分水嶺分割是基于標(biāo)記的模擬浸水算法,標(biāo)記的選擇對(duì)最終分割結(jié)果有重要影響。在提取分割標(biāo)記時(shí),應(yīng)該提取地物內(nèi)部的平滑像素作為標(biāo)記像素,而盡量避免選擇地物邊緣處的像素。在本文中,對(duì)于每個(gè)像素P采用以下公式通過(guò)表示像素的局部平滑性

        (2)

        式中,C是在以像素P為圓心的圓形鄰域內(nèi)梯度值大于像素P梯度值的像素個(gè)數(shù);TotalNum是整個(gè)鄰域內(nèi)像素個(gè)數(shù)。平滑因子r的值越大表示該像素相對(duì)于周圍像素越平滑,且與像素具體的梯度值大小無(wú)關(guān),可以設(shè)定一個(gè)簡(jiǎn)單的閾值提取整個(gè)影像上的標(biāo)記像素進(jìn)行分水嶺變換分割。分水嶺變換分割結(jié)果一般較為細(xì)碎,本文通過(guò)一個(gè)簡(jiǎn)單區(qū)域合并的過(guò)程進(jìn)一步合并。該過(guò)程中采用FNEA中的光譜同質(zhì)性指數(shù)[4]基于雙向最優(yōu)準(zhǔn)則合并。

        1.3 先驗(yàn)概率和條件概率計(jì)算

        在本文的概率框架中利用相鄰區(qū)域的形狀符合性表示合并先驗(yàn)概率,所使用的形狀特征是FENA中證明非常有效的緊致性(compact)和光滑性(smooth),具體計(jì)算公式見(jiàn)參考文獻(xiàn)[4]。設(shè)區(qū)域RA有n個(gè)鄰域Ri,i=1,2,…,n,則根據(jù)RA與某個(gè)鄰域?qū)ο驲k虛擬合并前后的特征比衡量二者形狀符合性,即

        CPAk=compactAk/compactA

        (3)

        SMAk=smoothAk/smoothA

        (4)

        取緊致性和光滑性形狀符合指標(biāo)的最大值為兩個(gè)區(qū)域的形狀符合指標(biāo)

        SHAk=max{CPAk,SMAk}

        (5)

        然后在RA所有鄰域?qū)ο笾g作歸一化處理,得到最終的合并先驗(yàn)概率和非合并先驗(yàn)概率

        (6)

        條件概率則是根據(jù)兩個(gè)區(qū)域及周圍上下文區(qū)域的Ck特征統(tǒng)計(jì)信息計(jì)算的。同一地物內(nèi)部具有較高的勻質(zhì)性而與相鄰地物之間存在較高的差異性。利用這一特點(diǎn),對(duì)m個(gè)波段的特征Ck(k=1,2,…,m)分別計(jì)算其合并和不合并的條件概率

        (7)

        (8)

        k=1,2,…,m}

        (9)

        得到合并概率后,可以利用區(qū)域合并概率進(jìn)行區(qū)域合并影像分割。在分割過(guò)程中,除判斷兩個(gè)區(qū)域的合并概率是否大于給定的閾值外,還采用雙向最優(yōu)約束準(zhǔn)則,即兩個(gè)區(qū)域互為對(duì)方的最大合并概率區(qū)域時(shí)才將其合并。

        2 試驗(yàn)與分析

        本文試驗(yàn)影像是合肥市開(kāi)發(fā)區(qū)的QuickBird多光譜影像,利用影像的綠、紅和紅外3個(gè)波段合成為一幅彩紅外影像。本文截取其中的典型區(qū)域進(jìn)行試驗(yàn),如圖1(a)所示。影像上地物類型豐富,包含自然地物(如水體、植被、裸地等)和人工地物(如房屋、道路、塑膠操場(chǎng)等),其中既有尺度較大的地物(如大面積的水體和較長(zhǎng)的公路),也有尺度較小的地物(如居民樓和花壇等)。利用Sobel算子對(duì)影像進(jìn)行計(jì)算得到影像的梯度圖,如圖1(b)所示。從圖中可以看出,在整個(gè)影像上梯度值分布不均勻,如在水體和塑膠操場(chǎng)的邊緣,像素梯度值相對(duì)較低;而在密集居民區(qū)和公路內(nèi)部,像素梯度值也相對(duì)較高。因此需要考慮區(qū)域局部信息提取平滑像素作為標(biāo)記,平滑因子閾值設(shè)為0.75,可以得到均勻分布的標(biāo)記圖像,如圖1(c)所示。利用提取的標(biāo)記,采用分水嶺變換對(duì)影像進(jìn)行分割,如圖1(d)所示。從圖中可以看出,除部分道路分割區(qū)域較完整,整個(gè)影像分割的比較細(xì)碎。進(jìn)一步采用簡(jiǎn)單區(qū)域合并(閾值設(shè)為5000)得到的初始分割結(jié)果,如圖1(e)所示。盡管初始分割得到的仍然是一個(gè)過(guò)分割的結(jié)果,但分割區(qū)域已經(jīng)具有一定的大小,可以計(jì)算區(qū)域統(tǒng)計(jì)、鄰域上下文和形狀信息用于后續(xù)合并處理。

        圖1 試驗(yàn)影像與分割結(jié)果

        本文所建立的概率框架可以適合于多類特征,在試驗(yàn)中使用了原始光譜特征和色度特征。色度特征是通過(guò)對(duì)原始影像進(jìn)行LUV色度空間變換,提取兩個(gè)顏色分量得到的。在試驗(yàn)中,先進(jìn)行基于光譜特征概率的合并,再進(jìn)行基于色度特征概率的合并,二者的概率閾值均設(shè)為0.6,最終得到的分割結(jié)果如圖1(f)所示。從圖中可以看出,本文分割結(jié)果的區(qū)域邊界準(zhǔn)確,無(wú)論是對(duì)于大尺度地物(如水體、植被、裸地等),還是對(duì)于小尺度地物(如操場(chǎng)跑道、花壇等)均可得到完整而準(zhǔn)確的分割結(jié)果。

        將本文結(jié)果與eCognition的多尺度分割算法進(jìn)行對(duì)比。eCognition分割過(guò)程中設(shè)置形狀因子0.4,光滑性和緊致性因子均為0.5,選擇3個(gè)不同的尺度參數(shù)40、80和160獲得多尺度分割結(jié)果。為了獲得更好的顯示效果,對(duì)分割對(duì)象采用均值加邊緣的顯示方法。從圖2中可以看出當(dāng)尺度較小時(shí),eCognition明顯存在較多的過(guò)分割;當(dāng)尺度增大時(shí),過(guò)分割得到緩解,但在水體和左側(cè)道路處仍然存在較嚴(yán)重的過(guò)分割,而同時(shí)部分小尺度地物(如花壇和游泳池)已被合并到其他地物中;進(jìn)一步增大尺度因子,盡管在水體處仍存在過(guò)分割,在影像其他地區(qū)已經(jīng)存在較多的錯(cuò)誤合并(欠分割)。相比之下,本文方法對(duì)于不同尺度的地物均能得到完整準(zhǔn)確的分割結(jié)果,既能獲得面積較大、形狀完整的水體和道路分割區(qū)域,同時(shí)也保留了花壇等小尺度地物。

        本文采用文獻(xiàn)[22]中的評(píng)價(jià)指標(biāo)對(duì)分割結(jié)果進(jìn)行定量評(píng)價(jià),分別是評(píng)價(jià)分割區(qū)域內(nèi)部同質(zhì)性的同質(zhì)性指標(biāo)(HM)及評(píng)價(jià)相鄰區(qū)域之間差異性的異質(zhì)性指標(biāo)(HT)。HM是根據(jù)分割區(qū)域的標(biāo)準(zhǔn)差的加權(quán)平均值計(jì)算的,其值越小,代表區(qū)域同質(zhì)性越高;HT是根據(jù)相鄰分割區(qū)域的灰度平均值的相關(guān)性計(jì)算的,其值越小,代表區(qū)域間的異質(zhì)性越高。同時(shí)本文還統(tǒng)計(jì)了不同分割方法得到分割區(qū)域的數(shù)目(NUM)、最小面積(MINS)和最大面積(MAXS)。HM反映了分割區(qū)域內(nèi)部一致性,隨著分割區(qū)域大小的增加,其內(nèi)部一致性下降。從表1可以看出,本文方法分割結(jié)果的區(qū)域同質(zhì)性指標(biāo)明顯優(yōu)于尺度160的分割結(jié)果,與尺度80的分割結(jié)果相當(dāng),證明本文方法結(jié)果具有較好的內(nèi)部一致性。本文結(jié)果的同質(zhì)性指標(biāo)比eCognition尺度40的結(jié)果要差,這是因?yàn)槌叨容^小時(shí),分割區(qū)域多而細(xì)碎,區(qū)域內(nèi)部的方差比較小。實(shí)際上從圖2(b)可以看出尺度40的結(jié)果存在較多的過(guò)分割。HT反映了相鄰分割區(qū)域間的差異性,區(qū)域間的差異性越大,說(shuō)明分割結(jié)果存在的過(guò)分割越少。比較本文方法與eCognition分割結(jié)果的異質(zhì)性指標(biāo)可知,本文方法的HT數(shù)值明顯小于eCognition不同尺度的結(jié)果,證明本文分割的區(qū)域之間具有更大的差異性,能夠更好地分割區(qū)分不同地物。同時(shí),表1中分割區(qū)域的最大、最小面積對(duì)比也說(shuō)明本文分割結(jié)果具有更好的尺度無(wú)關(guān)性??傊?,本文提出的概率框架與尺度無(wú)關(guān),可以在同一次分割中得到不同尺度的分割區(qū)域,分割區(qū)域的邊界準(zhǔn)確,形狀較完整,取得的分割結(jié)果較為理想。

        表1 QuickBird影像不同方法分割結(jié)果的定量分析指標(biāo)

        3 結(jié) 語(yǔ)

        本文設(shè)計(jì)了一個(gè)兩步法的區(qū)域增長(zhǎng)影像分割方法。通過(guò)基于標(biāo)記的分水嶺變換和簡(jiǎn)單區(qū)域合并獲得一個(gè)初始分割結(jié)果作為后續(xù)區(qū)域增長(zhǎng)的基礎(chǔ)。通過(guò)初始分割避免了種子點(diǎn)選擇,從而避免了區(qū)域增長(zhǎng)的初始階段對(duì)合并順序敏感的問(wèn)題。將初始分割區(qū)域的統(tǒng)計(jì)、上下文和形狀信息集成到一個(gè)合并概率計(jì)算框架中,可以得到一個(gè)不僅具有直觀的概率統(tǒng)計(jì)意義,而且與尺度無(wú)關(guān)的相似性度量——區(qū)域合并概率。因此,基于區(qū)域合并概率進(jìn)行區(qū)域增長(zhǎng)影像分割,不僅可以避免復(fù)雜的參數(shù)選擇過(guò)程,而且可以在一次分割過(guò)程中同時(shí)成功分割出不同尺度的地物。

        本文提出的概率框架適用于多種不同的特征。在目前的試驗(yàn)中,只應(yīng)用了光譜特征和色度特征。在本文方法中,還可以應(yīng)用其他更復(fù)雜的特征(如邊緣強(qiáng)度、紋理特征等)來(lái)計(jì)算區(qū)域相似性概率;此外,針對(duì)某類特殊地物的特征值(如植被指數(shù)、水體指數(shù)等),也可以應(yīng)用本文的概率框架計(jì)算包含特殊地物區(qū)域的相似性概率。這些將是下一步的主要研究方向。

        參考文獻(xiàn):

        [1] BENZ U C,HOFMANN P,WILLHAUCK G,et al.Multi-resolution,Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J].ISPRS Journal of Photogrammetry & Remote Sensing,2004,58(3):239-258.

        [2] 趙泉華,常波,王玉,等.結(jié)合模糊分割和遺傳算法的航空影像車輛提取方法[J].測(cè)繪通報(bào),2017(8):62-66.

        [3] WOODCOCK C,HARWARD V J.Nested-hierarchical Scene Models and Image Segmentation[J].International Journal of Remote Sensing,1992,13(16):3167-3187.

        [5] NOCK R,NIELSEN F.Statistical Region Merging[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2004,26(11):1452-1458.

        常規(guī)護(hù)理服務(wù)模式通常會(huì)告誡患者注意休息,盡量臥床并給予吸氧,并對(duì)患者進(jìn)行相關(guān)的藥物治療,按照醫(yī)師的叮囑檢查患者服藥后的治療效果和不良反應(yīng)。

        [6] BYUN Y,KIM D,LEE J,et al.A Framework for the Segmentation of High-resolution Satellite Imagery Using Modified Seeded-region Growing and Region Merging[J].International Journal of Remote Sensing,2011,32(16):4589-4609.

        [7] CASTILLA G,HAY G J,RUIZ J R.Size-constrained Region Merging (SCRM): An Automated Delineation Tool for Assisted Photointerpretation[J].Photogrammetric Engineering & Remote Sensing,2008,74(4):409-419.

        [8] SANZ T R,STAMON G,LOUCHET J.Using Colour,Texture,and Hierarchial Segmentation for High-resolution Remote Sensing[J].ISPRS Journal of Photogrammetry & Remote Sensing,2008,63(2):156-168.

        [9] CHEN Z,ZHAO Z,GONG P,et al.A New Process for the Segmentation of High Resolution Remote Sensing Imagery[J].International Journal of Remote Sensing,2006,27(22):4991-5001.

        [10] CHEN Zhong,WANG Guoyou,LIU Jianguo.A Modified Object-oriented Classification Algorithm and Its Application in High-resolution Remote-sensing Imagery[J].International Journal of Remote Sensing,2012,33(10):3048-3062.

        [11] LI H,GU H,HAN Y,et al.An Efficient Multiscale SRMMHR (Statistical Region Merging and Minimum Heterogeneity Rule) Segmentation Method for High-resolution Remote Sensing Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2009,2(2):67-73.

        [12] WANG L,GONG P,YING Q,et al.Settlement Extraction in the North China Plain Using Landsat and Beijing-1 Multispectral Data with an Improved Watershed Segmentation Algorithm[J].International Journal of Remote Sensing,2010,31(6):1411-1426.

        [14] ZHONG Y,ZHAO B,ZHANG L.Multiagent Object-based Classifier for High Spatial Resolution Imagery[J].IEEE Transactions on Geoscience & Remote Sensing,2013,52(2):841-857.

        [15] HU Z,LI Q,ZOU Q,et al.A Bilevel Scale-sets Model for Hierarchical Representation of Large Remote Sensing Images[J].IEEE Transactions on Geoscience & Remote Sensing,2016,54(12):7366-7377.

        [16] 劉婧,李培軍.結(jié)合結(jié)構(gòu)和光譜特征的高分辨率影像分割方法[J].測(cè)繪學(xué)報(bào),2014,43(5):466-473.

        [17] 肖鵬峰,馮學(xué)智,趙書河,等.基于相位一致的高分辨率遙感圖像分割方法[J].測(cè)繪學(xué)報(bào),2007,36(2):146-151.

        [18] LI D,ZHANG G,WU Z,et al.An Edge Embedded Marker-based Watershed Algorithm for High Spatial Resolution Remote Sensing Image Segmentation[J].IEEE Transactions on Image Processing,2010,19(10):2781-2787.

        [19] 巫兆聰,胡忠文,歐陽(yáng)群東.一種區(qū)域自適應(yīng)的遙感影像分水嶺分割算法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2011,36(3):293-296.

        [20] LI P,GUO J,SONG B,et al.A Multilevel Hierarchical Image Segmentation Method for Urban Impervious Surface Mapping Using Very High Resolution Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing,2011,4(1):103-116.

        [21] ALPERT S,GALUN M,BASRI R,et al.Image Segmentation by Probabilistic Bottom-up Aggregation and Cue Integration[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(2): 315-327.

        [22] MING D,CI T,CAI H,et al.Semivariogram-based Spatial Bandwidth Selection for Remote Sensing Image Segmentation with Mean-shift Algorithm[J].IEEE Geoscience & Remote Sensing Letters,2012,9(5):813-817.

        猜你喜歡
        同質(zhì)性尺度像素
        趙運(yùn)哲作品
        藝術(shù)家(2023年8期)2023-11-02 02:05:28
        像素前線之“幻影”2000
        財(cái)產(chǎn)的五大尺度和五重應(yīng)對(duì)
        “像素”仙人掌
        基于同質(zhì)性審視的高職應(yīng)用型本科工程教育研究
        職教論壇(2017年4期)2017-03-13 16:43:19
        宇宙的尺度
        太空探索(2016年5期)2016-07-12 15:17:55
        高像素不是全部
        CHIP新電腦(2016年3期)2016-03-10 14:22:03
        理性程度的異質(zhì)性:基于理論與實(shí)踐的考察
        9
        高等工程教育與高等職業(yè)教育的同質(zhì)性
        国产一区国产二区亚洲精品| 日韩国产精品一本一区馆/在线| 久草91这里只有精品| 亚洲av高清一区二区在线观看| 国产一区二区三区四区在线视频| 日韩av无码社区一区二区三区| 亚洲成av人在线观看天堂无码| 国产成人精品三级麻豆| 久久婷婷是五月综合色狠狠| 亚洲第一页在线免费观看| 人妻精品人妻一区二区三区四区| 一本色道久久综合狠狠躁篇 | 亚洲色大网站www永久网站| 国产高清a| 国产三级精品三级在线观看粤语| 风流熟女一区二区三区| 亚洲国产婷婷香蕉久久久久久| 天堂aⅴ无码一区二区三区| 国产精品青草视频免费播放| 日日噜噜夜夜久久密挑| 色综合久久中文字幕综合网| 六月婷婷久香在线视频| 亚洲精品成AV无在线观看| 日韩国产自拍精品在线| 久久中文字幕一区二区| 国产精品免费_区二区三区观看| 亚州综合激情另类久久久| 国产九色AV刺激露脸对白 | 91精品国产91久久久无码95| 日韩av中文字幕少妇精品| 人人妻人人澡人人爽欧美一区| 无码精品a∨在线观看| 久久这里都是精品一区| 一本色道88久久加勒比精品| 国产亚洲成av人片在线观黄桃| 一个人看的www免费视频中文| 国产喷白浆精品一区二区| 中文字日产幕码三区国产| 骚片av蜜桃精品一区| 国产亚洲欧洲AⅤ综合一区| 精品久久一区二区三区av制服|