于旭宅，王瑞瑞，陳偉杰

(1.北京林業(yè)大學精準林業(yè)北京市重點實驗室,北京 100083；2.天津市靜海公路工程有限公司，天津，301600)

圖像分割廣泛應用于軍事、氣象、遙感、醫(yī)學等多個領域，是圖像處理中的主要難點。圖像分割就是把圖像分割成若干特定的、具有獨特性質(zhì)的區(qū)域并提取出感興趣目標的技術和過程，它是圖像處理到圖像分析的關鍵過程。近年來，對地觀測技術發(fā)展迅速，高空間分辨率遙感影像分辨率也不斷提高，高分辨率遙感影像目標地物清晰、紋理和細節(jié)等信息明顯突出。因此，利用高分辨率遙感影像對目標地物分割與識別稱為圖像處理的關鍵問題之一。雖然通過目視解譯的方法可以對目標地物進行識別，但費時費力，并且解譯結果的好壞取決于專業(yè)人員的技術水平。對比目視解譯方法，運用計算機對數(shù)字圖像進行自動處理，不僅效率高，而且節(jié)省了大量的時間，將有望代替人工目視解譯[1]。

基于高分辨率遙感影像分割的相關研究及應用已有不少，謝凱等[2]以2010年湖北省襄樊市快鳥影像作為數(shù)據(jù)源，采用改進灰度迭代閾值分割方法進行實驗，并與最大類間方差法進行比較，結果表明通過對初始全局閾值T0進行調(diào)整和對程序算法進行優(yōu)化后的迭代閾值算法在分割結果及處理時間上都優(yōu)于最大類間方差法。李珀任等[3]提出了一種融合了光譜和紋理特征的綜合梯度的標記分水嶺算法，并以北京某區(qū)空間分辨率為0.6 m的快鳥數(shù)據(jù)為數(shù)據(jù)源進行分割實驗，實驗表明該方法能夠充分利用高分率遙感影像的特性信息，并能有效制止分水嶺過分割現(xiàn)象。丁曉峰等[4]提出了一種基于最大類間方差的改進圖像分割算法，與傳統(tǒng)的方法相比，該方法計算量降低10倍以上，計算速度快，具有較高的效率和較好實用性。侯慧等[5]基于距離變換的改進分水嶺算法對粘連白細胞圖像分割效果較好，分割位置較準確。Ko等[6]采用主動輪廓模型對白細胞的輪廓進行收斂，但對初始輪廓的位置要求較高。Jiang等[7]使用分水嶺風算法將圖像分割成若干區(qū)域，然后再利用經(jīng)驗閾值進行合并。

本文選取經(jīng)過正攝校正的安徽省池州市航拍遙感影像作為數(shù)據(jù)源，采用迭代式閾值法、最大類間方差法和分水嶺分割算法三種方法進行樹冠分割，以確定最優(yōu)分割方法，為該地區(qū)林區(qū)樹冠提取提供基礎技術支持。

1 研究區(qū)概況

研究區(qū)位于安徽省池州市東北部，地理位置為117°48′—117°54′E， 30°40′—30°41′N，地跨池州市和青陽縣，東西長約9 500 m，南北長約200 m，總面積約為190萬m2。海拔在1.8～112.2 m之間，屬于亞熱帶季風濕潤氣候區(qū)，夏熱冬寒，春秋溫和，雨量充沛，日照時間長，無霜期短，梅雨期40 d左右。年平均氣溫16 ℃；區(qū)內(nèi)的主要樹種有馬尾松、櫟樹、杉木、毛竹和雜木。

2 研究方法

林冠大小是提取森林各種參數(shù)的重要依據(jù)[8]，通過提取樹冠的直徑和面積，可估測林分郁閉度、蓄積量和生長量等信息。因此，林冠提取對于研究森林的生長情況和動態(tài)變化具有重要意義[9]。本文分別對三種分割算法的理論和方法進行概述，并對迭代式閾值法、最大類間方差法和分水嶺分割算法進行比較。

2.1 迭代式閾值法

迭代式閾值法[10]的基本思想是：首先選擇一個閾值作為初始估計值，然后按閾值改進策略不斷地改進這一估計值，直至滿足設定的準則為止，在迭代的過程中關鍵在于選擇什么樣的改進策略顯得很重要。好的改進策略應具備如下兩個特征：一是快速收斂；二是每一次迭代后，新的閾值優(yōu)于上一次的閾值。本文采用的迭代閾值方法步驟如下：

步驟1：選擇整幅圖像的灰度中值作為初始的閾值T0；

步驟2：利用初始閾值T0將圖像分割為兩個區(qū)域，分別為R1和R2，利用下式計算區(qū)域R1和R2的灰度均值μ1和μ2，

步驟4：重復步驟2和步驟3，直至Ti+1和Ti的差值小于某個值。

2.2 最大類間方差法

Ostu閾值法又稱為最大類間方差法[11]，該方法是由日本人首次提出，是根據(jù)圖像的一維直方圖將目標和背景的類間方差最大作為閾值的選取準則。最大類間方差法算法簡單，自適應能力強，運行速度快，在圖像分割上具有廣泛應用。

其基本思想為：設圖像灰度級的取值范圍為[0,L-1]，灰度值為i的的象素點數(shù)為Ni，圖像總的像素點數(shù)為：N=N0+N1+N2+…+N(L-1)，灰度級為i的點出現(xiàn)的概率為：

取灰度值K為[0,L-1]中一個門限閾值，將圖像分為背景類和目標類，分別用B和T表示，B由灰度值在[0,K]之間的像素組成，T由灰度值在[K+1，L-1]之間的像素組成。

由此可得到B和T兩區(qū)域類間方差表達式為：

δ2=PB(uB-uK)2+PT(uT-uK)2

令K遍歷[0,L-1]，計算K不同取值時δ2。當δ2取最大值時對應的K即為分割的最佳閾值。

2.3 分水嶺分割算法

分水嶺分割方法[12]，是一種基于拓撲理論的數(shù)學形態(tài)學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然后把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構筑大壩，即形成分水嶺。

分水嶺算法的實現(xiàn)與圖像本身的相關性不大而與圖像的梯度有很大關系[13]。所以其算法過程一般是在梯度圖像上進行。分水嶺分割算法先提取圖像的梯度圖像，然后在梯度圖像的基礎上進行分水嶺分割。為得到梯度圖像，采用3×3模板的prewitt算子對圖像進行梯度運算，prewitt算子檢測兩種方向分別為水平邊緣和垂直邊緣。如果直接在此梯度圖像上進行分水嶺分割算法得到的分割圖像會因樹冠內(nèi)部的偽局部極小值造成圖像的過分割，分割效果不理想，因此在進行分水嶺分割前需要對梯度圖像進行修正，首先采用擴展最小變換[14](E-minima)提取樹冠頂點作為圖像的內(nèi)部標記，擴展最小變換首先確定一個高度閾值h，梯度值與h進行逐一比較，將梯度值大于h的值標記為1，梯度值小于h的值標記為0，最終得到一幅二值標記圖像。在外部標記方面，本文采用距離變換進行外部標記，然后將內(nèi)部標記和外部標記同時強加到梯度圖像上來修正初始梯度圖像。最后再使用分水嶺分割方法進行冠層圖像的分割。

3 結果與分析

3.1 實驗結果對比

為了驗證三種算法的分割效果，算法在Matlab中編程，實現(xiàn)對高分辨率航拍影像的分割。三種算法的分割結果如圖1所示。為了更清晰的看出分割效果將三種算法的分割結果在ARCGIS中轉成矢量結果并疊加大原始影像上，得到圖2。

(a)迭代式閾值法

(b)最大類間方差法

(c)分水嶺分割法

(a)迭代式閾值法

(b) 最大類間方差法

(c)分水嶺分割法

3.2 實驗結果分析

針對高分辨率航空影像的圖像分割，本文分別基于迭代式閾值法分割、最大類間方差法分割及分水嶺分割法對兩幅不同目標地物的影像進行分割研究，同時采用圖像處理的時間及單個樹冠匹配率兩方面作為評價指標。由于沒有野外調(diào)查數(shù)據(jù)所以本文采用人工目視解譯結果作為參考,其中目視解譯結果如圖3,目視解譯樹冠為133個,并選取4個特征區(qū)域進行對比分析，如圖4。

其中，匹配為分割樹冠和參考樹冠重疊面積占其中一方的80%以上，如圖5。

圖3 目視解譯結果

圖5 匹配

圖4 局部區(qū)域分布圖

從表1可看出原始影像上單個樹冠輪廓清晰明顯，通過人工目視解譯從裁剪出的局部區(qū)域1中可以看出由于樹冠之間的重疊遮擋，迭代式閾值分割法和最大類間方差法并沒有把單個樹冠分割開，而分水嶺分割法把這種的區(qū)域分割開，并得到較為準確的樹冠輪廓線；從局部區(qū)域2和局部區(qū)域4中可以看出，迭代式閾值分割法和最大類間方差法造成單個樹冠過分割，這是由于單個樹冠內(nèi)部紋理的復雜性和差異性；從局部區(qū)域3中可以看出，迭代式閾值分割法和最大類間方差法分割得到的樹冠輪廓線凹凸彎曲較大，而分水嶺分割得到的單個樹冠的輪廓線較為平緩，幾乎與真實樹冠的輪廓相貼合。

表1 3種分割方法分割結果局部對比分割算法局部區(qū)域編號1234迭代式閾值分割最大類間方差法分割分水嶺分割法

表2表明，從與目視解譯匹配率上看，分水嶺分割法的匹配率最高，其次是迭代式閾值法的匹配率高于最大類間方差法，原因是分水嶺分割算法可以得到單像素的封閉的樹冠邊界如圖2(c)，而迭代式閾值法和最大類間方差法由于樹冠的重疊和內(nèi)部紋理的差異導致很多樹冠沒有被分割開，如圖2(a)和(b)，所以分水嶺分割法的分割效果最好；從處理時間上看，迭代式閾值法>分水嶺分割法>最大類間方差法，迭代式閾值分割的出來時間主要取決于迭代次數(shù)的多少，而最大類間方差法的處理時間是對圖像進行多次遍歷，分水嶺分割法的處理時間主要取決于分割過程中對每個像素進行灰度排序及淹沒過程。

表2 3種分割方法效率及精度對比分割算法與目視解譯匹配率/%處理時間/s迭代式閾值法60.151.279最大類間方差法59.40.012分水嶺分割法66.160.615

4 結論

全面分析了利用迭代式閾值法、最大類間方差法和分水嶺分割算法提取高分辨率遙感影像上單木樹冠的理論和方法，并對國內(nèi)外研究狀況和相關領域中已有的研究成果進行了分析和總結。本文采用這三種常見分割算法對研究區(qū)圖像進行處理，并將結果與原圖像進行疊加對比分析，對比得出分水嶺分割算法在樹冠之間有遮擋重疊時分割效果較好；在單個樹冠內(nèi)部紋理結構有差異時分割效果也較好。在圖像處理時間和單個樹冠匹配率兩個方面進行精度評價中，分水嶺分割法處理時間適中，單個樹冠匹配率精度最高。

參考文獻：

[1] 劉曉雙.高空間分辨率遙感的單木樹冠自動提取方法與應用[J].浙江林學院學報,2010,27(1):126-133.

[2]謝凱，王新生.基于灰度迭代閾值的高分辨率影像分割研究[J].湖北大學學報：自然科學版,2013,35(2):0252-0257.

[3]李珀任.一種基于標記分水嶺的高分辨率遙感影像分割方法[J].地理與地理信息科學,2012,28(5):10-15.

[4]丁曉峰,何凱霖.基于最大類間方差的改進圖像分割算法[J].計算機工程與設計,2015,36(10):2765-2768.

[5]侯慧，石躍祥.基于距離變化的改進分水嶺算法在白細胞圖像分割中的應用[J].計算機技術與自動化,2016,35(3):0081-0084.

[6]KO BC,GIM JW,NAM JY.Automatic while blood cell segmentation using stepwise merging rules and gradient vector fow snake[J].Micron,2011,42(7):695-705.

[7]JIANG K,LIAO QM,XIONG Y.A novel white blood cell segmentation scheme based on feature space clustering[J].Soft Computer,2006,10(1):12-19.

[8]Song Conghe, Band LE.MVP：a model to simulate the spatial patterns of photosynthetically active radiation under discrete forest canopies[J].Can J For Res,2004,34:1192-1203.

[9]覃先林,李增元,易浩若.高空間分辨率衛(wèi)星遙感影像樹冠信息提取方法研究[J].遙感技術與應用，2005,20(2):228-232.

[10] 黑光月.基于迭代式閾值的女書分割算法研究[J].軟件導刊,2011,9(10):61-63.

[11]鄧林華,許俊,程向明.基于迭代閾值的太陽像分割算法的應用研究[J].計算機與現(xiàn)代化,2010,10:72-74.

[12]李江波,彭彥昆,黃文倩,等.桃子表面缺陷分水嶺分割方法研究[J].農(nóng)業(yè)機械學報,2014,45(8):288-293.

[13]韋宇春.遙感數(shù)字圖像處理教程[M].北京:科學出版社,2014.

[14]SOILLE P. Morphological Image Analysis: Principle and Applications[M].Berlin：Springer-Verlag,2003.