吳田軍，駱劍承，沈占鋒，張新，邵明文

(1.長(zhǎng)安大學(xué) 理學(xué)院，西安 710064；2.中國(guó)科學(xué)院空天信息創(chuàng)新研究院 遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101；3.中國(guó)科學(xué)院大學(xué)，北京 100049；4.中國(guó)石油大學(xué)(華東)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東 青島 266580)

0 引言

在高空間分辨率(以下簡(jiǎn)稱“高分”)遙感影像發(fā)展歷程中，面向?qū)ο蟮姆治鏊枷雽?duì)分類、變化檢測(cè)、目標(biāo)識(shí)別等信息提取任務(wù)的精度提升起到了開拓性、引領(lǐng)性的作用[1-2]。作為面向?qū)ο蠓治龅那疤岷突A(chǔ)，影像分割是實(shí)現(xiàn)對(duì)象化信息提取的關(guān)鍵步驟，將直接關(guān)系到地物信息提取的精度和效率[3-5]。因此，隨著近年來高分對(duì)地觀測(cè)技術(shù)的普遍應(yīng)用以及各行各業(yè)對(duì)基礎(chǔ)地理信息獲取精度要求的提高，遙感影像分割技術(shù)在面向?qū)ο蠓治鲱I(lǐng)域受到越來越多的關(guān)注。

遙感影像的分割其實(shí)是將一幅遙感圖像劃分成若干互不交疊的區(qū)域(對(duì)象)，以保證每個(gè)區(qū)域的像素在一定尺度下具有光譜、紋理等特征的高度同質(zhì)性(即較小的異質(zhì)性)，從而在空間上分離和表示地物目標(biāo)[6]。在傳統(tǒng)的圖像處理領(lǐng)域，較為經(jīng)典的方法是邊緣檢測(cè)法和區(qū)域分割法。前者是基于不同區(qū)域間像元灰度不連續(xù)的特點(diǎn)，利用Roberts、Prewitt、Sobel、Laplace、LOG、Canny等算子檢測(cè)出區(qū)域間的顯著邊緣，以實(shí)現(xiàn)影像的對(duì)象化切分；后者則是將具有相似性的像元聚合起來構(gòu)成斑塊，實(shí)現(xiàn)的主要方法有閾值法、聚類法、區(qū)域生長(zhǎng)與合并法等[7]。

與一般圖像相比，遙感影像具有多尺度、多波段、寬覆蓋以及地物類型多樣等特點(diǎn)。其在使用常規(guī)的圖像分割方法時(shí)，存在兩個(gè)方面的典型問題：一是沒有充分利用遙感影像所體現(xiàn)出來的地物多源特征，仍主要依靠圖像的光譜信息進(jìn)行分割，導(dǎo)致不能有效地融合地物多維特征信息；二是沒有充分考慮遙感影像的地物尺度特性，過分割、欠分割現(xiàn)象較為普遍，導(dǎo)致分割對(duì)象的邊界誤差被過多地傳遞到后續(xù)的分類、目標(biāo)識(shí)別、變化檢測(cè)等任務(wù)中，阻礙了面向?qū)ο蠓治龇椒ǖ耐茝V應(yīng)用。

針對(duì)這些問題，學(xué)者們陸續(xù)開展了一些探索，取得了一些研究進(jìn)展，但總體來看仍存在以下三個(gè)方面的問題：首先，單景遙感影像的數(shù)據(jù)量越來越大，需要同時(shí)處理的數(shù)據(jù)規(guī)模已嚴(yán)重影響分割效率；其次，影像空間分辨率已發(fā)展至米級(jí)/亞米級(jí)水平，清晰程度的提高勢(shì)必對(duì)地物分割邊界的精細(xì)程度提出了更高要求；最后，尺度對(duì)于正確認(rèn)知地表具有重要意義，但現(xiàn)有分割算法采納的尺度參數(shù)以及尺度間的選擇與轉(zhuǎn)換機(jī)制仍無法達(dá)到與地物匹配的程度。因此，在這些困境之下，我們有必要面向?qū)嶋H應(yīng)用的需求進(jìn)一步發(fā)展遙感影像的分割算法，以提高對(duì)象級(jí)信息提取的精度[8]。

從方法層面來看，在近年來實(shí)施的高分遙感影像分割任務(wù)中，基于區(qū)域生長(zhǎng)與合并的分割方法更受重視，相關(guān)研究不斷涌現(xiàn)。該類方法是在指定尺度下，從單個(gè)像元大小的區(qū)域開始，采用相鄰影像區(qū)域兩兩合并增長(zhǎng)的方式，實(shí)現(xiàn)對(duì)目標(biāo)影像上的同質(zhì)對(duì)象的提取。相比其他方法而言，區(qū)域生長(zhǎng)與合并的分割實(shí)現(xiàn)過程更易于與尺度問題相結(jié)合，能夠通過在算法中制定一定的合并規(guī)則將影像劃分為不同尺度下的小區(qū)域(即對(duì)象或基元)，進(jìn)而可建立不同尺度間對(duì)象的空間關(guān)聯(lián)與轉(zhuǎn)換關(guān)系[9]。鑒于此，本文聚焦區(qū)域生長(zhǎng)與合并方法體系中一種快速、穩(wěn)健的分割算法——均值漂移(mean shift)，在其傳統(tǒng)的算法實(shí)現(xiàn)基礎(chǔ)上，針對(duì)遙感數(shù)據(jù)特性進(jìn)行優(yōu)化改造，以滿足高分遙感影像面向?qū)ο蠓治鰧?duì)邊界精細(xì)刻畫的要求，為后續(xù)的對(duì)象表達(dá)與分析奠定基礎(chǔ)。

考慮到影像分割算法輸入的尺度參數(shù)與待分割影像中的地物類型以及影像自身的空間分辨率密切相關(guān)，因此有必要結(jié)合影像空間區(qū)域內(nèi)不同的地物類別進(jìn)行分割尺度參數(shù)的多樣化設(shè)置與自適應(yīng)選擇。源于該想法，本文將傳統(tǒng)的均值漂移分割流程進(jìn)行改進(jìn)，提出一種先驗(yàn)知識(shí)引導(dǎo)下的多尺度分割方法，期望在先期解譯獲得的土地覆蓋/利用圖蘊(yùn)含的地物空間分布信息助力下，實(shí)現(xiàn)目標(biāo)影像的多尺度分割。核心思想是利用先期解譯的土地覆蓋/利用圖斑邊界與土地覆蓋/利用類別等先驗(yàn)知識(shí)的指引，設(shè)計(jì)出一套基于均值漂移的多尺度分割實(shí)現(xiàn)策略，期望改進(jìn)的均值漂移多尺度算法在對(duì)象分割方面能優(yōu)于傳統(tǒng)的單尺度算法，可以更好地實(shí)現(xiàn)從柵格化影像空間到矢量化地理空間的轉(zhuǎn)換過程，助益于后續(xù)的對(duì)象分類等信息提取任務(wù)。

1 均值漂移原理及其圖像分割應(yīng)用

1.1 均值漂移算法的基本原理

均值漂移最早是針對(duì)傳統(tǒng)自然圖像提出的一種在特征空間中實(shí)現(xiàn)統(tǒng)計(jì)迭代聚類的算法，其原理簡(jiǎn)單、效率高，因而被廣泛應(yīng)用于平滑、分割、目標(biāo)跟蹤等圖像處理任務(wù)中。該方法的關(guān)鍵步驟是依靠特征空間中的訓(xùn)練樣本點(diǎn)進(jìn)行非參數(shù)的密度函數(shù)估計(jì)[10]。在此基礎(chǔ)上，密度函數(shù)梯度估計(jì)可由密度函數(shù)估計(jì)的梯度求得。因此，均值漂移算法具有較好的收斂性，漂移方向總是能指向局部密度極大值點(diǎn)，故而是一種自適應(yīng)快速上升算法，可以通過計(jì)算找到最大的局部密度，并向其位置“漂移”[11]。

在實(shí)際應(yīng)用中，為了減少計(jì)算復(fù)雜性，往往會(huì)設(shè)置樣本點(diǎn)為等權(quán)重，并將帶寬矩陣統(tǒng)一選擇為單位矩陣的比例陣。另外，為了增加收斂路徑的平滑性常采用高斯核函數(shù)，此時(shí)只需指定一個(gè)大于零的帶寬h確定核函數(shù)即可，由此實(shí)現(xiàn)通過數(shù)據(jù)點(diǎn)向樣本均值移動(dòng)的迭代過程。綜合來看，均值漂移算法對(duì)于不同結(jié)構(gòu)的數(shù)據(jù)均具有較好的適應(yīng)性與穩(wěn)健性，更詳細(xì)原理可參見文獻(xiàn)[12]。

1.2 均值漂移的圖像分割流程

近年來，均值漂移算法作為一類區(qū)域生長(zhǎng)與合并方法被廣泛應(yīng)用于各領(lǐng)域的圖像分割任務(wù)中，特別是被成功用于高分遙感影像的對(duì)象化提取[13-14]。概括來說，均值漂移的圖像分割流程包含“濾波”(filtering)和“合并”(merging)兩個(gè)步驟，圖1表示了其基本過程，大致包括以下步驟[15-16]：首先，在確定算法核函數(shù)以及光譜域帶寬hs、空間域帶寬hr后進(jìn)行均值漂移算法實(shí)施的主體部分，即基于“空間-光譜”域的均值濾波過程；通過均值漂移濾波過程實(shí)現(xiàn)影像的初始濾波和像素聚類，從而形成若干個(gè)不可再分的碎小斑塊區(qū)域(像斑)，以此作為后續(xù)尺度合并的基礎(chǔ)；其次，通過設(shè)置最小區(qū)域合并尺度參數(shù)M實(shí)現(xiàn)基于濾波結(jié)果的區(qū)域合并，即將像元數(shù)小于M的斑塊合并到其相鄰的最相似斑塊中，從而完成像斑的合并過程；最后，通過區(qū)域標(biāo)記和矢量化技術(shù)提取多邊形作為對(duì)象邊界，完成整個(gè)影像的分割過程。

圖1 遙感影像均值漂移分割流程圖

在前期的研究工作中，本文在剖析了均值漂移分割算法filtering和merging兩大關(guān)鍵步驟后，對(duì)其算法原理開發(fā)的開源代碼(edge detection and image segmentation system[17])進(jìn)行了改造，以使其能更好地適應(yīng)波段數(shù)大于3的多光譜高分遙感影像，并保證在較好抑制遙感影像噪聲的同時(shí)，最大限度上保留邊緣等結(jié)構(gòu)特征。此外，本文還發(fā)展了基于均值漂移的分區(qū)分塊并行分割策略，以適應(yīng)單幅/拼接的大規(guī)模高分影像數(shù)據(jù)量大的問題[18]。在這些工作基礎(chǔ)上，經(jīng)過前期的探索和實(shí)踐，我們意識(shí)到，目前的單尺度均值漂移分割方法存在較大的弊端，亟需對(duì)其進(jìn)行多尺度的實(shí)現(xiàn)設(shè)計(jì)，寄希望通過參數(shù)的多元化選擇來生成更符合地物語義表達(dá)的對(duì)象。

2 現(xiàn)有遙感影像分割方法的局限性

對(duì)地表過程的觀察與測(cè)量依賴于觀測(cè)的尺度。在一個(gè)空間尺度上是同質(zhì)的、各向同性的現(xiàn)象，到另一個(gè)空間尺度就可能是異質(zhì)的、各向異性的，因此尺度選擇與轉(zhuǎn)換機(jī)制是地學(xué)研究的關(guān)鍵問題[19]。類似地，對(duì)于遙感影像信息提取而言，尺度的選擇也會(huì)影響結(jié)果的精細(xì)化程度。因此如何根據(jù)不同的成像條件、任務(wù)目標(biāo)、環(huán)境影響因素，選擇合適的尺度進(jìn)行遙感信息提取，已成為目前面向?qū)ο蠓治鲎嘈c否的重要因素。

在本文重點(diǎn)關(guān)注的遙感影像分割任務(wù)中，尺度選擇問題同樣是影響分割質(zhì)量的關(guān)鍵因素。首先，基于地物的空間分異規(guī)律以及交錯(cuò)分布，不同地物往往具有不同的空間表達(dá)尺度，即便同一種地物在不同的尺度上也有著不同的特征[20]，因此在遙感影像大范圍宏觀的對(duì)地觀測(cè)視角下，多尺度是地物的基本特性，但多數(shù)分割方法仍是基于單個(gè)尺度實(shí)現(xiàn)的，很難應(yīng)對(duì)帶有較高地物復(fù)雜性的遙感影像分割任務(wù)。鑒于尺度參數(shù)對(duì)分割結(jié)果的重要影響，不少學(xué)者也提出了一些自適應(yīng)的多尺度選擇算法[21-22]，其中多數(shù)方案是基于自底向上的區(qū)域合并方法產(chǎn)生的。較為典型的是eCognition軟件所采用的多分辨率分割方法(multi-resolution segmentation)，其通過調(diào)整一個(gè)與分割結(jié)果——影像對(duì)象大小密切相關(guān)的尺度參數(shù)實(shí)現(xiàn)對(duì)影像的多尺度分割。然而，盡管這些算法取得了一定研究進(jìn)展，但仍沒有建立起遙感影像多尺度分割的統(tǒng)一標(biāo)準(zhǔn)，局限性體現(xiàn)在兩個(gè)方面。一是未建立尺度自動(dòng)選擇和遞進(jìn)關(guān)系的轉(zhuǎn)換機(jī)制，影像分割中“尺度參數(shù)”的設(shè)置沒有直觀地連接到一個(gè)具體的、有關(guān)聯(lián)的地物目標(biāo)框架下，“適宜”的尺度參數(shù)選擇一直沒有最佳定論。二是影像對(duì)象的建立受分割方法的影響較大，不同尺度下得到的結(jié)果大相徑庭，對(duì)地物的貼合程度差異較大，欠分割和過分割現(xiàn)象的矛盾一直未能有效規(guī)避，需要針對(duì)不同的地物差異化地選擇與其特征相適應(yīng)的尺度參數(shù)，才能有望得到貼合地表空間表達(dá)的分割對(duì)象。上述兩個(gè)方面的局限性說明，遙感影像的多尺度分割方法值得進(jìn)一步深入研究和發(fā)展。

3 先驗(yàn)知識(shí)引導(dǎo)的多尺度分割方法

3.1 研究目標(biāo)與方法思想

對(duì)于遙感影像分割算法而言，輸入的尺度參數(shù)應(yīng)與待分割影像中的地物類型(土地覆蓋/利用類型)、影像自身分辨率大小密切相關(guān)，因此有必要結(jié)合影像區(qū)域內(nèi)不同地物類別進(jìn)行參數(shù)的多元化設(shè)置與選擇。然而，傳統(tǒng)的分割算法通常只在某一指定的尺度下實(shí)現(xiàn)基于影像數(shù)據(jù)的對(duì)象構(gòu)建，并未考慮影像上不同地物對(duì)分割尺度的適應(yīng)性差異問題。因此，在知識(shí)驅(qū)動(dòng)的遙感信息提取架構(gòu)下，如何將已有的先驗(yàn)知識(shí)融入到分割過程，使尺度參數(shù)的設(shè)置與選擇更加合理，算法執(zhí)行效率和精度得到提升，這是本文關(guān)注研究的問題。

進(jìn)一步來說，既往的分割方法一般以單一的影像作為輸入，不尋求建立“待分割對(duì)象”與“該空間上的已有認(rèn)知(如先期土地覆蓋/利用圖的圖斑邊界與地物類別)”兩者之間的對(duì)應(yīng)關(guān)系。事實(shí)上，作為一類重要的先驗(yàn)知識(shí)，前期解譯的土地覆蓋/利用圖蘊(yùn)含了大量的地物空間分布和類別屬性信息，可以輔助后續(xù)目標(biāo)影像的智能化處理[23-25]。例如，在過往解譯的土地覆蓋/利用圖中，圖斑邊界表示了從土地覆蓋/利用角度描述的完整、均質(zhì)地塊，其類別屬性指示了地塊內(nèi)部占主導(dǎo)地位的土地歸屬類型，而且這些信息在短期內(nèi)具有相對(duì)穩(wěn)定性，因此依據(jù)其提供的先驗(yàn)認(rèn)知來指導(dǎo)差異化的尺度參數(shù)選擇，有望獲得更好分割結(jié)果。另外，參照?qǐng)D1的實(shí)現(xiàn)過程，只需設(shè)定多個(gè)不同的最小區(qū)域合并尺度參數(shù)M，即可便捷地實(shí)現(xiàn)基于均值濾波的多尺度合并過程，從而達(dá)到多尺度分割的目的。鑒于以上分析，本文考慮在目標(biāo)影像的分割過程中引入先期解譯的土地覆蓋/利用圖，將傳統(tǒng)均值漂移分割流程進(jìn)行改進(jìn)，引入先期解譯圖的圖斑邊界和類別屬性等先驗(yàn)知識(shí)，為均值濾波得到的像斑選擇不同的最小區(qū)域合并尺度參數(shù)M，以實(shí)現(xiàn)差異化的像斑合并，繼而達(dá)成多尺度分割并改善對(duì)象提取精度的目的。

3.2 實(shí)現(xiàn)流程

依據(jù)上述設(shè)計(jì)思想，對(duì)傳統(tǒng)均值漂移分割流程進(jìn)行改造，得到了圖2所示的多尺度分割步驟。

圖2 先驗(yàn)知識(shí)引導(dǎo)下的遙感影像均值漂移多尺度分割方法實(shí)現(xiàn)流程

具體說明如下：首先，構(gòu)建特征空間，依據(jù)高分遙感影像的空間分辨率和光譜分辨率確定核函數(shù)及其帶寬參數(shù)h=(hs，hr)；設(shè)置待識(shí)別區(qū)域的目標(biāo)地物類別體系C={C1，C2，…，Cm}，并對(duì)各地類設(shè)定最小區(qū)域合并尺度參數(shù)Mi(i=1，…，m)，由此構(gòu)建尺度參數(shù)集；其次，將已有的土地覆蓋/利用圖實(shí)施類別合并和矢量柵格化操作，獲得與目標(biāo)類別體系一致的地類柵格數(shù)據(jù)；隨后，依據(jù)核帶寬參數(shù)對(duì)待分割的影像實(shí)施基于空間域和光譜域的均值濾波，獲得大量細(xì)碎的像斑用于后續(xù)的區(qū)域合并；濾波完成后，執(zhí)行本文方法的核心步驟，即多尺度的像斑合并，先讀取第一個(gè)像斑，依據(jù)地類柵格數(shù)據(jù)判斷該像斑所在覆蓋區(qū)域的優(yōu)勢(shì)地類Ci(即像斑所在空間區(qū)域內(nèi)同類別柵格像元比例最高的地類)，據(jù)此對(duì)該像斑分派匹配于地類Ci的最小合并尺度參數(shù)Mi，進(jìn)而在此尺度參數(shù)下對(duì)該像斑及其周邊區(qū)域進(jìn)行像斑的合并、標(biāo)記，并根據(jù)給定的不同合并尺度參數(shù)Mi對(duì)標(biāo)號(hào)數(shù)據(jù)進(jìn)行對(duì)象限制與再合并，繼而再繼續(xù)掃描是否還有未處理的像斑，若有則讀取下一個(gè)并重復(fù)上述處理步驟，直至所有像斑處理完成且所有像斑區(qū)域都滿足要求，從而完成多尺度參數(shù)設(shè)置下的像斑合并；最后，對(duì)合并處理后得到的像斑，利用矢量化技術(shù)構(gòu)建多邊形，輸出最終的分割對(duì)象。

4 實(shí)驗(yàn)及其結(jié)果分析

4.1 實(shí)驗(yàn)1

為檢驗(yàn)本文設(shè)計(jì)方法在遙感影像分割應(yīng)用上的效果，首先選取國(guó)產(chǎn)資源三號(hào)(ZY-3)高分影像進(jìn)行實(shí)驗(yàn)。圖3(a)所示的ZY-3融合影像位于安徽省淮南市，成像于2013年3月18日，尺寸大小為2 675像素×2 279像素，空間分辨率為2.1 m。此外，還收集了在圖3(a)區(qū)域范圍內(nèi)先期解譯的土地覆蓋圖(見圖3(b)，參照2012年12月的ZY-3高分影像解譯得到的圖斑矢量，地表覆蓋的主要類別包括耕地、林地、水域及建設(shè)用地四大類)，將此作為先驗(yàn)知識(shí)用于本文算法中。

圖3 實(shí)驗(yàn)1使用的數(shù)據(jù)集

在核帶寬參數(shù)hs=10、hr=20的設(shè)置下，采用單尺度方法以及本文設(shè)計(jì)的多尺度方法得到的分割結(jié)果如圖4所示，其中圖4(a)、圖4(b)分別為采用統(tǒng)一尺度參數(shù)M=1 000(情形1，所有地類的尺度參數(shù)均為1 000)、M=100(情形2，所有地類的尺度參數(shù)均為100)的分割結(jié)果，而圖4(c)則是對(duì)不同地類設(shè)置不同尺度參數(shù)(情形3，耕地、林地、水域及建設(shè)用地的尺度參數(shù)分別為1 000、1 000、1 000、100)的分割結(jié)果。需要說明的是，圖4(a)、圖4(b)是為了比較不同尺度下的分割效果而進(jìn)行的對(duì)比實(shí)驗(yàn)結(jié)果；另外，圖4(c)的尺度參數(shù)集是作者經(jīng)過多次實(shí)驗(yàn)后選擇的尺度參數(shù)組合值，帶有一定的經(jīng)驗(yàn)性。

目視比對(duì)圖4的三個(gè)結(jié)果可以看出，在使用單一分割尺度參數(shù)M=1 000時(shí)(圖4(a))，影像在建設(shè)用地區(qū)域存在一定的欠分割，而在選用單一分割尺度參數(shù)M=100時(shí)(圖4(b))，影像在耕地和林地區(qū)域存在較嚴(yán)重的過分割。相對(duì)而言，選用尺度組合參數(shù)集M={1 000，1 000，1 000，100}得到的多尺度分割結(jié)果(圖4(c))，能對(duì)不同地類區(qū)域保持較好的對(duì)象完整性。因此，對(duì)比單尺度參數(shù)和多尺度參數(shù)設(shè)置下針對(duì)耕地、林地、水域以及建設(shè)用地等地物對(duì)象的提取效果后，可以說明，在原始的分割算法中嵌入前期解譯圖蘊(yùn)含的先驗(yàn)知識(shí)，可以幫助其進(jìn)行尺度參數(shù)的合理選擇，減少了過/欠分割現(xiàn)象的發(fā)生。

圖4 實(shí)驗(yàn)1基于不同尺度組合的均值漂移分割結(jié)果(黑色線為分割對(duì)象邊界線)

由于目前尚無統(tǒng)一標(biāo)準(zhǔn)直接對(duì)分割效果進(jìn)行定量評(píng)估，通過對(duì)象級(jí)分類的分析效果加以間接佐證。在圖4的分割結(jié)果基礎(chǔ)上，采集了200個(gè)訓(xùn)練樣本進(jìn)行分割對(duì)象的土地覆蓋分類，得到圖5所示的結(jié)果；之后再用其余的50個(gè)測(cè)試樣本進(jìn)行了分類精度的評(píng)價(jià)，精度統(tǒng)計(jì)如表1所示。從圖5的分類結(jié)果以及表1所示的分類精度評(píng)價(jià)可以看出，在選用單一的分割尺度M=1 000時(shí)，對(duì)象尺寸較小的建筑物存在一定的欠分割，導(dǎo)致建筑物這一類別的分類精度相比于選用單一分割尺度M=100時(shí)略低；在選用單一的分割尺度M=100時(shí)，對(duì)象尺寸較大的耕地又存在一定的過分割，導(dǎo)致其分類精度相比于選用單一分割尺度M=1 000時(shí)略低；而當(dāng)基于多尺度分割獲得的對(duì)象進(jìn)行土地覆蓋分類時(shí)，分類精度得到一定程度的提高。這間接說明，與單一尺度參數(shù)分割相比，本文方法計(jì)算得到的多尺度分割對(duì)象能較好地兼顧各類型地物在空間上的聚合性和分異性，差異化的分割對(duì)象更符合地表實(shí)際情況，而這間接助力了面向?qū)ο蠓诸惥鹊奶嵘?/p>

圖5 實(shí)驗(yàn)1基于不同尺度參數(shù)組合分割對(duì)象的分類結(jié)果

表1 實(shí)驗(yàn)1不同分割尺度下面向?qū)ο蠓诸惖姆猪?xiàng)精度比較

4.2 實(shí)驗(yàn)2

為進(jìn)一步檢驗(yàn)本文方法，選取SPOT 5 全色多光譜融合的真彩色合成影像作為實(shí)驗(yàn)2的數(shù)據(jù)集(圖6(a))。該實(shí)驗(yàn)區(qū)位于廣東省惠州市，數(shù)據(jù)成像于2006年4月13日，尺寸大小為2 033像素×1 716像素，空間分辨率為2.5 m。圖6(b)是當(dāng)?shù)?005年參照0.5 m空間分辨率的WorldView影像目視解譯后得到的土地利用調(diào)查圖。依據(jù)地類層級(jí)關(guān)系進(jìn)行了地類合并，得到了如圖6(c)所示的先期地類圖(包括耕地、林地、草地、水域、建設(shè)用地、其他用地六大地類)，將其作為先驗(yàn)知識(shí)輸入至本文方法開展實(shí)驗(yàn)。

圖6 實(shí)驗(yàn)2使用的數(shù)據(jù)集

在與實(shí)驗(yàn)1相同的核帶寬參數(shù)設(shè)置下，獲得了如圖7所示的分割結(jié)果，其中圖7(a)、圖7(b)分別為采用了單一尺度參數(shù)M=1 000(情形1，所有地類的尺度參數(shù)均為1 000)和M=100(情形2，所有地類的尺度參數(shù)均為100)得到的分割結(jié)果，而圖7(c)是對(duì)不同地類采用不同的尺度參數(shù)(情形3，耕地、林地、草地、水域、建設(shè)用地及其他用地的尺度參數(shù)分別為500、1 000、500、1 000、100、500)得到的分割結(jié)果。從整體上觀察，可以看出，本文方法提取的對(duì)象邊界較單一尺度分割方法得到的結(jié)果有一定效果提升：圖7(a)采用單尺度參數(shù)M=1 000時(shí)，在建設(shè)用地區(qū)域表現(xiàn)為嚴(yán)重的欠分割；在圖7(b)采用M=100時(shí)，在耕地、林地及水域區(qū)域又表現(xiàn)出明顯的過分割；圖7(c)所示本文方法得到的多尺度分割結(jié)果保持了相對(duì)完整的對(duì)象斑塊，同時(shí)也沒有出現(xiàn)過多的欠分割，一方面對(duì)尺寸較小的建設(shè)用地對(duì)象進(jìn)行了較為細(xì)致的分割，另一方面在尺寸較大的林地、水體對(duì)象上又保持了較好的完整性。

與實(shí)驗(yàn)1類似，在獲得了圖7所示的分割對(duì)象后，采集了100個(gè)訓(xùn)練樣本和50個(gè)測(cè)試樣本分別進(jìn)行面向?qū)ο蠓诸惣捌浣Y(jié)果的精度分析。從圖8和表2的視覺對(duì)照和精度比對(duì)可以看出，基于多尺度分割對(duì)象的分類結(jié)果在整體精度上亦有所提高。這正如上述分析，本文方法實(shí)現(xiàn)了不同地類對(duì)象的多尺度提取，即避免了選用單尺度參數(shù)M=1 000分割導(dǎo)致欠分割較嚴(yán)重而影響了建筑用地的分類精度，也規(guī)避了選用單尺度參數(shù)M=100分割導(dǎo)致的過分割而影響了耕地的分類精度。因此，與單一尺度下對(duì)象級(jí)分類結(jié)果對(duì)比，可以看到，本文多尺度分割方法一定程度上減少了過/欠分割現(xiàn)象的發(fā)生，獲取的對(duì)象邊界與差異化的地物目標(biāo)貼合程度更好，間接幫助了面向?qū)ο蠓诸惖木忍嵘?/p>

圖7 實(shí)驗(yàn)2基于不同尺度組合的均值漂移分割結(jié)果(黑色線為分割對(duì)象邊界線)

圖8 實(shí)驗(yàn)2基于不同尺度組合分割對(duì)象的分類結(jié)果

表2 實(shí)驗(yàn)2不同分割尺度下面向?qū)ο蠓诸惖姆猪?xiàng)精度比較

4.3 討論

針對(duì)遙感影像地物對(duì)象的多尺度提取需求，本文改造了傳統(tǒng)的均值漂移分割算法，在實(shí)施合并步驟時(shí)，通過先期解譯圖的地類空間分布獲取了濾波像斑所在空間范圍的優(yōu)勢(shì)地類標(biāo)簽，據(jù)此為不同區(qū)域的像斑選擇了符合其地類固有特征的“最小區(qū)域合并尺度參數(shù)”，從而建立起了待分割對(duì)象與先驗(yàn)知識(shí)之間的空間映射關(guān)系，自適應(yīng)地匹配合適的尺度參數(shù)，最終實(shí)現(xiàn)了多尺度的分割過程。

通過上述兩個(gè)實(shí)驗(yàn)的結(jié)果分析，我們對(duì)本文發(fā)展的多尺度分割方法歸納了以下兩點(diǎn)優(yōu)勢(shì)：第一，改進(jìn)的多尺度分割方法繼承了均值漂移濾波算法在穩(wěn)健性等方面的原有長(zhǎng)處，并在分割對(duì)象的邊界準(zhǔn)確性方面優(yōu)于單尺度方法，能更好地實(shí)現(xiàn)遙感影像從柵格到矢量的轉(zhuǎn)換過程，有利于對(duì)象形態(tài)的表達(dá)和后續(xù)的特征提??；第二，多尺度是復(fù)雜地表空間的固有特性，過往的算法多與對(duì)象多邊形的面積而非內(nèi)容相聯(lián)系，而本文設(shè)計(jì)了結(jié)合地物空間分布的尺度參數(shù)選擇策略，能適應(yīng)空間分異的對(duì)象提取。

5 結(jié)束語

針對(duì)面向?qū)ο蠓治龅那爸铆h(huán)節(jié)，本文以適應(yīng)性和穩(wěn)健性較好的均值漂移算法為基底，提出了一種先驗(yàn)知識(shí)引導(dǎo)下的多尺度分割方法，詳細(xì)給出了實(shí)現(xiàn)流程，并通過兩個(gè)實(shí)驗(yàn)數(shù)據(jù)集對(duì)其分割效果以及進(jìn)一步的對(duì)象級(jí)分類進(jìn)行了分析驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，在先期解譯土地覆蓋/利用圖提供的先驗(yàn)知識(shí)輔助下，本文設(shè)計(jì)的多尺度分割方法較傳統(tǒng)的單尺度方法能更好地結(jié)合地類空間分布信息實(shí)現(xiàn)對(duì)象提取，為后續(xù)的對(duì)象分析提供了精準(zhǔn)的邊界形態(tài)信息，因而在高分遙感信息提取領(lǐng)域具有一定的應(yīng)用前景。

最后，需要說明的是，本文僅從算法角度提出并驗(yàn)證了我們?cè)O(shè)計(jì)方法的可行性與有效性，并未對(duì)多尺度分割的其他環(huán)節(jié)做過多考慮。例如，我們?cè)趯?shí)驗(yàn)中是通過反復(fù)多次實(shí)驗(yàn)后經(jīng)驗(yàn)性地選取了一組較優(yōu)的尺度參數(shù)集，并未通過設(shè)定某種準(zhǔn)則來選擇更優(yōu)的尺度參數(shù)集，也沒考慮如何在分割過程中耦合除影像色調(diào)之外的紋理等多源特征。此外，基于本文提出的技術(shù)框架，未來還可以進(jìn)一步發(fā)展更優(yōu)的像斑歸并規(guī)則，以獲得蘊(yùn)含一定語義的高層次對(duì)象。上述這些問題有待在后續(xù)研究中進(jìn)一步探索。