遙感影像的分類處理

1、-. z.摘要在面向?qū)ο蟮挠跋穹诸惙椒ㄖ校紫刃枰獙⑦b感影像分割成有意義的影像對象集合，進而在影像對象的根底上進展特征提取和分類。本文針對面向?qū)ο笥跋穹诸愃枷氲年P(guān)鍵環(huán)節(jié)展開討論和研究，(1) 采用基于改良分水嶺變換的多尺度分割算法對高分辨率遙感影像進展分割。構(gòu)建了基于高斯尺度金字塔的多尺度視覺單詞，并且通過實驗證明其表達能力優(yōu)于經(jīng)典的詞包表示。最后，在詞包表示的根底上，利用概率潛在語義分析方法對同義詞和多義詞較強的鑒別能力對影像對象進展分析，找出其最可能屬于的主題或類別，進而完成影像的分類。近些年來，隨著航空航天平臺與傳感器技術(shù)的高速開展，獲取的遙感影像的分辨率越來越高。高分辨率遙感影像在各行

2、業(yè)部門的應用也越來越廣泛，除了傳統(tǒng)的國土資源、地質(zhì)調(diào)查和測繪測量等部門，還涉及到城市規(guī)劃、交通旅游和環(huán)境生態(tài)等領(lǐng)域，極大地拓展了遙感影像的應用*圍。因此，對高分辨率遙感影像的處理分析成為備受關(guān)注的領(lǐng)域之一。高分辨率遙感影像包括以下三種形式：高空間分辨率獲取影像的空間分辨率從以前的幾十米提高到 1 至 5 米，甚至更高；高光譜分辨率電磁波譜被不斷細分，獲取遙感數(shù)據(jù)的波段數(shù)從幾十個到數(shù)百個；高時間分辨率遙感衛(wèi)星的回訪周期不斷縮短，在局部區(qū)域甚至可以連續(xù)觀測。本文所要研究的高分辨率遙感影像均是指高空間分辨率影像。相對于中低分辨率的遙感數(shù)據(jù)，高空間分辨率遙感影像具有更加豐富的空間構(gòu)造、幾何紋理及拓撲關(guān)

3、系等信息，對認知地物目標的屬性特征更加方便，如光譜、形狀、紋理、構(gòu)造和層次等。另外，高分辨率遙感影像有效減弱了混合像元的影響，并且能夠在較小的空間尺度下反映地物特征的細節(jié)變化，為實現(xiàn)更高精度的地物識別和分類提供了可能。然而，傳統(tǒng)的遙感影像分析方法主要基于像元進展，它處于圖像工程中的圖像處理階段見圖 1-1，已然不能滿足當今遙感數(shù)據(jù)開展的需求?；谙裨母叻直媛蔬b感影像分類更多地依賴光譜特征，而無視影像的紋理、形狀、上下文和構(gòu)造等重要的空間特征，因此，分類結(jié)果會產(chǎn)生很嚴重的椒鹽(salt and pepper)現(xiàn)象，從而影響到分類的精度。雖然國內(nèi)外的很多研究人員針對以上缺陷提出了很多新的方法，如

4、支持向量機(Support Vector Machine，SVM) 、紋理聚類、分層聚類(Hierarchical Clustering) 、神經(jīng)網(wǎng)絡(luò)(Neural Network, NN)等，但僅依靠光譜特征的基于像元的方法很難取得更好的分類結(jié)果?；谙裨膫鹘y(tǒng)分類方法還有著另一個局限：無法很好的描述和應用地物目標的尺度特征，而多尺度特征正是遙感信息的根本屬性之一。由于在不同的空間尺度上，同樣的地表空間格局與過程會表現(xiàn)出明顯的差異，因此，在單一尺度下對遙感影像進展分析和識別是不全面的。為了得到更好的分類結(jié)果，需要充分考慮多尺度特征。針對以上問題，面向?qū)ο蟮奶幚矸椒☉\而生，并且逐漸成為高空間

5、分辨率遙感影像分析和識別的新途徑。所謂面向?qū)ο?，即影像分析的最小單元不再是傳統(tǒng)的單個像元，而是由特定像元組成的有意義的同質(zhì)區(qū)域，也即對象；因此，在對影像分析和識別的過程中，可以方便地提取影像對象大小、形狀、紋理和空間關(guān)系等屬性特征，而這些特征在基于像元的分析方法中很難獲取的?，F(xiàn)有研究說明，面向?qū)ο蟮姆诸悓Ω叻直媛蔬b感影像有著更好的分類效果，不僅有效地克制了椒鹽現(xiàn)象，而且更加符合人類的視覺習慣。面向?qū)ο蟮姆诸愃枷胧紫纫獙τ跋襁M展初始分割，得到一系列彼此相鄰的影像對象；然后對各個對象的屬性特征進展提取，進而基于這些特征實現(xiàn)對整幅影像的識別和分類。因此，這就帶來兩方面的問題：首先是影像分割問題，由于

6、高分辨率遙感影像自身的復雜性和多尺度特性，使得普通的分割方法并不能取得理想的效果；其次是特征提取問題，由于常用的特征依然是光譜、紋理等低層視覺特征，與影像語義信息之間存在著巨大的語義鴻溝，因而它們很難準確的描述遙感影像的內(nèi)容，更不能利用這些特征來區(qū)分不同的對象類別。本文將以高分辨率遙感影像分類為目標，在充分了解現(xiàn)有面向?qū)ο蟮姆诸惙椒ǖ母咨?，綜合考慮高分辨率遙感影像自身的復雜性和多尺度特性，將基于分水嶺變換的多尺度分割和多尺度詞包表示引入面向?qū)ο蟮姆诸愃枷胫?，建立適合于高分辨率遙感影像的多尺度分類方法。由于本文的研究目標是基于面向?qū)ο蠓诸愃枷雽Ω叻直媛蔬b感影像進展分類，因此研究現(xiàn)狀將從面向?qū)ο?/p>

7、分類的幾個關(guān)鍵環(huán)節(jié)展開論述，一是影像分割，二是尺度問題，三是遙感影像的特征提取與分類。(1) 影像分割影像分割是指，基于同質(zhì)性或異質(zhì)性準則將一幅影像劃分為假設(shè)干有意義的子區(qū)域的過程。最終的分割效果需要同時滿足以下三個條件：第一，分割后形成的圖像區(qū)域中的所有像元點必須滿足一定的同質(zhì)準則，并且不存在不連通的點；第二，兩個相鄰的區(qū)域間的*項特定屬性要有明顯的差異性；第三，區(qū)域的邊緣應該相對規(guī)整，并保證邊緣的定位精度。影像分割效果的優(yōu)劣將直接影響到后期的分類和識別，對于遙感影像的分析和理解至關(guān)重要。近些年來，國內(nèi)外很多研究人員在影像分割方面做了大量的探索研究。一般情況下，根據(jù)分割時選取特征的差異可將分

8、割算法分成三類：基于閾值的分割算法、基于邊緣的分割算法以及基于區(qū)域的分割算法?；陂撝档姆指钏惴ù蠖纪ㄟ^影像的灰度閾值實現(xiàn)對影像的分割，目前已有的方法主要包括直方圖統(tǒng)計法，最大類間方差法、熵方法等，然而這些方法對閾值的選擇有很強的依賴性，尤其是對于復雜的遙感影像，往往不能得到較好的效果；基于邊緣的分割方法是利用影像中灰度變換較為劇烈的信息實現(xiàn)分割，邊緣特征屬于遙感影像的重要特征之一，可以通過一系列邊緣檢測算子提取，如常用的 Sobel 算子、Laplace 算子和 Candy算子等；基于區(qū)域的分割算法主要包括區(qū)域生長法、分水嶺變換算法以及馬爾科夫隨機場算法等。從 20 世紀 60 年代末開場，

9、影像分割的相關(guān)算法研究已經(jīng)在計算機視覺領(lǐng)域取得較大的進展，但對遙感影像的分割算法卻相對較少，直至 20 世紀 80 年代，針對遙感影像特征所提出的分割算法開場不斷涌現(xiàn)。Laprade 于 1988 年利用分裂合并的方法對航空影像進展分割，Ryherd 和 Woodcock 在 1996 年組合光譜和紋理特征進展遙感影像分割。遙感影像分割方法同樣受到國內(nèi)學者的關(guān)注，*永學在 2004 年提出了一種結(jié)合邊緣檢測以及邊緣生長的方法來進展遙感影像的分割，陳忠于 2006 年利用多尺度分割法與多分類器融合技術(shù)來進展高分辨率遙感圖像的分類，并到達了很高的精度，陳秋曉等于 2006 年利用基于局域同質(zhì)性梯度

10、實現(xiàn)對遙感影像的分割。雖然遙感影像的分割方法被不斷地提出和改良，但Neubert 等于 2006 年通過比擬現(xiàn)有各種分割算法對高分辨率遙感影像的分割性能，認為當前的技術(shù)仍不能有效滿足應用的要求。近年來，分水嶺算法作為一種經(jīng)典的基于區(qū)域的分割方法，越來越受到國內(nèi)外研究人員的關(guān)注。自 Vincent 和 Soille 于 1991 年將測地理論的集合運算推廣到灰度圖像，進而提出分水嶺算法以來，該方法被廣泛應用于圖像分割處理。目前，分水嶺算法已經(jīng)被成功應用于遙感領(lǐng)域，并且在對多光譜遙感影像、高光譜遙感影像和高分辨率遙感影像的分割中有著出色的表現(xiàn)。當然，分水嶺算法有著自身的缺點，如對噪聲高度敏感，容易

11、產(chǎn)生過分割現(xiàn)象。為了克制分水嶺的過分割問題，國內(nèi)外的學者提出很多改良的方法，主要在影像的預處理和后處理上做研究。Gao H 等人于 2001 年借助先驗知識，利用限定分割的區(qū)域數(shù)目的方法對分水嶺算法的過分割現(xiàn)象進展改善；Karantzalos K 等人于 2006 年將各向異性擴散濾波和邊緣檢測的方法引入分水嶺算法中，并且取得了不錯的效果；Ocallaghan R J 等人對初始分割后的影像進展快速區(qū)域合并，有效改善了過分割問題。國內(nèi)的學者也在分水嶺的改良方法上做了很多工作，陳忠在 2006 年提出基于分水嶺變換的多尺度遙感影像分割算法，利用非線性濾波和快速區(qū)域合并算法優(yōu)化分割結(jié)果；孫穎等于

12、2006 年利用標記的分水嶺算法對高分辨率遙感影像進展分割，取得較好的效果。(2) 尺度問題多尺度特征屬于空間數(shù)據(jù)的根本屬性之一，遙感中的尺度問題也是當今國內(nèi)外的研究熱點。國外學者開場尺度的問題的研究可以追溯至上世紀 80 年代初期，近年來，國內(nèi)的專家學者也開展了此領(lǐng)域的研究，由李小文院士主持的 973 工程地球外表時空多變要素的定量遙感理論及應用中指出，在像元尺度上，以研究尺度效應和尺度轉(zhuǎn)換理論為核心，檢驗與反演目標參數(shù)有關(guān)的根本物理概念、定理、定律的適用性被列為待解決的關(guān)鍵問題之一，由此可見，尺度問題在遙感影像分析中的有著不可無視的重要作用。遙感中的尺度問題得到廣泛的關(guān)注，主要表達在以下三

13、個方面：尺度選擇、尺度效應和尺度轉(zhuǎn)換。其中，尺度選擇是指針對特定應用選擇最正確分析尺度，以保證研究目標的屬性特征被最優(yōu)描述；尺度效應是指研究空間尺度的變化對分類精度的影響；尺度轉(zhuǎn)換指將*一尺度上的信息和知識拓展到其它尺度上，或稱為跨尺度信息轉(zhuǎn)換。Woodcock 和 Strahler 于 1987 年分析了影像中局部地物方差隨分辨率降低的變化，提出平均局部方差選擇最正確空間尺度。Chen 等在 2004 年指出空間尺度對分類誤差的影響更加明顯地表達在地物的空間分布上。Wang 等在2001 年設(shè)計了變異函數(shù)的塊金方差(Nugget Variance)和基臺方差(Sill Variance)的比

14、值指標，將該比值穩(wěn)定時對應的空間尺度作為最正確尺度。黃慧萍在 2003 年針對從單一尺度進展影像特征提取的不合理性，提出了多尺度遙感影像分析方法，并研究了面向?qū)ο笥跋穹治鲋械淖顑?yōu)尺度選擇問題。明冬萍等于 2008 年提出了基于可變窗口與可變分辨率的改良局部方差方法用于選擇最正確空間尺度。韓鵬等于 2010 年提出了一種基于信息熵的尺度選擇的方法，該方法以信息熵為評價類別可分性的標準，最優(yōu)尺度由最小平均熵確定。然而，我們研究的空間尺度又包含兩層含義：一是影像的空間分辨率，二是對影像分析時所研究的地表空間*圍。上述的兩層含義在基于像元的分類思想和面向?qū)ο蟮姆诸愃枷胫械玫搅撕芎玫谋磉_。在基于像元的影

15、像分類中，尺度即指影像的空間分辨率。隨著遙感影像分辨率的不斷提高，影像的分類精度并沒有隨之提高，這是由地物目標的多尺度特性決定的，任何地物目標在不同的尺度上都會有著不同的特征表現(xiàn)。因此，基于像元的分類方法存在著最優(yōu)尺度選擇和多尺度特征提取等問題。在面向?qū)ο蟮姆诸惙椒ㄖ?，尺度除了擁有在基于像元分類方法中的概念外，還被拓展為面積尺度的概念。影像對象的面積隨分割尺度的變化而變化，并且表現(xiàn)出在該尺度下的特征信息，這樣就可以根據(jù)研究目標的特點得到最優(yōu)的分割結(jié)果，進而得到更高的分類精度，這就是高分辨率遙感影像的多尺度分類思想。(3) 遙感影像的特征提取與分類隨著遙感影像空間分辨率的不斷提高，面向?qū)ο蟮姆诸?/p>

16、方法得到越來越廣泛的應用。面向?qū)ο蟮姆诸惙椒ㄊ紫纫獙b感影像進展初始分割，得到一個個屬性各異的同質(zhì)區(qū)域，這些同質(zhì)區(qū)域也被稱為對象；進而從這些影像對象中提取多種特征，如光譜、形狀、紋理、構(gòu)造和空間關(guān)系等，最后引入分類算法以完成最終的影像分類。面向?qū)ο蟮倪b感影像分類方法是通過描述遙感影像中對象的信息來替代像元層的特征，從較高層次對遙感影像進展分類，以減少傳統(tǒng)的基于像元層次分類方法的語義信息損失，使分類結(jié)果具有更豐富的語義信息。圖 1-2 簡單描述了基于面向?qū)ο笏枷氲姆诸惲鞒蹋好嫦驅(qū)ο蟮姆诸惙椒ǖ谋举|(zhì)就是將圖像中的對象作為處理的根本單元，利用分類器來分析對象的特征，進而判別它們對應的類別。Blasc

17、hke 等人于 2001 年首先提出了基于對象的遙感影像分類方法，認為基于多尺度分割形成的同質(zhì)區(qū)域即影像對象不僅很好的利用光譜特征，還引入其它不同的特征，同時該方法能進一步融入領(lǐng)域知識和專家經(jīng)歷，使得分割后的對象比像元具有更豐富的語義信息，從而提高遙感影像分析的智能化水平。Giada 等人在 2003 年通過自動提取遙感圖像中的同質(zhì)區(qū)域來完成基于對象的分類。eCognition 軟件通過整合多尺度的分割和基于對象的分類，成為首個投入商業(yè)應用的基于對象的遙感分析軟件現(xiàn)改名為 Definiens Professional。Mathieu 等人于 2007 年在對象層面分析了新西蘭地區(qū)的城市與農(nóng)村的

18、地類。然而，上述學者所做的工作都是直接從影像對象中提取低層的視覺特征，進而利用分類器實現(xiàn)分類。但是，遙感影像分類的本質(zhì)是給各個區(qū)域添加高層的語義標簽，而低層的視覺特征很難準確地描述遙感影像的高層語義內(nèi)容，因此要獲得更好的分類效果，只依賴這些低層視覺特征是不全面的。近幾年，一些研究學者將文本分析和場景理解中的詞包模型(Bag-of-Word, BOW)引入遙感領(lǐng)域，期望通過詞包模型來提取遙感影像中局部特征的統(tǒng)計信息或語義信息，并根據(jù)這些新的特征來分析遙感圖像中的主題，從而到達分類的目的。詞包模型原本是文本分析中最為成功的模型之一，在該模型中，文檔被表述成少量單詞的無序集合，這些無序集合就被稱為詞

19、包，文檔的大致內(nèi)容則可以由詞包中單詞的分布情況表達?，F(xiàn)在該模型已經(jīng)被應用于影像分析中，并且取得了不錯的效果。對影像進展詞包模型的構(gòu)建過程類似于在文本分析中的構(gòu)建過程，整幅影像被初始分割成一個個對象，然后統(tǒng)計各個影像對象的低層視覺特征光譜、紋理等并進展聚類分析，形成表征該對象的特征向量組，這些特征向量組被稱為視覺單詞(visual word)；最后統(tǒng)計這些視覺單詞在各個影像對象中的分布直方圖作為該影像的特征，用于后期的分類。遙感影像的分類過程的實質(zhì)就像是文本分析中為各個文檔找出其對應的文本主題的過程，其對應關(guān)系可歸納為表 1-1 所示。以色列的學者 Weizman 和 Goldberger 首先

20、將詞包模型的思想引入遙感領(lǐng)域，用來提取與低層視覺信息無關(guān)的圖像表達(feature-free image representation)。Feng 等人將遺傳算法引入詞包模型，改良原有視覺單詞構(gòu)造中存在的問題。而 Yang 等人則進一步考慮了詞包模型中各個視覺單詞的空間關(guān)系，增加其所包含的語義信息。Linou 等人基于詞包模型中提取的單詞概念，引入主題模型 Latent Dirichlet Allocation (LDA)進一步分析遙感影像視覺單詞間的關(guān)系，通過最大似然分類器計算圖像中每個圖像塊對應的語義概念，從而完成圖像的語義標定。Yi等人利用一樣的思想，通過 PLSA 模型來分析視覺單詞間

21、的關(guān)系，完成影像的分類任務(wù)。隨著詞包模型在遙感影像的解譯和理解中的廣泛應用，國內(nèi)也有很多研究人員開場關(guān)注詞包模型在遙感影像分析中的應用，如遙感影像分類和遙感特定目標的檢測等。常見影像分割方法多年來，影像分割一直是圖像處理與模式識別領(lǐng)域的經(jīng)典難題，一直受到國內(nèi)外學者的高度關(guān)注。由于現(xiàn)有的分割算法種類繁多，這些算法一般被分為以下三種經(jīng)典類型：基于閾值的分割，基于邊緣的分割和基于區(qū)域的分割?；陂撝档姆指罘椒ɑ陂撝档姆指罘椒ㄓ直环Q為門限分割，是一種簡單并有效的分割方法。對一幅影像進展閾值分割時，通過選取一個或多個閾值作為分割門限，將影像的所有像元進展遍歷，像元的灰度值與閾值進展比擬，最終將只存在三

22、種情況：大于閾值、小于閾值和等于閾值，進而以此為依據(jù)完成整幅影像的分割?；谝陨厦枋觯梢钥闯龌陂撝档姆指罘椒ǖ年P(guān)鍵在于閾值的選取，其核心工作即按照*種準則選出適宜的閾值，因為只有最優(yōu)的閾值才能實現(xiàn)對影像的最有效分割。通常，閾值的選取包括全局閾值、局部閾值和動態(tài)閾值三類。其中，全局閾值的選取只與影像像元本身的性質(zhì)有關(guān)；局部閾值的選取與影像像元本身的性質(zhì)和局部區(qū)域特征有關(guān)；動態(tài)閾值的選取與像元坐標、像元性質(zhì)和局部特征有關(guān)?；陂撝档姆指罘椒▽τ诓惶珡碗s并且灰度分布比擬集中的影像有著較好的效果，而對于比擬復雜的影像，尤其是遙感影像僅僅依賴此方法是遠遠不夠的?；谶吘墮z測的分割方法邊緣特征是影像最

23、根本的特征之一，是不同區(qū)域間灰度不連續(xù)的像元點的集合，它代表著一個區(qū)域的完畢，同時也是另一個區(qū)域的起始，是影像局部特征不連續(xù)或突變的結(jié)果。基于邊緣檢測的分割方法就是通過檢測這些不連續(xù)的像元點，并把這些像元點按照約定的規(guī)則連接成輪廓，利用這些輪廓線構(gòu)成分割區(qū)域，進而得到分割結(jié)果。在影像中灰度值有屋頂形變或階躍突變的像元集合組成了邊緣，如圖 2-1 所示：邊緣總存在于影像中相鄰的不同區(qū)域間，并且可以通過求導數(shù)來檢測，常用的一階微分算子有Roberts算子、Prewitt算子和Sobel算子，二階微分算子有Laplace算子和 Kirsh 算子等。在實際應用中，常用小區(qū)域模板來表示各種微分算子，并且

24、通過模板與影像卷積來實現(xiàn)微分運算?；谶吘墮z測的分割方法對噪聲敏感度高，適合用于噪聲較小且不太復雜的影像分割?；趨^(qū)域的分割方法基于區(qū)域的分割方法的出發(fā)點是影像中空間距離較近的像元具有較大的相似性，空間距離較遠的像元具有較大的差異性。這種描述恰好符合地理學第一定律(Toblers First Law of Geography) : Everything is related to everything else, but near things are more related than distant things。目前比擬常用的基于區(qū)域的分割方法有區(qū)域生長和區(qū)域分裂合并等方法，或者是兩種方

25、法的綜合。區(qū)域生長的根本思想是把影像中特征相似的像元按照一定的規(guī)則合并而成一個區(qū)域。具體方法如下：首先，按照*種規(guī)則選取種子點，然后遍歷和種子點相鄰的像元，將與種子點特征相似的像元合并為同一區(qū)域，接著以合并的像元作為新的種子點，依此類推，最終得到在該生長準則下最大的連通集合，如圖 2-2 所示。在對區(qū)域生長算法進展設(shè)計時，為了得到更優(yōu)的分割效果，需要解決以下三個問題：(1) 選擇一個或者一組能夠正確代表所需區(qū)域的種子像元；(2)生長準則確實定；(3) 停頓生長的條件。在生長準則確實定中，除了需要考慮像元間的相似性外，還要考慮像元間的鄰近性和連通性，否則可能最終分割出毫無意義的區(qū)域；另外，區(qū)域生

26、長是一種串行算法，當影像較大時，分割效率低下。區(qū)域分裂合并的方法是和區(qū)域生長相反的方法，此方法按照一定的準則對整幅影像進展分裂，形成不重疊的區(qū)域，同時將分裂后的相似區(qū)域進展合并；經(jīng)過反復的分裂和合并，直至滿足分割要求為止。圖 2-3 展示了區(qū)域分裂合并算法的一種形式：任意區(qū)域 R被分裂為 4 個互不重疊的區(qū)域，并滿足P ( QUOTE )= FALSE，依次進展，直至在該分裂準則下不能繼續(xù)分裂；然后將任何滿足的區(qū)域進展合并，直至在該合并準則下不能繼續(xù)合并，則分割過程完畢。其它分割方法近年來，影像分割領(lǐng)域不斷引入新的理論和新的工具，因此誕生了一些比擬新穎的方法。如基于數(shù)學形態(tài)學的影像分割、基于小

27、波分析的影像分割、基于神經(jīng)網(wǎng)絡(luò)的影像分割、基于遺傳算法的影像分割和基于分水嶺變換的影像分割等等。1) 基于數(shù)學形態(tài)學的影像分割基于數(shù)學形態(tài)學的分割首先將待處理影像用各種形狀大小的構(gòu)造元素進展掃描，以此識別出影像中梯度變化較大的邊緣信息。這種方法處理速度快，但對構(gòu)造元素的選擇依賴性很高：假設(shè)選取的構(gòu)造元素過小，則對噪聲的干擾響應較大；選取的構(gòu)造元素過大，則有可能濾掉有意義的邊緣信息。因此，構(gòu)造元素選取的是否得當將直接影響到最終效果的好壞。2) 基于小波分析的影像分割小波變換是一種經(jīng)典的多尺度分析工具，具有良好的時頻局部變化特性和多分辨率分析能力。對影像進展小波變換以后，可以得到不同的頻帶子圖以及

28、相對應的小波系數(shù)，影像的總體和局部特征就可以通過這些小波系數(shù)來表征。小波分析常用來檢測影像的高頻分量，也即影像邊緣信息。它也常被作為多尺度分析的工具和其它技術(shù)結(jié)合使用。3) 基于遺傳算法的影像分割遺傳算法是一種將生物自然選擇和遺傳機制與統(tǒng)計學的相關(guān)知識相結(jié)合的一種隨機搜索優(yōu)化方法。該算法的執(zhí)行操作直接在構(gòu)造對象集合、矩陣、序列和圖等上進展操作，而不是直接作用在變量上。遺傳算法由于其自身的并行機制，在對分割速度的提高上很有幫助，并且可以有效利用全局信息。為進一步提高分割質(zhì)量，該算法通常與其它分割技術(shù)結(jié)合，如果能獲得大量的先驗知識，則可以實現(xiàn)對影像的最正確分割效果。4) 基于神經(jīng)網(wǎng)絡(luò)的影像分割神經(jīng)

29、網(wǎng)絡(luò)是通過抽象和模擬人腦或神經(jīng)網(wǎng)絡(luò)的一些根本特性指導影像的分析，其根本思想是通過對多層感知機的訓練得到?jīng)Q策函數(shù)，進而利用這些決策函數(shù)值指導影像的分類，以到達分割的目的。神經(jīng)網(wǎng)絡(luò)可以充分利用影像像元間的空間信息，能夠較好的抵抗噪聲的干擾，對于復雜影像的分割具有一定的優(yōu)勢。然而，此方法需要積累大量的先驗知識和訓練樣本，才能訓練出有效的神經(jīng)網(wǎng)絡(luò)；而且在網(wǎng)絡(luò)節(jié)點和層數(shù)設(shè)計以及訓練效率也需要進一步的探索和研究。5) 基于分水嶺變換的分割分水嶺分割本質(zhì)上是屬于基于區(qū)域的方法，該方法的根本思想是將影像類比為地學上的拓撲地貌，影像中每一個像元的灰度值類比為海拔高度，然后每一個局部極小值及其影響區(qū)域被稱作集水盆

30、地，而集水盆的邊界即被稱為分水嶺，將各個分水嶺作為影像分割的邊界，實現(xiàn)對影像的分割。綜上所述，雖然影像分割領(lǐng)域的方法種類繁多，但這些方法都存在著自身的缺乏和缺陷。如閾值分割方法只考慮圖像灰度值，不能很好的反映圖像的構(gòu)造信息，并且容易受到噪聲干擾；邊緣檢測的方法可以得到邊界限段，但需要后續(xù)的操作使輪廓保持連續(xù)，因而在邊界不明顯的地方較難確定區(qū)域；區(qū)域方法的性能對初始種子的選擇有較大的依賴性，其參數(shù)確定或者選擇比擬困難。即使是上文提到的新穎的分割方法，也同樣存在著各自的局限性，這是由高分辨率遙感影像自身的復雜性決定的。分水嶺算法作為一種經(jīng)典的基于區(qū)域的分割方法，由于其邊緣定位準確、全局分割和并行處

31、理等優(yōu)點被應用于很多領(lǐng)域。雖然分水嶺算法存在著對噪聲敏感、過分割等缺點，但可以通過預處理或后處理進展改善。目前，該方法在對多光譜遙感影像、高光譜遙感影像和高分辨率遙感影像的分割中都有著出色的表現(xiàn)。因此，本文將基于分水嶺算法對高分辨率遙感影像進展分割，并對其加以改良。基于改良分水嶺變換的多尺度分割方法分水嶺算法有著很多優(yōu)點，比方說能夠?qū)崿F(xiàn)全局分割，封閉的邊界和高的定位精度等，使得它適合用于高分辨率遙感影像的分割。然而，傳統(tǒng)的分水嶺分割也存在著缺陷：(1)分水嶺的輸入通常為影像梯度，而梯度受噪聲的影響較大，并且當紋理細節(jié)特征明顯時，會產(chǎn)生很多局部最小值，使得分割結(jié)果產(chǎn)生嚴重的過分割；(2)對影像中

32、比照度較低的局部響應較弱，易造成輪廓信息的喪失。雖然很多學者針對高分辨率遙感影像改良了分水嶺算法，但仍有一些問題沒有解決，這是由于遙感影像本身具有多光譜和多尺度特性，數(shù)據(jù)復雜性和冗余度較高。本文針對以上未解決的問題，提出了一種改良的分水嶺分割方法，用于高分辨率遙感影像的多尺度分割。本文提出的算法描述如下：首先，對高分辨率遙感影像進展各向異性擴散濾波的預處理，目的是既可以濾除細小的噪聲又能較好的保存邊緣信息；然后對影像進展多尺度形態(tài)學梯度提取，然后利用擴展最小變換修正多尺度梯度，進而進展基于標記的分水嶺變換；最后利用影像對象的光譜和形狀異質(zhì)性指標進展多尺度區(qū)域合并。算法流程如圖 2-9 所示：本文基于面向?qū)ο蟮挠跋穹治鏊枷?，介紹了一種高分辨率遙感影像多尺度分類的方法，該方法充