《融合边缘信息的面向对象多尺度分割方法》由会员分享，可在线阅读，更多相关《融合边缘信息的面向对象多尺度分割方法（7页珍藏版）》请在金锄头文库上搜索。
1、一种融合边缘信息的面向对象多尺度分割算法林栋I,秦志远，郑克斌21. 解放军信息工程大学地理空间信息学院，郑州4500()1E-maiI:lindong_hb59 2. 92899 部队,宁波 315200E-maikwyx7506l5摘要：针对高分辨率遥感影像空间上下文佶息丰富、地物类别Z间边缘佶息突出的特点，提出了-种融合边缘倍息的而向对彖 分割算法，应用Canny算子对全色影像进行边缘信息提取，结合光谱信息和边缘倍息构建基于图论方法的距离度量函数获取边 权值，并采用最小生成树Kruskal W法完成彩色影像的初始分割，通过综合分析对彖内的光谱、形状和边缘信息完成区域合并， 生成分割结果图
2、。利用Worldview2和Pleiades两幅三波段RGB影像进行试验，并通过采用eCognition 8.0试用版的处理结果进 行对比，验证了该方法的有效性。关键词：Canny算子，边缘信息，光谱信息，最小生成树，区域合并，cCognitionAn Object-Oriented Multi-scale Image SegmentationAlgorithmBasedon EdgeDetectionLIN Dong1, QIN Zhiyuan1,ZHENG Kebin21.Institute of Geospatial Information, Information Engineerin
3、g University. Zhcngzhou450001;E-mail:lindong_hb59 163.co m.2.92899 army, Ningbo 315200;Email:wyx750615Abstract:Taking account of the rich spatial contextual information and the salientedgeinformation between different land cover classes in high-resolution remote sensing images, an object-oriented mu
4、lti-scale segmentation algorithm based on edge detection was proposed. Canny was applied to extract edge information in panchromatic imagery. Combining spectral information with edge information to get the weight of edges based on graph theory, then usingminimum spanning tree algorithm(Kruskal) to c
5、omplete the initial segmentation of color images. At last, through comprehensively analyzing of the spectral, shape and edge information within the objects to merge areas, and the segmentation results were generated.This algorithm has been tested on Worldview? and Pleiades three-band RGB images and
6、the result is compared with the trial version of eCognition 8.0. Experiment results showed the proposed algorithm was effective.Key Words:Canny algorithm, edge information, spectral information, minimum spanning tree, merge areas, eCognition 引言由于高空间分辨率遥感彩像上的光谱信息较少，而空间关系信息丰富，使得利用面向对象技术分割该类遥 感影像成为町能。遥
7、感影像多尺度分割技术作为面向对象技术的基础，白然成为n前遥感影像处理领域的研究 热点和难点。Baatz and Schape等综合考虑遥感影像上地物光谱特征和形状特征的综合影响，利用区域牛长和 区域融合的方法，实现了分形网络进化的多尺度分割方法。Li和XiaoR等利用分水岭变换方法完成了多波段 影像的多尺度分割。Koschan等利用边缘检测的方法实现了彩色图像的多尺度分割。近年來，棊于图论的多尺度分割方法也越來越受到重视，并取得了较大的进展，这种分割方法可概插为两 个主要的分支：一是基于谱聚类的分割算法，该方法的主要思路是将一个求取拉格朗F1条件下的最小化问 题转化为求解广义特征值和特征向量的
8、问题，但是它的答解速度过慢，如不采取近似加速的方法，不宜解决大 幅影像的分割问题；二是基于经典图优化理论的图像分割算法&7。该方法的最大优势是计算效率高，如设计 妥当，能够承担高分辨率遥感影像带來的巨大计算代价。比较上述方法的优劣可知，目前针对遥感影像的多尺度分割研究的难点主要有：人部分遥感影像分割算法 只利用了影像的光谱信息，对纹理、形状以及边缘信息没有加以很好地总结和利用；对于初始分割区域进行合 并时，没有充分考虑到合并顺序的选择问题,造成算法实现效率不高而影响了算法的实用性等。针对上述问题， 本文尝试提出一种基于图论同时融合边缘信息的多尺度分割方法。1、算法理论及实现流程设计根据高空间分
9、辨率遥感彩像H庁的特点,结合边缘提取及图论的知识，本文拟采取的研究方法如下图所示:图1研究方法流程1.1边缘提取影像的边缘信息是指灰度影像上局部区域亮度值急剧变化的部分，是区分不同地物类别Z间的分界线，也 是影响影像分割的重要特征。经典的边缘提取算法有很多，如各种梯度算了等。但均存在一些不足，如易受噪 声影响、存在双边缘效应或生成的边界不封闭。相对来讲，Canny算子貝有定位准确、区域封闭等优势凶，故 我们选择应用Canny算子来提取遥感影像上的边缘信息。实现的具体步骤包括：首先利用高斯滤波器对全色影像进行标准差为b的低通滤波，降低原始影像中噪 声的影响，然后通过双阈值函数提取全色影像的边缘信
10、息，从而获得边界图幺利边缘点的点位信息。需要 注意的是，Canny 子中较低阈值一般可设为较高阈值的0.4倍，即low th = 0.4 x highth(1)1.2基于图论的影像初始分割结合图论的思想，将影像中每个像素看作生成树中的顶点V,取每个像素的4邻域点对组成生成树的边 E, Kruskal算法的基本思路是按边权值非递减顺序不断将具有最小边权值的边加入到树中，从而形成连通区 域 191。本文结合光谱和边缘信息构造距离度屋函数，每条边的边权值由下式确定怜=255 if (edge(i9 j) = 255)v- /(2)叱J =2jfi fjotherwise/=!其中，叱表示顶点i和顶点
11、/构成边的边权值，edged, j)表示边界图上的亮度值，表示影像上顶点 i在波段/上归一化之后的光谱值。获得各边的边权值后，釆取口底向上合并生成多个最小生成树的策略，基于并查集(Union-Find)的数据结 构进行像素级合并，从而完成影像的初始分割。根据以上思路，具体的像素级合并核心伪代码如下：sort the edges of E into nondecreasing order by weightfor each edge(i,j) g Eif Find(i) H Find(j) & (CJ & & rank(j)C. Union(i, j) y+r(Cz.)elseCj Union,
12、 j)r(Cj ), m表示影像的波段数；N表示对象含有的顶点数目；叫表示第R个波段的权重，这里各波段被赋予相 等的权值；丢表示对彖内所有像素在第个波段的灰度值标准差。compact compact + (1 compact smooth其中， 购 表示对彖的紧致性权垂，後”如表示对彖的紧致度指数，表示对彖的平滑度指数。 hcotnpact =俯1I(7)Smooth =NT其中，/表示对象的周长，方表示对象外接矩形的最短边长。 区域合并的判别函数为：Merge(R(l.Rb) = TUREFALSEifW(Ra ,RJ-Dif(Ra) - Dif(Rb) Scale) otherwise(8
13、)其中，Merge(Ra,Rh)表示区域心和仇是否能够合并的判定条件，当两相邻区域满足合并条件时，将两区 域合并；否则，不进行合并。2、算法试验及分析为了验证木文的算法，我们采用了很多遥感影像进行实验。限于篇幅，我们主要选择了如下的试验数据。 一是为了验证算法的分割结果，选择地物类型较丰富的源自美国华盛顿地区的WorldVicw2三波段RGB影像, 影像大小为364像素x424像素；另一幅影像主要是为了验证算法的实现效率，选择了华盛顿地区的Pleiades 的RGB三波段彩像，大小为4775像素x 1090像素。如下图所示。(a) WorldView2 影像(b) Pleiades 影像图2试验影像针对第一幅影像，经过大量试验得出参数的经验选择分别为：7=0.8, =0.2, minsize=10, highth=70. lowth =28, wcolor =0.9,叱.咖切二05 Scale=50o考虑到试验对比及验证所提出算法的有效性，本文利用 eCogniti
