面向对象的影像分析采用多尺度分割技术生成有意义的多边形对象

面向对象的影像分析采用多尺度分割技术生成有意义的多边形对象，以影像对象为信 息提取的基本单元，运用模糊数学分类方法实现类别信息的自动提取。与传统的基于像元 的影像处理方法相比较，面向对象的影像信息提取的基本处理单元是影像对象，而不是单 个的像元。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提，分 害d结果的好坏将直接影响模糊分类结果的精度，因此影像分割至关重要。本章主要分析和 研究这种面向对象的多源影像多尺度分割技术，即影像对象的多尺度构建技术。 面向对 象的遥感影像分析的基本原理是根据像元的形状、颜色、纹理等特征，把具有 相同特征的象素组成一个影像对象，然后根据每一个对象的特征对这些影像对象进行分类 面向对象影像分析有两个独立的模块:对象生成与信息提取。对象生成是采用分割技术生 成属性信息不同的影像对象的过程，因此很多文献中称为影像分割，在图像处理领域中常 称为图像分割或图象分割。影像分割是经过两个步骤完成的:首先对整个影像进行尺度空 间的构建，即根据所预设的尺度分割参数将影像中的像元划分为不同亮度值的区域，然后 再根据其他的分割参数提取出不同的对象多边形。对每一种面向对象的影像处理方法来说 成功的影像分割都是必要的前提。 影像分割及基于分割的要素提取、特征提取和参数测 量等将原始影像转化为更抽象更 紧凑的形式，使得更高层次的影像分析和理解成为可能。影像分割的方法也就非常之多， 下面介绍三类与遥感应用密切相关的影像分割方法:边缘检测方法、特征空间聚类法、区 域提取方法。 2.2.2 边缘检测方法基于边缘检测的影像分割方法是先利用不同区域间像元灰度不连续的特点检测目标的 边缘点，然后组成目标的边界实现分割。边缘检测可分为并行边缘检测和串行边缘检测， 常用的方法有微分算子法和串行边缘检测算法。影像中相邻的不同区域间总存在边缘，边 缘处像元的灰度不连续可通过求导数来检测到。如一阶微分算子有Roberts lrewitt和Sobel 算子，二阶微分算子有Laplace和Kirsh算子等。在实际应用中各种微分算子常用小区域模 板来表示，微分运算是利用模板与影像卷积来实现。这些算子对噪声敏感，只适合于噪声 较小不太复杂的影像。Log算子和canny算子是具有平滑功能的二阶和一阶微分算子，边 缘检测效果好。串行边界查找法是先检测边缘再串行连接成闭合边界的方法，这种方法在 很大程度上受到起始点影像230这种分割方法适合处理区域内部移植性高而且边界变化明显的情况，尤其适合对特定 目标的提取。但是边缘检测只使用了局部信息，难以保证分割区域内部的颜色一致，且不 容易产生连续的封闭区域轮廓特征空间聚类法基于特征空间聚类的影像分割方法是将影像空间中的像元用对应的特征空间目标点 表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原影像空间， 得到分割结果。如果以像元的灰度值为特征，灰度直方图代表特征空间，用闽值将特征空 间划分开，把得到的特征类映射回影像空间实现分割，这种算法也称之为闽值分割法23e 除像元灰度值外，其它的影像特征也可以用于聚类，常用的有K一均值聚类法、模糊K一 均 值聚类法24, ISODATA聚类法zs等。特征空间聚类法比基于边缘检测的方法更抗噪声，但由于不能完全利用影像像元空间 分布的信息，该方法也会导致产生影像空间不连通的分割区域，而且该方法在像元聚类迭 代时运算复杂度较大区域提取方法基于区域的影像分割方法有两种基本形式，一种是从单个像元出发，逐步合并以形成 所需的分割结果，另外一种是从整景影像出发，逐渐分裂切割为满足条件的分割区域。当然 实际应用中多数的算法是这两种思路的综合运用。区域生长和分裂合并法是两种典型的 区域特征分割方法。区域生长法的基本思想是将具有相似性质的象素合起来构成区域，具体做法是选给定 影像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域的基础上不断将其 周围的象素点以一定的规则加入其中，达到最终将代表该物体的所有象素点结合成一个区 域的目的。区域生长要解决的主要问题是区域生长准则的设计和算法的高效性。生长准则 往往和具体问题有关，直接影响最后形成的区域，如果选取不当，就会造成过分割或欠分 割现象。生长准则一般可分为三种:基于区域灰度差准则、基于区域内灰度分布统计性质 准则和基于区域形状准则。区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点 是对种子点的选择有很大依赖，不同的种子点设置一般会有不同的分割结果，而且在区域 之间过渡平缓的情况下会把不同类型的区域合并到一个区域。另外，它是一种串行算法， 当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。分裂合并法的基本思想是从整幅影像开始通过不断分裂合并得到各个区域。实际应用 中常常先把图像分成任意大小且不重叠的区域，然后再合并或者分裂这些区域以满足分割 的要求。最常用的是一种利用图像四叉树表达的简单分裂合并算法，数据结构如图2-2所 示 23RIR2R3 1.iR41R42R43R44IS2-2幷裂合井袪的四叉树衷达方法设R优表整亍影像区域，P代农检验准则基本分裂合井霁割算法如卜侶人1 对任意区域若P(X,) = FALSE就将扛分裂为不董聲的四等分；2) 对相邻的两个区瞰&和应八若满足PRSJRJ) = TRUE就将它柏合并t3) 若进一步的分裂和合井都不可能了.则结東-分裂合井法的关锄是分裂合井准卿的设计，这种方法对复杂影像的分割效果较好但 算法较计算址人，分裂还可能破坏区域的边界.一般遥感传感器所获取的数据是多光谱与多尺度的，与其它领域的全色与单波段影像 数据相比要复杂得多，而且信息内涵丰富得多。同一地区的不同传感器所获取的遥感数据 使得数据源更为丰富复杂。多源遥感数据作为GIS的重要数据源，需要从中提取其它附加 属性数据如GIS专题矢量数据、高程数据等。遥感数据应用必须考虑不同尺度上目标多边 形对象的同质属性如大小、形状与光谱等。上一节中介绍的几种影像分割方法均无法满足 这一需求。目前，影像分割己成遥感专题信息提取中不可或缺的技术，如何根据专题应用尺度将 相邻的像元组成有意义的影像对象并融入对象的背景信息是影像分析成功的关键。考虑到 多源遥感影像的复杂性，为获取最佳的影像对象，在进行影像分割之前，必需充分考虑以 下儿个要求13:分割过程应该生成高度同质的分割区域，分割后的小区域具有最优的可分 离性与代表性;几乎所有的影像对象属性如色调、纹理、形状等与邻域关联度或多或小与 尺度有一定的依赖关系，类似尺度的影像空间结构在特征上有可比性;由于影像分析问题 与给定尺度遥感数据的空间结构有关系，那么分割后影像对象的平均大小必须与感兴趣的 尺度大小相适宜;分割过程应该具有普遍性，能适用于多种不同类型的数据与问题;分割 成果应该具有再生性等。遥感影像是由空间结构上相互联结的像元组成的对象，反映了地表物体固有尺度。要 理解影像对象如何在不同的尺度域之间相互作用，就需要一种技术既能自动生成遥感影像 的影像对象，又能将这些影像对象按等级结构联接起来。这种技术就是多源影像的多尺度 分割技术。2.3.1 多尺度分割概念多尺度分割在生成影像对象的过程中对高分辨率影像信息进行了抽象，把高分辨率像 元的信息用分割后的影像与多边形属性进行存储，在影像细节信息损失最小的前提下将影 像成功地分割成为有意义的影像多边形对象。只要影像对象在合适的尺度上是以合理的方 式生成，这种无关紧要的细节信息舍弃能换来大量有用的对影像对象的特征描述。影像分 析的不同主题都有其特定的空间尺度，每一个主题都需要分割所生成的影像对象有最恰当 的尺度来描述与转递影像的最佳信息，因此在影像分析总是希望在适宜的尺度上进行。多 尺度分割中采用不同的分割尺度值生成不同尺度影像对象层，使得具有固定分辨率的影像 数据可由不同尺度的数据结构组成，从而构建了一个与地表实体相似的层次等级结构，实 现了原始像元信息在不同空间尺度间的传递，以适应实际应用需要。不同分割尺度所得的 影像对象层如图2-3 所示。多尺度分割的方法考虑了地表实体格局或过程的多层次，克服数据源的固定尺度，采 用多尺度影像对象的层次网络结构揭示地表特征的等级关系。影像对象的层次网络中不同 尺度对象的尺寸大小有差异，但大尺度对象与小尺度对象一样为原始像元的聚合，只是聚 合阂值大小不一样，而呈现不同的像元组合特征。影像对象的层次网络允许影像信息在不 同的尺度同时被表达，通过定义不同尺度对象之间的拓扑联系，更多的信息可以从影像数 固定空间分辨率的遥感影像数据在多尺度分割前，表示为同一空间尺度的类别信息， 该尺度即为影像的空间分辨率，最小的影像对象就原始的像元，此时影像不包含有意义的 上下文语义信息，要提取不同空间属性的类别是有难度的。当设定多个分割尺度进行影像 分割后情况就不一样了，形成了由分割尺度参数所决定的影像对象层次体系，影像对象集 合了像元的光谱信息、此像元与周围像元的关系信息等。一个对象层有一个固定尺度值， 多个对象层则体现了多种空间尺度的地物类别属性，在不同尺度对象层提取不同属性的类 别信息解决了识别影像数据中“同谱异物”地物的问题。多尺度分割的突出贡献是同一空间 分辨率的遥感影像信息不再只由一种尺度来表示，而是在同一时相可由多种适宜的尺度来 描述130当同一区域不同尺度的影像对象被连接时，网络就被分级，如图2-4 所示。这样，每 个影像对象知道它的邻居、子对象和父对象。这又产生一个不同尺度从属关系的描述。与 分类和对象、类间的相互关系一起，这样一个网络可以看作一个空间语义网络。在区分那 些光谱信息与形状信息都十分相似的影像对象时，同一尺度层内相邻对象的语义信息以及 不同尺度层间影像对象的语义信息就显得非常重要。 在利用多尺度影像分割技术构建影 像对象的过程中，并非只有一种类型的遥感数据参 与分割，大量其他空间数据整合是完全可能的。在提取城区水泥路面与建筑物的分析中， 如果能整合该城区范围内的LIDAR数据或其它高程数据参与分割，所生成的影像对象就 能将高程属性不同的地物分开;另外，在提取农作物类别的分割中，如果能获取该区域的 耕地面积矢量数据，就可作为一个专题层参与影像的分割，所生成的影像对象在感兴趣的 耕地范围内，其他的土地利用类别只作为一个大的背景，这种多源数据参与影像分割与分 类的方法大大地增加影像信息提取的精度与效率34J0