本站小編為你精心準備了影像分割的目標和地物提取技術研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：遙感技術和方法經過近幾十年發展已經逐漸成熟，廣泛用于資源，環境監測，地形測繪等領域。但就中高分辨率遙感數據地物提取和識別自動化來說，仍然是個難點。本文借鑒了計算機圖形識別領域的目標識別技術，探討提高目標識別和地物提取自動化的可行性、方法，并結合資源3號衛星做出了一些探索。

關鍵詞：影像分割；知識庫；地物提取

1引言

地面遙感是通過地表輻射來獲得地表的光譜特性從而確定地表類型，傳統分類技術正是基于這一點，用統計方法或機器推理(如神經元)來確定每一個像素的分類特征。在低分辨率的影像上，通過分類特征能確定大的地表覆蓋單元，如區分水體和植被、識別大的地塊類型以及其它宏觀的特征和趨勢。在中高分辨率的情況下，要求提取的地表特征更加細致，地表的特征更加復雜，各種地表特征摻雜在一起，如在植被中間中有裸地、道路被植被覆蓋不完整等等。理想情況即使能夠準確地判別每個像素的地表覆蓋特征，還是難以完整地提取地物，特別是識別地物的邊界。一般情況下，這些方法通過空間鄰域上的Majority算法進行綜合，試圖解決其無法考慮像素與周邊的關系的缺陷，但其效果仍然差強人意，難以進行目標的有效分割和判別。

2解決方案

隨著計算機和人工智能技術的發展，計算機視覺(ComputerVision)成為一個相當活躍的領域，其中圖像分割(ImageSegmentation)是計算機視覺的關鍵技術和挑戰。根據格式塔(Gestalt)學派對人的心理活動研究(如Wertheimer，1938)，人的視覺感知很大程度依賴于對形狀的組合能力，通過掃描和感知圖像邊界和紋理進行組合，以對目標進行提取和識別。在這種思路下MIT人工智能實驗室提出了一種基于相鄰像素的差異關系的高效能反映圖像全局特性的圖像分割算法。其特性是將分割的結果定義為在分塊內部的相鄰像素的差異要小于邊界像素和別的分塊的差異，同時分塊內部沒有一條聯系的通路分割后滿足第一條特性。

3實現步驟

3.1遙感影像上分割算法的采用

對比自然環境下的照片，遙感影像上的紋理要復雜得多。本研究中采用的是資三影像，包含三個可見光波段和一個紅外波段。通過采用[1]中的算法，發現信息密度低，解像度好，能夠得到比較好的效果，而有建成區的地區，分割結果非常細碎。為了得到更好的效果不得不提高容差，但是發現線性目標的可識別度降低了，出現了線性地物和地塊融合到一起的現象。反觀[1]中的算法，發現其很容易因為在兩個地物相鄰部分局部差異太小而無法提取，雖然符合理論上的理想分割，但在實際效果中產生過度的合并。在這項研究中，我們對原有的算法進行了改良，提出了理想分割和實際分割的概念，在相鄰區域理論上需要合并時（理想分割），并不馬上進行合并，而是對區域合并進行“投票”，直到其中的一個區域需要理論上和其他區合并時，再根據投票結果決定是否先對這兩個區域進行合并(實際分割)。經過改良后，區域的綜合度和線性地物的可識別度大大提高，線性地物得到完整保留。

3.2光譜的統計和分類

通過以上工作，影像被分割成一個一個區域，但識別其地表覆蓋類型，還是要通過光譜特征來確定。一個區域作為整體來說光譜特征就是平均值、方差、協方差。對資三影像來說統計值包含：均值：(𝑀𝑟,𝑀𝑔,𝑀𝑏,𝑀𝑖)均方差：(𝜕𝑟,𝜕𝑔,𝜕𝑏,𝜕𝑖)協方差：(𝜕𝑔𝑟,∂br,∂bg𝜕𝑖𝑟,∂ig,𝜕𝑖𝑏)其中均值反映各個通道的平均反射率，而均方差一定程度反映了其內部的噪聲，而協方差反映的是各個通道的相關性。

3.3區域矢量化和幾何特性統計

光譜特性只能反映出地表覆蓋特性，在中高分辨率影像上要識別地物還需要根據形狀來判斷。首先要把區域轉換成多邊形，并對多邊形進行特征統計，包括：幾何面積、形狀寬度和扁率、邊界規則度。在光譜特性上是不一樣的。形狀扁率/寬度代表了地物在形狀上的“細長度”和寬度，但比較抽象難以定量。我們可以假想地物是長方形，通過這個假設來定量描述這兩個參數：假設長方形為𝑊×𝐻，W為寬度，H為高度：𝐴=𝑊×𝐻，𝑃⁄2=𝑊+𝐻,其中A為面積，P為周長。我們知道任何多邊形都可以計算出周長和面積，在已知周長和面積的情況下：𝐴=𝑊×(𝑃⁄2−𝑊)，𝑊×𝑊−𝑊×𝑃⁄2−𝐴=0。顯然這是一個一元二次方程，有固定的解，取其中符合𝑊<𝐻的解，可以得出W和H的值，這樣我們可以得到扁率。邊界規則度可以每個結點上的夾角的和0/90/180/270度這些規則角度的偏離度來得到一個中誤差。

3.4知識庫和判別

對地物光譜特性和幾何特性很難定量描述，特別是不同季節和不同地區的影像，其特性不一樣，這樣需要引入訓練機制，通過已知地物的特性來推斷未知地物類型。同樣由于地物在各種情況下特性的不可知性，我們采用類似頻譜分析的方法，知識庫中存儲各種地表覆蓋光譜指標和地物幾何特性指標在一維數軸上的概率。需要判別的地物特性和這些概率進行比較，以得出其中的某個指標是這類地物的概率，這些概率相乘，得出最可能的地物類型。這樣做的好處是，即使某一地物在其中某些參數上有完全不同的多個聚集度，仍然能得到較高的判別度，所以對分類的方法不是特別嚴格。對于一個特定的特征指標(如評價值、方差)采用高斯函數來確定匹配度，而對一個對象的指標分布(如上節提到的一個多邊形上頂點夾角分布)通過頻譜的相似度來判別。地物的各個指標判別值相乘，就可以獲得這個地物和知識庫中的地物類型的匹配度：𝑃𝑐=𝑃I0×𝑃𝐼1⋯×𝑃𝐼n，地物識別變成找到最大的匹配度的地物類型：𝑃𝑚=MAX(𝑃𝑐1,𝑃𝑐2,⋯)，當𝑃𝑚=𝑃𝑐時，可以確定𝑚=𝑐。

4地物提取效果

將軟件自動提取地物和人工繪制地物進行對比，得到了下面結果：道路提取正確率的平均值為63.22%；水系邊線提取正確率的平均值為79.01%；房屋邊線提取正確率的平均值為62.87%。5結束語就本研究所采用的資三數據來說，三個可見光波段相關性比較大，僅采用可見光波段分割效果不是太好，即使通過主成分分析也不會得到很好效果。而紅外波段和可見光波段相關性很小，特別是采用了NDVI增強并參與分割后，效果大大加強。對于城市地區來說，要有效地利用資三數據提取線性地物有較大難度。但有紅外輔助能得到與可見光相比較好的效果。由于時間原因，本研究沒有采用更多的影像進行試驗，進一步研究可以結合區域內部紋理（基于紋理基元與顏色的室外自然場景分類）提高地表和地物的辨識度。通過此項研究希望能大大推動中高分辨率遙感在資源調查和變化檢測上的應用，希望能成為以后中高分辨率遙感技術的一個方向。

作者:王亞平 馮偉 單位:陜西天潤科技股份有限公司