影像分割的目标和地物提取技术研究范文

摘要：遥感技术和方法经过近几十年发展已经逐渐成熟，广泛用于资源，环境监测，地形测绘等领域。但就中高分辨率遥感数据地物提取和识别自动化来说，仍然是个难点。本文借鉴了计算机图形识别领域的目标识别技术，探讨提高目标识别和地物提取自动化的可行性、方法，并结合资源3号卫星做出了一些探索。

关键词：影像分割；知识库；地物提取

1引言

地面遥感是通过地表辐射来获得地表的光谱特性从而确定地表类型，传统分类技术正是基于这一点，用统计方法或机器推理(如神经元)来确定每一个像素的分类特征。在低分辨率的影像上，通过分类特征能确定大的地表覆盖单元，如区分水体和植被、识别大的地块类型以及其它宏观的特征和趋势。在中高分辨率的情况下，要求提取的地表特征更加细致，地表的特征更加复杂，各种地表特征掺杂在一起，如在植被中间中有裸地、道路被植被覆盖不完整等等。理想情况即使能够准确地判别每个像素的地表覆盖特征，还是难以完整地提取地物，特别是识别地物的边界。一般情况下，这些方法通过空间邻域上的Majority算法进行综合，试图解决其无法考虑像素与周边的关系的缺陷，但其效果仍然差强人意，难以进行目标的有效分割和判别。

2解决方案

随着计算机和人工智能技术的发展，计算机视觉(ComputerVision)成为一个相当活跃的领域，其中图像分割(ImageSegmentation)是计算机视觉的关键技术和挑战。根据格式塔(Gestalt)学派对人的心理活动研究(如Wertheimer，1938)，人的视觉感知很大程度依赖于对形状的组合能力，通过扫描和感知图像边界和纹理进行组合，以对目标进行提取和识别。在这种思路下MIT人工智能实验室提出了一种基于相邻像素的差异关系的高效能反映图像全局特性的图像分割算法。其特性是将分割的结果定义为在分块内部的相邻像素的差异要小于边界像素和别的分块的差异，同时分块内部没有一条联系的通路分割后满足第一条特性。

3实现步骤

3.1遥感影像上分割算法的采用

对比自然环境下的照片，遥感影像上的纹理要复杂得多。本研究中采用的是资三影像，包含三个可见光波段和一个红外波段。通过采用[1]中的算法，发现信息密度低，解像度好，能够得到比较好的效果，而有建成区的地区，分割结果非常细碎。为了得到更好的效果不得不提高容差，但是发现线性目标的可识别度降低了，出现了线性地物和地块融合到一起的现象。反观[1]中的算法，发现其很容易因为在两个地物相邻部分局部差异太小而无法提取，虽然符合理论上的理想分割，但在实际效果中产生过度的合并。在这项研究中，我们对原有的算法进行了改良，提出了理想分割和实际分割的概念，在相邻区域理论上需要合并时（理想分割），并不马上进行合并，而是对区域合并进行“投票”，直到其中的一个区域需要理论上和其他区合并时，再根据投票结果决定是否先对这两个区域进行合并(实际分割)。经过改良后，区域的综合度和线性地物的可识别度大大提高，线性地物得到完整保留。

3.2光谱的统计和分类

通过以上工作，影像被分割成一个一个区域，但识别其地表覆盖类型，还是要通过光谱特征来确定。一个区域作为整体来说光谱特征就是平均值、方差、协方差。对资三影像来说统计值包含：均值：(𝑀𝑟,𝑀𝑔,𝑀𝑏,𝑀𝑖)均方差：(𝜕𝑟,𝜕𝑔,𝜕𝑏,𝜕𝑖)协方差：(𝜕𝑔𝑟,∂br,∂bg𝜕𝑖𝑟,∂ig,𝜕𝑖𝑏)其中均值反映各个通道的平均反射率，而均方差一定程度反映了其内部的噪声，而协方差反映的是各个通道的相关性。

3.3区域矢量化和几何特性统计

光谱特性只能反映出地表覆盖特性，在中高分辨率影像上要识别地物还需要根据形状来判断。首先要把区域转换成多边形，并对多边形进行特征统计，包括：几何面积、形状宽度和扁率、边界规则度。在光谱特性上是不一样的。形状扁率/宽度代表了地物在形状上的“细长度”和宽度，但比较抽象难以定量。我们可以假想地物是长方形，通过这个假设来定量描述这两个参数：假设长方形为𝑊×𝐻，W为宽度，H为高度：𝐴=𝑊×𝐻，𝑃⁄2=𝑊+𝐻,其中A为面积，P为周长。我们知道任何多边形都可以计算出周长和面积，在已知周长和面积的情况下：𝐴=𝑊×(𝑃⁄2−𝑊)，𝑊×𝑊−𝑊×𝑃⁄2−𝐴=0。显然这是一个一元二次方程，有固定的解，取其中符合𝑊<𝐻的解，可以得出W和H的值，这样我们可以得到扁率。边界规则度可以每个结点上的夹角的和0/90/180/270度这些规则角度的偏离度来得到一个中误差。

3.4知识库和判别

对地物光谱特性和几何特性很难定量描述，特别是不同季节和不同地区的影像，其特性不一样，这样需要引入训练机制，通过已知地物的特性来推断未知地物类型。同样由于地物在各种情况下特性的不可知性，我们采用类似频谱分析的方法，知识库中存储各种地表覆盖光谱指标和地物几何特性指标在一维数轴上的概率。需要判别的地物特性和这些概率进行比较，以得出其中的某个指标是这类地物的概率，这些概率相乘，得出最可能的地物类型。这样做的好处是，即使某一地物在其中某些参数上有完全不同的多个聚集度，仍然能得到较高的判别度，所以对分类的方法不是特别严格。对于一个特定的特征指标(如评价值、方差)采用高斯函数来确定匹配度，而对一个对象的指标分布(如上节提到的一个多边形上顶点夹角分布)通过频谱的相似度来判别。地物的各个指标判别值相乘，就可以获得这个地物和知识库中的地物类型的匹配度：𝑃𝑐=𝑃I0×𝑃𝐼1⋯×𝑃𝐼n，地物识别变成找到最大的匹配度的地物类型：𝑃𝑚=MAX(𝑃𝑐1,𝑃𝑐2,⋯)，当𝑃𝑚=𝑃𝑐时，可以确定𝑚=𝑐。

4地物提取效果

将软件自动提取地物和人工绘制地物进行对比，得到了下面结果：道路提取正确率的平均值为63.22%；水系边线提取正确率的平均值为79.01%；房屋边线提取正确率的平均值为62.87%。5结束语就本研究所采用的资三数据来说，三个可见光波段相关性比较大，仅采用可见光波段分割效果不是太好，即使通过主成分分析也不会得到很好效果。而红外波段和可见光波段相关性很小，特别是采用了NDVI增强并参与分割后，效果大大加强。对于城市地区来说，要有效地利用资三数据提取线性地物有较大难度。但有红外辅助能得到与可见光相比较好的效果。由于时间原因，本研究没有采用更多的影像进行试验，进一步研究可以结合区域内部纹理（基于纹理基元与颜色的室外自然场景分类）提高地表和地物的辨识度。通过此项研究希望能大大推动中高分辨率遥感在资源调查和变化检测上的应用，希望能成为以后中高分辨率遥感技术的一个方向。

作者:王亚平 冯伟 单位:陕西天润科技股份有限公司