超像素结合最小生成树优化高分辨率遥感影像分割.docx

超像素结合最小生成树优化高分辨率遥感影像分割

摘要：图像分割是基于对象的图像分析的基础，许多研究者都在寻求最优的分割结果。初始图像过分割和最佳分割尺度是高空间分辨率遥感图像分割的两个重要因素。针对这两个问题，本文提出了一种结合超像素和最小生成树的图像分割新方法。首先，使用简单的线性迭代聚类算法对图像进行过分割以获得超像素。然后，使用动态约束凝聚聚类和分区(REDCAP)算法使用初始段数通过区域化对超像素进行聚类，并使用分段数对应的LV和ROC-LV指示图确定合适的图像分段数。最后，根据合适的图像分割数，采用REDCAP算法对超像素进行再聚类，得到图像分割结果。通过两组实验，将所提出的方法与其他两种分割算法进行了比较。实验结果表明，所提方法优于其他方法，获得了良好的图像分割效果。

关键词：聚类、高分辨率遥感图像、对象合并、最佳图像分割尺度、遥感图像分割、超像素

中图分类号：V244.12文献标识码：B

1引言

随着地球观测卫星技术的发展，高空间分辨率遥感影像(HSRI)已被应用于城市规划、农作物分类、灾害检测等领域。HSRI显示有关景观的更详细的空间和结构信息；甚至可以提取小型地面物体，例如小型建筑物和单棵树[1]-[5]。随着空间分辨率的细化，同质土地覆盖单元内的内部变异性增加。最近，基于对象的图像分析已成为HSRI应用的首选[6][7]。作为一个基本过程，HSRI分割对于此类图像分析至关重要[8]-[10]。图像分割是将图像划分为同质区域的过程[11]。一般来说，图像分割的目标是将图像分割成一定数量的具有连贯特征(颜色、纹理等)的块，并将有意义的块分组以便于感知[12]。

但是，可能会出现过度异质性的问题；同一类别的地物可能反映出过度不同的光谱特征[13]。这个问题使得使用传统的基于像素的图像分割算法无法获得良好的HSRI分割结果，例如mean-shift算法[14]-[16]、分水岭(WT)算法[17]和基于图的图像分割算法[18]。为了获得良好的HSRI分割结果，基于对象的图像分割(OBIS)已成为主要方法，并被证明是一种新的和不断发展的算法[19]。OBIS不是分析单个像素的光谱行为，而是使用传统的基于像素的图像分割算法将相邻像素分组为过分割对象。然后，利用过分割对象的特征(光谱、纹理、形状等)，按照相似性合并规则对过分割对象进行合并，得到HSRI分割结果。此外，OBIS对光谱变化不敏感，这有助于解决椒盐效应问题[20]-[22]。

迄今为止，遥感领域的不同学者已经提出了多种OBIS方法[23]、[24]。商业软件eCognition采用FractalNetEvolutionApproach(FNEA)进行分割。FNEA是一种基于局部标准的区域生长(RG)技术，从单像素图像对象开始，图像对象被一对一地合并以形成更大的对象。合并标准是图像对象的平均异质性按它们的像素大小加权，应将其最小化[25][26]。Chen等[27]使用基于标记的WT变换方法使HSRI获得过分割对象。在过分割对象的区域和边界的指导下，合并过分割对象以获得HSRI分割结果[27]。Yi等[13]提出使用基于边缘嵌入标记的WT分割算法推导HSRI的初始过分割结果。然后，在过分割结果中，实施基于Mumford-Shah分割模型的区域合并算法以获得多尺度分割结果[13]。Li等[11]提出了HSRI的多尺度统计区域合并(SRM)和最小异质性规则(MHR)分割方法。在该方法中，SRM用于初始精细分割，MHR用于区域合并[11]。Fu等[28]提出了一种基于改进的四叉树结构和区域邻接图的高分辨率遥感图像分割方法。图像首先被迭代地分成四分之一部分以获得图像过分割结果。为了获得最终的分割结果，作者利用光谱和纹理因子构造了一个特征向量，并提出了一种基于区域邻接图技术的区域合并算法[28]。在OBIS方法中，初始图像过分割和最佳分割尺度是决定HSRI分割结果的两个重要因素。

1.1初始图像过分割

迄今为止，遥感领域的学者仍采用传统的基于像素的图像分割算法对图像进行过分割，如WT算法、RG算法、基于图的图像分割算法等。然而，WT算法对图像噪声很敏感。RG算法不能很好地遵守图像边界。基于图的图像分割算法效率低下。因此，学者们无法高效、准确地获得初始图像过分割结果。

1.2最佳分割尺度

在合并过分割对象的过程中，选择最佳分割尺度是获得良好图像分割结果和提取有意义对象的最关键问题之一[29]。不同地面物体的规模最终取决于所考虑的目标。大多数现有的尺度选择方法都是由用户预定义的知识驱动的[13]。因此，确定不同类型地物的最佳尺度仍然是一项艰巨的任务。

本文的目的是解决初始图像过分割和最优分割尺度选择问题，以获得HSRI的最优分割。本文提出了一种将