三种多尺度遥感图像分割算法的分析比较概述.docVIP

三种多尺度遥感图像分割算法的分析比较概述 摘要 图像分割是数字图像处理领域中的重要内容,遥感图像分割是图像分割的一个重要应用方向HIS空间和颜色纯度的多尺度遥感图像分割算法、基于区域生长的多尺度遥感图像分割算法、基于分水岭算法的多尺度遥感图像分割算法。 关键字：图像分割,遥感,多尺度,算法 Abstract Image segmentation is a digital image processing in the field of important content, remote sensing image segmentation image segmentation is an important application direction. This paper gives a brief overview of the three remote sensing image segmentation algorithm, which is based on the HIS color space and multiscale segmentation of remote sensing image based on region growing algorithm, the method of image segmentation based on watershed algorithm, multi scale image segmentation of remote sensing image. Keyword: image segmentation, remote sensing, multiscale,algorithm 介绍： 遥感图像分割[1]，就是对遥感图像进行处理，并从中提取目标的过程。它是对遥感图像进行进一步处理和应用的基础。遥感图像通常表现为对比度低，区域特征因不同的拍摄条件而产生较大变化，不同区域之间的边界模糊，以及形状结构和细微结构分布复杂多样，图像信息容量大等等。由于遥感图像的这些特点，使得遥感图像分割没有可靠的模型进行指导，因而在一定程度上阻碍了图像分割技术在遥感领域的应用。虽然目前已经有大量的图像分割算法，一些研究者利用各种方法对遥感图像的自动化分割进行了积极的尝试，但是目前还没有算法能够对不同条件下获取的同一地区的遥感图像都产生满意的分割结果，更没有通用的算法能够对所有的遥感图像都产生满意的分割结果。 图像分割是计算机视觉研究中的一个极为重要的基本问题，是由图像处理到图像分析的关键步骤。分割结果的优劣直接影响到随后的图像分析、理解和景物恢复问题求解的正确与否。对图像的理解有很好的作用，其定义为按照选定的一致性准则将图像划分为互相不交叠的、连通的像元集的处理过程[2]。 1.基于区域生长： 仅仅利用光谱信息的传统分割方法已不能有效地对高分辨遥感图像进行分割。 鉴于高分辨率遥感图像提供了地物光谱、形状和纹理等大量信息，提出了一种基于区域生长结合多种特征的多尺度分割算法。 首先利用图像梯度信息选取种子点；其次综合高分辨率遥感图像地物的局部光谱信息和全局形状信息作为区域生长的准则进行区域生长。 迭代这两个过程，直到所有区域的平均面积大于设定的尺度面积参数则停止生长。 该算法用vc实现，实验结果表明该算法能获得不同尺度下的分割结果且分割效率高、分割效果好。 图像分析意在处理图像的语义。很多情况下，单一的像素并不能反映出理解图像的重要语义信息，而是通过有意义的图像对象以及他们之间的相互关系表现出来。 如今，航空雷达以及 卫星等高分辨率数据在遥感领域中发挥出越来越重要的作用。图像分割是图像分析的第一步，也是图像处理中最古老最困难的问题之一。 常用的图像分割技术大致可划分为六类[3]： （1）自顶向下分割，如直方图域值分割，或基于最大后验概率（MAP）的最优分类； （2）基于边缘检测的分割； （3）区域生长与合并； （4）自底向上的迭代像素聚类，如模糊C 均值方法（FCM），基于马尔柯夫随机场（MRF）的聚类，基于神经网络的聚类； （5）主动轮廓模型（ACM）方法； （6）全局优化方法，如基于能量函数，贝叶斯公式，或最小描述长度（MDL）的分类方法。 这些算法各有不同的缺点： （1）域值方法简单但是效果差； （2）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，且不能产生连续的封闭区域轮廓； （3）区域生长常得到不规则的边界； （4）迭代像素聚类计算量巨大； （5）ACM需要良好的初始分割； （6）全局优化方法难于找到最优解或次优解。 这些方法分割灰度图像效果较好，但用于彩色图像尤其是多光谱的遥感图像往往达不到理想的分割效果[4]。 通常处理彩色图像是通过颜色空间的转换，具体来说，