一种基于区域邻接图的高分辨率遥感影像分割算法.doc

一种基于区域邻接图的高分辨率遥感影像分割算法 谭玉敏1 槐建柱1 唐中实2 （1 北京航空航天大学 交通科学与工程学院，北京 100191） （2 清华大学 土木水利学院，北京 100084） 摘要：高分辨率遥感影像中含有丰富的色彩、纹理和形状信息，为了更准确地对影像进行分割以及后继分类，有必要在影像分割过程中充分考虑影像中地物的空间特征，本文提出了一种基于区域邻接图的遥感影像分割算法。每个区域由邻接图中一个顶点来表示，连接两个顶点的边的长度由距离函数计算得出，即两区域相互间异质性距离。如果邻接点的异质性距离小于各自内部异质性距离之和，就将该对邻接点（区域）合并。合并运算分为两个阶段，第一阶段运用颜色信息确定邻接点的异质性距离，第二阶段整合颜色与形状信息确定邻接点的异质性距离，每个阶段合并的判据相同，即邻接点的异质性距离小于两接点内部异质性距离之和，分割在破坏给定的终止条件前停止，该算法可显著提高遥感影像的分割效率和效果。 关键词：区域邻接图；高分辨率遥感；影像分割；算法 一、引言 图像分割是图像分析与处理的首要步骤，在图像处理中占有重要地位。图像分割的目的在于将图像中这些像素点分离或者合并，形成对人有意义的影像区域。图像的像素颜色信息是图像分割的基本信息，但是，影像还有一些非像素信息，比如纹理、几何特征等空间数据信息。以往提出的大多数算法未能整合光谱信息和空间数据信息，且很少用于遥感数字图像分类。为了使遥感影像分割的结果更加合理，许多人提出了将纹理、特征引入图像分割的算法（Roger Trias-Sanz等），但是，将几何特征引入分割过程，会耗用大量的内存和时间，在很多情况下，这样做是得不偿失的。本文提出了一种基于区域邻接图的面向对象的遥感图像分割模式，在图像分割起始阶段仅应用图像颜色信息，进行影像邻接图分割，从而在不影响影像分割质量的前提下，提高影像分割的效率。在下一阶段，综合颜色和形状信息进行邻接图分割。这种方法在实现时，采用邻接图分割算法，影像的每一个区域对应邻接图中的顶点，邻接图中的各个边对应相邻区域的距离，我们依次选取图中距离最小的边，如果长度小于限定值，就将它所连接的区域合并。下文中，我们先讨论这种算法的基本理论流程、区域合并方法，然后介绍这种算法的处理效果。 二、本文算法 1.1基于最小生成树的邻接图分割算法 邻接图分割算法的基本思路如下： 已知邻接图G=(V,E)，图中含顶点（区域）|V|=n个，含边|E|=m个，输出结果是V的一种分割方式，表示顶点（区域）。基本流程为： （1）计算所有的相邻区域的异质性距离，即邻接图中边的长度，并进行升序排序。这一步将E中的元素初始化为，表示第i条的初始化结果，用表示起始分割状态，此时每个仅包含一个像素点，以q为循环计数器，初始化为1。 （2）如果向（4）。否则，选择中边长最小的边，用和 (ij)表示所连接的两个顶点(区域)，也就是。如果的长度小于区域内部异质距离之和（下文中给出了对于不同情况具体的数学表达式），就将顶点合并到，得到以及新的分割状态，否则，走向（4）。 （3）将所有以为节点的边删除，，返回（2）。 （4）输出S。 因为每次循环都将至少删除一条边，所以这个算法循环次数不超过，n即初始顶点（像素）个数，实际循环次数为，π表示缓慢增长的逆Ackerman函数，每次循环中包括一次合并运算和边长更新。 1.2 区域距离度量方法 我们合并两个区域的判据是：当两个区域的异质性小于两个区域各自的异质性之和时，就将两个区域合并。用表示区域的异质性度量函数，用表示区域异质性度量函数，合并区域的判断函数就是。 我们定义区域的异质距离,其中： ——表示光谱色彩相对于形状信息的用户自定义权重，一般取0.5以上,因为颜色信息是不可或缺的重要组分。如果用户认为光谱信息很重要，可以将取得大些（如0.8），如果认为空间特征更重要，可以取小些。 ——表示区域的色彩异质性，定义为,其中m表示波段数，例如对于本文所用的彩色RGB图像为3，表示区域含有的像素点（样本点）个数，mg表示并（merge），表示第k波段的权重，通常都取1，表示第k波段区域的光谱值（即灰度值）标准差。 ——表示区域的形状异质性，,其中是区域紧凑度(compactness)的用户自定义权值，范围为(0～1)。表示区域的紧凑度，,其中表示区域的周长。表示区域的光滑度，，其中表示边界框最短可能边长。 自然地, 这样就完成了基本的函数定义，但是一个不容否认的事实是,要使判据（1）成立，我们必须引入一个用户定义的分割常量（分割尺度常数）。这样，我们就可以以此为指导进行区域合并了。 1.3本文分割算法流程描述 基于以上两节介绍，我们将本文所提算法规整如下图所示： 三、应用效果 该算法在WindowsXP系统下实现，系统配置