基于分数维的面向对象的图像分割.pdfVIP

第27卷第3期 水 电 能 源 科 学 V01．27No．3 2009年 6月 WaterResourcesandPower june．2009 文章编号：1000—7709(2009)03—0049—03 基于分数维的面向对象的图像分割 鲍海英 李 艳 (南京大学 国际地球系统科学研究所，江苏 南京 210093) 摘要：针对图像分割为图像处理与分析 中的关键步骤 ，提 出了一种基于分数维的面向对 象的图像分割方法， 用分数维特征量描述地物的纹理特征，利用地物的分数维值和光谱特征进行对象分割 ，在一定程度上降低 了 图像分割对光谱特征的依赖性 。试验结果证 明，该方法较准确，分割结果较连续，避免了按象元分割产生 的 散布式结果，适应于对几何信息和结构信息丰富的高分辨率图像进行后续分类。 关键词：分数维；面向对象；图像分割 ；盒子雏 ；纹理特征 中图分类号 ：TP391；TP751 文献标志码 ：A 重要特征和度量，可描述物体稳定特征量，将图像 1 概述 的空间信息与灰度信息简单而有机结合 ，因而在 图像处理与分析中备受关注。由于分数维可作为 图像分割为图像处理进人图像分析的关键步 一 种对尺度不敏感的图像粗糙度度量[6]，文献[7] 骤，也是一种基本计算机视觉技术，将原始图像转 又指出 自然纹理具有线性 LOG功率谱 ，因此可 化为更抽象更紧凑的形式 ，使更高层的分析和理 将分数维视为线性 LOG谱的一种近似估计。通 解成为可能。因此，多年来图像分割受到高度关 过计算纹理图像的分数维 ，抽取图像的纹理特征 ， 注并成为新的研究热点。目前 ，有许多图像分割 再根据特征将纹理图像划分不同区域，从而实现 方法，从分割操作策略可分为基于边缘检测 、基于 纹理的分割和分类。 区域生成法和区域生成与边缘检测混合法[1]。 图像分数维能反映图像的纹理特征，是图像 ~Canny算法虽是一种最优的线性边缘检测算 分割的重要依据 ，准确计算图像的分数维成为关 子 ，但用基于边缘检测法获取的轮廓线不能确保 键。纹理特征的分数维有 自相似维、Kolomogrov 封闭，需进行边缘跟踪处理 ，故边缘定位不精确； 容量维和盒子维[8]。本文选用盒子维表示纹理特 又如金字塔法中的区域一般需预先给定，但 由于 征，从而辅助图像分割 。 物体的轮廓线为任意形状 ，故基于固定区域形状 的方法分割速度较慢 。基于区域的分割 ，可满足 2 分维值的估计 分割条件和最大区域一致性条件，对噪声图像具 有一定的鲁棒性 ，常用的方法有区域归并 、区域 对 n维欧氏距离空间R ，设ACR ，用边长 分裂、分裂与归并区域增长法等 “]，但这些方法 为 r的小盒子紧邻地去覆盖A，用 N (A)为覆盖 分割后的图像由于参数设置的非最优性造成欠增 A所需的最少盒子数，则 长 (含有过多的区域)或过增长 (含有过少的域)。 N (r)一C／，J) (1) 在边缘检测或区域增长中可使用多种不同的特征 式中，C为常数；D称为集合A 的盒子维[g]。盒 如亮度、纹理、速度场等辅助进行图像分割。 子维示意图如图 1所示 。 1975年，Mandelbrot首次提出了分形及分数