基于索貝爾算子的高分辨率遙感影像分割技術研究

接影響到后續分類的精度，所以，有必要對分割進行研究。本文提出了一種基于索貝爾算子的影像分割方法，并采用高分辨率的SPOT5影像進行實驗，實驗證明這種方法能有效提高影像分割的準確性。

關鍵詞:索貝爾算子 邊緣檢測 影像分割 面向對象

中圖分類號:P23文獻標識碼:A文章編號:1674-098X(2012)08(a)-0018-011 引言

如今，面向對象的思想已經被引入到高分辨率影像的分析技術中，這種方法是通過對影像進行分割從而生成同質的影像對象，然后分析影像對象的特征信息，最后運用模糊分類器實現分類。在對影像進行分割時，一般采用多尺度分割技術，在多尺度分割中，每個對象層都有其固定尺度值，多個對象層次可以體現出多種空間尺度的地物類別屬性，在不同尺度對象層上提取不同屬性的類別信息，由此解決了同一分辨率的影像數據識別所有空間屬性有所差異類型的問題。

盡管有了多個尺度的分割結果，但是某一類地物的提取仍然是在同一個尺度層上，這就使得如何確定某類地物的最佳分割尺度成為一個熱點問題。本文通過索貝爾算子實現了基于邊緣檢測的影像分割技術，并與其他軟件的分割結果進行對比，實驗證明，本文所提出的方法提高了地物分割結果的精度。

2 索貝爾邊緣檢測算法

索貝爾算子(Sobel operator)主要用作邊緣檢測，在技術上，它是一離散型差分算子，用來運算圖像亮度函數的灰度之近似值。在圖像的任何一點使用此算子，將會產生對應的灰度矢量或是其法矢量。

該算子包含兩組3*3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx和Gy分別代表經橫向及縱向邊緣檢測的圖像灰度值，其公式如下:

and

具體計算如下:

Gx=(-1)*f(x-1，y-1)+0*f(x，y-1)+1*f(x+1，y-1)+(-2)*f(x-1，y)+0*f(x，y)+2*f(x+1，y)+(-1)*f(x-1，y+1)+0*f(x，y+1)+1*f(x+1，y+1)=[f(x+1，y-1)+2*f(x+1，y)+f(x+1，y+1)]-[f(x-1，y-1)+2*f(x-1，y)+f(x-1，y+1)]

Gy=1*f(x-1，y-1)+2*f(x，y-1)+1*f(x+1，y-1)+0*f(x-1，y)+0*f(x，y)+0*f(x+1，y)+(-1)*f(x-1，y+1)+(-2)*f(x，y+1)+(-1)*f(x+1，y+1)=[f(x-1，y-1)+2*f(x，y-1)+f(x+1，y-1)]-[f(x-1，y+1)+2*f(x，y+1)+f(x+1，y+1)]

其中f(a，b)，表示圖像(a，b)點的灰度值。

圖像的每一個像素的橫向及縱向灰度值通過以下公式結合，來計算該點灰度的大小:

通常，為了提高效率，使用不開方的近似值:

如果梯度G大于某一閾值，則認為該點(x，y)為邊緣點。

索貝爾算子根據像素點上下、左右鄰近點灰度加權差，在邊緣處達到極值這一現象檢測邊緣。對噪聲具有平滑作用，提供較為精確的邊緣方向信息，當對精度要求不是很高時，是一種較好的邊緣檢測方法。

3 基于索貝爾算子的遙感影像分割方法

遙感影像分割的最終目的是得到同質的影像對象，而同質的影像對象又體現出聚類的特征，所以本文所述方法有如下兩個步驟:

首先，可以通過索貝爾算子得到某類地物的邊緣。

然后，對該類地物的灰度均值進行計算，如果相鄰地物的灰度均值表現為一致，則將它們合并，再次計算灰度均值，直至不一致為止；如果不一致，則該邊緣即可作為分割的邊界線。通過這種方法可以很好的實現遙感影像的分割，尤其是高分辨率的遙感影像，由于其地物細節清晰，所以效果更好。

4 基于索貝爾算子的分割方法實驗

4.1 數據源介紹及影像預處理

實驗選取內蒙古烏蘭浩特某區SPOT5影像為數據源，SPOT-5衛星于2002年5月4日發射，是法國SPOT衛星的第五顆衛星，星上載有2臺高分辨率幾何成像裝置(HRG)、1臺高分辨率立體成像裝置(HRS)、1臺寬視域植被探測儀(VGT)等，空間分辨率最高可達2.5m，前后模式實時獲得立體像對，運營性能有很大改善，在數據壓縮、存儲和傳輸等方面也均有顯著提高。

4.2 實驗過程

實驗環境:VS2008，實驗語言:C++。對比實驗環境:ENVI4.5。

實驗步驟:

(1)由于預處理之后的影像為TIFF格式，故在程序中添加了GDAL庫，進行影像的讀取、顯示和處理等。

(2)對影像的每個像元進行基于索貝爾算子的邊緣檢測，得到對象。

(3)對得到的對象進行灰度均值的計算。

(4)將相鄰對象的灰度均值進行比較，看是否一致。

(5)如果一致，則將相鄰對象合并，再進行灰度均值的計算。

(6)當相鄰對象的灰度均值不一致時，即把邊緣檢測的結果作為最終分割的邊界線，試驗區影像的分割結果如圖3-a所示。

(7)再將預處理的影像用ENVI4.5的四叉樹分割方法進行分割，得到分割結果。

(8)對二者的分割結果進行評價。

4.3 分割結果評價

在分割完成后，要對分割的結果進行評價。

首先，通過目視進行定性評價。對于基于索貝爾算子的分割方法而言，各類地物的整體分割效果較好，類別之間的分界線較清晰，有助于后續的分類工作。而傳統的四叉樹分割方法分割結果過于零碎，對于大面積地物效果較差，以至于后續分類的工作也變得繁瑣。

其次，通過矩陣進行定量評價。我們從分割結果中選取了若干分割后的地物，通過實地勘察，來對其邊界的正確性進行評價。當索貝爾算子的分割正確率達到了90.3%，而傳統的四叉樹方法僅為61.0%，明顯低于本文所述方法。

5 結語

對于目前廣泛使用的基于面向對象的分類方法而言，始終存在一個技術難題，也就是如何得到某類地物的最佳分割尺度。本文通過實驗得出了基于索貝爾算子的邊緣檢測方法進行高分辨率遙感影像的分割，分割正確率達到90%以上，效果較好，對于后續分類工作起到了相當大的幫助作用，今后在實際工作中，可以采用本文所述方法得到分割結果，再采用面向對象的方法進行信息提取和分類。

參考文獻

[1]翟涌光，王耀強.基于點特征的多源遙感影像高精度自動配準方法[J].遙感技術與應用，2010.

[2]翟涌光，王耀強.基于分辨率融合的多尺度遙感影像分類技術研究[J].測繪與空間地理信息，2010.