基于索貝爾算子的高分辨率遙感影像分割技術(shù)研究

接影響到后續(xù)分類的精度，所以，有必要對(duì)分割進(jìn)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(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)證明這種方法能有效提高影像分割的準(zhǔn)確性。

關(guān)鍵詞:索貝爾算子 邊緣檢測(cè) 影像分割 面向?qū)ο?/p>

中圖分類號(hào):P23文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1674-098X(2012)08(a)-0018-011 引言

如今，面向?qū)ο蟮乃枷胍呀?jīng)被引入到高分辨率影像的分析技術(shù)中，這種方法是通過對(duì)影像進(jìn)行分割從而生成同質(zhì)的影像對(duì)象，然后分析影像對(duì)象的特征信息，最后運(yùn)用模糊分類器實(shí)現(xiàn)分類。在對(duì)影像進(jìn)行分割時(shí)，一般采用多尺度分割技術(shù)，在多尺度分割中，每個(gè)對(duì)象層都有其固定尺度值，多個(gè)對(duì)象層次可以體現(xiàn)出多種空間尺度的地物類別屬性，在不同尺度對(duì)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(shù)據(jù)識(shí)別所有空間屬性有所差異類型的問題。

盡管有了多個(gè)尺度的分割結(jié)果，但是某一類地物的提取仍然是在同一個(gè)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(gè)熱點(diǎn)問題。本文通過索貝爾算子實(shí)現(xiàn)了基于邊緣檢測(cè)的影像分割技術(shù)，并與其他軟件的分割結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)證明，本文所提出的方法提高了地物分割結(jié)果的精度。

2 索貝爾邊緣檢測(cè)算法

索貝爾算子(Sobel operator)主要用作邊緣檢測(cè)，在技術(shù)上，它是一離散型差分算子，用來運(yùn)算圖像亮度函數(shù)的灰度之近似值。在圖像的任何一點(diǎn)使用此算子，將會(huì)產(chǎn)生對(duì)應(yīng)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(jīng)橫向及縱向邊緣檢測(cè)的圖像灰度值，其公式如下:

and

具體計(jì)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(diǎn)的灰度值。

圖像的每一個(gè)像素的橫向及縱向灰度值通過以下公式結(jié)合，來計(jì)算該點(diǎn)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(rèn)為該點(diǎn)(x，y)為邊緣點(diǎn)。

索貝爾算子根據(jù)像素點(diǎn)上下、左右鄰近點(diǎn)灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測(cè)邊緣。對(duì)噪聲具有平滑作用，提供較為精確的邊緣方向信息，當(dāng)對(duì)精度要求不是很高時(shí)，是一種較好的邊緣檢測(cè)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(zhì)的影像對(duì)象，而同質(zhì)的影像對(duì)象又體現(xiàn)出聚類的特征，所以本文所述方法有如下兩個(gè)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(duì)該類地物的灰度均值進(jìn)行計(jì)算，如果相鄰地物的灰度均值表現(xiàn)為一致，則將它們合并，再次計(jì)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(shí)現(xiàn)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(xì)節(jié)清晰，所以效果更好。

4 基于索貝爾算子的分割方法實(shí)驗(yàn)

4.1 數(shù)據(jù)源介紹及影像預(yù)處理

實(shí)驗(yàn)選取內(nèi)蒙古烏蘭浩特某區(qū)SPOT5影像為數(shù)據(jù)源，SPOT-5衛(wèi)星于2002年5月4日發(fā)射，是法國(guó)SPOT衛(wèi)星的第五顆衛(wèi)星，星上載有2臺(tái)高分辨率幾何成像裝置(HRG)、1臺(tái)高分辨率立體成像裝置(HRS)、1臺(tái)寬視域植被探測(cè)儀(VGT)等，空間分辨率最高可達(dá)2.5m，前后模式實(shí)時(shí)獲得立體像對(duì)，運(yùn)營(yíng)性能有很大改善，在數(shù)據(jù)壓縮、存儲(chǔ)和傳輸?shù)确矫嬉簿酗@著提高。

4.2 實(shí)驗(yàn)過程

實(shí)驗(yàn)環(huán)境:VS2008，實(shí)驗(yàn)語(yǔ)言:C++。對(duì)比實(shí)驗(yàn)環(huán)境:ENVI4.5。

實(shí)驗(yàn)步驟:

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

(2)對(duì)影像的每個(gè)像元進(jìn)行基于索貝爾算子的邊緣檢測(cè)，得到對(duì)象。

(3)對(duì)得到的對(duì)象進(jìn)行灰度均值的計(jì)算。

(4)將相鄰對(duì)象的灰度均值進(jìn)行比較，看是否一致。

(5)如果一致，則將相鄰對(duì)象合并，再進(jìn)行灰度均值的計(jì)算。

(6)當(dāng)相鄰對(duì)象的灰度均值不一致時(shí)，即把邊緣檢測(cè)的結(jié)果作為最終分割的邊界線，試驗(yàn)區(qū)影像的分割結(jié)果如圖3-a所示。

(7)再將預(yù)處理的影像用ENVI4.5的四叉樹分割方法進(jìn)行分割，得到分割結(jié)果。

(8)對(duì)二者的分割結(jié)果進(jìn)行評(píng)價(jià)。

4.3 分割結(jié)果評(píng)價(jià)

在分割完成后，要對(duì)分割的結(jié)果進(jìn)行評(píng)價(jià)。

首先，通過目視進(jìn)行定性評(píng)價(jià)。對(duì)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(xù)的分類工作。而傳統(tǒng)的四叉樹分割方法分割結(jié)果過于零碎，對(duì)于大面積地物效果較差，以至于后續(xù)分類的工作也變得繁瑣。

其次，通過矩陣進(jìn)行定量評(píng)價(jià)。我們從分割結(jié)果中選取了若干分割后的地物，通過實(shí)地勘察，來對(duì)其邊界的正確性進(jìn)行評(píng)價(jià)。當(dāng)索貝爾算子的分割正確率達(dá)到了90.3%，而傳統(tǒng)的四叉樹方法僅為61.0%，明顯低于本文所述方法。

5 結(jié)語(yǔ)

對(duì)于目前廣泛使用的基于面向?qū)ο蟮姆诸惙椒ǘ裕冀K存在一個(gè)技術(shù)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(shí)驗(yàn)得出了基于索貝爾算子的邊緣檢測(cè)方法進(jìn)行高分辨率遙感影像的分割，分割正確率達(dá)到90%以上，效果較好，對(duì)于后續(xù)分類工作起到了相當(dāng)大的幫助作用，今后在實(shí)際工作中，可以采用本文所述方法得到分割結(jié)果，再采用面向?qū)ο蟮姆椒ㄟM(jìn)行信息提取和分類。

參考文獻(xiàn)

[1]翟涌光，王耀強(qiáng).基于點(diǎn)特征的多源遙感影像高精度自動(dòng)配準(zhǔn)方法[J].遙感技術(shù)與應(yīng)用，2010.

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