應用混合算法實現衛星圖像分割的分析

李林浩

（美國史蒂文斯理工大學）

0 引言

圖像分割就是指把圖像分成互不重疊的區域并提取出感興趣目標的技術。衛星遙感圖像越來越被廣泛的應用到人們的生活中的各個領域，因為它具有良好的時相性，信息量較大，且其分辨率也越來越高。所以通過圖像分割技術深入研究與發現衛星遙感圖像當中隱藏的信息意義重大。

1 混合算法實現衛星圖像分割

當前已經有很多種方法對各種圖像進行有效分割，根據不同的途徑和原理可以分為三種，即邊緣提取法、區域提取法和邊緣區域提取法。

近幾年各個學科出現了很多新的理論與方法，對于圖像分割技術也有人考慮到要結合部分新的理論與方法。而圖像分割技術到目前為止還沒有特定的屬于自己的理論，因此只要一出現新的計算工具和計算機技術，就會被試圖用于圖像分割，也正因如此出現了很多獨特的計算方法。

1.1 分水嶺圖像分割方法

傳統的分水嶺分隔方法主要包含排序和淹沒這兩個步驟。排序環節主要是計算出灰度級的頻率分布，接著將計算結果作為對灰度級排序的依據，再在灰度對應的存儲列中分配相應的像素；在淹沒環節，采用“先進先出”的方式對地理影響區域進行計算，使用相應計算方法使積水盆地膨脹，以達到最終目標。

圖1為改進混合分水嶺圖像分割應用，在2007年曾有專家針對該算法進行了一些改進，他們對下雨過程進行模擬實驗，用雨滴表示像素，對分水嶺變化進行計算。這個使分水嶺變化比較費時的環節和掃描原始圖像的次數大大減少了。這種算法對于中間計算結果的保存只用了一個簡單的輸出矩陣和四個簡易的隊列。

算法特點分析：通過模研究可知，對于各種各樣規模不同的數字圖像來說，與其他算法相比，這種算法可以節約約1/3的時間；基于對算法運行效率一致的保證，這種計算方法不僅在操作時間上，還有所占內存方面，都優于其它計算方法。

圖1 改進混合分水嶺圖像分割應用

1.2 基于模糊理論的圖像分割方法

在確定性方法的基礎下出現了大量的圖像分割方法，但是在處理圖像信息的環節還是有許多不確定的因素。所以就要思考在圖像分割時如何使用較模糊的理論對這種不確定性進行表述與評價。使用模糊理論分割圖像的步驟：用模糊的概念來呈現圖像以及與之相關的特征；接著用模糊技術進行處理，得到相應的模糊分割；最后反模糊化圖像獲得最終的分割。還有一種分割方法是在云模型的基礎下產生的。這種方法對于像素的類別屬性并沒有給出完全的界定，而是對于在類中心的像素比較確定，對于邊界區域的像素則不太確定，

算法特點分析：對于不同地區的像素確定性不同的問題可以有效得到解決，反應了像素的真實情況，該分割方法是對像素類別屬性不確定性的決定，這與人們對于很多事物認知的不確定性正好相符。

1.3 基于神經網絡的圖像分割方法

神經網絡圖像分割的理念是訓練神經網絡來對節點間的連接權值進行確定，接著通過訓練后的神經網絡來分割新的圖像數據。相比傳統的方法，神經網絡的潛力更大，它可以并行計算，硬件實現比較方便，很多專家非常關注該方法的理論與應用方面的研究，還在這種模型的基礎下給出了很多種相關分割方法。針對其相應類型，可供選擇的網絡很多，如BP神經網絡、自組織神經網絡、概率自適應神經網絡、振子神經網絡、脈沖耦合神經網絡、徑向基神經網絡等。

在2007年，有專家改進了傳統的PCNN，研究出了一種在原有基礎之上的自適應分割方法。這種算法會放出值數不一樣的脈沖，主要取決于像素和它附近區域的信息量，也就會自適應地把圖像分成很多高低級別不同的信息區域，這是對人類視覺系統特性的很好體現。

算法特點分析：該算法根據信息量對通過該方法進行的分割后的圖像進行壓縮，無論是在壓縮比還是對新圖像的視覺效果方面，都表現出了比較好的性能，這也說明了相比傳統的PCNN算法，該方法更加有效可行。

1.4 基于支持向量機的圖像分割方法

支持向量機方法是在統計學的VC維理論和結構風險最小化原理基礎上建立的，近幾年，它很多優于其他方法的性能得到了體現，相關專家開始注意和熱衷于基于支持向量機的圖像分割方法的研究。它被認為是淘汰其他傳統學習方法的一個很好的替代品，尤其對于小樣本以及高維非線性的情況。在使用支持向量機分割圖像時，因為是核函數來確定輸入向量映射在高維空間的分布情況，另外，根據懲罰因子對超平面與訓練樣本間的最大距離以及分類的最小誤差進行合理的確定，所以圖像分割的最終效果與核函數設計、懲罰因子有直接的關系。現在比較用的比較多的核函數包括線性核、多項式核和高斯徑向核。在2008年，多尺度SAR圖像分割方法誕生了，它是基于支持向量機方法建立的。它將多尺度技術、混合模型以及支持向量機整合在一起。第一步，使用多尺度自回歸模型將圖像中的多尺度特征呈現出來；接著輸入代表支持向量機的所得特征，同時訓練支持向量機；再將其運用到圖像分割中。這個模型使該圖像中多尺度排列方面的統計信息和支持向量機的分類性能得到充分的體現。

算法特點分析：該算法通過應用分析可以得出，SAR圖像分割法相對而言計算能力比較強。

2 結論與展望

“分水嶺”算法比較依賴于圖像的梯度，如果圖像梯度區別明顯，“分水嶺”能夠取得較準確的結果。基于模糊理論的算法則依賴于圖像的灰度差。基于神經網絡和支持向量機的算時間復雜度高，但是具有比較大的發展潛力。實際應用中，經常混合使用兩種或者多種算法來提高目標分割的準確度：例如可以先使用“分水嶺”算法來處理原始圖像，以得到一個灰度差明顯的目標圖像，然后再使用基于模糊理論的算法進行二次處理，以提高分割的準確度。

當前，圖像分割已成為圖像理解領域關注的一個熱點．未來的發展需要研究者借鑒數學、統計學、神經學、認知心理學、計算機科學等領域的成果及其綜合運用，不斷引入新的理論和方法。未來的研究方向是進一步研究視覺認知的原理，結合智能科學的最新理論，對圖像分割作更深一步的研究。

[1]關振紅,周則明,何春,張云.基于PDE的衛星姿態圖像分割[J].數據采集與處理,2009,S1：132-135.

[2]劉偉強,陳鴻,夏德深.基于馬爾可夫隨機場的遙感圖像分割和描述[J].東南大學學報,1999,S1：11-15.

[3]王娜,郭敏.模糊連接度在圖像分割中的應用研究[J].科學技術與工程,2008,16：4588-4592+4598.