高分辨率遙感影像分割方法綜述

傅剛

摘要：隨著遙感技術(shù)的發(fā)展，遙感影像的空間分辨率不斷提升，民用商業(yè)衛(wèi)星已達(dá)亞米級，這給傳統(tǒng)的圖像處理方法帶來了挑戰(zhàn)，于是提出了面向?qū)ο蟮姆治龇椒ǎ@種分析方法不再基于像元，而是基于由若干像元組成的對象，因此，面向?qū)ο蠓椒ǖ幕A(chǔ)，是要求準(zhǔn)確地獲取對象，而這一點(diǎn)依賴于影像分割技術(shù)。本文調(diào)研整理了目前主要的遙感影像分割方法，并針對高分辨率影像的特點(diǎn)，對這些方法的適用性進(jìn)行了分析說明，并指出了分割技術(shù)未來的發(fā)展方向。

關(guān)鍵詞：影像分割；面向?qū)ο螅桓呖臻g分辨率

1. 引言

高分辨率遙感影像包括高空間分辨率、高時(shí)間分辨率和高光譜分辨率。其中，高空間分辨率影像能夠?yàn)槲覀兲峁┴S富的地物形狀、紋理等信息，因此對于提升地物識別的精度有很大幫助，如今，多顆衛(wèi)星都可以有償提供空間分辨率高達(dá)米級和亞米級的遙感影像數(shù)據(jù)，本文的高分辨率遙感影像主要是指高空間分辨率的遙感影像。

近年來，面向?qū)ο蟮倪b感影像分析和處理方法得到廣泛應(yīng)用，這種方法與傳統(tǒng)的基于像元的分析方法不同，它是將若干像元按照一定的規(guī)則合并為“對象”，再對對象進(jìn)行分類的方法。顯然，如何合理地把像元合并為對象，是面向?qū)ο蠓椒ǔ蓴〉年P(guān)鍵。把像元合并為對象這一過程，在遙感中，稱為影像分割。影像分割是指將影像分割為若干對象區(qū)域，每個(gè)對象區(qū)域內(nèi)的像元之間具有較好的相似性，同時(shí)保證對象區(qū)域之間有較大的異質(zhì)性。這種相似性通常是指灰度、色彩、形狀和紋理等特征。在計(jì)算機(jī)視覺領(lǐng)域，已經(jīng)產(chǎn)生了很多種圖像分割算法，但是這些算法往往難以直接應(yīng)用到遙感影像上，這是因?yàn)檫b感影像的成像方式具有特殊性。對于高分辨率遙感影像而言，其空間分辨率高、紋理信息非常豐富，但是其光譜信息相對不足，再加上遙感影像的分析通常要從不同的尺度著手，因此如何更好地對高分辨率遙感影像進(jìn)行分割是亟待解決的問題。本文主要總結(jié)了適合高分辨率遙感影像的分割方法，并在此基礎(chǔ)上提出了未來的熱點(diǎn)和發(fā)展趨勢。

2. 高分辨率遙感影像分割方法

遙感影像的分割方法大體上可以分為兩類：自上而下型和自下而上型。自上而下型又稱為知識驅(qū)動(dòng)型，是根據(jù)知識規(guī)則和先驗(yàn)?zāi)Ｐ蛠碇苯又笇?dǎo)分割過程。自下而上型又稱為數(shù)據(jù)驅(qū)動(dòng)型，是根據(jù)影像數(shù)據(jù)自身的特征直接對影像進(jìn)行分割，通常所說的遙感影像分割多屬于這一類型。

然而，更多學(xué)者傾向于從分割原理入手對分割算法進(jìn)行分類。按照分割原理來分，可將遙感影像分割方法分為四類：一是傳統(tǒng)的基于像元的分割方法，包括閾值法、最近鄰法、聚類法等；二是基于邊緣檢測的分割方法，包括Canny算子，Sobel算子等；三是基于對象或區(qū)域的分割方法，包括像元合并等；四是基于物理模型的分割方法，這類方法由于原理復(fù)雜，通常較少采用。除此之外，在這些方法的基礎(chǔ)上，又衍生出一些新的數(shù)學(xué)方法，也獲得了廣泛的應(yīng)用。由于遙感影像通常是多波段的灰度圖像，因此灰度圖像分割方法擴(kuò)展到彩色空間即可應(yīng)用于遙感影像[1]。

2.1 基于像元的分割方法

閾值法是最簡單的圖像分割算法，一般單波段影像是由不同灰度級的像元所組成的，這一點(diǎn)可以從圖像的直方圖上明確看出，不同的灰度級都有對應(yīng)的像元數(shù)量，選擇合理的閾值就可以將圖像分割為若干對象區(qū)域[2]。這種方法原理簡單，不需要先驗(yàn)知識，設(shè)計(jì)容易且速度快，特別是當(dāng)影像上感興趣目標(biāo)所在區(qū)域的灰度值與周圍相差很大時(shí)，能有效地執(zhí)行分割。但是當(dāng)影像中像元間的灰度差異較小，或者灰度范圍重疊較大時(shí)，這種方法的結(jié)果往往不夠理想。根本原因，就是閾值法只考慮了像元灰度這一單一屬性，忽略了其他諸多信息，所以這種方法在對高分辨率遙感影像進(jìn)行分割時(shí)，難以擴(kuò)展到多波段彩色空間，因此較少被采用[3]。

2.2 基于邊緣檢測的分割方法

基于邊緣檢測的分割方法通常是尋找影像中灰度值突變的地方來確定局部區(qū)域的邊緣。這種突變可以通過對影像灰度變化求導(dǎo)來檢測到邊緣位置，例如一階導(dǎo)數(shù)的峰值點(diǎn)和二階導(dǎo)數(shù)的零點(diǎn)位置。常用的一階算子有Roberts， Prewitts， Sobel算子等，二階算子有Laplacian，Canny等。由于這些算子對噪聲異常敏感，因此在對圖像進(jìn)行邊緣檢測前要先進(jìn)行影像濾波，但實(shí)際上濾波會(huì)在一定程度上降低邊緣檢測的精度。邊緣檢測法的另一個(gè)難點(diǎn)是在于生成一個(gè)封閉邊界，特別是在邊界模糊或者邊界過多時(shí)，很難獲得一個(gè)理想的閉合邊界。

2.3 基于區(qū)域的分割方法

基于區(qū)域的分割方法主要是依據(jù)像素之間的相似性來形成局部區(qū)域，從而獲取分割結(jié)果。這類方法按照分割方向可分為兩類，一類是區(qū)域生長，另一類是區(qū)域分裂（與合并）。區(qū)域生長是從影像中選取若干像元作為種子，然后從這些種子出發(fā)，選取適當(dāng)?shù)南嗨菩远攘浚瑏韺ΨN子鄰域的像元進(jìn)行判斷，將相似的鄰域像元與對應(yīng)種子連接，如此重復(fù)，直到所有像元被歸并到相應(yīng)的種子區(qū)域中。而區(qū)域分裂是從整幅影像出發(fā)，將同質(zhì)性較差、異質(zhì)性較強(qiáng)的區(qū)域分裂開，形成子區(qū)域，然后繼續(xù)對子區(qū)域進(jìn)行區(qū)域分裂，如此重復(fù)，直至所有子區(qū)域都被視為滿足條件的同質(zhì)區(qū)域，則分裂停止，在分裂的基礎(chǔ)上，也可以結(jié)合區(qū)域合并共同應(yīng)用。基于區(qū)域的方法對噪聲不敏感，而且容易擴(kuò)展到多波段的遙感影像上，因此，這類方法在遙感中常常被采用。

該類方法隨著德國Definiens Imaging公司商業(yè)化遙感影像處理軟件易康（eCognition）的誕生，而引起了廣泛的關(guān)注。易康軟件中基于面向?qū)ο蟮乃枷胩岢隽艘环N分形網(wǎng)絡(luò)演化算法（FNEA），結(jié)合模糊分類的理論，通過多參數(shù)的調(diào)節(jié)來不斷的優(yōu)化多尺度分割的結(jié)果，是目前該類算法中效果最好的。

2.4 基于物理模型的分割方法

影像的物理模型是從影像的成像過程得來的，物理模型描述了影像數(shù)據(jù)與真實(shí)地表特征、大氣作用、光照條件及成像硬件設(shè)備等因素之間的關(guān)系。對于高分辨率影像而言，由于其豐富的地表細(xì)節(jié)信息，使得外界條件變化，包括太陽光照射、陰影等因素，對其成像過程產(chǎn)生較大影響，加之“同物異譜”和“異物同譜”現(xiàn)象的存在，使得獲取較好的影像分割結(jié)果變得異常困難。因此，通常的基于物理模型的方法，都要求滿足一定的約束和條件，因此在應(yīng)用中受到很大局限。但是，由于物理模型具有嚴(yán)格的解析意義，因此仍然是一個(gè)值得研究的方向。

2.5 其他方法

數(shù)字影像在實(shí)際處理中，往往被視作一幅影像矩陣，因此，可以結(jié)合矩陣論的思想來對基本分割方法進(jìn)行擴(kuò)展，以此提升分割結(jié)果的準(zhǔn)確性。

基于數(shù)學(xué)形態(tài)學(xué)運(yùn)算的分割方法已經(jīng)被廣泛應(yīng)用到遙感影像中，包括腐蝕運(yùn)算、膨脹運(yùn)算、開運(yùn)算和閉運(yùn)算等。但是這種方法顯然只能應(yīng)用于單波段圖像處理，因此往往要對多波段遙感影像獲取主成分，然后對包含所需信息最多的主成分進(jìn)行形態(tài)學(xué)運(yùn)算。形態(tài)學(xué)最著名的分割方法就是分水嶺算法[4]，其實(shí)質(zhì)就是一個(gè)對二值圖像進(jìn)行連續(xù)腐蝕的過程，速度快但是容易產(chǎn)生過分割現(xiàn)象[5]。

基于馬爾科夫隨機(jī)場的分割方法，從統(tǒng)計(jì)學(xué)角度對原始影像進(jìn)行重建，例如提取影像的紋理特征參數(shù)等[6]。

基于小波變換的分割方法，可以將數(shù)字信號轉(zhuǎn)換為頻率進(jìn)行運(yùn)算處理，可以較好地保持影像數(shù)據(jù)的結(jié)構(gòu)信息。

深度學(xué)習(xí)的方法近來也被應(yīng)用到影像分割中。深度學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)的方法，神經(jīng)網(wǎng)絡(luò)很早以前就被應(yīng)用到圖像處理和模式識別中。深度學(xué)習(xí)是將影像分割轉(zhuǎn)化為其他問題，例如分類和能量極化等。但是深度學(xué)習(xí)方法需要大量的訓(xùn)練樣本，而且訓(xùn)練時(shí)間較長，對于數(shù)據(jù)量較大的遙感影像，其效率會(huì)很低。

3. 結(jié)論與展望

遙感影像分割一直是遙感預(yù)處理過程中重要的一環(huán)，尤其是在進(jìn)行影像分類時(shí)，如何提高分割精度始終是個(gè)難點(diǎn)。本文在調(diào)研了國內(nèi)外諸多遙感影像分割方法的基礎(chǔ)上，對其進(jìn)行了歸納總結(jié)。事實(shí)上，對于高分辨率遙感影像而言，一個(gè)好的分割算法應(yīng)該具有如下特點(diǎn)：首先，依據(jù)不同的應(yīng)用目的，能夠獲得準(zhǔn)確的地物邊界；其次，在不同的尺度上，都能獲得相對一致的邊界；第三，能夠利用遙感影像的多維特征，例如空間、光譜、時(shí)間特征等；第四，算法效率較高，畢竟遙感影像的數(shù)據(jù)量較為龐大。

近年來，遙感技術(shù)的不斷發(fā)展，使得遙感影像的空間分辨率已經(jīng)進(jìn)入亞米級時(shí)代，很多傳統(tǒng)的分割方法已經(jīng)無法滿足高分辨率影像信息提取的要求。因此，遙感影像分割的未來發(fā)展方向應(yīng)集中于以下幾點(diǎn)：第一是在像元基礎(chǔ)上，形成多尺度以及多層次的對象或區(qū)域，利用多尺度和多層次來豐富可用的影像特征；第二是將不同數(shù)據(jù)源的分割結(jié)果利用數(shù)據(jù)融合方法有機(jī)統(tǒng)一起來，形成更準(zhǔn)確的分割結(jié)果體系；第三是將單波段的方法較好的擴(kuò)展到多波段的彩色空間，甚至到高光譜數(shù)據(jù)中。

參考文獻(xiàn)：

[1] V. Dey， Y. Zhang， and M. Zhong， A review on image segmentation techniques with remote sensing perspective： na， 2010.

[2] J. Jiang， Z. Zhang， and H. Wang， "A new segmentation algorithm to stock time series based on PIP approach，" in Wireless Communications， Networking and Mobile Computing， 2007. WiCom 2007. International Conference on， 2007， pp. 5609—5612.

[3] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers，" Systems， Man， and Cybernetics， Part B： Cybernetics， IEEE Transactions on， vol. 40， pp. 1267—1279， 2010.

[4] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using watershed transformation，" Pattern Recognition， vol. 43， pp. 2367—2379， 2010.

[5] M. Pesaresi and J. A. Benediktsson， "A new approach for the morphological segmentation of high—resolution satellite imagery，" IEEE transactions on Geoscience and Remote Sensing， vol. 39， pp. 309—320， 2001.

[6] J. Li， J. M. Bioucas—Dias， and A. Plaza， "Spectral–spatial hyperspectral image segmentation using subspace multinomial logistic regression and Markov random fields，" IEEE Transactions on Geoscience and Remote Sensing， vol. 50， pp. 809—823， 2012.