面向对象的影像分析采用多尺度分割技术生成有意义的多边形对象
面向对象的影像分析采用多尺度分割技术生成有意义的多边形对象，以影像对象为信息提取的基本单元，运用模糊数学分类方法实现类别信息的自动提取。与传统的基于像元的影像处理方法相比较，面向对象的影像信息提取的基本处理单元是影像对象，而不是单个的像元。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提，分害d结果的好坏将直接影响模糊分类结果的精度，因此影像分割至关重要。本章主要分析和研究这种面向对象的多源影像多尺度分割技术，即影像对象的多尺度构建技术。面向对象的遥感影像分析的基本原理是根据像元的形状、颜色、纹理等特征，把具有
相同特征的象素组成一个影像对象，然后根据每一个对象的特征对这些影像对象进行分类。面向对象影像分析有两个独立的模块:对象生成与信息提取。对象生成是采用分割技术生
成属性信息不同的影像对象的过程，因此很多文献中称为影像分割，在图像处理领域中常称为图像分割或图象分割。影像分割是经过两个步骤完成的:首先对整个影像进行尺度空
间的构建，即根据所预设的尺度分割参数将影像中的像元划分为不同亮度值的区域，然后再根据其他的分割参数提取出不同的对象多边形。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提。影像分割及基于分割的要素提取、特征提取和参数测量等将原始影像转化为更抽象更
紧凑的形式，使得更高层次的影像分析和理解成为可能。影像分割的方法也就非常之多，下面介绍三类与遥感应用密切相关的影像分割方法:边缘检测方法、特征空间聚类法、区
域提取方法。2.2.2边缘检测方法
基于边缘检测的影像分割方法是先利用不同区域间像元灰度不连续的特点检测目标的边缘点，然后组成目标的边界实现分割。边缘检测可分为并行边缘检测和串行边缘检测，常用的方法有微分算子法和串行边缘检测算法。影像中相邻的不同区域间总存在边缘，边缘处像元的灰度不连续可通过求导数来检测到。如一阶微分算子有Roberts } 1'rewitt和Sobel 算子，二阶微分算子有Laplace和Kirsh算子等。在实际应用中各种微分算子常用小区域模板来表示，微分运算是利用模板与影像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的影像。Log算子和canny算子是具有平滑功能的二阶和一阶微分算子，边
缘检测效果好。串行边界查找法是先检测边缘再串行连接成闭合边界的方法，这种方法在很大程度上受到起始点影像[23]0
这种分割方法适合处理区域内部移植性高而且边界变化明显的情况，尤其适合对特定目标的提取。但是边缘检测只使用了局部信息，难以保证分割区域内部的颜色一致，且不容易产生连续的封闭区域轮廓[39] 2.2.3特征空间聚类法
基于特征空间聚类的影像分割方法是将影像空间中的像元用对应的特征空间目标点
表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原影像空间，得到分割结果。如果以像元的灰度值为特征，灰度直方图代表特征空间，用闽值将特征空间划分开，把得到的特征类映射回影像空间实现分割，这种算法也称之为闽值分割法[23]e 除像元灰度值外，其它的影像特征也可以用于聚类，常用的有K一均值聚类法、模糊K一均
值聚类法[24], ISODATA聚类法[zs]等。
特征空间聚类法比基于边缘检测的方法更抗噪声，但由于不能完全利用影像像元空间分布的信息，该方法也会导致产生影像空间不连通的分割区域，而且该方法在像元聚类迭代时运算复杂度较大[[23]e2.2.4区域提取方法
基于区域的影像分割方法有两种基本形式，一种是从单个像元出发，逐步合并以形成所需的分割结果，另外一种是从整景影像出发，逐渐分裂切割为满足条件的分割区域。当然实际应用中多数的算法是这两种思路的综合运用。区域生长和分裂合并法是两种典型的
区域特征分割方法。
区域生长法的基本思想是将具有相似性质的象素合起来构成区域，具体做法是选给定影像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域的基础上不断将其周围的象素点以一定的规则加入其中，达到最终将代表该物体的所有象素点结合成一个区域的目的。区域生长要解决的主要问题是区域生长准则的设计和算法的高效性。生长准则往往和具体问题有关，直接影响最后形成的区域，如果选取不当，就会造成过分割或欠分割现象。生长准则一般可分为三种:基于区域灰度差准则、基于区域内灰度分布统计性质
准则和基于区域形状准则。
区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是对种子点的选择有很大依赖，不同的种子点设置一般会有不同的分割结果，而且在区域之间过渡平缓的情况下会把不同类型的区域合并到一个区域。另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。
分裂合并法的基本思想是从整幅影像开始通过不断分裂合并得到各个区域。实际应用中常常先把图像分成任意大小且不重叠的区域，然后再合并或者分裂这些区域以满足分割的要求。最常用的是一种利用图像四叉树表达的简单分裂合并算法，数据结构如图2-2所示[23]
一般遥感传感器所获取的数据是多光谱与多尺度的，与其它领域的全色与单波段影像
数据相比要复杂得多，而且信息内涵丰富得多。同一地区的不同传感器所获取的遥感数据使得数据源更为丰富复杂。多源遥感数据作为GIS的重要数据源，需要从中提取其它附加属性数据如GIS专题矢量数据、高程数据等。遥感数据应用必须考虑不同尺度上目标多边形对象的同质属性如大小、形状与光谱等。上一节中介绍的几种影像分割方法均无法满足这一需求。
目前，影像分割己成遥感专题信息提取中不可或缺的技术，如何根据专题应用尺度将相邻的像元组成有意义的影像对象并融入对象的背景信息是影像分析成功的关键。考虑到多源遥感影像的复杂性，为获取最佳的影像对象，在进行影像分割之前，必需充分考虑以下儿个要求[13]:分割过程应该生成高度同质的分割区域，分割后的小区域具有最优的可分离性与代表性;几乎所有的影像对象属性如色调、纹理、形状等与邻域关联度或多或小与
尺度有一定的依赖关系，类似尺度的影像空间结构在特征上有可比性;由于影像分析问题
与给定尺度遥感数据的空间结构有关系，那么分割后影像对象的平均大小必须与感兴趣的尺度大小相适宜;分割过程应该具有普遍性，能适用于多种不同类型的数据与问题;分割
成果应该具有再生性等。
遥感影像是由空间结构上相互联结的像元组成的对象，反映了地表物体固有尺度。要理解影像对象如何在不同的尺度域之间相互作用，就需要一种技术既能自动生成遥感影像的影像对象，又能将这些影像对象按等级结构联接起来。这种技术就是多源影像的多尺度分割技术。2.3.1多尺度分割概念
多尺度分割在生成影像对象的过程中对高分辨率影像信息进行了抽象，把高分辨率像元的信息用分割后的影像与多边形属性进行存储，在影像细节信息损失最小的前提下将影像成功地分割成为有意义的影像多边形对象。只要影像对象在合适的尺度上是以合理的方式生成，这种无关紧要的细节信息舍弃能换来大量有用的对影像对象的特征描述。影像分析的不同主题都有其特定的空间尺度，每一个主题都需要分割所生成的影像对象有最恰当的尺度来描述与转递影像的最佳信息，因此在影像分析总是希望在适宜的尺度上进行。多尺度分割中采用不同的分割尺度值生成不同尺度影像对象层，使得具有固定分辨率的影像数据可由不同尺度的数据结构组成，从而构建了一个与地表实体相似的层次等级结构，实现了原始像元信息在不同空间尺度间的传递，以适应实际应用需要。不同分割尺度所得的影像对象层如图2-3所示。
多尺度分割的方法考虑了地表实体格局或过程的多层次，克服数据源的固定尺度，采用多尺度影像对象的层次网络结构揭示地表特征的等级关系。影像对象的层次网络中不同尺度对象的尺寸大小有差异，但大尺度对象与小尺度对象一样为原始像元的聚合，只是聚合阂值大小不一样，而呈现不同的像元组合特征。影像对象的层次网络允许影像信息在不同的尺度同时被表达，通过定义不同尺度对象之间的拓扑联系，更多的信息可以从影像数固定空间分辨率的遥感影像数据在多尺度分割前，表示为同一空间尺度的类别信息，
该尺度即为影像的空间分辨率，最小的影像对象就原始的像元，此时影像不包含有意义的上下文语义信息，要提取不同空间属性的类别是有难度的。当设定多个分割尺度进行影像分割后情况就不一样了，形成了由分割尺度参数所决定的影像对象层次体系，影像对象集合了像元的光谱信息、此像元与周围像元的关系信息等。一个对象层有一个固定尺度值，多个对象层则体现了多种空间尺度的地物类别属性，在不同尺度对象层提取不同属性的类别信息解决了识别影像数据中“同谱异物”地物的问题。多尺度分割的突出贡献是同一空间分辨率的遥感影像信息不再只由一种尺度来表示，而是在同一时相可由多种适宜的尺度来描述[13]0
当同一区域不同尺度的影像对象被连接时，网络就被分级，如图2-4所示。这样，每个影像对象知道它的邻居、子对象和父对象。这又产生一个不同尺度从属关系的描述。与分类和对象、类间的相互关系一起，这样一个网络可以看作一个空间语义网络。在区分那些光谱信息与形状信息都十分相似的影像对象时，同一尺度层内相邻对象的语义信息以及不同尺度层间影像对象的语义信息就显得非常重要。在利用多尺度影像分割技术构建影像对象的过程中，并非只有一种类型的遥感数据参
与分割，大量其他空间数据整合是完全可能的。在提取城区水泥路面与建筑物的分析中，如果能整合该城区范围内的LIDAR数据或其它高程数据参与分割，所生成的影像对象就能将高程属性不同的地物分开;另外，在提取农作物类别的分割中，如果能获取该区域的
耕地面积矢量数据，就可作为一个专题层参与影像的分割，所生成的影像对象在感兴趣的耕地范围内，其他的土地利用类别只作为一个大的背景，这种多源数据参与影像分割与分类的方法大大地增加影像信息提取的精度与效率[[34J0
图像处理实验-图像增强和图像分割
图像处理实验 图像增强和图像分割 一、实验目的： 掌握用空间滤波进行图像增强的基本方法，掌握图像分割的基本方法。 二、 实验要求： 1、测试图像1中同时含有均值为零的均匀分布噪声和椒盐噪声。用大小为5×5的算术均值滤波器和中值滤波器对图像进行处理，在不同窗口中显示原图像及各处理结果图像，并分析哪一种滤波器去噪效果好？ 2、对测试图像2进行图像分割，求出分割测试图像2的最佳阈值。分别显示原图、原图的直方图（标出阈值）、和分割后的二值图。 实验内容： 1. 实验原理 1) 图像增强：流程图： 图像增强可以通过滤波的方式来完成，即消除一部分的噪声。滤波又可以分为均值滤波和中值滤波。 1. 中值滤波原理：中值滤波就是选用一个含有奇数个像素的滑动窗口，将该窗口在图像上扫描，把其中所含像素点按灰度级的升（或降）序排列，取位于中间的灰度值来代替窗口中心点的灰度值。
对于一维序列{N f }： 21,},...,,...,{-=∈=+-m u N i f f f M e d y u i i u i i 对于二维序列{ij F }：为滤波窗口W y ij F Med W ij }{= 2. 均值滤波原理：对于含噪声的原始图像g(s,t)的每一个像素点去一个领 域N ，用N 中所包含的相速的灰度平均值，作为领域平均处理后的图像f(x,y)的像素值，即： ∑∈=xy S t s t s g mn y x f ),(),(1),(? 2) 图像分割： 图像分割：依据图像的灰度、颜色等特征，将一幅图像分为若干个互不重叠的、具有某种同质特征的区域。
本实验中我们是根据灰度值，将灰度值大于阈值T的像素统一置为255，小于的则置为0。如何求出最合适的分割阈值，则需要用到迭代算法。 迭代法算法步骤： (1) 初始化阈值T (一般为原图像所有像素平均值)。 (2) 用T分割图像成两个集合：G1 和G2，其中G1包含所有灰度值小于T的像素，G2包含所有灰度值大于T的像素。 (3) 计算G1中像素的平均值m1及G2中像素的平均值m2。 (4) 计算新的阈值：T ＝（m1＋m2）/2 。 (5）如果新阈值跟原阈值之间的差值小于一个预先设定的范围，停止循环，否则继续（2）－（4）步。 2.程序代码与分析： 1)图像增强： clear all;clc; %读入图像 I1=imread('Fig5.12(b).jpg'); %均值滤波模板 h1=ones(5,'uint8'); %获取分辨率 [a,b]=size(I1); %创建变量 I2=zeros(a+4,b+4,'uint8'); I3=zeros(a+4,b+4,'uint8'); %复制原始图像 for n=3:a+2 for m=3:b+2 I2(n,m)=I1(n-2,m-2); I3(n,m)=I1(n-2,m-2); end end
影像信息提取之——面向对象特征提取
同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本专题以ENVI中的面向对象的特征提取FX工具为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ●面向对象分类技术概述 ● ENVI FX简介 ● ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：对象构建和对象的分类。 影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于规则（知识）分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等对象属性信息。基于规则（知识）分类也是根据影像对象的属性和阈值来设定规则进行分类。 表1为三大类分类方法的一个大概的对比。
10-面向对象图像特征提取
第十章面向对象图像特征提取 10.1 面向对象图像分类技术 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息对图像分割和分类，以高精度的分类结果或者矢量输出。它主要分成两个过程：图像对象构建和对象的分类。 FX的操作可分为两个部分：发现对象(Find Object)和特征提取（Extract Features）
10.2 发现对象 10.2.1 准备工作 根据数据源和特征提取类型等情况，可以有选择地对数据进行一些预处理工作。 （1）空间分辨率的调整 如果您的数据空间分辨率非常高、覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等），可以降低分辨率，提供精度和运算速度。可利用ENVI主菜单->Basic Tools->Resize Data工具实现。 （2）光谱分辨率的调整 如果您处理的是高光谱数据，可以将不用的波段除去。可利用ENVI主菜单->Basic Tool->layer stacking工具实现。 （3）多源数据组合 （4）空间滤波 10.2.2发现对象 第一步启动FX模块 （1）在ENVI EX中，选择File-Open,打开图像文件qb_colorado.img，如图10.1。 （2）在ENVI EX中，双击Toolbox中的Feature Extraction。选择输入文件（图10.2），单击Select Additional Files前的三角形符号，有三种数据可输入： Basic Image:必选项 辅助数据（Ancillary Data）:可选项 掩膜文件（Mask File）:可选项 （3）单击OK按钮，进入下一步操作。
数字图像处理实验 图像分割
实验报告 实验名称实验四图像分割 课程名称数字图像处理A 姓名成绩 班级学号 日期地点 1.实验目的 （1）了解并掌握图像分割的基本原理； （2）编写程序使用Hough变换处理图像，进行线检测；
（3）编写程序使用阈值处理方法进行图像分割，根据实验结果分析效果； （4）总结实验过程（实验报告，左侧装订）：方案、编程、调试、结果、分析、结论。 2.实验环境（软件条件） Windws2000/XP MATLAB 7.0 3.实验方法 对256级灰度的数字图像camera.bmp（如图4.1所示）和car.bmp（如图4.2所示）进行如下处理： （1）对图像camera.bmp进行Hough变换进行线检测，显示处理前、后图像： 思考如何利用Hough变换进行圆检测； （2）对图像car.bmp分别利用不同的阈值处理方法进行图像中汽车及车牌的分割，显示处理前、后图像；思考不同的阈值处理算法对分割效果的影响？ 4.实验分析 实验原理 Hough变换是最常用的直线提取方法，它的基本思想是：将直线上每一个数据点变换为参数平面中的一条直线或曲线，利用共线的数据点对应的参数曲线相交于参数空间中一点的关系，使直线的提取问题转化为计数问题。Hough变换提取直线的主要优点是受直线中的间隙和噪声影响较小。 思考： Hough变换对圆的检测： Hough变换的基本原理在于，利用点与线的对偶性，将图像空间的线条变为参数空间的聚集点，从而检测给定图像是否存在给定性质的曲线。 圆的方程为：222 ()() x a y b r -+-=，通过Hough变换，将图像空间(,) x y对应到参数空间(,,) a b r。 第一题结果图 图4.1 实验图像camera.bmp 图4.2 实验图像car.bmp
面向对象分类之图像分割
传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为0 到1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。 对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要 明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。 面向对象的处理方法中最重要的一部分是图像分割。 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割(Image Segmentation)，早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。 目前,有许多的图像分割方法,从分割操作策略上讲,可以分为基于区域生成的分割方法,基于边界检测的分割方法和区域生成与边界检测的混合方法.图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
面向对象影像分析简要介绍--以eCognition为例
面向对象影像分析简要介绍 ——以eCognition软件为例 前言 遥感影像的光谱，空间，时间分辨率不断提高，为开展各类遥感应用提供各种数据。但在遥感数据获取能力增强的同时，也使得丰富的影像数据得不到充分利用和挖掘，从而出现“数据丰富，信息贫乏”的困境。如何快速自动准确地从遥感影像中提取出能满足某种应用的专题信息，是我们亟待要解决的问题。 随着面向对象思想的风行以及面向对象影像分析技术的不断成熟，使得我们从高分影像中提取专题信息变得更加便捷。尤其是一些商业的面向对象影像分析软件的出现，如eCognition，Feature Analysis。eCognition软件的口号就是“Exploring the soul of imagery(发掘影像最大潜能)”。本论文旨在从eCognition软件了解面向对象影像分析的相关思想和技术。希望通过探究eCognition软件背后的思想以及技术原理，如面向对象，多尺度分割，模糊分类等，为高分辨率遥感影像的特征描述以及建模带来一些启发。 1.面向对象 面向对象的思想是针对具体应用，将问题处理对象（逻辑概念上或物理概念上）划分为合适粒度（即对象）来进行处理，并封装其相应的属性以及行为，同时为了更好的复用以及扩展，维护更新，使其具有继承，多态，聚合等特性。 1.1对象 对象是指状态和行为的集合体，在物理实现上表现为数据和操作的集合，逻辑上表现为有职能的实体。它是用来描述现实世界中的物理概念或逻辑概念上的物体。比如人就是一个对象，它有性别，年龄，姓名等属性，人有吃饭睡觉等行为。武汉大学也是一个对象，它有名称，学院机构，学校历史等属性，也有教学科研等行为。不同的是人是物理概念上的对象，武汉大学是逻辑概念上的对象。 1.2抽象性，封装性，继承性 抽象是抽取出我们所感兴趣的部分，用这些少量特征来描述一个事物。封装性是对事物的数据和操作进行封装，即对其状态和行为进行封装。继承特性是对事物属性和行为的继承。
数字图像处理实验报告——图像分割实验
实验报告 课程名称数字图像处理导论 专业班级 _______________ 姓名 _______________ 学号 _______________ 电气与信息学院 和谐勤奋创新
实验题目图像分割实验 实验室 DSP室&信号室实验时间 实验类别设计同组人数 2 成绩指导教师签字： 一．实验目的 1.理解图像分割的基本概念； 2.理解图像边缘提取的基本概念； 3.掌握进行边缘提取的基本方法； 4.掌握用阈值法进行图像分割的基本方法。 二．实验容 1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处； 2.设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 3.任选一种阈值法进行图像分割. 图1 图2 三．实验具体实现 1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处； I=imread('mri.tif'); imshow(I) BW1=edge(I,'roberts'); figure ,imshow(BW1),title('用Roberts算子') BW2=edge(I,'sobel'); figure,imshow(BW2),title('用Sobel算子 ') BW3=edge(I,'log'); figure,imshow(BW3),title('用拉普拉斯高斯算子')
比较提取边缘的效果可以看出，sober算子是一种微分算子，对边缘的定位较精确，但是会漏去一些边缘细节。而Laplacian-Gaussian算子是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。通过比较可以看出Laplacian-Gaussian算子比sober算子边缘更完整，效果更好。 2.设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 i=imread('m83.tif'); subplot(1,2,1); imhist(i);
遥感专题讲座——影像信息提取(四、面向对象特征提取)
面向对象的影像分类技术 “同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。 表1为三大类分类方法的一个大概的对比。 类型基本原理影像的最小单元适用数据源缺陷 传统基于光谱的分类方 法地物的光谱信息 特征 单个的影像像元 中低分辨率多光谱 和高光谱影像 丰富的空间信息利 用率几乎为零 基于专家知识决策树根据光谱特征、空 间关系和其他上 下文关系归类像 元 单个的影像像元多源数据知识获取比较复杂 面向对象的分类方法几何信息、结构信 息以及光谱信息 一个个影像对象 中高分辨率多光谱 和全色影像 速度比较慢
面向对象影像分类(样本模式)
面向对象影像分类（基于样本） 1、进行尺度为100的影像分割。 2、在Class Hierarchy中点右键，选择Insert class，依次建立四个类：房屋、道路、湖泊、草地。 3、编辑特征空间：选择菜单“Classification -> Nearest Neighbor -> Edit Standard NN Feature Space”，双击左边的特征列表中的特征，选择以下一些特征，如下图：
4、应用分类规则：选择菜单“Classification -> Nearest Neighbor -> Apply Standard NN to Classes”把它插入到类描述中，选择左边框中的类，单击，即可将该类加入到右边的框中，如下图： 点击OK后，在Class Hierarchy中双击一个类，如草地，可以看出分类特征已经添加到
该类中，如下图： 5、选择样本：选择菜单View -> toolbar -> sample，打开样本导航器，如下图： 选择按钮，打开样本编辑器，如下图：
6、选择类的样本：从样本编辑器中的Active Class中选择需要选择样本的类，如草地，在分割图上点击样例对象,当你单击一个类时，它的特征值在每个列出的特征被以高亮度的红色指示显示，这样可以使您对比不同对象它们的相关特征值，如下图：
该类的样本，选择后样本编辑器会成为如下的状态： 依次为所有的类选择足够的样本。 7、执行分类：在Process Tree中选择Append New，Algorithm中选择Basic Classification -> Classification，在Algorithm Parameters的Active Classes中选择“草地、道路、房屋、湖泊”， 设置如下图：
基于eCognition的面向对象遥感影像分割、分类及精度评价
基于eCognition 的面向对象遥感影像分割、 分类及精度评价流程 一、分割 1.1 创建工程 创建一个新的ecognition 工程，加载遥感影像，如果有专题层，加载专题层。 1.2 多尺度分割 第一次分割时基于象元的分割，后面的分割都是基于上一层的基于对象的分割，有专题层的使用专题层限制分割成形的对象。 图1.2-1 多尺度分割第一次分割基于像元 T a n g S h i m i n g 2012.11.20 资源与环境工程学院 汤世明
m i h S g n a T 图1.2-2 之后的分割都是基于上一层影像对象层多次分割之后可以得到一个尺度列表： 图1.2-3 多尺度分割图层列表 二、分类 2.1 创建分类体系 创建需要从影像中提取的各个类别。
m i h S g n a T 图2.1-1 创建类别 类描述可以先空着，由后面优化算法自动计算。 2.2 选择分类尺度图层 选择适合某一地类的分割尺度图层。比如本例中在400尺度下分水体、非水体。
m i h S g n a T 图2.2-1 选择适宜尺度图层 2.3 选择样本 按一定要求选择样本。利用工具Sample Editor和Select Samples。
m i h S g n a T 图2.3-1 选择样本工具 2.4 优化特征属性集 选择要参与分类的属性，并通过属性优化器进行筛选，得出最佳的属性组合，将其应用于各个类。 图2.4-1 选择特征属性优化 并将优化结果应用于最邻近分类和类描述。
2.5 分类 执行分类算法。 图2.5-1 分类算法参数设置 2.6 优化分类 反复选样本、优化特征属性、修改参数、利用空间关系等优化分类。 三、精度评价 3.1 精度评价 重新随机选择一部分样本，计算混淆矩阵。 T a n g S h i m i n g
面向对象图像分类
【ENVI入门系列】24. 面向对象图像分类 目录 1.概述 2.基于规则的面向对象信息提取 第一步：准备工作 第二步：发现对象 第三步：根据规则进行特征提取 3.基于样本的面向对象的分类 第一步：选择数据 第二步：分割对象 第三步：基于样本的图像分类 4.基于规则的单波段影像提取河流信息 1.概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如下图所示。
图1.1 FX操作流程示意图（*项为可选操作步骤） 这个工具分为三种独立的流程化工具：基于规则、基于样本、图像分割。 本课程分别学习基于规则的面向对象分类和基于样本的面向对象分类，以及基于规则的方法从单波段灰度影像中提取河流信息。 注：本课程需要面向对象空间特征提取模块(ENVI Feature Extraction-FX)使用许可。
2.基于规则的面向对象信息提取 该工具位置在：Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow。 数据位置："24-面向对象图像分类\1-基于规则"。 第一步：准备工作 根据数据源和特征提取类型等情况，可以有选择地对数据做一些预处理工作。 ?空间分辨率的调整 如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。可以降低分辨率，提供精度和运算速度。可利用Toolbox/Raster Management/Resize Data工具实现。 ?光谱分辨率的调整 如果您处理的是高光谱数据，可以将不用的波段除去。可利用Toolbox/Raster Management/Layer Stacking工具实现。 ?多源数据组合 当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。可利用Toolbox/Raster Management/Layer Stacking工具实现。
监督分类和面向对象分类流程
监督分类和面向对象分类流程 高分一号城市绿地现状调查与分析实现教程将介绍基于高分一号影像数据的城市绿地信息提取的实现步骤，下图是主要的操作流程图一首先对高分影像进行预处理，其次使用监督分类法和面向对象分类法对城市绿地进行分类，然后对分类出来的影像进行矢量化处理，最后另其在arcGIS中进行统计分析，得出武汉市城市绿地的现状，下面是具体步骤。第一章数据预处理因为处理数据是高分一号影像，处理软件为，因为以下版本不能对高分一号直接进行处理，所以需要安装r6补丁，将下面两个文件直接粘贴到软件所在位置，然后就可以打开高分影像了图二图三为了加快数据处理的速度，是选择先进行辐射定标然后将图像裁剪在进行后续的操作，预处理流程如下图：
图四辐射校正分为辐射定标和大气校正打开数据：ENVI-Open As-CRESDA-GF-1,选择处理的影像，打开XML后缀文件；辐射定标：选择Toolbox->Radiometric Correction-> Radiometric Calibration，选择待处理的高分数据弹出Radiometric Calibration对话框，进行如图设置。对于多光谱影像，点击Apply FLAASH Setting 设置成默认值；如果是对全色影像进行辐射定标，那么Calibration则是Reflectance,Out Put Type 为UInt,Scale Factor为1000，如下图：高分一号多光谱影像参数设置高分一号全色影像参数设置大气校正：选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction，弹出FLAASH Atmospheric Correction Model Input Parameters对话框。要注意，全色影像不做大气校正，多光谱影像则需要做大气校正处理。
遥感的面向对象分类法
遥感的面向对象分类法 传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。面向对象的处理方法中最重要的一部分是图像分割。 随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。这对遥感影像分类方法提出了挑战。已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。本文针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。主要研究内容与结论包括: 1)模糊遥感影像分割算法研究 针对当前影像分割算法应用于模糊影像时产生过渡区对象的问题，设计了过渡区对象识别方法。对简单地物模糊影像和复杂地物模糊影像进行实验发现:提出的算法能够有效识别过渡区对象。 2)代表地物最佳分割尺度研究 针对多参考对象情况下的地物最佳分割尺度选择问题，设计了基于对象内部同质性加权
一种多尺度无监督遥感图像分割方法
一种多尺度无监督遥感图像分割方法 郭小卫,官小平 (北京东方泰坦科技有限公司,北京100083) 摘要:提出了一种多尺度无监督遥感图像分割方法。通过对多尺度图像数据在每个尺度上进行G auss 子集聚类,并将每个像素的邻域内的G auss 子集类别标记作为特征向量,利用Markov 四叉树模型进行二次聚类,从而实现无监督图像分割。与其他基于多尺度Markov 模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。合成图像与SAR 图像的实验结果表明,该方法的分割精度接近于有监督的H 2MPM 和H 2SMAP 方法。 关键词:多尺度;四叉树;MPM (maximum posterior marginals );EM (expectation maximization )算法;无监督分割中图分类号:P237.3 文献标识码:A 文章编号:1000-3177(2006)88-0020-03 收稿日期:2006-04-06 作者简介:郭小卫,男(1971)～,博士,主要从事图像处理、模式识别和多尺度统计建模等方面的研究。 1 引 言 基于多尺度Markov 模型的图像分割方法[1～4],是近年来基于统计模型的图像分割方法的研究热点。多尺度 Markov 模型分割算法通常采用Bayes 估计。Bayes 估计的前 提条件是每类的概率密度已知。在无监督图像分割问题中,由于训练样本的类别未知,为估计每类的概率密度,需要假定每类的分布形式已知(通常假定每类服从G auss 分布或其他简单分布),从而,利用一些如EM (expectation 2maximiza 2 tion )、SEM (stochastic expectation 2maximization )或ICE (iter 2ative conditional estimation )等混合密度的估计方法,就可以 得到每类的分布参数。但在很多情况下,各类的分布可能无法用某种简单的分布形式来表示,甚至无法用参数化的方法来表示,因而也就不能应用这类方法来估计每类的概率密度。一种替代方法是将图像数据离散化,并应用EM 等算法来估计离散形式的混合分布。但直接对图像数据离散化一方面会造成分布参数过多,并带来计算量增加、EM 算法初始化困难等问题;另一方面,由于缺少足够的约束条件,导致离散形式混合密度的估计结果有很大的不确定性,典型的例子是在各类分布的交叠区,分布参数的估计严重甚至完全依赖于初值的选取。 针对此问题,本文提出一种基于Markov 四叉树模型的无监督图像分割方法。该方法通过对多尺度图像数据在每一尺度上进行G auss 子集聚类,并将聚类的结果(G auss 子集类标记)作为多尺度特征数据,进而应用Markov 四叉树模型和MPM (maximum posterior marginals )估计进行二次聚类,实现无监督图像分割。该方法无需假定每类的分布形式已知;与离散形式的多尺度Markov 模型方法相比,离散值的数目(G auss 子集数)通常很小,使得EM 算法的初值选择比较容易,并减小了参数估计的不确定性。 2 Markov 四叉树模型 本文采用的Markov 四叉树模型,其结构如图1所示。记树上的节点集为S ,根节点为r ,黑节点(隐节点)代表像素的未知类别,白节点(观测节点)代表像素值或像素的某种特征数据,在特定假设条件下[1,3],所有隐节点的集合与观测节点的集合构成一(隐)马尔可夫树。将该模型应用于图像分割,实际上就是根据观测值估计隐节点状态的问题。解决该问题的方法通常有两种,MAP 估计和MPM 估计,本文采用MPM 估计,其具体算法见文献[3] 。 图1 Markov 四叉树模型 要将上述模型应用于图像分割,需要首先估计模型参数。记πm =p (X r =m ),并对Πs ∈S (n ) ,记a m ,k ,n =p (X s =m |X s +=k ),f m ,n (l )=p (Y s =l |X s =m ),Markov 四叉 树模型参数可记为θ=(πm ,(a m ,k ,n )k =1…M ,n =0…N ,(f m ,n (l )) l ∈R ,n =0…N )m =1…M 。若假定转移概率和条件分布仅与尺 度有关,与具体节点无关,并进一步假定每类数据服从G auss 分布,此时,模型参数简化为θ=( πm ,(a m ,k ,n )k =1…M ,n =0…N ,(μm ,n ) n =0,…,N ,(∑m ,n )n =0,…,N )m =1…M 。利用EM 算法,可 得到θ的估计[7]。 3 基于Markov 四叉树模型的无监督分割 上述多尺度Markov 模型的无监督图像分割方法需要假定每类数据服从G auss 等简单分布形式,这种假定在很多情
数字图像处理实验报告——图像分割实验
实验报告 课程名称数字图像处理导论专业班级 ____________________ 姓名 _______________________ 学号 _______________________ 电气与信息学院 和谐勤奋求是创新
实验题目图像分割实验 实验室DSP室&信号室实验时间 实验类别设计同组人数 2 成绩指导教师签字： .实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法； 4. 掌握用阈值法进行图像分割的基本方法。 .实验内容 1. 分别用RobertS,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之处； 2. 设计一个检测图1中边缘的程序，要求结果类似图2 ,并附原理说明。 3. 任选一种阈值法进行图像分割. 三.实验具体实现 1. 分别用RObertS,Sobel 处； 和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之l=imread('mri.tif); imshow(l) BW1=edge(I,'roberts'); figure ,imshow(BW1),title(' BW2=edge(l,'sobel'); figure,imshow(BW2),title(' BW3=edge(l,'log'); figure,imshow(BW3),title(' 用RObertS算子') 用Sobel算子') 用拉普拉斯高斯算子') 图1
比较提取边缘的效果可以看出， sober 算子是一种微分算子，对边缘的定位较精确，但是会漏 去一些边缘细节。而 LaPIaCia n-GaUSSia n 算子是一种二阶边缘检测方法，它通过寻找图象灰度值中 二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。通过比较可以看出 LaPIaCian-Gaussian 算子比sober 算子边缘更完整，效果更好。 2. 设计一个检测图1中边缘的程序，要求结果类似图 2 , 并附原理说明。 i=imread('m83.tif); SUbPlot(1,2,1); imhist(i); title(' 原始图像直方图'); thread=130∕255; subplot(1,2,2);
基于邻接图的面向对象遥感图像分割算法
第35卷 第2期大连海事大学学报Vol.35 N o.2 2009年5月Journal of Dalian Maritime University M ay, 2009 文章编号:1006 7736(2009)02 0081 03 基于邻接图的面向对象遥感图像分割算法 谭玉敏1,槐建柱1,唐中实2 (1.北京航空航天大学交通科学与工程学院,北京 100191; 2.清华大学土木水利学院,北京 100084) 摘要:为解决高分辨率遥感图像自动化处理程度不高的问题,提出一种基于邻接图的面向对象遥感图像分割方法.综合利用遥感图像的光谱信息和区域形状信息进行图像分割,并采用了一种新的异质性度量准则.与经典软件eCogniton 在QuickBird图像分割的效率和效果方面的对比分析表明,该算法在运算效率上较eCognition的多尺度分割方法可以提高近1倍. 关键词:邻接图;面向对象;图像分割;高分辨率遥感 中图分类号:T P751 文献标志码:A Object oriented adjacency graph partition algorithm for remote sensing image segmentation T AN Yu min1,HU AI Jian zhu1,T A NG Z hong shi2 (1.School of Transpor tation S c ience&Engine er ing, Beihang University,Beijing100191,China; 2.School o f Civ il Engineering,Tsinghua University, Beijing100084,China) Abstract:Automatically processing hig h resolution remote sens ing images is currently of regional and g lobal research prior ity. T his paper presented an algorithm based on adjacency graph par tit ion for high resolut ion remote sensing imag e segmentation. T he pro posed algor ithm utilized both the reg ion geometrical and spectr al properties to evaluate the weight o f the edges and the internal dissimilar ity of the reg https://www.wendangku.net/doc/b514723455.html,par ing w ith t he eCogni tion on image seg mentation efficiency and effect,the proposed method can save half runtime in efficiency. Key words:adjacency graph;object oriented;image segmenta tion;high resolution r emote sensing 0 引 言 图像分割是高分辨率遥感图像信息提取和面向对象图像分类的重要环节[1].图像分割的最终目的是将图像中这些像素点分离或者合并,形成对人有意义的图像区域.遥感图像的光谱信息是图像分割的基本信息,也是诸多图像分割算法所依据的基本特征,但空间信息如纹理和几何特征等也是遥感图像特别是高分辨遥感图像的重要特征,而目前分割算法[2-4]大多未能有效整合光谱信息和空间特征.为使遥感图像分割的结果更加合理,人们提出将纹理、特征引入图像分割的算法[5].其中最有代表的就是第一个面向对象的图像分析软件eCognition中实现的多尺度分级分割算法.但是,将几何特征引入分割过程,会占用大量的内存和时间,所以很多情况下,这样做是得不偿失的[6]. 本文提出一种基于邻接图的面向对象的遥感图像分割模式.在图像分割时,综合颜色和形状信息进行邻接图分割. 1 基于邻接图的面向对象的遥感图像 分割 1.1 区域距离度量方法 在图像分割[7]中,基于同一区域的不同(即异质性)尽量小,不同区域的差异(异质性)尽量大的原则,当两个区域的异质性小于两个区域各自的异质性之和时,即将两个区域合并.用Dif(R a,R b)表示区域R a、R b的异质性度量函数,用Int(R a)= Dif(R a,R b)表示区域R a异质性度量函数,合并区 收稿日期:2008 09 08. 基金项目:空间数据挖掘与信息共享教育部重点实验室(福州大学)开放基金资助项目(200805);极地测绘科学国家测绘局重点实验室开放基金资助项目(200810). 作者简介:谭玉敏(1977-),女,山东临沂人,讲师,博士,E mail:tany m@https://www.wendangku.net/doc/b514723455.html,.
面向对象的影像分析采用多尺度分割技术生成有意义的多边形对象
面向对象的影像分析采用多尺度分割技术生成有意义的多边形对象，以影像对象为信息提取的基本单元，运用模糊数学分类方法实现类别信息的自动提取。与传统的基于像元的影像处理方法相比较，面向对象的影像信息提取的基本处理单元是影像对象，而不是单个的像元。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提，分害d结果的好坏将直接影响模糊分类结果的精度，因此影像分割至关重要。本章主要分析和研究这种面向对象的多源影像多尺度分割技术，即影像对象的多尺度构建技术。面向对象的遥感影像分析的基本原理是根据像元的形状、颜色、纹理等特征，把具有 相同特征的象素组成一个影像对象，然后根据每一个对象的特征对这些影像对象进行分类。面向对象影像分析有两个独立的模块:对象生成与信息提取。对象生成是采用分割技术生 成属性信息不同的影像对象的过程，因此很多文献中称为影像分割，在图像处理领域中常称为图像分割或图象分割。影像分割是经过两个步骤完成的:首先对整个影像进行尺度空 间的构建，即根据所预设的尺度分割参数将影像中的像元划分为不同亮度值的区域，然后再根据其他的分割参数提取出不同的对象多边形。对每一种面向对象的影像处理方法来说，成功的影像分割都是必要的前提。影像分割及基于分割的要素提取、特征提取和参数测量等将原始影像转化为更抽象更 紧凑的形式，使得更高层次的影像分析和理解成为可能。影像分割的方法也就非常之多，下面介绍三类与遥感应用密切相关的影像分割方法:边缘检测方法、特征空间聚类法、区 域提取方法。2.2.2边缘检测方法 基于边缘检测的影像分割方法是先利用不同区域间像元灰度不连续的特点检测目标的边缘点，然后组成目标的边界实现分割。边缘检测可分为并行边缘检测和串行边缘检测，常用的方法有微分算子法和串行边缘检测算法。影像中相邻的不同区域间总存在边缘，边缘处像元的灰度不连续可通过求导数来检测到。如一阶微分算子有Roberts } 1'rewitt和Sobel 算子，二阶微分算子有Laplace和Kirsh算子等。在实际应用中各种微分算子常用小区域模板来表示，微分运算是利用模板与影像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的影像。Log算子和canny算子是具有平滑功能的二阶和一阶微分算子，边 缘检测效果好。串行边界查找法是先检测边缘再串行连接成闭合边界的方法，这种方法在很大程度上受到起始点影像[23]0 这种分割方法适合处理区域内部移植性高而且边界变化明显的情况，尤其适合对特定目标的提取。但是边缘检测只使用了局部信息，难以保证分割区域内部的颜色一致，且不容易产生连续的封闭区域轮廓[39] 2.2.3特征空间聚类法 基于特征空间聚类的影像分割方法是将影像空间中的像元用对应的特征空间目标点 表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原影像空间，得到分割结果。如果以像元的灰度值为特征，灰度直方图代表特征空间，用闽值将特征空间划分开，把得到的特征类映射回影像空间实现分割，这种算法也称之为闽值分割法[23]e 除像元灰度值外，其它的影像特征也可以用于聚类，常用的有K一均值聚类法、模糊K一均 值聚类法[24], ISODATA聚类法[zs]等。 特征空间聚类法比基于边缘检测的方法更抗噪声，但由于不能完全利用影像像元空间分布的信息，该方法也会导致产生影像空间不连通的分割区域，而且该方法在像元聚类迭代时运算复杂度较大[[23]e2.2.4区域提取方法 基于区域的影像分割方法有两种基本形式，一种是从单个像元出发，逐步合并以形成所需的分割结果，另外一种是从整景影像出发，逐渐分裂切割为满足条件的分割区域。当然实际应用中多数的算法是这两种思路的综合运用。区域生长和分裂合并法是两种典型的 区域特征分割方法。