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

况下是不合适的。但若将数据直接离散化,并采用离散形式的EM 算法[3],又会造成参数估计的不确定性和初值选取的困难。为此,可以考虑从原图像数据中提取一种离散化特征,该特征既能较好地表现原数据的分布,又能简单明了地反映各类别之间的差异,不会造成参数估计较大的不确定性和初值选取的困难。基于这个思想,本文提出基于分布特征的多尺度无监督图像分割方法。该方法可分为如下两大步骤:

(1)G auss 子集聚类:对每一尺度上的图像数据用G auss

混合分布建模,并将数据划分到不同的G auss 子集中。

(2)基于Markov 四叉树模型的二次聚类:将G auss 子集

标记作为多尺度特征数据,建立多尺度Markov 模型,并由

MPM 估计得到分割结果。

3.1　G auss 子集聚类

由于任一光滑密度可由混合元数目足够多的G auss 混合密度任意逼近。因此,在样本类别、每类的分布形式均未知的情况下,可应用G auss 混合密度对每一尺度上数据建模,即

p (Y s =y s )=

∑

J

j =1γj

p (y s

|Z s =j )

=

∑

J

j =1

γj <(y s ;μj ,,σ2

j ) 其中,J s 为G auss 混合模型的阶数,γj 、μj 和σ2

j 分别为

第j 个G auss 混合元的权、均值和方差。若将同一尺度的所有数据看作从上述混合分布产生的样本(即假设尺度内平稳),则该混合模型的参数可利用EM 算法估计出来[6],阶数可由Rissanen 准则确定[7]。

在估计出混合模型的参数后,利用Bayes 公式:

p (z s |y s )=

p (y s |z s )p (z s )∑

z s

p (y s

|z s )p (z s )

进而由MAP 估计

^z =arg z s

max p (z s |y s )

每一数据就被划分到不同的G auss 子集。

3.2　基于Markov 四叉树模型的二次聚类

由于每类数据的分布形式未知,显然,仅将数据划分到不同的G auss 子集是不能得到正确的分割结果的;另外,这种方法没有利用上下文模型,分割结果很不光滑,对噪声和异常值较敏感。为此,本文采用Markov 树模型来对G auss 子集进行二次聚类。

将上述G auss 子集类别标记作为离散的多尺度图像特征数据y ,区域类别标记仍记为x 。利用EM 算法,可以估计出模型参数θ。但注意到数据是离散的,因此,M 步的分布参数估计式需要替换为:

f

(i +1)l ,n

=

∑

s ∈S

(n )

,y s =l

p (X s =m |y ,θ(i )

)

∑s ∈S

(n )

p (X

s

=m |y ,θ(i )

)

进而,应用MPM 估计就可以得到最终的分割结果。

3.3　二次聚类算法的改进

注意到G auss 子集类别图像在每一像素的一个邻域内,各子集类标记的联合分布情况能更可靠地反映不同区域类别之间的差别,因此,可以考虑利用每个像素的邻域内的

G auss 子集类别标记的分布特征来进行二次聚类,以期得到

更稳健的分割结果。

记G auss 子集类别标记为z ,节点s 上的含节点s 的3×

3邻域为9(s )。定义节点s 上的邻域特征向量为:y s =(z t )

t ∈9(s )

,在各分量相互独立的假定下,有p (y s |x s )=

Пt ∈9(s )

p (z t |x s )

将该邻域特征向量作为图像特征数据,应用EM 算法和

MPM 估计,能够得到更稳健的分割结果。注意到这种基于

邻域特征的分割结果会产生一种明显的边界效应,即在区域的边界处可能会产生新的类别,类似的现象也出现在基于

MRF 的分割结果中。由于在边界处产生的新类别通常呈窄

带状结构,可以利用简单的方法判断当前像素是否位于边界处并对这些像素进行矫正。

4　实验结果

将本文的方法应用于合成图像与SAR 图像的分割,并与同样基于多尺度Markov 模型的分割方法H 2MPM [3]、H 2

SMAP [2]进行比较。H 2MPM 和H 2SMP 的区别在于H 2MPM

基于Markov 四叉树模型,而H 2SMAP 则基于金字塔图模型,但两者的分割算法都基于Bayes 估计,在无监督情况下,需要假定每类的分布服从G auss 分布。由于实验中采用的合成图像的每类的分布服从G auss 混合分布,而SAR 图像中每类目标也具有典型的非高斯分布特征,因此,以下实验结果中仅给出有监督H 2MPM 和H 2SMAP 方法的分割结果。在应用本文方法、H 2MPM 和H 2SMAP 时,多尺度图像数据由0尺度上的原始图像灰度值,和其他尺度上经小波变换后得到的尺度系数构成。小波变换的基函数为Haar 小波。各图像的大小均为256×256。

图2(a )为一合成图像,其中有三类区域,每类都被加入了服从二阶G auss 混合分布的白噪声,即每一类都服从二阶的G auss 混合分布。图2(b )～(e )给出了不同方法对图2(a )的分割结果,表1给出了相应的分割错误率。图3和图4分别给出本文方法对两幅单视SAR 图像的分割结果。各实验中,应用本文方法时G auss 子集聚类的迭代次数均为20次,二次聚类时首次应用EM 算法的迭代次数均为3次,进行边界矫正时再次应用EM 算法的迭代次数均为2次。

表1　不同方法对图2(a )的分割结果的平均错误率比较

分割方法分割错误率

本文方法

1.88%H 2MPM

2.67%H 2SMAP

0.99%

5　结束语

基于多尺度Markov 模型的无监督图像分割方法一般需要假定每类数据服从G auss 分布,这在很多场合下是不适用的,虽然可以将数据离散化,并使用离散形式的EM 算法来估计分布参数,但直接对图像数据离散化会造成分布参数过多,并带来计算量增加、EM 算法初始化困难和参数估计结

果具有很大的不确定性等问题。本文提出的基于分布特征的多尺度无监督图像分割方法,不仅在很大程度上避免了上述问题,而且,与传统的动态聚类方法相比,能较好的反映数据的概率结构,减小分割结果的不确定性。对合成图像与

SAR 图像的分割结果表明,这种方法的分割精度接近于有

监督的H 2MPM 和H 2SMAP 方法

。

图2　

合成图像的分割结果

图3 图4

参考文献

1　C A Bouman ,M Shapiro.A multiscale random field model for Bayesian image segmentation[J ].IEEE Trans Image Processing ,1994,3(3):162

～177.

2　H Cheng ,C A Bouman.Multiscale bayesian segmentation using a trainable context model[J ].IEEE Trans Image Processing ,2001,10(4):511

～525.

3　J M Lafert é,P P érez ,F Heitz.Discrete markov image modeling and inference on the quadtree[J ].IEEE Trans Image Processing ,2000,9(3):

390～404.

4　H Choi ,R G Baraniuk.Multiscale image segmentation using wavelet 2domain hidden Markov models[J ].IEEE Trans Image Processing ,2001,10

(9):1309～1321.

5　M R Luettgen ,W C K arl ,A S Willsky ,R R Tenney.Multiscale representations of Markov random fields[J ].IEEE Trans Signal Processing ,

1993,41(12):3377～3396.

6　A P Dempster ,N M Laird ,D B Rubin.Maximum likelihood from incomplete data via the EM algorithm[J ].J R Statist Soc B ,1977,39(1):1

～38.

7　J Rissanen.A universal prior for integers and estimation by minimum description length[J ].Ann Statist ,1983,11(9):417～431.

U nsupervised Im age Segmentation B ased on Markov Q u adtree

GUO Xiao 2wei ,GUAN Xiao 2ping

(BeiJing Oriental Titan Technology Co.L TD ,100083)

(下转第54页)

of G eosciences,2006,17(2):146～150.

12　Liang S L.Narrowband to broadband conversions of land surface albedo I algorithms[J].Remote Sensing of Environment,2000(76):213～238.

13　Artis D A,Carnahan W H.Survey of emissivity variability in thermography of urban areas[J].Remote Sensing of Environment,1982(12):313～329.

14　Markham B L,Barker J K.Spectral characteristics of the Landsat TM sensors[J].International Journal of Remote Sensing,1985(6):697～716.

15　Van De Griend A,Owe M.On the relationship between thermal emissivity and the normalized difference vegetation index for nature surfaces[J].

International Journal of Remote Sensing,1993,14(6):1119～1131.

16　Masuda K,Takashima T,Takayama Y.Emissivity of pure and sea waters for the model sea surface in the infrared window region[J].Remote Sensing of Environment,1988(24):313～332.

17　赵英时,等.遥感应用分析原理与方法[M].科学出版社,2003.

18　王风敏,田庆久,虢建宏.基于ASTER数据反演我国南方山地陆表温度[J].国土资源遥感,2005(1):30～33.

19　潘志强,刘高焕.黄河三角洲蒸散的遥感研究[J].地球信息科学,2003(3):91～96.

20　Qin Z,Berliner P,K arnieli A.Numerical solution of a complete surface energy balance model for simulation of heat fluxes and surface temperature under bare soil environment[J].Applied Mathematics and Computation,2002(130):171～200.

21　翁笃鸣,高庆先,刘艳.应用ISCCP云资料反演青藏高原地区地面总辐射场[J].南京气象学院学报,1997,20(3):318～325.

22　Brutsaert W.Evaporation into the Atmosphere:Theory,history and application[M].TM dordrecht:D.Reidel Publishing Company,1982. 23　Bastiaanssen W G M.SEBAL2based sensible and latent heat fluxes in the irrigated G ediz Basin[J].Turkey Journal of Hydrology,2000(229):87～100.

24　Rouse J W,Haas R H,Schell J A,et al.Monitoring vegetation systems in the great plains with ERTS[J].Third ERTS Symposium,NASA SP -351,1973(1):309～317.

25　Schmugge T,Humes K.ASTER observations for the monitoring of land surface fluxes[J].Journal of Remote Sensing Society of Japan,1995, 15(2):83～89.

26　Raupach M R,Thom A S.Turbulence in and above plant canopies[J].Annual Review of Fluid Mechanics,1981(13):97～129.

27　王长耀,牛铮,唐俊华,等.对地观测技术与精细农业[M].北京:科学出版社,2002.

R emote Sensing Study on the Surface H eat Flux and Its

R elationship with the U rban H eat Island

———T aking Q u anzhou City,SE China as Example

ZHOU Rong,XU Han2qiu,L IN Yun2shan

(College of Environment and Resources,Fuz hou U niversity,Fuz hou,Fujian,350002)

Abstract:Recently,the urban heat island has become one of the most serious city environmental problems and has been intensively fo2 cused on.To study the urban heat fluxes,two Landsat TM images and one Terra ASTER image of Quanzhou city,China were first used to extract the land surface tem perature,albedo and vegetation index for the years of1989,1996and2003res pectively.Then, by combing with local meteorological data,the sensible and latent heat fluxes were retrieved.Furthermore,the chan ges of the urban heat fluxes during the study period were also detected.The study revealed that the distribution of high value of sensible heat flux was consistent with the urban built2up land areas,while the urban heat fluxes has been increased.

K ey w ords:sensible heat flux;latent heat flux;land surface tem perature;remote sensing;Quanzhou city

(上接第22页)

Abstract:A new multiscale Markov model based Bayesian approach of image segmentation is presented.By G auss mixture model and MAP estimation,the image data are first clustered into different G auss classes.Then b y modeling the G auss class labels with Markov quadtree and MPM estimation,the final segmentation is https://www.wendangku.net/doc/fb13867898.html,pare with existing continuous segmentation algorithm based on multiscale Markov model,the new a pproach does not need assuming the distribution form of each class known.And com pared with existing discrete segmentation method,the feature data in our a pproach take very limited values,and so the number of distribu2 tion parameters is small.Moreover,because the feature data are based on nei ghborhood,the segmentation can be more smoothed, and the estimation uncertainty can be reduced.Experimental results show that the unsu pervised approach can give a segmentation comparable with supervised H2MPM and H2SMAP.

K ey w ords:multiscale;quadtree;MPM(maximum posterior marginals);EM(expectation maximization)algorithm;unsupervised segmentation

图像分割技术的GUI设计

图像分割技术的GUI设计 一、概述（意义及背景） 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。 二、设计方案 利用MATLAB中的GUI（图形用户界面），实现图像的读取，边缘检测，四叉树分解，直方图阈值分割，二值化差值的实现，并设计了退出按钮。 三、实现步骤 1、打开MATLAB; 2、打开Command Window 窗口中输入guide或点击快捷键 ; 3、在GUIDE Quick Start 窗口中选择Blank GUI(Default)中选择Blank GUI(Default),再单击OK; 4、在新出现的窗口中选择需要的GUI控件； 5、在控件上右击选择View Callbacks—callback; 6、输入各控件对应的回调函数； 四、系统调试及验证 完成后系统是这样的

1、单击系统前置图的运行按钮进入系统调试 2、点击第一个模块相应按钮完成相应实验 点击读取图片按钮的效果点击图像边缘检测按钮的效果 点击四叉树分解按钮的效果点击直方图阈值分割按钮的效果3、点击第二个模块相应按钮完成相应的实验

点击读取原图按钮的效果点击读取背景图按钮的效果 点击二值化差值图按钮的效果 4、点击退出按钮结束实验 点击退出按钮结束实验 五、参考文献 [1] 杨帆.数字信号处理与分析[M]. 北京:北京航空航天大学出版社，2010. [2] 徐飞，施晓红.MATLAB应用图像处理[M].西安.西安电子科技大学出版社，

遥感影像的分类处理

摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

图像分割方法综述

图像分割方法综述

图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering

analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方

水平集图像分割方法研究

生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的，可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中，大约有75%左右的信息来源于人眼（图像），也就是说人类大部分的信息是视觉信息，从图像中得到。所以，对图像的认识和理解一直是人类视觉研究中非常重要的问题。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统，医学图像或是工业图像，图像分割都是一个关乎系统成败的关键问题。 现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel，canny和laplace等等。

图像分割技术与MATLAB仿真

中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日

中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日

目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)

图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,

图像分割技术的原理及方法

浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实

图像分割技术

图像分割技术 图像分割就是将一副数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等，而任何相邻区域之间器性质具有明显的区别。 主要包括：边缘分割技术、阈值分割技术和区域分割技术。 1.边缘分割技术 边缘检测是检测图像特性发生变化的位置，是利用物体和背景在某种图像特性上的差异来实现的。不同的图像灰度不同，边界处会有明显的边缘，利用此特征可以分割图像。边缘检测分割法是通过检测出不同区域边界来进行分割的。 常见的边缘检测方法：微分算子、Canny算子和LOG算子等，常用的微分算子有Sobel算子、Roberts算子和Prewit算子等。 （1）图像中的线段 对于图像的间断点，常用检测模板： -1 -1 -1 -1 8 -1 -1 -1 -1?????????? 对于图像中的线段，常用的检测模板： 检测图像中的线段： close all;clear all;clc; I=imread('gantrycrane.png'); I=rgb2gray(I); h1=[-1,-1,-1;2 2 2;-1 -1 -1];%模板 h2=[-1 -1 2;-1 2 -1;2 -1 -1]; h3=[-1 2 -1;-1 2 -1;-1 2 -1]; h4=[2 -1 -1;-1 2 -1;-1 -1 2]; J1=imfilter(I,h1);%线段检测 J2=imfilter(I,h2); J3=imfilter(I,h3); J4=imfilter(I,h4); J=J1+J2+J3+J4;%4种线段相加 figure, subplot(121),imshow(I); subplot(122),imshow(J); （2）微分算子 ○1Roberts算子的计算公式： 采用edge()函数进行图像的边缘检测。 Roberts算子进行图像的边缘检测： close all; clear all;clc; I=imread('rice.png'); I=im2double(I); %Roberts算法进行边缘检测

图像分割阈值选取技术综述

图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-

基于水平集的gac模型的图像分割报告

偏微分方程与图像处理(GAC的水平集方法)

实验二 GAC 的水平集方法 一 实验目的 采用GAC 模型的水平集方法检测图像中对象的轮廓，以便有效地进行分割。 二 原理分析 推广GAC 模型的水平集方法对应的PDE 为： u gc u g u gk u t ?=?+???+?? （3.31） 按照上式，曲线运动将受两种“力”的支配，第一种力来自于曲率几何形变—曲率运动（gc u gk u ?+?），不过它的强弱还要受到因子()g I ?的影响。 I ?为图象I(x,y)的梯度模值，函数g (r) 是可以是任何具有单调减性的函数。 因为图象梯度模值I ?在图象的边缘附近有较大值，从而使g(I ?)取极小的值，故在图象边缘附近，该作用力将会变的很小，因此有时将边缘函数()g I ?称之为边缘停止函数。常数c 的作用是加速曲线向内部收缩。 第二种力来自于g 的梯度(1,2)g αα?= ，它是一种不论当前C 的局部是在对象内部或外部，都能将曲线引向边界的“吸引力”。从而g u ??? 总是使曲线向着更接近于边界线的方向运 动，最终达到贴近对象边界的稳定状态。 由于这两种作用使曲线演化可最终达到紧靠轮廓这一稳定状态而不再继续演化。 采用单边迎风方案，根据（1.76）式的数值方案实现上式： 考虑到 0g >,0c > 可得： (1) () () {n n ij ij ij u u t g c +-=+?? () () () () max(1,0)min(1,0)max(2,0)min(2,0)x ij x ij y ij y ij D u D u D u D u αααα-+-+++++ (0) 2 (0) 212 [()()]}n ij ij x ij y ij g k D u D u ++ (2.1) 其中 () 2222 [(max(,0))(min(,0))(max(,0))(min(,0))] x ij x ij y ij y ij D u D u D u D u -+-+-? =+++ (2.3) ,1,1 (0) 2 i j i j x ij u u D u +--= 中心差分 (2.2)

高空间分辨率遥感影像分割方法研究综述

高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.wendangku.net/doc/fb13867898.html,。

图像分割技术综述---20050620

综述：PDE图像分割技术 沈民奋 汕头大学工学院，广东省图像处理重点实验室，汕头 515063 摘要：偏微分方程（PDE's）图像处理在图像处理的各个方面已经得到了广泛的应用，该 方法通常与水平集方法配合使用。在图像分割方面提出了许多基于偏微分方程（PDE's）的 方法，比如，M-S分片光滑法，C-V无需边缘的活动围线法，P-D测地活动区域组等等。本文 追踪偏微分方程（PDE's）图像分割的发展，回顾偏微分方程（PDE's）图像分割领域的重 要文献，也简述了偏微分方程（PDE's）图像分割中的数值技巧。从本文的综述可以看出， 当前偏微分方程（PDE's）图像分割的主要发展趋势有三个方面：将图像分割的边界特征和 区域特征相结合；建立新的水平集方法来实现偏微分方程（PDE's）图像分割；将偏微分方 程（PDE's）图像分割技术与传统技术如贝叶斯方法相结合。 关键词：偏微分方程，图像分割，水平集，活动围线，综述 中图分类号：TP391.4 文献标识码：A 文章编号： 0 引言 图像分割是图像分析和计算机视觉中一个基本处理环节。这方面的文献很多。本文主要关注偏微分方程（PDE）图像分割的最新进展。方程的建模通常是根据变分法寻找一个使能量泛函最小化的函数，并辅之以水平集技术。尽管本文主要综述关于二维灰度图像的分割方法，由于偏微分方程图象处理的固有优势，这些方法往往很容易推广到彩色图像分割或序列图像的运动追踪问题[1,5,29,30,33,35,41]。 传统的图像分割方法，无论是基于时域还是频域的分割，总是利用图像中的灰度边界信息或灰度同质区域进行分割图像。偏微分方程图像分割也是基本如此。从根本上说，偏微分方程图像处理是基于对图像的确定性描述，近年来，许多研究人员试图把概率性描述的一些手段与偏微分方程图像处理相结合。最早的偏微分方程图像分割借助于各向异性的灰度扩散技术，扩散的结果是使得原输入图象变换成为由一些分片光滑的灰度同质区域所组成的近似图像，从而更容易分割出图像中的不同区域。后来，随着水平集方法的提出，曲线演化和传统的参数型曲线演化相比，变得更加方便和有效。因此，曲线演化或称活动围线模型成为图像分割的主流。此后，偏微分方程活动围线的发展主要在于两个方面：多相活动围线和边界无关的活动围线模型。最近，活动围线和先验形状信息相结合的方法也相继被提出。另一方面，偏微分方程图像分割的技术改进也来自于新的数值技巧，比如改进传统的水平集方法；多尺度水平集技术；甚至完全抛开水平集方法而寻找方程的直接数值求解。 偏微分方程图象处理的一般方法是这样的：给定一个问题，在特定准则下最小化一个能量泛函，使得最小化函数即为问题的解。以图像分割为例，这些准则通常是图像中的灰度边缘信息或灰度同质区域信息；其次，根据这些准则确立一个能量泛函，使得仅在我们所期望达到的分割边界上该能量泛函达到最小；然后，从最小化问题中推导出相应的欧拉-拉格朗日方程（组），方程的解的存在性往往需要专门给出证明；最后，使用适当的数值技术求解这个方程（组）。偏微分方程图象处理确实能够提供与传统图象处理手段所不同的处理方法和效果，尤其对于复杂的图像分割问题显得灵活和有效。最近偏微分方程图象处理的繁荣就是由于它所能够提供灵活多样的，而且往往是传统处理方法所不能企及的处理性能。过去二十年来，有很多偏微分方程图像分割的文章相继发表，有基于边缘或测地边缘的活动围线模型，分片光滑的灰度同质区域分割模型，和结合其它方法（如贝叶斯方法）的偏微分方程图像分割模型。读者也可以参

一种改进的高分辨率遥感影像分割方法

第35卷第3期 地球科学———中国地质大学学报 Vol.35　No.32010年5月 Earth Science —Journal of China University of G eosciences May 2010 doi :10.3799/dqkx.2010.050 基金项目:教育部新世纪优秀人才计划资助项目(No.NCET 20720772);国家重点“863”项目(No.2007AA120503). 作者简介:高伟(1980-),男,博士生,主要从事遥感数据处理与信息提取的科研和教学工作.E 2mail :cuggaowei @hot https://www.wendangku.net/doc/fb13867898.html, 一种改进的高分辨率遥感影像分割方法 高　伟1,2,刘修国1,2,彭　攀1,2,陈启浩1,2 1.中国地质大学信息工程学院,湖北武汉430074 2.地理信息系统软件及其应用教育部工程中心,湖北武汉430074 摘要:分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高, 而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.关键词:影像分割;分形网络演化;高空间分辨率;四叉树;地理信息系统.中图分类号:TP311 文章编号:1000-2383(2010)03-0421-05 收稿日期:2010-01-15 An Improved Method of High 2R esolution R emote Sense Image Segmentation GAO Wei 1,2,L IU Xiu 2guo 1,2,PEN G Pan 1,2,CH EN Qi 2hao 1,2 1.Facult y of I nf ormation Engineering ,China Uni versit y of Geosciences ,W uhan 430074,China 2.Engineering Research Center f or GIS S of t w are and A p plications ,Minist ry of Education ,W uhan 430074,China Abstract :Fractal net evolution approach (FN EA )is a relatively mature one among the object 2oriented image segmentation algo 2rithms ,but its efficiency is to be improved.Quad 2Tree segmentation is a kind of effective image segmentation method.In this paper ,an improved object oriented multi 2scale image segmentation method based on the quad 2tree pre 2segmentation and FN EA is introduced.The experiment shows that the effect of its segmentation result is almost the same as that of traditional FN EA method.Moreover ,It saves time. K ey w ords :image segmentation ;f ractal net evolution approach ;high 2nesolution remote sense ;quad 2tree ;geographic informa 2tion system (GIS ). 0　引言 近年来,以I KONOS 和Quick 2Bird 为代表的高空间分辨率遥感影像得到广泛应用(高伟,2006).高分辨率遥感影像具有丰富的空间信息,地物几何结构和纹理信息,便于认识地物目标的属性特征,如地物的图层值、形状、纹理、层次和专题属性,有助于提高地物定位和判读精度,使得在较小的空间尺度上观察地表细节变化,进行大比例尺遥感制图,以及监测人为活动对环境的影响成为可能.为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源.高分辨率影像的广泛应用迫切要求人们对高分辨率遥感信息提取进行研究,以满足高分辨 率影像信息不断增长的应用和研究需要(Chen et al .,2009). 面向对象的高分辨率遥感影像的分类方法不仅利用地物的光谱信息,而且更多地利用几何信息和结构信息,可以结合其他空间知识和上下文信息来进行更为深入的分类,使得对高分辨率影像的分类更为合理和有效,这成为高分辨率影像信息提取的重要方法之一(Blaschke and Hay ,2001;陆关祥等,2002).在面向对象高分辨率影像的信息提取中,对遥感图像进行分割,形成具有一定特征相似性的影像区域,是实现从影像上进行地物目标计算机自动提取的第一步. 目前分形网络演化算法(Baatz and Schape ,

图像分割技术的研究背景及意义

图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。

2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广，即采用二维统计量（如散射图或共生矩阵）取代直方图，以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进，并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性，付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而