結(jié)合結(jié)構(gòu)和光譜特征的高分辨率影像分割方法

劉 婧,李培軍

北京大學(xué)地球與空間科學(xué)學(xué)院,北京 100871

結(jié)合結(jié)構(gòu)和光譜特征的高分辨率影像分割方法

劉 婧,李培軍

北京大學(xué)地球與空間科學(xué)學(xué)院,北京 100871

影像分割是高分辨率遙感影像基于對象分析的先決和關(guān)鍵步驟。傳統(tǒng)的遙感影像分割方法往往僅利用影像的光譜或結(jié)構(gòu)信息。本文提出一種結(jié)合結(jié)構(gòu)和光譜特征的分割方法。首先使用形態(tài)學(xué)運算提取結(jié)構(gòu)信息,并與光譜信息結(jié)合,采用光譜角距離來衡量結(jié)構(gòu)-光譜特征的相似性,進行區(qū)域生長獲得初始分割結(jié)果,然后通過區(qū)域合并改善初始結(jié)果獲得最終結(jié)果。研究中采用城市地區(qū)的高分辨率遙感影像,通過目視評價和定量評價并與現(xiàn)有的其他分割方法進行比較,驗證了所提出方法的有效性。

高分辨率影像;影像分割;結(jié)構(gòu)和光譜特征;數(shù)學(xué)形態(tài)學(xué);區(qū)域生長

1 引 言

高空間分辨率遙感影像諸如IKONOS、Quick Bird、GeoEye-1、World View-2等數(shù)據(jù)已廣泛應(yīng)用于城市規(guī)劃、作物分類、災(zāi)害監(jiān)測等領(lǐng)域。與基于像元的方法相比,面向?qū)ο蟮姆椒ǜm合于高分辨率影像的信息提取[1-2]。影像分割是面向?qū)ο蠓治龅南葲Q和關(guān)鍵步驟[3-4],影像分割的質(zhì)量直接決定后續(xù)面向?qū)ο蠓治龅木?。因?探索新的有效的影像分割方法一直是高分辨率遙感研究的熱點和難點之一。

現(xiàn)有的大多數(shù)影像分割方法只利用影像的光譜信息[5-7],有部分方法結(jié)合了影像的頻域特征[8]、紋理信息[9],或者使用MRF模型考慮了影像中相鄰像素的空間相關(guān)信息[10-11]。近年來,有學(xué)者提出基于影像結(jié)構(gòu)信息的分割方法[12],該方法使用形態(tài)學(xué)差值剖面來表達影像的結(jié)構(gòu)信息,利用像元的形態(tài)學(xué)差值剖面的最大值所代表的尺度進行影像分割。但是這種分割方法存在3個問題:①它只適用于單波段影像;②僅僅利用了結(jié)構(gòu)信息,沒有考慮光譜信息;③該方法盡管在光譜變化較小的區(qū)域有較好的分割結(jié)果,但在光譜特征變化顯著的區(qū)域則出現(xiàn)明顯的過分割(oversegmentation)。針對這些問題,有學(xué)者提出基于擴展的形態(tài)學(xué)差值剖面[13-14],引入光譜同質(zhì)性和鄰域連通性對影像進行多層次的分割,并用于某些特定目標(biāo)(如建筑物、道路等)的識別[15]。但是由于該方法是利用高光譜影像的某些主成分波段計算形態(tài)學(xué)差值剖面,因此如何融合不同主成分影像所獲得的不同分割結(jié)果,仍需要進一步探討[15]。

本文提出一種結(jié)合結(jié)構(gòu)和光譜特征、適用于高分辨率多光譜影像的分割方法,并利用實際的高分辨率數(shù)據(jù),通過與現(xiàn)有分割方法的比較,驗證所提出方法的有效性。

2 方 法

2.1 分割方法

本文提出的分割方法包括3個主要步驟:①高分辨率多光譜影像的形態(tài)學(xué)差值剖面的生成;②基于結(jié)構(gòu)和光譜特征相似性的區(qū)域生長,得到初始分割結(jié)果;③基于區(qū)域合并的分割結(jié)果優(yōu)化。其中步驟②是方法的核心環(huán)節(jié)。總體流程如圖1所示。

圖1 結(jié)合結(jié)構(gòu)和光譜特征分割方法的流程Fig.1 Flowchart of the proposed segmentation method by combined structural and spectral characteristics

2.1.1 形態(tài)學(xué)差值剖面的生成及傳統(tǒng)的分割方法

本文采用形態(tài)學(xué)差值剖面[12]表達影像的多尺度結(jié)構(gòu)信息。使用逐漸增大的結(jié)構(gòu)元素對灰度影像分別進行開運算和閉運算,得到不同尺度的開運算和閉運算結(jié)果影像[12,16-19]。對于每個像素來說,由這些開運算、閉運算結(jié)果以及原始灰度值按遞增順序排列得到的一維序列,稱為形態(tài)學(xué)剖面。對形態(tài)學(xué)剖面中相鄰兩尺度之間進行差值運算即可生成形態(tài)學(xué)差值剖面(derivative morphological profile,DMP)[12,16-19]

式中,Δγλ是尺度為λ的開運算差值;Δ?λ是尺度為λ的閉運算差值;n是結(jié)構(gòu)元素的最大尺度。傳統(tǒng)的形態(tài)學(xué)差值剖面[12]僅適用于全色波段的影像,后有學(xué)者提出了不同的計算多光譜/高光譜影像的形態(tài)學(xué)差值剖面的方法[15,18-19],如利用特定的主成分波段[15,20]或利用多維形態(tài)學(xué)運算計算形態(tài)學(xué)差值剖面[18-19]。得到的形態(tài)學(xué)差值剖面作為結(jié)構(gòu)信息,用于后續(xù)的影像分割中。

在基于形態(tài)學(xué)差值剖面的分割方法[12]中,像素的分割標(biāo)記是其形態(tài)學(xué)差值剖面中最大值對應(yīng)的結(jié)構(gòu)元素的尺度大小[12]。這種分割方法存在兩個問題:①該方法只有在較為平滑的影像區(qū)域才有較好的分割結(jié)果,但實際高分辨率影像往往包含豐富的細節(jié)和紋理信息;②這種方法僅僅利用了結(jié)構(gòu)信息,忽略了影像的光譜信息。

2.1.2 基于形態(tài)學(xué)差值-光譜剖面相似性的區(qū)域生長分割

為了綜合利用結(jié)構(gòu)和光譜特征,將前一步計算得到的形態(tài)學(xué)差值剖面與原始的多光譜波段值進行矢量疊加,生成形態(tài)學(xué)差值-光譜剖面(derivative morphological-spectral profile,DMSP)

式中,Sj表示多光譜/高光譜波段值;j是多光譜/高光譜影像的波段數(shù)。形態(tài)學(xué)差值-光譜剖面DMSP同時包含了像素的結(jié)構(gòu)和光譜特征。由于形態(tài)學(xué)差值剖面和原始多光譜波段灰度值的動態(tài)范圍差異較大,在組合之前,首先對它們分別歸一化到統(tǒng)一的數(shù)值范圍[0,1]。

與傳統(tǒng)的基于形態(tài)學(xué)差值剖面的分割方法[12]不同,本文采用區(qū)域生長的策略,通過比較待分割像素與種子像素的形態(tài)學(xué)差值-光譜剖面(DMSP)的整體形狀相似性,進行分割。為了定量表達兩像素間DMSP的相似性,本文將每個像素的DMSP看做是高光譜遙感中像素的光譜曲線,采用光譜角距離[21]來度量像素間DMSP的相似性,稱為形態(tài)學(xué)差值-光譜剖面角(derivative morphological-spectral profile angle,DMSPA)。假設(shè)Bi和Bj分別是兩像素i和j的DMSP,即

式中,L為形態(tài)學(xué)差值-光譜剖面DMSP的波段數(shù)。像素i和j之間的形態(tài)學(xué)差值-光譜剖面角為

根據(jù)式(4),DMSPA值越小,表示兩像素具有更為相似的形態(tài)學(xué)差值-光譜剖面,即它們具有更為相似的結(jié)構(gòu)和光譜特征。

在本文提出的基于形態(tài)學(xué)差值-光譜剖面相似性的區(qū)域生長方法中,首先確定種子點(像素),然后依次計算其鄰域像素與種子像素間的形態(tài)學(xué)差值-光譜剖面角DMSPA,并與設(shè)定的相似性閾值T1比較,如果鄰域像素和種子像素間的DMSPA小于閾值T1,則該鄰域像素被賦予與種子像素相同的區(qū)域標(biāo)識,否則被標(biāo)記為未分割像素,將在后續(xù)的步驟中處理。像素鄰域的確定采用四鄰域(四連通,four-connectivity)規(guī)則。影像最左上角的像素為最初始的種子像素,后續(xù)每一輪生長的種子像素選擇為尚未確定分割區(qū)域的影像中最上行最左列的像素,最終所有像素被確定分割區(qū)域則停止生長。以此可獲得初始的分割結(jié)果。

2.1.3 初始分割結(jié)果的優(yōu)化

由于初始分割結(jié)果仍然存在一定的過分割現(xiàn)象,因此采用區(qū)域合并來改善。本文根據(jù)相鄰分割區(qū)域的光譜相似性,來確定它們是否合并。如果兩個相鄰分割區(qū)域的光譜相似性大于設(shè)定的閾值T2,則將這兩個區(qū)域合并,否則就保留初始分割結(jié)果。每個分割區(qū)域的光譜特征,采用區(qū)域內(nèi)所有像素的平均光譜矢量來表示。相鄰分割區(qū)域的光譜相似性,通過兩者平均光譜矢量間的歐氏距離來度量,其計算方法見式(5)

式中,Ci和Cj是分割區(qū)域的平均光譜矢量;L是多光譜影像的波段數(shù)。確定初始分割結(jié)果中相鄰的區(qū)域后,對計算得到的相鄰區(qū)域平均光譜矢量的歐氏距離取合適的閾值,就可以確定相鄰的兩個區(qū)域是否需要合并。

此外,為了進一步減少影像中一些細小的地物特征和某些噪聲對分割結(jié)果的影響,通過設(shè)置分割區(qū)域的面積閾值T3去除分割結(jié)果中過小的分割區(qū)域,當(dāng)分割區(qū)域的像元數(shù)小于設(shè)定的最小分割區(qū)域閾值T3時,將這些過小區(qū)域合并到相鄰的光譜特征最相似的區(qū)域中。

2.1.4 分割參數(shù)確定

分割參數(shù)的確定是影像分割中重要的環(huán)節(jié),不同的分割算法具有不同數(shù)量的參數(shù)。盡管一些研究提出了分割參數(shù)確定的方法[22],但目前為止尚沒有一套被廣泛認可的參數(shù)確定方法。在絕大多數(shù)分割方法的分析和應(yīng)用中均采用人工試錯(trial and error)的辦法。例如,被廣泛采用的商用分割軟件eCognition多尺度分割中包括尺度、形狀、緊湊度3個參數(shù),但沒有提供分割參數(shù)確定的指標(biāo)或方法。為了更有效和準確地確定所提出方法中涉及的參數(shù),本文采用監(jiān)督的方法,即通過選取代表性的樣本,計算樣本的相關(guān)統(tǒng)計特征,來輔助確定這些參數(shù)的值。

本文提出的分割方法需要確定3個參數(shù): DMSPA閾值T1、分割區(qū)域的平均光譜矢量距離閾值T2和最小分割區(qū)域閾值T3。為確定前兩個閾值,先在圖中手工選取若干不同類型對象的樣本。T1應(yīng)高于同類樣本的對象內(nèi)DMSPA平均值,低于不同類但相鄰樣本的對象間DMSPA平均值。以此使相似的同一對象內(nèi)部的像素被分割為一個整體,并避免不相似像素被錯分為一個整體。類似的,T2應(yīng)高于同類相鄰樣本的對象間平均光譜矢量距離,但低于不同類相鄰樣本的對象間平均光譜矢量距離。以此使相似相鄰的同類對象被合并,并且避免不相似相鄰的對象被錯誤合并。T3根據(jù)具體影像和應(yīng)用中希望保留的最小對象的尺度來決定。

2.2 分割結(jié)果評價

對分割結(jié)果的評價是影像分割研究中必不可少的一步。雖然已經(jīng)提出了多種分割評價方法,但目前仍然沒有統(tǒng)一的評價分割質(zhì)量的流程。本文采用目視評價和定量指標(biāo)來評價所提出方法的有效性。

目視評價是一種最基本、最常用的評價方法。通過目視評價可以直觀地觀察分割結(jié)果中區(qū)域的幾何形態(tài)、過分割欠分割情況等。而且,只有和目視評價的效果吻合時,定量評價指標(biāo)才能使人信服[23]。

這里采用多個廣泛使用的差異度(discrepancy)指標(biāo)[24-26]進行定量評價,通過計算分割結(jié)果和手工描劃的參考分割樣本的差異性來評價分割算法的有效性。采用的差異性度量指標(biāo)包括兩類,一類描述分割區(qū)域的幾何特性,包括平均面積差異指數(shù)、平均周長差異指數(shù)、平均形狀差異指數(shù)以及過分割指數(shù)[24-25];另一類是總誤差指數(shù)(the total error,E)[26],這一誤差指數(shù)是將分割過程視為影像分類,通過計算參考分割樣本和與其重疊面積最大的分割區(qū)域間差異比率作為差異性的衡量[26]。對于上述所有差異評價指標(biāo),度量標(biāo)準值越小,則分割結(jié)果和參考分割樣本之間的總體差異越小,分割效果越好。

為了全面驗證所提出方法的有效性,將傳統(tǒng)的基于形態(tài)學(xué)差值剖面的分割方法[12]以及目前廣泛使用的商用軟件eCognition多尺度分割方法也同時用于影像分割,并比較3種方法的性能。

3 試驗結(jié)果及討論

采用Quick Bird和IKONOS高空間分辨率影像來評價和驗證所提出方法的有效性。

3.1 實例1

3.1.1 試驗數(shù)據(jù)

試驗的第1個影像為2003年9月獲取的北京城區(qū)QuickBird影像。將多光譜和全色影像融合后的影像用于試驗,融合影像的空間分辨率為0.61 m,具有4個波段,大小為1500像素×1100像素(圖2(a))。由于采用差異度指標(biāo)定量評價分割結(jié)果時需要地面參考分割樣本,因此通過目視判讀手工描劃了影像內(nèi)主要地物類別的輪廓多邊形,作為分割的參考樣本。為了全面客觀地評價分割結(jié)果,在選取不同地物的區(qū)域時,不僅考慮了不同地物對象的方向、大小、形狀和位置,而且也兼顧了不同類型地物的樣本數(shù)。選取的主要參考地物類型包括建筑物、草地、樹木、陰影等,每類有25～30個多邊形對象,總共124個對象,基本均勻地分布在影像各個位置(圖2(b))。

3.1.2 分割參數(shù)選擇

試驗中,根據(jù)影像中最寬物體的大小,計算形態(tài)學(xué)差值剖面時結(jié)構(gòu)元素的最大尺度設(shè)置為15。統(tǒng)計結(jié)果表明,參考樣本對象計算得到的同類地物對象內(nèi)DMSPA平均值在0.028 6～0.047 2之間,不同類的相鄰對象間DMSPA平均值在0.063 8～0.389 7之間,因此DMSPA閾值T1應(yīng)設(shè)置在0.047 2～0.063 8之間,試驗中取大致中間位置0.055以平衡過分割和欠分割的現(xiàn)象。根據(jù)參考樣本計算得到的同類相鄰樣本的對象間平均光譜矢量距離在9.034～25.71之間,不同類相鄰樣本的對象間平均光譜矢量距離在36.00～369.7之間,因此,平均光譜矢量距離閾值T2應(yīng)設(shè)定在25.71～36.00之間,試驗中選擇35。最小分割區(qū)域閾值T3設(shè)置為20。

圖2 實例1試驗數(shù)據(jù)Fig.2 Experiment data of example 1

基于形態(tài)學(xué)差值剖面的分割方法[12]、eCognition多尺度分割方法也用于試驗影像的分割,并與本文所提出的方法進行比較?；谛螒B(tài)學(xué)差值剖面的分割方法,最好的分割尺度為15。eCognition多尺度分割中,形狀參數(shù)設(shè)置為0.1,緊湊度參數(shù)為0.5,最好的分割尺度為40。

3.1.3 分割結(jié)果評價

3.1.3.1 目視評價

圖3(見文末)展示了以建筑為主的區(qū)域3種方法的分割結(jié)果比較。從圖3(a)中可看出,在光譜差異度較小的地物如一些建筑物屋頂處,基于形態(tài)學(xué)差值剖面的分割方法[12]可以獲得較準確的分割效果。但是在內(nèi)部光譜特征變化較大的地物如屋頂復(fù)雜的建筑物、陰影處,分割區(qū)域則非常零碎,過分割嚴重。從圖3(b)和圖3(c)可以看出,本文提出的方法和eCognition多尺度分割均獲得了較好的分割結(jié)果,不僅在光譜差異度較小的區(qū)域可以分割出完整的地物,而且在具有較高光譜變化的地物如屋頂復(fù)雜的建筑物、陰影處,也可以獲得準確的分割結(jié)果。進一步比較發(fā)現(xiàn), eCognition多尺度分割在多個區(qū)域出現(xiàn)欠分割,如將植被和周圍的建筑物分割為一個區(qū)域,但在陰影區(qū)域,能夠正確分割出陰影內(nèi)的草坪等細節(jié)。本文提出的方法分割出的建筑物邊緣更為平滑清晰,且基本沒有植被和建筑混淆的欠分割現(xiàn)象。

圖4(見文末)展示了以植被為主的區(qū)域3種方法的分割結(jié)果比較。從圖4(a)中可看出,基于形態(tài)學(xué)差值剖面的分割方法[12]在光譜變化較小的建筑物區(qū)可得到較準確的分割結(jié)果,而在紋理清晰的樹木區(qū)、和運動場,分割結(jié)果都非常零碎,而且光譜特征差異明顯的樹木和建筑物被錯誤分割為同一地物,這可能是由于該方法沒有利用光譜信息。本文提出的分割方法和eCognition多尺度分割在整個區(qū)域均能獲得準確的分割結(jié)果(圖4(b)和(c)),但二者具有不同的特點。盡管本文提出的方法在植被區(qū)分割地會更零碎些,但仔細觀察,不同亮度的樹木被準確地分割開來,而eCognition多尺度分割仍然存在植被和周圍地物被分割為一個區(qū)域的欠分割現(xiàn)象;與eCognition多尺度分割相比,本文提出的方法分割出的建筑物內(nèi)部更加完整和均勻。此外,eCognition多尺度分割能夠很好地區(qū)分反射率低的房屋陰面和旁邊的陰影,但是本文提出的方法則在某些局部存在這兩者的欠分割?？傮w來看,本文提出的方法和eCognition多尺度分割各有優(yōu)劣。

3.1.3.2 定量評價

表1是Quickbird影像3種分割方法結(jié)果的定量評價比較。從表中可以看出,基于形態(tài)學(xué)差值剖面的分割方法[12]各項指標(biāo)值均最高,分割效果最差。本文提出的分割方法的4項指標(biāo)值都比eCognition多尺度分割略好,只有過分割指數(shù)較高,表明本文所提出的方法過分割程度稍高,這一點與目視觀察一致,但這種過分割也在一定程度上避免了植被與周圍地物的混分?？傮w來看,定量評價的指標(biāo)也驗證了本文提出的結(jié)合結(jié)構(gòu)和光譜特征分割方法的有效性。

表1 不同方法分割結(jié)果的差異度指標(biāo)Tab.1 Discrepancy measure values between reference objects and segmentation results using different methods%

3.2 實例2

3.2.1 試驗數(shù)據(jù)

在第2個試驗中采用北京近郊的融合的IKONOS多光譜影像,空間分辨率為1 m、具有4個波段,影像大小為1300像素×1100像素,如圖5(a)。用于評價分割結(jié)果的參考樣本如圖5(b)示,共有各類參考對象(區(qū)域)121塊。

3.2.2 分割參數(shù)選擇

與實例1相同,采用選擇參考樣本來估計分割參數(shù)。本試驗最終選擇DMSPA閾值為0.1,區(qū)域平均光譜矢量距離閾值為55,最小分割區(qū)域閾值為30。

用于比較的基于形態(tài)學(xué)差值剖面的分割方法[12]中,最佳的分割尺度為15尺度。eCognition多尺度分割方法,形狀參數(shù)設(shè)置為0.1,緊湊度參數(shù)為0.5,最佳分割尺度為50。

圖5 實例2試驗數(shù)據(jù)Fig.5 Experiment data of example 2

3.2.3 分割結(jié)果評價

3.2.3.1 目視評價

圖6和圖7分別顯示了兩個不同的局部區(qū)域的分割結(jié)果,其中圖6是以建筑物為主的區(qū)域,而圖7則是同時包含建筑物、植被和水體等不同地物類別的區(qū)域(見文末)。從圖6可以看出,基于形態(tài)學(xué)差值剖面的分割方法[12]過分割現(xiàn)象嚴重,而eCognition多尺度分割和本文提出的分割效果較好。后兩者比較而言,eCognition多尺度分割的結(jié)果中仍存在植被和周圍地物的欠分割現(xiàn)象,而本文提出的方法對建筑物、道路都分割完整清晰、邊緣平滑。

從圖7可以看出,基于形態(tài)學(xué)差值剖面的分割方法[12]過分割現(xiàn)象嚴重,而其他兩種方法的分割結(jié)果明顯優(yōu)于該方法。進一步比較發(fā)現(xiàn),本文提出的方法在水體、不同形狀道路的分割中都比基于形態(tài)學(xué)差值剖面的分割方法[12]、eCognition多尺度分割方法更準確,而eCognition多尺度分割對結(jié)構(gòu)非常復(fù)雜的高層建筑,則能得到更完整和準確的結(jié)果。

3.2.3.2 定量評價

表2是IKONOS影像3種分割方法結(jié)果的定量評價比較。對比3種方法的分割結(jié)果評價指標(biāo),基于形態(tài)學(xué)差值剖面的分割方法[12]在平均周長差異指數(shù)、平均形狀差異指數(shù)、過分割指數(shù)3項指標(biāo)都明顯高于其他兩種方法,其分割效果最差。本文提出的分割方法在平均周長差異指數(shù)和平均形狀差異指數(shù)兩項指標(biāo)低于eCognition多尺度分割方法,而在平均面積差異指數(shù)、過分割指數(shù)兩項指標(biāo)則高于eCognition,兩種方法的總誤差指數(shù)基本相同,表明兩者各有優(yōu)劣。IKONOS數(shù)據(jù)試驗的結(jié)果也驗證了本文提出的結(jié)合結(jié)構(gòu)和光譜特征分割方法的有效性。

表2 不同方法的分割結(jié)果的差異度指標(biāo)Tab.2 Discrepancy measure values between reference objects and segmentation results using different mehods%

4 結(jié) 論

本文提出了一種高分辨率多光譜遙感影像的分割方法。該方法綜合利用影像的結(jié)構(gòu)和光譜特征、采用區(qū)域生長策略進行分割。試驗結(jié)果表明,該方法優(yōu)于傳統(tǒng)的基于形態(tài)學(xué)差值剖面(即只利用結(jié)構(gòu)信息)的分割方法,并能獲得與商用軟件eCognition的多尺度分割方法相當(dāng)或更優(yōu)的分割效果。本文提出的分割方法適合于具有較明顯幾何形狀特征的城市地區(qū)高分辨率多光譜影像。未來可以進一步研究的內(nèi)容包括如何自動確定分割參數(shù)閾值以及如何改進分割中區(qū)域合并的步驟。

圖3 Quick Bird分割結(jié)果比較(局部1)Fig.3 Comparison of QuickBird image segmentation results(portion 1)

圖4 QuickBird分割結(jié)果比較(局部2)Fig.4 Comparison of QuickBird image segmentation results(portion 2)

圖6 IKONOS分割結(jié)果比較(局部1)Fig.6 Comparison of IKONOS image segmentation results(portion 1)

圖7 IKONOS分割結(jié)果比較(局部2)Fig.7 Comparison of IKONOS image segmentation results(portion 2)

[1] LALIBERTE A S,RANGO A,HAVSTAD K M,et al.Object-oriented Image Analysis for Mapping Shrub Encroachment from 1937 to 2003 in Southern New Mexico [J].Remote Sensing of Environment,2004,93(1):198-210.

[2] SCHIEWE J,TUFTE L,EHLERS M.Potential and Problems of Multi-scale Segmentation Methods in Remote Sensing[EB/OL].[2012-12-08].http:∥www.ecognition com/document/potential-and-problems-multi-scale-segmentation-methods-remote-sensing.

[3] BLASCHKE T,LANG S,LORUP E,et al.Object-oriented Image Processing in an Integrated GIS/Remote Sensing Environment and Perspectives for Environmental Applications[J].Environmental Information for Planning, Politics and the Public,2000(2):555-570.

[4] BAATZ M,SCHAPE A.Multiresolution Segmentation: An Optimization Approach for High Quality Multi-scale Image Segmentation[J].Angewandte Geographische Informations-Verarbeitung,2000(1):12-23.

[5] WOODCOCK C,HARWARD V J.Nested-hierarchical Scene Models and Image Segmentation[J].International Journal of Remote Sensing,1992,13(16):3167-3187.

[6] BILGIN G,ERTURK S,YILDIRIM T.Segmentation of Hyperspectral Images via Subtractive Clustering and Cluster Validation Using One-class Support Vector Machines[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(8):2936-2944.

[7] LEE S,LEE C.Unsupervised Segmentation for Hyperspectral Images Using Mean Shift Segmentation[C]∥Proceedings of SPIE Satellite Data Compression Communications Conference.San Diego:[s.n.],2010,7810(11):1-6.

[8] XIAO Pengfeng,FENG Xuezhi,ZH AO Shuhe,et al.Segmentation of High-resolution Remotely Sensed Imagery Based on Phase Congruency[J].Acta Geodaetica et Cartographica Sinica,2007,36(2):146-151.(肖鵬峰,馮學(xué)智,趙書河,等.基于相位一致的高分辨率遙感圖像分割方法[J].測繪學(xué)報,2007,36(2):146-151.)

[9] WU Zhaocong,HU Zhongwen,ZHANG Qian,et al.On Combining Spectral,Textural and Shape Features for Remote Sensing Image Segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.(巫兆聰,胡忠文,張謙,等.結(jié)合光譜紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J].測繪學(xué)報,2013,42(1):44-50.)

[10] MELGANI F,SERPICO S B.A Markov Random Field Approach to Spatio-temporal Contextual Image Classification[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(11):2478-2487.

[11] YU Peng,ZHANG Zhenlong,HOU Zhiqun.Textured Image Segmentation Based on Gauss Markov Random Field Mixture Model[J].Acta Geodaetica et Cartographica Sinica, 2006,35(3):224-228.(余鵬,張震龍,侯至群.基于高斯馬爾可夫隨進場混合模型的紋理圖像分割[J].測繪學(xué)報,2006,35(3):224-228.)

[12] PESARESI M,BENEDIKTSSON J A.A New Approach for the Morphological Segmentation of High-resolution Satellite Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(2):309-320.

[13] PLAZA A,MARTINEZ P,PEREZ R,et al.Spatial/ Spectral Endmember Extraction by Multidimensional Morphological Operations[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(9):2025-2041.

[14] PLAZA A,MARTINEZ P,PEREZ R,et al.A New Method for Target Detection in Hyperspectral Imagery Based on Extended Morphological Profiles[C]∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Toulouse:IEEE,2003:3772-3774.

[15] AKCAY H,AKSOY S.Automatic Detection of Geospatial Objects Using Multiple Hierarchical Segmentations[J].IEEE Transactions on Geoscience and Remote Sensing, 2008,46(7):2097-2111.

[16] SERRA J.Image Analysis and Mathematical Morphology [M].London:[s.n.],1982.

[17] CUI Yi.Image Processing and Analysis:Mathematical Morphology Methods and Applications[M].Beijing: Science Press,2000.(崔屹.影像處理與分析:數(shù)學(xué)形態(tài)學(xué)方法及應(yīng)用[M].北京:科學(xué)出版社,2000.)

[18] HU Hongtao.Very High Resolution Imagery Segmentation Based on Extended Morphological Profiles[D].Beijing: Peking University,2006.(胡紅濤.基于擴展的形態(tài)學(xué)剖面的高分辨率遙感影像分割[D].北京:北京大學(xué),2006.)

[19] LI Peijun,HU Hongtao,GUO Jiancong.Segmentation of High-resolution Multispectral Image Based on Extended Morphological Profiles[C]∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Barcelona:IEEE,2007:1481-1484.

[20] BENEDIKTSSON A,PALMASON A,SVEINSSON J.Classification of Hyperspectral Data from Urban Areas Based on Extended Morphological Profiles[J].IEEE Transactions on Geoscience and Remote Sensing,2005, 43(3):480-491.

[21] KRUSE F A,LEFKOFF A B,BOARDMAN J B,et al.The Spectral Image Processing System(SIPS):Interactive Visualization and Analysis of Imaging Spectrometer Data[J].Remote Sensing of Environment,1993,44(2):145-163.

[22] TONG H,MAXWELL T,ZHANG Y,et al.A Supervised and Fuzzy-based Approach to Determine Optimal Multiresolution Image Segmentation Parameters[J].Photogrammetric Engineering and Remote Sensing,2012,78 (10):1029-1044.

[23] LI P,GUO J.A Multilevel Hierarchical Image Segmentation Method for Urban Impervious Surface Mapping Using Very High Resolution Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4(1):103-116.

[24] ZHANG Y.A Survey on Evaluation Methods for Image Segmentation[J].Pattern Recognition,1996,29(8): 1335-1346.

[25] NEUBERT M,MEINEL G.Evaluation of Segmentation Programs for High Resolution Remote Sensing Applications[EB/OL].[2012-11-15].http:∥www.2ioer, de/recherche/pdf/2003-neubert-meinel-isprshannover.pdf.

[26] CARLEER A P,DEBEIR O,WOLFF E.Assessment of Very High Spatial Resolution Satellite Image Segmentations [J].Photogrammetric Engineering and Remote Sensing, 2005,71(11):1285-1294.

(責(zé)任編輯:陳品馨)

A High Resolution Image Segmentation Method by Combined Structural and Spectral Characteristics

LIU Jing,LI Peijun
School of Earth and Space Sciences,Peking University,Beijing 100871,China

Image segmentation is a key and prerequisite step for object-based analysis of very high resolution(VHR)images.Previous image segmentation methods usually use either structural or spectral information of the image alone.A novel image segmentation method for VHR multispectral images using combined structural and spectral information was proposed in this paper.The method can be summarized as follows.First,morphological derivative profile was calculated to quantify structural characteristics.Then the similarity of neighboring pixels was measured with an angle distance of pixels’structural and spectral characteristics.The initial segmentation results were achieved using a region growing procedure based on similarity of pixels in structural and spectral characteristics.The result was further refined by a region merging procedure to generate final segmentation result.The proposed method was evaluated by comparing with existing image segmentation methods through visual inspection and quantitative measures.Experimental results indicate that the proposed method achieves a better performance compared to the existing method.The proposed method applies well in high resolution multispectral image of urban areas.Key words:high resolution image;image segmentation;structural and spectral characteristics;mathematical morphology;region growing

LIU Jing(1989—),female,postgraduate, majors in remote sensing information processing.

P237

A

1001-1595(2014)02-0466-08基金項目:國家863計劃(2008AA121806)

2013-02-04

劉婧(1989—),女,碩士生,研究方向為遙感信息處理。

E-mail:liujingxitu＠gmail.com

LIU Jing,LI Peijun.A High Resolution Image Segmentation Method by Combined Structural and Spectral Characteristics[J].Acta Geodaetica et Cartographica Sinica,2014,43(5):466-473.(劉婧,李培軍.結(jié)合結(jié)構(gòu)和光譜特征的高分辨率影像分割方法[J].測繪學(xué)報,2014,43(5):466-473.)

10.13485/j.cnki.11-2089.2014.0087

修回日期:2013-09-02