自適應(yīng)特征加權(quán)的Gibbs隨機(jī)場(chǎng)影像分割方法

陳榮元,徐雪松,李廣瓊,申立智,劉星寶

(1.湖南商學(xué)院湖南省移動(dòng)電子商務(wù)協(xié)同創(chuàng)新中心 移動(dòng)商務(wù)智能湖南省重點(diǎn)實(shí)驗(yàn)室,湖南長(zhǎng)沙410205；2.國(guó)防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院,湖南長(zhǎng)沙 410073)

?

自適應(yīng)特征加權(quán)的Gibbs隨機(jī)場(chǎng)影像分割方法

陳榮元1,2,徐雪松1,李廣瓊1,申立智1,劉星寶1,2

(1.湖南商學(xué)院湖南省移動(dòng)電子商務(wù)協(xié)同創(chuàng)新中心 移動(dòng)商務(wù)智能湖南省重點(diǎn)實(shí)驗(yàn)室,湖南長(zhǎng)沙410205；2.國(guó)防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院,湖南長(zhǎng)沙 410073)

針對(duì)現(xiàn)有分割算法很少同時(shí)兼顧不同特征分量區(qū)分能力的差異和相鄰像素間的相關(guān)性的問(wèn)題,提出了一種結(jié)合Gibbs隨機(jī)場(chǎng)的特征加權(quán)遙感影像分割方法.該方法首先依據(jù)訓(xùn)練樣本計(jì)算各特征分量的區(qū)分能力,確定不同地物類(lèi)別相應(yīng)的特征分量的權(quán)重；然后利用加權(quán)最小距離分類(lèi)法對(duì)影像進(jìn)行初始分割,并利用Gibbs隨機(jī)場(chǎng)來(lái)描述像素的空間相關(guān)性；最后綜合Gibbs隨機(jī)場(chǎng)描述的標(biāo)記場(chǎng)和加權(quán)最小距離分類(lèi)法描述的特征場(chǎng)來(lái)獲取影像的最終分割結(jié)果.實(shí)驗(yàn)結(jié)果表明,Gibbs隨機(jī)場(chǎng)能夠有效地描述空間相關(guān)性,根據(jù)區(qū)分能力確定的權(quán)重強(qiáng)化了區(qū)分能力強(qiáng)的特征分量.

影像分割；Gibbs隨機(jī)場(chǎng)；區(qū)分能力；特征加權(quán)

1 引言

影像分割是面向?qū)ο笥跋穹治龅幕A(chǔ),分割結(jié)果對(duì)后續(xù)的分析處理具有重要的影響[1,2].遙感影像細(xì)節(jié)信息豐富,同物異譜和異物同譜現(xiàn)象廣泛存在,很難根據(jù)單一特征準(zhǔn)確區(qū)分地物,綜合利用多種特征通?？梢蕴岣叻指罱Y(jié)果的穩(wěn)健性,多特征多方法結(jié)合的影像分割方法已經(jīng)成為當(dāng)前研究的熱點(diǎn)[3,4].

為了彌補(bǔ)單一特征分割能力不足的缺點(diǎn),很多研究者綜合使用多種特征進(jìn)行分割.例如,結(jié)合光譜和空間特征的多項(xiàng)式回歸馬爾可夫隨機(jī)場(chǎng)分割方法[5].結(jié)合結(jié)構(gòu)信息和光譜信息的區(qū)域生成與合并方法[6],結(jié)合顏色、紋理和空間信息的區(qū)域生長(zhǎng)與聚類(lèi)方法[7].結(jié)合光譜和紋理特征的模糊支持向量機(jī)分割方法[8].綜合多種極化特征和形狀特征,采用分形網(wǎng)絡(luò)演化算法及多元線(xiàn)性回歸模型的分割方法[9].將影像灰度值、灰度分布統(tǒng)計(jì)及影像紋理能量統(tǒng)計(jì)作為紋理表征的特征向量,利用模糊C均值算法對(duì)特征向量進(jìn)行聚類(lèi)的分割方法[10].

將多種特征用于分割時(shí),如何度量各特征分量對(duì)不同地物分割的貢獻(xiàn)程度從而確定各分量對(duì)應(yīng)的權(quán)重,如何刻畫(huà)相鄰像素間的相互影響還待進(jìn)一步研究.文獻(xiàn)[11,12]只探索了前者,分割結(jié)果的邊界不夠理想,為此,本文提出了一種綜合Gibbs隨機(jī)場(chǎng)的加權(quán)多特征半監(jiān)督影像分割方法.該方法首先根據(jù)方差越小的特征分量,其區(qū)分能力越強(qiáng)的原則,計(jì)算不同地物類(lèi)別相應(yīng)的特征分量的權(quán)重；然后將各類(lèi)訓(xùn)練樣本的特征加權(quán)和作為對(duì)應(yīng)類(lèi)別的聚類(lèi)中心,并利用加權(quán)最小距離分類(lèi)法對(duì)影像進(jìn)行初始分割；再利用Gibbs隨機(jī)場(chǎng)來(lái)刻畫(huà)相鄰像素空間相關(guān)性；最后綜合Gibbs隨機(jī)場(chǎng)描述的標(biāo)記場(chǎng)和加權(quán)最小距離分類(lèi)法描述的特征場(chǎng)來(lái)對(duì)影像進(jìn)行最終的分割.實(shí)驗(yàn)結(jié)果表明,本文算法能有效地刻畫(huà)像素間的空間相關(guān)性,提高影像的分割精度.

2 Gibbs隨機(jī)場(chǎng)模型

對(duì)原始影像Y,如用S表示Y的空間坐標(biāo)的集合,像素間的空間關(guān)系可通過(guò)鄰域系統(tǒng)N={Ni,i∈s}來(lái)描述,其中Ni為與像素i相鄰的像素點(diǎn)集合,一般滿(mǎn)足以下二點(diǎn):(1)某點(diǎn)的鄰域不包括該點(diǎn)本身,即i?Ni,(2)互為鄰域,即i∈Nj?j∈Ni.

如果用X={xi}i∈S來(lái)表示Y的類(lèi)別標(biāo)記集合,即標(biāo)記場(chǎng),當(dāng)隨機(jī)場(chǎng)X滿(mǎn)足:

p(x)>0,?x∈X

和P(xi|xs,?s∈S/{i})=P(xi|xNi),

則X是在坐標(biāo)集s上關(guān)于鄰域系統(tǒng)N的Markov隨機(jī)場(chǎng)(Markov Random Field,MRF).由MRF的定義可知,隨機(jī)場(chǎng)中當(dāng)前像素的標(biāo)記僅與其鄰域中像素的標(biāo)記相關(guān),與其它位置像素的標(biāo)記情況無(wú)關(guān).

根據(jù)Hamersley-Clifford theorem定理,MRF隨機(jī)場(chǎng)的聯(lián)合概率分布與Gibbs隨機(jī)場(chǎng)的聯(lián)合概率分布等價(jià),即

Gibbs隨機(jī)場(chǎng)理論可以用來(lái)有效刻畫(huà)像素間的相鄰關(guān)系,為在影像分割中引人空間信息提供了一種有效的工具[13].

3 基于區(qū)分能力的特征加權(quán)算法

在遙感影像分割中,對(duì)于各特征分量,若簡(jiǎn)單地給所有特征分量分配相同的權(quán)重,往往會(huì)扭曲特征對(duì)最終分割的貢獻(xiàn)[12].文獻(xiàn)[11,12]根據(jù)各特征分量的區(qū)分能力來(lái)確定對(duì)應(yīng)的權(quán)重,取得了比較好的效果,具體過(guò)程如下:

記總類(lèi)別數(shù)為J,類(lèi)別j有Nj個(gè)訓(xùn)練樣本(j=1……J),特征維數(shù)為M.

1)對(duì)特征各維分量進(jìn)行歸一化處理；

5)對(duì)于每個(gè)類(lèi)別j,計(jì)算標(biāo)記為該類(lèi)別的每個(gè)訓(xùn)練樣本i的加權(quán)特征向量:

7)計(jì)算每個(gè)訓(xùn)練樣本與各個(gè)類(lèi)別加權(quán)中心的距離,將其歸于最小距離所對(duì)應(yīng)的類(lèi)別,獲得每個(gè)訓(xùn)練樣本的初始分割類(lèi)別,像素i所屬類(lèi)別Li為:

8)對(duì)于每個(gè)類(lèi)別j,計(jì)算那些參考標(biāo)記為j,但初始分割類(lèi)別不為j的訓(xùn)練樣本的特征向量的均值:

其中|Nj,Li≠j|表示訓(xùn)練標(biāo)記為j,但初始分割標(biāo)記不為j的訓(xùn)練樣本的數(shù)目；

9)計(jì)算各類(lèi)訓(xùn)練樣本錯(cuò)分為其他類(lèi)的像素的均值與該類(lèi)初始中心的距離:

其中abs為絕對(duì)值運(yùn)算符；

4 結(jié)合Gibbs隨機(jī)場(chǎng)的特征加權(quán)分割方法

影像分割中,對(duì)于區(qū)分能力較強(qiáng)的特征分量,賦予較大的權(quán)重,可強(qiáng)化其分割能力；有效地利用相鄰像素間的相關(guān)信息,有助于改善分割結(jié)果,因此,本文運(yùn)用Gibbs隨機(jī)場(chǎng)描述標(biāo)記場(chǎng),根據(jù)區(qū)分能力來(lái)確定特征分量的權(quán)重,分割算法的具體步驟如下:

1)根據(jù)第三節(jié)所確定的最終權(quán)重向量Wimproved,計(jì)算各類(lèi)別j的加權(quán)中心:

其中Xj,i表示類(lèi)別j的第i個(gè)訓(xùn)練樣本的特征向量；

2)分別計(jì)算每個(gè)像素i到各個(gè)類(lèi)別j的中心距離:

3)計(jì)算各個(gè)像素i對(duì)于類(lèi)別j的特征隸屬度:

4)根據(jù)Wimproved,采用最小距離分類(lèi)法對(duì)整幅影像初始分割,獲取每個(gè)像素的初始分割標(biāo)記Label；

5)根據(jù)標(biāo)記場(chǎng)Label,計(jì)算各個(gè)像素i關(guān)于類(lèi)別j的標(biāo)記場(chǎng)的先驗(yàn)概率:

其中Vj(xk|β)表示類(lèi)別j和xi的鄰域xk標(biāo)記之間的勢(shì)能量,其定義為:

6)綜合特征隸屬度和標(biāo)記場(chǎng)的先驗(yàn)分布,獲取各像素i對(duì)于j的隸屬度:

7)將各像素i歸類(lèi)其最大隸屬度所對(duì)應(yīng)的類(lèi)別,獲得最終的分割結(jié)果:

5 實(shí)驗(yàn)結(jié)果和分析

為驗(yàn)證本文算法的有效性,對(duì)文獻(xiàn)[11]所用的兩組遙感影像分別運(yùn)用了5種對(duì)比方案進(jìn)行分割,并采用整體分割精度(Overall Accuracy,OA)和Kappa系數(shù)量化分析了各種方案分割的效果.5種方案如下:

方案1:采用自適應(yīng)特征加權(quán)的最鄰近分割方法[11],根據(jù)影像光譜信息(原始像素值)對(duì)影像進(jìn)行分割.

方案2:運(yùn)用本文第四節(jié)所描述的算法,根據(jù)影像光譜信息對(duì)影像進(jìn)行分割.

方案3:采用自適應(yīng)特征加權(quán)的最鄰近分割方法,根據(jù)影像的形態(tài)剖面特征和影像光譜特征來(lái)分割影像.其中形態(tài)剖面特征是通過(guò)文獻(xiàn)[14,15]所介紹的方法對(duì)待分割影像進(jìn)行數(shù)學(xué)形態(tài)濾波的結(jié)果,參照文獻(xiàn)[11]選用了區(qū)域面積、區(qū)域外接矩形的對(duì)角線(xiàn)長(zhǎng)度、一階不變矩和區(qū)域內(nèi)像素值的標(biāo)準(zhǔn)方差4種特征.

方案4:運(yùn)用本文第四節(jié)所描述的算法,根據(jù)影像的形態(tài)剖面特征和影像光譜特征來(lái)分割影像.

方案5:采用支持向量機(jī),根據(jù)形態(tài)剖面特征和光譜特征分割方法,首先利用訓(xùn)練樣本的形態(tài)剖面特征和影像光譜特征訓(xùn)練支持向量機(jī),然后用訓(xùn)練好的支持向量機(jī)根據(jù)形態(tài)剖面特征和光譜特征來(lái)分割影像.5.1 紋理遙感影像分割

紋理遙感影像為武漢地區(qū)的QuickBird影像數(shù)據(jù),如圖1(a)所示,大小為256×256,其中灌木和樹(shù)木兩類(lèi)地物的光譜和紋理都比較相似,并且同一類(lèi)地物的光譜差異顯著.5種方案的測(cè)試、訓(xùn)練和分割結(jié)果如圖1所示:

從圖1(d)和圖1(e)可以看出:只使用了光譜信息的方案1和方案2,大體上能夠?qū)?shù)木和灌木兩種地物分開(kāi),但由于樹(shù)木和灌木兩者的紋理比較相似,并且同一類(lèi)地物的光譜變化也比較大,兩種方案對(duì)樹(shù)木和灌木都存在較多的誤分,其中方案2比方案1的效果稍微好些,這表明本文分割算法優(yōu)于文獻(xiàn)[11]介紹的自適應(yīng)特征加權(quán)分割方法.從圖1(f)和圖1(g)可看出,使用相同的特征,就分割效果而言,方案4明顯優(yōu)于方案3,這再次表明本文方法優(yōu)于文獻(xiàn)[11]的方法.

方案3和方案4的分割結(jié)果,整體優(yōu)于方案1和方案2的分割結(jié)果,這表明引入形態(tài)剖面特征,有助于改善光譜特征相近地物的分割效果.為了準(zhǔn)確定量地比較5種分割方案,表1列出了5種分割方案結(jié)果的總體精度和Kappa系數(shù).

表1 5種方案作用于紋理遙感影像的結(jié)果

圖1 (h)所示為支持向量機(jī)的分割結(jié)果,分割效果要優(yōu)于其他4種方案,將灌木錯(cuò)分為樹(shù)木的比例相當(dāng)小,這與支持向量機(jī)良好的二分能力相吻合.但是支持向量機(jī)需要較長(zhǎng)的訓(xùn)練時(shí)間.

5.2 標(biāo)準(zhǔn)假彩色遙感影像分割

標(biāo)準(zhǔn)假彩色遙感影像數(shù)據(jù)為HYDICE(高光譜數(shù)字影像采集實(shí)驗(yàn)系統(tǒng))拍攝的華盛頓部分街區(qū)的高光譜數(shù)據(jù),原始影像大小為1208×307,實(shí)驗(yàn)影像2(a)為其中第543行到第822行之間的部分,從原始影像的220個(gè)波段中選取了三個(gè)波段(63,52,36)組成標(biāo)準(zhǔn)假彩色影像.為了便于比較,訓(xùn)練和測(cè)試數(shù)據(jù)沿用文獻(xiàn)[11]所用的數(shù)據(jù),具體如表2所示:

標(biāo)準(zhǔn)假彩色遙感影像實(shí)驗(yàn)數(shù)據(jù)如下圖2所示:

表2 訓(xùn)練和測(cè)試數(shù)據(jù)

從圖2可以看出:由于礫石路、街道和屋頂三者的光譜比較類(lèi)似,如圖2(d)和圖2(e)所示,只使用影像光譜信息的2種分割方案,將大量的屋頂誤分為礫石路和街道,將部分街道誤分為屋頂.其中方案2總體上比方案1的分割效果好些,這表明引入Gibbs隨機(jī)場(chǎng)描述的標(biāo)記場(chǎng),有助于改善分割效果.

綜合使用了光譜和形態(tài)剖面特征的方案3和方案4,相比只使用光譜信息的方案1和方案2,有效降低了光譜相近的礫石路、街道和屋頂3種地物的錯(cuò)分程度,改善了分割效果.如圖2(f)和圖2(g)所示,方案4比方案3更準(zhǔn)確的分開(kāi)了礫石路、街道和屋頂,這表明本文的方法比文獻(xiàn)[11]中的方法分割精度更高.

為了更好地比較5種方案的分割效果,對(duì)于偽彩色遙感影像,表3給出了相應(yīng)分割結(jié)果的總體精度和Kappa系數(shù):

表3 5種方案作用于標(biāo)準(zhǔn)假彩色遙感影像的結(jié)果

圖2(h)所示支持向量機(jī)的分割結(jié)果不太理想,對(duì)于多類(lèi)分割,本文方法優(yōu)于支持向量機(jī),并且訓(xùn)練時(shí)間也少得多.

6 結(jié)論

本文對(duì)遙感影像分割方法中存在問(wèn)題進(jìn)行了分析,提出了一種綜合Gibbs隨機(jī)場(chǎng)的特征自適應(yīng)加權(quán)分割方法.實(shí)驗(yàn)結(jié)果表明,對(duì)于紋理和標(biāo)準(zhǔn)假彩色遙感影像,分別采用光譜特征與同時(shí)采用光譜和形態(tài)剖面特征,本文提出的方法都比傳統(tǒng)的自適應(yīng)特征加權(quán)分割方法的效果好,且時(shí)間復(fù)雜度增加不多.這說(shuō)明在特征加權(quán)影像分割算法中,引入標(biāo)記場(chǎng)有助于提高分割精確度.兩組實(shí)驗(yàn)表明,形態(tài)剖面特征能有效地區(qū)分光譜類(lèi)似的多類(lèi)地物,并且提取形態(tài)剖面特征的時(shí)間復(fù)雜度較低,為O(NG+4LN),其中N為影像中像素的個(gè)數(shù),G為影像灰度級(jí)數(shù),L為濾波層數(shù)[14].對(duì)于多類(lèi)別分割問(wèn)題,本文方法優(yōu)于支持向量機(jī),對(duì)于二分問(wèn)題,本文方法分割能力雖然不如支持向量機(jī),但本文方法訓(xùn)練時(shí)間復(fù)雜度為Ο(M×N),N和M分別為訓(xùn)練樣本數(shù)目和特征向量維數(shù),比支持向量機(jī)所需要訓(xùn)練時(shí)間少得多.

[1]Yuan J,Wang D,Li R.Remote sensing image segmentation by combining spectral and texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2014,62(1).

[2]Zheng C,Wang L,Chen R.,Chen X.Image segmentation using multi-region-resolution MRF model[J].IEEE Geoscience and remote sensing letters,2013,10(4):816-820.

[3]王荔霞,謝維信,裴繼紅.多高斯模型特征空間覆蓋學(xué)習(xí)的海洋航攝圖像分割[J].電子學(xué)報(bào),2014,42(10):2117-2122.

Wang Li-xia,Xie Wei-xin,Pei Ji-hong.Aerial ocean image segmentation using multi-gauss model characteristic space cover learning[J].Acta Electronica Sinica,2014,42(10):2117-2122 (in Chinese).

[4]姜慧研,馮銳杰.基于改進(jìn)的變分水平集和區(qū)域生長(zhǎng)的圖像分割方法的研究[J].電子學(xué)報(bào),2012,40(8):1659-1664.

Jiang Hui-yan,Feng Rui-jie.Image segmentation method research based on improved variational level set and region growth[J].Acta Electronica Sinica,2012,40(8):1659-1664 (in Chinese).

[5]Li J,Bioucas-Dias J M,Antonio Plaza.Spectral-spatial hyperspectral image segmentation using subspace multinomial logistic regression and Markov random fields [J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(3):809-823.

[6]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(cè)繪學(xué)報(bào),2014,43(5):466-473.

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 (in Chinese).

[7]Rashedi E,Hossein Nezamabadi-pour.A stochastic gravitational approach to feature based color image segmentation[J].Engineering Applications of Artificial Intelligence,2013,26(4):1322-1332.

[8]Mylonas S K,Stavrakoudis D G,Theocharis J B.GeneSIS:a GA-based fuzzy segmentation algorithm for remote sensing images[J].Knowledge-Based Systems,2013,54(12):86-102.

[9]黃曉東,劉修國(guó),陳啟浩,陳奇.一種綜合多特征的全極化SAR建筑物分割模型[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2013,38:(4):450-454.

Huang Xiaodong,Liu Xiuguo,Chen Qihao,Chen QI.An integrated multi-characteristics buildings segmentation model of polSAR images[J].Geomatics and Information Science of Wuhan University,2013,38(4):450-454 (in Chinese).

[10]朱映輝,江玉珍,歐陽(yáng)春娟.基于特征加權(quán)的自然紋理FCM聚類(lèi)分割算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2010,20 (1):108-110+115.

Zhu Ying-hui,Jiang Yu-zhen,Ouyang Chun-juan.Natural texture segmentation algorithm based on weighted features FCM clustering [J].Computer Technology and Development,2010,20(1):108-110+115 (in Chinese).

[11]陳榮元,徐雪松,鄭晨,申立智,李廣瓊.結(jié)合光譜和形態(tài)剖面特征自適應(yīng)加權(quán)影像分類(lèi)[J].儀器儀表學(xué)報(bào),2014,35(10):2321-2327.

Chen Rongyuan,Xu Xuesong,Zheng Chen,Shen Lizhi,Li Guangqiong.Adaptively weighted image classification based on spectral and morphological attribute profile features [J].Chinese Journal of Scientific Instrument,2014,35(10):2321-2327(in Chinese).

[12]王雷光,劉國(guó)英,梅天燦,秦前清.一種光譜與紋理特征加權(quán)的高分辨率遙感紋理分割算法[J].光學(xué)學(xué)報(bào),2009,29(11):3010-3017.

Wang Leiguang,Liu Guoying,Mei Tiancan,Qin Qianqing.A segmentation algorithm for high-resolution remote sensing texture based on spectral and texture information weighting[J].Acta Optica Sinica,2009,29(11):3010-3017 (in Chinese).

[13]馮衍秋,陳武凡,梁斌,林亞忠.基于Gibbs隨機(jī)場(chǎng)與模糊均值聚類(lèi)的圖像分割新算法[J].電子學(xué)報(bào),2004,32(4):645-647.

Feng Yan-qiu,Chen Wu-fan,Liang Bin,Lin Ya-zhong.A new algorithm for image segmentation based on gibbs random field and fuzzy c-means clustering [J].Acta Electronica Sinica,2004,32(4):645-647 (in Chinese).

[14]Mura M D,Benediktsson J A,Waske B,Bruzzone L.Morphological attribute profiles for the analysis of very high resolution images[J].IEEE Transactions on Geoscience and Remote Sensing 2010,48(10):3747-3762.

[15]Mura M D,Benediktsson J A,Waske B,Bruzzone L.Extended profiles with morphological attribute filters for the analysis of hyperspectral data[J].International Journal of Remote Sensing,2010,31(22):5975-5991.

陳榮元 男,1976年6月生,江蘇興化人,2010年于武漢大學(xué)獲得博士學(xué)位,計(jì)算機(jī)學(xué)會(huì)高級(jí)會(huì)員,現(xiàn)為湖南商學(xué)院高級(jí)實(shí)驗(yàn)師、國(guó)防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院博士后,主要研究方向?yàn)閳D像處理和數(shù)據(jù)挖掘.

E-mail:chenrongyuan@126.com

申立智(通信作者) 男,1983年6月生,湖南邵東人,2011年于長(zhǎng)沙理工大學(xué)獲得碩士學(xué)位,主要研究方向?yàn)閳D像處理和數(shù)據(jù)挖掘.

E-mail:slzzx1983@163.com

Image Segmentation by Combining Adaptively Weighted Features with Gibbs Random Field

CHEN Rong-yuan1,2,XU Xue-song1,LI Guang-qiong1,SHEN Li-zhi1,LIU Xing-bao1,2

(1.MobileE-businessCollaborativeInnovationCenterofHunanProvince,KeyLaboratoryofHunanProvinceforMobileBusinessIntelligence,HunanUniversityofCommerce,Changsha,Hunan410205,China;2.SchoolofComputer,NationalUniversityofDefenseTechnology,Changsha,Hunan410073,China)

Few existing image segmentation methods simultaneously take into account both the distinguishability of different features and the relationship between neighboring pixels.In this paper,a novel image segmentation algorithm is proposed by combining the adaptively weighted features with the Gibbs random field.First,the distinguishability of each component of image features for each land-cover type is defined as a weight parameter,which is determined by the corresponding component of the training samples belonging to the same land-cover type.Second,the initial segmentation is obtained by using the minimum distance classifier,and the spatial correlations of neighboring pixels are modeled by the Gibbs random field.Finally,the label field,which is modeled as the label prior of Gibbs random field,and feature field,which is represented as the normalized weighted distance of weighted features,are combined together to generate the segmentation result.Experimental results demonstrate that the Gibbs random field can effectively describe the spatial relationship,and the adjusted weight can strengthen the distinguishability of the feature component,which can distinguish different land-cover objects accurately.

image segmentation;Gibbs random field;distinguishability;feature weighting

2015-05-04；

2015-10-08；責(zé)任編輯:郭游

國(guó)家自然科學(xué)基金(No.41101425,No.61471170,No.61304253);湖南省自然科學(xué)基金(No.2016JJ2070)；湖南省科技計(jì)劃重點(diǎn)項(xiàng)目(No.2014ZK2028);湖南省教育廳資助科研項(xiàng)目(No.16A114)

TP391.41,TP751

A

0372-2112 (2016)10-2351-06

??學(xué)報(bào)URL:http://www.ejournal.org.cn

10.3969/j.issn.0372-2112.2016.10.010