顧及多尺度分割參數(shù)的FNEA面向?qū)ο蠓诸?/h1>
2018-04-08 01:45:48魯鐵定
測繪通報(bào) 2018年3期
孫 坤，魯鐵定
(1. 東華理工大學(xué)測繪工程學(xué)院，江西 南昌 330013； 2. 流域生態(tài)與地理環(huán)境監(jiān)測國家測繪地理信息局重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013)
隨著遙感技術(shù)不斷進(jìn)步，目前商用高分辨率遙感影像能夠提供越來越豐富的幾何、光譜、時(shí)相、紋理等特征，如何利用遙感影像的特征對影像進(jìn)行解譯是研究的重點(diǎn)。傳統(tǒng)影像分類最基本、最概括的兩種方法監(jiān)督分類和非監(jiān)督分類具備各自特點(diǎn)[1]，但基于像元分類精度較難達(dá)到生產(chǎn)應(yīng)用的需求，而面向?qū)ο筮b感影像分析(geo-object-based image analysis,GeOBIA)能較好地解決此類問題，因此該方法被譽(yù)為遙感(RS)和地理信息系統(tǒng)(GIS)之間的橋梁[2]。
面向?qū)ο髨D像處理的必要先決條件是成功的圖像分割，隨著多尺度特征在影像分析中的凸顯，多尺度概念于21世紀(jì)初在影像分割處理中得到了較好的應(yīng)用，如分水嶺算法(Watersheds)[3]、均值漂移算法(Mean shift)[4-5]、自適應(yīng)四叉樹分割算法[6]、對象級(jí)的保邊緣影像平滑算法[7]、基于圖的分割算法[8]、分形網(wǎng)絡(luò)演化方法(FNEA)[9]。此外，黃昕從紋理、形狀和對象的角度來提取和分析影像的特征，研究了這些空間信息的多尺度特性[10]；王文杰等利用分割后圖像對象的光譜特征、紋理特征、形狀特征分別進(jìn)行了變化檢測[11]。為了高效地進(jìn)行分水嶺變換，盧官明提出了一種計(jì)算圖像形態(tài)梯度的多尺度算法[12]。丁月平采用“對象完整面積個(gè)數(shù)最多法”的分割方法，研究得出不同地物的分割尺度[13]。賈春陽根據(jù)不同影像對象的空間和光譜特征，自適應(yīng)地計(jì)算空間判據(jù)權(quán)值和緊湊度判據(jù)權(quán)值，改進(jìn)了FNEA方法，并將不同光譜分量對光譜判據(jù)的貢獻(xiàn)引入到影像對象之間異質(zhì)性的計(jì)算中[14]。
實(shí)際上，無論是何種方法，其實(shí)質(zhì)都是通過改進(jìn)多尺度分割算法去實(shí)現(xiàn)遙感影像有效分割處理，然而由于處理尺度方法的復(fù)雜性及其概念本身的復(fù)雜性，尺度參數(shù)如何選取一直是困擾遙感影像處理的難題。本文基于FNEA多尺度分割算法，在簡單介紹其特征的基礎(chǔ)上，通過實(shí)例設(shè)置12組不同的分割參數(shù)對QuickBird多光譜影像進(jìn)行分割處理，得出不同多尺度分割參數(shù)在時(shí)效方面的比較，利用CART分類器對其進(jìn)行面向?qū)ο蠓诸愄幚?，總結(jié)尺度參數(shù)對影像分類效果、分類精度的影響，為后續(xù)研究提供參考依據(jù)。
1 FNEA算法
1.1 FNEA算法介紹
分形網(wǎng)絡(luò)演化方法(fractal net evolution approach，F(xiàn)NEA)是Baatz M和Schape A在2000年提出的一種面向?qū)ο蟾叻直媛蔬b感影像多尺度圖像分割算法[9]，以分割對象的平均異質(zhì)度最小化作為分割根本原則，在分割前確定異質(zhì)度的分割參數(shù)(光譜因子和形狀因子)，通過調(diào)節(jié)影像分割的尺度參數(shù)，并通過從下而上(bottom-up)對象信息來進(jìn)行合并，最后獲取對象層次結(jié)構(gòu)結(jié)果。綜合考慮對象的光譜特征和空間特征結(jié)合使用，這樣才能使整幅影像所有分割對象優(yōu)于其他的多尺度分割算法，避免了傳統(tǒng)分割算法分割對象邊界比較破碎的問題。
FNEA是目前使用較多的面向?qū)ο笥跋穹治黾夹g(shù)的一種多尺度分割算法。該方法的依據(jù)為對象單元的異質(zhì)度在合并前后變化最小，在eCognition中的異質(zhì)度主要被認(rèn)為是對象的顏色和形狀，異質(zhì)度f的增加必須小于某一閾值[15]。表達(dá)式如下
(1)
式中，Δhcolor為光譜異質(zhì)度增量，wcolor為權(quán)重；Δhshape為形狀異質(zhì)度增量，wshape為權(quán)重。Δhshape由緊致度增量Δhcompt和光滑度增量Δhsmooth兩部分組成，權(quán)重分別為wcompt和wsmooth，計(jì)算公式為
(2)
式(2)中Δhcompt、Δhsmooth計(jì)算公式為
(3)
(4)
式中，nobj_1、nobj_2、σc,obj_1、σc,obj_2、lobj_1、lobj_2、bobj_1、bobj_2分別為要合并前兩個(gè)對象的像素個(gè)數(shù)、方差、周長及最小外接矩形邊界周長；nmerge、σc,merge、lmerge、bmerge分別為合并后對象的像素個(gè)數(shù)、方差、周長和最小外接矩形邊界周長。因此，平滑度異質(zhì)度等于事實(shí)上的邊界長度lmerge和由平行于光柵的圖像對象的邊界框給出的邊界長度bmerge的比值。
緊湊度異質(zhì)度等于實(shí)際邊界長度與構(gòu)成該圖像對象像素?cái)?shù)的平方根比值。權(quán)重wc、wcolor、wshape、wsmooth、wcompt是可以選擇的參數(shù)，以便為某些圖像數(shù)據(jù)堆棧和考慮的應(yīng)用程序獲得合適的分割結(jié)果。
1.2 FNEA算法流程
多尺度分割是一種自下而上(bottom-up)的方法，通過合并相鄰的像素或影像中小對象，在確保對象與對象之間平均異質(zhì)度最小、對象內(nèi)部像元之間同質(zhì)度最大的前提下，基于區(qū)域合并技術(shù)實(shí)現(xiàn)影像分割。FNEA是通過迭代的方式進(jìn)行對象的合并，在每一次的迭代過程中，若該對象與其鄰域?qū)ο笞钚‘愘|(zhì)度增量小于閾值，則將它與該鄰域?qū)ο蠛喜樾碌膶ο螅駝t不進(jìn)行合并操作。終止迭代的條件是在這次迭代過程中所有對象都沒有與其鄰域?qū)ο筮M(jìn)行合并，即該次迭代過程中異質(zhì)度的增加量超出了閾值[16]。具體分割流程如圖1所示。
2 試驗(yàn)結(jié)果與分析
本文通過eCognition Developer 8.7分析軟件對影像進(jìn)行分割分類處理，試驗(yàn)環(huán)境為：Intel(R)Pentium(R)CPU P6200 @ 2.13 GHz，RAM為2.00 GB。
2.1 研究區(qū)數(shù)據(jù)
研究數(shù)據(jù)為經(jīng)過裁剪的美國地區(qū)QuickBird 300×300多光譜影像(分辨率為2.4 m)。影像已經(jīng)過幾何糾正、大氣校正等處理，參與分類的波段為紅(R)、綠(G)、藍(lán)(B)和近紅外(NIR)。該區(qū)域典型的地物有水體、建筑、道路、草地、林地及建筑用地六大類，如圖2所示。
圖2 QuickBird多光譜影像
2.2 不同分割方法對QuickBird影像分割效果對比試驗(yàn)
試驗(yàn)采用棋盤分割、四叉樹分割、多尺度分割、多尺度分割+光譜差異4種分割方法得到分割效果圖，如圖3所示。
棋盤分割算法產(chǎn)生簡單的正方形對象；四叉樹分割[6]與棋盤分割類似，在裁剪出一個(gè)初始的正方形網(wǎng)格后，繼續(xù)進(jìn)行四叉樹分割，并將不符合同質(zhì)性標(biāo)準(zhǔn)的正方形裁剪成4個(gè)較小的正方形；多尺度影像分割[7]從任一個(gè)像元開始,采用自下而上(bottom-up)的區(qū)域合并方法形成對象；光譜差異分割基于上面3種分割算法所得到的分割結(jié)果，通過分析相鄰分割對象的亮度差異是否滿足給定的閾值，來決定是否將對象進(jìn)行合并。
圖3 不同分割方法對QuickBird影像分割效果對比試驗(yàn)
由于影像分割后的效果直接關(guān)系分類效果及精度，通過目視解譯方式對4種不同的分割方法得到分割效果圖進(jìn)行對比可知，多尺度分割算法能最大限度地保留分割后影像的真實(shí)性，分割邊界較好地反映了各地物之間的差異，因此本文最終選取多尺度分割為本文的分割方法。
2.3 基于FNEA面向?qū)ο蟾叻直媛蔬b感影像提取方法
本文通過ArcGIS軟件結(jié)合目視解譯的輔助辦法對QuickBird多光譜影像進(jìn)行點(diǎn)矢量選取，選取水體、建筑、道路、草地、林地、建筑用地六大類地物，導(dǎo)入eCognition Developer8.7面向?qū)ο蠓治鲕浖?，?開始，以5為單位向上遞增，共選取12組參數(shù)進(jìn)行分割試驗(yàn)，統(tǒng)計(jì)分割時(shí)間。利用CART分類器對多尺度分割參數(shù)Scale設(shè)置為5、10、15、20、25、30、35、40、45、50、55、60的12組不同分割尺度參數(shù)下分割影像進(jìn)行分類，采取與訓(xùn)練樣本相同的方式隨機(jī)選取190個(gè)矢量地物點(diǎn)對面向?qū)ο驝ART分類器方法的地物分類結(jié)果進(jìn)行精度評(píng)價(jià)。具體流程如圖4所示。
2.4 面向?qū)ο蠓指罘诸愄幚?/h3>
對影像進(jìn)行分割試驗(yàn)，每組分割參數(shù)進(jìn)行3次分割試驗(yàn)，選取試驗(yàn)平均值。從5開始，以5為單位向上遞增，共選取12組參數(shù)進(jìn)行分割試驗(yàn)。通過分割時(shí)間數(shù)據(jù)對比可知，隨著分割參數(shù)的增大，影像分割時(shí)間遞減，并在后期趨于穩(wěn)定。分割參數(shù)與影像分割時(shí)間統(tǒng)計(jì)見表1。
圖5顯示了不同分割參數(shù)下CART分類器分類效果。表2顯示了12組不同分割尺度參數(shù)下CART分類器分類總體精度及Kappa系數(shù)情況。
隨著分割尺度的增大，錯(cuò)分類現(xiàn)象隨之出現(xiàn)，不同地物之間的關(guān)系也模糊不清，因此在進(jìn)行多尺度分割參數(shù)選擇時(shí)，應(yīng)選擇小尺度分割參數(shù)，這樣能最大可能地保留地物的準(zhǔn)確性，并在后期的精度驗(yàn)證中具有優(yōu)勢。
表2 12組分割尺度參數(shù)對應(yīng)的總體精度和Kappa系數(shù)
圖6顯示了CART樹分類器在不同分割參數(shù)下所得到的總體精度及Kappa系數(shù)變化趨勢，由圖中可以看出，隨著分割尺度參數(shù)的增加，精度呈下滑趨勢。因此，小尺度分割參數(shù)比大尺度分割參數(shù)在地物精度驗(yàn)證結(jié)果中具有相對較好的優(yōu)勢，且當(dāng)分割參數(shù)Scale=10時(shí)，分類精度達(dá)到最好的級(jí)別。綜合考慮分類時(shí)效與分類精度情況，小尺度分割參數(shù)能占據(jù)主要優(yōu)勢。
表3給出了CART分類器面向?qū)ο笞罡叻诸惥?分割尺度Scale=10)對應(yīng)的混淆矩陣。由于道路與建筑用地之間光譜特征本身就比較相似，導(dǎo)致一定程度上的分類錯(cuò)誤，在后續(xù)工作中將對此部分內(nèi)容作具體研究。通過其分類后影像(如圖7(a)所示)、總體精度及Kappa系數(shù)可知，當(dāng)選取較小的分割參數(shù)時(shí)，分類效果的破碎性在一定程度上得到了改善，地物圖斑的完整性相對較好，而且分類精度也高。
圖5 不同分割參數(shù)CART分類器分類效果
3 結(jié) 語
本文通過試驗(yàn)對比研究4種遙感影像分割方法，選擇分割效果較好的多尺度分割方法對QuickBird多光譜影像進(jìn)行分割預(yù)處理，隨著分割參數(shù)的增大，影像分割時(shí)間遞減，并在后期趨于穩(wěn)定。對比CART分類器分類效果圖可知，小尺度分割參數(shù)對分類效果能有較好的提升；由混淆矩陣可知，小尺度分割參數(shù)分類精度優(yōu)于大尺度分割參數(shù)分類精度，且當(dāng)分割參數(shù)Scale=10時(shí)，分類精度達(dá)到最好的級(jí)別。綜合考慮分割時(shí)效及分類精度，在進(jìn)行面向?qū)ο蠓诸愄幚磉^程中，小尺度分割參數(shù)比大尺度分割參數(shù)在面向?qū)ο蠓诸愄幚碇芯哂邢鄬^好的優(yōu)勢。
表3 CART分類器面向?qū)ο蠓诸惢煜仃?Scale=10)
圖6 12組分割尺度對應(yīng)的總體精度和Kappa系數(shù)比較
此外，由于道路與建筑用地、建筑與建筑用地之間光譜特征本身就比較相似，導(dǎo)致一定程度上的分類錯(cuò)誤，在后續(xù)工作中將對此部分內(nèi)容作具體研究。而如何實(shí)現(xiàn)分割參數(shù)的自動(dòng)選取，也將是研究的重點(diǎn)。
參考文獻(xiàn)：
[1] 錢茹茹.遙感影像分類方法比較研究[D].西安：長安大學(xué)，2007.
[2] 明冬萍,邱玉芳,周文.遙感模式分類中的空間統(tǒng)計(jì)學(xué)應(yīng)用——以面向?qū)ο蟮倪b感影像農(nóng)田提取為例[J].測繪學(xué)報(bào),2016，45(7):825-833.
[3] VANHAMEL I，PRATIKAKIS I，SAHLI H.Multiscale Gradient Watersheds of Color Images[J].IEEE Transactions on Image Processing：A Publication of the IEEE Signal Processing Society，2003，12(6):617-626.
[4] COMANICIU D，MEER P.Mean Shift：A Robust Approach Toward Feature Space Analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2002，24(5):603-619.
[5] 周家香.Mean Shift遙感圖像分割方法與應(yīng)用研究[D].長沙：中南大學(xué)，2012.
[6] 倪林.基于自適應(yīng)四叉樹分割的遙感圖像壓縮算法[J].遙感學(xué)報(bào),2002,6(5):343-351.
[7] 孫開敏,李德仁,眭海剛.基于多尺度分割的對象級(jí)影像平滑算法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2009,34(4):423-426.
[8] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient Graph-based Image Segmentation[J].International Journal of Computer Vision，2004，59(2):167-181.
[10]黃昕.高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D].武漢：武漢大學(xué)，2009.
[11]王文杰,趙忠明,朱海青.面向?qū)ο筇卣魅诤系母叻直媛蔬b感圖像變化檢測方法[J].計(jì)算機(jī)應(yīng)用研究,2009,26(8):3149-3151.
[12]盧官明.一種計(jì)算圖象形態(tài)梯度的多尺度算法[J].中國圖象圖形學(xué)報(bào),2001,6(3):214-218.
[13]丁月平,史玉峰.高空間分辨率遙感影像分類最優(yōu)分割尺度[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,33(1):56-61.
[14]賈春陽,李衛(wèi)華,李小春.基于自適應(yīng)權(quán)值FNEA算法的高分辨率遙感圖像分割[J].國土資源遙感,2013,25(4):22-25.
[15]BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multi-resolution，Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J].ISPRS Journal of Photogrammetry & Remote Sensing，2004，58(3-4):239-258.
[16]王慧賢,靳惠佳,王嬌龍,等.k均值聚類引導(dǎo)的遙感影像多尺度分割優(yōu)化方法[J].測繪學(xué)報(bào)，2015，44(5):526-532.
猜你喜歡
財(cái)產(chǎn)的五大尺度和五重應(yīng)對內(nèi)蒙古民族大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(2020年2期)2020-11-06 09:08:52 面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)軟件系統(tǒng)的開發(fā)電子測試(2018年15期)2018-09-26 06:01:34 BP-GA光照分類器在車道線識(shí)別中的應(yīng)用電子測試(2018年1期)2018-04-18 11:52:35 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測與儀表(2017年24期)2017-12-19 05:15:24 加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類光學(xué)精密工程(2016年4期)2016-11-07 09:05:00 結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器光學(xué)精密工程(2016年3期)2016-11-07 09:03:33 宇宙的尺度太空探索(2016年5期)2016-07-12 15:17:55 面向?qū)ο骔eb開發(fā)編程語言的的評(píng)估方法現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25 9時(shí)代英語·高三(2014年5期)2014-08-26 17:01:17 基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識(shí)別電測與儀表(2014年15期)2014-04-04 12:05:20
孫 坤，魯鐵定
(1. 東華理工大學(xué)測繪工程學(xué)院，江西 南昌 330013； 2. 流域生態(tài)與地理環(huán)境監(jiān)測國家測繪地理信息局重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013)
隨著遙感技術(shù)不斷進(jìn)步，目前商用高分辨率遙感影像能夠提供越來越豐富的幾何、光譜、時(shí)相、紋理等特征，如何利用遙感影像的特征對影像進(jìn)行解譯是研究的重點(diǎn)。傳統(tǒng)影像分類最基本、最概括的兩種方法監(jiān)督分類和非監(jiān)督分類具備各自特點(diǎn)[1]，但基于像元分類精度較難達(dá)到生產(chǎn)應(yīng)用的需求，而面向?qū)ο筮b感影像分析(geo-object-based image analysis,GeOBIA)能較好地解決此類問題，因此該方法被譽(yù)為遙感(RS)和地理信息系統(tǒng)(GIS)之間的橋梁[2]。
面向?qū)ο髨D像處理的必要先決條件是成功的圖像分割，隨著多尺度特征在影像分析中的凸顯，多尺度概念于21世紀(jì)初在影像分割處理中得到了較好的應(yīng)用，如分水嶺算法(Watersheds)[3]、均值漂移算法(Mean shift)[4-5]、自適應(yīng)四叉樹分割算法[6]、對象級(jí)的保邊緣影像平滑算法[7]、基于圖的分割算法[8]、分形網(wǎng)絡(luò)演化方法(FNEA)[9]。此外，黃昕從紋理、形狀和對象的角度來提取和分析影像的特征，研究了這些空間信息的多尺度特性[10]；王文杰等利用分割后圖像對象的光譜特征、紋理特征、形狀特征分別進(jìn)行了變化檢測[11]。為了高效地進(jìn)行分水嶺變換，盧官明提出了一種計(jì)算圖像形態(tài)梯度的多尺度算法[12]。丁月平采用“對象完整面積個(gè)數(shù)最多法”的分割方法，研究得出不同地物的分割尺度[13]。賈春陽根據(jù)不同影像對象的空間和光譜特征，自適應(yīng)地計(jì)算空間判據(jù)權(quán)值和緊湊度判據(jù)權(quán)值，改進(jìn)了FNEA方法，并將不同光譜分量對光譜判據(jù)的貢獻(xiàn)引入到影像對象之間異質(zhì)性的計(jì)算中[14]。
實(shí)際上，無論是何種方法，其實(shí)質(zhì)都是通過改進(jìn)多尺度分割算法去實(shí)現(xiàn)遙感影像有效分割處理，然而由于處理尺度方法的復(fù)雜性及其概念本身的復(fù)雜性，尺度參數(shù)如何選取一直是困擾遙感影像處理的難題。本文基于FNEA多尺度分割算法，在簡單介紹其特征的基礎(chǔ)上，通過實(shí)例設(shè)置12組不同的分割參數(shù)對QuickBird多光譜影像進(jìn)行分割處理，得出不同多尺度分割參數(shù)在時(shí)效方面的比較，利用CART分類器對其進(jìn)行面向?qū)ο蠓诸愄幚?，總結(jié)尺度參數(shù)對影像分類效果、分類精度的影響，為后續(xù)研究提供參考依據(jù)。
1 FNEA算法
1.1 FNEA算法介紹
分形網(wǎng)絡(luò)演化方法(fractal net evolution approach，F(xiàn)NEA)是Baatz M和Schape A在2000年提出的一種面向?qū)ο蟾叻直媛蔬b感影像多尺度圖像分割算法[9]，以分割對象的平均異質(zhì)度最小化作為分割根本原則，在分割前確定異質(zhì)度的分割參數(shù)(光譜因子和形狀因子)，通過調(diào)節(jié)影像分割的尺度參數(shù)，并通過從下而上(bottom-up)對象信息來進(jìn)行合并，最后獲取對象層次結(jié)構(gòu)結(jié)果。綜合考慮對象的光譜特征和空間特征結(jié)合使用，這樣才能使整幅影像所有分割對象優(yōu)于其他的多尺度分割算法，避免了傳統(tǒng)分割算法分割對象邊界比較破碎的問題。
FNEA是目前使用較多的面向?qū)ο笥跋穹治黾夹g(shù)的一種多尺度分割算法。該方法的依據(jù)為對象單元的異質(zhì)度在合并前后變化最小，在eCognition中的異質(zhì)度主要被認(rèn)為是對象的顏色和形狀，異質(zhì)度f的增加必須小于某一閾值[15]。表達(dá)式如下
(1)
式中，Δhcolor為光譜異質(zhì)度增量，wcolor為權(quán)重；Δhshape為形狀異質(zhì)度增量，wshape為權(quán)重。Δhshape由緊致度增量Δhcompt和光滑度增量Δhsmooth兩部分組成，權(quán)重分別為wcompt和wsmooth，計(jì)算公式為
(2)
式(2)中Δhcompt、Δhsmooth計(jì)算公式為
(3)
(4)
式中，nobj_1、nobj_2、σc,obj_1、σc,obj_2、lobj_1、lobj_2、bobj_1、bobj_2分別為要合并前兩個(gè)對象的像素個(gè)數(shù)、方差、周長及最小外接矩形邊界周長；nmerge、σc,merge、lmerge、bmerge分別為合并后對象的像素個(gè)數(shù)、方差、周長和最小外接矩形邊界周長。因此，平滑度異質(zhì)度等于事實(shí)上的邊界長度lmerge和由平行于光柵的圖像對象的邊界框給出的邊界長度bmerge的比值。
緊湊度異質(zhì)度等于實(shí)際邊界長度與構(gòu)成該圖像對象像素?cái)?shù)的平方根比值。權(quán)重wc、wcolor、wshape、wsmooth、wcompt是可以選擇的參數(shù)，以便為某些圖像數(shù)據(jù)堆棧和考慮的應(yīng)用程序獲得合適的分割結(jié)果。
1.2 FNEA算法流程
多尺度分割是一種自下而上(bottom-up)的方法，通過合并相鄰的像素或影像中小對象，在確保對象與對象之間平均異質(zhì)度最小、對象內(nèi)部像元之間同質(zhì)度最大的前提下，基于區(qū)域合并技術(shù)實(shí)現(xiàn)影像分割。FNEA是通過迭代的方式進(jìn)行對象的合并，在每一次的迭代過程中，若該對象與其鄰域?qū)ο笞钚‘愘|(zhì)度增量小于閾值，則將它與該鄰域?qū)ο蠛喜樾碌膶ο螅駝t不進(jìn)行合并操作。終止迭代的條件是在這次迭代過程中所有對象都沒有與其鄰域?qū)ο筮M(jìn)行合并，即該次迭代過程中異質(zhì)度的增加量超出了閾值[16]。具體分割流程如圖1所示。
2 試驗(yàn)結(jié)果與分析
本文通過eCognition Developer 8.7分析軟件對影像進(jìn)行分割分類處理，試驗(yàn)環(huán)境為：Intel(R)Pentium(R)CPU P6200 @ 2.13 GHz，RAM為2.00 GB。
2.1 研究區(qū)數(shù)據(jù)
研究數(shù)據(jù)為經(jīng)過裁剪的美國地區(qū)QuickBird 300×300多光譜影像(分辨率為2.4 m)。影像已經(jīng)過幾何糾正、大氣校正等處理，參與分類的波段為紅(R)、綠(G)、藍(lán)(B)和近紅外(NIR)。該區(qū)域典型的地物有水體、建筑、道路、草地、林地及建筑用地六大類，如圖2所示。
圖2 QuickBird多光譜影像
2.2 不同分割方法對QuickBird影像分割效果對比試驗(yàn)
試驗(yàn)采用棋盤分割、四叉樹分割、多尺度分割、多尺度分割+光譜差異4種分割方法得到分割效果圖，如圖3所示。
棋盤分割算法產(chǎn)生簡單的正方形對象；四叉樹分割[6]與棋盤分割類似，在裁剪出一個(gè)初始的正方形網(wǎng)格后，繼續(xù)進(jìn)行四叉樹分割，并將不符合同質(zhì)性標(biāo)準(zhǔn)的正方形裁剪成4個(gè)較小的正方形；多尺度影像分割[7]從任一個(gè)像元開始,采用自下而上(bottom-up)的區(qū)域合并方法形成對象；光譜差異分割基于上面3種分割算法所得到的分割結(jié)果，通過分析相鄰分割對象的亮度差異是否滿足給定的閾值，來決定是否將對象進(jìn)行合并。
圖3 不同分割方法對QuickBird影像分割效果對比試驗(yàn)
由于影像分割后的效果直接關(guān)系分類效果及精度，通過目視解譯方式對4種不同的分割方法得到分割效果圖進(jìn)行對比可知，多尺度分割算法能最大限度地保留分割后影像的真實(shí)性，分割邊界較好地反映了各地物之間的差異，因此本文最終選取多尺度分割為本文的分割方法。
2.3 基于FNEA面向?qū)ο蟾叻直媛蔬b感影像提取方法
本文通過ArcGIS軟件結(jié)合目視解譯的輔助辦法對QuickBird多光譜影像進(jìn)行點(diǎn)矢量選取，選取水體、建筑、道路、草地、林地、建筑用地六大類地物，導(dǎo)入eCognition Developer8.7面向?qū)ο蠓治鲕浖?，?開始，以5為單位向上遞增，共選取12組參數(shù)進(jìn)行分割試驗(yàn)，統(tǒng)計(jì)分割時(shí)間。利用CART分類器對多尺度分割參數(shù)Scale設(shè)置為5、10、15、20、25、30、35、40、45、50、55、60的12組不同分割尺度參數(shù)下分割影像進(jìn)行分類，采取與訓(xùn)練樣本相同的方式隨機(jī)選取190個(gè)矢量地物點(diǎn)對面向?qū)ο驝ART分類器方法的地物分類結(jié)果進(jìn)行精度評(píng)價(jià)。具體流程如圖4所示。
2.4 面向?qū)ο蠓指罘诸愄幚?/h3>
對影像進(jìn)行分割試驗(yàn)，每組分割參數(shù)進(jìn)行3次分割試驗(yàn)，選取試驗(yàn)平均值。從5開始，以5為單位向上遞增，共選取12組參數(shù)進(jìn)行分割試驗(yàn)。通過分割時(shí)間數(shù)據(jù)對比可知，隨著分割參數(shù)的增大，影像分割時(shí)間遞減，并在后期趨于穩(wěn)定。分割參數(shù)與影像分割時(shí)間統(tǒng)計(jì)見表1。
圖5顯示了不同分割參數(shù)下CART分類器分類效果。表2顯示了12組不同分割尺度參數(shù)下CART分類器分類總體精度及Kappa系數(shù)情況。
隨著分割尺度的增大，錯(cuò)分類現(xiàn)象隨之出現(xiàn)，不同地物之間的關(guān)系也模糊不清，因此在進(jìn)行多尺度分割參數(shù)選擇時(shí)，應(yīng)選擇小尺度分割參數(shù)，這樣能最大可能地保留地物的準(zhǔn)確性，并在后期的精度驗(yàn)證中具有優(yōu)勢。
表2 12組分割尺度參數(shù)對應(yīng)的總體精度和Kappa系數(shù)
圖6顯示了CART樹分類器在不同分割參數(shù)下所得到的總體精度及Kappa系數(shù)變化趨勢，由圖中可以看出，隨著分割尺度參數(shù)的增加，精度呈下滑趨勢。因此，小尺度分割參數(shù)比大尺度分割參數(shù)在地物精度驗(yàn)證結(jié)果中具有相對較好的優(yōu)勢，且當(dāng)分割參數(shù)Scale=10時(shí)，分類精度達(dá)到最好的級(jí)別。綜合考慮分類時(shí)效與分類精度情況，小尺度分割參數(shù)能占據(jù)主要優(yōu)勢。
表3給出了CART分類器面向?qū)ο笞罡叻诸惥?分割尺度Scale=10)對應(yīng)的混淆矩陣。由于道路與建筑用地之間光譜特征本身就比較相似，導(dǎo)致一定程度上的分類錯(cuò)誤，在后續(xù)工作中將對此部分內(nèi)容作具體研究。通過其分類后影像(如圖7(a)所示)、總體精度及Kappa系數(shù)可知，當(dāng)選取較小的分割參數(shù)時(shí)，分類效果的破碎性在一定程度上得到了改善，地物圖斑的完整性相對較好，而且分類精度也高。
圖5 不同分割參數(shù)CART分類器分類效果
3 結(jié) 語
本文通過試驗(yàn)對比研究4種遙感影像分割方法，選擇分割效果較好的多尺度分割方法對QuickBird多光譜影像進(jìn)行分割預(yù)處理，隨著分割參數(shù)的增大，影像分割時(shí)間遞減，并在后期趨于穩(wěn)定。對比CART分類器分類效果圖可知，小尺度分割參數(shù)對分類效果能有較好的提升；由混淆矩陣可知，小尺度分割參數(shù)分類精度優(yōu)于大尺度分割參數(shù)分類精度，且當(dāng)分割參數(shù)Scale=10時(shí)，分類精度達(dá)到最好的級(jí)別。綜合考慮分割時(shí)效及分類精度，在進(jìn)行面向?qū)ο蠓诸愄幚磉^程中，小尺度分割參數(shù)比大尺度分割參數(shù)在面向?qū)ο蠓诸愄幚碇芯哂邢鄬^好的優(yōu)勢。
表3 CART分類器面向?qū)ο蠓诸惢煜仃?Scale=10)
圖6 12組分割尺度對應(yīng)的總體精度和Kappa系數(shù)比較
此外，由于道路與建筑用地、建筑與建筑用地之間光譜特征本身就比較相似，導(dǎo)致一定程度上的分類錯(cuò)誤，在后續(xù)工作中將對此部分內(nèi)容作具體研究。而如何實(shí)現(xiàn)分割參數(shù)的自動(dòng)選取，也將是研究的重點(diǎn)。
參考文獻(xiàn)：
[1] 錢茹茹.遙感影像分類方法比較研究[D].西安：長安大學(xué)，2007.
[2] 明冬萍,邱玉芳,周文.遙感模式分類中的空間統(tǒng)計(jì)學(xué)應(yīng)用——以面向?qū)ο蟮倪b感影像農(nóng)田提取為例[J].測繪學(xué)報(bào),2016，45(7):825-833.
[3] VANHAMEL I，PRATIKAKIS I，SAHLI H.Multiscale Gradient Watersheds of Color Images[J].IEEE Transactions on Image Processing：A Publication of the IEEE Signal Processing Society，2003，12(6):617-626.
[4] COMANICIU D，MEER P.Mean Shift：A Robust Approach Toward Feature Space Analysis[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2002，24(5):603-619.
[5] 周家香.Mean Shift遙感圖像分割方法與應(yīng)用研究[D].長沙：中南大學(xué)，2012.
[6] 倪林.基于自適應(yīng)四叉樹分割的遙感圖像壓縮算法[J].遙感學(xué)報(bào),2002,6(5):343-351.
[7] 孫開敏,李德仁,眭海剛.基于多尺度分割的對象級(jí)影像平滑算法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2009,34(4):423-426.
[8] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient Graph-based Image Segmentation[J].International Journal of Computer Vision，2004，59(2):167-181.
[10]黃昕.高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D].武漢：武漢大學(xué)，2009.
[11]王文杰,趙忠明,朱海青.面向?qū)ο筇卣魅诤系母叻直媛蔬b感圖像變化檢測方法[J].計(jì)算機(jī)應(yīng)用研究,2009,26(8):3149-3151.
[12]盧官明.一種計(jì)算圖象形態(tài)梯度的多尺度算法[J].中國圖象圖形學(xué)報(bào),2001,6(3):214-218.
[13]丁月平,史玉峰.高空間分辨率遙感影像分類最優(yōu)分割尺度[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,33(1):56-61.
[14]賈春陽,李衛(wèi)華,李小春.基于自適應(yīng)權(quán)值FNEA算法的高分辨率遙感圖像分割[J].國土資源遙感,2013,25(4):22-25.
[15]BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multi-resolution，Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J].ISPRS Journal of Photogrammetry & Remote Sensing，2004，58(3-4):239-258.
[16]王慧賢,靳惠佳,王嬌龍,等.k均值聚類引導(dǎo)的遙感影像多尺度分割優(yōu)化方法[J].測繪學(xué)報(bào)，2015，44(5):526-532.
猜你喜歡
內(nèi)蒙古民族大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(2020年2期)2020-11-06 09:08:52
電子測試(2018年15期)2018-09-26 06:01:34
電子測試(2018年1期)2018-04-18 11:52:35
電測與儀表(2017年24期)2017-12-19 05:15:24
光學(xué)精密工程(2016年4期)2016-11-07 09:05:00
光學(xué)精密工程(2016年3期)2016-11-07 09:03:33
太空探索(2016年5期)2016-07-12 15:17:55
現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25
時(shí)代英語·高三(2014年5期)2014-08-26 17:01:17
電測與儀表(2014年15期)2014-04-04 12:05:20
