1、西北工业大学硕士学位论文 摘要I基于 JSEG 算法的彩色遥感图像分割摘 要遥感图像分割是遥感图像分析和解译中的关键技术之一，对有效利用遥感数据，进一步进行信息提取与目标识别等工作具有重要意义。高分辨率遥感图像包含丰富的颜色、纹理等信息，图像本身也含有大量噪声，因此如何较好地移除噪声，并合理利用图像所包含的各类信息对图像进行准确分割是高分辨率遥感图像分割研究中的一个经典问题。算法是一种可依次实现图像滤波、颜色量化和空间分割的彩色图像分JSEG割方法，但该方法直接用于遥感图像分割时，往往由于遥感图像中区域边界较模糊而导致对区域边界分割不准确，或由于区域内不同阴影而出现过分割现象。为了有效实现对区
2、域边界的准确分割，本文利用能更好描述区域内颜色的同质性的局部同质矩阵校正传统 JSEG 算法中的局部 值，以实现对区域边界的准确反映，J提高区域边界分割的准确性。为了减弱或消除传统 算法的过分割现象，本SEG文利用能稳定描述图像纹理特征的 算子进行具有相似纹理信息的颜色类/LBPC图的合并。最后，采用分析法、优度实验法中的评价测度，在 算法中 值JJ和 均值计算的基础上给出了 值和 均值评价方法，对本文方法的分割效果进JJ行评价。仿真实验结论表明本文提出的改进 算法可有效克服传统的 算法在SEGJSEG高分辨遥感图像分割时存在的边界分割不准确及过分割现象。关键词: 高分辨率遥感图像， 算法，局
3、部同质， 算子J/LBPC西北工业大学硕士学位论文 AbstractIIAbstract（重新翻译）In order to effectively analyze and interpret the remote sensing data, the remote sensing image processing technology has become hotspot. The remote sensing image segmentation is one of key factors, which decide the success of remote sensing image an
4、alyze and calculation. Because only if the better segmentation effect is obtained, the follow-up works can be get better effects, such as information extraction and target recognition et al.The background of this paper is high resolution remote sensing image. As these remote sensing images contain a
5、 wealth of color, texture and a lot of noise et al, the key point of the research is how to effectively remove noise, smooth the image and reasonably use various information to segment the image. Firstly, the image filtering, color space quantization and spatial segmentation can be completely simult
6、aneously by use the JSEG algorithm, which directly utilize color information. Then, In order to solve the limitation case of the JSEG, such as over segmentation, the improved JSEG algorithm is proposed in this paper. For obtaining the better effect of segmentation, the local J value is corrected by
7、local homogeneous matrix, which gives reasonably description for color homogeneity in region and the boundary of different region. In addition, for weakening or eliminating the over segmentation, the class map is merged by LBP/C operator. It gives stable description for the texture of image. The fin
8、ally, the evaluation of image segmentation is analyzed and summarized. In addition, the evaluation method of J value and J average value is proposed based on calculating the J value and J average value in JSEG algorithm. The merit is reflected by objective evaluation data.The experiment results show
9、 that the high resolution color remote sensing image is effectively segmented by the JSEG algorithm and improved JSEG algorithm. In addition, the shortages of JSEG is effectively overcome by the improved method, for example, the over segmentation and inaccurate location of region boundary.Key words:
10、 High resolution color remote sensing image, JSEG algorithm, Local homogeneity, LBP/C operator西北工业大学硕士学位论文 目录III目 录摘 要 .IAbstract.II目 录 .III第一章 绪论Equation Chapter 1 Section 1.11.1 课题研究背景及意义 .11.1.1 遥感图像成像与处理 .11.1.2 遥感图像处理研究意义 .21.2 遥感图像分割发展现状 .31.2.1 图像分割技术发展现状 .31.2.2 高分辨率遥感图像分割发展现状 .41.3 论文主要工作及内
11、容 .7第二章 基于 JSEG 算法的彩色遥感图像分割 Equation Chapter 2 Section 1.92.1 彩色特征空间 .102.2 JSEG 算法 .112.2.1 彩色图像的颜色量化 .112.2.2 空间分割算法 .192.3 JSEG 算法分割彩色遥感图像实验 .262.3.1 分割实验 .262.3.2 实验结果及分析 .272.4 本章小结 .28第三章 基于改进 JSEG 算法的彩色遥感图像分割Equation Chapter 3 Section 1.293.1 基于局部同质矩阵的 JSEG 算法 .293.1.1 局部同质性评价 .293.1.2 基于局部同质
12、矩阵的 JSEG 算法改进 .323.1.3 实验结果及分析 .323.2 基于局部二进制模式的纹理描述方法 .363.2.1 LBP 算法 .373.2.2 基于 LBP 的 JSEG 算法改进 .383.2.3 实验结果及分析 .403.3 改进 JSEG 算法及实验结果分析 .413.4 本章小结 .46西北工业大学硕士学位论文 目录IV第四章 图像分割评价Equation Chapter 4 Section 1 .474.1 图像分割评价方法 .474.2 分割评价准则 .484.2.1 分析法准则 .484.2.2 优度实验法准则 .494.3 实验结果及分析 .524.4 本章小结
13、 .53第五章 总结和展望 .555.1 工作总结 .555.2 工作展望 .56参考文献 .57发表论文和参加科研情况 .60致谢 .61西北工业大学硕士学位论文 第一章 绪论1第一章 绪论 Equation Chapter 1 Section 11.1课题研究背景及意义遥感是 20 世纪发展最迅速的科学技术之一。自 20 世纪 60 年代以后，遥感技术作为一种准确、客观、及时获取地球表面宏观信息的手段，在城市规划建设、土地利用监测、农业、林业以及自然灾害预报等方面得到广泛的重视和应用 1。遥感图像是一个地区自然与人文景观全貌的综合反映，每一幅遥感图像的覆盖面积是有限的，其包含的内容是多方面
14、的、综合的。遥感图像处理的目的是为了有效地利用遥感数据，对数据进行分析、分类和解译，从而将图像数据转化为能解决实际问题的有用信息。因此，充分发掘图像内的各种空间信息，实现信息的自动提取及人们感兴趣目标的自动识别，是遥感图像数字处理的一个主要的发展方向。1.1.1 遥感成像与处理遥感是一个综合性的技术系统，由信息源、信息获取、信息处理、信息应用等部分组成。遥感技术系统如图 1-1 所示【参考文献】 。图 1-1 遥感技术系统原理图由于任何目标物都具有反射、吸收、投射及辐射电磁波等特性，因此信息源为遥感探测提供了获取信息的依据。信息获取所采用的遥感技术装备主要包括遥感平台和传感器。其中，遥感平台主
15、要有飞机、人造卫星、载人飞船；传感器则包含多种波段的摄像机、多光谱扫描仪、微波辐射计、侧视雷达、专题成像仪等3。西北工业大学硕士学位论文 第一章 绪论2早期的遥感技术主要以胶片记录图像，所以图像多以模拟格式为主。直到1963 年，加拿大测量学家 R. F. Tomlinson 博士才提出将常规地图变成数学形式地图，并存入计算机的设想，成为数字图像的启蒙 3。而目前，获得数字遥感图像的技术已经比较成熟，其主要有如下两种方法 4：1) 通过数字化方法将模拟格式的遥感图像转化为数字格式；2) 通过专业的传感系统，例如 系统，直接获得数字格式的遥感图像。ETM遥感图像处理是地学、物理学、数学、心理学、
16、电子学相互渗透的产物，是一门新兴的科学技术。其主要包括五个方面内容 2：几何处理、辐射处理、图像滤波与增强、信息提取、专题信息提取与目标识别等。处理方式和遥感图像成像方式之间有很大的关系。早期遥感技术以胶片记录图像为主，所以对这类模拟图像只能采用光学处理方法。例如，1956 年，罗伯特科威尔(Robert Colwell)运用彩红外胶片来识别农作物类型、长势及其他植物学特征 1。然而，这种处理方法效率较低，并且需要大量的实际经验，给遥感图像处理带来很多不便。随着数字计算机技术和数字遥感技术的发展，利用计算进行数字图像处理成为发展趋势。例如，美国喷气推进实验室(JPL)对航天探测器徘徊者 7 号
17、在 1964年发回的几千张月球照片进行图像处理方法，如几何校正、灰度变换、去除噪声等，大大推动了数字图像处理学科的发展。如今，人们已经可以将大量原来由人负责的处理工作交给计算机完成，使得遥感图像处理得到了更加迅速的普及和发展。1.1.2 遥感图像处理研究意义随着现代卫星遥感技术的迅速发展，遥感技术应用的广泛性和深度不断加强，遥感图像在地学科学、农业、林业、城市规划、土地利用、环境监测、军事、商业等各个领域均有不同程度的应用，遥感技术也已成为实现数字地球战略思想的关键技术之一。遥感图像处理在遥感技术应用中扮演非常重要的角色，对遥感图像的研究也显得越来越重要和迫切：1.利用遥感图像处理技术，能够快
18、速准确地提取所需信息。由于地面地形地物的种类繁多，各种信息相互掩盖，相互交错，而且图像上还存在着因大气、传感器性能不同引起的某些误差(称辐射误差或噪声)，极大地影响了所需信息的判读或信息提取。只有通过对遥感图像数据的进一步处理、分析与解译，使混合信息得到有效的分解、分离，使无用信息与噪音等干扰因素得到抑制与排除，有用信息得到增强与突出，这样才能把通过遥感技术获得的遥感数据转化为有用的信息。西北工业大学硕士学位论文 第一章 绪论32.利用遥感图像处理技术，为图像的计算机解译奠定基础。遥感图像的计算机解译是以遥感数字图像为对象，在计算机系统支持下，综合运用地学分析、遥感图像处理技术、地理信息系统、
19、模式识别和人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像，发展为计算机支持下的遥感图像解译。3.遥感图像处理是应用部门的需求。在卫星影像上，包含着大量的地表物体的形状、结构与纹理信息，这些信息同时也构成了遥感制图的基本要素。1999 年 10 月 12 日 IKONOS 卫星接收的第一张华盛顿特区图像的效果，使人们意识到其在城市规划方面的巨大潜力。此外，在工程勘测、交通规划管理、基础设施布局、旅游开发、自然灾害监测与评价以及各类资源的调查普查都会产生重要的作用。在遥感图像处理中，通过遥感图像来判读识别各种目标是遥感技术的一个重要环节，为了更好地利用遥感影像进行资
20、源调查和动态监测就必须利用各种方法对获取的遥感影像进行融合、分类等处理，以提取并区分各种地物地貌信息，同时对分类结果加以统计分析以满足不同的需要。有的专业应用者的研究区域很大，但感兴趣的对象仅仅是遥感图像中的某些部分，例如，震灾评估主要对建筑物和生命线工程受损情况感兴趣，洪水检测仅对洪水的淹没范围感兴趣。这些受重视和感兴趣的部分被称为“ 目标 ”或“前景”(其他部分则称为“ 背景”)。为了识别和分析目标，需要将这些区域从整幅图像数据中分离并提取出来，然后做进一步的分析与处理，如进行特征提取、测量描述等。图像分割就是为此发展起来的一项专门技术。通过对图像的分割处理，可以把原始图像转化为更抽象、更
21、紧凑的形式，使得更高层次的图像分析与理解成为可能。在遥感图像中，具有明显边界的地物，例如道路、房屋、水体等，可以通过图像分割的方法进行提取，图像的空间分辨率越高，地物分割的效果越好 3，因此，本文主要对高分辨率遥感图像进行分割研究。1.2遥感图像分割发展现状1.2.1 图像分割技术发展现状图像分割是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。一般来说，图像分割方法可以分为三类，特征阈值或聚类，边缘检测和区域提取。除此之外，还有混合分割方法，如区域生长和区域合并、区域分割和边缘检测、基于直方图和基于相邻关系的方法、基于直方图和神经网络方法、模糊西北工业大学硕士学位论文 第一章
22、绪论4集理论的方法、物理方法以及上述方法的混合等 6。现有的大多数图像分割算法主要是针对灰度图像的，算法也相对较为成熟。大多数灰度图像分割技术能够扩展到彩色图像，如直方图阈值、聚类、区域增长、边缘检测、模糊方法和神经网络。除了上述传统的方法，还可以将彩色图像看作是多光谱图像的特例 9，这样一些多光谱图像分割方法就能够应用于彩色图像分割。综上所述，常用彩色图像分割方法 6如图 1-2 所示。彩色图像分割方法=单色图分割方法直方图阈值特征空间聚类基于区域边缘检测模糊分类 神经网络基于物理模型以上方法的组合+颜色空间R G B 空间Y I Q 空间Y U V 空间I1I2I3空间H I S 空间N
23、r g b 空间C I E L * u * v * 空间C I E L * a * b * 空间混合颜色空间图 1-2 彩色图像分割方法虽然随着计算机技术的发展，图像分割算法也取得了不断的发展和改进，但是通过章毓晋在 2007 年以及 2008 年按所选文献主要技术特点或应用领域分类的统计结果可以看出，在各小类文献数量中“图像分割和边缘检测”小类仍分别排名第一和第二位 78。这就充分说明了对图像分割的研究在图像工程中占据了重要位置，仍旧是图像分析中的热点和难点。1.2.2 高分辨率遥感图像分割发展现状由于遥感图像通常表现为对比度较低、区域特征由于不同拍摄条件而产生变化、不同区域之间边界模糊，以
24、及形状结构和纹理分布的复杂性和多样性等特点，没有完全可靠的模型和指导，因而使得遥感图像分割技术发展受阻。目前没有一种算法能对所有的遥感图像进行有效的分割，很难形成统一的标准和普遍使用的准则。以下是针对高分辨率遥感图像的几种常见分割方法：1 数学方法与遥感技术相结合的分割方法 10由于目前遥感图像分割尚无自身的理论基础，因此可以结合数学方法和技术来进行遥感图像分割。数学方法如数学形态学、模糊技术、小波变换、神经网络等。分水岭算法，是以数学形态学作为基础的一种区域分割方法。分水岭变换最西北工业大学硕士学位论文 第一章 绪论5初用于医学图像分割，近年来开始用于遥感图像的分割。它的计算时间长，容易导致
25、过分割现象。Vicent 等人于 1991 年提出的沉浸模拟的分水岭分割算法大大提高了计算速度，但是这种算法的结果图像中会生成单像素宽的封闭轮廓，称为分水线，这些分水线会对图像处理和分析造成一定的困难。此外，基于分水岭算法的遥感图像分割算法还有采用数学形态学方法描述城镇地区地物尺寸信息和对比度信息，并通过 BP 神经网络完成遥感图像分割 11，以及根据遥感图像不同区域之间边界的模糊性，利用模糊概率模型替换了 BP 神经网络进行分类 12。这些方法都得到了良好的效果，同时提高了算法的执行速度。然而这种基于数学形态学的分割方法主要针对的是灰度图像，并具有对边界噪声敏感的缺陷。2 随机场算法随机场算
26、法中最常用的一种统计学方法是由 Geman S 和 Geman D 于 1984 提出的马尔可夫随机场(Markov random field, MRF)理论。其实质是把图像中各个点的彩色值看成是具有一定概率分布的随机变量，这个彩色值的概率仅由它的邻域决定，而与图像的全局信息无关。这种方法在遥感图像分割中得到广泛应用 13。为了提高纹理分割的准确性和区域一致性，降低分割的错误率，近年还出现了将小波和双马尔可夫随机场模型结合的图像分割算法 14，以及将模糊方法和 MRF相结合，建立了基于模糊随机变量的模糊 MRF 随机场，对 SAR 图像进行分割 15。但是由于 MRF 模型只在确定类上有定义，
27、因而该模型对于图像中出现的模糊性问题，如：区域重叠、相干噪声、低对比度等处理效果并不理想。虽然马尔可夫随机场算法具有良好的抗噪性能，但是且算法很复杂且需要进行大量运算，因此需要在计算机复杂度和良好的分割结果之间做一个平衡。3 纹理分割算法纹理分割算法也是近几年研究的热点，是遥感图像分割的重要工具。对于空间复杂、光谱混合的遥感图像，如果使用多特征对图像进行分割可以提高图像分析的精确度。纹理图像具有稀疏性、对比度和方向性等特点，通过这些特征，可以将不同的目标分割开来。纹理特征提取的主要目的是将随机纹理或者几何纹理的空间结构的差异转换为特征灰度值的差异。纹理分析方法基本上可分为基于特征值、基于结构和
28、基于模型三大类：(1) 基于特征的方法。该方法主要描述纹理单元或局部模式随机分布和空间统计特征，其结构性用图像中纹理单元的空间频率或密度来度量，主要包括自相关函数、灰度共生矩阵法、纹理分析方法、随机场模型法、分型模型等方法来计算纹理图像的特征值。T.Ojala 等人在 1996 年提出了局部二值模式 LBP (Local Binary Patterns)作为纹理算子来分析图像纹理特征，并对灰度纹理图像进行了分割 38。目前，在此方法的基础上还提出了基于 LBP (local binary pattern)驱动的区西北工业大学硕士学位论文 第一章 绪论6域围道分割模型用于分割纹理图像，以及利用
29、LBP/C (Local binary pattern/contrast)的纹理分析方法对遥感图像上的居民地纹理特征进行分析描述的方法 17。(2) 基于结构的方法。该方法主要描述基于“纹理基元”分析纹理特征，假设纹理是由一系列纹理基元有规律地排列组成，纹理单元可以分离出来，结构方法通过找到纹理基元，以基元特征和排列规则作为特征进行纹理分割，如形态学、图论、拓扑等方法。(3) 基于模型的方法。该方法假设纹理是以某种参数控制的分布模型方式形成的，从纹理图像的实现来估计计算模型参数，以参数为特征或采用某种分类策略进行图像分割，模型方法也可以看成是特征方法的特例。如 MRF 随机场模型、小波变换、分
30、形模型等。近年来 Gabor 滤波器成为使用方向滤波进行纹理分割研究的一个热点。此外，还发展出一种基于小波和模糊理论的纹理分割方法 18。目前，纹理分割算法中，运用特征方法和模型方法的研究较多，基于结构的方法一般只适用于规则性较强的人工纹理，因此应用上受到很大的限制。纹理的方向性隶属于纹理的结构特性，关于纹理方向性应用到遥感图像分割的文章在国内外更是比较少。4 区域生长算法基于区域的方法主要利用区域内像素特征的相似性来分割图像，主要包括区域生长和区域分裂与合并两种方法。由于基于区域的方法具有抗噪声能力强，得到的区域形状紧凑，无需事先声明类别数目，容易结合多特征进行生长，该方法仍是遥感图像分割方
31、法的主流。此外，区域增长法对复杂场景进行分割很有效，在自然景物的分割方面亦显较佳的性能。但基于区域的方法时开销较大，在确定种子点和区域同质性标准时比较困难，需给予改进 10。文献19提出基于区域生长结合多种特征的多尺度分割算法，算法首先利用图像梯度信息选取种子点，其次综合高分辨率遥感图像地物的局部光谱信息和全局形状信息作为区域生长的准则进行区域生长。此外，Deng and Manjunath 提出的一种新的区域增长算法 算法 29JSEG以及针对其方法的改进方法 3032也在遥感图像分割中取得了应用 33。这类方法较为充分的利用了彩色图像中个目标区域的颜色信息，并采用了一种新的分割评价标准对图像进行分割。本文的后续章节会对该方法做详细的介绍。5 其他分割算法除了上述的一些经典分割算法外，目前针对高分辨率遥感图像还发展出许多新的分割方法。例如，为了提高高分辨率遥感图像分割的运算效率，采用了基于邻接图的面向对象的分割算法 20；另外，在结合了人工手动分割和计算机自动分割的优势的基础上，还提出了基于图割的交互式分割方法 21，以及针对图割方法
