基于纹理信息的高分辨率无人机遥感图像分割毕业设计论文

《基于纹理信息的高分辨率无人机遥感图像分割毕业设计论文》由会员分享，可在线阅读，更多相关《基于纹理信息的高分辨率无人机遥感图像分割毕业设计论文（92页珍藏版）》请在装配图网上搜索。

1、摘 要毕业设计论文基于纹理信息的高分辨率无人机遥感图像分割毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。作 者 签 名： 日 期： 指导教师签名： 日期： 使用授权说明本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印

2、刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。作者签名： 日 期： 摘 要虽然近年来高分辨率遥感影像数据呈现急剧性增长，但日益增长的数据需求与落后的影像分析技术之间的矛盾却越来越突出,造成的原因主要是落后的影像分析技术不能把原始的遥感影像数据转化为工程应用中所需的数据。图像分割是从图像处理到图像分析的关键步骤，在图像工程中占有重要的地位。所以有必要对图像分割相关的两个方面进行了一定的分析和改进。第一个方面是向对象影像分割算法分析和改进。在分析

3、了面向对象的边缘检测和区域增长法两种面向对象影像分割方法的基础上，重点对区域增长法从两个方面进行了改进：第一，设计了新的增长规则；第二，增加了异质点去除环节。这样使算法减少过分割现象并在抗噪声方面也得到提升，最终使图像分割质量得到了有效的提升。第二个方面是对纹理信息提取技术的研究。对比分析了Tamura纹理和灰度共生矩阵两种纹理信息提取方法重点对灰度共生矩阵各参数对纹理特征的影响进行深入的研究。为了使通过共生矩阵能得到更合理的纹理特征，首先对10种纹理特征间的相关性进行分析，从而选出具有代表性的纹理。然后对开窗大小与各纹理特征的间的关系进行分析，从而为计算共生矩阵时的开窗大小选择提供依据。最后

4、按照前面的研究结果把纹理特征和光谱特征结合起来对高分辨率无人机遥感影像进行了面向对象的分割，并进行了相应的定性和定量分析。定量分析方面与不考虑纹理信息的分割结果通过优度实验法进行了对比研究。结果表明考虑了纹理信息的面向对象分割能更真实有效的反映图像中地物目标的整体结构，为进一步有效的地物分类提供保障。关键词：纹理特征，无人机遥感，面向对象图像分割 IIIABSTRACTABSTRACTThe contradictions between the increasing need of Remote Sensing Image Data and Outdated image segmentatio

5、n technology is becoming increasingly evident, altHough the amount of High-Resolution Remote Sensing data growing exponentially in recent years. The outmoded Image Analysis technologies can not convert Raw Remote Sensing Image Data to be useful data for application in Engineering is tHough to be the

6、 major reason. Image segmentation is a key step in image processing and image analysis. So, it is necessary to renew the knowledge of Relevant Technologies and make improve, which include texture analysis and image segmentation algorithm in this thesis.Study on Object-oriented Segmentation algorithm

7、 of Remote Sensing Image. Based on the analysis of the edge detection and Seeded Region Growing algorithm, a new algorithm was brought up, which is different from classical algorithm in two aspects:First, a new criterion of region growing is designed. Secondly, we propose a region merging rules base

8、d on the area and contrast, which can restrain the over-segmentation problem effectively and improve the anti-noise ability. Experiment results indicate that the method can improve the quality of image segmentation.Study on texture information extraction technologies. The Comparison of the two kind

9、of Texture information extraction technology was carried out. Through the study on the correlation of the 11 texture feature and the effect of the window size on texture features quality, a scientific basis for choosing texture feature and the optimum window size was presented.According to the Resea

10、rch above, a texture image segmentation algorithm based on object-oriented which combines texture features and spectral characteristics was presented. In order to verify the accuracy of image segmentation, the new algorithm was applied to segmenting UAVRS images and a comparison between this approac

11、h and classical classification approaches has been carried out. The study conclusion shows that the new method is and more reliable comprehensive in reflecting the ground objects in the image.Keywords：Texture Feature, UAVRS, Object-oriented Image SegmentationIII目 录目 录第一章 绪 论11.1 选题依据与研究意义11.2 纹理分析的研

12、究现状及发展趋势31.3论文主要章节结构7第二章 面向对象影像分割算法分析和改进82.1 面向对象技术的理论基础82.1.1面向对象分割的含义82.1.2 面向对象的优越性92.1.3 遥感中的尺度问题102.1.4多尺度影像分割技术102.2 面向对象的边缘检测方法122.2.1 传统图像边缘检测与面向对象思想的结合122.2.2 Hough变换直线检测132.2.3 Hough变换的推广172.3 区域增长法192.3.1区域增长类型和准则192.3.2传统的区域增长算法212.3.3存在的问题222.4 区域增长法的改进232.4.1 算法的抗噪性232.4.2 复合式增长准则242.4

13、.3异质点的去除252.4.4改进算法流程272.5本章小结28第三章 纹理信息提取方法303.1纹理特征谱303.2基于Tamura纹理的方法323.2.1六个重要Tamura纹理特征的描述323.2.2 Tamura纹理特征的提取353.3 基于共生矩阵的方法373.3.1共生矩阵概述373.3.2 灰度共生矩阵（GLCM）的定义373.3.3 灰度共生矩阵导出的纹理特征及相关性研究383.3.4关于各参数对纹理特征影响的研究413.3.5 综合灰度共生矩及纹理阵特征的提取453.4 本章小结47第四章 基于共生矩阵的无人机遥感图像的面向对象分割494.1 数据准备494.1.1影像数据的

14、获取494.1.2数据预处理504.2 实验区纹理信息的提取524.2.1 纹理特征矩阵计算524.2.2主成分分析544.3分割算法实现574.4分割结果及视觉对象化614.5实验结果评价664.5.1 定性分析674.5.2 定量分析694.6 本章小结71第五章 结论与展望725.1 内容总结725.2 研究展望73致 谢75参考文献76在学期间的研究成果8029第一章 绪 论第一章 绪 论20世纪90年代，当时的国家科委经过科学、充分的可行性研究和专家论证在“九五”科技攻关计划中设置了“重中之重”的“遥感、地理信息系统、全球 定位系统技术综合应用研究”项目。攻关领域涉及国家级基本资源与

15、环境遥感动态信息服务体系、重大自然灾害监测与评估业务运行系统、国产地理信息系统基础软件，推动GIS产业化和示范应用、遥感前沿高技术研究、发展国家空间信息基础设施等重要方面1。遥感在这几方面都起着基础性的关键作用，没有遥感的发展，即使其它方面发展了也会出现“木桶”效应。遥感技术与国民经济、人民生活密切相关。同时它又是一个对物质基础要求较高的项目领域。卫星、处理设备等等没有大 规模的资金投入，项目很难有所收获。我国从2006年至2010年四年时间发射了遥感卫星一号到九号九个遥感卫星，而2009年一年就发射了三颗，单从数量上就可以看出遥感近几年我国对遥感领域的巨大投入和重视程度。1.1 选题依据与研

16、究意义虽然我国在遥感方面起步比较晚，但是到目前也有四十多年的发展，不论在遥感平台还是遥感应用技术都逐步走向完善。目前己被广泛地应用于国民经济的各个领域。总体上来说可以把遥感技术分为两部分：数据获取和数据利用。在数的获取方面世界各国如美国、欧空局、中国、巴西、日本、加拿大、印度和俄罗斯相继发射了许多遥感卫星，而且在传感器方面的改进也有了飞速的发展，数据的分辨率是越来越高。遥感数据源的不断丰富使得遥感应用领域不断扩大，然而遥感应用处理中的共性关键技术，比如图像信息识别和变化检测等方面还很大程度上的依赖于人工的目视。为此对于这些关键性问题的研究就成为遥感进一步发展的动力。另一方面遥感影像分辨率的提高

17、使得存储在图像中的信息更为丰富，不仅包含了自然特征还包含了像道路这样的人工地物。刚有包含复杂信息的遥感图像是不够的，要想使精确到米级的军事打击、国家可以更精确地监测农作物的长势和估算收成并作出关系民生的决策、地震灾区的真实情况可以更快的展现在决策者面前和科学家能够注视环境敏感地区并预报趋势等成为现实，我们还需要就是较好的针对高分辨率遥感影像的影像分析技术。遥感图像的两大基本特征同时也是遥感影像分析的两个基本要素是光谱特征和纹理特征。到目前为止，大多学数学者在研究中利用的基本上只是地物的光谱信息。由于遥感的应用越来越广泛，同时对精度或客观程度要求越来越高，落后的图像分析技术与快速发展的遥感应用之

18、间的矛盾越来越突出。虽然光谱信息能反映了地物反射电磁波能量的大小，能直观的反映地物特征，但是由于存在其他干扰因素，使得同样的地物可能在遥感影像上得到的光谱值却是不一样的，还有就是不同的地物在遥感影像的光谱信值是一样的如河流和湖泊。而纹理信息可以在一定程度上弥补这一缺陷，纹理反映了图像灰度模式的空间分布，包含了图像的表面信息及其与周围环境的关系，更好的兼顾了图像的宏观结构与微观结构。所以针对纹理信息的遥感影像分析技术的研究显的越来越迫切。图1-1 面向对象影像分析技术的对象管理示意图传统的影像分析技术还存在的一个问题是容易产生“椒盐”状图斑。由于传统的影像分析技术是基于单个像元分析的，不考虑像元

19、与邻域像元的关系，更不考虑“像元集”产生的纹理和形状信息。面向对象的影像分析技术就是针对这一问题而产生的。它首先根据应用目的选择合适的尺度对影像进行初分割，然后进行相似区域合并进而形成新的对象层，如果需要还可以合并成新的对象层。对象层和这些层间的连接方式以层次结构的方式进行（如图1-1）。每个影像对象都知道它的相邻对象、它的子对象以及它的父对象，通过垂直连接对象，可以访问尺度、纹理、形状和空间位置等属性。1.2 纹理分析的研究现状及发展趋势从上个世纪70开始，图像纹理分析与应用一直是从事模式识别和计算机视觉方面专业人员所关心的问题。尤其近年来纹理分析渗透到遥感影像分析中，并扮演着重要的角色。纹

20、理分析的广泛的应用推动了学者对纹理相关理论的研究。许多研究表明，纹理信息可以提高图像识别的精确性2-3。因此，如何充分利用纹理信息，对遥感图像的分析和识别具有重要意义。虽然关于纹理的具体定义在业界还没有统一的标准，但是大部分学在下面几个方面都有一致的认识：1）纹理分析指的是通过一定的图像处理技术抽取出纹理特征，从而获得纹理的定量或定性描述的处理过程4。2）纹理可被看作是由一组纹理基元在一定范围内的有规律的重复出现构成。3）遥感影像纹理结构的定量信息不能用传感器直接获取，而只能靠数学分析和变换方法从灰度图像中求取。Tuceryan提出将纹理分析方法分为五类：统计方法、几何方法、结构方法、模型方法

21、和信号处理方法。经过多年的发展有些方法日趋成熟（如统计法），有些则逐渐体现出方法本身的弊端，限制了其在实际中的应用（如几何法）5。下面将对每种方法进行阐述。1) 模型法模型法主要有随机场模型、自回归模型、分形模型三类。它是通过将纹理图像建模后把纹理特征提取问题转化为参数估计的一种方法。所以模型家族的方法主要研究如何采用优化参数估计方法进行参数估计。随机场模型方法是通过概率来描述纹理信息的过程，实质上是描述图像中像素对其邻域像素的统计依赖关系。在随机场模型中应用比较广泛的是马尔可夫模型。马尔可夫模型建模的的基本思想是通过任意像素关于其邻域像素的条件概率分布来描述纹理的统计特性。早期MRF首先被用

22、于纹理合成领域6。之后被用于描述纹理和纹理分类与分割。马尔可夫模型与统计决策理论与估计理论结合使得它对各种各样的纹理图像建模变的更加容易，同时得到广泛的应用。自回归模型是通过邻域的灰度级来估计本像元的灰度级，此法最早是由McCormick等人7提出。参数的估计可以用最小均方误差准则或最大似然估计方法。分型维数可以很好地表征纹理的粗糙程度，而且对尺度变化也不敏感，同时还可以把图像的空间信息和灰度信息简单而又有机地结合起来,因而在图像处理中备受人们的关注。在应用分形法时要注意两点：第一认为自然界中不同种类的形态物质一般具有不同的分数维;第二是假设自然界中的分形与图像的灰度表示之间存在着一定的对应关

23、系。分数布朗运动模型是分形模型中较出名的一种，它之所以能用来描述纹理是因为它把自然的粗糙表面看成随机游走的最终结果。马尔科夫模型的主要优点是提供了一种一般而自然的用来表达空间上相关随机变量之间的相互作用的模型。它能够兼顾纹理局部的随机性和整体上的规律性,并且具有很大的灵活性。采用随机场模型法对遥感影像纹理特征进行描述并在此基础上进行分割,在很大程度上符合或反映了地学规律。MRF将纹理图像中像素的空间交互建模为基于平面网格上的MRF,通过迭代的算法将纹理的局部信息逐步传递到整个图像,但算法的计算量相当大,且还会随着图像尺寸的增大或噪声的增多而增加。在其迭代优化过程中它由局部到全局的收敛速度很慢,

24、因而需要很大的计算量。为了能清楚的描述纹理特征通常需要建立一个复杂的模型，同时模型系数的求解和参数的调节都有相当的难度。但是如果模型相对简单则不能充分的反映纹理特征。所以把握模型的复杂程度和纹理的描述间的平衡点就显的格外的重要。2)滤波法通过滤波的进行纹理信息提取的方法主要有数字图像变换方法和小波变换方法。它们的共同之处在于某种线性变换、滤波器或滤波器组将纹理转到变换域,然后应用某种能量准则提取纹理特征8。大多数基于滤波的方法都基于这样一个假设:频域的能量分布是能够鉴别纹理的。一般这类方法的处理过程是这样的：首先对图像进行滤波,把各滤波通道的输出认为是初始特征，且认为初始特征的差异包含了纹理信

25、息的差异；接下来的进行局部能量的估计。数字图像变换方法通常是先把图像划分为不重叠的nn的方形子图像,并将像素排列成n2维的向量。然后对这些向量做一定的变换得到纹理特征。小波变换方法是模拟人的大脑对自然特征的视觉直接感受的过程。人对自然界的事物的认知是建立在在头脑中巨大物体模型和常识供其识别使用。为了能让计算机也能完成相同的识别任务,各界学者研究能赋予计算机拥有近于人类的视觉功能和识别能力。在研究的过程中发现Gabor波器具有时域和频域的联合最佳辨率,并且较好地模拟了人类视觉系统的视觉感特性,在图像纹理特征提取中备受青睐。其主要思想是:同纹理一般具有不同的中心频率及带宽,根据这些频率和带宽可以设

26、计一组Gabor滤波器对纹理图像进行滤波,每个Gabor滤波器只允许与其频率相对应的纹理顺利通过,而使其他纹理的能量受到抑制,从各滤波器的输出结果中分析和提取纹理特征,用于尔后的分类或分割任务。Gabor滤波器提取纹理特征主要包括两个过程:首先设计滤波器；然后从滤波器的输出结果中提取有效纹理特征集。小波法是从纹理图像呈现出的多尺度特征入手。首先借助正交小波,对图像进行小波分解,得到不同分辨率的一系列图像。分辨率低的代表原图像上低频的信息，分辨率高的代表原图像上的高频信息。与此同时,每种分辨率的图像由代表不同方向信息的一系列高频子带图像组成,使用小波高频子带特征的目的在于它们可以反映图像的纹理特

27、性。由于小波具有良好的特性，有很多学者都做了研究，从而产生许多变种，如二进制小波、金字塔小波等。在滤波法中，针对自然的纹理图像栅格算子具有相对较好的纹理鉴别性能。Gabor能量谱能捕获纹理中大量有用信息,但其变换窗口的大小固定,在灵活性方面很难获得纹理在频率和方向上微小的变化信息。这就使得其在实际应用中受到限制。在计算量方面也没有行之有效的快速算法来确定众多的参数。与Gabor滤波相比小波更具灵活性，它不仅时频窗口可以移动，而且窗口形状也随窗口中心频率的变化而自动调整。同时在速度上也有优势。滤波法的优势主要体现在两个方面：第一它能对纹理进行多分辨表示,能在更精细的尺度上分析纹理；第二小波符合人

28、类视觉特征,由此提取的特征也是有利于纹理图像分割，能够同时结合空间和频域进行纹理特征的分析。滤波法的不足部能一概而论，正交小波变换的多分辨分解只是将低频部分进行进一步的分解,而对高频部分不予考虑。这就导致存在于高频部分的图像的真实信息丢失。小波包分析虽然能克服了这一缺点,但对非规则纹理则不能合理的刻画出来。小波多应用于标准或规则纹理图像,而对于背景更复杂的自然图像,由于存大量的噪声干扰往往效果不佳。计算量大的问题也是小波的一个致命的缺陷。3)结构法结构分析方法认为纹理可以由纹理基元的类型和数目以及基元之间的“重复性”的空间组织结构和排列规则来描述的。该方法存在的一个潜在的假设是纹理基元几乎具有

29、规范的关系并且纹理图像的基元可以分离出来。这样就可以以基元特征和排列规则进行纹理分割。方法本身的理论基础就确定该方法只能解决规律性较强的纹理分析问题。对于真实的自然图像则显的无能为力。因此该方法在实际的应用方面也受到了限制。基于结构分析的方法主要有句法分析和数学形态学法。句法纹理描述方法通常首先确定纹理基元，然后根据句法模式识别理论，利用形式语言对纹理的排列规则进行描述，以达到纹理识别的目的。数学形态学方法是在二值图像中使用结构基元寻找形状的空间重复性。当二值纹理图像由结构元素所腐蚀时,纹理属性就会表现在腐蚀后的图像中9。强调纹理基元的形状属性,但是由于二值纹理图像的假设,使其应用受限。4)统

30、计法统计法中主要有灰度行程长度法、灰度差分统计、交叉对角矩阵、共生矩阵法和半方差图方法。在这些方法中只有共生矩阵法、半方差图方法和Local Binary Pattern （LBP）纹理法还保持着旺盛的生命力，其他几种都因提取纹理信息的能力有限或计算量太大而被淘汰。LBP法因为具有旋转不变性和多尺度特性，并且计算的复杂度也小的特点而受到众多学者的青睐。共生矩阵法是通过统计相隔d像元距离的一对像元分别具有灰度层i和j的出现概率来描述纹理信息的。虽然共生矩阵能很好的描述纹理信息但是计算公式矩阵的代价是昂贵的。因此后来的学者着手对该方法进行改进。为了换取计算时间有人提出压缩图像的灰度级，这就意味着要

31、损失一定的灰度的空间依赖关系。还有人通过研究各描述纹理特征指标间的相关性来减少指标，从而达到减少计算量的目的。半方差图法是一种基于变差函数的方法。由于变差函数反映图像数据的随机性和结构性,因而能很好地表达人造纹理和自然纹理图像的特征。有学者10经过研究认为该方法对雷达图像纹理提取效果相当不错。也有学者11用该方法对大量的人造纹理图像和自然纹理图像进行分割，实验结果表明该方法对人造纹理以及大多数自然纹理的分割效果都是不错的。基于统计的方法算法简单且易于实现,尤其是共生矩阵法是公认的有效方法,具有较强的适应能力和鲁棒性。Ohanian12曾对马尔可夫模型法、Gabor滤波、分形模型法和共生矩阵法在

32、提取纹理信息方面进行评估性研究,得到的结论是共生矩阵法表现最好。也有学者13-14比较了共生矩阵、马尔可夫模型法和Gabor滤波法对遥感图像分类的正确性，结果是共生矩阵法的正确率最好5。这足以证明共生矩阵在纹理分析中的优越性。综上所述,在提取纹理特征的有效性方面, 信号处理法、统计法和模型法各有特点可以说相差无几,都获得部分学者的认可。所以我觉得研究者们应该在如何综合几种方法的长处，做到取长补短上下点功夫。1.3论文主要章节结构全文内容安排如下:第1章 绪论介绍了课题的研究背景和意义、总结了目前遥感图像纹理分析的研究现状与发展趋势、对现有的纹理分析方法进行对比分析和概括了论文的组织结构，其中本

33、课题的意义从纹理分析和面向对象两个方面进行了说明。第2章 面向对象影像分析技术全面介绍了面向对象分割方法的优越性和技术特点，并以面向对象的边缘检测方法Hough变换和区域增长的方法为例进行了说明。在前人研究的基础上对区域增长法进行了改进，并实现了区域的合并算法以满足面向对象的多尺度分析。最后对两种面向对象分析方法进行了对比分析。第3章 基于纹理信息的信息提取技术 分别对两种纹理分析方法（Tamura纹理法和共生矩阵法）进行了深入研究。尤其对共生矩阵法中各参数的选取对纹理特征的影响做了详尽的研究。最后对两种方法进行了比较分析。第4章 基于共生矩阵的无人机遥感图像的面向对象分割将第2章的面向对象的

34、技术和第3章纹理分析技术结合起来对无人机遥感图像进行分割。首先对数据进行预处理，然后用面向对象的方法进行分割和边界的视觉“对象化“。最后用优度实验法进行了评价分析。分析结果证明该算法能够得到较优的分割结果。第5章 总结与展望对本文主要研究的内容以及所取得的结果进行归纳，对有待进一步研究的问题进行了阐述。第二章 面向对象影像分割算法分析和改进第二章 面向对象影像分割算法分析和改进面向对象影像分割方法的优越性使得近年来学者对该方法的研究一直都是热点。本文将就Hough变换和区域增长法进行影像分析，并对算法本身进行分析和改进。2.1 面向对象技术的理论基础2.1.1面向对象分割的含义面向对象方法最大

35、的特点是后面的“操作”都是以“影像对象”为基本的操作单元，而非传统方法的像元。如图2-1b即为图2-1a对象化后的结果。经过初步分割的“影像对象”包含了以下几种信息：光谱信息、纹理、位置、大小、形状、紧致性、光滑度等。还可以自定义其它信息，如对象之间的拓扑关系从而有可能实现地理信息系统中的空间分析。同样的影像在不增加外来信息的情况下用面向对象的分析方法可以提取到更多的信息，从而增加了分类的依据，提高分类的精度。使分类结果使分类结果更自然、更真实，更清晰、更加接近目视判别的结果。 a)对象化前影像 b)对象化后的影像图2-1影像对象示意图由于每块影像内所包含的信息要比单个像素所包含的信息多，大多

36、数不同的影像对象是依据其颜色、形状 、纹理所构成区域进行测算读取的，更多信息也可通过影像对象的网状结构来进行归纳分类或合并。这种类型特征的重要例子是给定了类和子对象数量相关边界的邻里对象。2.1.2 面向对象的优越性面向对象的影像分析技术是基于对象的理念对影像的空间信息、光谱信息、纹理信息和形状信息等方面的信息提取，最终进行影像的识别和分类。它首先根据应用目的选择合适的尺度对影像进行初分割，然后进行相似区域合并进而形成新的对象层，如果需要还可以合并成新的对象层。对象层和这些层间的连接方式以层次结构的方式进行。每个影像对象都知道它的相邻对象、它的子对象以及它的父对象，通过垂直连接对象，可以访问尺

37、度、纹理、形状和空间位置等属性。传统的分类和提取方法主要是基于像素的、利用统计与人工解译相结合的方法。这种方法不仅精度低，效率低，劳动强度大，且过分依赖于人工解译分析，并在很大程度上不具备重复性。以单个像素为单位的常规信息提取技术过于着眼于局部而忽略了附近整片图斑的几何结构情况，从而严重制约了信息提取的精度。一些商业化的遥感图像处理软件，虽然提供了简单的影像分类和信息提取方法，但所基于分类方法非常，往往不仅效率非常低，也难于达到实用的要求和精度。这种面向对象的遥感影像分析方法首先根据尺度参数、局部区域纹理信息以及形状和光谱信息自动将影像分为若干内部均匀的小区域，并把这些小区域叫影像对象。然后可

38、以根据需要合并影像对象为尺度更大的对象层。每个影像对象都知道它的相邻对象、它的子对象以及它的父对象，通过垂直连接对象，可以访问尺度、纹理、形状和空间位置等属性。影像最小单元为单一的对象，所有后续的分类工作基于影像对象进行分类，从而分类结果可以避免斑点噪声。它可以充分利用了对象信息（色调、形状、纹理、层次），类间信息（与邻近对象、子对象、父对象的相关特征）,该方法大大提高了不同空间分辨率数据的自动识别精度，有效地满足了地学科研和工程应用的需求。相比以像元为单位分类方法面向对象的方法具有以下几个优点：1) 面向对象的方法具有很好的整体性。因为它可以充分的利用形状（如长度、边缘个数等）和拓扑特征（邻

39、近，对象结构等等）等信息，可以保持地物目标的整体性。2) 更智能化。面向对象的方法近乎于模拟人的认知过程。可以利用的信息和人脑认知过程所利用的信息基本一致。3) 分类精度更高。面向对象的影像分析法可以根据相邻对象的类别限定本对象可能所属的类别，分类中可以利用层次与邻接参数使分类更准确且易于描述。由于对象具有明确的等级与相邻关系，子类可以继承父类的类别描述函数，不但减少了类别间的混叠，而且基于一次解译结果可以制作多种不同详细程度的专题图15。2.1.3 遥感中的尺度问题所谓尺度是一个抽象的概念，当我们说一个项目是在多大空间范围上进行的，此时的“空间范围“就是指空间尺度。通常把现象随着尺度变化而变

40、化称为尺度效应。当然我举的例子是空间尺度的，广义的尺度包含功能尺度和时空尺度等。我们这里比较关心的是空间尺度。在同一个空间参考系中，大尺度数据在空间上占有较大的空间范围，在时间上表现为相对较长的时间间隔，在属性上反映过程和现象的整体、抽象、轮廓趋势；相反小尺度数据在空间上占的空间范围较小，在时间上表现为较短的时间间隔，在属性上则反映地学过程的详细、具体的内容。不同尺度的数据体现为不同的特点，在具体的专题应用中应根据任务与现象性质选择相应的尺度进行观察与研究16。由于存在尺度效应，我们的研究往往会指定某现象在某尺度下的规律是怎么样的。具体到影像分析技术上通过研究原始影像分辨率为50cm的对象均值

41、方差与分割尺度之间的关系曲线图得到不同地物具有不同的最优分割尺度的结论。由于在遥感影像上的地物类别是各种各样的，这就要求我们对不同地物的提取时采用不同的尺度，这就是遥感中的尺度问题。2.1.4多尺度影像分割技术多尺度分割是为提取影像对象所开发的一个分割算法，它是由基于像素值和对象形状来共同描述。它可以提取原始同质影像对象的任意空间大小，尤其在局部对比中被考虑到。通过这种技术，我们就可以理解遥感影像对象如何在不同的尺度域之间相互作用，从而反映影像中地表物体的固有形态。在前面我们介绍过，高分辨率遥感影像具有丰富的光谱信息和空间信息，为了更好的获取影像信息，必须首先获取最佳影像对象。一般在进行影像分

42、割之前要遵循以下几条规则：17：1)尽量保证对象内部的同质性；2）分割时的尺度应与待解决问题所需尺度相适应；3）为了能适用于其他类型的数据与问题，分割算法应相对具有普适性；4）再生性问题，如果分割结果为最合理情况则分割成果应该具有可重复性。多尺度分割的特点就是能够综合不同尺度的图像信息。它考虑了地表实体格局或过程的多层次，克服数据源的固定尺度，采用多尺度影像对象的层次网络结构揭示地表特征的等级关系。在对象生成过程中同时将这些影像对象按等级结构联接从而综合不同尺度的图像信息并把精细尺度的精确性与粗糙尺度的易分割性这对矛盾完美的统一了起来。影像对象的层次网络中不同尺度对象的尺寸大小有差异，但大尺度

43、对象与小尺度对象一样为原始像元的聚合，只是聚合阈值大小不一样，而呈现不同的像元组合特征，因此大尺度的影像对象中并没有损失原始像元的信息。在自然界几乎所有的现象都不同程度的具有尺度效应，面向对象的综合不同尺度信息的特性使得我们解决多现象对应多尺度的问题更为简单。以人类为例，人眼对某些现象或过程的观察和测量也往往是在不同尺度上进行的。所以，我们采用多尺度理论来描述、分析这些现象或过程，才能够更全面地刻画这些现象或过程的本质特征。影像对象的层次网络允许影像信息在不同的尺度同时被表达，通过定义不同尺度对象之间的拓扑联系，更多的信息可以从影像数据中抽取出来。对图像进行多尺度分解是多尺度分析方法中的一个重

44、要步骤，如图2-2为用面向对象影像分析软件eCognation产生的不同尺度的分割示意图。多尺度分解后将产生图像的多尺度数据结构。金字塔数据结构是最常用的多尺度图像数据结构。在金字塔的最底层保存的是原始图像，然后每上一层数据都是由相邻的下一层数据产生，从图2-2可以更直观的看到这一点。金字塔上越是靠上的图层其尺度越大，同时也越粗糙，包含的信息也越少。 A分割尺度：10 B分割尺度：20 C分割尺度：50 D分割尺度：100 E分割尺度：150 F分割尺度：200图2-2 eCognation中不同尺度的分割图2.2 面向对象的边缘检测方法2.2.1 传统图像边缘检测与面向对象思想的结合边缘是图

45、像最重要的特征之一，包含了图像的大部分信息，是指图像局部区域亮度变化最为显著的部分18，该区域的灰度剖面一般可看作是一个阶跃19，即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。由此可知，边缘是由于灰度值的不连续产生的，因此可以通过数学求导的方法检测边缘，根据求导阶数可分为一阶求导和二阶求导，一阶求导算法简便迅速，二阶求导能判别出边缘像素是居于图像边缘的明区还是暗区。基于一阶导数的运算是通过梯度算子来完成的，例如比较常用的Robets交叉算子20、Prewitt边缘算子21以及Sobel边缘算子等22，基于二阶导数的边缘检测比较常用的有Laplacian算子23。通常我们

46、对图像直接进行边缘检测，由于光照或图像噪声的影响所得到的边缘点基本不连续，导致难以进行近一步描述和运算。Hough变换的思想认为根据实际测量所遇到的图像边缘的类型可分为直线、圆、圆弧、椭圆等不同类别。对于这些不同对象，有学者认为可以预先确定大致的范围，然后根据这些先验信息，按照一定的准则进行边缘点的搜索和确定，再剔除异常的边缘点，就可以得到相关边缘的准确定量描述。这样，不仅提高了图像处理的速度(只对确定范围内的区域进行处理)，而且得到了检测对象的描述参数(对检测得到的边缘像素点进行相应的进一步处理)24。经上处理后可得到比较准确的边缘点，然后按照相应的直线或圆等拟合方程，同时也实现了对这些目标

47、的“对象化”。然后就可以根据我们的需求对此对象的各种特征的分析。2.2.2 Hough变换直线检测Hough变换最早是由Paul Hough提出的一种的直线检测方法25-26，是目前使用广泛的一种检测直线的方法。Duda和Hart分别对最初的Hough变换算法做了进一步的改进和完善27，Hough变换实现了一种从图像空间到参数空间的映射关系，其核心思想是点-线的对偶性，通过变换将图像从图像空间转到参数空间28。假设在图像空间，所有经过点的直线都满足方程： （2-1）其中为斜率，为截距。公式（2.1）的另一种写法如公式（2-2）： （2-2）（2-2）式代表过点的参数空间中的一条直线。如图2-3

48、所示：图2-3图像空间和参数空间中点和线的对偶性从式（2-1）和（2-2）可知，如果在图像空间中保持直线的斜率和截距不变，其在参数空间中的对应直线必定过点，这也就说明，在图像中共线的点对应于参数空间共点的线。Hough变换就根据点-线的对偶性把在图像空间中存在的直线检测问题转化成参数空间中存在的点检测问题，通过在参数空间里进行简单的累加统计完成直线检测任务29-30。如果直线方程斜率为无穷大，会使累加器的尺寸变得很大，从而增加了计算的复杂度并降低了算法检测的速度，因此，通常采用直线极坐标方程31： （2-3）在极坐标中便是图2-4(b)所示的点(,)在极坐标里，横坐标为直线的法向角，纵坐标为笛

49、卡儿坐标原点到直线的法向距离。在笛卡儿坐标系中通过公共点的一簇直线（如图 2-4(c)所示），映射到极坐标中便是一个点集,这些点集构成一条曲线，其实这是正弦曲线（图2-4d)）。因此笛卡儿坐标空间中的一个点对应于极坐标中就是一条正弦曲线。(a) (b) (c)(d) (e) (f) 图2-4 Hough变换的原理在笛卡儿坐标中共直线的点（如图2-4(e)中的(x1,y1)(x2,y2)(x3,y3)三点共线）映射到极坐标系便是共点的一簇曲线（图2-4(f)）。在图2-4(f)中还可以看到这三条曲线有两个交点， 其实这两个交点的所对应的横坐标值即法向角数值相差 180，对应到笛卡儿坐标里是同一条

50、直线。如果令直线的法向角的取值范围为：-2/-2/，其交点就只有一个了。从图2-4中可以看出，Hough 变换使不同的线和点建立了一种对应关系。设已知一黑白图像上画了一条直线，要求出这条直线所在的位置如图2-5在此我们假设直线的的方程为，其中k和b是参数斜率和截距。我们要得到此直线的方程就必须计算得到参数k和b的值。如果直线为y=x,则我们在Hough变换过程肯定会计算到下面的三个点：A(1,1),B(2,2),C(3,3)。可以求出，过A点的直线的参数要满足方程1=k+b,过B点的直线的参数要满足方程2=2k+b,过C点的直线的参数要满足方程3=3k+b,这三个方程就对应着参数平面上的三条直

51、线，而这三条直线会相交于一点(k=1,b=0)。我们就是通过参数平面的情况来描述原图像上的点是否为同一直线上的点。图2-5 Hough变换过程示意图当原图像上有N条直线时，对应参数平面上会有N个的直线簇分别通过N个固定点。这就是我们解决问题的方法，就是把图像平面上的点对应到参数平面上的线，最后通过统计特性来解决问题。Hough变换在抑制噪声方面的能力强使其能广泛应用，它能够提取处在噪声背景中的直线，并且具有把断了的线段连接起来的能力。Hough变换前必须对原图像进行一些必要的预处理，这些预处理工作包括灰度化，利用一定的边缘提取算子进行边缘提取，然后再设定一个灰度阈值对图像进行二值化处理。由Ho

52、ugh的原理可知Hough变换的性质如下：（1）(x,y)域中的一点对应于变换域(,)中的一条正弦曲线。（2）变换域(,)中的一点对应于(x,y)域中的一条直线。（3）(x,y)域中一条直线上的n个点对应于变换域中经过一个公共点的n条曲线。根据其原理就可以进行目标对象的检测，图2-6(b)即用如上的方法计算得到五角星的边缘。 a待提取边缘的五角星 b提取边缘后的五角星图2-6 Hough变换提取五角星边缘同样把Hough变换的方法应用到遥感影像分析中同样是可行的，图2-8是对图2-7的线性地物的提取，从2-8我们可以看出原始影像上的线性地物基本都可以提取到。但是我们发现它并不能区别线性的道路和

53、相对比较直的和的沿岸。图2-7 原始遥感影像图2-8 Hough变换提取遥感影像中的道路2.2.3 Hough变换的推广其实Hough变换可以检测任意的已知表达形式的曲线，关键是看其参数空间的选择，参数空间的选择可以根据它的表达形式而定。在Hough变换的推广应用中比较多的是针对圆和椭圆的检测。下面我们先简单介绍Hough变换的圆检测原理。假设一个圆其边界方程为： （2-4）其中为圆边界上的边界点集，r为半径。同样可以把x，y看作变量则方程为： (2-5)参数空间为三维的锥面，当检测某一半径的圆的时候，可以选择与原图像空间同样的空间作为参数空间。那么原图像空间中的一个圆对应了参数空间中的一个点

54、；原图像中一个点对应参数空间的一个圆锥面簇，参数空间中的一个点对应了图像空间中的一个圆。由于原图像空间中在同一个圆上的点的参数a和b相同，那么它们在参数空间中的对应的锥面簇都过同一个点(a,b,r)。这样我们就可以统计参数空间里过同一点的这些圆锥簇来反推出在原始图像同一圆上的点集。当然如果只检测固定r的圆，相对来说不论从算法上还是从计算量上来讲都要简单些。对于已知r的情况，原始图像上的一个圆对应参数空间上的一点，原始图像上的一点对应参数空间上的一个圆。根据以上理论基础本文实现了对图2-9的Hough变换圆检测，结果如图2-10。图2-9 Hough变换提取圆形物体边缘的原始图图2-10 Hou

55、gh变换提取圆形物体的结果图Hough变换对于椭圆也有类似于圆检测的应用。由于椭圆有5个自由参数，所以它的参数空间是5维的，因此变换过程的计算量相应的也增加。在遥感图像中圆形和椭圆形的地物极为少见，所以本文对Hough变换对圆和椭圆检测在遥感中的应用没有进行深入的研究。2.3 区域增长法区域增长法(Seeded Region Growing，SRG)面向对象遥感处理方法中的重要部分。它是一种基于区域的分割方法，分割后形成的初始区域是图像对象的形状表述，是进一步信息提取的基础，因此分割的好坏对后续的图像解译有很大的影响。该算法最早由Admas和Bischf在九十年代提出32。区域生长以种子选择和

56、区域形成为核心，最终提取目标区域。但是，区域增长法对种子点的选择依赖性较强，对噪声的干扰，生长阈值的选择十分敏感，容易造成过度分割，必须要采取对应的抑制措施，区域合并是较为常用的方法33。区域生长是指根据某一规则将一个种子像元的邻域点及这些邻域点的邻域点聚集为一个区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性的相邻像素合并到此区域。可以看出这是一个迭代的过程，这里每个种子像素点都迭代生长。直到图像上的每个像素都进行过处理，因此，原图像也可以由处理后的不同的区域组成。这些区域的边界必须为闭合多边形。分割结果与原始图像的对应关系可以描述为：1）其中，f(x,y)表

57、示原始遥感影像；表示第k个区域；2）3）其中表示是不同的区域。2.3.1区域增长类型和准则根据增长的方式不同可以将区域增长法分为单连接区域生长、中心连接区域生长和混合连接生长。单连接区域生长技术在判断邻域点是否合并进入区域的根据是判断种子点与邻域点的在“生长规则”下是否一致，如果一致则合并，否则判断其它邻域点。而中心连接区域增长法判断邻域点是否合并的根据是判断种子点的邻域点与现有区域点集的某种属性在“生长规则”下是否一致，如果一致则合并，否则判断其它邻域点。区域生长的准则一般为区域灰度差、区域灰度分布统计特性和区域形状34。l) 基于区域灰度差平均灰度的均匀测度度量可以作为区域生长的相似性准则

58、。设某一图象区域O，其中像素数为N，则均值表示为: (2-6)于是，区域O的均匀测度度量可写成： (2-7)其中K为阈值。上式可以解释为:在区域O中，各像素灰度值与均值的差不超过某阈值K，则其均匀测度度量为真。2) 基于区域内灰度分布统计性质以灰度分布相似性作为生长准则来决定区域的合并，对灰度分布的相似性常用两种方法检测。Kolmogorov-Smimov检测: (2-8)Smoothed-Difference检测: (2-9)和分别为两邻接区域的累积灰度直方图。如果检测结果小于给定的阈值，即将两区域合并。说明:小区域的尺寸对结果可能有较大影响，尺寸太小时检测可靠性降低，尺寸太大时则得到的区域

59、形状不理想，小的目标也可能漏掉。式(2-7)比式(2-6)在检测直方图相似性方面较优，因为它考虑了所有灰度值。3) 基于区域形状在决定对区域的合并时也可以利用对目标形状的检测结果，常用的方法有两种。把图像分割成灰度固定的区域，设两邻接区域的周长分别为和，把两区域共同边界线两侧灰度差小于给定值的那部分长度设为L，如果(为预定闭值) (2-10)则合并两区域。把图像分割成灰度固定的区域，设两邻接区域的共同边界长度为B，把两区域共同边界线两侧灰度差小于给定值的那部分长度设为L，如果(为预定阈值) (2-11)则合并两区域。2.3.2传统的区域增长算法区域增长法是面对象的分割方法，但是它本身是以像素为

60、单位进行操作的。一般的区域增长法主要有如下几个步骤：第一步，输入初始种子点的位置，；第二步，逐个检测当前种子点与其四邻域点的灰度差，如果灰度差小于预先确定的阈值，将它们合并；第三步，更新种子点，跳转到第二步，检查新种子点的邻域，直到区域不能继续增长为止；采用上述方法得到的结果对区域生长起点的选择有较大依赖性，且通常应用于提取图像中特定的区域，具有提供几个种子点提取几个感兴趣区域的特点，所以不具有通用性，为克服这个问题有学者采用下面的改进方法：第一步，建立与原始图像同样大小的标记矩阵，从图像的左上角第一个像元为第一个区域的种子点；第二步，逐个检测当前种子点与其四邻域点的灰度差，如果灰度差小于预先

61、确定的阈值，将它们合并；第三步，更新种子点和标记矩阵，跳转到第二步，检查新种子点的邻域，直到区域不能继续增长为止；第四步，跳转到第一步，在标记矩阵中按逐行扫描下一个为被标记的像元的位置，将此位置对应的像元作为新区域的种子点，跳转第二步。第五步，直到标记矩阵的所有点都被标记，算法结束。2.3.3存在的问题传统的区域增长法的改进在种子点的选取上进行了改进，这样就保证了所有机会点都被用来作为一个区域的初始种子点，且最后图像的所有点都被“分配”到一定的区域。图2-12即为用此分割算法对图原始影像图2-11分割的结果。经过认真分析并结合该算法的一个的分割结果（图2-12），总结此算法还存在以下几个问题：

62、1）抗噪声和干扰能力弱，使得分割结果破损成程度很高；2）算法中的增长准则不是很合理并且单一，当出现相邻的两个地物为“同物异谱”或“同谱异物”时算法失灵；3）但是当图像存在缓慢变换时，还是会存在错分割的情况；4）终止条件的选择不够恰当使得分割结果并不是很精确；图2-11 用普通区域增长法分割的原始遥感图像图2-12 用普通区域增长法分割的结果图2.4 区域增长法的改进经过改进后的算法的整体流程大概分为（如图2-13）三个部分：图2-13 改进后的分割流程图图像预处理部分主要是噪声的去除和图像增强，当然根据当前的目标影像的具体情况预处理的工作也可能会有不同。例如，如果目标影像没有进行过大气校正、几何校正等，相应的工作也被加入到预处理部分。改进后的区域增长算法将在