基于JSEG算法的彩色遥感图像分割与改进探讨

《基于JSEG算法的彩色遥感图像分割与改进探讨》由会员分享，可在线阅读，更多相关《基于JSEG算法的彩色遥感图像分割与改进探讨（66页珍藏版）》请在装配图网上搜索。

1、学位论文 摘要摘 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

2、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，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，局部同质，算子27学位论文 AbstractAbstract（重新翻译）In order to effectively analyz

3、e 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 analyze and calculation. Because only if the better segmentation effect is obtaine

4、d, 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 wealth of color, texture and a lot of noise et al, the key point of the researc

5、h 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 simultaneously by use the JSEG algorithm, which directly utilize color information. Th

6、en, 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 local homogeneous matrix, which gives reasonably description for color homogenei

7、ty 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 finally, the evaluation of image segmentation is analyzed and summarized. In additi

8、on, 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 that the high resolution color remote sensing image is effectively segmented by

9、 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: High resolution color remote sensing image, JSEG algorithm, Local homogeneity,

10、LBP/C operator学位论文 目录目 录摘 要IAbstractII目 录III第一章 绪论Equation Chapter 1 Section 111.1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论文主要工作及内容7第二章 基于JSEG算法的彩色遥感图像分割Equation Chapter 2 Section 192.1彩色特征空间102.2JSEG算法112.2.1 彩色图像的颜色量化112.2.2 空间分割算法192.3JSEG

11、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 1293.1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第四章 图像分割评价Equation Cha

12、pter 4 Section 1474.1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学位论文第一章 绪论第一章 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

13、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。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

14、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。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。遥感图像处

15、理是地学、物理学、数学、心理学、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)

16、对航天探测器徘徊者7号在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。1.1.1 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

17、图像处理技术，能够快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。2.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、模式识别和人工智能技

18、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源调查和动态监测就必须利用各种方法

19、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、更紧凑的形式，使得更高层次的图像分析与理解

20、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。遥感图像分割发展现状1.1.2 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

21、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。图12 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

22、要位置，仍旧是图像分析中的热点和难点。1.1.3 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

23、，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

24、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

25、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，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

26、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)驱动的区域围道分割模型

27、用于分割纹理图像，以及利用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

28、场模型、小波变换、分形模型等。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

29、遥感图像分割方法的主流。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29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

30、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，以及针对图割方法的缺陷，利用四叉树进行改进的分割方法22等。除此之外，文献23和24在提高数据利用率方面，文献25在针对高分辨率遥感图像边缘突出的问题上分别做了相应的研究。目前，在遥感图像分割中，基于区域的分割方法一般将纹理特征作为区域的一致性属性，对于灰度图像的纹理特征已得

31、到深入的研究，彩色纹理特征的提取也已全面展开，对多光谱或高光谱遥感图像的纹理特征的提取尚处于起步阶段。另一方面，遥感图像的纹理特征与灰度图像的纹理特征是有所不同的，如何把这些区域的分割方法与遥感图像的纹理特征有机结合起来，也值得深入研究。虽然对高分辨率遥感图像的分割研究不断深入，但遥感图像分割存在以下一些问题：1. 如何有效综合利用高分辨率遥感图像中所反映出的大量信息，如颜色，纹理等信息，来提高图像分割质量；2. 如何有效处理遥感影像的噪声问题。由于遥感图像内容丰富，具有类型多、目标小的特点，与一般图像相比，包含了更多的信息，但与此同时也包含了比一般图像更多的噪声，这就对遥感影像分割方法处理噪

32、声图像的能力提出了更高的要求；3. 如何从客观角度评价一个图像分割结果的优劣。本文针对以上问题，在如何有效并合理利用高分辨率彩色遥感图像所反映的信息问题上做了相应研究，并结合算法提出了一种改进算法。该方法综合利用高分辨率彩色遥感图像中区域颜色的同质信息以及图像的纹理信息来解决传统算法中存在的边界定位不准确以及过分割现象，并利用分析法准则、优度实验法准则等图像评价准则对本文的图像分割方法进行评价。1.2 论文主要工作及内容本文根据遥感图像的特性，结合遥感图像的颜色和纹理特征，研究了基于改进算法的高分辨率遥感图像分割算法。主要研究内容如下：1) 算法研究研究了传统的算法的基本原理和实现步骤，并给出

33、仿真结果。2) 基于改进算法的图像分割研究针对传统的算法存在的问题，通过利用同质矩阵和原图像的LBP图对传统算法进行改进。3）实验结论及分析对两种算法编程实现，并对实验结果进行了分析讨论。4) 图像分割评价方法研究研究了图像分割评价的方法，如分析法、优度实验法等，并选取其中的评价测度对以及改进算法分割实验结果进行比较。本文具体章节安排如下:第一章 绪论，简要介绍了论文的研究背景及意义，对图像分割的发展现状作了简要叙述，并提出课题的主要研究内容。第二章 基于算法的高分辨率遥感图像分割。对JSEG算法进行研究，并将JSEG算法用于高分辨彩色遥感图像分割。第三章 基于改进算法的高分辨率遥感图像分割。

34、针对较为深入地分析算法中存在的问题，并根据遥感图像的特点，对传统算法进行了改进。第四章 图像分割评价。利用分析法、优度实验法中的评价测度，对算法以及改进算法进行比较。第五章对本文的内容进行总结，并提出今后进一步工作设想。学位论文第二章 基于JSEG算法的彩色遥感图像分割第二章 基于JSEG算法的彩色遥感图像分割Equation Chapter 2 Section 1遥感图像分割就是对遥感图像进行处理，把图像分割成各具特性的区域并提取出感兴趣目标的技术和过程26，主要分割方法有多尺度方法、多分辨率方法、基于局部图像函数的方法、基于边界曲线拟合的方法、基于马尔科夫随机场的方法、混合分布法、阈值化方

35、法、流域变换等26。算法是Deng and Manjunath2934 提出的一种基于颜色和纹理的区域分割方法。算法主要分成两部分：颜色量化和空间区域的分割，其原理如图21 JSEG分割原理图所示。图21 JSEG分割原理图颜色量化首先将图像的颜色空间转换为颜色空间，然后进行(Peer Group Filtering)滤波对图像进行平滑去噪，用分裂算法确定图像的类数，最后用(Generalized Lloyd Algorithm)算法完成量化，生成“类图”。“类图”可以看作是一个特殊的纹理图像。空间分割是在“类图”上用模板进行扫描，根据颜色向量在模板中的分布进算出模板中心像素的值，从而得到反映

36、图像区域分布信息的“图像”。在“图像”中，小数值代表了区域的中心，大数值代表了区域的边界。根据阈值在“图像”上建立固定的种子区域，最终分割出对象的中心区域。然后将种子区域外的像素按照距离进行区域生长分配给种子区域，最后用生成对象的颜色直方图进行全局最优区域合并完成最终的图像分割。2.1 彩色特征空间目前常用的彩色空间主要有、和等。对于一般所处理的彩色图像都是由,三个分量的值来表示的，但这三个分量具有很高的相关性，直接利用这些分量常不能得到所需效果。因此，为了降低彩色特征空间各个特征分量之间的相关性，以及为了使得所选空间更方便于彩色图像分割方法的具体应用，就需要将空间转换到其他空间。在彩色图像分

37、割中经常采用两个颜色间的欧式距离来判断颜色间的差异或相似性，计算两种颜色间的欧式距离又称色差计算。研究表明，很多图像分割算法对色差计算都很敏感，色差计算很大程度上依赖于颜色空间的均匀性。而色差的结果越接近人眼的视觉感受，说明颜色空间均匀性越好。由于现有的彩色图像分割算法基本都是基于颜色相似性的，所以颜色空间的均匀性以及色差的计算与人眼视觉感知的符合程度直接影响着分割算法的性能。颜色空间基于色度理论和参考白点，与人类的视觉感知相当一致，也就是人们感知到的两个颜色的距离和它们在颜色空间中的距离成较好的比例关系，在空间中的欧式距离能够很好地表现两种颜色的相似性。因此本文选择了(国际照明委员会)开发并

38、在其基础上演变而来的彩色空间。该空间有三个特征向量，其中为亮度，和为色度坐标。对于一般的图像，和的取值范围为-100到+100，亮度为0到100。它的计算公式可以通过如下非线性变换公式计算得到：(2.1)式中，为标准白时的值，且(2.2)和式中由下式得到：(2.3)利用式就可以将彩色图像从空间转换至空间，在空间中定义欧式距离为：(2.4)2.2 JSEG算法2.2.1 彩色图像的颜色量化在算法中，首先需要知道整幅彩色图像的颜色分布并产生类图，将图像进行一种原始的分割。而得到类图的关键技术就是颜色量化。颜色量化技术已经研究了很多年，目前常用的颜色量化方法大体可以分为分割算法和聚类算法二类。分割算

39、法的基本思想是将图像中出现频率最高的种色彩作为调色板，然后将其余颜色按最小距离准则映射到调色板中。此类方法重构图像的层次感较丰富，但会丢失出现频率小的色彩，而无法保留细节，使局部模糊。聚类算法则先选择若干聚类中心，然后按某种准则对颜色进行迭代聚合，直到合适的分类为止。聚类算法为近似最优算法，但需迭代运算，计算量大，而且量化结果往往依赖于初始聚类中心的选取，聚类算法也容易将相近的色彩合并，而破坏色彩的层次感。同时，这些方法仅限制在对颜色空间的分析上，并未考虑颜色的空间分布，因此会对量化结果产生影响。根据人眼视觉特性、颜色的空间分布以及最小量化失真，提出了一种在颜色空间进行颜色量化的方法34。首先

40、，利用同等组滤波()平滑和去除彩色图像中的噪声并将滤波过程中所获得的局部统计特性作为矢量量化过程中所需权重，然后采用矢量量化()技术进行颜色初始量化，最后采用(通用劳埃德算法)算法对矢量量化结果进行聚类。研究表明，人类的视觉感知对平滑区域的变化比对细节丰富区域的变化更为敏感。因此，就可以在不影响视觉感知质量的前提下，在细节区域内进行颜色量化。如果赋予平滑区域比较大的权重，而赋予细节丰富区域比较小的权重，就可以使细节丰富区域的量化粗糙，平滑区域的量化精细，从而提高整个图像的质量。一般情况下，例如自然场景下的彩色图像，量化至1020个颜色为宜。2.2.1.1 同等组滤波(PGF)同等组滤波()的目

41、的有两个，其一对实际获取的图像进行滤波，对图像中被干扰的像素点利用同等组成员进行平滑；此外就是利用获得的同等组得到矢量量化过程中的权重信息。虽然高斯滤波、中值滤波等常常用于彩色图像量化、图像分割的预处理中，且这些滤波方法也能有效滤除图像中的噪声，但是这些方法都不可避免地模糊了图像的边缘和细节，使分辨率下降，并且无法提供矢量量化所需要的权重信息。是一种针对彩色图像的图像平滑和脉冲噪声移除的非线性算法，其不仅能够有效移除噪声，并且能在边缘和细节不模糊的情况下平滑彩色图像34。算法基本分为两步：1) 分类。根据颜色相似性，对每一个中心像素进行同等组分类，并判定窗口中心像素是否为噪声信号；2) 替代与

42、平滑。若中心像素判定为噪声，则通过同等组成员加权替代，达到平滑的目的。同等组滤波的具体流程如下图所示：图22 PGF算法流程图值得注意的是彩色图像的滤波与颜色量化以及后面所介绍的空间分割都是在空间中完成的，这是由于空间更加符合视觉的均匀感知特性，因此有利于颜色的量化和描述。 首先选取的滤波窗口，在这个窗口中计算各邻域像素与中心像素的欧氏距离，然后进行升序排列。设特征向量为，则滤波窗口中各像素与中心像素的特征距离为： (2.5)然后将进行升序排列：(2.6) 1 脉冲噪声的去除首先通过邻域像素与滤波窗口中心像素点的欧氏距离的一阶差分，通过的值来判断脉冲噪声并剔除，一阶差分由下式得到：(2.7)然

43、后，测试按距离升序排列后的前和后个像素点的距离差分值，并令门限值为,当出现：(2.8)即认为有噪声出现，具体分为如下两种情况。1) 若测试前点时，满足式，则的点视为噪声。2) 若测试后点时，满足式，则的点视为噪声。2 同等组成员的确定利用上面的方法在剔除噪声点后，根据准则判定同等组成员。准则函数定义如下：(2.9)其中，表示窗口内几个点的距离平均，表示窗口内其余点的距离平均，分别由下式计算：另外，定义类内散度为：(2.10)(2.11)通过遍历所有的可能性，当某种情况下取得最大时，那么此时的值就是同等组的大小。可由下式表示：(2.12)将同等组成员写成如下一个集合，定义为：(2.13)3 同等

44、组成员的像素加权值替代中心像素在完成了脉冲噪声的判断和同等组的分类后，被判断为噪声的中心像素则可用同等组成员的加权平均代替。计算公式为：(2.14)其中是标准高斯权值，分别是的均值和方差。2.2.1.2 PGF滤波实验结果本节给出滤波的一些实验结果，并与向量中值滤波(, vector median filtering)相比较。是抑制噪声常用的非线性处理方法。这种方法运算简单实现方便，而且能很好的保护边界，但是这种算法会使图像丢失细线细节和小块的目标区域。本文选择华盛顿某地和北京某地的高分辨遥感图像进行滤波实验，以下是与方法滤波的实验结果图： (a)原图 (b)加噪声图 (c)PGF滤波结果图

45、(d)VMF滤波结果图图23 华盛顿某地PGF与VMF方法滤波对比结果 (a)原图 (b)加噪声图 (c) PGF滤波结果图 (d)VMF滤波结果图图24 北京某地PGF与VMF方法滤波对比结果从实验结果可以看出，方法滤波后的图像去除了噪声的同时，也改变了其它像素点的颜色，使得细节模糊，而滤波则能够去除脉冲噪声、平滑图像、减小失真并较好地保护细节。2.2.1.3 颜色量化当滤波结束后，则原图像中每个像素点的同等组都已确定，利用同等组信息进行颜色量化。颜色量化技术目前做了大量的研究，主要工作包括簇的均值漂移算法(mean shift algorithm for clustering)35，针对均

46、值初始化的通用方法(a genetic algorithm for initialization of C-means algorithm)36以及颜色空间中的量化方法(a quantization scheme in the HIS color space)37。然而这些方法都没有考虑到颜色的空间分布，而这一信息恰恰会影响到颜色量化的结果。颜色量化利用了由同等组滤波所获得的局部统计特性作为矢量量化过程中的权重。颜色量化过程的流程图如下图所示：图25 颜色矢量量化流程图1 计算矢量量化权重和初始量化簇数权重的获得主要依靠同等组所带来的局部统计信息，其主要过程如下所示：1) 根据准则获得同等组成

47、员个数，取同等组中和中心像素距离最大值，由于邻域像素和中心像素的欧氏距离按照升序排列，因此可设：(2.15)值得注意的是，的值表征了窗口区域的图像平滑程度。越小，窗口图像越平滑，反之，窗口图像越粗糙。2) 定义每个像素点的权重(2.16)显然，在平滑区域中，由于较小，所以比较大；反之，在变化强烈区域，较大，较小。因此，就表征了区域平滑度的权重，噪声区域像素的权重小于平滑区域像素的权重。3) 的均值表明了图像的全局平滑度。越大，图像越不平滑，则可能量化出更多的簇。使用来估计一幅图像量化的初始数目：(2.17)实验中设定为2。2 GLA算法算法是矢量量化算法中的关键的一个步骤，该方法大致分为分裂与

48、像素分配两部分。分裂的作用在于将原图像分裂至式所计算的初始簇数，而像素分配则是依据距离最小原则将每个像素点分配至相应簇中，并将各像素按照所在簇进行标记。假设已经分裂成为簇。首先，对第簇，按照下式计算质心：(2.18)由上式可以看出，每一簇的质心将向高权重的像素方向移动，从而在平滑区域拥有了更多的量化级。然后计算每簇的总失真，该值表征了每一簇的失真程度，是判断该簇是否分裂的依据，计算公式如下：(2.19) 设定失真门限值为，将已分裂好的每簇的失真值与其比较，当失真值高于设定的门限时，即，则将该簇分裂为两部分，然后将原簇中的像素重新分配至新簇中。如果已经分好的各簇失真值均小于门限值，但则将失真值最

49、大的簇进行分裂，并分配该簇的像素至各新簇，重复上面的步骤直至分裂至式所计算出的初始分裂簇数。这种量化算法是以寻找最优矢量量化器为目标的迭代聚类算法。由于用用来决定哪一簇需要分裂所以权重小的点集将被分为较少的类，所以不平滑区域的颜色簇数受到压制。3 合并由于算法的目标是使全局失真最小化，因此迭代完成后，对大量颜色相近的像素会存在多个簇，因此需要再运用簇聚类方法，合并相近的码书向量，得出最终的量化结果。合并之后，由于图像像素都被标为所在颜色类的标记，从而形成新的一种结构图，这种新结构图称为类图。类图可以看作是位于二维空间的数据点集合，每个点的值是图像像素点在二维平面的位置，记为向量，这些数据点已经

50、归类并且每一个点都有其类标记。类图可以也看成是一种特殊的颜色纹理结构图，表征了彩色图像中基本的颜色分类。图26给出了一种简单的类图，图中“+”、“O”、“*”分别表示数据点组成的3个类。图26 类图2.2.1.4 颜色量化实验结果下面给出华盛顿某地和北京某地高分辨率遥感图像的颜色量化结果和类图。实验中设置=2，失真值的门限t=0.05，滤波窗口n=5。 (a)颜色量化结果图 (b)类图图27 遥感图像量化结果图2.2.2 空间分割算法空间分割是通过某种图像分割标准将彩色图像分割成不同区域，如果分割标准不好则可能导致图像分割的失败。算法提供了一种代价小，计算简单的分割标准值29。该值的大小直接说

51、明了分割的好与坏，并且利用延伸出来的局部值的概念可以找到区域的边界，完成对彩色图像的分割。关于值在本文后面将做详细的介绍。算法的空间分割可分为局部值计算和区域增长两大步骤，其中区域增长又分为“山谷”确定和“山谷”增长两个部分。局部值计算和区域增长都是在一定尺度下完成的，每完成一次尺度减一，直到尺度小于某阈值后结束。具体流程图如下图所示：图28 空间分割算法流程图2.2.2.1 J值和局部J值算法提出了一种新的彩色纹理区域的分割准则，即值。该值是在类图的基础上计算的。假设是类图中个像素点的集合，回顾上节类图的定义可知，类图为一个二维的数据结构，每个数据点的值为其所在位置的一维向量，用表示。设，则

52、均值可由下式计算：(2.20)若将分成了类，为第类中个数据点的均值，则有：(2.21)令(2.22)(2.23)则J值由定义：(2.24)以图26为例，我们利用式很容易计算每种类图所对用的值分别为，如下图所示： 类图1 类图2 类图3 J=1.720 J=0 J=0.855图29 不同类图和它们相应值容易看出，值越大，说明类与类之间分离地越开，类内成员之间越紧密。因此推而广之，我们可认为当图像均由各同性质的颜色区域组成则类图将其分割的越好，从而值较大；反之，当颜色均衡的分布于整个图像时，值会变小。然而大多数情况，整个类图的值总是介于类图1和类图2这两种情况之间，则判定分割的好坏显的不够直观。其

53、实容易观察到，对于类图1一种“好”的分割就是将其分割为三部分，每部分只包含一类颜色，类似的对于类图3，一种“好”的分割应该将其分为两部分。因此，如果对于每一个分割的区域重新计算值后求和并平均就可以得到，定义为：(2.25)式中，是区域的值，是区域的像素点数，是类图中所有像素点数的总和。这样，值就可以看作是仅有一个分割区域的的特殊情况。因此，利用作为评价标准显然比值更加直观。如图210所示，对于类图1和类图3这两种情况下的分别为0和0.05，显然分割的越好则就会越小。 已分割的类图1 已分割的类图2 图210 已分割的类图和它们相应的值2.2.2.2 J图和尺度的选择虽然越小说明图像分割的越好，

54、但是想得到整幅图像的全局最小值显然是不现实的，因为分割图像的方法有很多不是唯一的。虽然值在评价图像分割时显得不够直观，但如果仅仅利用类图的局部区域计算值却能够表明该局部是在某区域的内部还是靠近边界。图就是利用这个思想而建立的，其实它相当于一个灰度图，即在某一尺寸的小窗口内利用像素值计算值，并将其作为窗口中心像素对应位置上的值而得到的二维数据结构。而在某个尺寸窗口中计算的中心像素点的值被称为局部值。显然，像素的局部值越高，则该像素越接近该区域边缘。图就如同一副三维地形图，大的值如同山峰，代表了区域边缘，而小的值如同山谷，代表了某一区域的内部。如图211所示(图中左边为大尺度下的图，右边为小尺度下

55、的图)： (a)大尺度下三维图 (b)小尺度下三维图 (c)大尺度下图 (d)小尺度下图 图211 华盛顿某地图 (a)大尺度下三维图 (b)小尺度下三维图 (c)大尺度下图 (d)小尺度下图图212 北京某地图不同尺度代表了所选局部窗口的大小。局部窗大小的选择决定了检测的图像区域的大小，小尺寸窗对确定图像颜色边缘和局部强度很有用处，而大尺寸窗对探测图像纹理边界比较有用。一般情况下，在图像分割中都需要在多尺度下进行。在算法的应用中，最小尺度的基本窗是去掉边角，且尺寸为的圆形窗口，如图213所示。图213 计算值的基本窗一般情况下每增加一个尺度，窗口尺寸增加一倍。算法采用的窗口尺度如表21所示：

56、尺度窗口(像素)采样(1/像素)区域尺寸(像素)最小山谷(像素)1322128351242048表21 不同尺度窗口大小在分割初始阶段其实是将整个图像作为一个区域，因此需要在一个相对大的尺度下进行粗分割，然后在小尺度下重复分割过程，进行更为精细的分割。所以当定义了尺度之后就决定了分割的细节。一般来说，如果图像尺寸介于与之间，可以选择选择初始尺度为尺度3，以此类推。2.2.2.3 区域增长图决定了一幅彩色图像中各区域的内部和边界，因此我们可以选择区域增长的方法将图像中每个像素分配至各个区域。区域增长分为确定山谷区域和山谷区域生长两步。1 确定山谷区域综合上面的分析可知，图的特点决定了区域增长的模

57、式。首先，利用图确定一些种子区域即图中的山谷区域，山谷区域的选取并不复杂，其主要步骤为：1) 通过图计算整个图像各区域的局部值的均值和方差，设第个区域内有个像素点且每个像素点的局部值为，则均值和方差由下式计算：(2.26)2) 设置门限：(2.27)局部值小于门限的像素点被确定为候选山谷点。连接周围四邻域像素点确定候选山谷。参数可从集合中选择，该参数集合能够给出大部分的山谷。 3) 如果候选山谷像素的数量大于表21中相应尺度下所列出的最小山谷尺的像素数量，那么该候选山谷被确定为山谷区域(种子区域)。2 山谷区域生长通过像素与像素增长为山谷的方法很耗时，因此采用更快速的方法：1) “移洞”。移除

58、种子区域中的“洞”，即将种子区域中为标记的像素标记。2) 对于剩余未分割区域，计算局部值的平均值，连接小于局部值平均值的像素点以形成生长区域。如果这个生长区域只邻近唯一的一个种子点，则该区域标记为该种子所代表的区域。3) 为了更加精确定位区域边界，使用小尺度下的窗口计算剩余像素的局部值，重复上一步骤。 4) 剩余未分割的像素点在小尺度下逐个进行区域生长。将山谷边缘未分类的像素点存储在存储器里，每一次，局部值最小的像素点根据它邻近的山谷进行标记，存储器更新，直到所有的像素点分类完毕。2.2.2.4 区域合并区域生长结束后即得到图像的分割结果，但通常情况下会出现过分割现象，因此需要利用区域合并算法

59、进行合并。区域合并算法是将过分割区域基于颜色相似性原理进行合并。提取每一个区域的颜色直方图，计算区域颜色直方图与之间的欧式距离：(2.28)式中为颜色直方图向量。欧氏距离是在颜色空间下进行的，利用欧式距离作为合并条件是合理的，因为彩色图像进行了粗糙量化，并且两个颜色直方图之间有很低的相关度。区域合并过程首先将两两邻域的颜色直方图间的欧氏距离，拥有最小距离的相邻区域进行合并，然后计算新区域的颜色特征向量以及和周围邻域欧氏距离，重复合并过程直到达到最大阈值，区域合并结束。2.3 JSEG算法分割彩色遥感图像实验2.3.1 分割实验实验中选择大小的彩色遥感图像， (a)原图 (b)大尺度分割结果 (

60、c)小尺度分割结果 (d)最终分割结果图214 华盛顿某地各尺度下的分割图 (a)原图 (b)大尺度分割结果 (c)小尺度分割结果 (d)最终分割结果图215 北京某地各尺度下的分割图2.3.2 实验结果及分析利用传统算法对高分辨率遥感图像进行分割有如下结论：1) 利用算法与传统滤波算法相比，可以有效的移除噪和平滑图像，并且不模糊图像中各区域的边界信息；2) 算法可以对高分辨率彩色图像进行有效分割。特别的，当目标颜色对比明显时，分割效果较好；3) 通过选择合理的尺度，图可以较为有效的反应各区域的边界位置，但位置不够准确(如图2-14d和图2-15d中黄色区域)；4) 通过区域增长的方法可有效分割出各图像区域，但某些区域出现过分割现象(如图2-14d和图2-15d中红色区域)。2.4 本章小结本章利用高分辨率遥感图像的颜色信息，通过传统算法完成了对高分辨率遥感图像的分割。算法是一种基于新的分割评价标准值的彩色图像分割方法，该算法主要包括图像颜色量化和空间分割两个部分。实验结果表明，虽然利用该算法可以有效的对高分辨率遥感图像进行分割，但是在边界模糊或同一区域出现不同阴影时分割效果变差，会出现边界定位不准确，同一区域过分割的现象。因此，本文在后续章节将针对分割高分辨率彩色遥感图像中存在的问题进行研究并加以改进。学位论文第三章 基于改进