4．4．2　面向?qū)ο蟮姆诸?lèi)方法

傳統(tǒng)的基于單個(gè)像素的分類(lèi)方法，如最小距離法、最大似然法等，主要根據(jù)地物的光譜特性進(jìn)行分類(lèi)，這種以單個(gè)像素為單位的技術(shù)過(guò)于著眼于局部而忽略了整個(gè)區(qū)域的幾何結(jié)構(gòu)，從而嚴(yán)重制約了信息提取的精度。

面向?qū)ο蠓诸?lèi)技術(shù)是一種新的遙感影像分類(lèi)技術(shù)，與傳統(tǒng)的分類(lèi)方法相比，面向?qū)ο蠓诸?lèi)針對(duì)的是影像對(duì)象而不是基于單個(gè)的像素。首先，對(duì)影像進(jìn)行分割獲得同質(zhì)對(duì)象，影像對(duì)象包含了許多可用于分類(lèi)的特征，如光譜、形狀、大小、結(jié)構(gòu)、紋理、空間關(guān)系等信息;然后，根據(jù)遙感影像分類(lèi)或者地物目標(biāo)提取的具體要求，選擇和提取影像對(duì)象的特征，并利用這些特征或特征組合，結(jié)合專(zhuān)家知識(shí)進(jìn)行遙感影像分類(lèi)。eCognition軟件作為第一款面向?qū)ο蟮膱D像分析軟件，其成功研制與發(fā)布，在一定程度上推廣了面向?qū)ο蟮姆诸?lèi)方法，使其從研究實(shí)驗(yàn)轉(zhuǎn)向?qū)嶋H應(yīng)用。

作為獲取影像對(duì)象的重要手段，影像分割方法的優(yōu)劣直接影響著影像分類(lèi)結(jié)果的好壞。按照遙感影像分割算法的特征，具體可分為以下幾類(lèi)。

1．基于閾值的分割方法

閾值分割算法作為一種簡(jiǎn)單實(shí)用的分割算法，在所有圖像分割方法中種類(lèi)最多、研究最廣，其主要特點(diǎn)是原理清晰，計(jì)算簡(jiǎn)潔。閾值分割算法中的大多數(shù)算法都是基于直方圖統(tǒng)計(jì)信息，即根據(jù)直方圖波峰的分布來(lái)選取閾值，然后對(duì)圖像進(jìn)行分割。閾值分割技術(shù)分為單閾值法和多閾值法。在單閾值法中，整個(gè)圖像分成兩個(gè)區(qū)域，即目標(biāo)對(duì)象和背景;當(dāng)整個(gè)圖像由幾個(gè)帶有不同特征的對(duì)象組成時(shí)(對(duì)于灰度圖像，表示具有不同灰度值的目標(biāo))，需要幾個(gè)不同的閾值，這就是多閾值法。

閾值分割的實(shí)質(zhì)是按照某一個(gè)準(zhǔn)則求出最佳閾值的過(guò)程，再將圖像中像元灰度和選取的閾值作對(duì)比，根據(jù)比較的結(jié)果將該像元?jiǎng)澐值较鄳?yīng)的區(qū)域類(lèi)別中去。常用的算法有Otsu的最大類(lèi)間差法及Kitter的最小誤差法、統(tǒng)計(jì)法等。

2．基于邊緣的分割方法

一幅圖像中的不同對(duì)象區(qū)域之間總存在邊緣，邊緣是灰度或顏色值不連續(xù)(突變)或者至少是特征變化較大的結(jié)果，圖像中的邊緣含有豐富的信息?；谶吘壍膱D像分割方法也是人們研究的熱點(diǎn)。它試圖通過(guò)檢測(cè)包含不同區(qū)域的邊緣來(lái)解決圖像分割問(wèn)題?；诓煌瑓^(qū)域之間的邊緣上像素灰度值的變化往往比較劇烈，一般利用圖像一階導(dǎo)數(shù)或二階導(dǎo)數(shù)的過(guò)零點(diǎn)信息，來(lái)提供判斷邊緣點(diǎn)的基本依據(jù)。

常用的方法有微分算子法和串行邊緣檢測(cè)算法。影像中相鄰的不同區(qū)域間總存在邊緣，邊緣處像元的灰度不連續(xù)可通過(guò)求導(dǎo)來(lái)檢測(cè)，如一階微分算子有Roberts，Prewitt和Sobel算子，二階微分算子有Laplace和Kirsh算子等。串行邊緣檢測(cè)算法是先檢測(cè)邊緣再串行連接成閉合邊界的方法，這種方法在很大程度上受起始點(diǎn)的影響。

3．基于區(qū)域的分割方法

區(qū)域算法是基于這樣的假設(shè):同一區(qū)域(或目標(biāo))的像素具有某種共性，比如灰度、紋理，而其他區(qū)域卻不具有這種特性，從而將目標(biāo)分離出來(lái)。區(qū)域分割的實(shí)質(zhì)就是把具有某種相似性質(zhì)的像素連通起來(lái)，從而構(gòu)成最終的分割區(qū)域。它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間不連續(xù)的缺點(diǎn)。

區(qū)域生長(zhǎng)和分裂合并法是兩種典型的區(qū)域特征分割法。區(qū)域生長(zhǎng)的基本思想是將其具有相似特性的像元集合起來(lái)構(gòu)成區(qū)域。首先每個(gè)需要分割的區(qū)域確定一個(gè)種子像元作為生長(zhǎng)起點(diǎn)，然后按一定的生長(zhǎng)準(zhǔn)則把它周?chē)c其特性相同或相似的像元合并到種子像元所在的區(qū)域中。把這些新像元作為種子繼續(xù)生長(zhǎng)，直到?jīng)]有滿(mǎn)足條件的像元可被包括，這時(shí)生長(zhǎng)停止，一個(gè)區(qū)域就形成了。

分裂合并法的基本思想是從整幅影像開(kāi)始通過(guò)不斷分裂合并得到各個(gè)區(qū)域。分裂合并法的關(guān)鍵是分裂合并準(zhǔn)則的設(shè)計(jì)。這種方法對(duì)復(fù)雜影像的分割效果較好，但算法較復(fù)雜，計(jì)算量大，分裂還可能破壞區(qū)域的邊界。

目前流行的分形網(wǎng)絡(luò)演化分割方法(fractal net evolution approach，F(xiàn)NEA)就是這類(lèi)分割方法的典型代表。FNEA算法的分割效果如圖4-12所示。

圖4-12　FNEA分割算法分割結(jié)果

4．基于特定算法的分割方法

由于圖像分割理論尚不完善，缺乏通用性，隨著各種新理論的提出，出現(xiàn)了許多和特定理論方法相結(jié)合的遙感圖像分割算法。

(1)基于數(shù)學(xué)形態(tài)學(xué)的方法。該分割方法的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取影像中的對(duì)應(yīng)形狀以達(dá)到對(duì)影像分析和識(shí)別的目的。利用膨脹、腐蝕、開(kāi)運(yùn)算、閉運(yùn)算四個(gè)基本運(yùn)算進(jìn)行推導(dǎo)和組合，可以產(chǎn)生各種形態(tài)學(xué)實(shí)用算法，其中結(jié)構(gòu)元素的選取很重要。腐蝕和膨脹對(duì)于灰度變化較明顯的邊緣作用很大，可用于構(gòu)造基本的形態(tài)學(xué)邊緣檢測(cè)算法，具有代表性的是分水嶺算法。在實(shí)際應(yīng)用中，分水嶺算法不僅是一個(gè)有效的基于數(shù)學(xué)形態(tài)學(xué)的紋理分割方法，還可以與其他的分割算法相融合，對(duì)遙感影像進(jìn)行初始分割，為其他算法提供區(qū)域?qū)ο?，避免從像素開(kāi)始處理帶來(lái)的巨大計(jì)算量，又能很好地找到地物邊界(見(jiàn)圖4-13)。

(2)借助統(tǒng)計(jì)模式識(shí)別方法的分割技術(shù)。將目標(biāo)的幾何與統(tǒng)計(jì)知識(shí)表示成模型進(jìn)行匹配或分類(lèi)，或者將分割看成一個(gè)組合優(yōu)化問(wèn)題，根據(jù)具體任務(wù)優(yōu)化目標(biāo)函數(shù)，再求解該目標(biāo)函數(shù)在約束條件下的最優(yōu)解，或者基于先驗(yàn)知識(shí)的分割目標(biāo)模型，通過(guò)能量函數(shù)用動(dòng)態(tài)輪廓模型來(lái)逼近目標(biāo)的真實(shí)模型。

圖4-13　分水嶺與FNEA相融合的分割算法

(3)基于信息論的分割方法。人類(lèi)視覺(jué)的各層次均有一定的模糊性和隨機(jī)性，利用信息論中熵的概念來(lái)描述這些模糊性和隨機(jī)性，借助求熵的極值方法來(lái)實(shí)現(xiàn)圖像分割，如最大后驗(yàn)熵法、最小熵相關(guān)法、二維最大熵法等。

(4)基于模糊理論的分割方法。模糊理論具有描述事物不確定性的能力，適合于影像分割問(wèn)題。近年來(lái)，出現(xiàn)了許多模糊分割技術(shù)，在影像分割中的應(yīng)用日益廣泛。目前，模糊技術(shù)在影像分割中應(yīng)用的一個(gè)顯著特點(diǎn)就是它能和現(xiàn)有的許多影像分割方法相結(jié)合，形成一系列的集成模糊分割技術(shù)，例如模糊聚類(lèi)、模糊閾值、模糊邊緣檢測(cè)技術(shù)等。

(5)基于小波分析的分割方法。小波變換在時(shí)域和頻域都具有良好的局部化性質(zhì)，而且小波變換具有多尺度特性，能夠在不同尺度上對(duì)影像進(jìn)行分析，在影像處理和分析等多方面得到應(yīng)用。二進(jìn)小波變換具有檢測(cè)二元函數(shù)的局部突變能力，可作為影像邊緣檢測(cè)的工具。影像的邊緣出現(xiàn)在影像局部灰度不連續(xù)處，對(duì)應(yīng)于二進(jìn)小波變換的模極大值點(diǎn)。因此通過(guò)檢測(cè)小波變換模極大值點(diǎn)可以確定影像的邊緣。小波變換位于各個(gè)尺度上，而每個(gè)尺度上的小波變換都能提供一定的邊緣信息，因此小波變換可用于多尺度分割，得到比較理想的效果。

針對(duì)圖4-14所示的武漢市QuickBird原始影像，包含城市湖泊、林地、城市綠地、居民地、道路等多種地物類(lèi)型，采用本節(jié)介紹的面向?qū)ο蟮姆诸?lèi)方法，依處理步驟，可得到圖4-15到圖4-17所示的分類(lèi)結(jié)果。

圖4-14　用于分割的武漢市QuickBird原始影像

圖4-15　分割尺度為20的預(yù)分割結(jié)果

圖4-16　同類(lèi)合并后的分割結(jié)果

圖4-17　分類(lèi)后的結(jié)果