基于自適應權值FNEA算法的高分辨率遙感圖像分割

賈春陽，李衛華，李小春

(空軍工程大學信息與導航學院，西安 710077)

0 引言

隨著遙感圖像的空間分辨率和光譜分辨率越來越高，高空間分辨率圖像中地物景觀的結構、紋理和細節等信息都非常清楚地表現出來，除了地物光譜信息，還可以提供關于地物結構、形狀和紋理方面的信息[1]。但高空間分辨率遙感圖像的出現也給圖像分割方法帶來了新的問題[2]。近年來，面向對象的圖像分割算法得到了快速的發展。盧昭羿等[3]根據地物影像的光譜、形狀及紋理等特征進行多尺度分割和層次分類，通過建立檢測層，將不同時相的QuickBird圖像分類結果投影到檢測層的相應對象層上并進行互分割，實現了道路變化檢測;沈金祥等[4]通過對Landsat TM遙感圖像進行分割，從全域—局部上耦合分析水體的光譜、空間形態、空間分布與空間關系等特征，構建通用性強的湖泊信息提取規則集，實現了湖泊水體信息的自動化提取;徐宏根等[5]則針對植被與建筑物重疊區域分類困難的問題，提出了一種基于面向對象的LiDAR點云數據分類方法，根據建筑物幾何規則形狀延伸擴充，從而提高了植被和建筑物重疊區的點云分類準確率。

分形網絡演化算法(fractal net evolution approach，FNEA)由 Baatz等[6]于2000 年提出，是一種比較成熟穩定的面向對象的圖像分割方法。高偉等[7]于2010年提出了一種基于四叉樹分解的改進方法，在不影響圖像分割結果的情況下，有效地提高了形成初始對象的效率，在較大程度上提高了整體的分割效率;但圖像分割過程中的參數選擇還需人工確定。Tang等[8]將 FNEA算法應用于變化檢測中的目標提取過程，取得了較好的效果。然而，盡管FNEA算法考慮到形狀異質性和光譜異質性，但在計算異質性的過程中，形狀異質性權值和緊湊度判據權值只能根據經驗給定，而且都為固定值，這些都不能很好地適應不同遙感圖像或者同一遙感圖像中不同屬性的影像對象分割。為此，本文對FNEA算法進行改進，設計了一種形狀異質性判據權值和緊湊度判據權值的自適應計算方法，并考慮了各個光譜分量對異質性判據的不同貢獻，具有較好的自適應性，改善了圖像分割的結果。

1 FNEA算法

分形網絡演化算法(FNEA)是一種面向對象的圖像分割方法，它能實現對遙感圖像的多尺度分割。FNEA算法的基本思想就是對相鄰影像對象之間的異質性進行定義和度量，并作為是否進行對象合并

2 FNEA算法改進

本文提出了一種權值自適應的FNEA算法，針對不同影像對象的屬性，設定計算權值的準則函數f(hcpt，hsmooth)，對不同的影像對象可以賦予不同的空間判據權值wshape和緊湊度權值wcpt。計算權值的準則公式為

即每次計算hcpt和hsmooth后，兩者求和作為歸一化依據;當緊湊度判據值較大時，意味著該影像對象的內部較為緊湊，所以相應的緊湊度判據權值要增大;反之，當平滑度判據值較大時，意味著該對象內部較為平滑，對應的平滑度判據權值要增大。這樣，根據不同影像對象的屬性特點，可得到不同的判據權值，從而實現權值的自適應調整。

同樣，在計算光譜判據度量時，考慮到不同光譜分量對光譜判據的貢獻，如對3個光譜分量的遙感圖像而言，令遙感圖像的3個光譜分量的光譜判據度量分別為 hcolour(k)，k=1，2，3，則計算權值的準則公式為

即以各個光譜分量的光譜判據度量歸一化后的值作為該分量對最終光譜判據度量的貢獻度量。

改進后的FNEA算法流程如圖1所示。

3 實驗結果與分析

利用本文改進后的算法用Matlab軟件進行了仿真實驗，并與用區域生長法得到的圖像分割結果進行了比較。

實驗用圖像為某機場(圖2(a))和某城區(圖2(b))的高分辨率遙感圖像，其中機場的遙感圖像包含的影像對象為飛機、機場停機坪和倉庫，城區的遙感圖像包含的影像對象主要為各種尺寸的建筑物。

圖2 原始的高分辨率遙感圖像Fig.2 Original high－resolution remote sensing images

圖3 不同方法圖像分割結果對比Fig.3 Comparison among results of image segmentation with different methods

表1 不同尺度下的圖像分割結果Tab.1 Results of image segmentation with different thresholds

從以上對比的結果可以看出，本文改進后的FNEA算法根據不同影像對象的不同屬性，使用了自適應的空間判據權值、緊湊度權值和各個光譜分量的貢獻度量，只需設定合理的尺度值，即可得到比固定權值算法和區域生長法更好的分割效果(見圖3)。此外，通過本文算法在不同尺度下的圖像分割結果可以看出，本文算法對尺度選擇很敏感，這也是FNEA算法本身存在的問題。

圖1 FNEA算法流程圖Fig.1 Flow chart of FNEA

分別用區域生長法、固定權值的FNEA算法(分割尺度為6.5)和本文改進的算法對圖2中的圖像進行分割，提取目標的結果如圖3所示。

以城區的遙感圖像為例，分析本文算法在中尺度(閾值)下對圖像分割結果的影響，統計結果如表1所示。

4 結論

本文在分析傳統的分形網絡演化算法(FNEA)采用固定權值所帶來的缺陷的基礎上，對該算法進行改進，提出了基于權值的自適應構建方法，使各權值能夠隨著不同屬性影像對象的變化作出相應的調整;另外，還將不同光譜分量對光譜判據的貢獻引入到異質性計算中。通過仿真實驗，并與區域生長法和固定權值的FNEA算法進行比較，證明了本文改進后算法的有效性。

下一步將探索最優閾值的自適應調整規則，以便進一步優化FNEA算法的分割結果。

[1]王文杰，趙忠明，朱海青.面向對象特征融合的高分辨率遙感圖像變化檢測方法[J].計算機應用研究，2009，26(8):3149－3151.Wang W J，Zhao Z M，Zhu H Q.Object－ oriented change detection method based on features fusion for high－resolution remote sensing image[J].Application Research of Computers，2009，26(8):3149－3151.

[2]Rizvi I A，Mohan B K.Object－ based image analysis of high－resolution satellite images using modified cloud basis function neural network and probabilistic relaxation labeling process[J].IEEE Transaction on Geoscience and Remote Sensing，2011，49(12):4815－4820.

[3]盧昭羿，左小清，黃 亮，等.面向對象的投影互分割道路變化檢測[J].國土資源遙感，2012，24(3):60－64.Lu Z Y，Zuo X Q，Huang L，et al.Road change detection using object－ oriented projective interactive partition[J].Remote Sensing for Land and Resources，2012，24(3):60－64.

[4]沈金祥，楊 遼，陳 曦，等.面向對象的山區湖泊信息自動提取方法[J].國土資源遙感，2012，24(3):84－91.Shen J X，Yang L，Chen X，et al.A method for object－ oriented automatic extraction of lakes in the mountain area from remote sensing image[J].Remote Sensing for Land and Resources，2012，24(3):84－91.

[5]徐宏根，王建超，鄭雄偉，等.面向對象的植被與建筑物重疊區域的點云分類方法[J].國土資源遙感，2012，24(2):23－27.Xu H G，Wang J C，Zheng X W，et al.Object－ based point clouds classification of the vegetation and building overlapped area[J].Remote Sensing for Land and Resources，2012，24(2):23－27.

[6]Baatz M，Schape A.Multiresolution segmentation:An optimization approach for high quality multiscale image segmentation[C]//Heidelberg:Angewandte Geographische Information Sverarbeitung XII.2000:12－ 23

[7]高 偉，劉修國，彭 攀，等.一種改進的高分辨率遙感影像分割方法[J].中國地質大學學報，2010，25(3):421－425.Gao W，Liu X G，Peng P，et al.An improved method of high resolution remote sensing image segmentation[J].Earth Science—Journal of China University of Geosciences，2010，25(3):421－425.

[8]Tang Y Q，Zhang L P，Huang X.Object－oriented change detection based on the Kolmogorov－Smirnov test using high－resolution multispectral imagery[J].International Journal of Remote Sensing，2011，32(20):5719－5740.

[9]王慕華，張繼賢，李海濤，等.基于區域特征的高分辨率遙感影像變化檢測研究[J].測繪科學，2009，34(1):92－94.Wang M H，Zhang J X，LI H T，et al.High resolution image change detection based on region feature[J].Science of Surveying and Mapping，2009，34(1):92－94.