研究Multifeature遥感图像的分割方法基于图论

文摘

根据高分辨率遥感(RS)的特征图像,一个新的multifeature高分辨率遥感图像的分割方法结合光谱,形状和纹理特性提出了基于图论。首先,使用四叉树分割方法分割原始图像。其次,光谱、形状和纹理重量组件计算都基于构造图。匹配度计算像素和纹理之间的相似性。最后,光谱的比例削减标准组合,形状,纹理重量组件用于最终的分割。实验结果表明,该方法可以获得更理想的结果和更高的分类精度比传统方法应用于遥感影像。

1。介绍

在过去的十年里,许多学者做了关于图论的图像分割方法的研究。图论有很多关注,因为它表征能力和灵活性的属性。白等。1]图切(GC)理论应用到高光谱遥感图像的分类。模糊支持向量机分类器和基于分类中使用两步分类策略。Felzenszwalb和Huttenlocher2)定义一个谓词用于测量的证据使用图论表示两个区域之间的边界。该方法的时间复杂度在运行时间图像边缘。小王的工作和Siskind3)提出了削减比例作为一个新的代价函数的图形图像分割的方法。这种方法对于一些图像分割的应用程序非常有用。崔、张(4)使用最小跨度树最优理论,实现基于高分辨率图像分割的对象。结果证明,该方法可以获得高质量的分割。加藤et al。5,6)提出一个马尔可夫随机场(MRF)图像分割模型基于颜色和纹理描述符的集成。这个方法可以使用合成和天然的彩色图像。另一个早期的图像分割方法提出了基于图切割(7- - - - - -15]。

本文的目标是获得更好的图像分割结果和相对高的高分辨率遥感图像的分割精度。对RS图像,该算法的时间复杂性和空间复杂性率将会很高,如果只使用图论的图像分割。Quarter-tree分割方法是一种快速图像分割算法,但它不能划分意义RS图像的目标区域。如果阈值设置得太低,oversegmentation现象会很严重。如果阈值设置得太大,不能形成一个更精确的目标边缘(1,13]。因此,本文设计了一种新方法相结合的优点quarter-tree分割和比例减少算法,该方法可用于高分辨率的遥感图像。该方法有效减少图顶点的大小,提高图像分割的准确性。它首先建立RS图像的映射关系图,然后设置一个能量函数根据显著图的权重。我们可以解决能量函数最小值将导致图像分割的结果。最后我们绘制了图分割结果图像。因为显著的建筑图和提取的权重可以基于像素和图像块,基于图论的方法将图像分割。

本文的组织如下。在第二部分中,四叉树分割方法切理论multifeature RS图像的分割。结果和讨论部分3。最后一部分是结论。

2。的切理论Multifeature RS图像的分割

2.1。四叉树分割方法

四叉树是一个树的数据结构,其中每个内部节点正好有四个孩子。四叉树是最常用于区域的二维空间递归细分为四个象限或区域(16]。四叉树分解是目前一个有价值的方法在图像处理和计算机图形学。四叉树分割的过程如下。

步骤1。原始图像(一般)分为四个大小相同的地区。

步骤2。它是检测每个区域分割图像的灰度不变。

步骤3。如果不能满足要求,图像的灰度不变,那么每个地区将被分为四个领域相同的大小和步骤2。

步骤4。如果它满足要求,然后停止迭代过程。

2.2。降低标准

图划分问题是定义在数据用图表的形式表示,顶点,边缘。在形式,对应于图像,顶点对应区域,边缘对应于相邻区域之间的关系。比减少代表的比例相应金额的减少边界上的两种不同权重的边。至少比切指最小切比(3]。

的能量函数降低标准如下: 在哪里和分别代表两个不同的图像块和计算的能量减少集通过重量计算的两种方法,分别为: 在哪里表示的顶点,表示的顶点,和表示与每条边相关联的权重分别是第一个边缘重量,是第二个边缘的重量。

2.3。减少减少算法

的减少减少算法步骤如下。

步骤1(最低比率减少计算)。为了简化计算,我们计算的最低比率环而不是最低比率。的对偶图图的构造如图1。之间存在一一对应的最低比率的图表和最低比率对偶图的环因此,计算最小割集比例的问题最初的可以转换为对偶图的最小比例环吗。

步骤2(最低比率计算环)。为了简化计算,消极的简单计算环而不是最低比率的戒指。的对偶图的表示与线性转换,在那里获得通过转换:和功能和图的边的权值函数吗。权重函数的转换不会改变最低比率环对偶图的循环,所以它不会改变原文的最低比率降低。只有最低成本循环nil考虑,图吗有最低比循环包含循环的比。这个图有最低比循环包含循环的比,当且仅当最低成本循环等于零。之间的关系和如下。
如果有一个负面成本循环呢。而如果没有负面成本循环呢。让和分别是最小和最大循环比,所以和。然后,。让;如果有一个负面成本循环呢值设置为;否则,值设置为,继续重复计算,直到我们无法找到一个简单循环有关的负面成本对应;现在最小循环比吗同时负成本的简单循环是负成本简单的循环,我们想找到。

步骤3(计算最小成本完美匹配)。为了减少计算,消极的简单计算环而不是最小成本的完美匹配。构造一个新的图从图这是上一步获得的。图包含一个负面成本循环,当且仅当最低成本的完美匹配。从图到图,具体转换原则如下。(我)为每个顶点的图,图包含两个顶点和一个边缘重量值等于零。(2)为每条边的图,图包含两个相应的顶点和和五个相应的边缘。图2显示的重量值五边。

根据通过以上三个步骤,我们可以计算和并获得最低比率减少根据公式(1)。

2.4。重量计算

摘要multifeature分割方法考虑了光谱,形状,应用RS图像的纹理特征。

重量组件定义为基于频谱基于形状,重量组件定义为重量组件基于纹理的定义是,是上述三个方面的结合的信息(8]: 重量组件基于频谱是 在公式(4),表示标准偏差的像素颜色。可以描述如下: 在哪里是滤波器的类型。如果和对应于两个像素,用于记录之间的光谱相似像素和。如果和对应于两个街区,用于记录之间的光谱相似块吗和。

重量组件基于形状是 在哪里用于标记两个像素或块之间的匹配度和计算获得的,这是所有概率系数的最大值的像素的集合连接后和在一条直线。如果这条线相交与一个概要文件,然后大,重量小,和可能属于两类;相反,如果线平行于这个概要文件,那么小,重量大,和可能属于同一类。

重量组件基于纹理是 在哪里和是做纹理运营商获得的直方图变换和分别为,表示对象的纹理的标准差。用于记录纹理相似性呢和。如果之间的区别和太大,的值将大,非常小。所以和不属于同一个类(1- - - - - -4,8]。

算法流程图如图3。

3所示。实验结果和分析

3.1。分割结果的评价方法

图像分割的评价方法分为定性和定量分析。

本文对分割结果通过定量分析理论提出了(14,17- - - - - -20.]。具体评价指标定义如下。

3.1.1。同质性

从[14),我们处理所有像素的标准差来衡量对象的同质性标准。对象的标准偏差可以写成 在哪里对象中的所有像素的数量,代表了像素灰度值的像素,代表对象的灰色的意思。

3.1.2。非均质性

对于每个对象,我们计算的平均差异绝对值对象与社区之间的差异程度,反映对象和相邻对象(14]。异质性的公式可以写成 在哪里当前对象的边界长度,是当前对象的常见的边缘长度相邻的对象,当前对象的灰色的意思,是灰色的相邻的对象,是相邻对象与当前对象的数量。

3.1.3。分割评价指标(SEI)

SEI的同质性和比例成反比的异质性(14]。SEI定义的对象如下:

3.1.4。概率兰德指数(PRI)

概率兰德指数(PRI)计数对像素的相似性的计算分割和地面之间的标签是一致的真理。革命制度党可以被定义为的表达 这种方法需要值当两个图片没有相似之处当两个图片是相同的,的分割与参考图像分割和相比真实是分割,在哪里表示两个像素的事件和拥有相同的标签和它的概率(17- - - - - -19]。

3.1.5。的变化信息(VoI)

变化的信息(VoI)之间的距离度量定义两个分割的平均条件熵分割给另一个,从而大致措施之一的随机性分割可以解释为另一个(20.]。VoI的公式可以写成 在哪里和分别代表两个集群之间的熵和互信息的数据和数据。这种方法需要值。

3.1.6。全球一致性错误(GCE)

全球一致性错误(GCE)措施的程度可以视为一个细分细化。全球教育运动可以被定义为 和是输入分割图像。和分别局部细化的错误。恰恰是0时是一个精致的作为像素,但不是亦然。(21]。

3.2。实验结果

在本节中,我们将提出的算法应用到真正的高分辨率数据的树脂黄高分辨率遥感图像史Zuishan工业园区,宁夏、中国。其地面2.5米空间分辨率和尺寸像素。根据人类视觉,实地调查和光谱测量结果,我们选择五个样品,石灰桩,煤渣堆,房子,道路和荒地。验证算法,图像分割的光谱、形状、纹理,基于图论和multifeature细分,分别,然后做了一个比较四种分割结果。原始图像和各种算法分割结果如图4和5,分别。从图4,光谱分割基于图论有一定的局限性;很容易分裂太小变形区域,但它不太可能分裂相对较近的区域结构。基于图论的形状分割容易分裂太小了。虽然基于图论的纹理分割方法可以得到更好的分割所有类型的表面特性,这不是明显的表面特征之间的边界。multifeature分割方法基于图论的遥感图像不仅可以测量、光谱,不同的对象和纹理信息,反映了不同类型的表面特征之间的差异,并达到更好的分割,而且可以准确地获得不同类型的对象之间的边界;简而言之,它能确保后续分析的准确性。

更准确和客观评价算法的分割结果,本文运用上述评价方法的定量评价分割结果。石灰堆和煤渣堆选为评价对象,因为本文主要监控工业固体废物。特定的起源RS图像分割尺度评价结果见表11。

从表1,我们可以看到的石灰堆均匀性指数是2.1045 multifeature分割遥感图像基于图论的方法,这是比石灰堆spectral-based均匀性指数和shape-based分割,和煤渣堆均匀性指数为0.9877,小于的煤渣堆texture-based分割和同质性指数接近shape-based分割的煤渣堆均匀性指数;这种比较和对比在此证明,通过使用multifeature基于图论的分割方法,可以更好地测量表面特征的光谱和纹理信息。multifeature分割的异质性指数大于其他三个基于图论分割方法,这进一步表明,multifeature基于图论的分割方法可以获得更精确的边界之间的不同类型的表面特征。总之,结果multifeature基于图论的分割方法使良好的内部对象同质性,同时有一个明显的对比相邻对象。

获得的结果与其他分割方法,该算法在两个高分辨率遥感图像如表所示2。甘氨胆酸PRI参数,,VoI每个细分的方法计算。四叉树,分水岭,意味着转变、多分辨率和该方法介绍基于区域的分割方法。四叉树方法是从树的根,它代表了整个图像。如果发现不均匀(不均匀),然后分裂成四个儿子广场(分裂过程)。相比之下,如果四个儿子广场具有同质性,它们合并多个连接组件(合并过程)。递归地继续这个过程,直到没有进一步的分裂或合并是可能的。多分辨率方法分区图像在不同尺度,使用金字塔或四叉树结构。分水岭方法考虑了图像的梯度大小作为地形表面。最高像素的梯度强度级对应分水岭线,表明该地区的边界。 Mean shift method is defined as finding modes in a set of data samples, showing an underlying probability density function. Canny operator and sobel operator are boundary-based segmentation method.

从表2,考虑到评价结果的质量参数,就会注意到,最好的结果是达成的方法。该方法的革命制度党是最高的价值与其他分割方法。这主要是由于该方法结合了谱,形状,纹理的图像和分割区域接近真正的区域。从表的结果2,我们可以看到,结果比boundary-based介绍基于区域的分割方法分割方法。

4所示。总结

在本文中,我们考虑了图像的特征信息和使用削减RS图像分割理论。实验对比表明,multifeature基于图论的分割方法取得更好的分割结果比基于单一特征的方法。总体而言,该方法可用于高分辨率的遥感图像。尽管该方法也有缺点,比如的有效性和算法的实现速度不是很满意,在未来,我们将继续寻求一个有效的解决过程和体重计算公式适用于RS图像分割。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

这项工作是由中国国家自然科学基金(61162013,61162013)。

引用

1. j·巴姨,美国,和c盘,“一个基于高光谱图像分类方法,”IEEE地球科学和遥感,51卷,不。2、803 - 817年,2013页。视图:出版商的网站|谷歌学术搜索
2. p . f . Felzenszwalb和d . p . Huttenlocher“高效的基于图像分割,”国际计算机视觉杂志》上卷,59号2、167 - 181年,2004页。视图:出版商的网站|谷歌学术搜索
3. 小王和j . m . Siskind“图像分割比例减少,”IEEE模式分析与机器智能,25卷,不。6,675 - 690年,2003页。视图:出版商的网站|谷歌学术搜索
4. w·崔张y,“基于图像的高分辨率多光谱图像分割,”《多媒体技术国际会议(ICMT 10)2010年10月,页1 - 5,。视图:出版商的网站|谷歌学术搜索
5. z加藤和苏耿赋。发出难闻的气味,“马尔可夫随机场彩色纹理图像,图像分割模型”图像和视觉计算,24卷,不。10日,1103 - 1114年,2006页。视图:出版商的网站|谷歌学术搜索
6. d . e . Ilea p·f·惠兰,“图像分割的基础上,整合colourtexture descriptors-a审查,”模式识别,44卷,不。年级,2479 - 2501年,2011页。视图:出版商的网站|谷歌学术搜索
7. h·王:雷,h·张,“Graph-cut优化函数及其应用图像分割的比例,”学报》第十五届IEEE国际会议上图像处理(ICIP ' 08),第752 - 749页,2008年。视图:谷歌学术搜索
8. y田,面向对象的高分辨率遥感影像多尺度分割[硕士论文)、上海交通大学、上海,中国,2009。
9. j·张,z .太阳和x,“基于图论的图像分割算法仿真研究,“计算机模拟,28卷,不。12日,第270 - 268页,2011年。视图:谷歌学术搜索
10. d . l . Zhang道,黄x”组合多个特性对高光谱遥感图像分类,“IEEE地球科学和遥感,50卷,不。3、879 - 893年,2012页。视图:出版商的网站|谷歌学术搜索
11. 美国Sarkar g·希利,“高光谱使用柱状图和功率谱密度匹配纹理合成,“IEEE地球科学和遥感,48卷,不。5,2261 - 2270年,2010页。视图:出版商的网站|谷歌学术搜索
12. 王美,m .他z, d .冯”Spectral-spatial endmember提取奇异值分解为AVIRIS数据,”工业电子学报》第四届IEEE会议和应用程序(ICIEA ' 09)西安,页1472 - 1476年,中国,2009年5月。视图:出版商的网站|谷歌学术搜索
13. Q.-L。棕褐色,Z.-J。刘,w .沈”,一个面向对象的多尺度遥感图像分割算法,”北京交通大学学报没有,卷。31日。4、111 - 119年,2007页。视图:谷歌学术搜索
14. c·陈和g .吴”的评价最优分割尺度与面向对象方法在遥感、”遥感技术及应用,26卷,不。1,第102 - 96页,2011。视图:谷歌学术搜索
15. o·j·莫里斯·m·d·j·李和a·g·Constantinides”图论的图像分析:基于最短生成树的方法,”IEE诉讼F通信、雷达和信号处理,卷133,不。2、146 - 152年,1986页。视图:出版商的网站|谷歌学术搜索
16. y费雪,分形图像压缩:理论和应用程序施普林格,1995年。视图:出版商的网站|MathSciNet
17. w·m·兰德”聚类方法的评价的客观标准”,美国统计协会杂志》上,卷66,不。336年,第850 - 846页,1971年。视图:出版商的网站|谷歌学术搜索
18. r . Unnikrishnan c Pantofaru, m·赫伯特”衡量客观评价的图像分割算法,”《IEEE计算机学会学报计算机视觉与模式识别会议研讨会(CVPR研讨会' 05),34页,圣地亚哥,加利福尼亚州,美国,2005年6月。视图:出版商的网站|谷歌学术搜索
19. r . Unnikrishnan和m·赫伯特”措施相似,”学报》第七届IEEE计算机视觉的应用研讨会(WACV ' 05)2005年1月,页394 - 400。视图:出版商的网站|谷歌学术搜索
20. d·马丁,c . Fowlkes d·塔尔和j·马利克,“人类自然图像分割的数据库及其应用评价分割算法和测量生态数据,”第八届国际会议的程序在计算机视觉(ICCV ' 01),2卷,第423 - 416页,2001年7月。视图:谷歌学术搜索
21. m . Meilǎ“比较clusterings-an公理的观点,”学报》第二十二届国际会议上机器学习(ICML ' 05)2005年8月,页577 - 584。视图:谷歌学术搜索

版权

版权©2016 Wenxing包和Xiuhong姚明。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。