文摘
传统的遥感图像分割方法使用同一组参数为整个图像。然而,由于对象的尺度依赖自然,整体形象的最佳分割参数可能不是适合所有对象。根据空间相关性的概念,同样的对象,类似的空间规模,通常聚集在同一场景,形成一个场景。基于这种情况,本文提出了一种分层的面向对象图像分析方法基于遥感图像的场景。该方法首先利用中间语义可以反映出图像的视觉复杂性将遥感影像分类到不同的场景,然后在每个场景中,采用一种改进的网格搜索算法优化每个场景的分割结果,以便最优规模十分采用为每个场景。因为数据的复杂性,有效地减少了分层处理,当地规模优化确保整个图像的总体分类精度,这对于遥感geo-application实际上是有意义的。
1。介绍
GEOBIA一直是主流方法处理高空间分辨率遥感图像(1,2]。空间维度[GEOBIA方法至关重要3),和规模有很大的影响对遥感影像的面向对象分类。然而,由于复杂的功能类型,不存在绝对最优规模适合所有对象(4- - - - - -6];规模是一个需要解决的问题在图像分割7]。分割质量将受到用户的经验设定的参数(8),优化算法确定最优的分割参数整体形象,这是一个妥协的所有对象的结果。
不同的对象或地理现象有固有的空间和时间尺度9),越来越难以识别复杂的模式在highresolution [10]。从周围环境中提取对象或分开,处理规模(分割尺度)需要设置(类似于对象的空间尺度上11]。基于对象的规模选择是基于对象的图像分析的关键,并选择一个合适的规模将导致过分割和欠分割(12]。这将减少多尺度信息提取的精度和效率从高空间分辨率的图像13- - - - - -15]。许多方法被用来选择最优参数多尺度分割(16- - - - - -25];然而,最优的分割参数的整体形象可能不适合不同对象在处理大型异构图像时(26,27]。有待解决的一个关键问题是确定一个合适的分割尺度,允许不同的对象和现象表现为单个图像(28,29日]。然而,观察表明,有一种倾向:相同类型的对象通常有相似的空间规模和经常聚集在同一地区。因此,它是一个可行的方式整体形象划分为不同的场景,然后使用一个优化算法来段现场图像到图像对象,这将提高整体分割质量。有别于传统的场景分类方法旨在确定一个图像的类属性(30.- - - - - -32本文中提到),现场部门旨在将一个整体形象划分为若干场景。方法对遥感图像进行分类成场景大致可以分为以下三个类别:手边界跟踪,展示层的阈值分割,分割或基于分类的场景。
普通的手边界跟踪法(33- - - - - -35)描绘场景边界基于颜色成分或特性值之间的差别,如亮度和归一化植被指数。这种方法可以确保结果将满足用户的主观要求,但它遭受的主观性运营商和非常耗费时间36]。
展示层的阈值分割方法选择一个特征,如亮度或归一化植被指数,大致将图像划分为若干场景通过设置阈值(37,38]。例如,植物之间的NDVI值覆盖场景和nonplant覆盖场景是不同的,所以图像大致可以分为几个场景使用定义的阈值。在这种方法中,阈值有很大的影响结果,并选择阈值通常是通过使用样本统计量或随机样本。因此,阈值和样本用于统计影响分工的结果。
有效的场景分割方法结合了两种观点:一是设置大规模参数在图像分割获得大对象,其大小接近的场景(39,40),另一个是合并小物体形成大场景(41]。软件绝大多数识别、温泉和魔法也提供了图像分割和分类操作(41],但分割结果容易受到线性对象(如道路和河流,所以即使报道一样,一个理想的场景将会分为两个或两个以上的场景。
此外,使用纹理图像也可以分为场景亮度或归一化植被指数42,43),但这种方法是一个简单的分类操作。例如,它将把图像划分成植物和nonplant场景,灯光和阴影的场景,或岩石和nonrock场景。这种方法可能需要训练样本,所以只能从特定的图像,提供良好的结果,缺乏普遍性,这限制了其应用。
总之,许多问题可以发现在这些描述方法:一些方法效率较低,只适合某些类型的图像,受主观因素的影响,或结果不满足要求。因此,一种新的方法将中间语义(熵、同质性和意思)提出了遥感图像划分成不同的场景。该方法不受主观因素的影响,适用于大多数类型的图片因为色调值和它的纹理可以计算在几乎所有类型的形象。结果表明,该方法可以有效地提高分类精度与分割参数优化方法相结合,如改进的网格搜索算法。
2。方法
2.1。场景结构和规模在遥感图像的依赖
结合遥感与地理的规模效应的概念场景结构可能会发现一个突破解决尺度问题[44]。场景结构的组成和结构不同尺度的地理单元在一个特定的地理区域。地理实体或现象的空间模式往往表现出一定程度的依赖,所以使用不同的时间跨度和空间范围观察相同的对象可能提供不同的结果或结论44]。不同的场景结构有不同的视觉复杂性,和更多的对象在一个场景将导致一个更复杂的场景。本研究兴趣是分割的规模。为了获得高精度细分结果,需要分割规模类似于固有的空间尺度上的地理单元。
2.2。分层分段的原则
一个场景是有界的土地规划或按经济影响分组,和一种类型的对象的类型和分布模式在一个场景是相似的,但现场结构不同场景之间可能会有所不同。因此,不同的场景有个人合适的分割参数。大多数细分方法和参数优化算法旨在确定最好的结果对于一个整体形象,但这是一个妥协的不同对象和不适合不同类型的对象。在这项研究中,一个分层的面向对象图像分析提出了基于遥感图像场景划分。该方法可以将复杂的整个图像分解成几个简单的空间结构的场景(图1)。对象具有相似颜色会有类似的色调值,所以一些特性,比如色调值可用于将图像划分为场景。更重要的是,不同场景的视觉复杂性和结构也不同,所以色相的纹理可以用来反映。虽然说可以反映出一个场景的主要色调(主要对象),熵和同质性可以反映现场的结构。根据熵和同质性,图像可分为单覆盖类型和复杂场景覆盖类型的场景。根据均值,单一覆盖类型场景可以划分为几个功能占主导地位的场景。单独使用参数优化方法细分不同的场景,每个场景的最后分段规模将变得尽可能地理单元的固有的空间尺度。
2.3。基于一种改进的网格分割参数优化搜索算法
一种改进的网格搜索算法被用来优化分割参数。网格搜索算法(GSA)使用电网,为优化分为两个参数在一定的空间范围内,找到一组优化参数通过遍历所有口岸的网格。在这个过程中,遍历所有的组合参数。给定一个足够大的参数选择范围和足够短步长,该方法可以找到全局最优解,得到参数的最佳组合在同一时间。然而,这是费时。为参数优化提高GSA效率,提出了一种改进的GSA (IGSA)。首先,它得到一个近似最优的解决方案使用大规模和步长。然后,其中一个参数是固定的,和一个小的步长是用来搜索另一个参数值附近的缩小搜索范围的固定参数。通常,这种改进的方法集中在一个近似最优组合和扩展与交叉方向(45]。因此,首选网格搜索的步长是特别重要的交叉方向扩张。
3所示。实验和分析
3.1。实验数据
测试方法的鲁棒性,两个研究领域。第一种是QuickBird pansharpened花莲城市的图片(图片一),台湾、中国(图2)。大小为12000×12000像素,每像素分辨率0.7米。在这幅图像中主要的土地覆盖类型建筑物、植物、裸地、道路、和水。第二个是QuickBird多光谱图像(图B)的阿尔玛克雷区域(铜矿),乌兹别克斯坦(图2),它有一个大小为3400×3400像素,每像素和分辨率是2.4。覆盖类型建筑、植物、裸土地、矿山、和水。
(一)
(b)
3.2。现场部门:分层分割的第一步
流程步骤显示在图1预处理后,近红外,红色和绿色的乐队被选为RGB颜色合成研究。然后,图像从RGB颜色空间转换到HSV颜色空间。色调层值可以表示覆盖的颜色,和类似颜色的色相值也数值近似。计算窗口应该小于对象大小但足以区分对象特性,并在此基础上,八个纹理层,代表颜色层特征,。色调值反映场景的颜色差异。因为我们的目标是现场部门,不同场景的纹理值代表不同的灰色鳞片(值)。大多数纹理措施在给定组强烈相关。方差同质性、不同,对比强烈相关,和熵是强烈与二阶矩46]。现场部门,现场差异需要放大。所以在结构层,价值观的差异在不同的场景需要分布在不同的范围。因此,熵,均质层,和HSV层选择配合的原始图像产生一个集成的图像场景。不同场景的主要颜色是不同的,这些图像的边界比原始图像更明显。
绝大多数识别的多尺度分割已经被证明是目前优越的方法(21];因此,这种方法被用于现场部门和随后的场景图像分割。这种方法有三个参数:规模、形状、和密实度。实验参数的图像是规模:1000年,形状:0.1,和密实度:0.5;和参数设置图像B规模:1500年,形状:0.1,和密实度:0.5。图像的波段选择一个场景内有近红外,色调层,层,同质性层,和熵层权重为1:1:1:1:1。图像的波段选择B的场景内有蓝色,绿色,红色,近红外,色调层,层,同质性层,和熵层权重为1:1:1:1:2:2:2:2,比其他参数加权纹理层。图3显示现场部门分割后的结果图像使用参数和合并破碎的场景描述。整体形象分为六个场景,根据他们不同的主导人物,他们命名如下:低覆盖建筑,高覆盖的建筑,低覆盖植物,高覆盖植物和海洋场景(图3)。云从图像中删除;因此,下面的整体形象还没有包括云场景。整体形象分为城市,矿产,和两个低覆盖植物场景(图4)。
3.3。图像分割和分类
分割结果有很大的影响在随后的分类,分类的准确性,在一定程度上可以反映分割的优点47]。因此,分类结果可以用来评估分割导致这项研究。本文设置了对比实验来验证场景划分算法面向对象的图像分析方法的有效性。除了现场部门,其他进程的这两组实验是相同的;使用相同的整体形象和场景图像分类和测试样本。
表1- - - - - -4显示分类和测试样品的数量。更多的特征用于分类需要较长的计算时间(48),所以只有亮度归一化植被指数,NDWI,形状指数作为分类特征。GSA被用来获得最优分割结果为不同的场景。
图5显示了整体和场景图像Kappa系数(49)对不同参数在图像,图6显示同样的内容形象b .最优分割参数标记的数字。从这些结果是得出以下结论。首先,总体和场景的结果表明,分类精度明显受到分割参数的影响。第二,不同的图像的最优分类结果对应于不同的分割参数,这表明它是必要的整体形象划分为不同的场景。四个场景形象和整体形象的最优的分割参数都是不同的;这意味着整体形象的最优分割不同对象的参数只是一种妥协。所以它不适合使用一组参数段所有的对象,并将图像划分为几个场景都被不同的对象可以减少的影响尽可能地对图像分割的影响。
3.4。分类分层和普通分割结果之间的比较
表5和6B显示图像和图像的最优分割参数为每个场景和整体形象;的精度计算使用(1)。最后一行显示了五个场景图像的融合结果;最优分割参数尚未提供。与整体形象相比,合并后的图像的准确性,生产使用场景图像的组合,增加了8.70% (2),Kappa系数增加了9.70%。在表6与整体形象相比,B合并图像精度,生产使用场景图像的组合,增加了11.20%,Kappa系数增加了21.12%。这个改进表明提出的分层分割方法可以提高分割的准确性和减少对分类结果的规模效应。 在哪里的值是准确性,参考样品的数量,的指数类和是对象分为类的数量吗参考类别在哪里类 。 在哪里的值是改善准确性或Kappa系数,融合图像的准确性或Kappa系数,然后呢是两种整体形象的价值。
整体形象和场景图像分类结果如图7,分类结果的图像如图8。建设基于图像场景分类结果(图7)提供了更多的细节与整体形象。与其他对象相比,建筑占用现场需要规模较小,这反映在表上5。建筑分类更敏感的分割参数与其他对象相比,和不同于其他对象,建立更高精度只有出现在规模较小的参数。图像B,整个场景图像之间的差别就更加明显了。城市场景(图6)有一个合适的规模远小于其他场景,甚至两个低覆盖植物场景有不同的合适的尺度(表6)。然而,由于建筑和其他对象的相似的光谱特征,建立分类精度也差(图6)。整体和场景图像,有一些岩石和废物处理网站错误归类为建筑。在细分,如图7 (b)和图8 (b)显示,分层方法可以提供分割结果类似于对象的固有的规模尽可能多。
(一)
(b)
(一)
(b)
4所示。讨论和结论
提出的分层分割方法结合色调和颜色层纹理将场景,理论上更类似于人类视觉机制。通过现场部门,整个图像的复杂有效的降低。在实践中,这种方法是强烈的普遍,所以可以很容易地使用,精度在一定程度上的分歧。结果表明,该方法可以有效地提高最终的分类精度,特别是对于大型图像中聚合现象是显而易见的。该方法可以显著帮助遥感图像分类和特征提取。此外,各种分割方法可以用在不同的场景根据场景图像特征,这可能与空间尺度,从而提高分类精度。
该方法也有一些缺点;分割参数优化方法中使用这种方法可能会增加时间消耗。然而,这项研究的重点是分层分割。因此,未来的工作将是一个更有效的优化算法,结合知识的空间统计估计最优分割参数,并找到最合适的分割方法,场景由不同的报道。
虽然由绝大多数识别实现分层方法,这个想法已经适应所有GeOBIA工作。这种方法也可以使用递归在一幅巨大的大小或复杂的嵌套格局,这意味着我们可以使用分层的方法将整体形象划分为几个场景,然后再运用这个方法每个场景子场景,直到适当的图像对象分割。
数据可用性
图像数据从商业数据销售公司购买。其他数据用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
温州的构思和设计研究,进行实验,写论文。东平明提出的研究理念,指导研究,修订后的手稿。徐陆和保Hanqing帮助执行实验。王敏提供重要的意见和建议。
确认
这项研究得到了国家自然科学基金(41671369和41671369),在“中央大学,基础研究基金”的开放基金一分之二十世纪航空技术有限公司(批准号21 at_2016-07)和科技重大项目(2017 zx07302003)水污染控制和治疗。