遥感图像的分割技术.docVIP

遥感图像的分割技术 摘要：图像作为直接而丰富的信息载体已经成为人类获取和利用信息的重要来源和手段。图像分割是图像处理中很重要的技术，也是图像分析和图像理解的关键一步。本文系统地分析了图像分割技术的现状、分类方法和现在流行各种新的分割方法。首先，简单介绍了图像分割的传统方法，包括基于区域的、基于边缘的和两者结合的图像分割方法。然后，分别从数学形态学、模糊集、神经网络、支持向量机、图论等方面对图像分割方法进行了重点论述，并对应用每一种理论的必威体育精装版研究进展作了介绍。最后，对图像分割的发展趋势进行了展望。 关键词：图像分割；边缘检测；区域分割；分水岭；模糊集；神经网络；支持向量机；位图 1、引言 图像分割就是指把图像分成互不重叠的区域并提取出感兴趣目标的技术[1]。遥感图像以其良好的时相性和丰富的信息量和逐步提高的分辨率等特点逐步在国民生活的各个领域发挥了极大地作用，因此我们利用图像分割技术对其进行深入的研究、发掘其中隐含的信息具有非常重要的意义。同时遥感图像通常表现为对比度低，区域特征因不同的拍摄条件而产生较大变化，不同区域之间的边界模糊，以及形状结构和细微结构分布复杂多样，图像信息容量大等特点加大了我们进行分割的难度。顾名思义遥感图像分割就是对遥感图像进行分割的技术。它是对遥感图像进行处理和应用的基础，是遥感图像处理和分析的关键步骤，他可以将原始图像转化为更抽象、更紧凑的形式，使得高层的分析和决策成为可能。 本文的内容组织结构如下：首先，介绍了一下常见的几种图像分割方法；其次，阐述了基于特定理论的图像分割新算法；最后，对图像分割技术的发展趋势做了一些展望。 2、图像分割算法的分类 为了有效的分割各种各样的图像，人们已经提出了很多分割方法。按分割的途径和实现原理的不同，主要分为以下三种形式：基于边缘提取的方法、基于区域的方法以及二者结合的方法。 2.1基于边缘的图像分割方法 边缘是指图像中像素灰度有阶跃状或屋顶状变化的那些像素的集合。阶跃状边缘位于两边的像素灰度值有明显不同的地方；屋顶状边缘位于灰度值从增加到减少的转折处。基于边缘检测的分割方法试图通过检测不同区域的边缘来解决问题，通常不同的区域之间的边缘上灰度值的变化往往比较大，这是边缘检测方法得以实现的主要假设之一．它的基本思想是先检测图像中的边缘点，一般利用图像一阶导数或二阶导数的过零点信息，来提供判断边缘点的基本依据。再按一定策略连接成轮廓，从而构成分割区域。其难点在于边缘检测时抗噪性和检测精度的矛盾，若提高检测精度则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性则会产生轮廓漏检和位置偏差。 2.2基于区域的图像分割方法 基于区域的分割方法是以直接寻找区域为基础的分割技术，具体算法有区域生长和区域分离与合并算法。基于区域提取方法有两种基本形式：一种是区域生长，从单个像素出发，逐步合并以形成所需要的分割区域；另一种是从全局出发，逐步切割至所需的分割区域．在实际中使用的通常是这两种基本形式的结合。该类算法对某些复杂物体定义的复杂场景的分割或者对某些自然景物的分割等类似先验知识不足的图像分割，效果较理想。 2.3区域和边缘相结合的图像分割方法 边缘检测能够获得灰度值的局部变化强度，而区域分割能够检测特征的相似性与均匀性．边缘与区域相结合分割的主要思想是结合二者的优点，通过边缘点的限制，避免区域的过分割；同时，通过区域分割补充漏检的边缘，使轮廓更加完整。 3、与特定理论结合的图像分割新方法 近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多结合一些特定理论、方法和工具的图像分割技术．由于图像分割技术至今尚无通用的自身理论，所以每当有新的数学工具或计算机技术提出来，人们就尝试着将其用于图像分割，因而提出了不少特殊的算法。 3.1分水岭图像分割方法 经典分水岭方法主要由两个步骤组成：“排序”和“淹没”．在“排序”步骤中，主要完成灰度级的频率分布计算，根据计算结果对灰度级进行排序，然后将图像中的每一个像素分配到与灰度相对应的存储阵列中去；在“淹没”过程中，使用“先进先出”的队列计算地理影响区域，通过递归运算实现积水盆地的不断膨胀，最终完成图像的分割。 2007年，Victor 0．R．等[2]提出了一种改进的分水岭算法．该算法通过模拟下雨过程，以像素代替雨滴，来计算灰度数字图像的分水岭变换．它尽可能减少了在分水岭变换中最耗时的邻域操作，以及在原始图像上执行的扫描次数．该算法仅用了4个简化的队列和一个简单的与输入图像规模一致的输出矩阵，来存储中间计算结果．实验结果表明，针对不同规模的各类数字图像，该算法较同类其他算法可以减少大约31％的运行时间；在保证算法运行效率相同的前提下，该算法无论是在执行时间还是占用内存空间方面，都比其它算法有效。 3.2基于模糊理论的图像分割方法 目前大多