基于自适应权值FNEA算法的高分辨率遥感图像分割

贾春阳，李卫华，李小春

(空军工程大学信息与导航学院，西安 710077)

0 引言

随着遥感图像的空间分辨率和光谱分辨率越来越高，高空间分辨率图像中地物景观的结构、纹理和细节等信息都非常清楚地表现出来，除了地物光谱信息，还可以提供关于地物结构、形状和纹理方面的信息[1]。但高空间分辨率遥感图像的出现也给图像分割方法带来了新的问题[2]。近年来，面向对象的图像分割算法得到了快速的发展。卢昭羿等[3]根据地物影像的光谱、形状及纹理等特征进行多尺度分割和层次分类，通过建立检测层，将不同时相的QuickBird图像分类结果投影到检测层的相应对象层上并进行互分割，实现了道路变化检测;沈金祥等[4]通过对Landsat TM遥感图像进行分割，从全域—局部上耦合分析水体的光谱、空间形态、空间分布与空间关系等特征，构建通用性强的湖泊信息提取规则集，实现了湖泊水体信息的自动化提取;徐宏根等[5]则针对植被与建筑物重叠区域分类困难的问题，提出了一种基于面向对象的LiDAR点云数据分类方法，根据建筑物几何规则形状延伸扩充，从而提高了植被和建筑物重叠区的点云分类准确率。

分形网络演化算法(fractal net evolution approach，FNEA)由 Baatz等[6]于2000 年提出，是一种比较成熟稳定的面向对象的图像分割方法。高伟等[7]于2010年提出了一种基于四叉树分解的改进方法，在不影响图像分割结果的情况下，有效地提高了形成初始对象的效率，在较大程度上提高了整体的分割效率;但图像分割过程中的参数选择还需人工确定。Tang等[8]将 FNEA算法应用于变化检测中的目标提取过程，取得了较好的效果。然而，尽管FNEA算法考虑到形状异质性和光谱异质性，但在计算异质性的过程中，形状异质性权值和紧凑度判据权值只能根据经验给定，而且都为固定值，这些都不能很好地适应不同遥感图像或者同一遥感图像中不同属性的影像对象分割。为此，本文对FNEA算法进行改进，设计了一种形状异质性判据权值和紧凑度判据权值的自适应计算方法，并考虑了各个光谱分量对异质性判据的不同贡献，具有较好的自适应性，改善了图像分割的结果。

1 FNEA算法

分形网络演化算法(FNEA)是一种面向对象的图像分割方法，它能实现对遥感图像的多尺度分割。FNEA算法的基本思想就是对相邻影像对象之间的异质性进行定义和度量，并作为是否进行对象合并

2 FNEA算法改进

本文提出了一种权值自适应的FNEA算法，针对不同影像对象的属性，设定计算权值的准则函数f(hcpt，hsmooth)，对不同的影像对象可以赋予不同的空间判据权值wshape和紧凑度权值wcpt。计算权值的准则公式为

即每次计算hcpt和hsmooth后，两者求和作为归一化依据;当紧凑度判据值较大时，意味着该影像对象的内部较为紧凑，所以相应的紧凑度判据权值要增大;反之，当平滑度判据值较大时，意味着该对象内部较为平滑，对应的平滑度判据权值要增大。这样，根据不同影像对象的属性特点，可得到不同的判据权值，从而实现权值的自适应调整。

同样，在计算光谱判据度量时，考虑到不同光谱分量对光谱判据的贡献，如对3个光谱分量的遥感图像而言，令遥感图像的3个光谱分量的光谱判据度量分别为 hcolour(k)，k=1，2，3，则计算权值的准则公式为

即以各个光谱分量的光谱判据度量归一化后的值作为该分量对最终光谱判据度量的贡献度量。

改进后的FNEA算法流程如图1所示。

3 实验结果与分析

利用本文改进后的算法用Matlab软件进行了仿真实验，并与用区域生长法得到的图像分割结果进行了比较。

实验用图像为某机场(图2(a))和某城区(图2(b))的高分辨率遥感图像，其中机场的遥感图像包含的影像对象为飞机、机场停机坪和仓库，城区的遥感图像包含的影像对象主要为各种尺寸的建筑物。

图2 原始的高分辨率遥感图像Fig.2 Original high－resolution remote sensing images

图3 不同方法图像分割结果对比Fig.3 Comparison among results of image segmentation with different methods

表1 不同尺度下的图像分割结果Tab.1 Results of image segmentation with different thresholds

从以上对比的结果可以看出，本文改进后的FNEA算法根据不同影像对象的不同属性，使用了自适应的空间判据权值、紧凑度权值和各个光谱分量的贡献度量，只需设定合理的尺度值，即可得到比固定权值算法和区域生长法更好的分割效果(见图3)。此外，通过本文算法在不同尺度下的图像分割结果可以看出，本文算法对尺度选择很敏感，这也是FNEA算法本身存在的问题。

图1 FNEA算法流程图Fig.1 Flow chart of FNEA

分别用区域生长法、固定权值的FNEA算法(分割尺度为6.5)和本文改进的算法对图2中的图像进行分割，提取目标的结果如图3所示。

以城区的遥感图像为例，分析本文算法在中尺度(阈值)下对图像分割结果的影响，统计结果如表1所示。

4 结论

本文在分析传统的分形网络演化算法(FNEA)采用固定权值所带来的缺陷的基础上，对该算法进行改进，提出了基于权值的自适应构建方法，使各权值能够随着不同属性影像对象的变化作出相应的调整;另外，还将不同光谱分量对光谱判据的贡献引入到异质性计算中。通过仿真实验，并与区域生长法和固定权值的FNEA算法进行比较，证明了本文改进后算法的有效性。

下一步将探索最优阈值的自适应调整规则，以便进一步优化FNEA算法的分割结果。

[1]王文杰，赵忠明，朱海青.面向对象特征融合的高分辨率遥感图像变化检测方法[J].计算机应用研究，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]卢昭羿，左小清，黄 亮，等.面向对象的投影互分割道路变化检测[J].国土资源遥感，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，杨 辽，陈 曦，等.面向对象的山区湖泊信息自动提取方法[J].国土资源遥感，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，郑雄伟，等.面向对象的植被与建筑物重叠区域的点云分类方法[J].国土资源遥感，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 伟，刘修国，彭 攀，等.一种改进的高分辨率遥感影像分割方法[J].中国地质大学学报，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]王慕华，张继贤，李海涛，等.基于区域特征的高分辨率遥感影像变化检测研究[J].测绘科学，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.