基于多特征的高分遥感图像分割算法研究

金永涛，李旭青，张周威，陈曦

1.北华航天工业学院，廊坊 065000 2.中国科学院遥感与数字地球研究所，北京 100094 3.河北省航天遥感信息处理与应用协同创新中心，廊坊 065000 4.河北省航天遥感信息工程技术研究中心，廊坊 065000

基于多特征的高分遥感图像分割算法研究

金永涛1,3,4，李旭青1,3,4，张周威2，陈曦1

1.北华航天工业学院，廊坊 065000 2.中国科学院遥感与数字地球研究所，北京 100094 3.河北省航天遥感信息处理与应用协同创新中心，廊坊 065000 4.河北省航天遥感信息工程技术研究中心，廊坊 065000

针对传统的图像分割算法不能完全适用具有多种特征(光谱特征、纹理特征和几何特征)的高分辨率遥感图像的问题，提出了一种基于多特征的遥感图像分割算法。算法基于改进的均值漂移滤波和自动标记分水岭分割方法来实现最终分割。首先利用自动标记分水岭分割方法对遥感图像进行分割，进而采用仿射不变矩形状特征算子提取图像几何特征；其次对图像进行主成分分析，计算第一主成分灰度共生矩阵，分析矩阵特性得出纹理特征；然后结合光谱特征通过改进的均值漂移方法得到多特征滤波结果；最后利用分水岭分割方法实现高分辨率遥感图像分割。为了表明算法的分割效果，利用基于多光谱信息熵方法对算法和单一的分水岭分割方法进行非监督评价。研究结果表明，算法可较好地改善遥感图像的过分割问题，是一种适合高空间分辨率多光谱遥感图像的分割算法。

均值漂移；多特征；分水岭；高分辨率遥感图像；图像分割

随着卫星遥感技术的发展，卫星遥感数据的空间分辨率越来越高，使得其包含的地物空间信息越来越丰富，如纹理、几何信息等，为遥感图像目标识别和特征提取的技术创新提出了新需求。之前普遍使用的基于像素的分类方法已不能满足高空间分辨率遥感图像分类需要，逐渐被面向对象的遥感图像分析技术所代替。图像分割作为面向对象遥感图像分析技术的重要环节，也得到了关注和研究。高分辨率遥感图像分割技术来源于图像处理领域的相关算法，但是由于地表覆盖类型的复杂，使得图像处理领域的算法不能有效地应用于高分辨率遥感图像分割应用中。

学者们已经提出了多种图像分割方法。如Baatz和Schape提出的分形网络演化方法(Fractal Net Evolution Approach，FNEA)[1]，并应用于高分辨率遥感图像多尺度分割[2]，最终集成于商业遥感分类软件易康(eCognition)中；Osher和Sethian提出了水平集方法(Level Set Method)，并由Malladi等和Caselles等[3-4]将该方法引入到图像处理和计算机视觉领域；此外还有区域增长方法[5-6]、区域合并方法[7]、分水岭分割方法[8-10]和均值漂移分割算法[11-12]。上述分割方法大多数仅利用图像中的光谱信息，然而高分辨率遥感图像中有着相似光谱特征的对象(如城市中相邻的建筑和街道)是不能仅凭光谱信息区分的。所以，如何有效地利用图像中的空间信息如纹理信息、结构信息、形状信息对图像进行分割已经成为现在的研究热点。

均值漂移分割算法最早由Fukunaga等人提出，此后很久才得以广泛应用。分割流程为基于空间与颜色域的均值滤波，进而对图像分割。通过色度空间变换实现特征空间的分离，或者利用小波多尺度分析，借助均值漂移聚类突出纹理内部和纹理交接处的差异，对分割进行优化[13]。均值漂移滤波结果保留了准确的边缘信息，同时也造成了分割结果中的边缘处会产生大量细碎的对象，因此经常被作为一种初始分割结果，然后进行分割后处理将细碎小块进行合并。

分水岭分割原算法的分割结果也因为局部极小值的存在而出现破碎现象，因此学者们借助强制极小值技术、尺度参数控制等方法来优化该算法。尽管如此，由于该方法是以灰度数学形态学为基础，所以容易造成边缘信息的损失，在分割结果中，区域边界与真实边界会有移位现象出现。由此，本文提出结合均值漂移滤波和分水岭分割来完成高分辨率遥感图像分割的方法。

此外，均值漂移分割算法在遥感图像分割应用中，多为对三波段合成假彩色后的RGB/LUV彩色空间进行变换，对光谱信息利用不充分。提出的均值漂移-分水岭分割一体化算法充分考虑了遥感图像的多光谱特点，并结合几何[14]、纹理[15]进行高分辨率遥感图像分割。算法首先对图像进行分水岭分割，并提取图像形状特征，再提取图像几何特征；其次对图像主成分开展分析，以第一主成分为对象计算灰度共生矩阵，从中进行分析并选择代表性矩阵特征，接着进行图像纹理特征的提取；然后对算法进行改善完成图像的分割，得出最终分割结果。其中，需要对所有特征变量进行优化选取。

1 研究方法

1.1 均值漂移分割算法的优化

均值漂移分割算法是一种特征空间中的自动聚类算法，是一种无参数估计密度函数算法。如果影像维数为p,其空间Rp中的n个样本点xi，i=1，2，…，n，在x点如果核函数K(x)满足一定的统计矩约束概率密度函数，可以用于非参数概率密度估计，窗体半径(带宽)为h，均值漂移向量为

在这种状态下，当密度函数f(x)达到最大值时，梯度Δf(x)接近于0。

式中：k(x)为核函数K(x)的剖面，如果g(x)是核函数G(x)的剖面，则G为K的影子核。

以上可知，查找收敛点的均值漂移便可以找到密度模式，而不需要估计密度。

不同均值样本里收敛到0的点可以根据核G和核中心x来找到。定义序列{yj+1},j=1，2，…，n，是指样本均值由算法过程中移动的点来表示，yi是样本点。

在x=yj处，{yj+1},j=1,2,…,n,由核G通过计算而得出，并且y1位于核初始位置的中心。

基于空间域的均值漂移分割是在均值漂移分割算法平滑后的图像上实现的。输入的原始图像使用惟一的核函数进行标准化，其空间域和色彩域的带宽由hs和hr表示。

设{xj}，j=1，2，…，n,为原始图像的点，{zj}，j=1，2，…，n,为收敛点，{Lj}，j=1，2，…，n,是不同区域的标记：

1)对每一个xj，j=1，2，…，n，使用均值漂移平滑程序，将收敛点存储在zj。

2)用联合域中的簇{Cp}，p=1，2，…，m，来描述所有zj中hs空间域和hr色彩域相近的分组。

3)对每一个j=1，2，…，n，赋值Lj={p|zj∈Cp}。

4)删除小于M个像素的空间区域，空间域和色彩域的带宽hs和hr，其下标s和r分别表示空间和色彩成分的向量。

改进的均值漂移分割算法是加入了光谱特征、几何特征和纹理特征。在算法不变的情况下，通过改进其核函数，改进多特征参量后：

(5)

式中：c为归一化常数；hs，hspe，hg，ht为平滑解析度；s为空间维数，这里为二维图像；角标spe为光谱特征，当spe=1时代表灰度图，spe=3时代表RGB波段彩色图；g为几何特征；t为纹理特征(维度)，纹理特征由灰度共生矩阵表示[16]。

1.2 几何特征提取

几何特征的提取过程主要由两个步骤组成。第一步，通过自动标记的分水岭算法[17]对图像进行分割；第二步，对分割后得到的所有分割对象进行几何特征提取。

分水岭分割方法是一种基于拓扑理论的数学形态学分割方法，其基本思想是：将图像看作测绘学上的拓扑地貌，每个像素点的灰度值代表其高程，每个局部极小值及其影响区域为集水盆，集水盆的边界则形成分水岭。水从集水盆底部浸入，首先浸入到较低的区域，而后浸入到较高的区域，当两个集水盆汇合处构筑大坝将两个集水盆隔开，以此进行图像分割。

自动标记分水岭分割核心标记方法是扩展最小变换，是一个形态学阈值算子，能将大多数无关小区域标记为0，从而减少图像过分割现象。梯度图像G经过高度阈值为h的扩展最小变化运算如下：

式中：E为输出的二值图像，即在8连通的条件下将小于高度阈值h的像素标记为1，否则标记为0，最终形成一幅二值标记图像。

1.3 纹理特征

纹理被认为是图像灰度值在二维空间的随机分布，其在图像空间中相隔某距离的两象素之间存在一定的灰度关系，即灰度的空间相关特性。灰度共生矩阵作为一种常用的二阶统计方法。它是根据图像上每一对像素对间的方向和距离构造一个关系矩阵,然后利用其提取一些有意义的统计特征作为纹理的描述。

任取图像(N×N)区域中任意一点(x，y)和偏离它的另一个点(x+a，y+b)构成像素对，该两点对应的灰度值为(g1，g2)。然后让点(x，y)在整个画面上移动，则对应的对产生各种灰度对各(g1，g2)的值，设灰度值的级数为k，则(g1，g2)的组合共有k2种。针对整幅图像，统计出每一对(g1，g2)值出现的概率，使其排列成一个方阵，再用(g1，g2)出现的概率将其归一化为概率P(g1，g2)，排列成的方阵称为灰度共生矩阵。

由于纹理特征不能直接由灰度共生矩阵来描述，所以一般使用其产生的能量、惯性，相关性和熵4个统计特征值表征纹理信息。而为获取全面的纹理信息又在4个方向上建立了灰度共生矩阵，提取每个方向上的共生矩阵特征。因此，能反映每种纹理特征共包含16个元素的特征向量。

1.4 技术流程

采用高分辨率遥感图像作为试验数据，然后对包括近红外、红色，绿色和蓝色4个波段信息的全色波段和多光谱波段的融合图像进行光谱特征和几何特征提取。提取图像的对象信息需要首先对图像进行分水岭分割，然后计算对象要素的形状特征算子。提取图像的纹理特征是通过多光谱波段经主成分分析后的第一主成分的灰度共生矩阵来获得。结合这3种特征就对均值漂移滤波方法进行改进。接着对滤波结果进行分水岭变换，来实现最终的分割结果。最后对分割结果进行评价与分析。

图1 技术流程Fig.1 Flow chart of remote sensing image segmentation

2 试验结果与分析

2.1 试验数据

国产GF-1卫星配置了2台2 m分辨率全色、8 m分辨率多光谱相机和4台16 m分辨率多光谱宽幅相机；GF-2卫星搭载有两台1m全色、4 m多光谱相机。美国IKONOS卫星携带1台1 m分辨率全色相机、1台4 m分辨率4波段相机。

试验使用的卫星影像分别是：GF-1卫星的2013年6月北京市奥林匹克森林公园影像；IKONOS卫星的2006年7月南京市部分城区影像；GF-2卫星2015年9月河北省廊坊市北华航天工业学院西校区影像。图像大小分别为850×680像元、256×256像元和630×626像元，主要地物类型包括水体、草地、林地，建设用地和道路(见图2)。

图2 全色波段与多光谱融合后的图像Fig.2 Fusion of multispectral bands and panchromatic band of GF-1 and IKONOS image

2.2 评价方法

为了更好地验证所提方法对高分辨率遥感图像的分割效果，首先从视觉上对不同尺度下的分割结果进行对比分析。同时为了更为客观地表现方法的分割效果，对评价方法采用文献[19]中提出的基于信息熵的定量分割评价方法，来对比分析Edison软件的均值漂移方法和eCongnition软件所提供的多分辨率分割方法的遥感图像分割结果。评价方法定义如下：

(7)

式中：m为第j个分割区域内的灰度级；Lj(m)为第j个分割区域内的像元总数；SI为分割区域总数。

Hr描述了分割区域内的同质性特征；He描述了分割区域间的异质性特征。过分割现象越严重，Hr取值越小，而He取值越大。E综合了分割区域的同质性特征和分割区域间的异质性特征。E取值越小，分割结果越可靠。

2.3 试验一

图3第一列分割阈值分别为M=10、M=20和M=30时本文方法的分割结果，M为文献[10]提出的自动标记分水岭分割算法中的尺度阈值。从图3分割结果能够得出，尺度阈值增大使分割后图像斑块的破碎度减小。M取值为10时，分割结果具有明显的破碎现象，尤其是沿着区域边界周围存在大量细碎的对象。当M=20和M=30时，分割结果的破碎区域大幅减少，且M=20和M=30的分割结果相近，仅在部分区域，如M=20时湖心岛的分割结果较M=30时破碎。总体而言，M>20时，本文方法分割结果趋于稳定，且视觉效果也有较好表现。

图3 北京市奥林匹克森林公园分割结果Fig.3 Segmentation results in Beijing Olympic Forest Park

图3第二列为M=10、M=20和M=30时单一分水岭分割方法的分割结果，其分割效果与M之间的关系与本文方法大致一致。从视觉上来看，其分割效果比本文方法要破碎。最为关键的是同一地物对象的分割区域数目明显多于分水岭分割方法。

表1给出了不同尺度下本文方法与分水岭分割方法之间的区内同质性Hr与区域之间的异质性He，以及综合值E的计算结果。当M=10时，本文方法中Hr比分水岭分割方法取值大，而He则比其小，综合值E小于分水岭分割方法。而对于M=20和M=30的分割结果本文方法中的Hr、He、E均小于分水岭分割方法。可见本文方法比单一的分水岭分割方法具有更好的分割效果。

表1 本文方法与分水岭分割方法的比较

Table 1 Comparison between the proposed method and watershed transform segmentation method

方法本文方法分水岭分割方法M=10M=20M=30M=10M=20M=30Hr0 024140 009910 008640 018520 012000 00946He3 170032 831222 784453 194272 987482 88379E3 194722 841142 793093 212792 999482 89325

图4给出eCognition中多分辨率分割方法和EDISON软件中Mean Shift方法的分割结果。其中多分辨率分割方法中参数Scale paramter北京市奥林匹克森林公园区域为30，紧致度为0.5。Mean Shift 方法中参数空间带宽和颜色特征带宽分别为20和2。

图4 北京市奥林匹克森林公园区域分割结果Fig.4 Segmentation results in Beijing Olympic Forest Park

表2给出eCognition中多分辨率分割方法和EDISON软件中Mean Shift 方法的分割结果的信息熵的定量分割评价结果。可以明显看出，虽然这两种方法均优于本文方法在M=10的分割结果，但是Hr、He、E均大于本文方法在M=10和M=20时的分割结果。

表2 eCognition和Mean Shift分割结果对比

Table 2 Comparison between multi-scale segmentation(eCognition)and Mean Shift

方法eCognitionMeanShiftHr0 0078510 008322He2 9048832 908413E2 9127342 916735

2.4 试验二

图5(a)、5(b)和5(c)分割阈值分别为M=10、M=20和M=40时的结果图。与试验一具有相同的规律，随着尺度因子M的增加，分割的破碎程度越来越小，但是由于图像区域为厂房区域，因此其规律并不如试验一明显。

此外，图5(d)、5(e)和5(f)为M=10、M=20和M=40时单一分水岭分割方法的分割结果。与试验一同样，本文方法具有更好的分割效果。如图像左下方的绿地区域，本文方法将其分割为同一区域，而分水岭分割则将其分为了多个区域。

图5 南京市部分城区分割结果Fig.5 Segmentation results in part of the Nanjing city

表3为南京市部分城区图像在不同尺度下本文方法与分水岭分割方法的Hr、He以及E取值。对于所有M=10，M=20和M=40时的分割结果的Hr、He及E取值，本文方法总优于分水岭分割结果。

图6为该图像的eCognition中多分辨率分割方法和Mean Shift方法的分割结果。图像分割的参数设置与试验一参数相同。从结果可以看出，使用本文方法分割效果是最佳的。表4是Hr、He、E取值。三者取值均大于本文方法。

表3 本文方法与分水岭分割方法的比较

Table 3 Comparison between the proposed method and watershed transform segmentation method

方法本文方法分水岭分割方法M=10M=20M=40M=10M=20M=40Hr0 007730 005730 004250 007940 005880 00443He2 054891 942400 767882 084061 963321 84247E2 062621 948131 772142 092001 969201 84690

图6 研究区一分割结果Fig.6 Segmentation results in study area 1

方法eCognitionMeanShiftHr0 0078510 008322He2 9048832 908413E2 9127342 916735

2.5 试验三

图7(a)、7(b)和7(c)分割阈值分别为M=10、M=20和M=30时的结果。与试验一具有相同的规律，随着尺度因子M的增加，分割的破碎程度越来越小，图像中建筑物区域表现最为明显。

此外，图7(d)、7(e)和7(f)为M=10、M=20和M=30时单一分水岭分割方法的分割结果。与试验一同样，本文方法具有更好的分割效果。如图像中间的建筑物区域，本文方法将其分割为同一区域，而分水岭分割则将其分为了多个区域。

表5为北华航天工业学院图像在不同尺度下本文方法与分水岭分割方法的Hr、He以及E取值。对于所有M=10，M=20和M=30时的分割结果的Hr、He以及E取值，本文方法总优于分水岭分割结果。

图7 北华航天工业学院图像分割结果Fig.7 Segmentation results in North China Institute of Aerospace Engineering

方法本文方法分水岭分割方法M=10M=20M=30M=10M=20M=30Hr0 006210 004620 003160 006810 005710 00411He2 047781 833170 756172 073171 841311 73229E2 054111 855911 762232 081321 857221 73528

图8为该图像的eCognition中多分辨率分割方法和EDISON软件中Mean Shift 方法的分割结果。图像分割的参数设置与试验一参数相同。从结果可以看出，使用本文方法分割效果是最佳的。表6是Hr、He、E取值。三者取值均大于本文方法。

图8 北京市别墅区域分割结果Fig.8 Segmentation results in Beijing villa area

方法eCognitionMeanShiftHr0 0076520 007862He2 702642 70732E2 7332342 71673

3 结束语

针对遥感图像处理领域传统图像分割方法的不足，基于多特征对均值漂移分割方法进行了改进。用分水岭方法对图像进行分割，计算仿射不变矩得出图像的几何特征；对图像进行主成分分析，计算第一主成分的灰度共生矩阵得出图像的纹理特征；最后以三组不同卫星的高分辨率遥感数据作为试验数据，进行分割试验，并利用基于信息熵的非监督评价方法对比分析了本文方法与分水岭方法的分割结果。通过对分割结果进行分析评价验证了本文方法的有效性。本文所提出的分割方法可作为面向对象分类方法中分割步骤。

References)

[1] BAATZ M，SCHAPE A. Multiresolution segmentation：an optimization approach for high quality multi-scale image segmentation[J]. Journal of Photogrammetry and Remote Sensing，2007，58：3-4.

[2] 沈占峰，骆剑承，胡晓东，等．高分辨率遥感影像多尺度均值漂移分割算法研究[J]. 武汉大学学报(信息科学版)，2010，35(3)：313-316.

SHEN Z F，LUO J C，HU X D，et al. A mean shift multi-scale segmentation for high-resolution remote sensing images[J]. Geomatics and Information Science of Wuhan University，2010，35(3)：313-316(in Chinese).

[3] MALLADI R，SETHIAN J A，VEMURI B C. Shape modeling with front propagation：a level set approach[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1995，17(2)：158-175.

[4] CASELLES V，CATTE F，COLL T，et al. A geometric model for active contours in image processing[J]. Numerische Mathematik，1993，66(1)：1-31.

[5] NOCK R，NIELSEN F. Statistical region merging[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26(11)：1452-1458.

[6] HO P G P，CHI H C. 2-D time series model based support vector machine for remote sensing image segmentation in neural networks[C].2007 International Joint Conference on Neural Networks(IJCNN)，Orlando，Florida，12-17 August，2007.

[7] HARALICK R M，SHAPIRO L G. Survey：Image segmentation technique[J]. Computer Vision Graphics & Image Processing，1985，29(1)：100-132.

[8] VINCENT L，SOILL E P. Watersheds in digital spaces：an efficient algorithm based on immersion simulations[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence，1991，13(6)：583-598.

[9] HAY G J，BLASCHKE T，MARCEAU D J，et al. A comparison of three image-object methods for the multi-scale analysis of landscape structure[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2003，57(5-6)：327-345.

[10] 肖鹏峰．基于相位一致的高分辨率遥感图像分割方法[J]. 测绘学报，2007，36(2)：146-151.

XIAO P F. Segmentation of high-resolution remotely sensed imagery based on phase congruency[J]. Acta Geodaetica et Cartographica Sinica，2007(5)：146-151(in Chinese).

[11] HUANG X，ZHANG L P. An adaptive mean-shift analysis approach for object extraction and classification from urban hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing，2008，46(12)：4173-4185.

[12] COMANICIU D，MEER P. Mean shift：a robust approach toward feature space analysis[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence，2002，24(5)：603- 619.

[13] 周家香，朱建军，梅小明，等. 多维特征自适应Mean Shift遥感图像分割方法[J]. 武汉大学学报(信息科学版)，2012，37(4)：419-422.

ZHOU J X，ZHU J J，MEI X M，et al. An adaptive mean shift segmentation method of remote sensing images based on multi-dimention features[J]. Geomatics and Information Science of Wuhan University，2012，37(4)：419-422(in Chinese).

[14] ZHANG L P，HUANG X，HUANG B，et al. A pixel shape index coupled with spectral information for classification of high spatial resolution remotely sensed imagery[J]. IEEE Transactions on Geoscience and Remote Sensing，2006，44(10)：2950-2961.

[15] HUANG X，ZHANG L P. An SVM ensemble approach combining spectral，structural，and semantic features for the classification of high-resolution remotely sensed imagery[J]. IEEE Transactions on Geoscience and Remote Sensing，2013，51(1)：257-271.

[16] 刘书含，顾行发，余涛，等. 高分一号多光谱遥感数据的面向对象分类[J]. 测绘科学，2014，39(12)：91-94，103.

LIU S H，GU X F，YU T，et al. Object-oriented classification method based on GF-1 multi-spectral remote sensing image[J]. Science of Surveying and Mapping，2014，39(12)：91-94，103(in Chinese).

[17] 王珂，顾行发，余涛，等. 结合光谱相似性与相位一致模型的高分辨率遥感图像分割方法[J]. 红外与毫米波学报，2013，32(1)：73-79.

WANG K，GU X F，YU T，et al. Segmentation of high-resolution remotely sensed imagery combining spectral similarity with phase congruency[J]. J．Infrared Millim．Waves，2013，32(1)：73-79(in Chinese).

[18] HU M K. Visual pattern recognition by moment invatriants[J]. IEEE Trans. on Information Theory，1962(8)：179-187.

[19] ZHANG H，FRITTS J，GOLDMAN S. An entropy-based objective evaluation method for image segmentation[C]∥Proc. SPIE-Storage and Retrieval Methods and Applications for Multimedia，2004.

(编辑：车晓玲)

Segmentation of high-resolution multi-spectral remote sensing image based on multi-feature

JIN Yongtao1,3,4，LI Xuqing1，3，4，ZHANG Zhouwei2，CHEN Xi1

1.North China Institute of Aerospace Engineering，Langfang 065000，China 2.Institute of Remote Sensing and Digital Eargh Chinese Academy of Sciences，Beijing 100094，China 3.Hebei Collaborative Innovation Center for Aerospace Remote Sensing Information Processing and Application，Langfang 065000，China 4.Hebei Aerospace Remote Sensing Information Engineering Technology Research Center，Langfang 065000，China

Aiming at the problem that the traditional image segmentation algorithms can not be applied to high resolution remote sensing images with many features(spectral，texture and geometric features),a remote sensing image segmentation method based on multi-feature was proposed. The algorithm integrated the improved mean shift filtering and automatic marker watershed to achieve the segmentation performance.Firstly，an automatic marker watershed method was used to segment the remote sensing image for extracting geometric feature using affine moment invariants of shape operator. Secondly，a gray level co-occurrence matrix of the first principal component was calculated as textural feature. Thirdly，multi-feature filtering results were obtained by using improved mean shift algorithm including spectral feature. Finally，the filtering results were performed using the automatic marker watershed segmentation method. In order to show the effect of the proposed method，an unsupervised evaluation and comparison of the image segmentation from the proposed algorithm and single watershed segmentation were implemented using multi-spectral information entropy. The experimental segmentation results show that the proposed algorithm can reduce the over-segmentation phenomenon efficiently and it is suited for the segmentation of high-resolution multi-spectral remote sensing image.

mean shift；multi-feature；watershed transform；high-resolution remotely sensed imagery；image segmentation

10.16708/j.cnki.1000-758X.2016.0070

2016-07-28；

2016-10-14；录用日期：2016-11-24；

时间：2016-12-16 11:29:04

http:∥www.cnki.net/kcms/detail/11.1859.V.20161216.1129.005.html

河北省科技计划(16210310D)；河北省军民结合产业发展专项资金(JMJHZX-2016-01)；北华航天工业学院创新团队计划(XJTD-201411)；北华航天工业学院重点基金(ZD-2014-03)

金永涛(1978-)，男，副教授，jsj_jin@126.com，研究方向为县域遥感应用技术、计算机网络与信息安全

金永涛，李旭青，张周威，等. 基于多特征的高分遥感图像分割算法研究[J].中国空间科学技术，2016，36(6)：

38-46.JINYT，LIXQ，ZHANGZW，etal.Segmentationofhigh-resolutionmulti-spectralremotesensingimagebasedonmulti-feature[J].ChineseSpaceScienceandTechnology，2016，36(6)：38-46(inChinese).

P407.8

A

http:∥zgkj.cast.cn