基于谱直方图的遥感图像分层次多尺度植被分割

刘小丹， 于宁， 邱红圆

(辽宁师范大学计算机与信息技术学院,大连 116029)

基于谱直方图的遥感图像分层次多尺度植被分割

刘小丹， 于宁， 邱红圆

(辽宁师范大学计算机与信息技术学院,大连 116029)

在遥感图像分割中，植被是重要的一类对象，植被细分割一般有3个目标，按尺度分为乔木、灌木和草与苔藓。针对单一层次多分类方法不能充分利用植被目标不同纹理尺度实现精确的多分类问题，提出了一种基于谱直方图的遥感图像分层次、多尺度植被分割方法。首先用归一化植被指数(normalized difference vegetation index,NDVI)提取出遥感图像中的植被区域，然后再对该区域分层实现多个二分类算法、完成多分类操作。在每个分类层次，利用目标的先验知识和纹理尺度选择纹理滤波参数，对滤波结果提取各子块图像的谱直方图用以表达纹理特征，从而实现1个层次的分割。实验结果表明，该方法较好地利用了植被各层次目标的先验知识和纹理尺度，使得对纹理滤波器的增强处理更具针对性； 谱直方图的特征区分度更大，使得植被细分割精度明显提高。

遥感图像； 植被分割； 谱直方图； 多尺度滤波

0 引言

在遥感图像分割的研究中，随着遥感图像分辨率的提高，地物的结构信息越来越丰富，基于纹理结构的分割方法已经表现出明显的优势，纹理结构与其他方法结合也成为一种趋势。例如刘婧等[1]提出结合结构和光谱特征的高分辨率图像分割方法，综合利用图像的结构和光谱特征，采用区域生长策略进行分割，该方法适合于具有较明显几何形状特征的城市地区高分辨率多光谱图像。Yuan等[2]提出结合光谱和纹理特征的遥感图像分割方法，采用3种滤波器进行纹理滤波处理，以谱直方图表达纹理特征，明显提高了不同地物目标的特征区分度； 但该方法属于单一层次的多分类方法，不能充分利用目标纹理的不同尺度实现精确的分割。最优分割尺度参数的选择直接影响分割结果的好坏。在最优分割尺度的选择上，大部分研究者是通过定性的目视解译或不断尝试方式来确定最优分割尺度的[3-4]。例如陈杰等[5]用小波变换进行多光谱遥感图像多尺度分水岭分割，虽有较好的分割效果，但对区域合并的阈值需要做多次调试才能选定。

植被是遥感图像中的一种重要目标。遥感图像的多光谱特点使得光谱分割方法对植被与其他地物的分割非常有效，但对植被的进一步分类处理(即细分割)必须依赖其他的分割方法。植被通常按生长尺度分为乔木、灌木、草与苔藓等3类(农作物包含在草与苔藓这个子类中)。陈杰等[6]提出的高分辨率遥感图像耕地分层提取方法，采用支持向量机(support vector machines,SVM)分类，可从城郊区域的复杂背景中提取出不同类型、不同光谱的耕地目标； 但分类器所训练的样本受限，影响最终的分割结果。李珊等[3]在改进的最优分割尺度下的多层次混合分类研究中也出现了同样的问题。马浩然等[7]提出面向对象的最优分割尺度下多层次森林植被分类方法，将大尺度和中尺度用于分割水体及非林地，小尺度用于单层次分割森林的多树种区域。用同一尺度分割具有不同纹理尺度的多树种区域，显然无法实现分割尺度的最优。

针对上述问题，本文提出基于谱直方图的遥感图像分层次多尺度植被分割方法，旨在充分利用植被目标纹理的不同尺度，实现植被的细分类。对植被区域分层进行多个二分类处理，在每个层次上充分利用目标的先验知识测量纹理尺度，从而设置纹理滤波参数。这样的分层次二分类方法可在一定程度上抑制多分类中类别的混淆。实验结果表明，该方法较好地利用了植被各层次目标的先验知识和纹理尺度，分割精度明显提高。

1 分层次多尺度植被纹理分割

目前，高分辨率遥感图像全色分量的分辨率可达到0.5～1.0 m，植被的纹理结构信息为详细目标的类型解译提供了充分的条件。不同目标的异质性较多地表现在纹理结构上，而尺度又是处理纹理特征的重要参数[8]。对不同地物目标提取出相应的纹理特征以达到最佳分割，需要寻找不同地物目标各自最适宜的分割尺度[9]。对植被的细分割来说，如何充分利用植被各子类的先验知识来选择多个最优尺度实现分割是首要问题。本文提出的解决办法是采用分层次二分类方法。其处理流程见图1。

图1 分割处理流程

首先利用遥感图像的多光谱信息，用归一化植被指数(normalized difference vegetation index,NDVI)将植被区域精确地提取出来。NDVI被定义为近红外波段(DNNIR)与可见光红波段(DNR)数值之差和这2个波段数值之和的比值，即

(1)

选取多个植被样本, 确定NDVI的阈值, 当NDVI大于此阈值时为植被, 否则为非植被。这样就将图像分成了2个区域。将非植被区域屏蔽后再执行后续的植被细分割，避免了其他地物因纹理结构与植被中尺度较小的纹理接近而造成的分类干扰。

由于植被细分割的目标是确定的，所以乔木、灌木和草与苔藓的纹理结构特点是已知的。这为目标的纹理尺度探测和纹理特征增强提供了方便。对植被区域，使用蓝噪声探测方法[10]探测乔木的纹理尺度，进而设置与该尺度相关的纹理滤波器参数以及提取谱直方图所使用的积分窗口尺度； 以乔木为目标的纹理滤波和谱直方图提取，使得乔木的纹理特征与非乔木植被目标的纹理特征拉开明显的距离，保证了二分类的效果。同样，依据灌木纹理的特点，再次使用蓝噪声探测方法在上一层次分割所确定的非乔木植被区域中探测灌木纹理尺度； 以此尺度完成灌木纹理滤波处理和谱直方图提取，于是灌木和草与苔藓的二分类也在最佳分割尺度上得以实现。

2 植被纹理多尺度表达

2.1 植被纹理表达

谱直方图是通过对像元的纹理滤波邻域做积分获得的[11]，这个邻域亦称“积分窗口”，是以该像元为中心的滤波后的子块图像。谱直方图通过针对局部结构的单个滤波器的响应可以捕获局部结构特征的一个方面； 将这些谱直方图并置，即可表达综合的局部结构特征。由于对谱直方图的描述独立于所选择的分类器，因此它可以使用SVM、多层感知器和K-NN最邻近规则等分类器[12]。

依据蓝噪声特性探测出植被目标纹理的尺度，作为积分窗口W的尺寸以及纹理滤波器参数设定的依据。选定1组纹理滤波器{Fn,n=1，2,…，N}，将原始图像的每个子块图像Wn与每个滤波器Fn做卷积，得到滤波后的子块图像。滤波操作定义为

(2)

式中：p,u分别为像元点的位置； *为卷积运算符。

对于每一个子块图像Wn，定义其谱直方图为

(3)

式中：z1和z2为谱直方图的分段统计范围； |W|为积分窗口中像元的总数。

并置所选择的滤波器组，得到谱直方图构成的纹理特征向量HW，即

HW=(HW1,HW2,∧,HWn)。

(4)

经以上方法处理，遥感图像待处理区域中每个像元对应1个并置的谱直方图； 这个谱直方图将作为植被目标纹理特征向量，参与进一步的分类处理。

2.2 多尺度滤波和谱直方图处理

使用适当的纹理尺度设置滤波器的尺度参数，可更有效地增强目标的纹理信息。在此基础上，选择合适的积分窗口尺度，可使谱直方图的纹理特征描述更为恰当，从而增大目标纹理与背景纹理的区分度。对于多目标分类的分割处理来说，目前利用最优分割尺度计算模型选择最优分割尺度是较好的方法[13-14]； 但这是一种全局判断方法，其最优尺度很难满足多种目标的纹理特征。二分类处理则针对目标纹理设定分割尺度，因而避免了这个问题。分层探测目标纹理的尺度，进而实施二分类处理，是本文方法的主要特点。

2.2.1 滤波器的选择

谱直方图方法是一种基于变换的纹理表达方法。滤波器组充分获取纹理图像在不同方向和频率段的频率特征，由谱直方图分段统计。本文使用双边滤波器和高斯拉普拉斯滤波器构成滤波器组。

在遥感图像中的植被区域内，乔木和灌木在植株位置、树冠尺寸、高光与阴影对比度等方面的特性构成区别于草与苔藓的主要纹理特征，而乔木与灌木之间的特征差异则主要表现在纹理的尺度上。在宏观上，森林和灌木林由单个的树冠连接构成，呈非周期性随机状态，在阳光照射下有较弱的方向性； 在微观上，纹理单元呈簇团状结构，中心与周围对比度明显，结构形状随植物种类差异有一定变化[10]。草与苔藓区域的纹理对比度较小，且缺乏细节，基本是平滑区域。对于上述2个层次的二分类，只需针对乔木和灌木的纹理选择合适的滤波器。

双边滤波器模板的卷积权值的选取不仅取决于高斯低通滤波的像元邻域位置关系，同时还由相邻像元的亮度信息所决定。因此，双边滤波器既实现了局部高斯平滑处理，又保持了边缘信息[15]。在合适的尺度下，树冠纹理单元内的灰度将被双边滤波器处理为具有清晰阶跃的多层分布，这将直接支持谱直方图的纹理灰度分布表达。

高斯拉普拉斯滤波器简称LoG滤波器，是高斯低通滤波器与拉普拉斯滤波器的一种结合，可在高斯平滑处理的基础上增强边缘信息。通过平滑处理，消除尺度小于标准偏差(σ)的信号强度变化； 再通过二次微分，得到边缘信息。同样，在σ尺度合适的情况下，树冠纹理单元内的形状信息将被LoG滤波器处理为边缘分布，谱直方图由此构成纹理边缘分布表达。

2.2.2 双边滤波参数的设置

双边滤波利用信号强度的变化来保持边缘信息，卷积权值既考虑2个像元在空间上的邻近关系，又考虑它们在灰度上的相似性。若用Iin和Iout,分别表示输入和输出图像，则双边滤波可表示为

(5)

(6)

(7)

双边滤波参数设置包括下述4部分内容(乔木和灌木2类目标的滤波参数设置方法相同)：

1)滤波窗口尺寸选择。滤波窗口的大小会对滤波结果产生重要影响，小窗口能保持图像的局部细节信息，而大窗口有平滑和去噪的作用。设由蓝噪声测量方法获得的区域中典型目标纹理单元尺寸为M，滤波器窗口尺寸为n，当M≤12时，设n=3； 当12

2)空间域标准偏差σd设定。根据概率理论的3σ原则，高斯分布的样本绝大部分集中在3倍标准差以内的区域。滤波器窗口尺寸为n时，σd设定为

(8)

3)谱直方图积分窗口尺寸和统计分段数设定。目标纹理尺度和灰度分布是设置谱直方图积分窗口尺寸和分段统计范围的依据。谱直方图通过对中心像元的纹理滤波邻域构成的积分窗口做积分统计，表达该像元的纹理特征。大的积分窗口可以更好地体现区域内纹理单元的平均特性，但对区域边缘附近的中心像元会产生明显的跨区域的特性混淆； 小的积分窗口在局部特征表达上更有效，对区域边缘的精细分割有利，但会带来过分割问题。以纹理单元尺寸M作为积分窗口尺寸，使窗口覆盖范围可以表达纹理单元的平均特性，并且在区域边缘处保证窗口跨越的幅度不超过1个纹理单元。谱直方图的统计分段数设置涉及灰度层次的区分度和分类比较的计算量，对于256级灰度图像来说，通常可以设定统计分段数S在26～28之间。

(9)

选取植被区域的遥感图像，分辨率为0.65 m，以乔木纹理为目标的双边滤波结果见图2(a)和(b)，以灌木纹理为目标的双边滤波结果见图2(c)和(d)。

(a) 乔木谱直方图(M=17) (b) 灌木谱直方图(M=17)(c) 灌木谱直方图(M=5) (d) 草地谱直方图(M=5)

经过蓝噪声探测的乔木纹理尺寸M=17，滤波窗口尺寸n=5，σd=0.83，σr=0.21，积分窗口尺寸M=17，统计分段数S=128。从统计分段数分布上看，乔木的统计分段数集中在0～100，而灌木的统计分段数集中在40～80，且直方图包络呈现细高波峰。树冠纹理单元内的灰度通过双边滤波器的处理呈现具有清晰阶跃的多层分布，但这个尺度对于另2类目标相对较大，其纹理细节被过多地平滑。

由于乔木已经被分割出去，以灌木纹理为目标的双边滤波只考虑灌木和草与苔藓这2类植被。经过蓝噪声探测的灌木纹理尺寸M=5，滤波窗口尺寸n=3，σd=0.5，σr=0.13，积分窗口尺寸M=5，统计分段数S=128。从统计分段数分布上看，灌木的统计分段数分布在30～60，而草地的统计分段数分布在60～80。根据灌木选择双边滤波尺度对于草地却过大，因而平滑掉草地的纹理细节，使灰度层次变少、导致灰度分布的均方差很小。

2.2.3 LoG滤波器参数的设置

LoG滤波器的高斯低通滤波尺度由标准偏差σ控制，二次微分计算的范围则决定于滤波窗口尺寸。LoG滤波器表示为

(10)

式中σ为高斯核的标准偏差。

LoG滤波参数设置有下述3部分内容(乔木和灌木2类目标的滤波参数设置方法相同)，仍以分辨率为0.65 m的遥感图像为例：

1)滤波窗口尺寸选择。滤波窗口尺寸决定拉普拉斯算子的计算范围，根据目标纹理尺度选择适当大小的滤波窗口，可以更有效地增强目标纹理边缘。由纹理单元尺寸M确定滤波窗口尺寸n的方法与双边滤波参数设置相同。

2)标准偏差σ设定。仍然根据概率理论的3σ原则，将σ设定为

(11)

3)谱直方图积分窗口尺寸和统计分段设定。方法与双边滤波相关参数设置相同。

选取植被区域的遥感图像，分辨率为0.65 m，以乔木纹理为目标的LoG滤波结果见图3(a)和(b)，以灌木纹理为目标的LoG滤波结果见图3(c)和(d)。

(a) 乔木谱直方图(M=17) (b) 灌木谱直方图(M=17)(c) 灌木谱直方图(M=5)(d) 草与苔藓谱直方图(M=5)

经过蓝噪声探测的乔木纹理尺寸M=17，滤波窗口尺寸n=5，σ=0.83，积分窗口尺寸M=17，统计分段数S=128。乔木的统计分段数分布较广，在0～120之间，而灌木的统计分段数分布在0～70之间。LoG滤波器高斯核的标准偏差σ控制平滑的强度，正比于乔木纹理尺寸。对于灌木等纹理尺寸较小的目标来说，这种平滑强度过大，纹理的灰度跃变细节基本消失。LoG滤波器对平滑后的图像实施拉普拉斯拉滤波处理，乔木的纹理边缘信息得到保留。滤波后乔木的均值和均方差都明显高于另外2类目标。

以灌木纹理为目标的LoG滤波只考虑灌木和草与苔藓这2类植被。经过蓝噪声探测的灌木纹理尺寸M=5，滤波窗口尺寸n=3，σ=0.5，积分窗口尺寸M=5，统计分段数S=128。从统计分段数分布上看，灌木的统计分段数分布范围较广，而草与苔藓的统计分段数则分布在0附近。适合于灌木的LoG滤波平滑处理将草与苔藓的纹理细节几乎完全滤掉，在没有灰度跃变信息的情况下，拉普拉斯滤波的结果使得灰度分布均值接近0。

3 实验结果与分析

本文以Matlab7.12.0为实验平台，所用遥感图像为QuickBird卫星(全色+多光谱)数据，全色图像分辨率为0.65 m，多光谱图像分辨率为2.76 m。实验选取包含植被的4景QuickBird图像，大小均为512像元×512像元。

本文方法与文献[14]中的全局最优尺度方法，这2种分割方法均是在用NDVI提取植被的基础上完成的。首先对较低分辨率的近红外波段图像和可见光红波段图像进行双线性内插处理，使其分辨率与全色图像相同，以保证基于NDVI的植被区域分割结果可以作为区域掩模直接用于全色图像的进一步植被细分割处理。文献[14]在图像分割最优尺度计算模型方法的基础上，改进并实现了一种全局最优尺度计算模型，最终用全局最优尺度进行了分割。本文方法则是对提取出来的植被区域分层实现多个二分类算法来实现多分类操作，其中每个二分类用k-means聚类算法来实现。对于每个层次的分割，首先用蓝噪声方法探测该层次的目标纹理尺度和灰度分布，再利用目标的先验知识和纹理尺度选择纹理滤波参数，最后对滤波结果提取各子块图像的谱直方图用以表达纹理特征，从而通过k-means聚类算法实现每一个层次的分割。通过对4景遥感图像精细的目视解译证实，采用本文方法的结果中，乔木、灌木和草与苔藓分割得较为准确，3种植被目标区域间的过渡也较合理。而文献[14]的全局最优尺度分割方法对于无先验知识的多目标地物分类来说具有一定的优势，但用同一尺度分割具有不同纹理尺度的多类植被目标却会顾此失彼。

图4为分割效果对比实验，其中将2种方法分割结果的明显差异位置以箭头标出。第一组实验图像((a)―(d))中，由于乔木和灌木的面积占比较大，文献[14]方法在计算全局最优尺度时受到这个因素影响，最优尺度选择主要兼顾了乔木和灌木，导致了只分割出乔木和灌木的情况。本文方法在2次分割中对乔木和灌木分别使用了各自相应的尺度，所以夹杂在灌木林中的孤立乔木被分出(图4(d)下方箭头标记处)，而且多处草地与灌木被分开(图4(d)上方箭头标记处)。第二组实验图像((e)―(h))中除植被外还含有裸地和房屋等建筑。文献[14]方法选择的全局尺度过大，丢失了部分乔木区域(图4(g)下方箭头标记处)，同时也降低了灌木与草地的特征区分度，导致丢失了部分灌木林中的草地(图4(g)上方箭头标记处)。第三组实验图像((i)―(l))包含植被与河流。因分割尺度单一，文献[14]方法的分割结果只有乔木和草地2种植被，乔木林与草地之间的灌木林带被忽略。最后一组图像((m)―(p))包含植被和城区的建筑及街道。由于乔木区域面积占比较大且同质性较好，文献[14]方法得到的最优尺度过大，导致了部分灌木区域特征被过多削弱，进而被误分为草地。

(a) 原图 (b) 提取植被区域(c) 文献[14]方法分割 (d) 本文方法分割

(e) 原图(f) 提取植被区域 (g) 文献[14]方法分割(h) 本文方法分割

(i) 原图(j) 提取植被区域(k) 文献[14]方法分割 (l) 本文方法分割

(m) 原图 (n) 提取植被区域(o) 文献[14]方法分割 (p) 本文方法分割

图4 分割效果对比实验

从实验的整体情况来看，本文方法对于每个分割层次均采取了目标纹理探测手段，进行了适合目标纹理特征的纹理滤波，使得参与二分类的2种地物的特征区分度增大，从而实现了每个层次的最优尺度分割。

4 结论

1)由于植被的乔木、灌木和草与苔藓3个子类的纹理特征之间存在过渡现象，因而建立在有针对性的二分类基础上的分割是实现恰当分割的重要途径。本文提出的基于谱直方图的遥感图像分层多尺度植被分割方法，在2个层次上分别利用蓝噪声特性探测目标纹理的尺度，以该尺度设置滤波参数并提取谱直方图形式的纹理特征，以二分类方法实现每个层次上的植被细分割。

2)植被以及子类的先验知识是纹理尺度探测和滤波器选择的基础条件之一。本文对目标纹理的先验知识与典型纹理探测、滤波器选择、滤波参数设计以及谱直方图统计等处理之间的关系进行了论证。实验证明，本文方法在对遥感图像中的植被进一步分割处理方面取得了较好的效果。

3)对于遥感图像分割处理应用中具有特定目标的地物分割来讲，本文的方法有一定的借鉴意义。进一步研究的内容将包括： ①遥感图像典型地物先验知识的系统性分类和规范性表达，用以推广本文方法； ②自动确定二分类层次数，即实现分类目标个数不确定的遥感图像的分割处理。

[1] 刘婧,李培军.结合结构和光谱特征的高分辨率影像分割方法[J].测绘学报,2014,43(5):466-473. Liu J,Li P J.A high resolution image segmentation method by combined structural and spectral characteristics[J].Acta Geodaetica et Cartographica Sinica,2014,43(5):466-473.

[2] Yuan J Y,Wang D L,Li R X.Remote sensing image segmentation by combining spectral and texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(1):16-24.

[3] 李珊,覃锡忠,贾振红,等.高分影像在改进的最优分割尺度下的多层次混合分类[J].激光杂志,2013,34(5):19-22. Li S,Qin X Z,Jia Z H,et al.A hybrid mutli-hierarchical classification based on an improved optimal segmentation parameter for high resolution remote sensing image[J].Laser Journal,2013,34(5):19-22.

[4] 张博,何彬彬.改进的分水岭变换算法在高分辨率遥感影像多尺度分割中的应用[J].地球信息科学学报,2014,16(1):142-150. Zhang B,He B B.Multi-scale segmentation of high-resolution remote sensing image based on improved watershed transformation[J].Journal of Geo-Information Science,2014,16(1):142-150.

[5] 陈杰,邓敏,肖鹏峰,等.利用小波变换的高分辨率多光谱遥感图像多尺度分水岭分割[J].遥感学报,2011,15(5):908-926. Chen J,Deng M,Xiao P F,et al.Multi-scale watershed segmentation of high-resolution multi-spectral remote sensing image using wavelet transform[J].Journal of Remote Sensing,2011,15(5):908-926.

[6] 陈杰,陈铁桥,刘慧敏,等.高分辨率遥感影像耕地分层提取方法[J].农业工程学报,2015,31(3):190-198. Chen J,Chen T Q,Liu H M,et al.Hierarchical extraction of farmland from high-resolution remote sensing imagery[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(3):190-198.

[7] 马浩然,赵天忠,曾怡.面向对象的最优分割尺度下多层次森林植被分类[J].东北林业大学学报,2014,42(9):52-57. Ma H R,Zhao T Z,Zeng Y.Object-based multi-level classification of forest vegetation on optimal segmentation scale[J].Journal of Northeast Forestry University,2014,42(9):52-57.

[8] Guo Y,Xiao D H,Zhao S L,et al.A new algorithm based on multi-scale morphology for image segmentation[C]//Proceedings of the 11th World Congress on Intelligent Control and Automation.Shenyang:IEEE,2014:5723-5726.

[9] Wang W C,Hua M.Extracting dominant textures in real time with multi-scale hue-saturation-intensity histograms[J].IEEE Transactions on Image Processing,2013,22(11):4237-4248.

[10]刘小丹,杨燊.基于蓝噪声理论的遥感图像森林植被纹理测量[J].国土资源遥感,2015,27(2):63-68,doi:10.6046/gtzyyg.2015.02.10. Liu X D,Yang S.Forest vegetation texture measurement of remote sensing images based on the blue noise theory[J].Remote Sensing for Land and Resources,2015,27(2):63-68,doi:10.6046/gtzyyg.2015.02.10.

[11]Yuan J Y,Wang D L,Li R X.Image segmentation using local spectral histograms and linear regression[J].Pattern Recognition Letters,2012,33(5):615-622.

[12]叶晓丽,何继淳.基于谱直方图和Kalman滤波的目标跟踪[J].计算机工程与设计,2010,31(6):1387-1389,1393. Ye X L,He J C.Object tracking based on spectral histogram and Kalman filter[J].Computer Engineering and Design,2010,31(6):1387-1389,1393.

[13]于欢,张树清,孔博,等.面向对象遥感影像分类的最优分割尺度选择研究[J].中国图象图形学报,2010,15(2):352-360. Yu H,Zhang S Q,Kong B,et al.Optimal segmentation scale selection for object-oriented remote sensing image classification[J].Journal of Image and Graphics,2010,15(2):352-360.

[14]刘兆祎,李鑫慧,沈润平,等.高分辨率遥感图像分割的最优尺度选择[J].计算机工程与应用,2014,50(6):144-147. Liu Z Y,Li X H,Shen R P,et al.Selection of the best segmentation scale in high-resolution image segmentation[J].Computer Engineering and Applications,2014,50(6):144-147.

[15]周雨薇,陈强,孙权森,等.结合暗通道原理和双边滤波的遥感图像增强[J].中国图象图形学报,2014,19(2):313-321. Zhou Y W,Chen Q,Sun Q S,et al.Remote sensing image enhancement based on dark channel prior and bilateral filtering[J].Journal of Image and Graphics,2014,19(2):313-321.

[16]杨学志,徐勇,方静,等.结合区域分割和双边滤波的图像去噪新算法[J].中国图象图形学报,2012,17(1):40-48. Yang X Z,Xu Y,Fang J,et al.New filter based on region segmentation and bilateral filtering[J].Journal of Image and Graphics,2012,17(1):40-48.

(责任编辑： 李瑜)

Hierarchical muti-scale vegetation segmentation of remote sensing image based on spectrum histogram

LIU Xiaodan，YU Ning，QIU Hongyuan

(CollegeofComputerandInformationTechnology，LiaoningNormalUniversity，Dalian116029，China)

Vegetation is an important kind of objects in remote sensing image segmentation, and vegetation fine-grained segmentation generally has three targets, i.e., arbor, shrub, grass and moss according to the scale. In view of the problem that single level multi-classification method can't make full use of the different scales of the texture of vegetation target so as to achieve more accurate multi-classification, the authors proposed a hierarchical multi-scale remote sensing image vegetation segmentation method based on spectral histogram. First, the vegetation areas in remote sensing images were extracted with the normalized difference vegetation index(NDVI), and then the multiple binary classification algorithm was implemented in the region to achieve multi-classification operation. At each classification level, the advantage of the prior knowledge and texture scale was taken to select texture filtering parameters, the spectrum histogram of each sub-block image was extracted from the filtering result to express texture features so as to achieve the segmentation of a level. The experimental results show that the proposed method uses the prior knowledge and texture scale of vegetation target at all levels, so that the texture filter is made to enhance treatment more targeted, the spectrum histogram feature has much more degree of differentiation, and the accuracy of the vegetation fine-grained segmentation has been improved significantly.

remote sensing image； vegetation segmentation； spectral histogram； multi-scale filtering

10.6046/gtzyyg.2017.02.12

刘小丹,于宁,邱红圆.基于谱直方图的遥感图像分层次多尺度植被分割[J].国土资源遥感,2017,29(2)：82-89.(Liu X D,Yu N,Qiu H Y.Hierarchical muti-scale vegetation segmentation of remote sensing image based on spectrum histogram[J].Remote Sensing for Land and Resources,2017,29(2)：82-89.)

2015-12-22；

2016-02-26

国家自然科学基金项目“适应空间信道传输的星载高光谱海岸带影像压缩编码研究”(编号： 41271422)和辽宁省教育厅自然科学基金项目“遥感图像多尺度植被分割技术研究”(编号： L2012379)共同资助。

刘小丹(1957-)，男，教授，主要从事数字图像处理和数字印刷技术方面的研究。Email： liuxiao8866@sina.com。

于宁(1990-)，女，硕士，主要研究方向为数字图像处理。Email： yuning_dreaming@163.com。

TP 79

A

1001-070X(2017)02-0082-08