多尺度分割技术在高分辨率遥感影像中的应用

刘毅飞

摘 要：近年来，多尺度分割技术在高分辨率遥感影像中得到了广泛应用。因此，本文详细分析了多尺度分割技术的使用背景、概念和技术原理，研究了改进的多尺度分割技术和最优尺度的确定方法。

关键词：高分辨率遥感影像;多尺度分割技术;最优分割尺度

中图分类号：P237文献标识码：A文章编号：1003-5168（2020）23-0025-02

Abstract： In recent years， multi-scale segmentation technology has been widely used in high-resolution remote sensing images. Therefore， this paper analyzed in detail the background， concepts and technical principles of the multi-scale segmentation technology， and studied the improved multi-scale segmentation technology and the method for determining the optimal scale.

Keywords： high-resolution remote sensing image;multi-scale segmentation technology;optimal segmentation scale

近年來，遥感技术发展迅速，影像分辨率得到显著提高，人们可以更加清楚地了解地表信息。高分辨率遥感影像处理技术得到人们的广泛关注[1]。但是，高分辨率遥感影像数据量明显，同一地物的不同灰度可能不一致，地理空间过程具有尺度依赖性[2]。高分辨率遥感影像的特殊特点使得传统的基于像元的分类方法不能满足高分辨率影像分类要求[3]。现阶段，面向对象的分类方法在高分辨率遥感影像领域中应用最多。该方法的优点是分类精度高，传统方法中的“椒盐现象”“同物异谱”“异物同谱”现象对分类精度的影响有效降低[4-5]。

本文谈及的尺度是对空间格局和过程的描述。地表空间影像复杂，基元是其重要的组成部分，不同基元之间关系复杂，它们不是单纯的线性关系。另外，地表空间影像具有层次结构，每一层都有与之对应的时空尺度。因此，对地物进行信息提取的关键在于进行多尺度分析[6]。

1 多尺度分割技术

1.1 多尺度分割技术的原理

在多尺度分割技术中，保证分割后对象间的异质性达到最大最为关键[7]，该技术根据影像特征，选择一个合适的阈值进行分割，然后合并分割过程中产生的相似光谱信息。在多尺度分割过程中，影像更容易分割，分割的影像范围更加精确。因地物影像复杂且层次结构鲜明，影像观察建立在不同的尺度上，所以若要更加全面地反映对象特征，多尺度分割技术必不可少。

1.2 多尺度分割算法

在运用多尺度分割技术时，合并算法的选择至关重要，异质性最小的区域合并算法目前应用最为广泛[8]。在区域合并算法中，像元首先被合并为较小的影像对象，影像对象继续合并形成多边形对象。通过不断合并，各影像的平均异质性达到最小。在分割过程中，需要注意的是合并的准则和合并停止的标准，该标准的设立是为了将对象内部的同质性和对象间的异质性两者统一起来。合理的标准设定显著影响分割后影像的有效性，可以显著地提高分类精度。

在多尺度分割中，需要遵循的原则是影像对象权重异质性最小。其间必须考虑光谱因子与形状因子，因为它们可以保证权重异质性最小[9]。

通过光谱异质性和形状异质性度量准则综合确定的尺度参数将用于量测对象间异质性改变的最大值。利用此值作为判断合并与否的标准，若该值的平方小于异质性的值，则停止合并。分割时，光谱因子权值和形状因子的使用要根据具体情况而定。例如，尽量地将光谱因子权值调大;形状因子可以显著反映那些聚集度较高的影响。影像分割何时停止的标准由尺度决定，需要重点结合对影响分析感兴趣的类别属性。

目前，为了获得更加清楚的地貌信息，学者对多尺度分割算法进行了大量研究，从区域合并的准则出发，优化原有算法。吕剑锋[10]从KL散度原理的角度出发，改进多尺度分割算法。改进的方法提高了分割率，能准确识别地物信息，由此可见，该方法地物识别效果好。王更[11]引入能够更好评估区域纹理特性的颜色-纹理模型对传统的Mean-shift分割算法进行改进。该算法的最大特点是利用引进的区域纹理模型计算同质性，分割时依然采用Mean-shift分割算法，改进合并代价函数进行合并。

2 最优分割尺度的选择

在多尺度分割技术中，最优分割尺度十分重要，选择最优的分割尺度可以保证信息提取的精度[12]。常用的最优尺度选择方法有三种，包括均质方差法、最大面积法和同质指数与异质指数法。

2.1 均质方差法

在均质方差法中，均质方差作为衡量最优分割尺度的标准。均质方差取值的大小决定着影像层中的纯对象和对象间的光谱异质性。均质方差取值越大，影像分割精度越高。对象间最优分割尺度为均质方差的最大值。最优分割尺度的确定通过均质方差曲线图就可确定，具体操作如下：在坐标轴中标明均值方差值和最优分割尺度，观察对象均值方差与分割尺度的变化规律，均质方差最大时的分割尺度为最优分割尺度。

2.2 最大面积法

很多学者利用最大面积法对地物的分割尺度进行计算，分割结果也较为理想。面积即为组成对象的像元数和像元分辨率的乘积。面积进一步细分，分为最小对象面积、最大对象面积和整个影像的对象平均面积，最优分割尺度即为最大对象面积。同样地，以对象的最大面积和最优分割尺度为轴进行绘制，观察曲线的变化形态，结合有关规律得出最优分割尺度。

2.3 同质指数与异质指数法

同质指数与异质指数法用于比较分割结果的准确性。基于Definiens软件分割后层间的光滑度和紧致度，人们提出了该方法并进行了有关试验，将其作为影像分割是否达到最优分割尺度的判断方法。其间可以利用相应软件计算相关参数，可以选用的软件为Definiens软件和Arc GIS软件[13-14]。

3 结语

在高分辨率遥感影像中，多尺度分割技术的应用极大地提升了影像分类与提取效果，影像提取变得更加准确便捷。多尺度分割技术应用广泛，各種数据都可以采用，它可以同时处理多波段多通道的数据。该方法有效整合各种算法的优势，影像分类更加精准，已成为影像分割算法研究领域中一种新兴的优化方法。在多尺度分割技术中，最优分割尺度的选择十分关键，是衡量当前像元是否合并到相邻影像对象上的基本标准。所以，根据不同地物空间信息和背景信息，如何确定和优化分割尺度参数得到越来越多的关注和研究。因此，最优分割参数的选取将成为影响后续分类提取结果和决定整个方法优劣成败的关键，多尺度分割技术将在高分辨遥感影像中得到更广泛的应用。

参考文献：

[1]朱光良.IKONOS等高分辨率遥感技术的发展与应用分析[J].地球信息科学学报，2012（3）：108-110.

[2]陈忠.高分辨率遥感图像分类技术研究[D].北京：中国科学院研究生院（遥感应用研究所），2006.

[3]韦玉春，汤国安，杨昕.遥感数字图像处理教程[M].北京：科学出版社，2007.

[4]周春艳.面向对象的高分辨率遥感影像信息提取技术[D].青岛：山东科技大学，2006.

[5]黄志坚.面向对象影像分析中的多尺度方法研究[D].长沙：国防科学技术大学，2014.

[6]孙波中.多尺度分割技术在高分辨率影像信息提取中的应用研究[D].西安：西安科技大学，2011.

[7]王鹏伟.基于多尺度理论的图像分割方法研究[D].合肥：中国科学技术大学，2007.

[8]李敏，崔世勇，李成名，等.面向对象的高分辨率遥感影像信息提取：以耕地提取为例[J].遥感信息，2008（6）：63-66.

[9]肖明尧，李雄飞，张小利，等.基于多尺度的区域生长的图像分割算法[J].吉林大学学报（工学版），2017（5）：1591-1597.

[10]吕剑峰.高分辨率遥感影像多尺度分割方法研究[D].阜新：辽宁工程技术大学，2014.

[11]王更.高分辨率遥感影像多尺度分割算法研究与应用[D].徐州：中国矿业大学，2016.

[12]鲍蕾，张志，刘亚林.基于最佳尺度的武汉市土地覆盖景观格局分析[J].湖北大学学报（自然科学版），2009（2）：98-102.

[13]苏簪铀，邱炳文，陈崇成.基于面向对象分类技术的景观信息提取研究[J].遥感信息，2009（2）：42-46.

[14]童磊，邹峥嵘.基于高分辨率卫星影像的城市用地信息提取研究[J].测绘与空间地理信息，2009（2）：135-137.