一种面向对象的遥感影像多尺度分割方法

1、一种面向对象的遥感影像多尺度分割方法第31卷第4期2007年8月北京交通大学0FBEUINGJIAo1JGUNIVV01.31No.4文章编号:16730291(2007)040111-04一种面向对象的遥感影像多尺度分割方法谭衢霖,刘正军2,沈伟(1.北京交通大学土木建筑工程学院,北京100044;2.中国测绘科学研究院摄影测量与遥感所,北京100039)摘要:高分辨率遥感影像中丰富的空间结构信息和地理特征信息提取需要在多种不同的尺度下进行,而传统的基于像素光谱特征的影像分割和单尺度影像信息提取方法在这方面存在明显的缺陷.基于区域的面向对象影像分析方法,为高分辨率遥感影像信息提取提供了新的思

2、路,其关键的核心问题在于实现对高分辨率遥感影像的多尺度分割.本文提出了一种基于相邻影像区域合并异质性最小的面向对象多尺度分割算法.影像分割试验结果说明:该方法可以根据任意特定尺度下的影像分析任务或任意感兴趣尺度的地物目标,调整影像分割的尺度参数,从而获得特定尺度下感兴趣的影像区域(对象)作为后续面向对象影像分析和应用的根底.关键词:遥感影像;多尺度分割;面向对象中图分类号:TI53;P231;P237文献标志码:AAnAlgorithmfor0bject-OrientedMulti-ScaleRemoteSensingImageSegmentationTANQulin,L亿,Zheng-jun

3、,SHENWei(1.SchoolofCivilEngineeringandArchitecture,BeijingJiaotongUniversity,Beijing100044,China;2.InstituteofPhotogrammetryandRemoteSensing,ChineseAcademyofSurveyingandMapping,Beijing100039,China)Abstract:Inordertoutilizetherichscaledependentinformationcontainedinhighresolutionremotesensingimages,t

4、hegeoscienceapplicationsofremotesensingimageandgeographicalinformationextractionmustbecarriedoutundermultiscalecondition.Therefore.theconventiona1developedimagesegmentationmethodsforonlyonescalecantmeettheserequirements.Inthispaper,anobjectorientedmultiscaleimagesegmentationmethodisintroducedbasedon

5、minimumheterogeneitycriterionofneighbouringregiongrowing.Thisprocedurecaneasilyadaptitsscaleparametertodifferentscaleimageanalysistasksandanychosenscaleobjectextractionofinterest.Inaword,itcanprovideenormousobjectcharacteristicsforfurtherobjectorientedprocessingoranalysis.Keywords:remotesensingimage

6、,multiscalesegmentation,objectoriented遥感影像是地面景物及空间格局的反映,地面景物往往由众多的地物目标组成(如道路,房屋,耕地等).从影像上自动识别地物类型并精确量测地物形状及大小,是遥感影像信息提取和摄影测量研究中的热点和难点,也是最终由影像获取根底地理信息的关键问题.当前,尽管遥感影像数据的地面空间分辨率越来越高,甚至从影像上可以辨识行人,车辆和树木,但高分辨率遥感影像数据处理和信息提取方法却相对进展缓慢l1J.人工解译和判读仍然是普遍的工作方式,费时费力,成为制约高分辨率遥感影像广泛应用的主要瓶颈.因此,探索快速,高效的高分辨率影像数据处理与信息提取

7、方法,已成为当前收稿日期:20060906;修回日期:20070608基金工程:国家自然科学基金资助工程(40401037);北京交通大学校基金资助工程(2005SM036)作者简介:谭衙霖(1975一),男,江西宁都人,副教授,博士.email:qulintansina.c0m2北京交通大学第31卷遥感应用研究领域的一个重要研究课题.其中,对影像进行图像分割,提取出感兴趣的特定影像区域,是对影像中地物目标表示和测量的根底,也是实现从影像上进行地物目标计算机自动提取的第一步,是高分辨率遥感影像地物目标信息提取要研究的主要问题之一2一.1概述在计算机数字图像处理领域,影像分割一直是研究主题之一_

8、4J.国内外已经提出了许多数字图像分割算法,有些是全自动的,有些是半自动的.大致可把影像分割的方法分为两大类:一是自顶向下的方法(topdown),即知识驱动的方法(knowledgedrivenmethods);二是自底向上的方法(bottomup),即数据驱动的方法(datadrivenmethods).遥感数字影像中包含着极为丰富的地物信息,影像特征空间结构关系复杂.就高分辨率遥感影像而言,影像分割的困难主要表现为遥感影像中地物目标的多样性和复杂性.以建筑物提取为例,首先,其结构尺度往往是变化的;此外,建筑物与建筑物之间可能存在遮挡阴影的影响;再者,由于建筑材料的不同而导致光谱特征,纹理

9、特征存在差异.高分辨率遥感影像中不同尺度大小地物目标的纹理细节丰富而复杂,加之影像本身存在不同程度的畸变(如受太阳高度,大气散射,传感器性能等因素影响),决定了高分辨率遥感影像信息提取时数字图像处理的复杂性.一般情况下,基于传统的像元特征的分割程序并不能直接提取出希望得到的影像区域或感兴趣的地物目标J.因此,把经分割程序分割后所生成的影像区域作为最初的地物目标基元或影像对象更为适宜.这些基元或对象可以作为后续的进一步地物自动划分,表示与分类或图像分析应用的地物特征信息载体和根底,是真实世界地物目标的最初近似表示.从这个意义上来说,一个好的遥感影像分割算法是那些分割结果能够为下一步的处理与分析提

10、供地物目标最正确(优)特征信息的方法_5.这正是面向对象影像分析方法应用于遥感信息提取与目标识别的思路.面向对象方法的初衷之一是期望能提取出在形状和分类上与真实世界地物目标相符合的影像区域,或称影像对象.与传统的图像处理与分析方法相比,面向对象图像分析的根本处理单元不是单个的像素,而是影像分割后提取的影像对象.它的最大特点是基于影像对象可生成大量的地物新信息.相对于单个像素,均质的影像对象提供了除色调(光谱)特征外,还有形状,纹理,拓扑,上下文和尺度相关特征等语义信息.利用这些信息,可使地物目标分类识别更加详细,准确.最重要的是面向对象遥感影像的分析方法,使处理遥感影像中包含的语义信息成为可能

11、,而且十分方便.因为理解影像所需的语义信息,总是存在于有意义的影像对象及它们之间的相互关系中.大多数已开展的分割算法无视了影像分析任务中语义信息的使用,主要是因为基于传统的像元特征的方法很难甚至不可能描述遥感影像的语义特征信息.而语义信息在大多数情况下对于成功地应用高分辨率遥感影像是需要考虑处理的_5_5.因此,面向对象的思路是一种适合于高分辨率遥感影像信息提取的一种较好的方法.面向对象的影像分析与应用的根底工作是提取影像对象,即首先需要分割程序能提取出在形状和范围上与真实世界地物目标相符合的影像区域(影像对象).由于高分辨率遥感影像中包含的不同尺寸大小的地物目标及不同层次的空间结构差异需要在

12、不同的尺度下反映,显然,仅在单一尺度或某一特定空间分辨率下进行遥感影像信息提取,很难充分全面反映不同尺度下的地物目标与空问格局.换句话说,高分辨率遥感影像中丰富的地物目标与空间语义信息必须在多尺度下才能充分表达和描述.因此,开展的面向对象遥感影像分割算法必须满足可以提取多种不同尺度的影像区域或对象的需要,或者说,面向对象的影像分析关键在于开展多尺度的影像分割算法.由于尺度变化不可能通过改变影像的分辨率来实现,因此,实现多尺度分割提取影像区域的一种可行方法是对同一影像在不同的指定尺度下进行屡次分割,从而将高分辨率遥感影像中丰富的不同尺度的地物与空间结构特征信息借助不同指定尺度下的分割结果予以表现

13、和描述.所以,多尺度分割算法的目标是:在指定的与感兴趣的地物目标或空间结构特征相对应的尺度下,将影像分割成高同质的,互相连结的不同影像区域,与感兴趣的地物目标或空间结构特征相对应.2算法图像分割本质上是将一幅M×N阵列的数字图像划分为假设干个互不交叠区域的过程.多尺度分割算法首先应该保证能生成高度同质性(或异质性最小)的影像分割区域(影像对象),从而适于最正确别离和表示地物目标.在某指定的尺度下分割时,采用自单像元大小的区域开始,相邻影像区域两两合并增长的方法.影像区域同质性可以通过异质性的第4期谭衢霖等:一种面向对象的遥感影像多尺度分割方法计算来表达.2.1异质性计算图像区域的异质

14、性厂包含光谱异质性和形状异质性两方面,其计算式为f=Wlx+(1一W1)Y(1)式中,叫1为权值,0叫11;37,为光谱异质性;Y为形状异质性.37,Y的计算采用37,=PC7i(2)Y=W2+(1一W2)73(3)式中,为第i影像层光谱值的标准差;P为第i影像层的权;为影像区域整体紧密度;73为影像区域边界平滑度;叫2为权值,0叫21.,73的计算式为=E/(4)73=E/L(5)式中,E为影像区域实际的边界长度;N为影像区域的像元总数;L为包含影像区域范围的矩形边界总长度.当合并相邻的两个小影像区域时,合并新生成的更大影像区域的异质性厂计算式为厂=叫1Iz+(1一叫1)Y(6)式中,-z,

15、分别为合并新生成的更大影像区域的光谱异质性和形状异质性-z=(N一(N1+N2;)(7)Y=叫2+(1一叫2)(8)式中,N,分别为合并新生成的更大影像区域的像元总数和其所在i影像层光谱值的标准差;N1,分别为合并前相邻影像区域1的像元总数和其所在i影像层光谱值的标准差;N2,2分别为合并前相邻影像区域2的像元总数和其所在i影像层光谱值的标准差.和的计算分别为一【N(9)=N一(N鲁+N2E2)(10)式中,E,L分别为合并新生成的更大影像区域的实际边界长度和包含该新生成影像区域范围的矩形边界总长度;E】,L1分别为合并前的相邻影像区域1的实际边界长度和包含该影像区域范围的矩形边界总长度;E2

16、,L2分别为合并前的相邻影像区域2的实际边界长度和包含该影像区域范围的矩形边界总长度.2.2处理步骤采用自底向上的区域增长方法,也即数据驱动方法对影像进行完全的分割.具体策略为:从单像素大小的影像区域(对象)开始,在全图范围内,把相邻的小影像区域逐步合并为更大的影像区域.在每一步合并处理步骤中,基于新生成的更大影像区域局部异质性最小进行相邻影像区域的合并,处理流程如图1.当新生成的更大影像区域异质性大于由尺度参数定义的阈值时,合并过程将终止,程序完成影像分割.尺度参数可根据所要提取的感兴趣地物目标或空间结构的大小范围在影像上所占的像元数来确定.尺度参数越小,程序合并过程执行得越少,程序分割最终

17、生成的影像对象区域也越小,即生成的影像对象尺寸大小将随着尺度参数增大而增大.图1基于异质性最小多尺度分割算法流程图Fig.1Flowchartofmultiscalesegmentationbasedonminimumheterogeneity因此,尺度参数与生成的分割区域尺度大小紧密相关.调整尺度参数的大小,可间接地影响生成的影像对象大小.大的尺度参数对应生成大的影像对象;小的尺度参数对应生成小的影像对象.分割程序执行中,除设置尺度参数控制的阈值外,还可以通过4北京交通大学第31卷设置每个影像层的权值,光谱(颜色),形状异质性计算的权值,紧密度和平滑度的权值等参数来控制分割算法的分割结果.实

18、际上,分割程序可以简单理解为是一个使生成的影像区域(对象)的加权异质性最小化的局部最优化过程.3试验与分析图2是采用基于异质性最小的多尺度分割算法在一高分辨率试验遥感影像上分割的结果.图2(a)为分割前的影像图,图2(b),(c),(d)是在形状,紧密度,平滑度等控制参数相同的情况下,设置不同的尺度参数进行分割的结果.从图2中可看出,尺度参数设置越小,所得到的影像对象也就越小.如小影像区域是感兴趣的目标,在执行多尺度分割方法时可采用较小的尺度参数,从而主要提取平均尺寸较小的影像对象目标.同一遥感影像,可以进行屡次任意指定不同尺度参数的面向对象分割,从而创立多个不同尺度下的影像对象层.根据所提取

19、地物目标的不同尺度,可以在对应的不同尺度影像对象层上进行相应的信息提取工作.如在图2(c)分割影像对象层中,可以对建筑物和植被进行提取.在图2(d)的分割影像对象层中,可以对道路目标进行提取.(b)分刮影像(Y4瞍参数为3O)(c)分割影像(度参数为150)(d)分割影像(尺度爹数为300)图2遥感影像的多尺度分割结果Fig.2Multiscalesegmentationresultsdr-notesensingdata图3为在尺度参数一定的情况下,对同样的遥感影像设置不同的形状,紧密度,平滑度等参数进行分割的结果.在形状参数,颜色参数,致密度,平滑度均为0.5时,最适合建筑物和植被的提取.从

20、图3可以看出,选择何种分割参数组合,取决于所要提取的不同类型地物目标的光谱与形状特征.改变其中任何一个参数将会得到不同的结果,通过实验比拟,可以选择最正确的参数组合来进行分割,从而提取出感兴趣尺度下的相应大小尺寸的地物目标.如本次高分辨率遥感影像分割处理试验中,当发现尺度参数为300,形状参数为0.1,颜色参数为0.9,紧密度为0.7,平滑度为0.3时,适合提取道路目标.(a)形念参数05,颜色参数0.5(b)形态参数0.1,颜色参数0.9紧密度0.5,平滑度0.5紧密度0.5,甲滑度0.5(C)形态参数0.5,颜色参数0.5(d)形态参数0.5,颜色参数0.5紧密度08,平滑度02紧密度0.

21、2,平滑度0.8图3不同参数设置分割结果图(尺度参数150)Fig.3Multiscalesegmentationresultsunderdifferentparameters(scale=150)4结论面向对象的影像分析,关键在于开展多尺度的影像分割算法.由于尺度变化不可能通过改变影像的分辨率来实现,因此,实现多尺度分割提取影像区域的可行方法是对同一影像在不同的指定尺度下进行屡次分割,从而将遥感影像中丰富的不同尺度的地物与空间结构特征信息,借助不同指定尺度下的分割结果予以表现和描述.本文提出的基于局部相邻区域合并异质性最小的多尺度分割算法,经试验,可以在任意指定的感兴趣尺度下,生成相应尺度下

22、影像区域作为影像对象,为面向对象的遥感影像分析与地物目标提取提供根底.高分辨率遥感影像中丰富的地物目标与空间语义信息必须在多尺度下才能充分表达和描述,因此,本算法对于高分辨率遥感影像的数据处理与信息提取具有一定的实用意义.(下转第119页)第4期虞育松等:燃烧室形状对直喷柴油机燃烧性能影响的三维数值模拟1193结论(1)对于特定的燃烧室类型,燃烧室口径与指示功率之间存在单峰或双峰的关系.(2)直口类型燃烧室的最高指示功率将低于缩口型燃烧室最高指示功率,这与直口燃烧室不能形成强度足够的纵向涡流有关.(3)直口燃烧室的喷束贯穿距离大于缩口型燃烧室,其喷束的远近锥角均小于缩口型燃烧室,这与喷孔附近流

23、场对喷束的扰动强弱有关.(4)直口燃烧室的火焰最高温度高于缩口型燃烧室,不利于控制排放,这是由于燃烧最高温度及燃烧反响区的分布与油气混合,油气分布以及缸内流场的关系密切.参考文献:1NoboruHikosaka.车用柴油机未来展望J.国外内燃机,1999(4):337.NoboruHikosaka.ProspectoftheVehicleDieselEngineJ.OverseasInternalCombustionEngine,1999(4):337.(inChinese)2何旭,高希彦,刘卫国.燃烧室形状对缸内气流运动影(上接第114页),参考文献:1林辉,何安国,李际平.高分辨率遥感及其

24、应用M.长沙:中南大学出版社,2004:510.LinHui,HeAn-guo,LiJiping.HighResolutionRemoteSensingandApplicationM.Changsha:CentralSouthUniversityPress,2004:510.(inChinese)2KennethRCastlmn.数字图像处理M.朱志刚,林学阎,石定机,等译.北京:电子工业出版社,2002:375410.KennethRCastleman.DigitalImageRocessingCastlmanMJ.ZhuZhigang,LinXue-yin,ShiIng-ji,etalTr

25、ans1.Beijing:ElectronicEngineeringPress,2002:375410.(in响的数值模拟J.车用发动机,2005(3):812.HeXu,GaoXiyan,LiuWeiguo.SimulationoftheEffectsofCombustionChamberGeometryonInCylinderFl0wJ.VehicleEngine,2005(3):812.(inChinese)3马贵阳.内燃机缸内湍流流动的数值模拟D.大连:大连理工大学,2001.MaGuiyang.SimulationofTurbulenceFlowinInternalCombustionEngineD.Dalian:DalianUniversityofTechnology,2001.(inChinese)4PemtiTaskinen.SimulationofCo