使用MeanShift算法進(jìn)行鼓浪嶼地區(qū)的高分辨率遙感影像分割

摘 要：隨著空間技術(shù)的發(fā)展，獲取高分辨率遙感影像越來越容易，由于高分辨率遙感影像具有豐富的地物細(xì)節(jié)，因此是地物信息提取的重要數(shù)據(jù)源。使用面向?qū)ο蟮姆椒ㄟM(jìn)行高分辨率遙感影像信息提取相比基于像素的方法具有更好的效果，而面向?qū)ο蠓治龅那疤崾怯跋穹指睿虼宋恼轮匮芯扛叻直媛蔬b感影像分割的問題。文章首先介紹一些影像分割的背景知識，然后對Mean Shift算法的原理進(jìn)行介紹，通過VC編程，實(shí)現(xiàn)Mean Shift算法，最后采用鼓浪嶼地區(qū)的高分辨率遙感影像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，Mean Shift是一種較優(yōu)秀的影像分割算法，能夠?qū)⒐睦藥Z島上的一些建筑物以及景點(diǎn)植被等分隔開，分割結(jié)果可以為后期進(jìn)行面向?qū)ο蟮挠跋穹诸惢蛘咦兓瘷z測等提供良好的數(shù)據(jù)基礎(chǔ)。

關(guān)鍵詞：Mean Shift；高分辨率；遙感影像；影像分割；鼓浪嶼

1 引言

遙感作為一種對地觀測的手段現(xiàn)在已經(jīng)得到了廣泛的重視，近十多年來，隨著高分辨率遙感衛(wèi)星的發(fā)射以及商業(yè)化，使用高分辨率遙感衛(wèi)星進(jìn)行地表信息的獲取已經(jīng)得到廣泛的應(yīng)用。能夠利用遙感影像進(jìn)行地表信息自動(dòng)提取是許多遙感工作者的夢想，按照處理的單元可以分為基于像素的方法和基于對象的方法，而對于高分辨率遙感影像而言，現(xiàn)有的研究成果表明基于對象的方法能夠得到更優(yōu)的結(jié)果。進(jìn)行影像的面相對象分析的前提是獲取對象，一般是通過影像分割的方式來進(jìn)行對象的獲取。

圖像分割就是指把圖像分成各具特性的區(qū)域并提取感興趣的目標(biāo)的技術(shù)和過程，這里的特性可以是像素的灰度、顏色、紋理等，預(yù)先定義的目標(biāo)可以對應(yīng)單個(gè)區(qū)域，也可以對應(yīng)多個(gè)區(qū)域[1]。圖像分割的目的是簡化或者改變圖像的表示方式使圖像更容易理解和分析，準(zhǔn)確的說就是對圖像上每個(gè)像素設(shè)定一個(gè)標(biāo)記，使具有相同視覺特征的像素?fù)碛邢嗤臉?biāo)記。圖像分割的結(jié)果是一組覆蓋整幅圖像的對象的集合，或者是一組從圖像中提取的輪廓的集合。對象中的每個(gè)像素在某些特征上是相似的，比如顏色、強(qiáng)度或紋理，而相鄰對象的像素在這些特征上是完全不同的[2]。

遙感影像分割是進(jìn)行遙感信息提取、面向?qū)ο蠓治龅年P(guān)鍵技術(shù)基礎(chǔ)之一，指的是將遙感影像中特定的，具有獨(dú)特性質(zhì)的區(qū)域與周圍的區(qū)域分離出來的技術(shù)和過程。

隨著航天技術(shù)和空間傳感器的發(fā)展，遙感影像的空間分辨率越來越高，高分辨率遙感影像能夠反映更多的地物細(xì)節(jié)，但同時(shí)，由于其細(xì)節(jié)信息過于豐富，使得細(xì)小目標(biāo)、陰影等干擾因素的影響愈加突出，給影像的處理和信息的自動(dòng)提取帶來了困難。相比于中低分辨率的遙感影像，高分辨率遙感影像存在著更為嚴(yán)重的同物異譜和同譜異物的現(xiàn)象，利用傳統(tǒng)的一些算法很難勝任高分辨率遙感影像的處理。

由于地物的紋理，形狀、拓?fù)潢P(guān)系等空間特征本質(zhì)上均屬于區(qū)域級的特征，在影像分割獲得的同質(zhì)區(qū)域內(nèi)提取特征顯然要比在任意指定的方形窗口內(nèi)提取特征更具合理性。近些年來，面向?qū)ο螅▍^(qū)域）的高分辨率遙感影像分析受到了關(guān)注，關(guān)于這方面的研究也是目前高分辨率遙感影像分析的研究熱點(diǎn)之一。因此，影像分割成為高分辨率遙感影像計(jì)算機(jī)自動(dòng)解譯的首要處理步驟，也成為高分辨率影像地物信息提取的重要研究內(nèi)容[3]。

Mean Shift算法是一種基于非參數(shù)概率密度梯度估計(jì)的迭代聚類過程，并且證明具有較好的算法收斂性，廣泛應(yīng)用于聚類分析、跟蹤、圖像分割，圖像平滑、濾波、圖像邊緣提取和信息融合等方面。該算法完全依靠空間中的樣本點(diǎn)進(jìn)行分析，不需要先驗(yàn)知識，對不同結(jié)構(gòu)的數(shù)據(jù)具有較好的適應(yīng)性和穩(wěn)健性。因此，采用Mean Shift算法進(jìn)行高分辨率遙感影像分割，能夠具有較高的自動(dòng)程度和穩(wěn)健、良好的結(jié)果。

本文首先介紹Mean Shift原理，然后使用鼓浪嶼的高分辨率遙感影像進(jìn)行試驗(yàn)并分析，最后進(jìn)行總結(jié)和展望。

2 Mean Shift算法原理

Mean Shift算法具有較好的分割效果，但也比較復(fù)雜，在實(shí)際應(yīng)用中要根據(jù)具體的情況，設(shè)定對應(yīng)的算法參數(shù)。對分割結(jié)果影響比較大的參數(shù)是帶寬參數(shù)和尺度參數(shù)，尺度參數(shù)即上文提到的最小區(qū)域像素個(gè)數(shù)。帶寬參數(shù)就是公式（2.2）中的h，進(jìn)行分割的時(shí)候，將帶寬分為波譜帶寬和空間格網(wǎng)帶寬，則帶寬h對應(yīng)公式（2.3）中的hr和hs。帶寬參數(shù)是最重要的分割參數(shù)，帶寬參數(shù)的選取，對分割結(jié)果的影響比較大，應(yīng)根據(jù)影像中地物的尺度和分割的目的進(jìn)行選取，已有學(xué)者對帶寬的自適應(yīng)選取進(jìn)行了研究，但本文暫時(shí)還是采取人工設(shè)定參數(shù)值的方法。

尺度參數(shù)就是根據(jù)分割的目的和影像中地物尺度的大小進(jìn)行設(shè)定，當(dāng)小于該值的區(qū)域，將被合并到周圍與其在灰度最相近的區(qū)域中。

在進(jìn)行算法實(shí)驗(yàn)的時(shí)候，采用hr用sigmaR表示，尺度參數(shù)區(qū)域最小像素個(gè)數(shù)用 minRegion表示，分割結(jié)果如圖3所示。

從圖3可以看出，Mean Shift算法可以得到較好的分割結(jié)果，但需要注意的是Mean Shift算法是假設(shè)特征空間是歐式空間，而采用的影像具有3個(gè)波段，因此進(jìn)行實(shí)驗(yàn)的時(shí)候是將3個(gè)波段從RGB空間轉(zhuǎn)換到LUV空間。從圖上可以看出，隨著sigmaR的增加，區(qū)域的個(gè)數(shù)是減少的，也就是每個(gè)區(qū)域所包含的波譜空間范圍增大；隨著minRegion的增加，區(qū)域個(gè)數(shù)也是減少的，就是要求每個(gè)區(qū)域的最小像素個(gè)數(shù)增加，小區(qū)域就變少，總的區(qū)域個(gè)數(shù)也就減少。在具體應(yīng)用的時(shí)候，可以根據(jù)輸入的影像設(shè)置相應(yīng)的參數(shù)，當(dāng)然也可以根據(jù)不同的應(yīng)用目的調(diào)整參數(shù)。

4 結(jié)論與展望

本文首先介紹高分辨率遙感影像的背景和影像分割的研究現(xiàn)狀，決定采用Mean Shift算法進(jìn)行影像分割。接著對Mean Shift算法的原理進(jìn)行介紹，說明Mean Shift算法進(jìn)行影像分割的步驟，并分析高分辨率遙感影像的特點(diǎn)。在實(shí)驗(yàn)部分，本文采用Mean Shift不同的參數(shù)進(jìn)行了分割試驗(yàn)，并對分割試驗(yàn)結(jié)果進(jìn)行分析，指出可以根據(jù)不同的輸入數(shù)據(jù)或者不同的應(yīng)用目的調(diào)整相應(yīng)的參數(shù)，當(dāng)然，一般情況下Mean Shift算法都可以得到較好的分割結(jié)果。

本文中還存在一些不足，將在以后的工作中進(jìn)行完善，主要有：

Mean Shift算法的帶寬的自適應(yīng)選取，帶寬是進(jìn)行影像的Mean Shift分割的一個(gè)重要參數(shù)，帶寬的選取對分割的結(jié)果影響比較大。

尺度參數(shù)（最小區(qū)域個(gè)數(shù)）的選取，尺度參數(shù)的選取要根據(jù)影像中地物的尺度進(jìn)行選取，但是對于影像中地物比較復(fù)雜的情況，如何對尺度參數(shù)進(jìn)行自適應(yīng)選取，這也是一個(gè)關(guān)鍵問題，而且本文中采用的是地物的面積來衡量地物的尺度，相對來說這種衡量方法是比較粗糙的，地物尺度應(yīng)如何衡量，是一個(gè)待解決的問題。

分割的評價(jià)本文只是通過目視判讀進(jìn)行，在今后的研究工作中需要進(jìn)行深入研究。

高分辨率遙感影像一般數(shù)據(jù)量比較大，如何進(jìn)行分塊分割以及分割后處理，也需要在今后進(jìn)行深入研究。

參考文獻(xiàn)

[1]章毓晉； 圖象分割[M]； 北京： 科學(xué)出版社， 2001.

[2]李揚(yáng)； 基于遙感影像聯(lián)合分割的對象級變化檢測[D]； 武漢大學(xué)，2010

[3]王雷光，鄭晨，林立宇，陳榮元，梅天燦；基于多尺度均值漂移的高分辨率遙感影像快速分割方法[J]；光譜學(xué)與光譜分析，2011年1月，Vol.31， No.1， pp.177-183

[4]K.Fukunaga and L.D Hostetler， \"The Estimation of the Gradient of a Density Function， with Applications in Pattern Recognition\"[J]. IEEE Trans. Information Theory， vol. 21， pp.32-40， 1975.

[5]Y.Cheng， \"Mean Shift， Mode Seeking， and Clustering\"[J]； IEEE Trans. Pattern Analysis and Machine Intelligence， vol 17 no.8， pp.790-799， Aug.1995.

[6]Comaniciu， D and Meer， P， \"Mean shift： A robust approach toward feature space analysis\"[J]， IEEE Trans. on Pattern Analysis and Machine Intelligence， 2002， 24（5）， pp. 603-619.

[7]Comaniciu D.， Meer P. Mean Shift analysis and application[A]. In Proceedings of the Seventh IEEE International Conference. Computer Vision. 1999

[8]Comaniciu D.， Meer P. Robust Analysis of Feature Spaces： Color Image Segmentation[A]. In Proc. 1997 IEEE conf. Computer Vision and Pattern Recognition

[9]Comaniciu D.， Ramesh V.， Meer P. Real-time tracking of non-rigid objects using Mean Shift[A]. In Computer Vision and Pattern Recognition， 2000. Proceedings. IEEE Conference 2000

[10]Comaniciu， D.； Meer， P.； Mean shift analysis and applications[A]； Computer Vision， 1999. The Proceedings of the Seventh IEEE International Conference on； 1999 ， vol.2 Page（s）： 1197-1203

[11]鄧書斌. ENVI遙感圖像處理方法[M]. 北京： 科學(xué)出版社， 2010.

[12]舒寧， 馬洪超，孫和利； 模式識別的理論與方法[M]；武漢：武漢大學(xué)出版社，2004.

作者簡介：方磊，男，助理實(shí)驗(yàn)師，1983年出生，碩士研究生，目前從事GIS方面實(shí)踐教學(xué)工作。