基于多特征的高分遙感圖像分割算法研究

金永濤，李旭青，張周威，陳曦

1.北華航天工業學院，廊坊 065000 2.中國科學院遙感與數字地球研究所，北京 100094 3.河北省航天遙感信息處理與應用協同創新中心，廊坊 065000 4.河北省航天遙感信息工程技術研究中心，廊坊 065000

基于多特征的高分遙感圖像分割算法研究

金永濤1,3,4，李旭青1,3,4，張周威2，陳曦1

1.北華航天工業學院，廊坊 065000 2.中國科學院遙感與數字地球研究所，北京 100094 3.河北省航天遙感信息處理與應用協同創新中心，廊坊 065000 4.河北省航天遙感信息工程技術研究中心，廊坊 065000

針對傳統的圖像分割算法不能完全適用具有多種特征(光譜特征、紋理特征和幾何特征)的高分辨率遙感圖像的問題，提出了一種基于多特征的遙感圖像分割算法。算法基于改進的均值漂移濾波和自動標記分水嶺分割方法來實現最終分割。首先利用自動標記分水嶺分割方法對遙感圖像進行分割，進而采用仿射不變矩形狀特征算子提取圖像幾何特征；其次對圖像進行主成分分析，計算第一主成分灰度共生矩陣，分析矩陣特性得出紋理特征；然后結合光譜特征通過改進的均值漂移方法得到多特征濾波結果；最后利用分水嶺分割方法實現高分辨率遙感圖像分割。為了表明算法的分割效果，利用基于多光譜信息熵方法對算法和單一的分水嶺分割方法進行非監督評價。研究結果表明，算法可較好地改善遙感圖像的過分割問題，是一種適合高空間分辨率多光譜遙感圖像的分割算法。

均值漂移；多特征；分水嶺；高分辨率遙感圖像；圖像分割

隨著衛星遙感技術的發展，衛星遙感數據的空間分辨率越來越高，使得其包含的地物空間信息越來越豐富，如紋理、幾何信息等，為遙感圖像目標識別和特征提取的技術創新提出了新需求。之前普遍使用的基于像素的分類方法已不能滿足高空間分辨率遙感圖像分類需要，逐漸被面向對象的遙感圖像分析技術所代替。圖像分割作為面向對象遙感圖像分析技術的重要環節，也得到了關注和研究。高分辨率遙感圖像分割技術來源于圖像處理領域的相關算法，但是由于地表覆蓋類型的復雜，使得圖像處理領域的算法不能有效地應用于高分辨率遙感圖像分割應用中。

學者們已經提出了多種圖像分割方法。如Baatz和Schape提出的分形網絡演化方法(Fractal Net Evolution Approach，FNEA)[1]，并應用于高分辨率遙感圖像多尺度分割[2]，最終集成于商業遙感分類軟件易康(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]將該方法引入到圖像處理和計算機視覺領域；此外還有區域增長方法[5-6]、區域合并方法[7]、分水嶺分割方法[8-10]和均值漂移分割算法[11-12]。上述分割方法大多數僅利用圖像中的光譜信息，然而高分辨率遙感圖像中有著相似光譜特征的對象(如城市中相鄰的建筑和街道)是不能僅憑光譜信息區分的。所以，如何有效地利用圖像中的空間信息如紋理信息、結構信息、形狀信息對圖像進行分割已經成為現在的研究熱點。

均值漂移分割算法最早由Fukunaga等人提出，此后很久才得以廣泛應用。分割流程為基于空間與顏色域的均值濾波，進而對圖像分割。通過色度空間變換實現特征空間的分離，或者利用小波多尺度分析，借助均值漂移聚類突出紋理內部和紋理交接處的差異，對分割進行優化[13]。均值漂移濾波結果保留了準確的邊緣信息，同時也造成了分割結果中的邊緣處會產生大量細碎的對象，因此經常被作為一種初始分割結果，然后進行分割后處理將細碎小塊進行合并。

分水嶺分割原算法的分割結果也因為局部極小值的存在而出現破碎現象，因此學者們借助強制極小值技術、尺度參數控制等方法來優化該算法。盡管如此，由于該方法是以灰度數學形態學為基礎，所以容易造成邊緣信息的損失，在分割結果中，區域邊界與真實邊界會有移位現象出現。由此，本文提出結合均值漂移濾波和分水嶺分割來完成高分辨率遙感圖像分割的方法。

此外，均值漂移分割算法在遙感圖像分割應用中，多為對三波段合成假彩色后的RGB/LUV彩色空間進行變換，對光譜信息利用不充分。提出的均值漂移-分水嶺分割一體化算法充分考慮了遙感圖像的多光譜特點，并結合幾何[14]、紋理[15]進行高分辨率遙感圖像分割。算法首先對圖像進行分水嶺分割，并提取圖像形狀特征，再提取圖像幾何特征；其次對圖像主成分開展分析，以第一主成分為對象計算灰度共生矩陣，從中進行分析并選擇代表性矩陣特征，接著進行圖像紋理特征的提取；然后對算法進行改善完成圖像的分割，得出最終分割結果。其中，需要對所有特征變量進行優化選取。

1 研究方法

1.1 均值漂移分割算法的優化

均值漂移分割算法是一種特征空間中的自動聚類算法，是一種無參數估計密度函數算法。如果影像維數為p,其空間Rp中的n個樣本點xi，i=1，2，…，n，在x點如果核函數K(x)滿足一定的統計矩約束概率密度函數，可以用于非參數概率密度估計，窗體半徑(帶寬)為h，均值漂移向量為

在這種狀態下，當密度函數f(x)達到最大值時，梯度Δf(x)接近于0。

式中：k(x)為核函數K(x)的剖面，如果g(x)是核函數G(x)的剖面，則G為K的影子核。

以上可知，查找收斂點的均值漂移便可以找到密度模式，而不需要估計密度。

不同均值樣本里收斂到0的點可以根據核G和核中心x來找到。定義序列{yj+1},j=1，2，…，n，是指樣本均值由算法過程中移動的點來表示，yi是樣本點。

在x=yj處，{yj+1},j=1,2,…,n,由核G通過計算而得出，并且y1位于核初始位置的中心。

基于空間域的均值漂移分割是在均值漂移分割算法平滑后的圖像上實現的。輸入的原始圖像使用惟一的核函數進行標準化，其空間域和色彩域的帶寬由hs和hr表示。

設{xj}，j=1，2，…，n,為原始圖像的點，{zj}，j=1，2，…，n,為收斂點，{Lj}，j=1，2，…，n,是不同區域的標記：

1)對每一個xj，j=1，2，…，n，使用均值漂移平滑程序，將收斂點存儲在zj。

2)用聯合域中的簇{Cp}，p=1，2，…，m，來描述所有zj中hs空間域和hr色彩域相近的分組。

3)對每一個j=1，2，…，n，賦值Lj={p|zj∈Cp}。

4)刪除小于M個像素的空間區域，空間域和色彩域的帶寬hs和hr，其下標s和r分別表示空間和色彩成分的向量。

改進的均值漂移分割算法是加入了光譜特征、幾何特征和紋理特征。在算法不變的情況下，通過改進其核函數，改進多特征參量后：

(5)

式中：c為歸一化常數；hs，hspe，hg，ht為平滑解析度；s為空間維數，這里為二維圖像；角標spe為光譜特征，當spe=1時代表灰度圖，spe=3時代表RGB波段彩色圖；g為幾何特征；t為紋理特征(維度)，紋理特征由灰度共生矩陣表示[16]。

1.2 幾何特征提取

幾何特征的提取過程主要由兩個步驟組成。第一步，通過自動標記的分水嶺算法[17]對圖像進行分割；第二步，對分割后得到的所有分割對象進行幾何特征提取。

分水嶺分割方法是一種基于拓撲理論的數學形態學分割方法，其基本思想是：將圖像看作測繪學上的拓撲地貌，每個像素點的灰度值代表其高程，每個局部極小值及其影響區域為集水盆，集水盆的邊界則形成分水嶺。水從集水盆底部浸入，首先浸入到較低的區域，而后浸入到較高的區域，當兩個集水盆匯合處構筑大壩將兩個集水盆隔開，以此進行圖像分割。

自動標記分水嶺分割核心標記方法是擴展最小變換，是一個形態學閾值算子，能將大多數無關小區域標記為0，從而減少圖像過分割現象。梯度圖像G經過高度閾值為h的擴展最小變化運算如下：

式中：E為輸出的二值圖像，即在8連通的條件下將小于高度閾值h的像素標記為1，否則標記為0，最終形成一幅二值標記圖像。

1.3 紋理特征

紋理被認為是圖像灰度值在二維空間的隨機分布，其在圖像空間中相隔某距離的兩象素之間存在一定的灰度關系，即灰度的空間相關特性。灰度共生矩陣作為一種常用的二階統計方法。它是根據圖像上每一對像素對間的方向和距離構造一個關系矩陣,然后利用其提取一些有意義的統計特征作為紋理的描述。

任取圖像(N×N)區域中任意一點(x，y)和偏離它的另一個點(x+a，y+b)構成像素對，該兩點對應的灰度值為(g1，g2)。然后讓點(x，y)在整個畫面上移動，則對應的對產生各種灰度對各(g1，g2)的值，設灰度值的級數為k，則(g1，g2)的組合共有k2種。針對整幅圖像，統計出每一對(g1，g2)值出現的概率，使其排列成一個方陣，再用(g1，g2)出現的概率將其歸一化為概率P(g1，g2)，排列成的方陣稱為灰度共生矩陣。

由于紋理特征不能直接由灰度共生矩陣來描述，所以一般使用其產生的能量、慣性，相關性和熵4個統計特征值表征紋理信息。而為獲取全面的紋理信息又在4個方向上建立了灰度共生矩陣，提取每個方向上的共生矩陣特征。因此，能反映每種紋理特征共包含16個元素的特征向量。

1.4 技術流程

采用高分辨率遙感圖像作為試驗數據，然后對包括近紅外、紅色，綠色和藍色4個波段信息的全色波段和多光譜波段的融合圖像進行光譜特征和幾何特征提取。提取圖像的對象信息需要首先對圖像進行分水嶺分割，然后計算對象要素的形狀特征算子。提取圖像的紋理特征是通過多光譜波段經主成分分析后的第一主成分的灰度共生矩陣來獲得。結合這3種特征就對均值漂移濾波方法進行改進。接著對濾波結果進行分水嶺變換，來實現最終的分割結果。最后對分割結果進行評價與分析。

圖1 技術流程Fig.1 Flow chart of remote sensing image segmentation

2 試驗結果與分析

2.1 試驗數據

國產GF-1衛星配置了2臺2 m分辨率全色、8 m分辨率多光譜相機和4臺16 m分辨率多光譜寬幅相機；GF-2衛星搭載有兩臺1m全色、4 m多光譜相機。美國IKONOS衛星攜帶1臺1 m分辨率全色相機、1臺4 m分辨率4波段相機。

試驗使用的衛星影像分別是：GF-1衛星的2013年6月北京市奧林匹克森林公園影像；IKONOS衛星的2006年7月南京市部分城區影像；GF-2衛星2015年9月河北省廊坊市北華航天工業學院西校區影像。圖像大小分別為850×680像元、256×256像元和630×626像元，主要地物類型包括水體、草地、林地，建設用地和道路(見圖2)。

圖2 全色波段與多光譜融合后的圖像Fig.2 Fusion of multispectral bands and panchromatic band of GF-1 and IKONOS image

2.2 評價方法

為了更好地驗證所提方法對高分辨率遙感圖像的分割效果，首先從視覺上對不同尺度下的分割結果進行對比分析。同時為了更為客觀地表現方法的分割效果，對評價方法采用文獻[19]中提出的基于信息熵的定量分割評價方法，來對比分析Edison軟件的均值漂移方法和eCongnition軟件所提供的多分辨率分割方法的遙感圖像分割結果。評價方法定義如下：

(7)

式中：m為第j個分割區域內的灰度級；Lj(m)為第j個分割區域內的像元總數；SI為分割區域總數。

Hr描述了分割區域內的同質性特征；He描述了分割區域間的異質性特征。過分割現象越嚴重，Hr取值越小，而He取值越大。E綜合了分割區域的同質性特征和分割區域間的異質性特征。E取值越小，分割結果越可靠。

2.3 試驗一

圖3第一列分割閾值分別為M=10、M=20和M=30時本文方法的分割結果，M為文獻[10]提出的自動標記分水嶺分割算法中的尺度閾值。從圖3分割結果能夠得出，尺度閾值增大使分割后圖像斑塊的破碎度減小。M取值為10時，分割結果具有明顯的破碎現象，尤其是沿著區域邊界周圍存在大量細碎的對象。當M=20和M=30時，分割結果的破碎區域大幅減少，且M=20和M=30的分割結果相近，僅在部分區域，如M=20時湖心島的分割結果較M=30時破碎。總體而言，M>20時，本文方法分割結果趨于穩定，且視覺效果也有較好表現。

圖3 北京市奧林匹克森林公園分割結果Fig.3 Segmentation results in Beijing Olympic Forest Park

圖3第二列為M=10、M=20和M=30時單一分水嶺分割方法的分割結果，其分割效果與M之間的關系與本文方法大致一致。從視覺上來看，其分割效果比本文方法要破碎。最為關鍵的是同一地物對象的分割區域數目明顯多于分水嶺分割方法。

表1給出了不同尺度下本文方法與分水嶺分割方法之間的區內同質性Hr與區域之間的異質性He，以及綜合值E的計算結果。當M=10時，本文方法中Hr比分水嶺分割方法取值大，而He則比其小，綜合值E小于分水嶺分割方法。而對于M=20和M=30的分割結果本文方法中的Hr、He、E均小于分水嶺分割方法。可見本文方法比單一的分水嶺分割方法具有更好的分割效果。

表1 本文方法與分水嶺分割方法的比較

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

方法本文方法分水嶺分割方法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

圖4給出eCognition中多分辨率分割方法和EDISON軟件中Mean Shift方法的分割結果。其中多分辨率分割方法中參數Scale paramter北京市奧林匹克森林公園區域為30，緊致度為0.5。Mean Shift 方法中參數空間帶寬和顏色特征帶寬分別為20和2。

圖4 北京市奧林匹克森林公園區域分割結果Fig.4 Segmentation results in Beijing Olympic Forest Park

表2給出eCognition中多分辨率分割方法和EDISON軟件中Mean Shift 方法的分割結果的信息熵的定量分割評價結果。可以明顯看出，雖然這兩種方法均優于本文方法在M=10的分割結果，但是Hr、He、E均大于本文方法在M=10和M=20時的分割結果。

表2 eCognition和Mean Shift分割結果對比

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

方法eCognitionMeanShiftHr0 0078510 008322He2 9048832 908413E2 9127342 916735

2.4 試驗二

圖5(a)、5(b)和5(c)分割閾值分別為M=10、M=20和M=40時的結果圖。與試驗一具有相同的規律，隨著尺度因子M的增加，分割的破碎程度越來越小，但是由于圖像區域為廠房區域，因此其規律并不如試驗一明顯。

此外，圖5(d)、5(e)和5(f)為M=10、M=20和M=40時單一分水嶺分割方法的分割結果。與試驗一同樣，本文方法具有更好的分割效果。如圖像左下方的綠地區域，本文方法將其分割為同一區域，而分水嶺分割則將其分為了多個區域。

圖5 南京市部分城區分割結果Fig.5 Segmentation results in part of the Nanjing city

表3為南京市部分城區圖像在不同尺度下本文方法與分水嶺分割方法的Hr、He以及E取值。對于所有M=10，M=20和M=40時的分割結果的Hr、He及E取值，本文方法總優于分水嶺分割結果。

圖6為該圖像的eCognition中多分辨率分割方法和Mean Shift方法的分割結果。圖像分割的參數設置與試驗一參數相同。從結果可以看出，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 本文方法與分水嶺分割方法的比較

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

方法本文方法分水嶺分割方法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

圖6 研究區一分割結果Fig.6 Segmentation results in study area 1

方法eCognitionMeanShiftHr0 0078510 008322He2 9048832 908413E2 9127342 916735

2.5 試驗三

圖7(a)、7(b)和7(c)分割閾值分別為M=10、M=20和M=30時的結果。與試驗一具有相同的規律，隨著尺度因子M的增加，分割的破碎程度越來越小，圖像中建筑物區域表現最為明顯。

此外，圖7(d)、7(e)和7(f)為M=10、M=20和M=30時單一分水嶺分割方法的分割結果。與試驗一同樣，本文方法具有更好的分割效果。如圖像中間的建筑物區域，本文方法將其分割為同一區域，而分水嶺分割則將其分為了多個區域。

表5為北華航天工業學院圖像在不同尺度下本文方法與分水嶺分割方法的Hr、He以及E取值。對于所有M=10，M=20和M=30時的分割結果的Hr、He以及E取值，本文方法總優于分水嶺分割結果。

圖7 北華航天工業學院圖像分割結果Fig.7 Segmentation results in North China Institute of Aerospace Engineering

方法本文方法分水嶺分割方法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

圖8為該圖像的eCognition中多分辨率分割方法和EDISON軟件中Mean Shift 方法的分割結果。圖像分割的參數設置與試驗一參數相同。從結果可以看出，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。

圖8 北京市別墅區域分割結果Fig.8 Segmentation results in Beijing villa area

方法eCognitionMeanShiftHr0 0076520 007862He2 702642 70732E2 7332342 71673

3 結束語

針對遙感圖像處理領域傳統圖像分割方法的不足，基于多特征對均值漂移分割方法進行了改進。用分水嶺方法對圖像進行分割，計算仿射不變矩得出圖像的幾何特征；對圖像進行主成分分析，計算第一主成分的灰度共生矩陣得出圖像的紋理特征；最后以三組不同衛星的高分辨率遙感數據作為試驗數據，進行分割試驗，并利用基于信息熵的非監督評價方法對比分析了本文方法與分水嶺方法的分割結果。通過對分割結果進行分析評價驗證了本文方法的有效性。本文所提出的分割方法可作為面向對象分類方法中分割步驟。

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，駱劍承，胡曉東，等．高分辨率遙感影像多尺度均值漂移分割算法研究[J]. 武漢大學學報(信息科學版)，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] 肖鵬峰．基于相位一致的高分辨率遙感圖像分割方法[J]. 測繪學報，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，朱建軍，梅小明，等. 多維特征自適應Mean Shift遙感圖像分割方法[J]. 武漢大學學報(信息科學版)，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] 劉書含，顧行發，余濤，等. 高分一號多光譜遙感數據的面向對象分類[J]. 測繪科學，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，顧行發，余濤，等. 結合光譜相似性與相位一致模型的高分辨率遙感圖像分割方法[J]. 紅外與毫米波學報，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.

(編輯：車曉玲)

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；錄用日期：2016-11-24；

時間：2016-12-16 11:29:04

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

河北省科技計劃(16210310D)；河北省軍民結合產業發展專項資金(JMJHZX-2016-01)；北華航天工業學院創新團隊計劃(XJTD-201411)；北華航天工業學院重點基金(ZD-2014-03)

金永濤(1978-)，男，副教授，jsj_jin@126.com，研究方向為縣域遙感應用技術、計算機網絡與信息安全

金永濤，李旭青，張周威，等. 基于多特征的高分遙感圖像分割算法研究[J].中國空間科學技術，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