高分辨率遥感影像分割方法综述

摘要：随着遥感技术的发展，遥感影像的空间分辨率不断提升，民用商业卫星已达亚米级，这给传统的图像处理方法带来了挑战，于是提出了面向对象的分析方法，这种分析方法不再基于像元，而是基于由若干像元组成的对象，因此，面向对象方法的基础，是要求准确地获取对象，而这一点依赖于影像分割技术。本文调研整理了目前主要的遥感影像分割方法，并针对高分辨率影像的特点，对这些方法的适用性进行了分析说明，并指出了分割技术未来的发展方向。

关键词：影像分割；面向对象；高空间分辨率

1. 引言

高分辨率遥感影像包括高空间分辨率、高时间分辨率和高光谱分辨率。其中，高空间分辨率影像能够为我们提供丰富的地物形状、纹理等信息，因此对于提升地物识别的精度有很大帮助，如今，多颗卫星都可以有偿提供空间分辨率高达米和亚米级的遥感影像数据，本文的高分辨率遥感影像主要是指高空间分辨率的遥感影像。

近年来，面向对象的遥感影像分析和处理方法得到广泛应用，这种方法与传统的基于像元的分析方法不同，它是将若干像元按照一定的规则合并为“对象”，再对对象进行分类的方法。显然，如何合理地把像元合并为对象，是面向对象方法成败的关键。把像元合并为对象这一过程，在遥感中，称为影像分割。影像分割是指将影像分割为若干对象区域，每个对象区域内的像元之间具有较好的相似性，同时保证对象区域之间有较大的异质性。这种相似性通常是指灰度、色彩、形状和纹理等特征。在计算机视觉领域，已经产生了很多种图像分割算法，但是这些算法往往难以直接应用到遥感影像上，这是因为遥感影像的成像方式具有特殊性。对于高分辨率遥感影像而言，其空间分辨率高、纹理信息非常丰富，但是其光谱信息相对不足，再加上遥感影像的分析通常要从不同的尺度着手，因此如何更好地对高分辨率遥感影像进行分割是亟待解决的问题。本文主要总结了适合高分辨率遥感影像的分割方法，并在此基础上提出了未来的热点和发展趋势。

2. 高分辨率遥感影像分割方法

遥感影像的分割方法大体上可以分为两类：自上而下型和自下而上型。自上而下型又称为知识驱动型，是根据知识规则和先验模型来直接指导分割过程。自下而上型又称为数据驱动型，是根据影像数据自身的特征直接对影像进行分割，通常所说的遥感影像分割多属于这一类型。

然而，更多学者倾向于从分割原理入手对分割算法进行分类。按照分割原理来分，可将遥感影像分割方法分为四类：一是传统的基于像元的分割方法，包括阈值法、最近邻法、聚类法等；二是基于边缘检测的分割方法，包括Canny算子，Sobel算子等；三是基于对象或区域的分割方法，包括像元合并等；四是基于物理模型的分割方法，这类方法由于原理复杂，通常较少采用。除此之外，在这些方法的基础上，又衍生出一些新的数学方法，也获得了广泛的应用。由于遥感影像通常是多波段的灰度图像，因此灰度图像分割方法扩展到彩色空间即可应用于遥感影像[1]。

2.1 基于像元的分割方法

阈值法是最简单的图像分割算法，一般单波段影像是由不同灰度级的像元所组成的，这一点可以从图像的直方图上明确看出，不同的灰度级都有对应的像元数量，选择合理的阈值就可以将图像分割为若干对象区域[2]。这种方法原理简单，不需要先验知识，设计容易且速度快，特别是当影像上感兴趣目标所在区域的灰度值与周围相差很大时，能有效地执行分割。但是当影像中像元间的灰度差异较小，或者灰度范围重叠较大时，这种方法的结果往往不够理想。根本原因，就是阈值法只考虑了像元灰度这一单一属性，忽略了其他诸多信息，所以这种方法在对高分辨率遥感影像进行分割时，难以扩展到多波段彩色空间，因此较少被采用[3]。

2.2 基于边缘检测的分割方法

基于边缘检测的分割方法通常是寻找影像中灰度值突变的地方来确定局部区域的边缘。这种突变可以通过对影像灰度变化求导来检测到边缘位置，例如一阶导数的峰值点和二阶导数的零点位置。常用的一阶算子有Roberts， Prewitts， Sobel算子等，二阶算子有Laplacian，Canny等。由于这些算子对噪声异常敏感，因此在对图像进行边缘检测前要先进行影像滤波，但实际上滤波会在一定程度上降低边缘检测的精度。边缘检测法的另一个难点是在于生成一个封闭边界，特别是在边界模糊或者边界过多时，很难获得一个理想的闭合边界。

2.3 基于区域的分割方法

基于区域的分割方法主要是依据像素之间的相似性来形成局部区域，从而获取分割结果。这类方法按照分割方向可分为两类，一类是区域生长，另一类是区域分裂（与合并）。区域生长是从影像中选取若干像元作为种子，然后从这些种子出发，选取适当的相似性度量，来对种子邻域的像元进行判断，将相似的邻域像元与对应种子连接，如此重复，直到所有像元被归并到相应的种子区域中。而区域分裂是从整幅影像出发，将同质性较差、异质性较强的区域分裂开，形成子区域，然后继续对子区域进行区域分裂，如此重复，直至所有子区域都被视为满足条件的同质区域，则分裂停止，在分裂的基础上，也可以结合区域合并共同应用。基于区域的方法对噪声不敏感，而且容易扩展到多波段的遥感影像上，因此，这类方法在遥感中常常被采用。

该类方法随着德国Definiens Imaging公司商业化遥感影像处理软件易康（eCognition）的诞生，而引起了广泛的关注。易康软件中基于面向对象的思想提出了一种分形网络演化算法（FNEA），结合模糊分类的理论，通过多参数的调节来不断的优化多尺度分割的结果，是目前该类算法中效果最好的。

2.4 基于物理模型的分割方法

影像的物理模型是从影像的成像过程得来的，物理模型描述了影像数据与真实地表特征、大气作用、光照条件及成像硬件设备等因素之间的关系。对于高分辨率影像而言，由于其丰富的地表细节信息，使得外界条件变化，包括太阳光照射、阴影等因素，对其成像过程产生较大影响，加之“同物异谱”和“异物同谱”现象的存在，使得获取较好的影像分割结果变得异常困难。因此，通常的基于物理模型的方法，都要求满足一定的约束和条件，因此在应用中受到很大局限。但是，由于物理模型具有严格的解析意义，因此仍然是一个值得研究的方向。

2.5 其他方法

数字影像在实际处理中，往往被视作一幅影像矩阵，因此，可以结合矩阵论的思想来对基本分割方法进行扩展，以此提升分割结果的准确性。

基于数学形态学运算的分割方法已经被广泛应用到遥感影像中，包括腐蚀运算、膨胀运算、开运算和闭运算等。但是这种方法显然只能应用于单波段图像处理，因此往往要对多波段遥感影像获取主成分，然后对包含所需信息最多的主成分进行形态学运算。形态学最著名的分割方法就是分水岭算法[4]，其实质就是一个对二值图像进行连续腐蚀的过程，速度快但是容易产生过分割现象[5]。

基于马尔科夫随机场的分割方法，从统计学角度对原始影像进行重建，例如提取影像的纹理特征参数等[6]。

基于小波变换的分割方法，可以将数字信号转换为频率进行运算处理，可以较好地保持影像数据的结构信息。

深度学习的方法近来也被应用到影像分割中。深度学习是基于神经网络的方法，神经网络很早以前就被应用到图像处理和模式识别中。深度学习是将影像分割转化为其他问题，例如分类和能量极化等。但是深度学习方法需要大量的训练样本，而且训练时间较长，对于数据量较大的遥感影像，其效率会很低。

3. 结论与展望

遥感影像分割一直是遥感预处理过程中重要的一环，尤其是在进行影像分类时，如何提高分割精度始终是个难点。本文在调研了国内外诸多遥感影像分割方法的基础上，对其进行了归纳总结。事实上，对于高分辨率遥感影像而言，一个好的分割算法应该具有如下特点：首先，依据不同的应用目的，能够获得准确的地物边界；其次，在不同的尺度上，都能获得相对一致的界；第三，能够利用遥感影像的多维特征，例如空间、光谱、时间特征等；第四，算法效率较高，毕竟遥感影像的数据量较为庞大。

近年来，遥感技术的不断发展，使得遥感影像的空间分辨率已经进入亚米级时代，很多传统的分割方法已经无法满足高分辨率影像信息提取的要求。因此，遥感影像分割的未来发展方向应集中于以下几点：第一是在像元基础上，形成多尺度以及多层次的对象或区域，利用多尺度和多层次来丰富可用的影像特征；第二是将不同数据源的分割结果利用数据融合方法有机统一起来，形成更准确的分割结果体系；第三是将单波段的方法较好的扩展到多波段的彩色空间，甚至到高光谱数据中。

参考文献：

[1] V. Dey， Y. Zhang， and M. Zhong， A review on image segmentation techniques with remote sensing perspective： na， 2010.

[2] J. Jiang， Z. Zhang， and H. Wang， "A new segmentation algorithm to stock time series based on PIP approach，" in Wireless Communications， Networking and Mobile Computing， 2007. WiCom 2007. International Conference on， 2007， pp. 5609―5612.

[3] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers，" Systems， Man， and Cybernetics， Part B： Cybernetics， IEEE Transactions on， vol. 40， pp. 1267―1279， 2010.

[4] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using watershed transformation，" Pattern Recognition， vol. 43， pp. 2367―2379， 2010.

[5] M. Pesaresi and J. A. Benediktsson， "A new approach for the morphological segmentation of high―resolution satellite imagery，" IEEE transactions on Geoscience and Remote Sensing， vol. 39， pp. 309―320， 2001.

[6] J. Li， J. M. Bioucas―Dias， and A. Plaza， "SpectralCspatial hyperspectral image segmentation using subspace multinomial logistic regression and Markov random fields，" IEEE Transactions on Geoscience and Remote Sensing， vol. 50， pp. 809―823， 2012.