面向对象的遥感影像分割方法研究毕业论文(编辑修改稿)

面向对象的遥感影像分割方法研究毕业论文(编辑修改稿)内容摘要：

x,y)在阈值 t 上的分割结果可以表示为 : f(x,y) = b1,f(x,y) t 阈值分割法实际就是按某个准则函数求最优阈值 t的过程。 域值一般可写成如下的形式 : T=T［ x， y, f (x， Y)， p (x，y)］ 其中 f (x, y)是在像素点 (x, y)处的灰度值， p(x,y)是该点邻域的某种局部性质。 阈值分割方法的分类 通过上文的讨论，结合所给公式，可以将阈值分割方法分为以下 3类 : 1) 全局阈值 :T=T[f(x,y)〕，即仅根据 f(x,y)来选取阈值，阈值仅与各个图像像素的本身性质有关。 2) 局部阈值 :T=T[f(x,y),p(x,y)],阈值与图像像素的本身性质和局部区域性质相关。 3) 动态阈值 :T=T[x,y,f(x,y),p(x,y)],阈值与像素坐标，图像像素的本身性质和局部区域性质相关。 全局阈值对整幅图像仅设置一个分割阈值，通常在图像不太复杂、灰度分布较集中的情况下采用。 局部阈值则将图像划分为若干个子图像，并对每个子图像设定局部阈值。 动态阈值是根据空间信息和灰 度信息确定。 局部阈值分割法虽然能改善分割效果，但存在几个缺点 : 1) 每幅子图像的尺寸不能太小，否则统计出的结果无意义。 2) 每幅图像的分割是任意的，如果有一幅子图像正好落在目标区域或背景区域，而根据统计结果对其进行分割，也许会产生更差的结果。 3) 局部阈值法对每一幅子图像都要进行统计，速度慢，难以适应实时性的要求。 全局阈值分割方法在图像处理中应用比较多，它在整幅图像内采用固定的阈值分割图像。 基于边缘的分割方法 图像最基本的特征是边缘，它是图像局部特性不连续 (或突变 )的结果． 例如，灰度值的突变、颜 色的突变、纹理的突变等．边缘检测方法是利用图像一阶导数的极值或二阶导数的过零点信息来提供判断边缘点的基本依据。 经典的边缘检测方法是构造对图像灰度阶跃变化敏感的差分算子来进行图像分割，如 Robert算子、Sobel 算子、 Pre witt 算子、 Laplacian 算子等 . 根据检测边缘采用方式的不同，边缘检测方法大致包括以下几类：基于局部图像函数的方法、多尺度方法、图像滤波法、基于反应一扩散方程的方法、多分辨分法、基于边界曲线拟合方法、状态空间搜索法、动态规划法、边界跟踪法、哈夫变换法等 . 边缘检测的实质是采用某种算法来提取出图像中对象与北京建的交界线。 我们将边缘定义为图像中灰度发生急剧变化的区域边界。 图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。 经典的边缘检测方法是对原始图像中像素的某小领域来构造边缘检测算子。 不妨记： 为图像的梯度， 中包含局部灰度的变化信息。 记 e(x,y)= 为梯度 的幅值， e(x,y)可以用作边缘检测算子。 为了简化计算，也可以将 e(x,y)定义为偏导数 fx,fy 的绝对值之和： e(x,y)=|fx(x,y)|+|fy(x,y)|_ 下面是几种常见的边缘检测算子，这里在分析的基础上进行比较研究。 不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。 需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。 有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中 的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。 正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。 在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。 二阶导数还可以说明灰度突变的类型。 在有些情况下，如灰度变化均匀 的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。 二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。 不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。 各种算子的存在就是对这种导数分割原理进行的实例化计算，是为了在计算过程中直接使用的一种计算单位； Roberts 算子 ：边缘定位准，但是对噪声敏感。 适用于边缘明显且噪声较少的图像分割。 Roberts 边缘检测算子是一种利用局部差分算子寻找边缘的算子 ,Robert 算子图像处理后结果边缘不是很平滑。 经分析，由于 Robert 算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。 Prewitt 算子 ：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以 Prewitt 算子对边缘的定位不如 Roberts 算子。 Sobel 算子 ： Sobel 算子和 Prewitt 算子都是加权平均，但是 Sobel 算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。 一般来说，距离越远，产生的影响越小。 Isotropic Sobel 算子 ：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。 在边沿检测中，常用的一种模板是 Sobel 算子。 Sobel 算子有两个，一个是检测水平边沿的；另一个是检测垂直平边沿的。 Sobel 算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一 个是检测水平边沿的 ，另一个是检测垂直平边沿的。 各向同性 Sobel 算子和普通 Sobel 算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。 由于 Sobel 算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效，因此应用广泛。 美中不足的是， Sobel 算子并没有将图像的主体与背景严格地区分开来，换言之就是 Sobel 算子没有基于图像灰度进行处理，由于Sobel 算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。 在观测一幅图像的时候，我们往往首先注 意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们可以给出阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。 上面的算子是利用一阶导数的信息，属于梯度算子范畴。 Laplacian 算子 ：这是二阶微分算子。 其具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。 但是，其对噪声比较敏感，所以，图像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都是把 Laplacian算子和平滑算子结合起来生成一个新的模板。 Laplacian 算子一般不以其原始形式用于边缘检测，因为其作为一个二阶导数，Laplacian 算子对噪声具有无法接受的敏感性；同时其幅值产生算边缘，这是复杂的分割不希望有的结果；最后 Laplacian算子不能检测边缘的方向；所以 Laplacian在分割中所起的作用包括：（ 1）利用它的零交叉性质进行边缘定位；（ 2）确定一个像素是在一条边缘暗的一面还是亮的一面；一般使用的是高斯型拉普拉斯算 子（ Laplacian of a Gaussian,LoG)，由于二阶导数是线性运算，利用 LoG 卷积一幅图像与首先使用高斯型平滑函数卷积改图 像，然后计算所得结果的拉普拉斯是一样的。 所以在 LoG 公式中使用高斯函数的目的就是对图像进行平滑处理，使用 Laplacian 算子的目的是提供一幅用零交叉确定边缘位置的图像；图像的平滑处理减少了噪声的影响并且它的主要作用还是抵消由 Laplacian 算子的二阶导数引起的逐渐增加的噪声影响。 微分算子在图像处理中扮演重要的角色，其算法实现简单，而且边缘检测的效果又较好，因此这些基本的微分算子是学习图像处理过程中的必备方法， 下面着重讨论几种常见的微分算子。 ： 其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，缺点是 Sobel 算子并没有将图像的主题与背景严格地区分开来，换言之就是 Sobel 算子并没有基于图像灰度进行处理，由于 Sobel算子并没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意，算法具体实现很简单，就是 3*3 的两个不同方向上的模板运算，这里不再写出。 算子 ： 根据任一相互垂直方向上的差分都用来估计梯度， Robert 算子采用对角方向相邻像素只差 算子 ： 该算子与 Sobel算子类似，只是权值有所变化，但两者实现起来功能还是有差距的，据经验得知 Sobel 要比 Prewitt 更能准确检测图像边缘。 算子 ： 拉普拉斯算子是一种二阶微分算子，若只考虑边缘点的位置而不考虑周围的灰度差时可用该算子进行检测。 对于阶跃状边缘，其二阶导数在边缘点出现零交叉，并且边缘点两旁的像素的二阶导数异号。 算子 ： 该算子功能比前面几种都要好，但是它实现起来较为麻烦， Canny算子是一个具有滤波，增强，检测的多阶段的优化算子，在进行处理前， Canny 算子先利用高斯平滑滤波器来平滑图像以除去噪声， Canny 分割算法采用一阶偏导的有限差分来计算梯度幅值和方向，在处理过程中， Ca。