基于纹理信息的高分辨率无人机遥感图像分割毕业设计论文(编辑修改稿)

基于纹理信息的高分辨率无人机遥感图像分割毕业设计论文(编辑修改稿)内容摘要：

性上则反映地学过程的详细、具体的内容。 不同尺度的数据体现为不同的特点，在具体的专题应用中应根据任务与现象性质选择相应的尺度进行观察与研究[16]。 由于存在尺度效应，我们的研究往往会指定某现象在某尺度下的规律是怎么样的。 具体到影像分析技术上通过研究原始影像分辨率为50cm的对象均值方差与分割尺度之间的关系曲线图得到不同地物具有不同的最优分割尺度的结论。 由于在遥感影像上的地物类别是各种各样的，这就要求我们对不同地物的提取时采用不同的尺度，这就是遥感中的尺度问题。 多尺度分割是为提取影像对象所开发的一个分割算法，它是由基于像素值和对象形状来共同描述。 它可以提取原始同质影像对象的任意空间大小，尤其在局部对比中被考虑到。 通过这种技术，我们就可以理解遥感影像对象如何在不同的尺度域之间相互作用，从而反映影像中地表物体的固有形态。 在前面我们介绍过，高分辨率遥感影像具有丰富的光谱信息和空间信息，为了更好的获取影像信息，必须首先获取最佳影像对象。 一般在进行影像分割之前要遵循以下几条规则：[17]：1)尽量保证对象内部的同质性；2）分割时的尺度应与待解决问题所需尺度相适应；3）为了能适用于其他类型的数据与问题，分割算法应相对具有普适性；4）再生性问题，如果分割结果为最合理情况则分割成果应该具有可重复性。 多尺度分割的特点就是能够综合不同尺度的图像信息。 它考虑了地表实体格局或过程的多层次，克服数据源的固定尺度，采用多尺度影像对象的层次网络结构揭示地表特征的等级关系。 在对象生成过程中同时将这些影像对象按等级结构联接从而综合不同尺度的图像信息并把精细尺度的精确性与粗糙尺度的易分割性这对矛盾完美的统一了起来。 影像对象的层次网络中不同尺度对象的尺寸大小有差异，但大尺度对象与小尺度对象一样为原始像元的聚合，只是聚合阈值大小不一样，而呈现不同的像元组合特征，因此大尺度的影像对象中并没有损失原始像元的信息。 在自然界几乎所有的现象都不同程度的具有尺度效应，面向对象的综合不同尺度信息的特性使得我们解决多现象对应多尺度的问题更为简单。 以人类为例，人眼对某些现象或过程的观察和测量也往往是在不同尺度上进行的。 所以，我们采用多尺度理论来描述、分析这些现象或过程，才能够更全面地刻画这些现象或过程的本质特征。 影像对象的层次网络允许影像信息在不同的尺度同时被表达，通过定义不同尺度对象之间的拓扑联系，更多的信息可以从影像数据中抽取出来。 对图像进行多尺度分解是多尺度分析方法中的一个重要步骤，如图22为用面向对象影像分析软件eCognation产生的不同尺度的分割示意图。 多尺度分解后将产生图像的多尺度数据结构。 金字塔数据结构是最常用的多尺度图像数据结构。 在金字塔的最底层保存的是原始图像，然后每上一层数据都是由相邻的下一层数据产生，从图22可以更直观的看到这一点。 金字塔上越是靠上的图层其尺度越大，同时也越粗糙，包含的信息也越少。 A分割尺度：10 B分割尺度：20 C分割尺度：50 D分割尺度：100 E分割尺度：150 F分割尺度：200图22 eCognation中不同尺度的分割图 面向对象的边缘检测方法 传统图像边缘检测与面向对象思想的结合边缘是图像最重要的特征之一，包含了图像的大部分信息，是指图像局部区域亮度变化最为显著的部分[18]，该区域的灰度剖面一般可看作是一个阶跃[19]，即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。 由此可知，边缘是由于灰度值的不连续产生的，因此可以通过数学求导的方法检测边缘，根据求导阶数可分为一阶求导和二阶求导，一阶求导算法简便迅速，二阶求导能判别出边缘像素是居于图像边缘的明区还是暗区。 基于一阶导数的运算是通过梯度算子来完成的，例如比较常用的Robets交叉算子[20]、Prewitt边缘算子[21]以及Sobel边缘算子等[22]，基于二阶导数的边缘检测比较常用的有Laplacian算子[23]。 通常我们对图像直接进行边缘检测，由于光照或图像噪声的影响所得到的边缘点基本不连续，导致难以进行近一步描述和运算。 Hough变换的思想认为根据实际测量所遇到的图像边缘的类型可分为直线、圆、圆弧、椭圆等不同类别。 对于这些不同对象，有学者认为可以预先确定大致的范围，然后根据这些先验信息，按照一定的准则进行边缘点的搜索和确定，再剔除异常的边缘点，就可以得到相关边缘的准确定量描述。 这样，不仅提高了图像处理的速度(只对确定范围内的区域进行处理)，而且得到了检测对象的描述参数(对检测得到的边缘像素点进行相应的进一步处理)[24]。 经上处理后可得到比较准确的边缘点，然后按照相应的直线或圆等拟合方程，同时也实现了对这些目标的“对象化”。 然后就可以根据我们的需求对此对象的各种特征的分析。 Hough变换直线检测Hough变换最早是由Paul Hough提出的一种的直线检测方法[2526]，是目前使用广泛的一种检测直线的方法。 Duda和Hart分别对最初的Hough变换算法做了进一步的改进和完善[27]，Hough变换实现了一种从图像空间到参数空间的映射关系，其核心思想是点线的对偶性，通过变换将图像从图像空间转到参数空间[28]。 假设在图像空间，所有经过点的直线都满足方程： （21）其中为斜率，为截距。 公式（）的另一种写法如公式（22）： （22）（22）式代表过点的参数空间中的一条直线。 如图23所示：图23图像空间和参数空间中点和线的对偶性从式（21）和（22）可知，如果在图像空间中保持直线的斜率和截距不变，其在参数空间中的对应直线必定过点，这也就说明，在图像中共线的点对应于参数空间共点的线。 Hough变换就根据点线的对偶性把在图像空间中存在的直线检测问题转化成参数空间中存在的点检测问题，通过在参数空间里进行简单的累加统计完成直线检测任务[2930]。 如果直线方程斜率为无穷大，会使累加器的尺寸变得很大，从而增加了计算的复杂度并降低了算法检测的速度，因此，通常采用直线极坐标方程[31]： （23）在极坐标中便是图24(b)所示的点(θ,ρ)在极坐标里，横坐标为直线的法向角θ，纵坐标为笛卡儿坐标原点到直线的法向距离ρ。 在笛卡儿坐标系中通过公共点的一簇直线（如图 24(c)所示），映射到极坐标中便是一个点集,这些点集构成一条曲线，其实这是正弦曲线（图24d)）。 因此笛卡儿坐标空间中的一个点对应于极坐标中就是一条正弦曲线。 (a) (b) (c)(d) (e) (f) 图24 Hough变换的原理在笛卡儿坐标中共直线的点（如图24(e)中的(x1,y1)(x2,y2)(x3,y3)三点共线）映射到极坐标系便是共点的一簇曲线（图24(f)）。 在图24(f)中还可以看到这三条曲线有两个交点， 其实这两个交点的所对应的横坐标值即法向角数值相差 180186。 ，对应到笛卡儿坐标里是同一条直线。 如果令直线的法向角的取值范围为：2/π2/π，其交点就只有一个了。 从图24中可以看出，Hough 变换使不同的线和点建立了一种对应关系。 设已知一黑白图像上画了一条直线，要求出这条直线所在的位置如图25在此我们假设直线的的方程为，其中k和b是参数斜率和截距。 我们要得到此直线的方程就必须计算得到参数k和b的值。 如果直线为y=x,则我们在Hough变换过程肯定会计算到下面的三个点：A(1,1),B(2,2),C(3,3)。 可以求出，过A点的直线的参数要满足方程1=k+b,过B点的直线的参数要满足方程2=2k+b,过C点的直线的参数要满足方程3=3k+b,这三个方程就对应着参数平面上的三条直线，而这三条直线会相交于一点(k=1,b=0)。 我们就是通过参数平面的情况来描述原图像上的点是否为同一直线上的点。 图25 Hough变换过程示意图当原图像上有N条直线时，对应参数平面上会有N个的直线簇分别通过N个固定点。 这就是我们解决问题的方法，就是把图像平面上的点对应到参数平面上的线，最后通过统计特性来解决问题。 Hough变换在抑制噪声方面的能力强使其能广泛应用，它能够提取处在噪声背景中的直线，并且具有把断了的线段连接起来的能力。 Hough变换前必须对原图像进行一些必要的预处理，这些预处理工作包括灰度化，利用一定的边缘提取算子进行边缘提取，然后再设定一个灰度阈值对图像进行二值化处理。 由Hough的原理可知Hough变换的性质如下：（1）(x,y)域中的一点对应于变换域(ρ,θ)中的一条正弦曲线。 （2）变换域(ρ,θ)中的一点对应于(x,y)域中的一条直线。 （3）(x,y)域中一条直线上的n个点对应于变换域中经过一个公共点的n条曲线。 根据其原理就可以进行目标对象的检测，图26(b)即用如上的方法计算得到五角星的边缘。 a待提取边缘的五角星 b提取边缘后的五角星图26 Hough变换提取五角星边缘同样把Hough变换的方法应用到遥感影像分析中同样是可行的，图28是对图27的线性地物的提取，从28我们可以看出原始影像上的线性地物基本都可以提取到。 但是我们发现它并不能区别线性的道路和相对比较直的和的沿岸。 图27 原始遥感影像图28 Hough变换提取遥感影像中的道路 Hough变换的推广其实Hough变换可以检测任意的已知表达形式的曲线，关键是看其参数空间的选择，参数空间的选择可以根据它的表达形式而定。 在Hough变换的推广应用中比较多的是针对圆和椭圆的检测。 下面我们先简单介绍Hough变换的圆检测原理。 假设一个圆其边界方程为： （24）其中为圆边界上的边界点集，r为半径。 同样可以把x，y看作变量则方程为： (25)参数空间为三维的锥面，当检测某一半径的圆的时候，可以选择与原图像空间同样的空间作为参数空间。 那么原图像空间中的一个圆对应了参数空间中的一个点；原图像中一个点对应参数空间的一个圆锥面簇，参数空间中的一个点对应了图像空间中的一个圆。 由于原图像空间中在同一个圆上的点的参数a和b相同，那么它们在参数空间中的对应的锥面簇都过同一个点(a,b,r)。 这样我们就可以统计参数空间里过同一点的这些圆锥簇来反推出在原始图像同一圆上的点集。 当然如果只检测固定r的圆，相对来说不论从算法上还是从计算量上来讲都要简单些。 对于已知r的情况，原始图像上的一个圆对应参数空间上的一点，原始图像上的一点对应参数空间上的一个圆。 根据以上理论基础本文实现了对图29的Hough变换圆检测，结果如图210。 图29 Hough变换提取圆形物体边缘的原始图图210 Hough变换提取圆形物体的结果图Hough变换对于椭圆也有类似于圆检测的应用。 由于椭圆有5个自由参数，所以它的参数空间是5维的，因此变换过程的计算量相应的也增加。 在遥感图像中圆形和椭圆形的地物极为少见，所以本文对Hough变换对圆和椭圆检测在遥感中的应用没有进行深入的研究。 区域增长法区域增长法(Seeded Region Growing，SRG)面向对象遥感处理方法中的重要部分。 它是一种基于区域的分割方法，分割后形成的初始区域是图像对象的形状表述，是进一步信息提取的基础，因此分割的好坏对后续的图像解译有很大的影响。 该算法最早由Admas和Bischf在九十年代提出[32]。 区域生长以种子选择和区域形成为核心，最终提取目标区域。 但是，区域增长法对种子点的选择依赖性较强，对噪声的干扰，生长阈值的选择十分敏感，容易造成过度分割，必须要采取对应的抑制措施，区域合并是较为常用的方法[33]。 区域生长是指根据某一规则将一个种子像元的邻域点及这些邻域点的邻域点聚集为一个区域的过程。 从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性的相邻像素合并到此区域。 可以看出这是一个迭代的过程，这里每个种子像素点都迭代生长。 直到图像上的每个像素都进行过处理，因此，原图像也可以由处理后的不同的区域组成。 这些区域的边界必须为闭合多边形。 分割结果与原始图像的对应关系可以描述为：1）其中，f(x,y)表示原始遥感影像；表示第k个区域；2）3）其中表示是不同的区域。 根据增长的方式不同可以将区域增长法分为单连接区域生长、中心连接区域生长和混合连接生长。 单连接区域生长技术在判断邻域点是否合并进入区域的根据是判断种子点与邻域点的在“生长规则”下是否一致，如果一致则合并，否则判断其它邻域点。 而中心连接区域增长法判断邻域点是否合并的根据是判断种子点的邻域点与现有区域点集的某种属性在“生长规则”下是否一致，如果一致则合并，否则判断其它邻域点。 区域生长的准则一般为区域灰度差、区域灰度分布统计特性和区域形状[34]。 l) 基于区域灰度差平均灰度的均匀测度度量可以作为区域生长的相似性准则。 设某一图象区域O，其中像素数为N，则均值表示为: (26)于是，区域O的均匀测度度量可写成： (27)其中K为阈值。 上式可以解释为:在区域O中，各像素灰度值与均值的差不超过某阈值K，则其均匀测度度量为真。 2) 基于区域内灰度分布统计性质以灰度分布相似性作为生长准则来决定区域的合并，对灰度分布的相似性常用两种方法检测。 KolmogorovSmimov检测: (2。