CN102005034B - 基于区域聚类的遥感影像分割方法 - Google Patents

Abstract

本发明公开了基于区域聚类的遥感影像分割方法，属于遥感影像综合利用领域。其步骤为：用MeanShift算法进行区域预分割，以去除噪声和对像元进行初步集群化；用模糊C均值算法对预分割后的图像进行模糊聚类，对各图像对象的特征进行初步的归纳与识别，得到各对象隶属于某一类别的概率，构成遥感影像的地类概率空间，从而为进一步的区域分割提供对象合并的依据；在聚类图像的概率空间中进行区域分割，通过区域标号将概率空间上相近且类别上相似的像元划分为同一对象。本发明克服了两种原有分割方法的不足之处，能够精确有效地对遥感影像进行分割，经过集成可以批量地完成对遥感影像的分割任务，为更好地从遥感影像提取地物信息提供数据支撑。

Description

基于区域聚类的遥感影像分割方法

技术领域

本发明涉及一种遥感影像分割方法，尤其是一种选用模糊C均值(Fuzzy CMeans，简称FCM)算法进行模糊聚类，选用均值漂移(Mean Shift)算法进行区域分割的遥感影像分割方法。

背景技术

遥感影像分割是指将遥感影像中的像元划分为互不相交的若干特定区域的过程。在海岸带典型地物遥感信息自动提取中采用遥感影像分割技术具有三重意义：首先，使处理的对象已从像元过渡到了对应于现实世界中地物图斑的对象，更接近人们观测数据的思维逻辑；其次，使同一个对象中的不同像元具有相同的光谱特征，在一定程度上克服了同物异谱问题，同时减轻了信息提取时的椒盐噪声效应；再次，面向对象分割实现了像元计算的集群化，减少了进一步分析时处理的数据量，有利于深入开展高性能遥感地学计算。因此，遥感影像分割是海岸带遥感信息自动提取方法中的基础环节。

据统计，当前图像分割方法林林总总，大约有1000多种。有关研究将图像分割方法大致分为五大类：①基于阈值的分割方法，该方法通过选取适当的阈值将遥感影像中的像元分为两类或多类，直接将目标信息和背景元素分开。②基于边缘的分割方法，即利用不同区域间像元灰度不连续的特点检测出区域间的边缘，再通过边缘跟踪，形成的封闭曲线构成小图斑。③基于区域的分割方法，主要指区域生长法和分裂合并法，其关键是判断两个相邻区域相似性的准则或函数。④基于聚类的分割方法，是将影像中的每个像元都映射为特征空间上的一个点，影像中不同的地类，就对应特征空间上不同的聚类。⑤基于特定模型的分割算法。将图像分割算法应用于遥感图像中，在20世纪末已开展了较多的研究(1986年，CanonR L等，在《Geoscience and Remote Sensing》第24期中发表文章“Sementation of a thematic mapper image using the fuzzy c-means clusteringalgorithm”；1988年，Laprade R H等，在《Computer Vision，Graphics and ImageProcessing》第48期中发表文章“Split-and-merge segmentation of aerialphotographs”；1995年，常晋义等在《环境遥感》第10卷第4期中发表文章“基于知识的迭代四叉树分割”；1999年，刘伟强等在《东南大学学报》29卷B11期中发表文章“基于马尔可夫随机场的遥感图像分割和描述”)。但是由于遥感图像的特殊性：①遥感图像尺寸较大(随尺寸增长、计算复杂度呈指数上升)；②遥感图像中的地物类型多样、形态结构复杂；③遥感图像中表达的现象或过程中往往具有多尺度的特性；④遥感图像是在非均匀光照条件下成像的，受到多种成像因素(如大气条件、地形因素)影响，同类地物的光谱差异较大。由于遥感图像的这些特性，简单应用上述的图像分割算法于遥感影像中，在有些情况下，其效果并不令人满意。自第一个面向对象的遥感信息提取软件eCognition面世以来，遥感影像分割方法由于加入了更多的地学特性才取得了长足的发展(2000年，BAATZ等在《Angewandte Geographische Informations-Verarbeitung》第7期，发表文章“Multiresolution segmentation-an optimization approach for high qualitymulti-scale image segmentation”；2001年，Blaschke等在《International Archives ofPhotogrammetry and Remote Sensing》第34卷第4期发表文章“Object-orientedimage analysis and scale-space：theory and methods for modeling and evaluatingmultiscale landscape structures”；2004年，陈秋晓等在《遥感科学》第5卷第3期发表文章“基于多特征的遥感影像分类方法”；2003年，郦苏丹等在《遥感学报》第7卷第2期，发表文章“基于相似性准则的SAR图像分割方法”；2009年，沈占峰等在《武汉大学学报(信息科学版)》第35卷第3期发表文章“高分辨率遥感影像多尺度均值漂移分割算法研究”)。

纵观前文提到的五类最主要的遥感图像分割方法，每一类都有自身独特的优势，但也都存在较为明显的不足。

①阈值分割。优点是计算简单，运算效率高，速度快；缺点是对图像的直方图依赖性过强，而未考虑空间特征，因此受噪声影响较大。

②边缘分割。优点是符合人类视觉系统的特点，边缘检测微分算子的发展已比较成熟；缺点是抗噪性和精度难以两全，且边缘跟踪方法的发展相对滞后，应用于地物复杂的遥感影像，往往难以在区域封闭完整和过分割之间实现平衡。

③区域分割。优点是充分考虑了图像的空间信息，并且易于同尺度概念相结合，符合遥感地学信息的一股特征；缺点是计算复杂，区域相似性指标往往难以确定。

④聚类分割。优点是易于实现，对遥感影像的运算结果包含了对地物信息的初步理解，有利于进一步分析；缺点是未利用影像的空间信息，分割结果易于产生椒盐现象。

⑤特定模型分割。这种方法近年来发展迅速，许多新的方法在针对特定的图像进行分割时较为有效，由于没有通用的理论，这些方法各有优劣，总体上尚不成熟，进行图像分割的精度仍有待提高。

发明内容

1.发明要解决的技术问题

本发明的目的是提供一种基于区域聚类的遥感影像分割方法，该方法结合了区域分割和聚类分割两种方法的优点，可以更便捷、有效地对遥感影像进行分割。所以此方法可以作为遥感影像处理的前期步骤，将遥感影像从像元转变到对应于现实世界中地物图斑的对象，更接近人们观测数据的思维逻辑，从而便于进一步从遥感影像中提取更为丰富的地理信息。

2.本发明的技术方案

FCM算法原理

FCM算法属于基于划分的聚类方法，它是一种“软”划分的方法，与传统的“硬”划分方法相比，它能更好地描述现实世界的不确定性，因而在图像分割等领域得到了广泛的应用。FCM算法是在硬C均值(Hard C Means，简称HCM)算法的基础上发展而来的，后者又被称为K均值(K-Means)算法。K-Means算法将每个待识别的对象严格地划分到某一个类别中去，具有非此即彼的性质。而FCM算法基于模糊集理论，它用模糊隶属度表示每个元素属于某个特定集合的可能性。隶属度的取值范围在0到1之间，隶属度越接近0，属于该集合的可能性就越小；隶属度越接近1，属于该集合的可能性就越大。研究利用FCM算法的这种特性对遥感影像进行聚类，从而得到每个像元隶属于各类别的概率图像。Mean Shift算法原理

Mean Shift算法是区域生长与合并方法中的一种快速、稳健的多尺度图像滤波与分割方法，它采用非参数核密度估计技术来进行聚类，估计过程完全依靠样本数据，对先验知识要求极少，并且可以用于任意形状密度函数的估计，因此对于不同结构的数据具有更好的适应性和稳健性。

给定d维空间R^d中的n个样本点x_i，i＝1，...，n，在x点的Mean Shift向量的基本形式定义为：

$M_h\left(x\right)\≡\frac{1}{k}\underset{x_i\∈S_h}{\mathrm{\Σ}}(x_i-x)---\left(1\right)$

其中，S_h是一个半径为h的高维球区域，满足以下关系的y点的集合，

S_h(x)≡{y：(y-x)^T(y-x)≤h²}  (2)

k表示在这n个样本点x_i中，有k个点落入S_h区域中.

我们可以看到(x_i-x)是样本点x_i相对于点x的偏移向量，(1)式定义的MeanShift向量M_h(x)就是对落入区域S_h中的k个样本点相对于点x的偏移向量求和然后再平均.从直观上看，如果样本点x_i从一个概率密度函数f(x)中采样得到，由于非零的概率密度梯度指向概率密度增加最大的方向，因此从平均上来说，S_h区域内的样本点更多的落在沿着概率密度梯度的方向.因此，对应的，Mean Shift向量M_h(x)应该指向概率密度梯度的方向

如附图1所示，大圆圈所圈定的范围就是S_h，小圆圈代表落入S_h区域内的样本点x_i∈S_h，黑点就是Mean Shift的基准点x，箭头表示样本点相对于基准点x的偏移向量，很明显的，我们可以看出，平均的偏移向量M_h(x)会指向样本分布最多的区域，也就是概率密度函数的梯度方向.

比较五类主要遥感图像分割方法的优缺点，可以发现，区域分割同聚类分割的优缺点可以形成互补，一方面，聚类的结果作为区域分割的相似性指标，改善区域分割过程对图像的理解；另一方面，区域分析充分考虑了图像的空间信息，能够避免聚类产生的椒盐噪声。因此，研究将基于区域的分割方法和基于聚类的分割方法结合起来，提出一种新的基于区域聚类的遥感影像分割算法，其核心思想为将在地类概率空间和地理空间上邻近的像元组合为对象。整个方法包括四个关键步骤：

本发明的具体技术方案如下：

基于区域聚类的遥感影像分割方法，步骤如下：

步骤1：区域预分割，即在待分割的原始图像的光谱空间中进行初步的区域分割，以消除图像中存在的噪声，同时初步合并像元，减轻进一步分析的计算量；其具体步骤为：

①输入由N个样本数据组成的图像{x_i，i＝1，2，…，N}，并设定空间域带宽h_s和值域带宽h_r，以及分割对象最小尺度M；

②获取一个样本数据x_i，根据h_s和h_r获取其邻域样本数据x_p∈S_h(x_i)；

③根据式

使用核函数计算各邻域样本x_p与x_i的相似度；

④根据式

计算样本数据x_i对应的MeanShift向量；

⑤用Mean Shift向量移动x_i，即x_i＝x_i+m_h，K(x_i)；

⑥重复③、④、⑤，直至向量收敛；

⑦重复②、③、④、⑤，直至遍历所有样本数据x_i；

⑧依据h_s和h_r，使用种子生长法对图像进行区域标号；

⑨输出分割图像。

步骤2：模糊聚类。在预分割图像的光谱空间中进行模糊聚类，其目的是对各图像对象的特征进行初步的归纳与识别，得到各对象隶属于某一类别的概率，构成遥感影像的地类概率空间，从而为进一步的区域分割提供对象合并的依据；其具体步骤为：

①输入由N个样本数据组成的图像{x_i，i＝1，2，…，N}，并设定聚类的个数C；

②初始化各聚类的中心{μ_j，j＝1，2，…，C}；

③根据式d_ij ²＝||x_i-μ_j||²，(i＝1，2，…，N，j＝1，2，…，C)，计算各样本到各聚类中心的距离矩阵D；

④根据式

计算各样本属于各聚类的隶属度矩阵P；

⑤根据式

重新计算各聚类的中心{μ_j，j＝1，2，…，C}；

⑥重复③、④、⑤，直至式

收敛；

⑦输出概率图像。

步骤3：区域重分割。在模糊聚类得到的图像概率空间中进行区域分割，通过区域标号将概率空间上相近且类别上相似的像元划分为同一对象；方法同步骤1，区别在于：步骤1的①中输入的图像为原始的光谱图像，而本步骤中输入的图像为步骤2计算得出的概率图像。

步骤4：分割对象合并。即消除较小的分割对象，将其归并到邻近分割对象中去。具体方法是以分割对象最小尺度M为标准，面积小于M的分割对象将被划归到与之最邻近其他分割对象中去；面积大于M的分割对象才保留下来。以此减少分割对象的数目。

3.有益效果

本发明对原先的两种遥感影像分割方法进行了巧妙的组合使用，用两种方法的互补，克服了原来方法的不足之处，形成了一种有效的遥感影像分割方法。本发明首先通过Mean Shift算法进行区域预分割，在一定程度上消除了噪声，并将像元集群化；再通过FCM模糊聚类算法对像元群进行初步识别并得到各像元隶属地类的概率空间；最后再次用Mean Shift算法对地类概率空间进行分割，分割后合并同类像元得到分割图像。两次不同空间的Mean Shift算法分割大大提高了分割精度，实验也获得了很好的图像分割效果。所以此发明经过集成可以批量地完成对遥感影像的分割任务。遥感影像分割技术具有三重意义：首先，使处理的对象从像元过渡到了对应于现实世界中地物图斑的对象，更接近人们观测数据的思维逻辑；其次，使同一个对象中的不同像元具有相同的光谱特征，在一定程度上克服了同物异谱问题；再次，面向对象分割实现了像元计算的集群化，大大减少了进一步分析时处理的数据量，有利于深入开展高性能遥感地学计算。因此，遥感影像分割为更好、更方便地从遥感影像提取地物信息提供数据支撑。

附图说明

附图1Mean Shift算法原理示意图；

附图2用Mean Shift算法进行区域预分割的流程图；

附图3用FCM算法进行模糊聚类的流程图；

附图4为待分割的新英港遥感影像图；

附图5为用Mean Shift算法预分割后的新英港遥感影像图；

附图6为模糊聚类处理后用Mean Shift算法再分割后的新英港遥感影像图；

附图7为对分割图像进行合并后的遥感影像图。

具体实施方式

以下通过实施例对本发明作进一步描述：

实施例：

采用附图4所示新英港遥感影像作为待分割遥感影像，影像大小为500行*500列。采用标准C++编程语言实现本方法的整个图像分割的过程。遥感影像数据的读写操作用开源地理数据格式转换类库GDAL实现。

主要由四个步骤组成：区域预分割；模糊聚类；区域再分割；分割对象的合并。

步骤一：区域预分割。目的：一是去除图像噪声，二是实现像元的初步集群化。(整个过程如附图2流程图所示)

1)读取数据。

用GDAL作为数据读写工具，利用GDALOpen方法读取遥感影像文件，转化为500行*500列*7波段大小的整型数组。

2)自适应参数计算。

采用Mean Shift算法进行预分割，需要设置两个参数，分别是空间域带宽hs和光谱域带宽hr。对于这两个参数的选取，一股具有如下规律：参数设置越大，则分割尺度越大，所生成的分割对象越少。为了设置合适的参数，从而确定较优的尺度，取得满意的分割结果，研究通过反复试验，可以得出结论：①空间域带宽hs对分割粒度的影像较小，而光谱域带宽h r对分割粒度的影响较大；②随着空间域带宽hs的增大，遥感影像的分割对象数N先是迅速减少，随后变化速度趋于平缓，到达极小值后又稳步上升，其取值为4～6时，分割粒度响应曲线最为平缓，算法对人为尺度选择造成的随机性干扰不敏感，分割的结果较为稳健，综合比较后选择hs＝5作为标准参数值，相当于选取像元周围11×11像元大小的窗口作为其邻域；③随着光谱域带宽hr的增大，遥感影像的分割对象数N持续减少，变化速度逐渐减慢，变化幅度趋于平缓，其取值大于10时，分割粒度响应曲线最为平缓，但分割的粒度过大会导致分割精度的降低，而区域预分割在整个分割过程中实际上是一个预处理步骤，因此在分割时应在合并像元的同时，尽量确保分割结果的正确性，以较小粒度的分割为宜；④对于不同的遥感影像数据源而言，辐射分辨率越低，像元间的DN值就越接近，落入某一固定光谱域带宽的像元就越多，因此通过人为设置光谱域带宽参数较为困难，宜从图像本身的特性出发进行该参数的设置，本发明采用以下策略实现自适应的参数设置：对单个像元，统计其空间域邻域中的所有像元与它的DN值之差的均值，即为该像元邻域范围内的平均光谱差异；统计所有像元的平均光谱差异，对其再求均值，即为整个图像在一定空间域带宽下的平均光谱差异，以此作为光谱域带宽h r。对于实施例的遥感影像数据而言，经计算hr＝8.90。

3)用meanShift算法对影像进行滤波处理。

首先，遍历所有样本，对每个样本数据x_i，分别遍历它所有的hs＝5的领域像元，将所有邻域像元在数组中的位置编号写入一个领域数组neis[]；

其次，根据每个x_i的邻域像元的值，用calMeanShift函数分别计算该像元点的meanShift向量，存储在ms[]数组中。

calMeanShift函数实现的核心代码如下：

//遍历当前像元的空间域邻域

for(idNei＝0；idNei＜nNeis；idNei++)

{

    //获取当前邻域像元编号

    idxNei＝neis[idNei]；

    //获取当前邻域像元特征向量

    xNei[0]＝idxNei/m_width；

    xNei[1]＝idxNei％m_width；

    for(k＝0；k＜dms；k++)

    {

        xNei[k+2]＝data[idxNei+k*m_size]；

        }

    //计算偏移向量，判断当前邻域像元是否是当前像元的值域邻域

    flg＝true；

    for(k＝0；k＜dms+2；k++)

    {

        shift[k]＝xNei[k]-x[k]；

        if(k＞1&&fabs(shift[k])＞m_dis)

        {

            flg＝false；

            break；

        }

    }

    //如果是值域邻域，累加均值漂移向量

    if(flg)

    {

        w＝1；

        for(k＝0；k＜dms+2；k++)

        {

            ms[k]+＝w*shift[k]；

        }

    }

}

最后，用meanshift向量来移动当前像元，并计算每次像元的的移动距离存储在disShift中，直到移动距离满足收敛条件disShift＜1，则停止迭代移动，把从原影像得到的数组经过meanShift移动后的结果存放到m_filtered[]数组中。

4)依据空间域带宽h_s和光谱域带宽h_r，使用种子生长法对图像进行区域标号。

首先定义一个500*500大小的标记数组m_labels[]，用0开始的自然数表示像元属于不同的对象，先初始化为-1(表示未标记)。然后以未标记的像元为种子点，进行八邻域搜索，经过循环，完成整个图像的填充，最后总共从250000个像元中得到33776个对象标号。

5)根据图像标号数组得到预分割后的栅格图像。

具体方法是计算相同标号的像元的DN值的均值，以这一均值作为该类对象所有像元的DN值填入图像数组中即得到预分割图像，如附图5所示。

步骤二：模糊聚类。在预分割图像的光谱空间中进行模糊聚类，其目的是对各图像对象的特征进行初步的归纳与识别，得到各对象隶属于某一类别的概率，构成遥感影像的地类概率空间，从而为进一步的区域分割提供对象合并的依据。(整个过程如附图3流程图所示)

1)聚类数选取。

模糊聚类是指对预分割图像进行的初步识别，其目的是形成地类概率分布图像。采用FCM算法进行模糊聚类，需要设置一个参数，即聚类数C。通过反复试验，可以得出结论：随着聚类数C的增大，预分割对象可能隶属的类别数增多，相邻预分割对象类别相同的可能性降低，因此遥感影像的分割对象数N逐渐增加，当聚类数C增加到一定程度时(C＞20)，其数量远远超过遥感影像上反映出的实际地类数，即聚类对现实地类的描述能力下降，综合比较后选择20作为聚类数目。

2)获取聚类中心。

用random函数直接生成C个产生0到样本总数之间的随机整数作为聚类的初始中心。

3)计算距离矩阵和隶属度矩阵

首先定义分别定义两个大小为样本总数*聚类中心数的二维数组来存放这两个矩阵。其次依照公式d_ij ²＝||x_i-μ_j||²，(i＝1，2，…，N，j＝1，2，…，C)计算每个样本在光谱空间中与每一个聚类中心的距离，存储在距离矩阵中。再根据公式

计算每个样本隶属于每个类中心的概率值存储在隶属度矩阵中。再根据式重新计算各聚类的中心{μ_j，j＝1，2，…，C}。对这一小步的整个过程进行循环计算，直到式

收敛，即聚类中心基本固定下来。

4)获得概率图像

因为经过区域预分割的图像中属于同一对象的像元DN值已经一致了，所以它们隶属于各个类的概率值都相等，就等于它们所属对象相对每个类中心的隶属度。这样就可以根据33776个对象样本的隶属度矩阵得到整幅影像的C维地类概率空间图像(C是聚类中心数目)。概率影像存储到一个有图像像点数*聚类数目个值的数组中。

步骤三：区域重分割。是指对于地类概率分布图像进行的分割，其目的是合并概率空间相近且类别相似的像元。

1)设置概率域带宽hp。

概率域带宽hp就相当于前面按照图像光谱域进行预分割时的光谱带宽hr。通过反复试验，可以得出结论：着概率域带宽hp的增大，遥感影像的分割对象数N整体上呈逐步减少的趋势，且变化速度有加快的趋势，这是由于hp是对邻域对象地类相似度的描述，若hp较大，则地类概率差异较大的邻域对象也被认为是同一类别，从而被合并为同一对象，综合比较后选择hp＝15，此时分割粒度响应曲线较为平稳，说明算法的稳健性较好。所以使用(hs＝5，hp＝15)为参数进行区域重分割。

2)用meanShift算法对概率图像进行滤波处理。

按照步骤一中3)同样的方法，对步骤二得到的概率图像进行处理，得到meanShift滤波后的m_filtered[]数组。

3)概率硬化。

概率图像表示的仅仅是每个像元隶属于每个类的概率大小，并没有将每个像元划分为某一类。所以需要用一个ha rden函数对概率图像进行“硬化”，即将C维概率图像转换为确定的地类分割图像。具体方法就是对每一个像元进行判断，选择该像元隶属概率最大的那个地类作为该像元的确定划分地类，即得到一幅C类地类的分割图。

4)根据地类划分图标号，并生成重分割后的影像。

同样是使用label函数对遥感影像每个像元，按照该像元在地类划分图像上的地类类型号进行标号。然后采用与步骤一中5)相同的方法获得区域重分割后的栅格图像，如附图6所示。

步骤四：分割对象的合并。

以分割后栅格图像为数据源，进行合并，即设定一个图斑面积的阈值，将面积小于指定的最小图斑面积的分割单元合并到与之相邻的分割单元，以消除较小的分割块。得到最终分割结果，如附图7。

这一分割结果简单来说就是，将原遥感影像上每个像元点的7个波段的值看做是7维空间的7个坐标值，然后根据每个像元点在这个7维光谱空间中的位置相互接近程度，将在7维空间中相互接近的像元划分为同一类，用它们的各波段亮度均值代替原来各自的各波段亮度值，也就是被划分为同一类的像元用一样的像元值来表示，就是附图7这样的分割结果。

下面以一张表来对比分割结果与原图像的区别：

Claims (1)

1.一种基于区域聚类的遥感影像分割方法，包括以下步骤：

步骤1：区域预分割，即在待分割的遥感影像的光谱空间中用MeanShift算法对图像进行初步的区域分割：

①选择经过影像预处理的遥感影像作为待分割的数据源，用GDAL作为数据读写工具读入遥感影像；

②要为MeanShift算法确定合适的空间域带宽hs和光谱域带宽hr两个参数，所述空间域带宽hs为5；对于光谱域带宽hr，用以下方法计算：对单个像元，统计其空间域邻域中的所有像元与该单个像元的DN值之差的均值，即为该像元邻域范围内的平均光谱差异；统计所有像元的平均光谱差异，对其再求均值，即为整个图像在一定空间域带宽下的平均光谱差异，以此作为光谱域带宽hr；

③用meanShift算法对影像进行滤波处理；然后依据空间域带宽hs和光谱域带宽hr，使用种子生长法对图像进行区域标号，最后计算相同标号的像元的DN值的均值，以这一均值作为相同标号的所有像元的DN值填入图像数组中即得到预分割图像；

步骤2：模糊聚类，即在预分割后图像的光谱空间中用FCM算法进行模糊聚类：

①采用FCM算法进行模糊聚类，需要设置一个参数，即聚类数C，选择20作为聚类数；随机选取20个样本像元点作为聚类中心；

②通过计算距离矩阵和隶属度矩阵，然后重新计算聚类中心，再次计算距离矩阵和隶属度矩阵的循环得到稳定地聚类中心和隶属度矩阵，从而得到每个像元点隶属于每个类中心的概率大小组成的概率图像；

步骤3：区域重分割，即对模糊聚类得到的概率图像用MeanShift算法进行区域分割：

用与步骤1一致的方法对概率图像进行MeanShift滤波处理，用种子生长法对图像进行标号得到分割后的每个对象隶属于每个地类的概率图像；然后依据每个对象隶属于各个地类概率的大小进行概率硬化，即确定每个对象应属于隶属概率最大的那一类；

步骤4：分割对象的合并，即消除面积小的分割对象，将其归并到邻近分割对象中去：

以分割对象最小尺度M为标准，面积小于M的分割对象将被划归到与之最邻近其他分割对象中去；面积大于M的分割对象才保留下来；以此减少分割对象的数目。

Images