CN106846344A - 一种基于边缘完备度的图像分割最优识别方法 - Google Patents

Abstract

本发明公开一种基于边缘完备度的图像分割最优识别方法。对图像进行平滑滤波；利用边缘检测获取图像边缘点；应用分割算法得到初始过分割图斑集；对图斑进行种子图斑识别和标记；计算图斑边缘完备度，并按内部边缘点及光谱差异性进行排序；选择优先图斑进行区域增长，计算并保存任一合并结果及边缘完备度，形成边缘完备度曲线；计算图斑边缘完备度曲线极大值，获取极大值点对应的图斑；标记极大值对应图斑为最优分割图像对象，标记该图标包含的初始过分割图斑为已处理图斑；应用本方法获取的分割结果，并由此计算得到的图斑空间信息反映了影像中地物真实的空间信息，为后续遥感信息提取中应用图像的空间信息、拓扑信息、上下文信息提供了基础。

Description

一种基于边缘完备度的图像分割最优识别方法

技术领域

本发明涉及图像分析中图像最优分割和图像对象的识别方法，尤其涉及一种集成利用多种图像线索--图像的区域与边缘、连续性与不连续性，进行分割结果的判别与认知方法。

背景技术

图像分割将图像中具有相似性的连通像元归为同一个图像区域，是图像连续性的一种表达，而图像边缘只反映了图像局部差异。如何判定分割结果的好坏是图像分割中的重要内容，图像分割的质量对后续的图像处理、语义认知和图像理解具有关键影响。

图像分割为解决空间高分辨率遥感影像(以下简称“高分影像”)数据处理中所遇到的瓶颈提供了一个新的解决思路，以图像分割为基础的面向对象图像分析为高分影像的实际应用提供新途径。面向地理对象的影像分析(Geographic Object-Based ImageAnalysis,GEOBIA)，致力于设计自动化的方法将遥感影像划分为有潜在意义的图像对象，并通过评估空间、光谱和时间尺度特性产生矢量格式的新的地理信息。GEOBIA中影像处理分析的基本单位不是像元而是像元的集合，称为对象，也称作图斑，再获取其属性。与传统基于像元影像分析技术相比，其优势在于不但能有效避免基于像元的遥感影像处理中存在的“椒盐噪声”，而且影像对象除了光谱、纹理特征外，还能产生几何形状、空间分布、空间上下文关系等空间特征，建立图像对象与真实地物之间的对应关系，成为一个新的遥感影像处理范式。大量国内外研究表明面向对象的遥感影像分析能有效克服高分遥感影像中对象内部细节、结构信息的影响，提高遥感影像使用的效率与精度。高分辨率遥感影像的出现使得面向对象影像分析技术开始在遥感影像图像处理、分析与理解方面得到重视，为高分影像分类、目标地物识别和变化检测等应用提供了有效的解决途径。

遥感影像灰度值的不连续性与相似性特征是遥感图像分割算法的基础，图像处理是获取图像内容信息的技术手段。图像分割应满足以下五个条件，即①分割必须完全，即所有像元应被划分到不同区域去，所有子区域组成集合；②分割结果中子区域内部像元需保持连通；③不同子区域必须是不存在交集的，即一个像元不可能被同时划分到两个及以上的区域中④属于同一子区域的像元应当具有某些相同或相似的特性，该特性下可以划分到一类中；⑤属于不同子区域之间的像元应当具有一些不同的特性，不能归为同一类。根据图像分割准则可以将大部分的分割算法划分为基于边界和基于区域的方法，前者基于影像边缘梯度信息获取边缘得到边界内部区域；后者将相似灰度级或相同组织结构的像元聚集起来形成区域，也称基于区域的分割。基于边界的分割一般分为两步：①边缘增强(即边缘检测)；②边缘连接(或称边界闭合)。边缘为影像灰度值呈现阶跃型或屋顶型变化的部分，反映了影像局部特征的不连续性。基于这一特性可以利用微分算子对边缘进行提取，微分算子包括基于一阶或二阶微分算子，对影像进行卷积完成计算。其中一阶微分的边缘检测算子主要包括Robert、Sobel、Prewitt与Canny梯度算子等，其中Canny梯度算子在梯度计算前先对灰度图像进行了平滑滤波。影像的一阶微分比给定阈值大的点是边缘点，二阶微分中的零交叉点为边缘点。将边缘点以某种给定的相似性准则进行相连，即成为一条边缘。由于获取的边缘往往只是局部连续，受各种因素干扰会产生边缘断裂。因此要将所有的边缘根据一定准则连接才能获得区域之间的完整的连续的边界，即分割结果。边缘是在进行灰度不连续测量时，由大于给定阈值的导数值的像元组成，是一个局部概念；而边界是封闭连通的边缘点集合，是一个整体性的概念。边缘、边界、轮廓这三个概念在图像分析中是逐层递进的，它们分别描述了从低层特征到高层符号化的过渡过程。基于边界分割的目标就是为了获取有意义的地物轮廓。基于区域的图像分割是基于区域内部一致性原则进行分割，区域生长/合并是一种串行分割技术，该方法是以一组代表不同区域的种子像元开始，将与种子点性质相似的相邻像元附加到所在的分割区域内，使种子像元聚合成区域的过程。算法的基本步骤可分为三步：种子像元的选定；种子点生长的相似性准则的确定；区域的颜色、纹理、形状特征均可作为判断区域生长的相似性准则；生长终止条件的确定，一般到不存在任何满足生长规则的像元时生长停止。区域生长方法由于能够生成闭合连续的区域且能利用较多的邻域信息，而成为遥感图像分割研究的重点之一。基于边缘与基于区域的分割实际是从同一点的不同角度出发，分别有各自的优势与局限：基于边界的分割方法通过边缘检测局部不连续性的像元，对局部边界信息的检测具有良好的效果，但全局分割能力不够，且很难得到闭合边缘；而基于区域的分割方法则利用像元的灰度统计信息创建区域，能够克服噪声的影响，但同时对边缘具体位置定位的准确性不够。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于边缘完备度的图像分割最优识别方法。

本发明的目的是通过以下技术方案来实现的：一种基于边缘完备度的图像分割最优识别方法，包括如下步骤：

(1)采用平滑算法对待处理图像进行滤波；

(2)利用边缘检测方法获取待处理图像的边缘点；

(3)应用图像分割算法，得到待处理图像的过分割的初始分割图斑集合；

(4)对全部图斑标记为未处理图斑，对未处理图斑进行种子图斑识别和标记；

(5)计算种子图斑的边缘完备度，按图斑的内部边缘点及光谱差异性进行图斑候选排序，内部边缘点少及光谱差异性小的图斑排序优先；

(6)在候选未处理种子图斑集合中，选择优先图斑进行区域增长，计算并保存任一合并结果及其边缘完备度，形成边缘完整度曲线；

(7)计算种子图斑边缘完整度曲线的极大值，获取极大值点所对应的图斑；

(8)标记极大值对应的图斑为最优分割图斑，标记该图标所包含初始过分割的图斑为已处理图斑；

(9)重复步骤6-8，至初始过分割图斑中所有种子图斑均处理完成；

(10)上述所有最优分割图斑及未处理的非种子图斑，形成该图像的最优分割结果。

进一步地，所述步骤5中，对于图像分割后特定图斑而言，按其边缘边界点数量占边界点总数的比例计算边缘完备度，并以图斑的内部边缘点的比重作为图斑边缘完备度的修正值；所述步骤4对进行种子图斑识别和标记，种子图斑为该图斑至少包括1个内部点，该内部点的4-邻域像元点均不为边界点。

本发明的有益效果是，本方法提供一种在图像分析中有效地进行图像最优分割和图像对象识别的技术手段，尤其提供了一种集成利用多种图像线索--图像的区域与边缘、连续性与不连续性，进行分割结果的判别与认知。本发明解决了面向对象的遥感影像分析方法中分割算法中参数选择的难题。应用本方法获取的分割结果，并由此计算得到的图斑空间信息反映了影像中地物真实的空间信息，为后续遥感信息提取中应用图像的空间信息、拓扑信息、上下文信息提供了基础。

附图说明

图1是本发明基于边缘完备度的图像分割最优识别方法的流程框图；

图2是图像分割判定4-邻域的示意图；

图3是本发明基于边缘完备度的图像分割最优识别方法的结果示意图；

图4是图3所示结果的边缘完备度曲线和局部极大值结果图；其中，(a)为图斑的边缘完备度曲线，(b)为利用中心差分求边缘完备度曲线的局部极大值。

具体实施方式

遥感影像灰度值的不连续性与相似性特征是遥感图像分割算法的基础，根据图像分割准则可以将大部分的分割算法划分为基于边界和基于区域的方法，前者基于影像边缘梯度信息获取边缘得到边界内部区域；后者将相似灰度级或相同组织结构的像元聚集起来形成区域，也称基于区域的分割。

本发明一种基于边缘完备度的图像分割最优识别方法，包括以下步骤：

1、采用平滑算法对待处理图像进行滤波；

采用高斯平滑算法，采用3×3或者5×5的模板对遥感影像中各个波段数据进行平滑滤波。

2、利用边缘检测方法获取待处理图像的边缘点；

Canny算子被认为是目前最优秀的边缘检测算子，Canny边缘检测用一阶偏导的有限差分来计算图像梯度的幅值和方向，并利用非极大值抑制方法保留局部梯度最大的点，而抑制非极大值。在每一点上，邻域的中心像元M与沿着梯度线的两个像元相比。如果M的梯度值不比沿梯度线的两个相邻像元梯度值大。在x、y方向表达如下：

由高低两个阈值的边缘图像确定一组优势边缘，在边缘强度序列中弱边缘组的低阈值小于强边缘组的低阈值，弱边缘组的高阈值小于强边缘组的高阈值。需要对Canny边缘检测结果进行减少假边缘段数量的操作，典型方法是对Canny边缘检测结果N[i，j](i,j为图像的行列号)使用一个阈值，将低于阈值的所有值赋零值。双阈值算法对非极大值抑制图像采用两个阈值τ₁和τ₂，从而可以得到两个阈值边缘图像N₁[i,j]和N₂[i,j]。由于N₂[i,j]使用高阈值得到，因而含有很少的假边缘，但有间断(不闭合)。双阈值法要在N₂[i，j]中把边缘连接成轮廓，当到达轮廓的端点时，该算法就在N₁[i,j]的8邻点位置寻找可以连接到轮廓上的边缘，这样，算法不断地在N₁[i,j]中收集边缘，直到将N₂[i,j]连接起来为止。

3、应用图像分割算法，得到待处理图像的过分割的初始分割图斑集合；

设定尺度增长方式为自然数增长，分割尺度阈值为自然数的平方；分割方法中图斑的合并代价f计算如下：

f＝w·h_color+(1-w)·h_shape

其中，w为设定的权重，其值在0-1之间；h_color为图斑的颜色或光谱差异性；h_shape为图斑的形状差异性。

其中，Obj1和Obj2代表合并前的两个图斑，Merge表示合并后的图斑，n为图斑的像元数，σ为图斑的均方差，c为参与分割的图层数。

h_shape＝w_cmpct·h_cmpct+(1-w_cmpc)·h_smooth

其中，w_cmpct为设定的权重，其值在0-1之间；h_cmpct为图斑的紧致性参数，h_smooth为图斑的光滑性参数。

其中，Obj1和Obj2代表合并前的两个图斑，Merge表示合并后的图斑，n为图斑的像元数，l为图斑的周长，b为图斑外接矩形的周长。

在一尺度系数下进行图像多尺度分割，在任一图斑合并前，计算合并代价，当合并代价大于尺度阈值时，不执行合并过程；反之，执行图斑合并过程。对于特定分割尺度的单次分割而言，分割过程如下：

图斑及图斑间的相邻关系定义如下：单个像元和多个空间上联通像元集合都可认为是图斑。对一个图斑，考察它的边界像元，如果两个相邻图斑的像元是4邻域相邻，则两个图斑是4邻域法相邻的。在分割进行的过程中，随着图斑的不断合并，图斑异质性不断增大，当图像中每一个图斑都满足如下条件时：①所有图斑异质性的均小于给定的阈值；②任意一个图斑再与任意一个邻域图斑合并后形成的新图斑的异质性都大于给定阈值。则认为分割过程中的一次分割完成。

分割过程中合并方法如下：当一个图斑有多于一个的相邻图斑符合归并的条件或有多次符合条件的图斑对时，就需要确定一个最优的归并图斑对，其归并的代价最小。对一个图斑A，考察它的四邻域像元邻接图斑，如果A与它的某个邻接图斑B满足如下条件则称A,B满足局部相互最佳匹配原则：①A与B合并后形成的大图斑的异质性小于或等于A与其它相邻图斑合并后形成的大图斑的异质性；②以B为中心图斑来寻找与B合并后满足异质性最小准则的邻接图斑C；③A＝C或者(2)中有多个满足条件的图斑，而A是其中之一。如果A,B满足局部相互最佳匹配原则就将它们合并为一个大图斑，如果不满足则以B为起始点继续查找。

选择一个相对小的值作为初始分割尺度，得到待处理图像的过分割的初始分割图斑集合。

所述步骤2对目标图像进行边缘检测，步骤3对目标图像进行过分割处理，步骤2和步骤3的次序可以互换；

4、对全部图斑标记为未处理图斑，对未处理图斑进行种子图斑识别和标记；

对进行种子图斑识别和标记，种子图斑为该图斑至少包括1个内部点，该内部点的4-邻域像元点均不为边界点。

5、计算种子图斑的边缘完备度，按图斑的内部边缘点及光谱差异性进行图斑候选排序，内部边缘点少及光谱差异性小的图斑排序优先；

对于当前图斑R，对于图斑的任一边界点，若该边界点的4-邻域中存在一个或以上边缘点，则该边界点为边缘边界点，计算R边界的边缘边界点长度占边界长度之比，定义为图斑边缘契合边界的完整度，简称边缘完整度，计算公式为：

L_boundary为图斑Ra边界点的像元个数，L_edge为符合条件的边缘边界点个数，I的取值范围为[0,1]。

对于当前图斑Ra，统计该图斑内部与边界点不相邻的边缘点数量，记为L_inside。设co为边缘完整度的修正系数，计算公式如下：

则该图斑的边缘完备度(ep)计算如下：

对于图像分割后的图斑，按其边界边缘点数量占边界点总数的比例计算边缘完整度，并以图斑的内部边缘点的比重作为图斑边缘完整度的修正值。边缘完备度(ep)的取值范围为[0,1]。

对于种子图斑，按图斑内部边缘点的数量进行排序，对于具有相同边缘点的图斑，按图斑的光谱均方差进行排序，值小的图斑优先处理。

6、在候选未处理种子图斑集合中，选择优先图斑进行区域增长，计算并保存任一合并结果及其边缘完备度，形成边缘完整度曲线；

在未处理的种子图斑中，选择内部边缘点最少、图斑光谱均方差最小的图斑作为优先图斑。采用区域增长的算法进行区域增长，初始分割尺度为基数，尺度增长方式为自然数增长，分割尺度阈值为自然数的平方。在该图斑与相邻图斑之间计算合并代价，当合并代价小于尺度阈值进行图斑合并操作，保存合并结果、记录合并尺度及其边缘完备度，当L_inside大于L_edge区域增长停止。整个区域增长过程中记录的合并尺度及其边缘完备度构成边缘完备度曲线。

7、计算种子图斑边缘完整度曲线的极大值，获取极大值点所对应的图斑；

边缘完备度曲线是一维离散数据，利用数值分析中对信号数据的微分处理方法求取曲线极大值。在对曲线求极大值时为消除误差带来的影响，须在求导前进行平滑滤波，使得曲线能够反映出应有的趋势。采用基于滑动窗口对一维离散数据进行卷积运算，实现对边缘完整度曲线的均值滤波，卷积模板大小为1×3，模板的权值如下所示

对于边缘完备度局部极大值的求法，采用简单有效的差分法求解曲线的一阶导数，离散数据求导分为向前、向后和中心差分。选用中心差分求边缘完备度曲线的局部极大值，具体公式为：

8、标记极大值对应的图斑为最优分割图斑，标记该图标所包含初始过分割的图斑为已处理图斑；

将所有极大值按增长尺度的顺序先后排列，获取极大值中的最大值，所对应的增长尺度为该图斑的最优分割尺度，所对应的分割对象为最优分割对象。

将最优分割对象与初始分割图斑集合进行叠置分析，把该最优分割对象的范围内的所有初始分割图斑标记为已处理图斑。

9、重复步骤6-8，至初始过分割图斑中所有种子图斑均处理完成；

10、上述所有最优分割图斑及未处理的非种子图斑，形成该图像的最优分割结果。

下面，我们参照附图来说明本发明的具体实施形态。

图1是表示与本发明实施形态有关的一种基于边缘完备度的图像分割最优识别方法的流程框图。框架图包括3大部分的处理，第一部分包括图像平滑、边缘检测与初始过分割图斑集的形成。边缘检测采用经典Canny边缘检测算法，该算法的有效实施需要基于图像的高斯平滑。图像分割操作也基于图像的高斯平滑结果，可以使得边缘检测结果与图像分割结果具有一致性。第二部分基于种子图斑识别和图斑标记，在遍历未处理图斑基础上，通过种子图斑的区域增长算法，计算合并过程中的图斑边缘完备度，形成边缘完备度曲线，获得图斑增长过程中边缘完备度的局部极大值，与边缘完备度极大值对应的图斑，是可能的最优分割和图像对象。

图2是图像4-邻域的示意图。

利用4-邻域结构进行图斑边界点识别：对于图斑中的任意一点，以该点为中心点，其4-邻域中存在其他图斑的像元点，则判别该点为该图斑的边界点。

利用4-邻域结构进行图斑边缘边界点识别：对于图斑中的任一边界点，以该点为中心点，其4-邻域中存在边缘点，则判别该点为该图标的边缘边界点。

利用4-邻域结构进行图斑内部点识别：对于图斑中的任意一点，以该点为中心点，其4-邻域中均为该图斑的像元点，则判别该点为该图斑的内部点。

利用4-邻域结构进行图斑内部边缘点识别：对于图斑中的任一边缘点，以该点为中心点，其4-邻域中均为该图斑的内部点，则判别该点为该图斑的内部边缘点。

如图3所示，在实施例中，黑色线范围内的一个图斑，该图斑由39个像元点组成，其中内部边缘点为3个；边界点为21个，边缘边界点为19个，边缘完整度为0.9，修正系数为0.86，边缘完备度为0.775。

如图4所示，在实施例中，黑色曲线(a)为图斑的边缘完备度曲线，黑色曲线(b)为利用中心差分求边缘完备度曲线的局部极大值。

本发明不限于以上的实施形态，在权利要求书中记载的发明范围内，可以进行种种的变更，这些变更当然也包含在本发明的范围内，这是不言而喻的。

Claims (3)

1.一种基于边缘完备度的图像分割最优识别方法，其特征在于，包括如下步骤：

(1)采用平滑算法对待处理图像进行滤波。

(2)利用边缘检测方法获取待处理图像的边缘点。

(3)应用图像分割算法，得到待处理图像的过分割的初始分割图斑集合。

(4)对全部图斑标记为未处理图斑，对未处理图斑进行种子图斑识别和标记。

(5)计算种子图斑的边缘完备度，按图斑的内部边缘点及光谱差异性进行图斑候选排序，内部边缘点少及光谱差异性小的图斑排序优先。

(6)在候选未处理种子图斑集合中，选择优先图斑进行区域增长，计算并保存任一合并结果及其边缘完备度，形成边缘完备度曲线。

(7)计算种子图斑边缘完备度曲线的极大值，获取极大值点所对应的图斑。

(8)标记极大值对应的图斑为最优分割图斑，标记该图斑包含的初始过分割的图斑为已处理图斑。

(9)重复步骤6-8，至初始过分割图斑中所有种子图斑均处理完成。

(10)上述所有最优分割图斑及未处理的非种子图斑，形成该图像的最优分割结果。

2.根据权利要求1所述的一种边缘完备度的图像分割最优结果识别方法，其特征在于，所述步骤5中，对于图像分割后的图斑而言，按其边缘边界点数量占边界点总数的比例计算边缘完备度，并以图斑的内部边缘点的比重作为图斑边缘完备度的修正值。

3.根据权利要求1所述的一种边缘完备度的图像分割最优结果识别方法，其特征在于，所述步骤4对进行种子图斑识别和标记，种子图斑为该图斑至少包括1个内部点，该内部点的4-邻域像元点均不为边界点。