论文部分内容阅读
[摘 要]面向对象的影像信息提取技术已经成为了解决高分辨率遥感影像计算机解译的主要手段。本文从面向对象影像信息提取技术中图像多尺度分割这一关键步骤出发，对其基本思想和主要算法FENA进行了叙述。最后本文以eCognition软件中的多尺度分割算法为例，进行了相关实验，证明了面向对象的遥感影像分析技术的可行性及在计算机解译中的优势性。
[关键词]面向对象，多尺度分割，FNEA
中图分类号：P237 文献标识码：A 文章编号：1009-914X（2013）25-0063-01
前言
随着遥感卫星的迅速发展，人们获得的影像分辨率已经突破米级。遥感影像与一般的图像相比，具有数据量大，灰度集较多，复杂的纹理特征及一定的尺度特征。所以遥感图像分割算法比一般的图像的分割算法要求更高。而且图像分割还是由图像处理进入图像分析的关键步骤，作为一种基本的计算机图像处理技术，一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。近几十年来，人们从基于边缘的图像分割这个基础出来，陆续引进很多新的方法和概念来完成图像分割，如小波变换、马尔可夫随机场理论、人工神经网络、遗传算法等等。但是这些方法都只能完成某一特定情况下的图像分割，不能完全适用于大多数情况。
因为遥感影像的是有像元组成的，所以传统的遥感影像多是基于像元的。但是在高分辨率遥感图像中，一类地物往往由多个像元组成，直接按像元进行分割会割裂许多存在的信息。在这种情况下，面向对象的遥感影像信息提取技术成为大家研究的热点，并取得了许多成果。
孙晓霞等利用面向对象信息提取的软件提取IKNOS影像中德河流和道路，精度较高。明冬萍等提出面向对象的信息提取框架。Willhauck等采用面向对象的影像分析方法，集合了多种数据如ERS SAR影像、植被图以及NOAA数据，完成印尼在1997年到1998年严重森林火灾后的制图任务。Huang等进行相关的实验，也对这种基于面向对象的分类结果的精度和准确性进行了肯定。尤其值得一提的是，第一个面向对象的遥感信息提取软件eCognition已经采用了面向对象和模糊规则的处理与分析技术并成功将其投入广泛商业运用。王文宇等对比了ERDAS和eCognition的分类结果，eCognition的结果好于ERDAS；丁晓英利用eCognition对土地进行分类；牛春盈等对面向对象的影像信息提取软件Feature Analst（FA）和eCognition（EC）做了分析与比较。
1.面向对象的基本思想
计算机在分析和处理遥感影像是按像元进行的，所以在早前的遥感影像的处理方法都是以像元为处理单元。但是舒宁认为采用计算的目的就是要减轻或者替代人的工作，应该将人的知识与计算机处理相结合。从一般事实可以知道，人们在进行目视解译的时候，通常是抓住图像的主要特征，先将自身的先验知识与图像的分析结合起来，将具有色彩、纹理、形状等明显特征的物体分辨出来。例如在进行武汉地物影像目视判读的时候，会首先注意到长江、东湖以及分开的武汉三镇。所以如果让计算机分析影像的方法模拟人眼的工作模式，应该能取得更好的效果。这就需要让计算机以影像同质区域为基本单位来进行影像处理。而这样的同质区域，就称之为对象。面向对象影像分割就是基于对象来进行的。
2.图像的多尺度分割
由于不同的类别信息在不同的尺度下有着不一样的表达，所以单一的尺度并不能很好的满足影像分析的需要，往往需要在不同的尺度下对遥感图像进行分析。对高分辨率遥感影像而言，空间分辨率就是尺度。在设定了多个尺度进行影像分割后，就可以形成一个以分割尺度为参数的影像对象层次网络体系。影像对象就是一个包括像元的光谱信息以及该像元与周围像元关系信息的等语义信息的集合。多尺度分割主要解决了遥感影像中不同属性的类别信息在不同尺度的对象层中得到了表达的问题。多尺度分割符合人类视觉的机制和特点，如随着尺度的逐步增大，是对影像对象逐步综合的过程。
3.FNEA多尺度分割算法
由Baatz M和Schape A于2000年提出的分形网络演化方法（fractal net evolution approach——FNEA）是目前应用广泛的多尺度分割算法。目前已经在商业软件eCognition中得到应用。
FNEA是由目视解译的过程而来，它以同质性规则为尺度因子，通过调整异质度阈值，将单一分辨率、像素表示的院士遥感影像转变为多尺度、多层次的图像实体网络。FNEA是一种基于自上而下的区域生长技术的图像分割，即从单一的像素开始，按照一定的最优原则合并相邻的图像实体，不断重复地将小对象合并成大对象，直到最小的异质性增加值超过阈值为止。得到的图像分割结果满足加权异质度最大，异质度阈值越小，区域合并的越少，图像实体的面积越小，总的图像实体个数越少。图1就是FNEA的多尺度分形结构示意图
4.实验及结果分析
下面以GeoEye-1卫星0.5m分辨率的遥感影像为例，使用eCognition软件进行多尺度分割，并对其结果进行分析。在eCognition中选择尺度为100，70，50，30的进行分割。得到如图的结果：
从结果统计中可以看出，随着尺度的降低，得到的对象越多，
5.结语
面向对象的影像信息提取技术是一种仿照人眼解译过程来进行的。人眼对影像的解译都是通过对象来实现的，在不同的尺度上对影像进行分割解译。通过进行多尺度分析，可以很好的将影像上不同层次上地物的明显特征体现出来，为计算机解译影像带来了更多的方便。但是多尺度的图像分割之后还需要进行对象特征的确定，才能对图像进行进一步的操作。从上述可以看出面向对象的遥感影像信息提取技术能够适应不同类别的遥感影像，表现出强大的生命力。
参考文献
[1] 章毓晋，图像分割[M].北京：科学出版社，2001，1-7.
[2] 孙晓霞，张继贤，刘正军，2006，利用面向对象的分类方法从IKONOS全色影像中提取河流与道路[J]。测绘科学，31（1）：62-63.
[3] 明冬萍，等，2005，高分辨率遥感影像信息提取及块状基于特征提取[J]，数据采集与处理，20（1）：34-39.
[关键词]面向对象，多尺度分割，FNEA
中图分类号：P237 文献标识码：A 文章编号：1009-914X（2013）25-0063-01
前言
随着遥感卫星的迅速发展，人们获得的影像分辨率已经突破米级。遥感影像与一般的图像相比，具有数据量大，灰度集较多，复杂的纹理特征及一定的尺度特征。所以遥感图像分割算法比一般的图像的分割算法要求更高。而且图像分割还是由图像处理进入图像分析的关键步骤，作为一种基本的计算机图像处理技术，一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。近几十年来，人们从基于边缘的图像分割这个基础出来，陆续引进很多新的方法和概念来完成图像分割，如小波变换、马尔可夫随机场理论、人工神经网络、遗传算法等等。但是这些方法都只能完成某一特定情况下的图像分割，不能完全适用于大多数情况。
因为遥感影像的是有像元组成的，所以传统的遥感影像多是基于像元的。但是在高分辨率遥感图像中，一类地物往往由多个像元组成，直接按像元进行分割会割裂许多存在的信息。在这种情况下，面向对象的遥感影像信息提取技术成为大家研究的热点，并取得了许多成果。
孙晓霞等利用面向对象信息提取的软件提取IKNOS影像中德河流和道路，精度较高。明冬萍等提出面向对象的信息提取框架。Willhauck等采用面向对象的影像分析方法，集合了多种数据如ERS SAR影像、植被图以及NOAA数据，完成印尼在1997年到1998年严重森林火灾后的制图任务。Huang等进行相关的实验，也对这种基于面向对象的分类结果的精度和准确性进行了肯定。尤其值得一提的是，第一个面向对象的遥感信息提取软件eCognition已经采用了面向对象和模糊规则的处理与分析技术并成功将其投入广泛商业运用。王文宇等对比了ERDAS和eCognition的分类结果，eCognition的结果好于ERDAS；丁晓英利用eCognition对土地进行分类；牛春盈等对面向对象的影像信息提取软件Feature Analst（FA）和eCognition（EC）做了分析与比较。
1.面向对象的基本思想
计算机在分析和处理遥感影像是按像元进行的，所以在早前的遥感影像的处理方法都是以像元为处理单元。但是舒宁认为采用计算的目的就是要减轻或者替代人的工作，应该将人的知识与计算机处理相结合。从一般事实可以知道，人们在进行目视解译的时候，通常是抓住图像的主要特征，先将自身的先验知识与图像的分析结合起来，将具有色彩、纹理、形状等明显特征的物体分辨出来。例如在进行武汉地物影像目视判读的时候，会首先注意到长江、东湖以及分开的武汉三镇。所以如果让计算机分析影像的方法模拟人眼的工作模式，应该能取得更好的效果。这就需要让计算机以影像同质区域为基本单位来进行影像处理。而这样的同质区域，就称之为对象。面向对象影像分割就是基于对象来进行的。
2.图像的多尺度分割
由于不同的类别信息在不同的尺度下有着不一样的表达，所以单一的尺度并不能很好的满足影像分析的需要，往往需要在不同的尺度下对遥感图像进行分析。对高分辨率遥感影像而言，空间分辨率就是尺度。在设定了多个尺度进行影像分割后，就可以形成一个以分割尺度为参数的影像对象层次网络体系。影像对象就是一个包括像元的光谱信息以及该像元与周围像元关系信息的等语义信息的集合。多尺度分割主要解决了遥感影像中不同属性的类别信息在不同尺度的对象层中得到了表达的问题。多尺度分割符合人类视觉的机制和特点，如随着尺度的逐步增大，是对影像对象逐步综合的过程。
3.FNEA多尺度分割算法
由Baatz M和Schape A于2000年提出的分形网络演化方法（fractal net evolution approach——FNEA）是目前应用广泛的多尺度分割算法。目前已经在商业软件eCognition中得到应用。
FNEA是由目视解译的过程而来，它以同质性规则为尺度因子，通过调整异质度阈值，将单一分辨率、像素表示的院士遥感影像转变为多尺度、多层次的图像实体网络。FNEA是一种基于自上而下的区域生长技术的图像分割，即从单一的像素开始，按照一定的最优原则合并相邻的图像实体，不断重复地将小对象合并成大对象，直到最小的异质性增加值超过阈值为止。得到的图像分割结果满足加权异质度最大，异质度阈值越小，区域合并的越少，图像实体的面积越小，总的图像实体个数越少。图1就是FNEA的多尺度分形结构示意图
4.实验及结果分析
下面以GeoEye-1卫星0.5m分辨率的遥感影像为例，使用eCognition软件进行多尺度分割，并对其结果进行分析。在eCognition中选择尺度为100，70，50，30的进行分割。得到如图的结果：
从结果统计中可以看出，随着尺度的降低，得到的对象越多，
5.结语
面向对象的影像信息提取技术是一种仿照人眼解译过程来进行的。人眼对影像的解译都是通过对象来实现的，在不同的尺度上对影像进行分割解译。通过进行多尺度分析，可以很好的将影像上不同层次上地物的明显特征体现出来，为计算机解译影像带来了更多的方便。但是多尺度的图像分割之后还需要进行对象特征的确定，才能对图像进行进一步的操作。从上述可以看出面向对象的遥感影像信息提取技术能够适应不同类别的遥感影像，表现出强大的生命力。
参考文献
[1] 章毓晋，图像分割[M].北京：科学出版社，2001，1-7.
[2] 孙晓霞，张继贤，刘正军，2006，利用面向对象的分类方法从IKONOS全色影像中提取河流与道路[J]。测绘科学，31（1）：62-63.
[3] 明冬萍，等，2005，高分辨率遥感影像信息提取及块状基于特征提取[J]，数据采集与处理，20（1）：34-39.