基于自动多种子区域生长的遥感影像面向对象分割方法

工程科学学报，第39卷，第11期：1735-1742,2017年11月 Chinese Journal of Engineering,Vol.39,No.11:1735-1742,November 2017 D0l:10.13374/j.issn2095-9389.2017.11.017:http://journals..ustb.edu.cn 基于自动多种子区域生长的遥感影像面向对象分割 方法 闫东阳，明冬萍四 中国地质大学（北京）信息工程学院，北京100083 ☒通信作者，E-mail:mingdp@cugh.cdu.cn 摘要在遥感影像分割分类中，种子区域生长算法是一种常见的分割算法.传统的种子区域生长算法只能提取单一连续 的、纹理简单的目标地物，而对具有复杂纹理和多光谱特征的遥感影像，分割时存在分割效果差、不能同时有效地提取多个地 物的问题.针对以上问题，本文提出了一种改进的面向对象的自动多种子区域生长算法.该方法适用于同时提取多个目标地 物，且分割效果好.该方法首先使用一种改进的中值滤波对影像进行平滑处理，使目标内部一致性更高，同时保留纹理信息 然后通过一定的准则进行自动种子选取并进行生长，最后对生长后的区域进行碎斑合并处理，最终得到多种对象的分割结 果.本文采用三组不同大小的1空间分辨率的航空影像进行实验，通过与分水岭以及传统单种子区域生长算法的多组实验 对比，发现该方法可以面向全局对象，自动选取覆盖各种地物类型的种子，同时对多种地物目标进行分割处理，可为后续面向 对象影像分析和应用提供可靠的数据基础. 关键词自动种子选取：区域生长：图像分割：面向对象 分类号TP751.1 Object-oriented remote sensing image segmentation based on automatic multiseed region growing algorithm YAN Dong-yang,MING Dong-ping School of Information Engineering,China University of Geosciences (Beijing),Beijing 100083,China Corresponding author,E-mail:mingdp@cugb.edu.cn ABSTRACT For the segmentation of a remote sensing image,the seeded region growing algorithm is a common method.The tradi- tional single-seed region growing algorithm can only segment a remote sensing image in a single,continuous object with simple texture. However,in the case of a high-resolution remote sensing image with complex texture and multispectral features,the segmentation result of this algorithm is unsatisfactory,as it cannot segment multiple objects simultaneously and effectively.To solve this problem,this pa- per proposes an improved object-oriented automatic multiseed region growing algorithm,which is suitable for simultaneously extracting multiple target objects and its segmentation result is also good.The method first uses an improved median filter to smooth the image, making the interior of the multiple target objects homogeneous,while preserving their texture.Then,it automatically selects the multi- ple seed regions through a certain criterion and finally,processes the grown regions and combines them.Thus,this paper obtains the segmentation results of various objects.The paper uses three sets of aerial images with different spatial resolutions to carry out experi- ments.Compared with watershed algorithm and traditional single-seed region growing algorithm,this method can be used for global ob- jects.It can automatically select different types of seeds with multiple features and can simultaneously segment multiple target objects, thus providing a reliable data for the object-oriented image analysis and application. KEY WORDS automatic seed selection:seed region growing:image segment:object-oriented 收稿日期：201702-20 基金项目：国家自然科学基金资助项目(41371347,41671369)：中央高校基本科研业务费专项资金资助项目

工程科学学报，第 39 卷，第 11 期: 1735--1742，2017 年 11 月 Chinese Journal of Engineering，Vol． 39，No． 11: 1735--1742，November 2017 DOI: 10． 13374 /j． issn2095--9389． 2017． 11． 017; http: / /journals． ustb． edu． cn 基于自动多种子区域生长的遥感影像面向对象分割 方法 闫东阳，明冬萍 中国地质大学( 北京) 信息工程学院，北京 100083  通信作者，E-mail: mingdp@ cugb． edu． cn 收稿日期: 2017--02--20 基金项目: 国家自然科学基金资助项目( 41371347，41671369) ; 中央高校基本科研业务费专项资金资助项目 摘 要 在遥感影像分割分类中，种子区域生长算法是一种常见的分割算法． 传统的种子区域生长算法只能提取单一连续 的、纹理简单的目标地物，而对具有复杂纹理和多光谱特征的遥感影像，分割时存在分割效果差、不能同时有效地提取多个地 物的问题． 针对以上问题，本文提出了一种改进的面向对象的自动多种子区域生长算法． 该方法适用于同时提取多个目标地 物，且分割效果好． 该方法首先使用一种改进的中值滤波对影像进行平滑处理，使目标内部一致性更高，同时保留纹理信息． 然后通过一定的准则进行自动种子选取并进行生长，最后对生长后的区域进行碎斑合并处理，最终得到多种对象的分割结 果． 本文采用三组不同大小的 1 m 空间分辨率的航空影像进行实验，通过与分水岭以及传统单种子区域生长算法的多组实验 对比，发现该方法可以面向全局对象，自动选取覆盖各种地物类型的种子，同时对多种地物目标进行分割处理，可为后续面向 对象影像分析和应用提供可靠的数据基础． 关键词 自动种子选取; 区域生长; 图像分割; 面向对象 分类号 TP751. 1 Object-oriented remote sensing image segmentation based on automatic multiseed region growing algorithm YAN Dong-yang，MING Dong-ping School of Information Engineering，China University of Geosciences ( Beijing) ，Beijing 100083，China  Corresponding author，E-mail: mingdp@ cugb． edu． cn ABSTＲACT For the segmentation of a remote sensing image，the seeded region growing algorithm is a common method． The tradi￾tional single-seed region growing algorithm can only segment a remote sensing image in a single，continuous object with simple texture． However，in the case of a high-resolution remote sensing image with complex texture and multispectral features，the segmentation result of this algorithm is unsatisfactory，as it cannot segment multiple objects simultaneously and effectively． To solve this problem，this pa￾per proposes an improved object-oriented automatic multiseed region growing algorithm，which is suitable for simultaneously extracting multiple target objects and its segmentation result is also good． The method first uses an improved median filter to smooth the image， making the interior of the multiple target objects homogeneous，while preserving their texture． Then，it automatically selects the multi￾ple seed regions through a certain criterion and finally，processes the grown regions and combines them． Thus，this paper obtains the segmentation results of various objects． The paper uses three sets of aerial images with different spatial resolutions to carry out experi￾ments． Compared with watershed algorithm and traditional single-seed region growing algorithm，this method can be used for global ob￾jects． It can automatically select different types of seeds with multiple features and can simultaneously segment multiple target objects， thus providing a reliable data for the object-oriented image analysis and application． KEY WOＲDS automatic seed selection; seed region growing; image segment; object-oriented

·1736· 工程科学学报，第39卷，第11期 图像分割是把图像分为若干个特定的、具有独 或者碎小的区域进行合并 特性质的区域四，这些区域满足特定区域一致性条 其算法流程图如图1所示. 件，这里的一致性条件可以是满足灰度、纹理或者颜 输人待分割的RGB高分遥感数据 色等特征的某种相似性准则.图像分割在图像工程 中占据重要的位置，因为其分割形成的区域是目标 数据预处理（影像裁剪、校正、直方图均衡化等） 表达的基础，即遥感影像面向对象分析和处理的基 本单元，分割结果直接影响到目标表达、特征提取和 OSU方法计算种子选取与生长所需的阀值 参数测量，区域提取的准确性大小影响着后续的图 像处理过程， 现行的图像分割技术有很多，总的来说，图像分割 面向全局遍历影像进行种子点的选取 方法可以分成四大类，阈值法(threshold technique)、基 于边界的方法(boundary-based)、基于区域的方法(re 是否满足 种子选取条件 gion-based)和边界区域混合方法(hybrid tech-- nique)四.分水岭算法和种子区域生长算法是两种常 是 见的基于区域的分割算法.分水岭算法是Vincent和 待生长种子 Soille在1991年提出来的，由于其不错的分割效果 而在多个领域得到广泛应用.种子区域生长算法 按照区域生长准则进行生长 则是Adams和Bischof在1994年提出了一种新的基 于区域的图像分割算法.单种子区域生长算法对灰度 图像有较好的分割效果，且要求分割对象连续、简单， 是否所有种子 否 像元都已处理 但是对彩色图像，特别是高分辨率的遥感影像来说，往 往达不到满意的分割效果.此外，包括种子区域生长 是 算法及其改进算法⑧在内的许多分割算法都是针对 利用区域融合解决过度分割 感兴趣区域进行分割提取，现有的种子点选取方法也 图1面向对象的自动多种子区域生长算法流程图 往往存在种子点数目和分布难以自适应选取等问题. Fig.1 Workflow of object-oriented-based automatic multiseed region 而高分遥感影像地物种类复杂多样，常常需要面向全 growing algorithm 局对象提取出多种目标地物进行分割并分类，此时，以 1.10TSU方法计算种子选取与生长所需阈值 上分割方法就不能很好的满足分割需求. OTSU算法是按图像的灰度特性，将图像分成目 基于以上问题，本文提出了一种面向对象的自动 标和背景两个部分.目标和背景之间的类间方差越 多种子区域生长算法，该算法是在传统的种子区域生 大，说明构成图像的两部分的差别越大，当部分目标错 长算法基础上，使用一定的规则自动选取种子，种子类 分为背景或部分背景错分为目标时，都会导致两部分 型覆盖多种地物对象，经过生长之后可以对全图对象 的差别变小因此，使类间方差最大的分割意味着错 进行分割，且可获得较好的分割结果，便于后续的面向 分概率最小 对象的遥感影像处理分析操作 在面向对象的遥感影像分割中，影像中的每种地 物类型都是待分割对象，这些对象都需要被分割出来 1算法 文献1]中使用0TSU方法将灰度图像进行预分割， 在种子区域生长方法中，种子点的选取、生长准 形成不同的区域来选取种子点进行区域生长，本文考 则、以及终止条件是比较关键的三个问题，而每个问题 虑到OTSU算法常用于灰度图像，所以提出了一种新 都直接影响到分割结果的好坏.本文提出的面向对象 的方法.将应用在灰度图像上的OTSU方法运用到区 的自动多种子区域生长算法使用最大类间方差算法 域生长算法的种子选取与生长过程中。待分割影像可 (又称大津法，OT$U方法)@来确定合适的分割阀值 以分为目标以及边界两个部分，并且通过边界区分不 进行种子选取以及之后的种子生长.分割阅值选取的 同的对象.基于边缘检测的图像分割也是一种常见的 合适与否直接影响到分割效果.本文将传统的OSTU 分割方法，并且针对灰度图像也有着不错的分割效 算法应用到彩色图像上，计算得到合适的阈值进行种 果2切.在本文方法中，首先通过计算像元的8邻域 子选取与生长.最后再根据一定的规则对过分割区域 欧氏距离将整幅影像区分为分割对象和边界，然后利

工程科学学报，第 39 卷，第 11 期 图像分割是把图像分为若干个特定的、具有独 特性质的区域［1］，这些区域满足特定区域一致性条 件，这里的一致性条件可以是满足灰度、纹理或者颜 色等特征的某种相似性准则． 图像分割在图像工程 中占据重要的位置，因为其分割形成的区域是目标 表达的基础，即遥感影像面向对象分析和处理的基 本单元，分割结果直接影响到目标表达、特征提取和 参数测量，区域提取的准确性大小影响着后续的图 像处理过程． 现行的图像分割技术有很多，总的来说，图像分割 方法可以分成四大类，阈值法( threshold technique) 、基 于边界的方法( boundary-based) 、基于区域的方法( re￾gion-based ) 和边界区域混合方法 ( hybrid tech￾nique) ［2］． 分水岭算法和种子区域生长算法是两种常 见的基于区域的分割算法． 分水岭算法是 Vincent 和 Soille［3］在 1991 年提出来的，由于其不错的分割效果 而在多个领域［4--6］得到广泛应用． 种子区域生长算法 则是 Adams 和 Bischof［7］在 1994 年提出了一种新的基 于区域的图像分割算法． 单种子区域生长算法对灰度 图像有较好的分割效果，且要求分割对象连续、简单， 但是对彩色图像，特别是高分辨率的遥感影像来说，往 往达不到满意的分割效果． 此外，包括种子区域生长 算法及其改进算法［8--9］在内的许多分割算法都是针对 感兴趣区域进行分割提取，现有的种子点选取方法也 往往存在种子点数目和分布难以自适应选取等问题． 而高分遥感影像地物种类复杂多样，常常需要面向全 局对象提取出多种目标地物进行分割并分类，此时，以 上分割方法就不能很好的满足分割需求． 基于以上问题，本文提出了一种面向对象的自动 多种子区域生长算法，该算法是在传统的种子区域生 长算法基础上，使用一定的规则自动选取种子，种子类 型覆盖多种地物对象，经过生长之后可以对全图对象 进行分割，且可获得较好的分割结果，便于后续的面向 对象的遥感影像处理分析操作． 1 算法 在种子区域生长方法中，种子点的选取、生长准 则、以及终止条件是比较关键的三个问题，而每个问题 都直接影响到分割结果的好坏． 本文提出的面向对象 的自动多种子区域生长算法使用最大类间方差算法 ( 又称大津法，OTSU 方法) ［10］来确定合适的分割阈值 进行种子选取以及之后的种子生长． 分割阈值选取的 合适与否直接影响到分割效果． 本文将传统的 OSTU 算法应用到彩色图像上，计算得到合适的阈值进行种 子选取与生长． 最后再根据一定的规则对过分割区域 或者碎小的区域进行合并． 其算法流程图如图 1 所示． 图 1 面向对象的自动多种子区域生长算法流程图 Fig． 1 Workflow of object-oriented-based automatic multiseed region growing algorithm 1. 1 OTSU 方法计算种子选取与生长所需阈值 OTSU 算法是按图像的灰度特性，将图像分成目 标和背景两个部分． 目标和背景之间的类间方差越 大，说明构成图像的两部分的差别越大，当部分目标错 分为背景或部分背景错分为目标时，都会导致两部分 的差别变小． 因此，使类间方差最大的分割意味着错 分概率最小． 在面向对象的遥感影像分割中，影像中的每种地 物类型都是待分割对象，这些对象都需要被分割出来． 文献［11］中使用 OTSU 方法将灰度图像进行预分割， 形成不同的区域来选取种子点进行区域生长，本文考 虑到 OTSU 算法常用于灰度图像，所以提出了一种新 的方法． 将应用在灰度图像上的 OTSU 方法运用到区 域生长算法的种子选取与生长过程中． 待分割影像可 以分为目标以及边界两个部分，并且通过边界区分不 同的对象． 基于边缘检测的图像分割也是一种常见的 分割方法，并且针对灰度图像也有着不错的分割效 果［12--13］． 在本文方法中，首先通过计算像元的 8 邻域 欧氏距离将整幅影像区分为分割对象和边界，然后利 · 6371 ·

闫东阳等：基于自动多种子区域生长的遥感影像面向对象分割方法 ·1737· 用OTSU方法得到种子选取与生长所需的阈值，可以 到T=max(hist(EdImage))迭代结束，该阈值法应用 做到同时针对全局对象进行分割提取，并取得良好的 于阌值的计算中，可以快速得到种子选取与生长过程 分割结果. 中应用的阈值 彩色图像对应有R、G、B三个分量，要将三个分量 1.2自动种子选择 通过一定准则整合成一个变量来表示该像元的特征， 在区域生长算法中，种子点的选取是非常关键的， 进而以该特征来求阈值进行分割.本文采用的是每个 因为种子决定了整个区域生长.传统的种子点的选取 像元与其8邻域像元之间的欧氏距离的平均值来表示 有两种方法，一种是根据先验知识进行人机交互手动 该像元的特征. 选择法，如文献14一15]中利用友好人机界面手动选 Ed(C(x,y）,C(x,y）) (1) 取种子点；另一种是自动选择法，如文献16]中提到 式中，C(x,y)为选中像元，C(x',y）为选中像元的8 的利用最小光谱异质性，文献7]中提到的使用分水 邻域像元，Ed为两者的欧氏距离. 岭进行分割来选取种子.初始种子点也由原来的单一 对图像中的每一个像元，计算其与8邻域像元的 种子发展成为多种子生长.本文则提出了另一种自动 欧氏距离的平均值，得到一幅欧氏距离图像(Edm- 种子选取方法，该方法不需要人机交互，即可在待分割 ge).在该图像中每一个像元的值即为该点在原图像 的遥感影像中检测每一个像元点，找到每一个满足作 中与8邻域像元的欧氏距离的平均值.在这幅Edm- 为种子的条件的像元.本文提出可作为种子的像元应 ag图像上，由边界和内部两类组成，边界和内部的颜 满足以下三个条件： 色距离不同.得到EdImage的直方图(hist（Edm- (1)种子像元应与周围像元有高度的相似性： age)）,X轴是每一个距离值(Lena~Lenx）,Y轴表 (2)种子像元不能处在边界上： 示为该值在整幅图像中出现的频率。将图像的直方图 (3)同一类种子应相连. 以某一距离为阈值T将图像分为两组，一组为区域边 具体分析如下： 界处像元与邻域的距离(D),另一组为区域内部像元 (1)能作为种子的像元与四周像元有高度的相 与邻域的距离(D),当两组间的方差最大时，该阈值 似性 就能把边界的距离和内部的距离分开，也就是可以把 Ed(C(x,y）,C(x,y）)<T- (3) 待分割图像分为目标和边界 式中，C(x,y)表示(x,y)处的像元信息，C(x,y)为候 t-i 计算D和D的概率分别为：w,= P 选像元的邻域像元，Ed= 。=三，式中，e分别为在距离为时DD √/(R。-R)2+(G.-G)2+(B-B),R、G.、B.和 I-TL R、G、B分别为C(x,y）、C(x,y)像元的R、G、B三 的分布概率，P:为距离为i时的概率 个分量，T,由1.1中计算出来的阈值T决定. T1 这两组和整体的均值分别为：，= ix p:/@ 由该条件可以延伸出以下两个条件 条件a: La-I Len- .ixp.lo- Ed(C(x,y),C、(x,y)<T (4) T ,i×P式中，4为整体均 值4，分别为在距离为i时D、D,的均值. 式中，C、(x,y)表示以检测像元N为中心的8邻域的 两类的类间方差σ为： 平均值，用来表示8邻域的颜色特征.利用检测像元 0=0(4-u)2+0,(4,-u)2. (2) 与邻域平均值的距离表示检测像元到邻域的变化情 式中，σ2为两类的类间方差. 况，如果大于阈值，从检测像元到邻域距离过大，则说 当σ2最大值是T时取值为T,该T为利用欧氏 明两者之间颜色变化剧烈，检测像元所处的位置不平 距离区分分割对象和边界的阈值，也即在种子生长过 滑，检测像元可能是噪声点.反之，若距离小于阈值， 程中保持一类相似性的阈值. 则检测像元到邻域颜色变化缓慢，检测像元与周围像 在计算过程中先取T=T,=min(hist(Edlmage), 元具有高度相似性，处在平滑区域，可以选为种子 T∈Lenn~Len],计算每一次迭代的过程中距离 也可采用对检测像元的8方向进行测试来评价. 小于T的部分的均值u(<n和距离大于T的部分的均 条件b: 值4，n,方差S=业(n-刀)(T-44n Ed(C(x,y),C (x,y))<T. (5) u(n-4(<n)2 ,如果T2下 式中，C(x,y)和Cn(x,y)为相对于检测像元相反方向 的方差S2大于T,下的方差S,则将T赋予新值T,直 上位于8邻域边缘上的点.对检测像元的8个方向做

闫东阳等: 基于自动多种子区域生长的遥感影像面向对象分割方法 用 OTSU 方法得到种子选取与生长所需的阈值，可以 做到同时针对全局对象进行分割提取，并取得良好的 分割结果． 彩色图像对应有 Ｒ、G、B 三个分量，要将三个分量 通过一定准则整合成一个变量来表示该像元的特征， 进而以该特征来求阈值进行分割． 本文采用的是每个 像元与其 8 邻域像元之间的欧氏距离的平均值来表示 该像元的特征． Ed( C( x，y) ，C'( x'，y') ) ． ( 1) 式中，C( x，y) 为选中像元，C'( x'，y') 为选中像元的 8 邻域像元，Ed 为两者的欧氏距离． 对图像中的每一个像元，计算其与 8 邻域像元的 欧氏距离的平均值，得到一幅欧氏距离图像( EdIm￾age) ． 在该图像中每一个像元的值即为该点在原图像 中与 8 邻域像元的欧氏距离的平均值． 在这幅 EdIm￾age 图像上，由边界和内部两类组成，边界和内部的颜 色 距 离 不 同． 得 到 EdImage 的 直 方 图 ( hist ( EdIm￾age) ) ，X 轴是每一个距离值( Lenmin ～ Lenmax ) ，Y 轴表 示为该值在整幅图像中出现的频率． 将图像的直方图 以某一距离为阈值 T 将图像分为两组，一组为区域边 界处像元与邻域的距离( Db ) ，另一组为区域内部像元 与邻域的距离( Di ) ，当两组间的方差最大时，该阈值 就能把边界的距离和内部的距离分开，也就是可以把 待分割图像分为目标和边界． 计 算 Db 和 Di 的 概 率 分 别 为: ωb = ∑ T －1 i = Lenmin pi， ωi = ∑ Lenmax－1 i = T +1 pi ． 式中，ωb、ωi 分别为在距离为 i 时 Db、Di 的分布概率，pi 为距离为 i 时的概率． 这两组和整体的均值分别为: μb = ∑ T －1 i = Lenmin i × pi /ωb， μi = ∑ Lenmax－1 i = T +1 i × pi /ωi，μ = ∑ Lenmax－1 i = 0 i × pi ． 式中，μ 为整体均 值，μb、μi 分别为在距离为 i 时 Db、Di的均值． 两类的类间方差 σ 为: σ2 = ωb ( μb － μ) 2 + ωi ( μi － μ) 2 ． ( 2) 式中，σ2 为两类的类间方差． 当 σ2 最大值是 T 时取值为 T* ，该 T* 为利用欧氏 距离区分分割对象和边界的阈值，也即在种子生长过 程中保持一类相似性的阈值． 在计算过程中先取 T = T1 = min( hist( EdImage) ) ， T∈［Lenmin ～ Lenmax］，计算每一次迭代的过程中距离 小于 T 的部分的均值 μ( ＜ T) 和距离大于 T 的部分的均 值 μ( ＞ T) ，方差 S = ( μ( ＞ T) － T) ( T － μ( ＜ T) ) ( μ( ＞ T) － μ( ＜ T) ) 2 ，如果 T2 下 的方差 S2大于 T1 下的方差 S1，则将 T 赋予新值 T2，直 到 T = max( hist( EdImage) ) 迭代结束，该阈值法应用 于阈值的计算中，可以快速得到种子选取与生长过程 中应用的阈值． 1. 2 自动种子选择 在区域生长算法中，种子点的选取是非常关键的， 因为种子决定了整个区域生长． 传统的种子点的选取 有两种方法，一种是根据先验知识进行人机交互手动 选择法，如文献［14--15］中利用友好人机界面手动选 取种子点; 另一种是自动选择法，如文献［16］中提到 的利用最小光谱异质性，文献［17］中提到的使用分水 岭进行分割来选取种子． 初始种子点也由原来的单一 种子发展成为多种子生长． 本文则提出了另一种自动 种子选取方法，该方法不需要人机交互，即可在待分割 的遥感影像中检测每一个像元点，找到每一个满足作 为种子的条件的像元． 本文提出可作为种子的像元应 满足以下三个条件: ( 1) 种子像元应与周围像元有高度的相似性; ( 2) 种子像元不能处在边界上; ( 3) 同一类种子应相连． 具体分析如下: ( 1) 能作为种子的像元与四周像元有高度的相 似性． Ed( C( x，y) ，C'( x'，y') ) ＜ T1 ． ( 3) 式中，C( x，y) 表示( x，y) 处的像元信息，C'( x'，y') 为候 选 像 元 的 邻 域 像 元， Ed = ( Ｒc － Ｒc' ) 2 + ( Gc － Gc' ) 2 + ( Bc － Bc' 槡 ) 2 ，Ｒc、Gc、Bc 和 Ｒc'、Gc'、Bc'分别为 C( x，y) 、C'( x'，y') 像元的 Ｒ、G、B 三 个分量，T1 由 1. 1 中计算出来的阈值 T 决定． 由该条件可以延伸出以下两个条件． 条件 a: Ed( C( x，y) ，CN ( x，y) ) ＜ T1 ． ( 4) 式中，CN ( x，y) 表示以检测像元 N 为中心的 8 邻域的 平均值，用来表示 8 邻域的颜色特征． 利用检测像元 与邻域平均值的距离表示检测像元到邻域的变化情 况，如果大于阈值，从检测像元到邻域距离过大，则说 明两者之间颜色变化剧烈，检测像元所处的位置不平 滑，检测像元可能是噪声点． 反之，若距离小于阈值， 则检测像元到邻域颜色变化缓慢，检测像元与周围像 元具有高度相似性，处在平滑区域，可以选为种子． 也可采用对检测像元的 8 方向进行测试来评价． 条件 b: Ed( Cm ( x，y) ，Cn ( x，y) ) ＜ T1 ． ( 5) 式中，Cm ( x，y) 和 Cn ( x，y) 为相对于检测像元相反方向 上位于 8 邻域边缘上的点． 对检测像元的 8 个方向做 · 7371 ·

·1738 工程科学学报，第39卷，第11期 测试（垂直、水平、2个对角）分别用4个对角来表示8 在每次迭代中新种子的信息会参与到区域特征的 邻域内的颜色变化情况.如果8个方向上的4个对角 计算中，所以，每个像元的颜色特征都会对整个区域的 都满足要求，则该检测像元可以作为种子 颜色特征做贡献.如果采用固定不变的颜色特征来完 本文的算法采用的是条件a,考虑到以下两点： 成区域生长，区域特征从一开始就固定不变，但是在边 (1)变化最剧烈的点不一定正好在邻域的对角，所以 界处颜色处于过渡态，所以当区域生长到靠近边界时， 仅仅采用4个对角的颜色信息没有办法准确而完整的 无法生长下去.如果采用变化的区域特征，就能考虑 表示整个邻域的颜色变化情况：(2)条件b算法没有 到区域的颜色过渡和彩色图像各像元之间的信息高度 考虑检测像元自己本身的颜色信息，因此无法排除检 相关图，使区域生长更加的完整 测像元本身是否是噪声点.所以本文定义种子选择的 1.4区域生长准则 第一个条件为： 种子生长即给定一个种子像元，判断种子像元的 √(R-Rx)2+(G-G)2+(B-B、)2<T.(6) 周围是否属于同一区域，然后生长.那么要定义邻域 式中，(R、,G、,B、)表示的是检测像元8邻域内各像元 内一个像元是否属于该区域，就要找到合适的指标来 RGB分量的各平均值.当检测像元与其邻域的平均值 量化、比较. 的欧氏距离小于特定阈值，则选为种子 准则1：基于颜色相似 (2)能作为种子的像元不应在边界上. 人眼在识别图像时往往将不同的颜色视为不同的 两个像元间的颜色距离越大越有可能说明这两个 类型.如果根据人视觉直接感知到的颜色差异来进行 像元代表的是不同的目标，不同的目标之间肯定存在 分割，那么要在RGB空间上进行，可采用曼哈顿距离 着边界.所以通过比较邻域间两个像元的颜色距离可 来表示两个对象之间的特征距离也即相似程度，或用 以判断该两像元是否代表了不同的目标，如果是，则要 三阙值法，即RGB中的三个分量各设一个阈值，三分 小心避免边界，因为边界往往处于过渡状态，边界附近 量同时满足要求即∑D,(C(x,y),Cx,)<T(i∈ 的颜色不能很好的代表整个区域的颜色特征，在边界 R,G,B)或者D,(C(x,y),Cax,y)<E.(i∈R,G,B). 附近选择的种子点没有办法向区域内部生长.避免边 其中，D为i∈R,G,B上的曼哈顿距离.T为设定阈 界的准则也可以用邻域内最大距离来表示 值，e:为三个分量(R、G、B)分别设定的阈值 Ed<T. (7) 曼哈顿距离形式上更简单，也更容易测量距离，视 式中，T为1.1中计算出来的阈值，Edx=max(Ed),i 觉颜色相似性稳定网.把三个分量分开讨论，考虑了 ∈，8]，Ed,为检测像元与8邻域像元的欧氏距离， RGB中的三分量之间的独立性和三分量各自的渐变 Ed表示检测像元8邻域内欧氏距离的最大值 性.但是这样需要设置3个阈值，比较麻烦.而且 (3)同一区域中的种子相联通 将所有的种子选择好后，相邻的种子视为同一颗 RGB中的分量受到光照的影像，不适合用来进行图像 种子.不相邻的种子视为不同的类.并重新计算各类 分割，所以本文考虑使用RGB空间上的欧氏颜色距 种子的颜色信息 离，该准则是被采用得最多的生长准则 (11) 1.3区域特征变化 Ed(C(x,y),CR(x,y))<T. 对于待分割区域R(R:Region)中的所有像元(x, 在RGB颜色空间上的欧氏距离，距离代表着颜色 y)定义一个N.函数： 特征的远近程度，小于阈值则表示检测像元与区域颜 (x,y）∈R 色的距离程度较近，可以算为一类，则将检测像元归为 IN0.other (8) 该类 则区域的平均值为 该准则考虑了检测像元与候选区域的颜色特征的 ∑∑IN.)cW 距离。是最直接最原始的比较办法.但是，由于噪声 Ca(x,y）= (9) 点是颜色突变的点，其与其所属的区域的颜色距离较 ∑∑IN,W 大，所以在准则1下的生长会受到这些噪声点的干扰， 该区域内的标准差表示为： 这些噪声点所在的像元会成为空洞点，造成分割欠缺 为了避免噪声点产生的空洞，本文在准则1的基础在 02= ∑∑IN.(x,)Ed(Cx,C(x)） ∑∑IN.(, 上再增加一条生长准则. 准则2：基于四周已标记像元（邻域相似比(NSR: (10) neighbor similar rate))

工程科学学报，第 39 卷，第 11 期 测试( 垂直、水平、2 个对角) 分别用 4 个对角来表示 8 邻域内的颜色变化情况． 如果 8 个方向上的 4 个对角 都满足要求，则该检测像元可以作为种子． 本文的算法采用的是条件 a，考虑到以下两点: ( 1) 变化最剧烈的点不一定正好在邻域的对角，所以 仅仅采用 4 个对角的颜色信息没有办法准确而完整的 表示整个邻域的颜色变化情况; ( 2) 条件 b 算法没有 考虑检测像元自己本身的颜色信息，因此无法排除检 测像元本身是否是噪声点． 所以本文定义种子选择的 第一个条件为: ( Ｒ － ＲN ) 2 + ( G － GN ) 2 + ( B － BN 槡 ) 2 ＜ T1 ． ( 6) 式中，( ＲN，GN，BN ) 表示的是检测像元 8 邻域内各像元 ＲGB 分量的各平均值． 当检测像元与其邻域的平均值 的欧氏距离小于特定阈值，则选为种子． ( 2) 能作为种子的像元不应在边界上． 两个像元间的颜色距离越大越有可能说明这两个 像元代表的是不同的目标，不同的目标之间肯定存在 着边界． 所以通过比较邻域间两个像元的颜色距离可 以判断该两像元是否代表了不同的目标，如果是，则要 小心避免边界，因为边界往往处于过渡状态，边界附近 的颜色不能很好的代表整个区域的颜色特征，在边界 附近选择的种子点没有办法向区域内部生长． 避免边 界的准则也可以用邻域内最大距离来表示． Edmax ＜ T． ( 7) 式中，T 为 1. 1 中计算出来的阈值，Edmax = max ( Edi ) ，i ∈［1，8］，Edi为检测像元与 8 邻域像元的欧氏距离， Edmax表示检测像元 8 邻域内欧氏距离的最大值． ( 3) 同一区域中的种子相联通． 将所有的种子选择好后，相邻的种子视为同一颗 种子． 不相邻的种子视为不同的类． 并重新计算各类 种子的颜色信息． 1. 3 区域特征变化 对于待分割区域 Ｒ( Ｒ: Ｒegion) 中的所有像元( x， y) 定义一个 INＲ 函数: INＲ = 1， ( x，y) ∈Ｒ; {0， otherwise． ( 8) 则区域的平均值为 CＲ ( x，y) = ∑x ∑y INＲ ( x，y) C( x，y) ∑x ∑y INＲ ( x，y) ． ( 9) 该区域内的标准差表示为: σ2 = ∑x ∑y INＲ ( x，y) Ed2 ( CＲ ( x，y) ，C( x，y) ) ∑x ∑y INＲ ( x，y) ． ( 10) 在每次迭代中新种子的信息会参与到区域特征的 计算中，所以，每个像元的颜色特征都会对整个区域的 颜色特征做贡献． 如果采用固定不变的颜色特征来完 成区域生长，区域特征从一开始就固定不变，但是在边 界处颜色处于过渡态，所以当区域生长到靠近边界时， 无法生长下去． 如果采用变化的区域特征，就能考虑 到区域的颜色过渡和彩色图像各像元之间的信息高度 相关［18］，使区域生长更加的完整． 1. 4 区域生长准则 种子生长即给定一个种子像元，判断种子像元的 周围是否属于同一区域，然后生长． 那么要定义邻域 内一个像元是否属于该区域，就要找到合适的指标来 量化、比较． 准则 1: 基于颜色相似． 人眼在识别图像时往往将不同的颜色视为不同的 类型． 如果根据人视觉直接感知到的颜色差异来进行 分割，那么要在 ＲGB 空间上进行，可采用曼哈顿距离 来表示两个对象之间的特征距离也即相似程度，或用 三阈值法，即 ＲGB 中的三个分量各设一个阈值，三分 量同时满足要求． 即 ∑i Di ( C( x，y) ，CＲ( x，y) ) ＜ T( i∈ Ｒ，G，B) 或者 Di ( C( x，y) ，CＲ ( x，y) ) ＜ εi ( i∈Ｒ，G，B) ． 其中，Di为 i∈Ｒ，G，B 上的曼哈顿距离． T 为设定阈 值，εi 为三个分量( Ｒ、G、B) 分别设定的阈值． 曼哈顿距离形式上更简单，也更容易测量距离，视 觉颜色相似性稳定［19］． 把三个分量分开讨论，考虑了 ＲGB 中的三分量之间的独立性和三分量各自的渐变 性． 但是这 样 需 要 设 置 3 个 阈 值，比 较 麻 烦． 而 且 ＲGB 中的分量受到光照的影像，不适合用来进行图像 分割，所以本文考虑使用 ＲGB 空间上的欧氏颜色距 离，该准则是被采用得最多的生长准则． Ed( C( x，y) ，CＲ ( x，y) ) ＜ T． ( 11) 在 ＲGB 颜色空间上的欧氏距离，距离代表着颜色 特征的远近程度，小于阈值则表示检测像元与区域颜 色的距离程度较近，可以算为一类，则将检测像元归为 该类． 该准则考虑了检测像元与候选区域的颜色特征的 距离． 是最直接最原始的比较办法． 但是，由于噪声 点是颜色突变的点，其与其所属的区域的颜色距离较 大，所以在准则 1 下的生长会受到这些噪声点的干扰， 这些噪声点所在的像元会成为空洞点，造成分割欠缺． 为了避免噪声点产生的空洞，本文在准则 1 的基础在 上再增加一条生长准则． 准则 2: 基于四周已标记像元( 邻域相似比( NSＲ: neighbor similar rate) ) ． · 8371 ·

闫东阳等：基于自动多种子区域生长的遥感影像面向对象分割方法 ·1739 sR梁 (12) 来的三幅大小不同的影像A、影像B和影像C,三幅影 像大小依次增大，所包含的内容和信息逐渐增加.并 式中，Card(N)为检测像元8邻域像元集合，Card(O) 且采用了传统单种子区域生长算法以及分水岭分割和 为检测像元8邻域候选区域已标记的像元. 本文提出的面向对象的自动多种子区域生长三种方法 准则2有效的避免了噪声点的干扰，即使噪声点 进行实验对比分析.具体实验结果图如下所示， 与候选区域的颜色距离较大，但是若该点邻域内各像 图2(a)、3(a)、4(a)分别为大小依次增大，具有多种 元的标记与候选区域标记相同，则说明该点的四周都 地物且纹理结构复杂的高分辨率遥感影像原图， 属于候选区域，按照区域连通性原则，该点也应视为与 图2(b)3(b)、4(b)为单种子区域生长分割结果图， 周围同类，标记与周围像元的标记一样。因为考虑到 图2(c)、3(c)、4(c)为分水岭分割算法结果图， 检测像元往往处于区域的当前边界，四周的像元可能 图2(d)3(d)4(d)为本文提出的算法的分割结果 还没有被标记，所以取不到像元的标记值，也就无法使 本文采用定性和定量两种评价方法对本文提出的方法 用准则2来判断检测像元是否能生长.所以，本文将 的有效性进行评估， 该条件稍稍放宽 2.1实验结果定性分析 准则2.1： 定性评价主要是通过目视观测来评估几种主要地 NR -Cand() (13) 物的分割效果.从图2、3、4分割结果对比图，可以得 式中，Card(N)为检测像元8邻域像元集合，Card(P) 出以下结论 为颜色距离满足阈值T的像元的集合，即：Card(P)= (1)在图像越来越复杂，包含的地物和纹理越来 {(x.y)∈N:Ed(C(x,y),C、(x.,yn))≤T},这和种 越多时，普通的单种子区域生长只能提取出单一地物， 子选择中的第一个条件相同，即将准则2中的“标记相 难以满足影像全局信息提取的需要.单种子区域生长 同”条件改成“颜色距离小于一定阈值”.这样稍稍放 算法对单一连续的地物具有较好的分割效果，但是由 宽了条件，但是又能起到同样的作用.用“颜色距离小 于种子选取、阈值设置等问题，造成对具有复杂纹理， 于一定阈值”作为生长准则可以提高生长准则的使用 多个非连续地物类型的遥感影像分割效果较差 效率 (2)分水岭算法虽然可以分割出多种地物类型， 但是在纹理复杂、颜色过渡的地方，分割效果有些欠 2实验结果和分析 佳.存在不同程度的过分割（图3（©）中的林地和草 本实验使用了从1m分辨率的航空影像中裁剪出 地)和欠分割（图4(c)中的建筑物和道路）. 图2影像A分割结果对比图.(a)原始影像A:(b)单种子区域生长结果图：（©）分水岭分割结果图：()本文提出的算法分割结果图 Fig.2 Comparison of the segment result of image A:(a)original image A:(b)the segment result of singleseed region growing algorithm:(c)the segment result of watershed algorithm:(d)the segment result of the algorithm proposed by this paper

闫东阳等: 基于自动多种子区域生长的遥感影像面向对象分割方法 NSＲ = Card( Q) Card( N) . ( 12) 式中，Card( N) 为检测像元 8 邻域像元集合，Card( Q) 为检测像元 8 邻域候选区域已标记的像元． 准则 2 有效的避免了噪声点的干扰，即使噪声点 与候选区域的颜色距离较大，但是若该点邻域内各像 元的标记与候选区域标记相同，则说明该点的四周都 属于候选区域，按照区域连通性原则，该点也应视为与 周围同类，标记与周围像元的标记一样． 因为考虑到 检测像元往往处于区域的当前边界，四周的像元可能 还没有被标记，所以取不到像元的标记值，也就无法使 用准则 2 来判断检测像元是否能生长． 所以，本文将 该条件稍稍放宽． 准则 2. 1: NSＲ = Card( P) Card( N) . ( 13) 式中，Card( N) 为检测像元 8 邻域像元集合，Card( P) 为颜色距离满足阈值 T 的像元的集合，即: Card( P) = { ( xn，yn ) ∈N: Ed( C( x，y) ，CN ( xn，yn ) ) ≤T} ，这和种 子选择中的第一个条件相同，即将准则2 中的“标记相 同”条件改成“颜色距离小于一定阈值”． 这样稍稍放 宽了条件，但是又能起到同样的作用． 用“颜色距离小 于一定阈值”作为生长准则可以提高生长准则的使用 效率． 图 2 影像 A 分割结果对比图 . ( a) 原始影像 A; ( b) 单种子区域生长结果图; ( c) 分水岭分割结果图; ( d) 本文提出的算法分割结果图 Fig． 2 Comparison of the segment result of image A: ( a) original image A; ( b) the segment result of single-seed region growing algorithm; ( c) the segment result of watershed algorithm; ( d) the segment result of the algorithm proposed by this paper 2 实验结果和分析 本实验使用了从 1 m 分辨率的航空影像中裁剪出 来的三幅大小不同的影像 A、影像 B 和影像 C，三幅影 像大小依次增大，所包含的内容和信息逐渐增加． 并 且采用了传统单种子区域生长算法以及分水岭分割和 本文提出的面向对象的自动多种子区域生长三种方法 进行 实 验 对 比 分 析． 具体实验结果图如下所示， 图 2( a) 、3( a) 、4( a) 分别为大小依次增大，具有多种 地物且 纹 理 结 构 复 杂 的 高 分 辨 率 遥 感 影 像 原 图， 图 2( b) 、3( b) 、4( b) 为单种子区域生长分割结果图， 图 2( c ) 、3 ( c ) 、4 ( c ) 为 分 水 岭 分 割 算 法 结 果 图， 图 2( d) 、3( d) 、4( d) 为本文提出的算法的分割结果． 本文采用定性和定量两种评价方法对本文提出的方法 的有效性进行评估． 2. 1 实验结果定性分析 定性评价主要是通过目视观测来评估几种主要地 物的分割效果． 从图 2、3、4 分割结果对比图，可以得 出以下结论． ( 1) 在图像越来越复杂，包含的地物和纹理越来 越多时，普通的单种子区域生长只能提取出单一地物， 难以满足影像全局信息提取的需要． 单种子区域生长 算法对单一连续的地物具有较好的分割效果，但是由 于种子选取、阈值设置等问题，造成对具有复杂纹理， 多个非连续地物类型的遥感影像分割效果较差． ( 2) 分水岭算法虽然可以分割出多种地物类型， 但是在纹理复杂、颜色过渡的地方，分割效果有些欠 佳． 存在不同程度的过分割( 图 3 ( c) 中的林地和草 地) 和欠分割( 图 4( c) 中的建筑物和道路) ． · 9371 ·