影像的分割

影像分割是指将整个影像区域分割成若干个互不交叠的非空子区域的过程，每个子区域的内部是联通的，且同一区域内部具有相同或相似的特性，可以是灰度、颜色、纹理等。 通过影像分割把遥感影像转化成影像对象层，对象层中的每一个对象对应 一个真实存 在的地理实体。影像分类是在影像对象层上进行的，可见分割技术在面向对象分类中的重要性。国内外学者提出了很多分割算法，但是还没有通用的分割技术。根据分割过程中所使用的影像特征，可将影像分割方法分为直方图阈值法、特征空间聚类法、边缘检测法、区域分割法四种类型。

直方图阈值法是以影像直方图为基础，假设影像直方图的峰值区域对应于一类地物，两个相邻峰值之间的谷值则是两类地物的分割阈值。根据分割阈值将影像重新编码，把编码相同的区域连接起来，即可得到分割结果，分割结果也可以被看作一种分类结果。直方图阈值分割法的实现不需要先验知识，实现简单，计算复杂度小，当不同目标的灰度值相差很大时，能够有效地对其进行分割;由于直方图是影像灰度的统计信息，不能表达影像的空间信息，当灰度范围有较大重叠时，阈值分割就难以获得准确的结果。

特征空间聚类法是聚类方法在影像分割中的应用，其理论依据是在影像的特征空间中每一个区域会聚集成一簇。分割过程中首先将特征空间中的像元归类到相应的簇中，再将簇映射到空间域中，形成独立的区域，即影像对象。特征聚类方法容易实现，其分割结果也是分类结果；但是需要精确确定簇的个数和分割使用的影像特征。

边缘检测法也是种被广泛应用于灰度影像分割的方法，首先检测影像中的边缘点，再将边缘点按一定的方法连接成轮廓，构成分割区域。该方法与人眼感知场景中目标的方式相类似，而在边缘检测时抗噪性和检测精度是矛盾的。如果提高检测精度，那么会产生较多的边缘点，其中一定包含较多的噪声，产生虚假边缘，从而形成不合理的轮廓;如果提高抗噪性，那么会漏掉一些边缘点，无法形成合理的边缘轮廓，使对象的位置产生偏差，也很难快速生成一个封闭的边界。

区域分割法是根据影像对象是由具有相似性的像元组成的特点来设计分割算法的，其分割方法包括区域增长、区域分裂。区域增长方法先选择若干点作为种子点，从种子点起，按照一定的增长准则，对邻域像元进行判别并连接，重复上述过程直至影像中所有像元被归并到相应的区域中；而区域分裂方法的起始种子区域就是整幅影像，如果种子区域的同质性程度较差则被分裂为4个矩形区域，这些子区域成为新的种子区域，重复上述过程直至所有的子区域都是同质的。区域分割的结果依赖于种子点的选择、搜索的顺序，以及区域相似性指标的确定，而且计算时间长，内存开销大。

尽管分割算法很多，但多数算法主要应用于灰度影像，难以满足遥感影像的多波段的特点，在分割的过程中使用的是影像灰度的统计特征，不能有效地结合空间信息，因此多数分割算法都不适合用于遥感影像的分割。而区域合并的分割算法是由影像中任意一个像元开始，按照某种同质性度量规则开始合并，当达到停止条件时，即停止合并生成影像对象。同质性度量准则不仅考虑了光谱特征，而且考虑了空间特征。因此基于区域合并的分割算法比较适合遥感影像的分割。

使用同一尺度对影像分割时，由于不同地物的面积不同，如在丘陵地区林地大面积分布，而建筑用地多沿着山谷河流呈带状分布，比较零碎，面积较小。如果使用大尺度分割，那么分布零散面积较小的地物难以分割出来，即欠分割现象;如果使用小尺度分割，那么分布集中面积较大的地物会被分割成多个不同的对象，对象层中的对象数量过多，出现过分割现象。而使用多个不同的尺度进行分割能够很好地解决这个问题。

多尺度分割技术可以将不同分割尺度得到的影像对象层自动连接起来，而每一层次上的分割实质上是区域合并算法的一种，分割前需要对影像对象设定分割阈值，根据影像中目标地物的光谱、形状、纹理等特征，选择合适的特征图层，按照对象内部异质性最小的原则，将满足条件的像元进行合并，生成一个有意义的对象，同时还需要保证分割后对象间的异质性达到最大。使用不同的尺度对影像进行分割形成影像对象层，就可以很好地解决欠分割和过分割的问题。分割过程中使用的异质性准则包括光谱和形状两个方面的指标，其中形状又包括光滑度和紧密度。