论文部分内容阅读
在面向对象的影像分析中,分割参数优选是提取影像对象的重要步骤,直接决定着后续影像分类的质量。目前提出的分割参数优选方法普遍存在优选精度不高、可操作性差,或是适用范围具有局限性等诸多问题。研究一种精度较高,简单易行,且普适性较高的参数优选方法仍然是一个亟待解决的问题。本文基于分形网络演化分割算法,在分析了典型地物分割对象内部同质性与邻域异质性随分割参数变化规律的基础上,构建了一个新的分割参数优选函数(Segmentation Optimization Function,SOF),并与目前参数优选效果较优的不一致性指标ED2进行对比,得出以下几点结论:(1)典型地物匹配分割对象的内部同质性随分割参数的增加都表现为持续递减的趋势,而邻域异质性随分割参数的增加则表现为持续递增的趋势。SOF值随分割参数的增加呈现出“U”型变化趋势,最优分割参数出现在“U”型曲线的最底端。“U”型曲线的左端主要取决于邻域异质性的变化特征、中部(谷区)综合取决于内部同质性与邻域异质性的综合变化特征,右端则主要取决于内部同质性的变化特征。(2)整景影像分割对象的内部同质性、邻域异质性,以及SOF值随分割参数的变化规律与典型地物匹配分割对象随分割参数的变化规律一致,SOF不仅能够进行典型地物的分割参数优选,而且能够用于整景影像的综合分割参数的优选。(3)SOF的参数优选结果与基于PSE–NSR–ED2系统的参数优选结果非常接近。另外,SOF优选出的最优分割参数为单一尺度,而ED2优选的最优分割参数可能是一个尺度范围。(4)ED2优选出的最优分割结果较容易出现欠分割现象,而SOF则较容易出现过分割现象。当所研究地物在空间上大面积连片分布,且地物单体之间没有明显的界线隔开时,SOF,ED2都容易出现欠分割现象,并且SOF的欠分割现象较为明显。(5)SOF,ED2的分割参数优选效果都较好,但SOF的参数优选效果略优于ED2。研究区的典型地物信息提取结果显示,所有地物在SOF、ED2优选分割参数上的信息提取精度都大于70%,说明SOF、ED2的参数优选效果都较好。其中,14种地物在SOF优选分割参数上的信息提取精度略优于ED2,3种地物在SOF、ED2优选分割参数上的信息提取精度相同,5种地物在ED2优选分割参数上的信息提取精度略优于SOF,因此,SOF的分割参数优选效果总体略优于ED2。