论文部分内容阅读
接影响到后续分类的精度,所以,有必要对分割进行研究。本文提出了一种基于索贝尔算子的影像分割方法,并采用高分辨率的SPOT5影像进行实验,实验证明这种方法能有效提高影像分割的准确性。
关键词:索贝尔算子 边缘检测 影像分割 面向对象
中图分类号:P23 文献标识码:A 文章编号:1674-098X(2012)08(a)-0018-011 引言
如今,面向对象的思想已经被引入到高分辨率影像的分析技术中,这种方法是通过对影像进行分割从而生成同质的影像对象,然后分析影像对象的特征信息,最后运用模糊分类器实现分类。在对影像进行分割时,一般采用多尺度分割技术,在多尺度分割中,每个对象层都有其固定尺度值,多个对象层次可以体现出多种空间尺度的地物类别属性,在不同尺度对象层上提取不同属性的类别信息,由此解决了同一分辨率的影像数据识别所有空间属性有所差异类型的问题。
尽管有了多个尺度的分割结果,但是某一类地物的提取仍然是在同一个尺度层上,这就使得如何确定某类地物的最佳分割尺度成为一个热点问题。本文通过索贝尔算子实现了基于边缘检测的影像分割技术,并与其他软件的分割结果进行对比,实验证明,本文所提出的方法提高了地物分割结果的精度。
2 索贝尔边缘检测算法
索贝尔算子(Sobel operator)主要用作边缘检测,在技术上,它是一离散型差分算子,用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子,将会产生对应的灰度矢量或是其法矢量。
该算子包含两组3*3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx和Gy分别代表经横向及纵向边缘检测的图像灰度值,其公式如下:
and
具体计算如下:
Gx=(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+0*f(x,y)+2*f(x+1,y)+(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)=[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
Gy=1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)+0*f(x,y)+0*f(x+1,y)+(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)=[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
其中f(a,b),表示图像(a,b)点的灰度值。
图像的每一个像素的横向及纵向灰度值通过以下公式结合,来计算该点灰度的大小:
通常,为了提高效率,使用不开方的近似值:
如果梯度G大于某一阈值,则认为该点(x,y)为边缘点。
索貝尔算子根据像素点上下、左右邻近点灰度加权差,在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用,提供较为精确的边缘方向信息,当对精度要求不是很高时,是一种较好的边缘检测方法。
3 基于索贝尔算子的遥感影像分割方法
遥感影像分割的最终目的是得到同质的影像对象,而同质的影像对象又体现出聚类的特征,所以本文所述方法有如下两个步骤:
首先,可以通过索贝尔算子得到某类地物的边缘。
然后,对该类地物的灰度均值进行计算,如果相邻地物的灰度均值表现为一致,则将它们合并,再次计算灰度均值,直至不一致为止;如果不一致,则该边缘即可作为分割的边界线。通过这种方法可以很好的实现遥感影像的分割,尤其是高分辨率的遥感影像,由于其地物细节清晰,所以效果更好。
4 基于索贝尔算子的分割方法实验
4.1 数据源介绍及影像预处理
实验选取内蒙古乌兰浩特某区SPOT5影像为数据源,SPOT-5卫星于2002年5月4日发射,是法国SPOT卫星的第五颗卫星,星上载有2台高分辨率几何成像装置(HRG)、1台高分辨率立体成像装置(HRS)、1台宽视域植被探测仪(VGT)等,空间分辨率最高可达2.5m,前后模式实时获得立体像对,运营性能有很大改善,在数据压缩、存储和传输等方面也均有显著提高。
4.2 实验过程
实验环境:VS2008,实验语言:C++。对比实验环境:ENVI4.5。
实验步骤:
(1)由于预处理之后的影像为TIFF格式,故在程序中添加了GDAL库,进行影像的读取、显示和处理等。
(2)对影像的每个像元进行基于索贝尔算子的边缘检测,得到对象。
(3)对得到的对象进行灰度均值的计算。
(4)将相邻对象的灰度均值进行比较,看是否一致。
(5)如果一致,则将相邻对象合并,再进行灰度均值的计算。
(6)当相邻对象的灰度均值不一致时,即把边缘检测的结果作为最终分割的边界线,试验区影像的分割结果如图3-a所示。
(7)再将预处理的影像用ENVI4.5的四叉树分割方法进行分割,得到分割结果。
(8)对二者的分割结果进行评价。
4.3 分割结果评价
在分割完成后,要对分割的结果进行评价。
首先,通过目视进行定性评价。对于基于索贝尔算子的分割方法而言,各类地物的整体分割效果较好,类别之间的分界线较清晰,有助于后续的分类工作。而传统的四叉树分割方法分割结果过于零碎,对于大面积地物效果较差,以至于后续分类的工作也变得繁琐。
其次,通过矩阵进行定量评价。我们从分割结果中选取了若干分割后的地物,通过实地勘察,来对其边界的正确性进行评价。当索贝尔算子的分割正确率达到了90.3%,而传统的四叉树方法仅为61.0%,明显低于本文所述方法。
5 结语
对于目前广泛使用的基于面向对象的分类方法而言,始终存在一个技术难题,也就是如何得到某类地物的最佳分割尺度。本文通过实验得出了基于索贝尔算子的边缘检测方法进行高分辨率遥感影像的分割,分割正确率达到90%以上,效果较好,对于后续分类工作起到了相当大的帮助作用,今后在实际工作中,可以采用本文所述方法得到分割结果,再采用面向对象的方法进行信息提取和分类。
参考文献
[1] 翟涌光,王耀强.基于点特征的多源遥感影像高精度自动配准方法[J].遥感技术与应用,2010.
[2] 翟涌光,王耀强.基于分辨率融合的多尺度遥感影像分类技术研究[J].测绘与空间地理信息,2010.
关键词:索贝尔算子 边缘检测 影像分割 面向对象
中图分类号:P23 文献标识码:A 文章编号:1674-098X(2012)08(a)-0018-011 引言
如今,面向对象的思想已经被引入到高分辨率影像的分析技术中,这种方法是通过对影像进行分割从而生成同质的影像对象,然后分析影像对象的特征信息,最后运用模糊分类器实现分类。在对影像进行分割时,一般采用多尺度分割技术,在多尺度分割中,每个对象层都有其固定尺度值,多个对象层次可以体现出多种空间尺度的地物类别属性,在不同尺度对象层上提取不同属性的类别信息,由此解决了同一分辨率的影像数据识别所有空间属性有所差异类型的问题。
尽管有了多个尺度的分割结果,但是某一类地物的提取仍然是在同一个尺度层上,这就使得如何确定某类地物的最佳分割尺度成为一个热点问题。本文通过索贝尔算子实现了基于边缘检测的影像分割技术,并与其他软件的分割结果进行对比,实验证明,本文所提出的方法提高了地物分割结果的精度。
2 索贝尔边缘检测算法
索贝尔算子(Sobel operator)主要用作边缘检测,在技术上,它是一离散型差分算子,用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子,将会产生对应的灰度矢量或是其法矢量。
该算子包含两组3*3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx和Gy分别代表经横向及纵向边缘检测的图像灰度值,其公式如下:
and
具体计算如下:
Gx=(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+0*f(x,y)+2*f(x+1,y)+(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)=[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
Gy=1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)+0*f(x,y)+0*f(x+1,y)+(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)=[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
其中f(a,b),表示图像(a,b)点的灰度值。
图像的每一个像素的横向及纵向灰度值通过以下公式结合,来计算该点灰度的大小:
通常,为了提高效率,使用不开方的近似值:
如果梯度G大于某一阈值,则认为该点(x,y)为边缘点。
索貝尔算子根据像素点上下、左右邻近点灰度加权差,在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用,提供较为精确的边缘方向信息,当对精度要求不是很高时,是一种较好的边缘检测方法。
3 基于索贝尔算子的遥感影像分割方法
遥感影像分割的最终目的是得到同质的影像对象,而同质的影像对象又体现出聚类的特征,所以本文所述方法有如下两个步骤:
首先,可以通过索贝尔算子得到某类地物的边缘。
然后,对该类地物的灰度均值进行计算,如果相邻地物的灰度均值表现为一致,则将它们合并,再次计算灰度均值,直至不一致为止;如果不一致,则该边缘即可作为分割的边界线。通过这种方法可以很好的实现遥感影像的分割,尤其是高分辨率的遥感影像,由于其地物细节清晰,所以效果更好。
4 基于索贝尔算子的分割方法实验
4.1 数据源介绍及影像预处理
实验选取内蒙古乌兰浩特某区SPOT5影像为数据源,SPOT-5卫星于2002年5月4日发射,是法国SPOT卫星的第五颗卫星,星上载有2台高分辨率几何成像装置(HRG)、1台高分辨率立体成像装置(HRS)、1台宽视域植被探测仪(VGT)等,空间分辨率最高可达2.5m,前后模式实时获得立体像对,运营性能有很大改善,在数据压缩、存储和传输等方面也均有显著提高。
4.2 实验过程
实验环境:VS2008,实验语言:C++。对比实验环境:ENVI4.5。
实验步骤:
(1)由于预处理之后的影像为TIFF格式,故在程序中添加了GDAL库,进行影像的读取、显示和处理等。
(2)对影像的每个像元进行基于索贝尔算子的边缘检测,得到对象。
(3)对得到的对象进行灰度均值的计算。
(4)将相邻对象的灰度均值进行比较,看是否一致。
(5)如果一致,则将相邻对象合并,再进行灰度均值的计算。
(6)当相邻对象的灰度均值不一致时,即把边缘检测的结果作为最终分割的边界线,试验区影像的分割结果如图3-a所示。
(7)再将预处理的影像用ENVI4.5的四叉树分割方法进行分割,得到分割结果。
(8)对二者的分割结果进行评价。
4.3 分割结果评价
在分割完成后,要对分割的结果进行评价。
首先,通过目视进行定性评价。对于基于索贝尔算子的分割方法而言,各类地物的整体分割效果较好,类别之间的分界线较清晰,有助于后续的分类工作。而传统的四叉树分割方法分割结果过于零碎,对于大面积地物效果较差,以至于后续分类的工作也变得繁琐。
其次,通过矩阵进行定量评价。我们从分割结果中选取了若干分割后的地物,通过实地勘察,来对其边界的正确性进行评价。当索贝尔算子的分割正确率达到了90.3%,而传统的四叉树方法仅为61.0%,明显低于本文所述方法。
5 结语
对于目前广泛使用的基于面向对象的分类方法而言,始终存在一个技术难题,也就是如何得到某类地物的最佳分割尺度。本文通过实验得出了基于索贝尔算子的边缘检测方法进行高分辨率遥感影像的分割,分割正确率达到90%以上,效果较好,对于后续分类工作起到了相当大的帮助作用,今后在实际工作中,可以采用本文所述方法得到分割结果,再采用面向对象的方法进行信息提取和分类。
参考文献
[1] 翟涌光,王耀强.基于点特征的多源遥感影像高精度自动配准方法[J].遥感技术与应用,2010.
[2] 翟涌光,王耀强.基于分辨率融合的多尺度遥感影像分类技术研究[J].测绘与空间地理信息,2010.