本發(fā)明涉及圖像分析中圖像最優(yōu)分割和圖像對象的識別方法，尤其涉及一種集成利用多種圖像線索--圖像的區(qū)域與邊緣、連續(xù)性與不連續(xù)性，進行分割結果的判別與認知方法。

背景技術：

圖像分割將圖像中具有相似性的連通像元歸為同一個圖像區(qū)域，是圖像連續(xù)性的一種表達，而圖像邊緣只反映了圖像局部差異。如何判定分割結果的好壞是圖像分割中的重要內容，圖像分割的質量對后續(xù)的圖像處理、語義認知和圖像理解具有關鍵影響。

圖像分割為解決空間高分辨率遙感影像(以下簡稱“高分影像”)數(shù)據(jù)處理中所遇到的瓶頸提供了一個新的解決思路，以圖像分割為基礎的面向對象圖像分析為高分影像的實際應用提供新途徑。面向地理對象的影像分析(Geographic Object-Based Image Analysis,GEOBIA)，致力于設計自動化的方法將遙感影像劃分為有潛在意義的圖像對象，并通過評估空間、光譜和時間尺度特性產生矢量格式的新的地理信息。GEOBIA中影像處理分析的基本單位不是像元而是像元的集合，稱為對象，也稱作圖斑，再獲取其屬性。與傳統(tǒng)基于像元影像分析技術相比，其優(yōu)勢在于不但能有效避免基于像元的遙感影像處理中存在的“椒鹽噪聲”，而且影像對象除了光譜、紋理特征外，還能產生幾何形狀、空間分布、空間上下文關系等空間特征，建立圖像對象與真實地物之間的對應關系，成為一個新的遙感影像處理范式。大量國內外研究表明面向對象的遙感影像分析能有效克服高分遙感影像中對象內部細節(jié)、結構信息的影響，提高遙感影像使用的效率與精度。高分辨率遙感影像的出現(xiàn)使得面向對象影像分析技術開始在遙感影像圖像處理、分析與理解方面得到重視，為高分影像分類、目標地物識別和變化檢測等應用提供了有效的解決途徑。

遙感影像灰度值的不連續(xù)性與相似性特征是遙感圖像分割算法的基礎，圖像處理是獲取圖像內容信息的技術手段。圖像分割應滿足以下五個條件，即①分割必須完全，即所有像元應被劃分到不同區(qū)域去，所有子區(qū)域組成集合；②分割結果中子區(qū)域內部像元需保持連通；③不同子區(qū)域必須是不存在交集的，即一個像元不可能被同時劃分到兩個及以上的區(qū)域中④屬于同一子區(qū)域的像元應當具有某些相同或相似的特性，該特性下可以劃分到一類中；⑤屬于不同子區(qū)域之間的像元應當具有一些不同的特性，不能歸為同一類。根據(jù)圖像分割準則可以將大部分的分割算法劃分為基于邊界和基于區(qū)域的方法，前者基于影像邊緣梯度信息獲取邊緣得到邊界內部區(qū)域；后者將相似灰度級或相同組織結構的像元聚集起來形成區(qū)域，也稱基于區(qū)域的分割。基于邊界的分割一般分為兩步：①邊緣增強(即邊緣檢測)；②邊緣連接(或稱邊界閉合)。邊緣為影像灰度值呈現(xiàn)階躍型或屋頂型變化的部分，反映了影像局部特征的不連續(xù)性。基于這一特性可以利用微分算子對邊緣進行提取，微分算子包括基于一階或二階微分算子，對影像進行卷積完成計算。其中一階微分的邊緣檢測算子主要包括Robert、Sobel、Prewitt與Canny梯度算子等，其中Canny梯度算子在梯度計算前先對灰度圖像進行了平滑濾波。影像的一階微分比給定閾值大的點是邊緣點，二階微分中的零交叉點為邊緣點。將邊緣點以某種給定的相似性準則進行相連，即成為一條邊緣。由于獲取的邊緣往往只是局部連續(xù)，受各種因素干擾會產生邊緣斷裂。因此要將所有的邊緣根據(jù)一定準則連接才能獲得區(qū)域之間的完整的連續(xù)的邊界，即分割結果。邊緣是在進行灰度不連續(xù)測量時，由大于給定閾值的導數(shù)值的像元組成，是一個局部概念；而邊界是封閉連通的邊緣點集合，是一個整體性的概念。邊緣、邊界、輪廓這三個概念在圖像分析中是逐層遞進的，它們分別描述了從低層特征到高層符號化的過渡過程。基于邊界分割的目標就是為了獲取有意義的地物輪廓?；趨^(qū)域的圖像分割是基于區(qū)域內部一致性原則進行分割，區(qū)域生長/合并是一種串行分割技術，該方法是以一組代表不同區(qū)域的種子像元開始，將與種子點性質相似的相鄰像元附加到所在的分割區(qū)域內，使種子像元聚合成區(qū)域的過程。算法的基本步驟可分為三步：種子像元的選定；種子點生長的相似性準則的確定；區(qū)域的顏色、紋理、形狀特征均可作為判斷區(qū)域生長的相似性準則；生長終止條件的確定，一般到不存在任何滿足生長規(guī)則的像元時生長停止。區(qū)域生長方法由于能夠生成閉合連續(xù)的區(qū)域且能利用較多的鄰域信息，而成為遙感圖像分割研究的重點之一。基于邊緣與基于區(qū)域的分割實際是從同一點的不同角度出發(fā)，分別有各自的優(yōu)勢與局限：基于邊界的分割方法通過邊緣檢測局部不連續(xù)性的像元，對局部邊界信息的檢測具有良好的效果，但全局分割能力不夠，且很難得到閉合邊緣；而基于區(qū)域的分割方法則利用像元的灰度統(tǒng)計信息創(chuàng)建區(qū)域，能夠克服噪聲的影響，但同時對邊緣具體位置定位的準確性不夠。

技術實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有技術的不足，提供一種基于邊緣完備度的圖像分割最優(yōu)識別方法。

本發(fā)明的目的是通過以下技術方案來實現(xiàn)的：一種基于邊緣完備度的圖像分割最優(yōu)識別方法，包括如下步驟：

(1)采用平滑算法對待處理圖像進行濾波；

(2)利用邊緣檢測方法獲取待處理圖像的邊緣點；

(3)應用圖像分割算法，得到待處理圖像的過分割的初始分割圖斑集合；

(4)對全部圖斑標記為未處理圖斑，對未處理圖斑進行種子圖斑識別和標記；

(5)計算種子圖斑的邊緣完備度，按圖斑的內部邊緣點及光譜差異性進行圖斑候選排序，內部邊緣點少及光譜差異性小的圖斑排序優(yōu)先；

(6)在候選未處理種子圖斑集合中，選擇優(yōu)先圖斑進行區(qū)域增長，計算并保存任一合并結果及其邊緣完備度，形成邊緣完整度曲線；

(7)計算種子圖斑邊緣完整度曲線的極大值，獲取極大值點所對應的圖斑；

(8)標記極大值對應的圖斑為最優(yōu)分割圖斑，標記該圖標所包含初始過分割的圖斑為已處理圖斑；

(9)重復步驟6-8，至初始過分割圖斑中所有種子圖斑均處理完成；

(10)上述所有最優(yōu)分割圖斑及未處理的非種子圖斑，形成該圖像的最優(yōu)分割結果。

進一步地，所述步驟5中，對于圖像分割后特定圖斑而言，按其邊緣邊界點數(shù)量占邊界點總數(shù)的比例計算邊緣完備度，并以圖斑的內部邊緣點的比重作為圖斑邊緣完備度的修正值；所述步驟4對進行種子圖斑識別和標記，種子圖斑為該圖斑至少包括1個內部點，該內部點的4-鄰域像元點均不為邊界點。

本發(fā)明的有益效果是，本方法提供一種在圖像分析中有效地進行圖像最優(yōu)分割和圖像對象識別的技術手段，尤其提供了一種集成利用多種圖像線索--圖像的區(qū)域與邊緣、連續(xù)性與不連續(xù)性，進行分割結果的判別與認知。本發(fā)明解決了面向對象的遙感影像分析方法中分割算法中參數(shù)選擇的難題。應用本方法獲取的分割結果，并由此計算得到的圖斑空間信息反映了影像中地物真實的空間信息，為后續(xù)遙感信息提取中應用圖像的空間信息、拓撲信息、上下文信息提供了基礎。

附圖說明

圖1是本發(fā)明基于邊緣完備度的圖像分割最優(yōu)識別方法的流程框圖；

圖2是圖像分割判定4-鄰域的示意圖；

圖3是本發(fā)明基于邊緣完備度的圖像分割最優(yōu)識別方法的結果示意圖；

圖4是圖3所示結果的邊緣完備度曲線和局部極大值結果圖；其中，(a)為圖斑的邊緣完備度曲線，(b)為利用中心差分求邊緣完備度曲線的局部極大值。

具體實施方式

遙感影像灰度值的不連續(xù)性與相似性特征是遙感圖像分割算法的基礎，根據(jù)圖像分割準則可以將大部分的分割算法劃分為基于邊界和基于區(qū)域的方法，前者基于影像邊緣梯度信息獲取邊緣得到邊界內部區(qū)域；后者將相似灰度級或相同組織結構的像元聚集起來形成區(qū)域，也稱基于區(qū)域的分割。

本發(fā)明一種基于邊緣完備度的圖像分割最優(yōu)識別方法，包括以下步驟：

1、采用平滑算法對待處理圖像進行濾波；

采用高斯平滑算法，采用3×3或者5×5的模板對遙感影像中各個波段數(shù)據(jù)進行平滑濾波。

2、利用邊緣檢測方法獲取待處理圖像的邊緣點；

Canny算子被認為是目前最優(yōu)秀的邊緣檢測算子，Canny邊緣檢測用一階偏導的有限差分來計算圖像梯度的幅值和方向，并利用非極大值抑制方法保留局部梯度最大的點，而抑制非極大值。在每一點上，鄰域的中心像元M與沿著梯度線的兩個像元相比。如果M的梯度值不比沿梯度線的兩個相鄰像元梯度值大。在x、y方向表達如下：

由高低兩個閾值的邊緣圖像確定一組優(yōu)勢邊緣，在邊緣強度序列中弱邊緣組的低閾值小于強邊緣組的低閾值，弱邊緣組的高閾值小于強邊緣組的高閾值。需要對Canny邊緣檢測結果進行減少假邊緣段數(shù)量的操作，典型方法是對Canny邊緣檢測結果N[i，j](i,j為圖像的行列號)使用一個閾值，將低于閾值的所有值賦零值。雙閾值算法對非極大值抑制圖像采用兩個閾值τ₁和τ₂，從而可以得到兩個閾值邊緣圖像N₁[i,j]和N₂[i,j]。由于N₂[i,j]使用高閾值得到，因而含有很少的假邊緣，但有間斷(不閉合)。雙閾值法要在N₂[i，j]中把邊緣連接成輪廓，當?shù)竭_輪廓的端點時，該算法就在N₁[i,j]的8鄰點位置尋找可以連接到輪廓上的邊緣，這樣，算法不斷地在N₁[i,j]中收集邊緣，直到將N₂[i,j]連接起來為止。

3、應用圖像分割算法，得到待處理圖像的過分割的初始分割圖斑集合；

設定尺度增長方式為自然數(shù)增長，分割尺度閾值為自然數(shù)的平方；分割方法中圖斑的合并代價f計算如下：

f＝w·h_color+(1-w)·h_shape

其中，w為設定的權重，其值在0-1之間；h_color為圖斑的顏色或光譜差異性；h_shape為圖斑的形狀差異性。

其中，Obj1和Obj2代表合并前的兩個圖斑，Merge表示合并后的圖斑，n為圖斑的像元數(shù)，σ為圖斑的均方差，c為參與分割的圖層數(shù)。

h_shape＝w_cmpct·h_cmpct+(1-w_cmpc)·h_smooth

其中，w_cmpct為設定的權重，其值在0-1之間；h_cmpct為圖斑的緊致性參數(shù)，h_smooth為圖斑的光滑性參數(shù)。

其中，Obj1和Obj2代表合并前的兩個圖斑，Merge表示合并后的圖斑，n為圖斑的像元數(shù)，l為圖斑的周長，b為圖斑外接矩形的周長。

在一尺度系數(shù)下進行圖像多尺度分割，在任一圖斑合并前，計算合并代價，當合并代價大于尺度閾值時，不執(zhí)行合并過程；反之，執(zhí)行圖斑合并過程。對于特定分割尺度的單次分割而言，分割過程如下：

圖斑及圖斑間的相鄰關系定義如下：單個像元和多個空間上聯(lián)通像元集合都可認為是圖斑。對一個圖斑，考察它的邊界像元，如果兩個相鄰圖斑的像元是4鄰域相鄰，則兩個圖斑是4鄰域法相鄰的。在分割進行的過程中，隨著圖斑的不斷合并，圖斑異質性不斷增大，當圖像中每一個圖斑都滿足如下條件時：①所有圖斑異質性的均小于給定的閾值；②任意一個圖斑再與任意一個鄰域圖斑合并后形成的新圖斑的異質性都大于給定閾值。則認為分割過程中的一次分割完成。

分割過程中合并方法如下：當一個圖斑有多于一個的相鄰圖斑符合歸并的條件或有多次符合條件的圖斑對時，就需要確定一個最優(yōu)的歸并圖斑對，其歸并的代價最小。對一個圖斑A，考察它的四鄰域像元鄰接圖斑，如果A與它的某個鄰接圖斑B滿足如下條件則稱A,B滿足局部相互最佳匹配原則：①A與B合并后形成的大圖斑的異質性小于或等于A與其它相鄰圖斑合并后形成的大圖斑的異質性；②以B為中心圖斑來尋找與B合并后滿足異質性最小準則的鄰接圖斑C；③A＝C或者(2)中有多個滿足條件的圖斑，而A是其中之一。如果A,B滿足局部相互最佳匹配原則就將它們合并為一個大圖斑，如果不滿足則以B為起始點繼續(xù)查找。

選擇一個相對小的值作為初始分割尺度，得到待處理圖像的過分割的初始分割圖斑集合。

所述步驟2對目標圖像進行邊緣檢測，步驟3對目標圖像進行過分割處理，步驟2和步驟3的次序可以互換；

4、對全部圖斑標記為未處理圖斑，對未處理圖斑進行種子圖斑識別和標記；

對進行種子圖斑識別和標記，種子圖斑為該圖斑至少包括1個內部點，該內部點的4-鄰域像元點均不為邊界點。

5、計算種子圖斑的邊緣完備度，按圖斑的內部邊緣點及光譜差異性進行圖斑候選排序，內部邊緣點少及光譜差異性小的圖斑排序優(yōu)先；

對于當前圖斑R，對于圖斑的任一邊界點，若該邊界點的4-鄰域中存在一個或以上邊緣點，則該邊界點為邊緣邊界點，計算R邊界的邊緣邊界點長度占邊界長度之比，定義為圖斑邊緣契合邊界的完整度，簡稱邊緣完整度，計算公式為：

L_boundary為圖斑Ra邊界點的像元個數(shù)，L_edge為符合條件的邊緣邊界點個數(shù)，I的取值范圍為[0,1]。

對于當前圖斑Ra，統(tǒng)計該圖斑內部與邊界點不相鄰的邊緣點數(shù)量，記為L_inside。設co為邊緣完整度的修正系數(shù)，計算公式如下：

則該圖斑的邊緣完備度(ep)計算如下：

對于圖像分割后的圖斑，按其邊界邊緣點數(shù)量占邊界點總數(shù)的比例計算邊緣完整度，并以圖斑的內部邊緣點的比重作為圖斑邊緣完整度的修正值。邊緣完備度(ep)的取值范圍為[0,1]。

對于種子圖斑，按圖斑內部邊緣點的數(shù)量進行排序，對于具有相同邊緣點的圖斑，按圖斑的光譜均方差進行排序，值小的圖斑優(yōu)先處理。

6、在候選未處理種子圖斑集合中，選擇優(yōu)先圖斑進行區(qū)域增長，計算并保存任一合并結果及其邊緣完備度，形成邊緣完整度曲線；

在未處理的種子圖斑中，選擇內部邊緣點最少、圖斑光譜均方差最小的圖斑作為優(yōu)先圖斑。采用區(qū)域增長的算法進行區(qū)域增長，初始分割尺度為基數(shù)，尺度增長方式為自然數(shù)增長，分割尺度閾值為自然數(shù)的平方。在該圖斑與相鄰圖斑之間計算合并代價，當合并代價小于尺度閾值進行圖斑合并操作，保存合并結果、記錄合并尺度及其邊緣完備度，當L_inside大于L_edge區(qū)域增長停止。整個區(qū)域增長過程中記錄的合并尺度及其邊緣完備度構成邊緣完備度曲線。

7、計算種子圖斑邊緣完整度曲線的極大值，獲取極大值點所對應的圖斑；

邊緣完備度曲線是一維離散數(shù)據(jù)，利用數(shù)值分析中對信號數(shù)據(jù)的微分處理方法求取曲線極大值。在對曲線求極大值時為消除誤差帶來的影響，須在求導前進行平滑濾波，使得曲線能夠反映出應有的趨勢。采用基于滑動窗口對一維離散數(shù)據(jù)進行卷積運算，實現(xiàn)對邊緣完整度曲線的均值濾波，卷積模板大小為1×3，模板的權值如下所示

對于邊緣完備度局部極大值的求法，采用簡單有效的差分法求解曲線的一階導數(shù)，離散數(shù)據(jù)求導分為向前、向后和中心差分。選用中心差分求邊緣完備度曲線的局部極大值，具體公式為：

8、標記極大值對應的圖斑為最優(yōu)分割圖斑，標記該圖標所包含初始過分割的圖斑為已處理圖斑；

將所有極大值按增長尺度的順序先后排列，獲取極大值中的最大值，所對應的增長尺度為該圖斑的最優(yōu)分割尺度，所對應的分割對象為最優(yōu)分割對象。

將最優(yōu)分割對象與初始分割圖斑集合進行疊置分析，把該最優(yōu)分割對象的范圍內的所有初始分割圖斑標記為已處理圖斑。

9、重復步驟6-8，至初始過分割圖斑中所有種子圖斑均處理完成；

10、上述所有最優(yōu)分割圖斑及未處理的非種子圖斑，形成該圖像的最優(yōu)分割結果。

下面，我們參照附圖來說明本發(fā)明的具體實施形態(tài)。

圖1是表示與本發(fā)明實施形態(tài)有關的一種基于邊緣完備度的圖像分割最優(yōu)識別方法的流程框圖?？蚣軋D包括3大部分的處理，第一部分包括圖像平滑、邊緣檢測與初始過分割圖斑集的形成。邊緣檢測采用經(jīng)典Canny邊緣檢測算法，該算法的有效實施需要基于圖像的高斯平滑。圖像分割操作也基于圖像的高斯平滑結果，可以使得邊緣檢測結果與圖像分割結果具有一致性。第二部分基于種子圖斑識別和圖斑標記，在遍歷未處理圖斑基礎上，通過種子圖斑的區(qū)域增長算法，計算合并過程中的圖斑邊緣完備度，形成邊緣完備度曲線，獲得圖斑增長過程中邊緣完備度的局部極大值，與邊緣完備度極大值對應的圖斑，是可能的最優(yōu)分割和圖像對象。

圖2是圖像4-鄰域的示意圖。

利用4-鄰域結構進行圖斑邊界點識別：對于圖斑中的任意一點，以該點為中心點，其4-鄰域中存在其他圖斑的像元點，則判別該點為該圖斑的邊界點。

利用4-鄰域結構進行圖斑邊緣邊界點識別：對于圖斑中的任一邊界點，以該點為中心點，其4-鄰域中存在邊緣點，則判別該點為該圖標的邊緣邊界點。

利用4-鄰域結構進行圖斑內部點識別：對于圖斑中的任意一點，以該點為中心點，其4-鄰域中均為該圖斑的像元點，則判別該點為該圖斑的內部點。

利用4-鄰域結構進行圖斑內部邊緣點識別：對于圖斑中的任一邊緣點，以該點為中心點，其4-鄰域中均為該圖斑的內部點，則判別該點為該圖斑的內部邊緣點。

如圖3所示，在實施例中，黑色線范圍內的一個圖斑，該圖斑由39個像元點組成，其中內部邊緣點為3個；邊界點為21個，邊緣邊界點為19個，邊緣完整度為0.9，修正系數(shù)為0.86，邊緣完備度為0.775。

如圖4所示，在實施例中，黑色曲線(a)為圖斑的邊緣完備度曲線，黑色曲線(b)為利用中心差分求邊緣完備度曲線的局部極大值。

本發(fā)明不限于以上的實施形態(tài)，在權利要求書中記載的發(fā)明范圍內，可以進行種種的變更，這些變更當然也包含在本發(fā)明的范圍內，這是不言而喻的。