论文部分内容阅读
自上世纪90年代以来，高空间分辨率影像的分析与应用，已成遥感应用中的一个重要环节。高空间分辨率遥感影像相比于中低空间分辨率影像，影像细节、纹理更加丰富，能提供更为细致的光谱和空间信息。但也为遥感图像处理带来了巨大的挑战。传统的中低空间分辨率影像处理，多采用基于像元的分析方法，并在遥感图像解译与分析中取得了巨大的成功，但并不能满足高空间分辨率遥感影像解译的需求。因此，面向对象的遥感影像处理与分析方法应运而生。面向对象遥感影像处理方法将图像分割成一个个区域（称为对象），以对象作为基本单元进行分析。作为面向对象的影像分析的第一步，影像分割质量极大地影响了面向对象分析的质量。 本研究针对目前多尺度分割方法的缺陷，采用区域合并的方法对高空间分辨率遥感影像进行分割，产生集合各种地物最佳尺度的单层分割结果。研究从初始分割方法、合并策略、光谱异质性合并准则、形状异质性合并准则等方面出发，着重研究区域合并准则，以提高单尺度分割下的分割精度。 初始分割结果影响着后续区域合并的精度。本文比较了目前最常用的三种初始分割方法:形态学分水岭算法、区域分裂算法、快速扫描法。本文对实验区影像进行了不同程度的过分割和系统的分析。通过视觉和定量的评价，本文认为，快速扫描法精度最高，产生的初始分割对象数目最少。 合并策略中精度最高的是全局最优合并策略。本文根据已有的最优层次合并方法中选择基于区域邻接图和基于最近邻接图的最优层次合并方法，进行对比分析。实验表明，相对于只使用区域邻接图的最优层次合并方法，使用最近邻接图的方法大大提高了计算效率。 区域合并算法的核心是合并准则，而合并准则的核心是光谱准则。目前，大多数算法主要使用方差变化量作为合并的光谱准则。但在方差变化量中，对象尺寸所占的权重过大，导致对象很容易被过分割与欠分割。本文通过模拟人类视觉，设计了约束性方差变化量。通过视觉和定量的实验分析，本文认为，使用本研究提出的基于约束性方差变化量和边缘惩罚度的单尺度分割方法，能有效地分割各种不同尺寸的对象，大大减少使用方差变化量带来的过分割与欠分割现象。 形状信息是光谱信息的很好补充。针对传统方法的不足，本文提出了引入常规形状指数变化量的影像分割方法。通过引入常规形状相似指数，以及区分常规形状与非常规形状的合并，本文提出的新形状合并准则，有效地弥补了光谱准则的不足。它能使一些内部光谱异质性过大的常规形状对象避免过分割。同时，也能使部分因光谱而容易欠分割的常规形状对象避免欠分割。相对于基于传统形状合并准则（紧致度与平滑度）的分割算法，本文引入的形状准则，提高了常规形状对象的分割精度;与此同时，对非常规形状对象的分割影响不大。 本文的主要创新点为:(1)通过限制尺寸在方差变化量中的影响，提出了使用约束性方差变化量作为合并准则，从而有效地减少了多尺度算法中，因尺寸因素引起的过分割和欠分割现象。(2)通过引入常规形状指数，提出了基于常规形状指数变化量的形状合并准则，有效地减少了因光谱因素导致的过分割和欠分割现象。