应用混合算法实现卫星图像分割的分析

李林浩

（美国史蒂文斯理工大学）

0 引言

图像分割就是指把图像分成互不重叠的区域并提取出感兴趣目标的技术。卫星遥感图像越来越被广泛的应用到人们的生活中的各个领域，因为它具有良好的时相性，信息量较大，且其分辨率也越来越高。所以通过图像分割技术深入研究与发现卫星遥感图像当中隐藏的信息意义重大。

1 混合算法实现卫星图像分割

当前已经有很多种方法对各种图像进行有效分割，根据不同的途径和原理可以分为三种，即边缘提取法、区域提取法和边缘区域提取法。

近几年各个学科出现了很多新的理论与方法，对于图像分割技术也有人考虑到要结合部分新的理论与方法。而图像分割技术到目前为止还没有特定的属于自己的理论，因此只要一出现新的计算工具和计算机技术，就会被试图用于图像分割，也正因如此出现了很多独特的计算方法。

1.1 分水岭图像分割方法

传统的分水岭分隔方法主要包含排序和淹没这两个步骤。排序环节主要是计算出灰度级的频率分布，接着将计算结果作为对灰度级排序的依据，再在灰度对应的存储列中分配相应的像素；在淹没环节，采用“先进先出”的方式对地理影响区域进行计算，使用相应计算方法使积水盆地膨胀，以达到最终目标。

图1为改进混合分水岭图像分割应用，在2007年曾有专家针对该算法进行了一些改进，他们对下雨过程进行模拟实验，用雨滴表示像素，对分水岭变化进行计算。这个使分水岭变化比较费时的环节和扫描原始图像的次数大大减少了。这种算法对于中间计算结果的保存只用了一个简单的输出矩阵和四个简易的队列。

算法特点分析：通过模研究可知，对于各种各样规模不同的数字图像来说，与其他算法相比，这种算法可以节约约1/3的时间；基于对算法运行效率一致的保证，这种计算方法不仅在操作时间上，还有所占内存方面，都优于其它计算方法。

图1 改进混合分水岭图像分割应用

1.2 基于模糊理论的图像分割方法

在确定性方法的基础下出现了大量的图像分割方法，但是在处理图像信息的环节还是有许多不确定的因素。所以就要思考在图像分割时如何使用较模糊的理论对这种不确定性进行表述与评价。使用模糊理论分割图像的步骤：用模糊的概念来呈现图像以及与之相关的特征；接着用模糊技术进行处理，得到相应的模糊分割；最后反模糊化图像获得最终的分割。还有一种分割方法是在云模型的基础下产生的。这种方法对于像素的类别属性并没有给出完全的界定，而是对于在类中心的像素比较确定，对于边界区域的像素则不太确定，

算法特点分析：对于不同地区的像素确定性不同的问题可以有效得到解决，反应了像素的真实情况，该分割方法是对像素类别属性不确定性的决定，这与人们对于很多事物认知的不确定性正好相符。

1.3 基于神经网络的图像分割方法

神经网络图像分割的理念是训练神经网络来对节点间的连接权值进行确定，接着通过训练后的神经网络来分割新的图像数据。相比传统的方法，神经网络的潜力更大，它可以并行计算，硬件实现比较方便，很多专家非常关注该方法的理论与应用方面的研究，还在这种模型的基础下给出了很多种相关分割方法。针对其相应类型，可供选择的网络很多，如BP神经网络、自组织神经网络、概率自适应神经网络、振子神经网络、脉冲耦合神经网络、径向基神经网络等。

在2007年，有专家改进了传统的PCNN，研究出了一种在原有基础之上的自适应分割方法。这种算法会放出值数不一样的脉冲，主要取决于像素和它附近区域的信息量，也就会自适应地把图像分成很多高低级别不同的信息区域，这是对人类视觉系统特性的很好体现。

算法特点分析：该算法根据信息量对通过该方法进行的分割后的图像进行压缩，无论是在压缩比还是对新图像的视觉效果方面，都表现出了比较好的性能，这也说明了相比传统的PCNN算法，该方法更加有效可行。

1.4 基于支持向量机的图像分割方法

支持向量机方法是在统计学的VC维理论和结构风险最小化原理基础上建立的，近几年，它很多优于其他方法的性能得到了体现，相关专家开始注意和热衷于基于支持向量机的图像分割方法的研究。它被认为是淘汰其他传统学习方法的一个很好的替代品，尤其对于小样本以及高维非线性的情况。在使用支持向量机分割图像时，因为是核函数来确定输入向量映射在高维空间的分布情况，另外，根据惩罚因子对超平面与训练样本间的最大距离以及分类的最小误差进行合理的确定，所以图像分割的最终效果与核函数设计、惩罚因子有直接的关系。现在比较用的比较多的核函数包括线性核、多项式核和高斯径向核。在2008年，多尺度SAR图像分割方法诞生了，它是基于支持向量机方法建立的。它将多尺度技术、混合模型以及支持向量机整合在一起。第一步，使用多尺度自回归模型将图像中的多尺度特征呈现出来；接着输入代表支持向量机的所得特征，同时训练支持向量机；再将其运用到图像分割中。这个模型使该图像中多尺度排列方面的统计信息和支持向量机的分类性能得到充分的体现。

算法特点分析：该算法通过应用分析可以得出，SAR图像分割法相对而言计算能力比较强。

2 结论与展望

“分水岭”算法比较依赖于图像的梯度，如果图像梯度区别明显，“分水岭”能够取得较准确的结果。基于模糊理论的算法则依赖于图像的灰度差。基于神经网络和支持向量机的算时间复杂度高，但是具有比较大的发展潜力。实际应用中，经常混合使用两种或者多种算法来提高目标分割的准确度：例如可以先使用“分水岭”算法来处理原始图像，以得到一个灰度差明显的目标图像，然后再使用基于模糊理论的算法进行二次处理，以提高分割的准确度。

当前，图像分割已成为图像理解领域关注的一个热点．未来的发展需要研究者借鉴数学、统计学、神经学、认知心理学、计算机科学等领域的成果及其综合运用，不断引入新的理论和方法。未来的研究方向是进一步研究视觉认知的原理，结合智能科学的最新理论，对图像分割作更深一步的研究。

[1]关振红,周则明,何春,张云.基于PDE的卫星姿态图像分割[J].数据采集与处理,2009,S1：132-135.

[2]刘伟强,陈鸿,夏德深.基于马尔可夫随机场的遥感图像分割和描述[J].东南大学学报,1999,S1：11-15.

[3]王娜,郭敏.模糊连接度在图像分割中的应用研究[J].科学技术与工程,2008,16：4588-4592+4598.