基于最小生成树的高分辨率遥感影像层次化分割方法研究

林文杰

1. 广东工业大学信息工程学院，广东 广州 510006； 2. 鹏城实验室，广东 深圳 518000

在更精细的空间尺度下，高分遥感影像呈现更丰富的地物细节信息，信息内容的复杂性、空间性和海量性等特征，给传统遥感影像分割方法带来挑战。针对这些挑战，寻求一种更有效的分割模型和并行化的处理方法是有效提高大尺度高分遥感影像分割精度和处理效率的关键。为此，论文提出基于最小生成树的高分遥感影像层次化分割方法及其并行化重构。前者利用层次化最小生成树模型实现影像复杂场景信息的有效刻画，在此基础上利用区域化模糊聚类模型构建层次化分割模型。后者基于子块切分的并行划分和并行模糊聚类分割方法，实现大尺度高分遥感影像的快速、有效分割。论文的主要工作如下。

(1) 从局部、区域和全局尺度，分别利用影像最小生成树域模型、最小异质性区域准则以及区域标号场模型刻画影像的场景信息。其中，影像最小生成树域是一种同时考虑像素空间和光谱信息的影像表达模型，其表现出的空间集聚性能自适应地刻画地物边界；同质子区域划分由最小异质性区域划分方法实现，该方法以区域的光谱信息和形状信息为合并准则，对抑制影像中的几何噪声有较好效果；同质子区域间的空间关联由区域最小生成树模型描述，降低了传统用区域邻接关系描述区域间空间关联性时造成的冗余，从而提升了区域分割算法的计算效率。

(2) 在影像的层次化最小生成树基础上，结合区域化隐马尔可夫随机场-模糊聚类(regional hidden markov random field-fuzzy c-means, RHMRF-FCM)方法构建影像的层次化模糊聚类分割模型，并由偏微分方法进行求解。为验证提出方法的有效性和可行性，以WorldView-3高分遥感影像为试验数据，重点探讨了最小异质区域划分算法中各参数对分割结果的影响，对比分析了论文方法和eCognition中多分辨率分割方法和分水岭算法，定性、定量分析结果表明了提出方法不仅能有效克服高分遥感影像复杂场景中的几何噪声影响，且分割精度优于对比算法。

(3) 在串行算法分析基础上，以子块切分为子任务划分准则，提出一种并行最小异质区域划分-子块缝合方法。同时，为了进一步提高RHMRF-FCM算法的分割速度，从降低并行计算过程中的数据通信量角度，设计一种低数据通信量的并行RHMRF-FCM算法。为验证提出的并行分割方法的有效性和可行性，从并行分割代价和并行性能分析两个方面进行试验验证。试验结果表明，提出的并行方法与串行方法不仅分割精度上较为接近，而且计算时间、加速比和并行效率上均表现卓越，对于6.7千万像素的高分遥感影像的最优分割时间仅为1小时，总体最高加速比达2075，并行效率曲线趋势表明提出方法在并行调度的均衡负载方面表现突出，且具有良好的可扩展性能。