|
|
|
发布时间: 2016-08-25 |
遥感图像处理 |
|
|
|
楚森森1,2, 洪亮1,2,3, 陈杰3, 邓敏3, 杨昆1,2, 刘纯1,2 |
收稿日期: 2016-01-17; 修回日期: 2016-03-21
基金项目: 国家自然科学基金项目(41201463, 41201428)；国家重点基础研究发展计划(973)基金项目(2012CB719906)；国家高技术研究发展计划(863)基金项目(2012AA121400)；江苏省资源环境信息工程重点实验室开放基金资助项目(JS201301)；云南省教育厅基金项目(011Y311)
第一作者简介: 楚森森(1989-), 男, 云南师范大学地图制图学与地理信息工程专业在读硕士研究生, 主要研究方向为高分辨率遥感影像智能算法、信息提取。E-mail:chusensen@163.com
中图法分类号: TP301.6
文献标识码: A
文章编号: 1006-8961(2016)08-1096-10
|
摘要
目的 针对目前区域分割算法获取的区域边界与真实地物边界不一致问题，利用高分辨率遥感影像地物内具有均质性和地物间边缘信息突出的特点，提出一种融合边界信息的高分辨率遥感影像分割优化算法。 方法 首先采用Canny算法对遥感影像进行边缘提取并进行边缘连接处理，产生闭合边界；然后将边界与初始分割结果进行融合处理，获得新的分割结果；最后在闭合边界约束下，基于灰度相似性准则对新的分割结果进行区域合并，获得优化后的最终分割结果。 结果 采用本文提出的分割优化算法对Mean Shift算法和eCognition软件获得的分割结果进行优化处理，优化后的分割结果与初始分割结果相比正确分割率(RR)平均提高了4 %，验证了本文算法的有效性。 结论 该优化算法适用性广，可优化基于区域、基于边界和基于聚类等多种分割方法，同时该算法既能保持高分辨率遥感影像分割的区域完整性，又能保持地物边缘细节特征，提高了分割精度。
关键词
高分辨率影像; 影像分割; 边缘特征; 融合; 区域合并
Chu Sensen1,2, Hong Liang1,2,3, Chen Jie3, Deng Min3, Yang Kun1,2, Liu Chun1,2 Abstract
Objective To overcome nonconformity between the boundaries of a region using a segmentation algorithm and real object boundary, a segmentation optimization algorithm based on the fusion information of boundaries is presented in this study using the homogeneity characteristic of the objects and the salient boundary information in a high-resolution remote-sensing image. Method First, the canny edge filter was applied to extract edge information for remote-sensing images, and then the edge discontinuity problem was addressed to obtain the closed boundary. Second, the boundary and the initial segmentation results were fused, and new segmentation results were obtained. Finally, the new segmentation results under the closed boundary constraint were merged to obtain the optimization segmentation results based on the gray similarity criterion. Result This study presents a segmentation algorithm used to optimize the segmentation results obtained via MeanShift and eCognition. Furthermore, the rightly-segmented ratio (RR) is increased by 4 % compared with the initial results, thereby verifying the effectiveness of the optimized algorithm. Conclusion The optimized algorithm has extensive applicability and can optimize methods based on regions, boundaries, and clustering. This algorithm cannot only maintain the regional integrity of the object in high-resolution remote sensing, but can also keep the details of the object edge, thereby improving segmentation accuracy.
Key words
high resolution imagery; image segmentation; edge feature; fusion; region merging
0 引言
随着航天技术的发展，大量高空间分辨率遥感卫星相继成功发射，高空间分辨率遥感影像已经成为地理空间信息的主要数据源之一。高空间分辨率遥感影像的空间分辨率已经进入亚米级时代，遥感影像表现出更丰富的地物细节信息，几何结构和纹理特征等也更加明显[1]。传统的基于像素级纹理、结构和形状特征的影像解译方法已经不能适应高空间分辨率遥感影像的处理，成为制约高分辨率遥感影像广泛应用的主要瓶颈[2]。近年，面向对象的遥感影像分析方法(OBIA)受到了广泛关注。将影像同质区域(图斑，影像对象)作为影像分析的基元是OBIA的一个基本特点。以区域代替像素，提取区域级纹理、形状等空间特征参与分类或地物对象提取，在理论和实践上都比传统的像素级算法更具优势[3]。而面向对象影像分析方法核心问题就是影像分割，分割结果的好坏直接影像后续的分类和信息提取的精度[4]。因此，遥感影像分割已经成为面向对象影像分析方法和地物目标信息提取的关键研究问题。
图像分割是图像处理和计算机视觉研究领域中的关键技术，也是图像处理到图像分析的关键步骤[5]。目前图像分割还尚无一种适合各种图像的通用分割算法，从20世纪60年代开始，研究者就对图像分割进行了大量的研究，已经提出了上千种针对各种应用的图像分割算法[6]。图像分割就是基于同质性或异质性准则将一幅图像划分成若干有意义的子区域的过程[7]。目前常见的图像分割算法主要包括：1)基于边界的分割算法[8]；2)基于区域的分割算法，如阈值分割[9]、区域生长和区域分裂—合并等[10-11]；3)基于聚类的分割算法，如K-均值聚类[12]、模糊C-均值聚类[13]、ISODATA算法[14]、MeanShift算法和分层聚类等[15-16]；4)基于数据模型的分割算法，也可认为是上述分割方法的进一步发展，如基于遗传算法的分割[17]、基于马尔可夫模型的分割[18]、基于形态学的分割[19]、基于图论的分割[20]等。
目前这些分割算法大概可以分为基于区域和边界两类，区域分割算法可以得到较好的区域结果，边界分割算法中的边缘检测可以得到较好的地物边界，因此很多研究开始关注将区域分割和边缘检测相结合。在区域分割与边缘检测相结合的相关研究中，相关文献主要集中在两个方面：一种是在区域生成过程中引入边缘特征，比如Christouias等人[21]和Wang等人[22]提出结合边缘信息的均值漂移分割算法，根据影像梯度信息和边缘置信度为每个像素设定一个权重值，从而在聚类过程中融入了边缘信息，这种方法是针对基于聚类的分割方法提出的，无法直接用于其他分割方法，因此适用面较窄；另一种是用边缘特征引导区域合并，比如Tan等人[23]提到一种边界引导的分割方法，首先边界提取，然后利用边界引导两个阶段的区域增长完成区域分割，但是这种方法引入了过多需要调试的参数，这些参数值的大小直接影响分割结果。本文提出一种融合边界信息的高分辨率遥感影像分割优化算法，该算法同时具有适用性广和调试参数较少的特点。
1 理论与算法
提出的分割优化算法主要步骤：1)首先采用MeanShift或eCognition中的多尺度分割算法—分形网络演化(FNEA)算法对高分辨率遥感影像进行初始分割，作为待优化分割数据；2)然后采用Canny算法对遥感影像进行边缘提取，产生连续闭合边界；3)将Canny算法得到边界与MeanShift或FNEA算法得到的分割结果进行融合分析；4)最后根据合并准则(区域熵及最小区域面积为终止规则)进行区域合并，获得优化后的最终分割结果。算法流程如图 1所示。
1.1 影像初始分割的分割算法
影像初始分割采用了Mean Shift算法和eCognition软件中FNEA。1)Mean Shift被称为均值漂移算法，是一种基于核密度梯度估计的无参快速统计迭代算法。由于Mean Shift算法完全依靠特征空间中的样本点进行分析，不需要任何先验知识，在实际应用中表现出较好的稳定性、抗噪性和较高的效率，近年来被广泛应用于图像分割[15]。均值漂移算法原理简单，通过反复迭代搜索特征空间中样本点最密集的区域，搜索点沿着样本点密度增加的方向“漂移”到局部密度极大点。2)eCognition软件的FNEA算法，是一个启发式局部优化过程，在给定的尺度下局部最小化影像对象的非均质性[24]。多尺度分割是从像素层次开始，通过自下而上迭代的区域合并方式，使较小的像素或对象合并。合并准则是以两个相邻对象异质性测度(光谱、形状和面积等)是否小于某个阈值。当异质性超过该阈值的时候，合并的过程终止，迭代结束，这个阈值就是分割的“尺度参数”[25]。
1.2 边缘检测与处理
Canny算子是由John Canny基于边缘模型和噪声模型出发，提出的一种最佳边缘检测算子[26]，并取得了良好的效果。采用Canny算子进行图像边缘检测，并对间断的初始边缘进行后处理，具体流程如下：1)边缘端点检测；2)边缘生长，以上一步检测的端点为起点，通过链表跟踪的方法找出每条断裂边缘的长度，并计算距离端点最近的n个像元的走向θ，搜索以断裂边缘端点为中心半径为r范围内若无边缘点存在，则不进行边缘生长，若有多个边缘点存在，求出边缘点到中心点的直线与端点走向θ的夹角，夹角最小的边缘点为待连接点，遍历整幅边缘图像，完成边缘生长[8]，(原理图如图 2(a)所示，实验中两个边缘生长变量取值：n=5，r=5)；3)提取闭合边界，对闭合边界进行区域标号，并检测面积小于阈值Areamin的区域，根据影像最大灰度相似准则将小区域并入周围区域，完成边缘检测后处理(图 2(d)所示)。
1.3 初始分割结果与边界信息的融合处理
通常区域分割获取的区域边界与地物边界存在不一致现象，Canny算子能检测出较真实边界。因此为了将Canny算子检测得到的边界信息保留到初始分割结果中，需要对影像分割形成的区域与Canny算子边缘检测形成的区域进行融合。融合的具体步骤：1)检测每个初始分割区域中是否存在Canny检测出的边界贯穿该区域，若存在，该区域将被Canny边界分割成两个以上的区域；2)对融合后的区域重新编码，完成初始分割与边界信息的融合。如图 3所示，蓝色线段为Mean Shift算法分割结果，红色线段为Canny算子边缘检测并后处理获取的边界区域，由黄色椭圆部分可以看出，融合后的结果可以将初始分割中匹配错误的边界分离出来，为后续优化处理做准备。
需要注意的是，文中出现两种区域，一种是Canny算子边缘检测并连接处理得到的区域，简称边界区域，另一种是MeanShift算法或eCognition软件分割形成的区域，简称初始分割区域。
1.4 边界区域内部的区域合并
在初始分割结果上融合边界信息，虽然可以修正错误的分割区域，但是会在边界处产生严重的过分割现象，因此需要进行区域合并。为了避免抵消边界区域和初始分割区域融合的作用，保留正确的Canny边界，因此仅对边界区域内部的对象进行区域合并。
采用灰度相似性最大作为区域合并相似性准则，即
| $D\left({{R_i}, {R_j}} \right)={\left\| {{{\bar \mu }_{{R_i}}}-{{\bar \mu }_{{R_j}}}} \right\|_2}$ | (1) |
式中，
采用基于改进的区域最大熵和最小区域面积作为为区域合并终止规则。从信息论角度看[27]，灰度变化小的地方其信息量少，局部熵值大；灰度变化大的地方，其信息量多，局部熵值小。根据合并前后的区域信息熵差值并结合最小区域面积提出一种新的合并终止规则。
对于一幅灰度图像，设f(x, y)为图像点(x, y)处的灰度，图像的区域Ri的熵为
| $H\left({{R_i}} \right)=-\sum\limits_{\left({x, y} \right) \in R} {{p_{xy}}\lg {p_{xy}}} $ | (2) |
式中, 概率pxy为
| ${p_{xy}}=\frac{{f\left({x, y} \right)}}{{\sum\limits_{\left({x, y} \right) \in R} {f\left({x, y} \right)} }}$ | (3) |
合并终止规则为
| $\left\{ \begin{gathered} Area\left({{R_i}} \right){\text{ > }}Are{a_{\min }} \hfill \\ Area\left({{R_j}} \right){\text{ > }}Are{a_{\min }} \hfill \\ H\left({{R_{ij}}} \right)-H\left({{R_i}} \right){\text{ < }}T或\hfill \\ \; \;\; \;H\left({{R_{ij}}} \right)-H\left({{R_j}} \right){\text{ < }}T \hfill \\ \end{gathered} \right.$ | (4) |
式中，Area(Ri)为区域Ri的面积，Area(Rj)为区域Rj的面积，Areamin为最小面积阈值，H(Rij)为两邻接区域Ri和Rj合并后区域信息熵，T为信息熵阈值。
当该边界区域内部所有分割对象同时满足式(4)中的3个条件，合并终止，处理下一个边界区域。
T值的大小影响着合并效果，当T值较大时，会抑制区域合并，容易造成过分割；当T值较小时，容易造成欠分割。本文中的T值采用自适应方法进行确定，由于本次合并是在边界区域中进行的，当边界区域中灰度值的标准差SD较小时，表示该边界区域内部比较平滑，允许促进该边界内部的区域合并，当边界区域中SD较大时，表示该边界区域内部地物复杂，要抑制该边界区域合并。SD值取值大小正好符合T值的要求，因此可以根据SD值设定出合适的阈值T。本文阈值T设为
| $T=\frac{{S{D_i}}}{{10}}$ | (5) |
式中，SDi为第i个边界区域中灰度值的标准差。
式(4)中存在两个参数，分别是最小面积阈值Areamin和信息熵阈值T，其中信息熵阈值T采用式(5)中的自适应方法来确定，最小面积阈值Areamin为本文优化算法的分割尺度。
2 实验与分析
采用两个高分辨率遥感影像进行实验，一个是无人机航拍云南盈江地震后的高分辨率遥感影像(图 4(a))，该数据大小为500×1 200像素，空间分辨率为0.1 m；另一个数据是覆盖美国佛罗里州的QuickBird卫星影像，影像大小为500×500像素，分辨率为0.61 m，选用红、绿、蓝3个波段合成的真彩色影像(图 5(a))。
利用监督评价法对分割质量做定量分析，参考分割图像见图 4(b)和图 5(b)。选用了3种监督评价指标，第1种指标是Carleer提出的E指数[28]，E表示错误分割率，即被错误分割的像素数量与测试图像中所有像素数量的比值，此处计算正确分割率(RR)，RR=1-E；另外两种指标是Rand Index (RI)和Adjusted Rand Index (ARI)[29-31]，两种指标的值域都为[0,1]，取0值时表示分割结果与参考分割结果完全不同，取1时表示两种分割结果完全一样，但是RI指标对于不同的分割结果评价值差距可能很小，不利于精准评价，后者ARI指标是在RI指标基础上做的调整，评价精准度较高，广泛用于分割精度评价。
在MATLAB软件中，用Canny算子分别对两个数据进行边缘检测，Canny算法的低阈值设为0.05，高阈值设为0.20，对边界进行连接并提取出所有闭合边界(图 4(c)和图 5(c))。
2.1 融合边界的Mean Shift分割优化实验
利用Mean Shift算法对两个实验影像数据进行初始分割，由于高分辨率遥感影像中地物目标表现为一种多尺度的统一，大中小尺度地物同时存在同一个影像数据中，较小的尺度参数会导致严重的过分割现象，较大的尺度参数会导致严重的欠分割现象，因此需要根据影像数据的主要地物尺度特征选择分割尺度参数，由于两个数据空间分辨率较大，所以光谱带宽和空间带宽选用较大参数，两个实验空间带宽Hs为10，光谱带宽Hr为10。为了验证本文算法的有效性，最小区域面积参数Areamin选用两个尺度，数据1航拍影像为0.1 m分辨率，所含地物(房屋、道路、裸地、树木、阴影等)均表现出大尺度特征，因此Areamin参数选用(80, 120)两个大尺度参数，数据2中所含主要地物(房屋、树木、草地)表现出中等尺度特征，因此Areamin参数选用(30, 40)两个中尺度参数。融合边界的分割优化算法也分别采用相应的面积尺度(80, 120)、(30, 40)与Mean Shift算法相对应，方便为分割结果做对比分析。实验结果见图 6、图 7，分割精度见表 1和表 2。
表 1
航拍影像分割精度(Mean Shift)
Table 1
The segmentation accuracy of aerial image (Mean Shift)
| 尺度 | 区域数量 | Mean Shift | 融合边界 | |||||
| 融合边界 | Mean Shift | RR | RI | ARI | RR | RI | ARI | |
| 80 | 609 | 404 | 0.853 | 0.986 | 0.592 | 0.878 | 0.989 | 0.660 |
| 120 | 546 | 335 | 0.849 | 0.986 | 0.591 | 0.859 | 0.989 | 0.662 |
| 注:表中加粗数字为最优结果。 | ||||||||
表 2
Quickbird影像分割精度(Mean Shift)
Table 2
The segmentation accuracy of Quickbird image (Mean Shift)
| 尺度 | 区域数量 | Mean Shift | 融合边界 | |||||
| 融合边界 | Mean Shift | RR | RI | ARI | RR | RI | ARI | |
| 30 | 431 | 669 | 0.796 | 0.982 | 0.657 | 0.841 | 0.986 | 0.717 |
| 40 | 389 | 580 | 0.792 | 0.982 | 0.656 | 0.835 | 0.986 | 0.713 |
| 注:表中加粗数字为最优结果。 | ||||||||
2.2 融合边界的eCognition分割优化实验
利用eCognition软件中Multiresolution Segmentation方法对影像进行分割，Shape参数为0.1，Compactness参数为0.5，在数据1中，Scale选用了80和120两个大尺度参数，数据2中Scale选用了30和40两个中尺度参数，融合边界的分割同样选用(80, 120)、(30, 40)与eCognition相对应。实验结果见图 8、图 9，精度见表 3和表 4。
表 3
航拍影像分割精度(eCognition)
Table 3
The segmentation accuracy of aerial image (eCognition)
| 尺度 | 区域数量 | eCognition | 融合边界 | |||||
| eCognition | 融合边界 | RR | RI | ARI | RR | RI | ARI | |
| 80 | 291 | 316 | 0.809 | 0.983 | 0.371 | 0.849 | 0.987 | 0.528 |
| 120 | 158 | 271 | 0.730 | 0.983 | 0.429 | 0.836 | 0.986 | 0.552 |
| 注:表中加粗数字为最优结果。 | ||||||||
表 4
Quickbird影像分割精度(eCognition)
Table 4
The segmentation accuracy of Quickbird image (eCognition)
| 尺度 | 区域数量 | eCognition | 融合边界 | |||||
| eCognition | 融合边界 | RR | RI | ARI | RR | RI | ARI | |
| 30 | 936 | 987 | 0.852 | 0.979 | 0.174 | 0.869 | 0.981 | 0.340 |
| 40 | 596 | 745 | 0.798 | 0.979 | 0.232 | 0.842 | 0.981 | 0.352 |
| 注:表中加粗数字为最优结果。 | ||||||||
2.3 实验结果分析
首先对MeanShift分割和融合边界的分割进行对比分析。通过人眼的视觉效果对分割结果做定性评价，文中用黄色方框将分割结果中优化效果较好的区域标记出来。从图 6、图 7可以看出，融合边界的分割中地物的边界得到很好地保持，分割区域内部同质性较好。从表 1和表 2中的定量评价指标(RR、RI、ARI)更容易做分析可得，融合边界的分割结果的评价指标全部高于Mean Shift分割结果，RR平均提高了3.1 %，RI平均提高了0.003，ARI平均提高了0.064。在融合边界的分割中，由于Canny算子检测的边缘与地物边界较精确的匹配，有效纠正了初始分割中与地物边界匹配错误的区域，增加了正确分割区域的像素数量，RR精度得到了提高，RI和ARI的提高说明融合边界的分割结果与参考分割结果之间有更好的一致性。
在商业软件eCogniton与融合边界的分割对比中，从图 8、图 9可以看出，融合边界的分割对抑制过分割有很好的效果。分析表 3和表 4，在4个优化结果中，对比eCogniton分割结果，融合边界分割在RR、RI和ARI指数均有提高，RR平均提高了5.2 %，RI平均提高了0.003，ARI平均提高了0.142。其中RR精度提高幅度较大，特别是表 3中尺度120处，RR精度提高了10.6 %，原因是eCogniton分割结果中区域数量仅为158个，属于欠分割，融合边界后分割区域数量增长到271个，有效改善了欠分割问题，提高了RR精度。同时ARI指数也有较大的提高，这是由于融合边界的分割中对边界区域内部进行了区域合并，有效抑制了过分割问题，提高了ARI指数。
综上所述，融合边界的分割优化算法受边缘提取精度、初始分割和尺度大小3方面影响，本文算法对Mean Shift和商业软件eCogniton的分割结果优化效果明显，优化后的分割精度有较大提高。
3 结论
针对高分辨率影像地物之间边缘信息突出的特点，提出一种融合边界的高分辨率遥感影像的分割优化算法。由上述实验结果与分析可以看出本文算法具有较好的鲁棒性，能够有效抑制过分割现象的产生，优化后边缘保持性较好，更加接近于地面真实分割结果，提高了高分辨率影像的分割精度。
本文算法相对于其他的分割优化算法有两大特点：1)适应性广，由于该优化算法是在初始分割结果上运行的，因此可以对常见的分割算法进行优化，包括基于区域的分割算法、基于边界的分割算法和基于聚类的分割算法等；2)没有过多需要调试的参数，本文算法设计出一个自适应的信息熵阈值T用在了区域合并中，因此在整个优化过程中仅引入一个最小面积阈值Areamin参数，该参数可以直接参考初始分割中的尺度大小进行设定，减少了人为因素影响，提高了算法的鲁棒性。
虽然本文优化算法能保持较好的边缘特征，能有效提高分割精度，但仍然存在一些待完善的地方：区域合并中相似性准则只考虑了光谱特征，不利于分割精度的提升，所以后续将着力解决这一问题。
参考文献
-
[1] Huang X, Zhang L, Li P. Classification and extraction of spatial features in urban areas using high-resolution multispectral image-ry[J].IEEE Geoscience and Remote Sensing Letters,2007,4(2): 260–264. [DOI:10.1109/LGRS.2006.890540]
-
[2] Xiao P F, Feng X Z. Segmentation and Information Extraction Using High Resolution Remote Sensing Image[M]. Beijing: Science Press, 2012 . [ 肖鹏峰, 冯学智. 高分辨率遥感图像分割与信息提取[M]. 北京: 科学出版社, 2012.]
-
[3] Blaschke T. Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1): 2–16. [DOI:10.1016/j.isprsjprs.2009.06.004]
-
[4] Li X F, Zhang S Q, Liu Q, et al. Fast segmentation method of high-resolution remote sensing image[J].Journal of Infrared and Millimeter Waves,2009,28(2): 146–150. [ 李晓峰, 张树清, 刘强, 等. 高分辨率遥感影像的快速分割方法[J].红外与毫米波学报,2009,28(2): 146–150.] [DOI:10.3321/j.issn:1001-9014.2009.02.016]
-
[5] Zhang Y J. Image Engineering[M]. Beijing: Tsinghua University Press, 2005 . [ 章毓晋. 图像工程[M]. 北京: 清华大学出版社, 2005.]
-
[6] Zhang Y J, Gerbrands J J. Objective and quantitative segmentation evaluation and comparison[J].Signal Processing,1994,39(1-2): 43–54. [DOI:10.1016/0165-1684(94)90122-8]
-
[7] Haraliock R M, Shapiro L G. Computer and Robot Vision[M]. Boston: Addison Wesley Longman Publishing Co., Inc, .
-
[8] Liu Y X, Li M C, Mao L. An algorithm of multi-spectral remote sensing image segmentation based on edgeinformation[J].Journal of Remote Sensing,2006,10(3): 350–356. [ 刘永学, 李满春, 毛亮. 基于边缘的多光谱遥感图像分割方法[J].遥感学报,2006,10(3): 350–356.] [DOI:10.3321/j.issn:1007-4619.2006.03.011]
-
[9] Reddi S S, Rudin S F, Keshavan H R. An optimal multiple threshold scheme for image segmentation[J].IEEE Transactions on Systems, Man and Cybernetics,1984,SMC-14(4): 661–665. [DOI:10.1109/TSMC.1984.6313341]
-
[10] Chang Y L, Li X B. Adaptive image region-growing[J].IEEE Transactions on Image Processing, IEEE Transactions on,1994,3(6): 868–872. [DOI:10.1109/83.336259]
-
[11] Pavlidis T, Liow Y T. Integrating region growing and edge detection[J].IEEE Transactions on Pattern Analysis and Machine In-telligence,1990,12(3): 225–233. [DOI:10.1109/34.49050]
-
[12] Chen C W, Luo J, Parker K J. Image segmentation via adaptive K-mean clustering and knowledge-based morphological operations with biomedical applications[J].IEEE Transactions on Image Processing,1998,7(12): 1673–1683. [DOI:10.1109/83.730379]
-
[13] Lim Y W, Lee S U. On the color image segmentation algorithm based on the thresholding and the fuzzy c-means techniques[J].Pattern Recognition,1990,23(9): 935–952. [DOI:10.1016/0031-3203(90)90103-R]
-
[14] Wan J, Wang J C. Color image segmentation based on ISODATA[J].Computer Engineering,2002,28(5): 135–136. [ 万建, 王继成. 基于ISODATA算法的彩色图像分割[J].计算机工程,2002,28(5): 135–136.] [DOI:10.3969/j.issn.1000-3428.2002.05.052]
-
[15] Comaniciu D, Meer P. Mean shift: a robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5): 603–619. [DOI:10.1109/34.1000236]
-
[16] Wang L, Dai Q, Xu Q, et al. Constructing hierarchical segmentation tree for feature extraction and land cover classification of high resolution MS imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of,2015,8(5): 1946–1961. [DOI:10.1109/JSTARS.2015.2428232]
-
[17] Chun D N, Yang H S. Robust image segmentation using genetic algorithm with a fuzzy measure[J].Pattern Recognition,1996,29(7): 1195–1211. [DOI:10.1016/0031-3203(95)00148-4]
-
[18] D'Elia C D, Poggi G, Scarpa G. A tree-structured Markov random field model for Bayesian image segmentation[J].IEEE Transactions on Image Processing,2003,12(10): 1259–1273. [DOI:10.1109/TIP.2003.817257]
-
[19] Weickert J. Efficient image segmentation using partial differential equations and morphology[J].Pattern Recognition,2001,34(9): 1813–1824. [DOI:10.1016/S0031-3203(00)00109-6]
-
[20] Boykov Y, Funka-Lea G. Graph cuts and efficient N-D image segmentation[J].International Journal of Computer Vision,2006,70(2): 109–131. [DOI:10.1007/s11263-006-7934-5]
-
[21] Christoudias C M, Georgescu B, Meer P. Synergism in low level vision[C]//Proceedings of the 16th International Conference on Pattern Recognition. Quebec City, Quebec, Canada: IEEE, 2002, 4: 150-155. [DOI: 10.1109/ICPR.2002.1047421]
-
[22] Wang L, Liu G, Dai Q. Optimization of segmentation algorithms through mean-shift filtering preprocessing[J].IEEE Geoscience and Remote Sensing Letters,2014,11(3): 622–626. [DOI:10.1109/LGRS.2013.2272574]
-
[23] Tan Y M, Huai J Z, Tang Z S. Edge-guided segmentation method for multiscale and high resolution remote sensing image[J].Journal of Infrared and Millimeter Waves,2010,29(4): 312–315. [ 谭玉敏, 槐建柱, 唐中实. 一种边界引导的多尺度高分辨率遥感图像分割方法[J].红外与毫米波学报,2010,29(4): 312–315.]
-
[24] Tian J, Chen D M. Optimization in multi-scale segmentation of high-resolution satellite images for artificial feature recognition[J].International Journal of Remote Sensing,2007,28(20): 4625–4644. [DOI:10.1080/01431160701241746]
-
[25] Huang X, Zhang L. An adaptive mean-shift analysis approach for object extraction and classification from urban hyperspectral im-agery[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(12): 4173–4185. [DOI:10.1109/TGRS.2008.2002577]
-
[26] Canny J. A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,PAMI-8(6): 679–698. [DOI:10.1109/TPAMI.1986.4767851]
-
[27] Sin C F, Leung C K. Image segmentation by edge pixel classification with maximum entropy[C]//International Symposium on Intel-ligent Multimedia, Video and Speech Processing. Hong Kong, China: IEEE, 2001: 283-286. [DOI: 10.1109/ISIMP.2001.925389]
-
[28] Carleer A P, Debeir O, Wolff E. Assessment of very high spatial resolution satellite image segmentations[J].Photogrammetric Engineering & Remote Sensing,2005,71(11): 1285–1294. [DOI:10.14358/PERS.71.11.1285]
-
[29] Zhang H, Fritts J E, Goldman S A. Image segmentation evaluation: a survey of unsupervised methods[J].Computer Vision and Image Understanding,2008,110(2): 260–280. [DOI:10.1016/j.cviu.2007.08.003]
-
[30] Cheng J H, Bo Y C, Zhu Y X, et al. A novel method for assessing the segmentation quality of high-spatial resolution remote-sensing images[J].International Journal of Remote Sensing,2014,35(10): 3816–3839. [DOI:10.1080/01431161.2014.919678]
-
[31] Zhang X, Xiao P, Feng X, et al. Toward evaluating multiscale segmentations of high spatial resolution remote sensing images[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(7): 3694–3706. [DOI:10.1109/TGRS.2014.2381632]
