|
|
|
发布时间: 2016-09-25 |
遥感图像处理 |
|
|
|
李修霞1, 荆林海1, 李慧1, 唐韵玮1, 戈文艳2 |
收稿日期: 2016-02-17; 修回日期: 2016-05-26
基金项目: 国家科技支撑计划项目（2015BAB05B05-02）；中国科学院对地观测与数字地球科学中心“百人计划”项目（Y34005101A，Y2ZZ03101B）；中国地质调查局项目（12120113089200）；高分辨率对地观测系统重大专项（民用部分）项目（30-Y20A37-9003-15/17）
第一作者简介: 李修霞(1990-),女,中国科学院遥感与数字地球研究所测绘工程专业硕士研究生,主要研究方向为遥感图像处理。E-mail:lixx@radi.ac.cn
中图法分类号: P237
文献标识码: A
文章编号: 1006-8961(2016)09-1256-09
|
摘要
目的 区域生长法是遥感影像分割中常用的算法，该算法首先选取适当的像元作为生长的起始点（种子点）。现有的种子点选取方法存在种子点数目较多、效率低以及地物细节种子点不足等问题。针对种子点选取存在的问题，提出一种基于1维光谱差异的区域生长种子点的选取方法。 方法 首先计算像元间1维（水平、竖直）方向上的光谱差异，然后选取光谱差异的局部极小值作为种子点，最后对种子点进行优选，得到区域生长的起点。 结果 应用本文方法选取种子点，对高分辨率的IKONOS遥感影像进行了区域生长。将实验结果与分形网络演化方法及Kernel Graph Cuts方法的分割结果进行了目视对比，并且分别计算了3种方法所得分割结果的基元内部同质性和基元间相关性的评价指数。目视比较的结果表明，本文的种子点选取方法能够为区域生长提供具有代表性的种子点，得到了精细的分割结果。在定量评价上，本文方法也表现出了数值优势，各波段分割质量指数均提高15%以上。 结论 提出的种子点选取方法能够为高分辨率遥感图像的区域生长分割提供具有代表性的种子点，产生精细的分割图像，对于地物细节有良好的分割效果，具有较高的实用价值。
关键词
遥感; 面向对象图像分析; 图像分割; 种子区域生长; 种子点提取; 1维光谱差异
Li Xiuxia1, Jing Linhai1, Li Hui1, Tang Yunwei1, Ge Wenyan2 Abstract
Objective As the spatial resolution of remote sensing imagery has continued to improve, object-based image analysis (OBIA) methods have become widely used. The basic units of OBIA are segments produced by image segmentation rather than single pixels. Image segmentation is a prerequisite for OBIA and determines the quality of the analysis outcome. Image segmentation, a process of partitioning images into homogenous regions, is an indispensable step in analyzing remote sensing imagery. Typically, segmentation processes for high-resolution imagery are conducted via initial segmentation and primitive merging, and various segmentation methods have been developed. However, the quality of segmentation, particularly that of high-resolution remote sensing imagery, is less than satisfactory. Among numerous image segmentation methods, the seed-based region growing (SRG) method is relatively easy, efficient, and robust. This method depends largely on initial seed extraction, thus, the seed pixels should be representative and as similar to neighbors as possible. Different approaches have been proposed to select seeds, yet issues remain. For instance, redundant seeds are frequently chosen and consequently reduce the efficiency of SRG-based image segmentation. Also, details and thin linear objects cannot be accurately separated from large objects with inadequate seeds. Method With the goal of choosing representative seeds, an approach based on one-dimensional spectral difference (ODSD) is proposed to extract seeds for the SRG segmentation method, in which an evaluation criterion comprised of spectral angle and spectral distance is employed. The ODSD method is implemented as follows:1) the horizontal and vertical spectral difference maps of the image calculated; 2) the shallow basins in difference maps with "imHmin" function in Matlab are removed, and the local minima in each directional spectral difference image are obtained as candidate seeds; 3) overlaid candidate seeds are merged from orthogonal directions into one seed, which has minimum differences from adjacent neighbors; 4) remaining candidate seeds are optimized by choosing unique seeds in areas connected in a single dimension; and 5) all optimized common seeds and optimized directional seeds are used for the region-growing process. After the image is initially segmented using the SRG method with selected seeds, the resulting primitives are merged using the fractal net evolution method in the eCognition package. Result Experiments based on an IKONOS image demonstrated that the proposed ODSD method proposed could be efficient for delineating details and thin objects, which current segmentation approaches accomplish with more difficulty. Moreover, the quantitative evaluation showed that the outcome of the ODSD method reached nearly the same accuracy as the eCognition package and were superior to the kernel graph cuts method on the same scale. Conclusion The ODSD method proved efficient in offering optimal seeds in the flat areas, details, and thin objects, thereby guaranteeing the representativeness of the chosen seeds. Moreover, the ODSD method yielded highly detailed segmentation maps.
Key words
remote sensing; object-based image analysis; image segmentation; seeded region growing; seeds extraction; One-dimensional spectral difference
0 引 言
近年来，随着高空间分辨率卫星的不断发射成功，越来越多的高分辨率遥感图像应用于社会发展的各个方面，人类已经进入了对地观测的高分时代[1]。高分辨率遥感影像光谱信息丰富、纹理清晰，展现出了更多的地物细节[2]。在这种高分辨率图像中，地物的尺度往往大于像元的尺度，单个地物常常由多个相连的像元组成，图像中混合像元的比例大幅减少[3]。在此情况下，地物内部的光谱差异甚至会超过地物间的光谱差异，传统的基于像元的图像分析方法[4]不再适用。传统的图像分析方法是以影像的单个像元作为分析单元、以像元的光谱信息为依据对像元进行处理。这种方法不能充分利用图像的语义信息[5]，从而导致高分辨率遥感图像信息提取精度和效率低下的问题。20世纪末，面向对象分析方法[6]的提出，突破了以像元为基本单元的分析方法的局限。相较于像元层面的分析方法，面向对象的分析方法以具有现实地理意义的图像对象作为分析的基本单元，能够利用对象的形状、大小、纹理及对象间的空间关系等特征[7]，更符合人类的思维过程[8]。面向对象的分析方法的应用前提是获取图像对象，而遥感图像分割是获取图像对象的必要途径。高分辨率遥感图像的分割过程一般分为初始分割和基元合并两步[5]，即首先通过一定的分割方法对遥感影像进行初始分割，形成初始分割基元，然后再结合光谱、纹理和几何特征等对基元进行合并，得到图像对象[9]。这里的基元是指图像分割后形成的具有相同光谱、纹理和空间组合关系等特征的单元[10]。因此，如何快速有效地对图像进行初始分割是面向对象分析方法的基础和关键。
遥感图像分割是遥感图像处理的重要部分。目前，遥感图像的分割方法大致可以分为4类[11]：基于像元光谱的方法、基于边缘检测的方法、基于区域的方法和基于物理模型、数学理论和特定技术的方法。其中，区域生长方法[12]是一种常用的基于区域的图像分割方法。该方法从若干起始像元(种子点)出发，按照一定的相似性准则对邻域像元进行判别，将符合规则的像元进行合并，重复此过程直至图像中的所有像元被归并到相应的区域中。
如何选取具有代表性的种子点是区域生长法的关键，区域生长算法的结果在很大程度上依赖于种子点的选择[12]。最初的区域生长算法选取种子点时，主要依靠人机交互和手动选取。这种方法耗费大量人力，对于信息丰富而复杂的高分辨率遥感影像并不适用。之后的种子点选取研究主要集中于种子点的自动选取，例如Jain和Susan [13]以图像的中心点作为起始种子点；Fan等人[14]提出将图像分成矩形块区域，每一个分块区域的中心点作为为种子点。但是无论是图像中心还是区域中心点，都不一定具有很好的代表性。种子点也可随机选取[15]，但是随机选取具有很大的不确定性，对于生长结果影响较大。种子点的选取还可以结合更多的图像信息，例如Fan等人[16]对图像进行边缘检测，选取了相邻边界区域的中心点作为初始种子点，然后用后续生长过程中形成的同质区域的中心点代替初始种子点；陈忠等人[17]对图像进行边缘检测后，将形成的封闭区域中的任意点作为种子点；Byun等人[18]则使用了封闭区域内的局部极小值作为种子点；Tang [19]结合了分水岭分割的方法来确定种子点位置；Liu等人[20]结合了数学形态学方法，得到了遥感图像的灰度梯度图，首先选取灰度梯度图上变化较小的区域的种子点，然后再选取变化较大的区域的种子点；Luis等人[21]考虑了种子点不足的情况，以阈值间隔的形式，动态地加入种子点。这些方法结合了地物边缘等信息，对于提高种子点代表性具有很好的作用，但是受到边缘检测、分水岭分割等方法的局限。种子点的选取也可以参照规定的选取标准，例如像元之间的相似度函数[22]，边缘和光滑度因子[23]，光谱角[24]，规范化向量距离[25]等。目前，虽然种子点的选取方式很多，但是这些方法普遍存在着选取的种子点数目较多、过分割现象较严重等缺点，并且，对于影像中的线状地物的分割效果往往并不理想。
针对种子点选取存在的上述问题，提出了一种基于1维方向(图像的行方向和列方向)上像元间光谱差异(ODSD)来选取种子点的方法。ODSD方法以1维方向上相邻像元间的光谱差异作为像元间相似性的衡量准则，初步确定光谱差异的局部极小值点为种子点。初步选取的种子点数目较多，容易造成种子点冗余，因此ODSD算法对初选种子点进行了进一步优化，仅保留部分具有代表性的种子点作为最终的种子点。对高分辨率遥感图像进行了实验，根据ODSD方法选取种子点，然后进行区域生长及基元合并，得到最终的分割影像。实验结果表明，该方法能够快速有效地得到具有代表性的种子点，提取出精细的地物细节。将实验结果与eCognition软件的分割结果及Kernel Graph Cuts方法的分割结果进行了比较，ODSD方法简单易行，分割出了更精细的地物细节，能够达到与eCognition软件近似的分割结果，并且在定量的精度评价上也具有很好的表现。
1 理论与方法
1.1 种子点选取方法
1.1.1 种子点选取准则
在区域生长算法中，种子点的位置直接决定了区域生长的结果。因此，选取的种子点必须具有较强的代表性，与邻近像元具有高度的相似性。为了衡量像元之间的相似性，采用光谱角和光谱距离作为像元间光谱差异的计算标准。
1) 光谱角[26-27] (SA)。光谱角是将光谱数据视为多维空间中的矢量，矢量像元与其相邻矢量像元之间的夹角即为两像元间的光谱角。相邻像元间光谱角的大小能够衡量像元与相邻像元间的光谱差异。ODSD方法中，对每一个像元计算与其水平和竖直方向上索引序号递增的相邻像元间的光谱角，得到水平和竖直方向像元间光谱角分布图。矢量像元a和b之间的光谱角为
| $SA\left( {\boldsymbol{a,b}} \right) = {\cos ^{ - 1}}\left( {\frac{{\boldsymbol{a} \cdot \boldsymbol{b}}}{{\left| \boldsymbol{a} \right| \cdot \left| \boldsymbol{b} \right|}}} \right)$ | (1) |
式中，|·|代表计算矢量像元的长度；a·b为矢量像元a与b的数量积。SA的取值为[0, 1]。SA越小，矢量间的夹角越小，即像元间的光谱相似性越高；SA越大，矢量间的夹角越大，像元间的光谱相似性越低。
2) 光谱距离(dist)。光谱距离的定义同样是将光谱数据视为多维空间中的矢量，矢量像元与其相邻像元之间的距离即为两像元间的光谱距离。光谱距离是像元的亮度值的度量[28]。矢量像元a与b间的光谱距离采用欧氏距离方法计算，即
| $dist\left( {\boldsymbol{a,b}} \right) = \left| {\boldsymbol{a} - \boldsymbol{b}} \right|$ | (2) |
式中，｜a-b｜表示计算像元矢量a和b之间的欧氏距离。光谱距离dist的值越小，表明矢量之间距离越近，像元间的光谱亮度值越接近。
根据规范化向量距离[27]的思想，综合考虑光谱角和光谱距离两个指标，定义像元之间的光谱差异dif的计算公式为
| $dif\left( {\boldsymbol{a,b}} \right) = \frac{{dist\left( {\boldsymbol{a,b}} \right)}}{{dist\left( \boldsymbol{a} \right)}} \cdot SA\left( {\boldsymbol{a,b}} \right)$ | (3) |
式中，dist (a,b)为计算矢量a和b之间的光谱距离，dist(a) 代表矢量像元a的光谱长度，dif(a，b)的取值范围为[0, 1]。像元之间光谱角SA的值越小，光谱距离dist越近，则dif的值越小，像元被选为种子点的可能性越大；像元之间光谱角SA的值越大，光谱距离dist越远，则dif的值越大，像元被选为种子点的可能性越小。
1.1.2 初始分割流程
遥感图像的初始分割大致可以分为种子点的选取和区域生长两步，其流程图如图 1所示。
ODSD方法的具体流程如下：
1) 按照图像的行方向从左到右，依次计算像元p(i,j)与水平向右的相邻像元p(i,j+1)的差异，然后将每个像元k个波段的差异值相加并求平方根，作为该像元与水平相邻像元的差异，记录在光谱差异图dif_H (i,j)中，计算结果如图 2(c)所示(其中i代表图像的第i行，j代表第j列，k代表第k个波段，dif_H代表像元与水平方向列号递增的相邻像元的光谱差异图)。
2) 按照图像的列方向从上到下，依次计算像元p (i,j)与竖直向下的相邻像元p (i+1,j)的差异，然后将每个像元k个波段的差异值相加后求平方根，作为像元p与竖直相邻像元的差异，记录在光谱差异图dif_V (i,j)中，计算结果如图 2(d)所示(其中dif_V代表像元与竖直方向列号递增的相邻像元的光谱差异图)。
3) 对水平差异图dif_H按照行方向拆分，并重新排列为1维矩阵。为增强种子点的代表性，在1维方向上进行H最小值变换 (即函数imHmin变换)，去掉深度较浅的极小值后，再寻找局部极小值作为水平方向的初选种子点Hmin (如图 3(b)所示，白色点为种子点)。
4) 对竖直差异图dif_V按照列方向拆分，并重新排列为1维矩阵。同样地，在1维方向上进行H最小值变换，去掉深度较浅的极小值后，再寻找局部极小值作为竖直方向的初选种子点Vmin (如图 3(c)所示)。函数imHmin的变换示意图如图 4所示,变换后，原曲线由虚线代替。
5) Hmin及Vmin合并，对合并后的种子点进行优选，得到最后的种子点(如图 3(d)所示)。
6) 从优选后的种子点出发进行区域生长，生成初始分割图像。
1.2 种子点优选
为了使选取的种子点更具有代表性，在确定初选种子点后，应该对种子点进行优选，以减少种子点数量，提高初始分割的效率。
根据本文的种子点选取准则，水平方向上选取的种子点与其水平向右，列号增加的相邻像元间的差异很小；同样地，竖直方向上的种子点与其竖直向下、行号增加的相邻像元间的差异很小。同时，在数字图像的存储中，图像的索引值按列从上到下、从左到右排序，因此以某像元为基点，其水平向右及竖直向下的像元索引值均大于该点的索引值。基于此前提，将选取的种子点进行优选，流程如下：
1)将初步选取的水平方向种子点Hmin(图 5(a))和竖直方向种子点Vmin(图 5(b))进行合并(图 5(c))。然后，寻找水平和竖直种子点的公共点位置，在原水平种子图Hmin和竖直种子图Vmin上进行标记(图 5中公共点位置被标记为C，选取的水平种子点标记为H，竖直种子点标记为V，非种子点标记为0)。
2)对水平(竖直)种子点Hmin(Vmin)按照行(列)方向，重新排列为1维矩阵，并在行(列)方向上寻找公共点所在的连通区域(4-连通区域)，将连通区域内索引值大于公共点索引值的种子点去掉，仅保留公共点及索引值小于公共点的种子点(如图 5(d)中公共点右侧的种子点被去掉；图 5(e)中公共点下方的种子点被去掉)。
3)同样地，水平(竖直)种子图Hmin(Vmin)上没有公共点的种子区域，在1维行(列)方向上寻找种子点连通区域，一个连通域内仅保留一个种子点(图 5(c)右下角的4-连通域，只保留1个种子点)。
4)对步骤2) 3)中优化后的种子点进行合并，去掉重复点，得到最终的种子点(图 5(f))。
2 实验结果与比较
实验所用数据是空间分辨率为4 m的IKONOS卫星多光谱数据。该影像数据获取时间为2000年5月，覆盖区域为北京市国家体育馆附近(39° 57′ 21.58″ N — 39° 58′ 27.68″ N，116° 23′ 21.74″ E — 116° 24′ 49.02″ E)，大小为512行×512列，共包含4个波段：蓝色波段 (0.45～0.52 μm)，绿色波段 (0.51～0.60 μm)，红色波段 (0.63～0.70 μm)及近红外波段 (0.76～0.85 μm)。实验区影像范围内包括建筑物、道路、植被、水体等多种地物类型。
2.1 目视判别
图 6为ODSD方法得到的图像分割结果与eCogniton软件中使用的FNEA[29]分割方法及Kernel Graph Cuts[30]方法分割结果的对比(3种分割方法均设定尺度参数为25，光谱参数为0.9)。
从图 6中可以看出，ODSD方法能够提取出更多更精细的地物细节。从区域1的实验结果可以看出：图 6(b)中ODSD方法可以将建筑物与其阴影区分，而同尺度下的FNEA方法图 6(c)和Kernel Graph Cuts方法的分割结果图 6(d)较粗糙；不规则地物的边缘也可以精确地描绘出来。但是，由于ODSD方法对像元的光谱变化更加敏感，因此，分割的地物边界呈现不规则的形状，边界光滑度明显低于FNEA方法的分割结果。
2.2 定量评价
采用了基于评价准则的非监督评价方法，对ODSD分割结果的基元内部方差和基元之间的空间相关性作出了评价。评价指标[31]分别为全局基元内部方差wVar、空间相关性指数Moran’s I(MI)及其综合得分Global Score(GS)。
1) wVar定义为所有基元的内部方差[32]。对分割后的影像的每个波段计算其基元内部方差值，即
| $wVar = \sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {\frac{{{{\left( {{p_{i,j}} - {{\bar p}_i}} \right)}^2}}}{n}} } $ | (4) |
式中，n代表分割后图像的基元个数；m代表单个基元内部的像元个数；pi,j代表基元i内第j个像元的光谱值；
2) MI用于衡量基元间的空间相关性[33]。对实验影像的每个波段计算其MI值，即
| $MI = \frac{n}{{\sum\limits_{i = 1}^n {{w_i}} }} \times \frac{{\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {{w_{i,j}} \cdot \left( {{p_i} - {{\bar p}_i}} \right) \cdot \left( {{p_j} - {{\bar p}_j}} \right)} } }}{{\sum\limits_{i = 1}^n {{{\left( {{p_i} - {{\bar p}_i}} \right)}^2}} }}$ | (5) |
式中，n代表分割后图像中的基元个数；pi代表第i个基元内的像元，pj代表第j个基元内的像元，wi,j代表权重，当pi与pj所在的基元为空间相邻的关系时，wi,j = 1，否则wi,j = 0。
3)GS是wVar和MI指数相加后的综合得分。GS越小，代表分割所得的基元内部同质性高，基元之间的空间相关性低，分割结果越好。
对3种算法的分割结果，分别计算各个波段的wVar、MI值及GS得分，如表 1所示。
表 1
3种方法结果的评价指数对比
Table 1
Indices of segmentation methods
| 波段 | wVar | MI | GS | ||||||
| ODSD | FNEA | Kernel Graph Cuts |
ODSD | FNEA | Kernel Graph Cuts |
ODSD | FNEA | Kernel Graph Cuts |
|
| B1 | 1 046.3 | 1 077.2 | 1 130.8 | 0.313 | 0.297 | 0.250 | 1 046.6 | 1 235.0 | 1 131.1 |
| B2 | 1 064.5 | 1 103.1 | 1 145.2 | 0.283 | 0.264 | 0.223 | 1 064.8 | 1 275.4 | 1 145.4 |
| B3 | 1 092.2 | 1 136.0 | 1 181.4 | 0.262 | 0.245 | 0.203 | 1 092.4 | 1 361.8 | 1 181.6 |
| B4 | 2 055.2 | 2 125.4 | 4 333.1 | 0.184 | 0.134 | 0.185 | 2 055.4 | 2 478.8 | 4 333.3 |
从表 1可以看出，在全局内部方差评价指数wVar的比较上，ODSD分割结果的评价指数均小于FNEA方法及Kernel Graph Cuts方法，说明本文提出的ODSD方法所产生的分割基元内部同质性高于其他两种方法；而在基元的空间相关性指数MI的比较上，FNEA方法各波段的指数略大于ODSD方法及Kernel Graph Cuts方法，说明本文方法所产生的分割基元在空间相关性上略高于其他两种方法；但是，综合指数GS的比较上，ODSD方法的分割结果各波段的指数均小于另外两种方法，说明ODSD方法对于图像分割存在优势。同时，实验分别统计了3种方法得到的分割基元数：ODSD方法的分割结果共有基元数目5 852个，FNEA方法分割后的基元数目为2 888个，Kernel Graph Cuts方法只产生了2 544个基元。因此，按照式(5)的计算，基元数目的增加，会使n增大，因此造成ODSD方法分割结果的空间相关性指数MI的增大。
3 结 论
提出的区域生长种子点选取方法，主要依据为1维方向上像元之间的光谱差异，是一种为区域生长算法快速有效地选取种子点的方法。该方法首先选取光谱差异的局部极小值点作为初步选取的种子点，然后进行种子点的合并优选，从而为图像的初始分割提供具有代表性的种子点。实验结果表明，ODSD方法选取的种子点能够产生精细的分割图像。将实验结果与FNEA方法分割结果及Kernel Graph Cuts方法分割结果进行了目视比较和定量评价，可以得出结论：ODSD方法简单快速，能够得到精细的地物细节，几乎可以达到eCognition软件分割的精度，具有很高的实用价值。
但是，ODSD方法仍然存在很多待解决的问题：1)虽然ODSD方法对种子点的选择进行了改进，但仍然只考虑了影像的光谱信息，后续的工作应考虑结合图像的空间信息；2)在初步选取种子点时，需要确定光谱差异的区域极小值阈值、对象大小阈值，这些阈值仍然是实验参数，不能自动生成；3)由于该方法对光谱变化敏感，因此会造成一定程度上的过分割现象。虽然可以选取不同的对象大小尺度参数进行控制，但相对于同尺度下的eCognition软件分割结果，过分割依然存在；4)本文仅对水平竖直两个方向进行了种子点的选择，其他方向的种子点优选算法仍在研究中。
参考文献
-
[1] Schiewe J. Segmentation of high-resolution remotely sensed data-concepts,applications and problems[J]. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences , 2002, 34 (4) : 380–385.
-
[2] Sun X, Fu K, Wang H Q. High Resolution Remote Sensing Image Understanding[M]. Beijing: Science Press, 2011 : 1-28. [ 孙显, 付琨, 王宏琦. 高分辨率遥感图像理解[M]. 北京: 科学出版社, 2011: 1-28.]
-
[3] Yan L, Zhao Z, Nie Q, et al. Ground objects extraction from high-resolution remote sensing image with rules[J]. Geomatics and Information Science of Wuhan University , 2012, 37 (6) : 636–639. [ 闫利, 赵展, 聂倩, 等. 利用规则进行高分辨率遥感影像地物提取[J]. 武汉大学学报:信息科学版 , 2012, 37 (6) : 636–639. ]
-
[4] Castillejo-González I L, López-Granados F, García-Ferrer A, et al. Object-and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery[J]. Computers and Electronics in Agriculture , 2009, 68 (2) : 207–215. DOI:10.1016/j.compag.2009.06.004
-
[5] Baatz M,Schöpe A.Object-oriented and multi-scale image analysis in semantic networks[C]//The 2nd International Symposium on Operationalization of Remote Sensing.Enschede:ITC,1999.
-
[6] Baatz M,Schöpe A.Multiresolution segmentation-an optimization approach for high quality multi-scale image segmentation[M]//Strobl J,et al.Angewandte Geographische Informationsverarbeitung XⅡ.Karlsruhe:Herbert Wichmann Verlag,2000:12-23.
-
[7] Zhou Q, Robson M. Automated rangeland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J]. International Journal of Remote Sensing , 2001, 22 (17) : 3457–3470. DOI:10.1080/01431160010004504
-
[8] Gao Y, Mas J F. A comparison of the performance of pixel based and object based classifications over images with various spatial resolutions[J]. Online Journal of Earth Sciences , 2008, 2 (1) : 27–35.
-
[9] Benz U C, Hofmann P, Willhauck G, et al. Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. ISPRS Journal of Photogrammetry and Remote Sensing , 2004, 58 (3-4) : 239–258. DOI:10.1016/j.isprsjprs.2003.10.002
-
[10] Caprioli M, Tarantino E. Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data[J]. Journal of Geospatial Engineering , 2001, 3 (2) : 127–134.
-
[11] Dey V,Zhang Y,Zhong M.A Review on image segmentation techniques with remote sensing perspective[M]//Wagner W,Székely B.ISPRS TC VⅡ Symposium-100 Years ISPRS.Vienna,Austria:IAPRS,2010.
-
[12] Adams R, Bischof L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence , 1994, 16 (6) : 641–647. DOI:10.1109/34.295913
-
[13] Jain P K,Susan S.An adaptive single seed based region growing algorithm for color image segmentation[C]//Proceedings of the 2013 Annual IEEE India Conference.Mumbai:IEEE,2013:1-6.[DOI:10.1109/INDCON.2013.6725922]
-
[14] Fan J P, Zeng G H, Body M, et al. Seeded region growing:an extensive and comparative study[J]. Pattern Recognition Letters , 2005, 26 (8) : 1139–1156. DOI:10.1016/j.patrec.2004.10.010
-
[15] Dikshit O, Behl V. Segmentation-assisted classification for IKONOS imagery[J]. Journal of the Indian Society of Remote Sensing , 2009, 37 (4) : 551–564. DOI:10.1007/s12524-009-0055-1
-
[16] Fan J P, Yau D K Y, Elmagarmid A K, et al. Automatic image segmentation by integrating color-edge extraction and seeded region growing[J]. IEEE Transactions on Image Processing , 2001, 10 (10) : 1454–1466. DOI:10.1109/83.951532
-
[17] Chen Z, Zhao Z M. A multi-scale remote sensing image segmentation algorithm based on region growing[J]. Computer Engineering and Applications , 2005, 41 (35) : 7–9. [ 陈忠, 赵忠明. 基于区域生长的多尺度遥感图像分割算法[J]. 计算机工程与应用 , 2005, 41 (35) : 7–9. DOI:10.3321/j.issn:1002-8331.2005.35.003 ]
-
[18] Byun Y G, Han Y K, Chae T B. A multispectral image segmentation approach for object-based image classification of high resolution satellite imagery[J]. KSCE Journal of Civil Engineering , 2013, 17 (2) : 486–497. DOI:10.1007/s12205-013-1800-0
-
[19] Tang J.A color image segmentation algorithm based on region growing[C]//Proceedings of the 2nd International Conference on Computer Engineering and Technology.Chengdu:IEEE,2010,6:634-637.[DOI:10.1109/ICCET.2010.5486012]
-
[20] Liu J, Li P J, Wang X. A new segmentation method for very high resolution imagery using spectral and morphological information[J]. ISPRS Journal of Photogrammetry and Remote Sensing , 2015, 101 : 145–162. DOI:10.1016/j.isprsjprs.2014.11.009
-
[21] Ugarriza G L, Saber E, Vantaram S R, et al. Automatic image segmentation by dynamic region growth and multiresolution merging[J]. IEEE Transactions on Image Processing , 2009, 18 (10) : 2275–2288. DOI:10.1109/TIP.2009.2025555
-
[22] Chung K L, Yang W J, Yan W M. Efficient edge-preserving algorithm for color contrast enhancement with application to color image segmentation[J]. Journal of Visual Communication and Image Representation , 2008, 19 (5) : 299–310. DOI:10.1016/j.jvcir.2008.02.002
-
[23] Huang X X, Huang B, Li H G. A fast level set method for synthetic aperture radar ocean image segmentation[J]. Sensors , 2009, 9 (2) : 814–829. DOI:10.3390/s90200814
-
[24] Deng F L, Yang C J, Cao C X, et al. An improved method of FNEA for high resolution remote sensing image segmentation[J]. Journal of Geo-Information Science , 2014, 16 (1) : 95–101. [ 邓富亮, 杨崇俊, 曹春香, 等. 高分辨率影像分割的分形网络演化改进方法[J]. 地球信息科学学报 , 2014, 16 (1) : 95–101. DOI:10.3724/SP.J.1047.2013.00095 ]
-
[25] Kruse F A, Lefkoff A B, Boardman J W, et al. The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data[J]. Remote Sensing of Environment , 1993, 44 (2-3) : 145–163. DOI:10.1016/0034-4257(93)90013-N
-
[26] Tang H, Du P J, Fang T, et al. The analysis of error sources for SAM and its improvement algorithms[J]. Spectroscopy and Spectral Analysis , 2005, 25 (8) : 1180–1183. [ 唐宏, 杜培军, 方涛, 等. 光谱角制图模型的误差源分析与改进算法[J]. 光谱学与光谱分析 , 2005, 25 (8) : 1180–1183. DOI:10.3321/j.issn:1000-0593.2005.08.004 ]
-
[27] Baraldi A, Parmiggiani F. A neural network for unsupervised categorization of multivalued input patterns:an application to satellite image clustering[J]. IEEE Transactions on Geoscience and Remote Sensing , 1995, 33 (2) : 305–316. DOI:10.1109/36.377930
-
[28] Yu X C, An W J, Lv Z H, et al. Automatic weighting fusion classification method based on spectral angle and spectral distance[J]. Journal of Geology , 2012, 36 (1) : 33–36. [ 余先川, 安卫杰, 吕中华, 等. 一种基于光谱角和光谱距离自动加权融合分类方法[J]. 地质学刊 , 2012, 36 (1) : 33–36. DOI:10.3969/j.issn.1674-3636.2012.01.33 ]
-
[29] Trimble.eCognition developer 8.7 reference book[CP/OL].2011-09-22[2015-11-25].http://www.ecognition.com/
-
[30] Mohamed B S, Mitiche A, Ayed I B. Multiregion image segmentation by parametric kernel graph cuts[J]. IEEE Transactions on Image Processing , 2011, 20 (2) : 545–557. DOI:10.1109/tip.2010.2066982
-
[31] Li H, Tang Y W, Liu Q J, et al. An improved algorithm based on minimum spanning tree for multi-scale segmentation of remote sensing imagery[J]. Acta Geodaetica et Cartographica Sinica , 2015, 44 (7) : 791–796. [ 李慧, 唐韵玮, 刘庆杰, 等. 一种改进的基于最小生成树的遥感影像多尺度分割方法[J]. 测绘学报 , 2015, 44 (7) : 791–796. DOI:10.11947/j.AGCS.2015.20140060 ]
-
[32] 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
-
[33] Espindola G M, Camara G, Reis I A, et al. Parameter selection for region-growing image segmentation algorithms using spatial autocorrelation[J]. International Journal of Remote Sensing , 2006, 27 (14) : 3035–3040. DOI:10.1080/01431160600617194
