一种光谱与纹理特征加权的高分辨率遥感纹理分割算法解读Word文档格式.docx

一种光谱与纹理特征加权的高分辨率遥感纹理分割算法解读Word文档格式.docx

《一种光谱与纹理特征加权的高分辨率遥感纹理分割算法解读Word文档格式.docx》由会员分享，可在线阅读，更多相关《一种光谱与纹理特征加权的高分辨率遥感纹理分割算法解读Word文档格式.docx（24页珍藏版）》请在冰豆网上搜索。

ＱｉｎＱｉａｎｑｉｎｇ

ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏ，ＩｎｆｏｒｍａｔｉｏｎＳｕｒｖｅｙｉｎｇ，Ｍａｐｐｉｎｇ

ＲｅｍｏｔｅＳｅｎｓｉｎｇ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，

Ｗｕｈａｎ，Ｈｕｂｅｉ４３００７９，Ｃｈｉｎａ

２

Ｃｏｌｌｅｇｅ

ｏｆＣｏｍｐｕｔｅｒ

ＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＣｈａｎｇｓｈａＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，

Ｃｈａｎｇｓｈａ，Ｈｕｎａｎ４１００７６，Ｃｈｉｎａ

３

Ｓｃｈｏｏｌ

ｏｒＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ，Ｈｕｂｅｉ４３００７９，Ｃｈｉｎａ

ａｍｏｕｎｔ

ｏｆ

ｓｔｒｕｃｔｕｒｅ

Ａｂｓｔｒａｃｔ

Ｈｉｇｈ．－ｓｐａｔｉａｌ・－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅ

ｉｓｏｆｔｅｎ

ｓｅｎｓｉｎｇｉｍａｇｅｒｙｐｒｏｖｉｄｅｓ

ａ

ｌａｒｇｅｓｐｅｃｔｒａｌ

ｉｎｆｏｒｍａｔｉｏｎ．Ｈｏｗｅｖｅｒ。

ｔｈｅｉｒａｖａｉｌａｂｉｌｉｔｙａｌｓｏｐｏｓｅｓｃｈａｌｌｅｎｇｅｓｔｏｃｏｎｖｅｎｔｉｏｎａＩｓｐｅｃｔｒａＪｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｓ，ａｎｄｔｈｅｓｅｇｍｅｎａｔｉｏｎｒｅｇｉｏｎｉｎｆｏｒｍａｔｉｏｎｉＳ

ｔｏｏ

ｆｒａｇｍｅｎｔａｒｙａｎｄｈａｓｌｏｗａｃｃｕｒａｃｙ．Ｉｎｏｒｄｅｒ

ｔｏｏｖｅｒｃｏｍｅｔｈｉｓ

ｉｎａｄｅｑｕａｃｙ，ｔｅｘｔｕｒｅ

ｉｎｔｒｏｄｕｃｅｄｉｎｔｏｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｐａｃｅ．Ｉｎｔｈｅａｌｇｏｒｉｔｈｍ，ｔｈｅｎｅｗｆｅａｔｕｒｅｓｐａｃｅｃｏｎｓｉｓｔｓｏｆｓｐｅｃｔｒａｌａｎｄ

ｔｅｘｔｕｒｅｅｌｅｍｅｎｔｓ，ａｎｄｗｅｉｇｈｔｅｄｍｉｎｉｍｕｍｄｉｓｔａｎｃｅｃｌａｓｓｉｆｉｅｒｉｓｄｅｓｉｇｎｅｄ．Ｆｉｒｓｔｌｙ，ｓｐｅｃｔｒａｌｆｅａｔｕｒｅｉｓｇｏｔｂｙｂａｎｄｗｉｄｔｈｍｅａｎｓｈｉｆｔｆｉｌｔｅｒｉｎｇｐｒｏｃｅｄｕｒｅ

ｏｎ

ｖａｒｉａｂｌｅ

ｏｒｉｇｉｎａｌｉｍａｇｅｓ，ａｎｄｔｅｘｔｕｒｅｆｅａｔｕｒｅｉｓｇｏｔｂｙｃｏｎｖｏｌｖｉｎｇｏｒｉｇｉｎａｌｉｍａｇｅ

ｗｉｔｈｍｕｌｔｉｓｃａｌｅＧａｂｏｒｆｉｌｔｅｒｂａｎｋｂａｎｄｂｙｂａｎｄ．Ｓｅｃｏｎｄｌｙ．ｔｈｅｗｅｉｇｈｔｏｆｃｅｒｔａｉｎｆｅａｔｕｒｅｄｉｍｅｎｓｉｏｎｆｏｒｃｌａｓｓｉＳｄｅｔｅｒｍｉｎｅｄｂｙｉｔｓｄｅｖｉａｔｉｏｎｉｎａｖｅｒａｇｉｎｇｗｅｉｇｈｔｅｄｆｅａｔｕｒｅ

ｖｅｃｔｏｒｓ

ｃｅｒｔａｉｎ１ａｎｄ

ｔｈｅｌａｎｄｃｌａｓｓｔｒａｉｎｉｎｇａｒｅａ．Ｔｈｅｎ，ｔｈｅｃｌｕｓｔｅｒｉｎｇｔｈｅｔｒａｉｎｉｎｇａｒｅａ．Ｆｉｎａｌｌｙ，ｅｖｅｒｙｐｉｘｅｌｉｓ

ｃｅｎｔｒｅ

ｉＳａｌｓｏｃａｌｃｕｌａｔｅｄｂｙ

ｎｅａｒｅｓｔ

ｉｎ

ｃｌａｓｓｉｆｉｅｄｉｎｔｏｔｈｅｃｌａｓｓｗｉｔｈ

ｗｅｉｇｈｔｅｄｄｉｓｔａｎｃｅ．ＴｈｅｅｘｐｅｒｉｍｅｎｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｐｒｅｓｅｎｔｅｄｂａｎｄｄｅｆｉｎｉｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇｔｈｅｖａｒｉａｂｌｅｍｅａｎｓｈｉｆｔｆｉｌｔｅｒｉｎｇｉＳ

ｔｅｘｔｕｒｅ

ｏｒ

ｅｆｆｅｃｔｉｖｅａｎｄｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓ

ｃａｎ

ａｃｈｉｅｖｅｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｔｈａｎｏｎｌｙ

ｕｓｉｎｇ

ｓｐｅｃｔｒａｌｆｅａｔｕｒｅｉｎｄｅｐｅｎｄｅｎｔｌｙ．

ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ；

ｔｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎ；

ｍｅａｎｓｈｉｆｔ；

Ｇａｂｏｒｆｉｌｔｅｒ；

ｉｎｆｏｒｍａｔｉｏｎｗｅｉｇｈｔｉｎｇ

Ｋｅｙｗｏｒｄｓ

收稿日期：

２００８１１—１７：

收到修改稿日期：

２００９—０２

２３

基金项目：

国家９７３计划（２００６ｃＢ７０１３０３）、国家８６３计划（２００６ＡＡｌ２２１３２）和测绘国家重点实验室开放研究基金资助课题。

作者简介：

王雷光（１９８２一），男，博士研究生，主要从事遥感图像融合和遥感影像多尺度分析等方面的研究。

Ｅ—ｍａｉｌ：

ｗｌｇｂａｉｎ＠ｇｍａｉｌ．ＣＯｒｎ

导师简介：

秦前清（１９６１

Ｅ

），男，教授，博士生导师，主要从事小波分析、遥感图像处理和统计模式识别等方面的研究。

ｍａｉｌ：

ｑｑｑｉｎ＠ｌｍａｒｓ．ｗｈｕ．ｅｄｕ．ｃｎ

万方数据

１１期王雷光等：

一种光谱与纹理特征加权的高分辨率遥感纹理分割算法

３０１１

引言

影像分割是将影像分解成相互不重叠区域的过程，区域内像素具有同质属性，区域间具有异质属性［１￣３］。

作为图像处理到图像分析的关键步骤，分割与后续图像分析理解目标相关口￣３］。

在遥感影像解译中，分割结果常作为后续目标提取的输入，故希望分割区域能反映地物类别属性，同时分割区域不过于细碎，出现胡椒盐效应（Ｓａｌｔ—ａｎｄ—ｐｅｐｐｅｒｅｆｆｅｃｔ）［４］。

高分辨遥感影像分割／分类方法出现该效应的原因可归纳为以下两点：

１）成像过程中的传感器噪声的影响；

２）特征描述不够充分。

相比中低分辨率影像，高分辨率影像细节信息更加丰富，同物异谱和异物同谱现象更加明显，仅靠光谱特征不足以准确地描述地物类别之间的差异［５’６］。

纹理、形状、拓扑关系等空间特征如何与光谱特征协同作用，以及各种特征对不同地物类别分类时的贡献程度都值得研究。

基于以上分析，本文提出了一种光谱信息与纹理信息加权的高分辨率影像分割方法。

该方法首先将图像通过变带宽均值漂移滤波（Ａｄａｐｔｉｖｅｍｅａｎ

ｓｈｉｆｔ

ｆｉｌｔｅｒｉｎｇ，ＡＭＳＦ）实现影像保持边缘的滤波。

以滤波结果作为影像的光谱特征，可使得影像局部区域的光谱一致性增加，有利于胡椒盐效应的消除。

考虑到同物异谱和异物同谱的广泛存在，为提高分类精度，将伽博（Ｇａｂｏｒ）纹理信息引入组成光谱、纹理联合特征空间。

考虑到采用Ｇａｂｏｒ滤波器组产生的特征维数过高［７］，为降低计算复杂度将Ｇａｂｏｒ滤波器组进行了整合，新的滤波器组在保留了原有滤波器组多尺度特性的同时还减少了滤波器的数量。

最后，依据训练样区的特征方差获得各地物类别分类时特征维的权重及对应的加权聚类中心，通过加权的最小距离分类器获得分割结果。

这个过程将人工解译的先验知识和特征的描述能力有效的结合起来。

２特征提取及分类器设计

２．１

基于变带宽的均值漂移滤波的光谱特征提取均值漂移（Ｍｅａｎｓｈｉｆｔ，Ｍｓ）算法是一种寻找样

本概率密度函数的局部极大值点的迭代方法。

该算法由Ｆｕｋｕｎａｇａ等口１提出，后经Ｃｈｅｎｇ和Ｃｏｍａｎｉｃｉｕ等凹’１叫的发展，在图像分割、图像平滑、目标跟踪等计算机视觉领域得到了成功的应用。

该方法数学描述如下Ｌｌ…：

假设样本ｘ是ｄ维样本空间的总体Ｘ一｛工ｉ

ｉ一１，２…７／）的样本，则样本Ｘ概率密度函数的

Ｐａｒｚｅｎ窗估计氕（ｘ）为

ｆＫ（ｘ）一

嘉骞是（ｆｆ字协

即Ｘ的概率密度可由样本空间ｘ中落入工的带宽ｈ范围内的样本点的加权估计得出。

（１）式中ｋ（・）称为剖面函数，ｈ为带宽，ＣＫ为归一化参数。

若对于ｚ∈ｒｏ，ｃ＞ｏ），ｋ（ｚ）的导数足７（２）存在，则定义：

剖面函数ｇ（ｚ）三一是７（ｚ），核函数Ｇ（ｘ）兰ｃＧｇ（｜｜Ｘ”）。

对（１）式求导可得（２）式

‰Ｇ（ｘ）一昙＾ｚＣ梨，（２）

厶

Ｊ

ＧＬ工，

式中五（ｘ）为采用核函数Ｇ（・）得到的Ｘ样本的概率密度估计。

ｍ邶（ｘ）计算了特征空间中落在Ｘ样本

的带宽邻域ｈ内的样本点的加权均值与中心点Ｘ的差值，称为均值漂移向量。

由（２）式可知，均值漂移向量的方向总是指向特征概率密度变换最快的方向。

当ｇ（・）为非负、单减的有界函数时，在ｍ啪（ｘ）达到稳态时，特征ｘ漂移到局部极大值处［９‘１…，并有迭代（３）式（其中Ｙ。

一ｘ）：

》汁ｌ

舀｝∑㈦ｇ一“

睦刊

＂ｉ一、，

（３）

在给定带宽ｈ下，对于每个样本点Ｘ∈Ｘ，通过该迭代均可以漂移到其局部极大值点。

由（２）式和（３）式可知，当概率密度大的区域均值漂移步长

ｍ邶（工）较小，在概率密度小的区域均值漂移步长较

大。

均值漂移迭代过程实质上是一个自适应步长的梯度爬升过程。

在（３）式迭代过程中，涉及带宽ｈ的选择，如果带宽太大将导致估计变得平滑，反之估计将变得不稳定。

通常，依据样本空间潜在分布设计的变带宽均值漂移算法将获得比固定带宽聚类算法

更好的结果［１川。

和Ｐａｒｚｅｎ窗估计类似，Ｋ－近邻估计（Ｋ－ＮＮ）也是一种常用的非参数概率密度估计方法。

在估计

样本ｘ的概率密度于Ｋ（工）时，两者的不同之处在于：

Ｐａｒｚｅｎ窗估计给定邻域的带宽大小ｈ而不指定邻域

内样本的数目。

佟近邻估计给定估计概率密度用到

的邻域样本数目Ｋ，而不限制邻域带宽ｈ的大小。

因

此，艮近邻估计可以看作一种变带宽的Ｐａｒｚｅｎ窗估

光学计。

基于此，可以得到一种基于Ｋ＿近邻概率密度估计的均值漂移迭代算法，其迭代公式为

只＋１—２２－～—－，蹦一娑蝉州……，

鲁九，２训＾，

Ｆ上川兰二曼旷＼

ＬＪ—ｌ，Ｚ，…）

Ｉｌ／

（４）

式中ｈ：

一ｆＩｘ。

一瓦Ｋｆｌ。

，即ｘ：

处的带宽参数五。

由ｘ：

到鼍，Ｋ的距离决定，蕾，Ⅳ为与Ｙ：

第Ｋ接近的样本点。

这样带宽选择问题就转化为样本数目Ｋ的估计问题。

考虑到Ｋ的选择和特征空间的维数ｄ，样本的数量咒及样本空间的潜在分布相关，文献Ｅｌｅ］在分析参数Ｋ与三者关系的基础上，给出了样本服从高斯分布时，采用Ｋ－近邻方法进行非参数概率密度估计时，样本数目Ｋ的估计公式为

Ｋ一是。

ｎ４７‘抖”，

（５）

式中志。

为常数，当ｄ一１时，是。

随着特征维数的增加而减小。

大数定律保证了特征空间服从高斯分布或高斯混合分布的合理性，故本文采用（５）式作为Ｋ值的估计方法。

在本文的光谱特征提取中，对于多光谱影像光谱特征维数为ｄ一３，取常数‰一０．８。

全色波段时ｄ一１，取常数志。

一１。

则由（５）式可得：

对于１２８ｐｉｘｅｌ×

１２８ｐｉｘｅｌ

多光谱影像Ｋ为２５２，２５６

ｐｉｘｅｌ×

２５６

ｐｉｘｅｌ多光谱图像

Ｋ取４５２。

对于影像的每个像元，对其光谱特征向量麓通过（４）式的迭代过程可得到滤波输出ｚ；

。

该输出作为光谱特征，将和Ｇａｂｏｒ纹理一起构成特征空间。

另外，从（４）式可知光谱特征向量的收敛值由其邻域的样本点加权计算而来。

由于光谱特征空间中相邻的样本点在影像网格上的空间位置往往也比较接近，滤波过程可近似的理解为空间域的一种迭代、变权重的邻域加权平均滤波算法。

２．２多尺度Ｇａｂｏｒ纹理特征抽取

通过对光谱特征的变带宽均值漂移滤波，具有相近光谱特性的样本在光谱空间中分布更为紧密，对后续分类结果的影响表现为胡椒盐效应的改善。

然而，高分辨率影像中不同地物往往具有相似的光谱表象，对光谱特征进行均值漂移也可能会使得光

谱相似的不同质样本（树木和草地，道路和屋顶等）

收敛到特征空间中相近的模态，导致地物光谱不可分性的近一步加剧。

因此，高分辨影像分类问题中常常通过加入反映纹理、空间拓扑关系的特征来提高结果的稳健性［６’１２‘１…。

本文采用Ｇａｂｏｒ小波滤波器组提取纹理特征。

学报２９卷

选择Ｇａｂｏｒ滤波器有３个原因：

１）图像的Ｇａｂｏｒ滤波过程实质上是其加窗傅里叶变换过程，滤波可同时实现频域和时域的局部化功能［１“。

２）Ｇａｂｏｒ滤波器的带通性与人类的视觉接收模型吻合［１４一引。

３）基于滤波的方法不存在基于统计的纹理特征常见的窗口选择问题。

Ｍａｎｊｕｎａｔｈ等［７１基于滤波器半峰幅度支集相接的准则，通过Ｇａｂｏｒ小波母函数的旋转变换和尺度变换给出了一组具有多尺度和多方向特性的滤波器。

Ｇｏｂｏｒ小波母函数为

ｍ，ｙ）一丽１

已甙６

ｚｏｖ

ｅｘｐ（一菱一羲＋２咖。

ｚ）．

＼

厶６℃

厶Ｏｖ

｝

（６）

在该方法中，为确定一组Ｇａｂｏｒ滤波器组，只需给定图像的有效频域范围［＾＾］（最大范围为

［ｏ

１］），频域的层次数ｓ和每层的方向数Ｄ即可。

对于一幅／－／波段的多光谱图像Ｊ（ｚ，ｙ）与滤波器组进行卷积将获得，ｚ×

ＳｘＤ组纹理特征Ｗ。

，ａ（ｚ，ｙ），如对３波段影像，方向取６，尺度数取４，将获得７２维的纹理特征。

其中，ｉ…１・起，ｓ＝１…Ｓ，ｄ一１…Ｄ，＊为卷积操

Ｗ。

，ｄ（ｚ，Ｙ）一ｆ：

（ｚ，Ｙ）。

ｇ川，

（７）

作，ｇ删为Ｇａｂｏｒ滤波模板。

为保证分割效率的同时提高计算效率，对Ｇａｂｏｒ滤波器组进行整合。

整合方法如下：

＾，：

一芝江ｆ。

（ｚ，ｙ）＊ｇ刖］，

（８）

式中ｉ＝－．．１・竹，Ｓ＝－．．１・Ｓ，＾，。

为第ｉ个波段、第Ｓ尺度的Ｇａｂｏｒ滤波输出。

通过同一尺度不同方向滤波结果，捕获落人该尺度频带范围内纹理可能的方向，以提高纹理边缘区分精度，对同一尺度不同方向Ｇａｂｏｒ滤波结果求和获得影像不同频带内的纹理特征表达。

这样，对于每个像素点将获得（，２ｘＳ）维纹理特征向量：

ｘ‘＝［厂㈨，…，，，ｓ，＾＇１．．．，厶＇１．”＾。

ｓ］，如３波段影像将获得１２维的多尺度纹理特征。

需要说明的是，在算法实现过程中，并不需要影像与原始Ｇａｂｏｒ滤波组一一卷积而后相加，可通过傅里叶变换和采用滤波器模板提高运算效率。

整合特征的频域运算形式为

＾，，一纩１（瓤ｆ。

（ｚ，ｙ）］・双∑ｇ刊）｝，（９）

式中ｊ－（・）和纩１（・）为傅里叶变换及逆变换。

只需所有尺度及方向的模板矩阵，将同一尺度上的ｄ个方向模板相加就将获得该尺度上整合后的

３０１３

滤波器模板≥：

ｇ“，进而可建立滤波器模板的查找

ｄ。

＝——ｌ

表。

为获得影像的纹理特征，只需影像与对应的模板组分别进行频域乘法及傅里叶逆变换即可。

在文献［７］中，＾一０．０５，＾一０．４，方向取６，尺度数取４，对大量纹理的检索实验取得了较好结果，本文沿用这组参数。

采用整合后的多尺度Ｇａｂｏｒ滤波器组对原始影像逐波段滤波将获得纹理特征Ｆ。

２．３

基于分类贡献度的特征加权最邻近分类器设计在模式识别问题中，特征空间中的特征往往具

有一定的尺度属性，没有先验知识的特征标准化方

法往往导致特征原有语义信息的丢失并最终导致聚

类达不到预期的结果［１６。

在遥感影像分割中，光谱特征向量工。

和Ｇａｂｏｒ纹理特征向量ｘ‘的尺度属性不同决定其对最终分类的贡献是不同的，若仅仅将所有特征维样本简单归一化到一个数值范围内后，往往会扭曲特征对分类的贡献。

文献［１７］给出了一种小波域特征加权的方法，并将其用于纹理影像分类。

该方法以特征的样本方差艿来度量特征对纹理的表达能力；

认为方差越小，特征对该类纹理的描述能力越强；

采用样本方差的倒数作为特征维对分类贡献的度量，通过分类贡献率对特征的加权，强化描述能力强的特征，弱化描述能力差的特征。

基于类似思想，本研究定义了一族分类贡献度函数训（艿，Ａ）（艿为特征方差，Ａ为贡献调解参数），满足如下条件

（ｕ（艿，Ａ）＞０，

（１０）Ｖ艿１≥艿２，６０（ｄ２，Ａ）≥ＯＪ（艿１，Ａ）．

（１１）

考虑到Ｇａｂｏｒ纹理特征对于分类结果的影响往往不是简单的线性尺度关系，采用叫（ｄ，Ａ）一ｌｏｇ（Ａ／ａ）形式的贡献函数。

假设某一类纹理Ｊ有Ｎ，个训练样本（歹一１…Ｔ，Ｔ为类别数），重写其像元ｉ的光谱及Ｇａｂｏｒ特征向量为墨。

三［乃ｎ，。

，…，妈。

Ｍ］（ｉ一１…Ｎ，Ｎ为特征的维数）。

则训练和分类过程如下：

１）首先将特征各维归一化到［ｏ１］；

２）计算纹理Ｊ的样本均值向量Ｘ，一

［孑川，…，蜀，Ｍ］（弓，＊为第Ｊ类纹理的第忌维特征的均值）；

３）计算纹理Ｊ的样本方差向量Ｊｓ；

一

［ｓ；

川…，《，Ｍ］（《，ｔ为第Ｊ类纹理的第是维特征的训

练样本方差），其中０２，：

一。

万三∑（乃。

，一ｉ，。

）２；

旦

１’

‘ｉ一１

４）设置纹理Ｊ的分类贡献度向量Ｗ，一

［％１，…，ｏｏｊ，Ｍ］，其中哟，。

一ｌｇ（Ａ／ｓ一）（００，为第７７ｌ

维特征对第Ｊ类纹理分类的贡献率，Ａ为贡献调解参数）。

则第Ｊ类纹理分类的加权特征向量为ｘ？

，。

一［ｚ；

“．１，…，ｚ？

Ｍ］，其中ｚ≯：

一Ｘｊ，ｉ，ｍ叫，．。

５）计算第Ｊ类纹理加权后的聚类中心ｘ？

“一

Ｎ

．

寺善张；

６）重复１）～４），获得各特征维对所有类别的分类贡献率向量，及各类聚类中心；

７）采用最小距离分类器，确定像元ｉ的类别Ｔ

为：

Ｔ—ａｒｇ｛ｍｉｎ［ｄｉｓｔ（嚣：

～剧“）］），即将像元ｉ

归为与加权聚类中心最接近的一类。

３实验结果和分析

实验数据源为武汉地区ＱｕｉｃｋＢｉｒｄ遥感影像，其中多光谱波段空间分辨率为２．４４ｍ，包含ＲＧＢ三个波段，全色数据则由ＲＧＢ灰度化得到。

为便于分割精度的定量评价，实验采用了典型地物的合成影像。

实验中，依据光谱或纹理相似的原则选择影像区域，由人工解译获得定量精度评估的参考数据。

实验图像如图１所示，图中注释为影像的大小。

图１（ａ）中灌木和树林光谱和纹理均存在一定的相似性，且类别内部光谱信息变换剧烈。

图１（ｂ）中，有树木、草地、道路３类，可以看出草地和树木光谱信息存在明显的相似性。

图１（ｃ）可分为４种典型的地表纹理：

田地、水体、建筑区以及林地。

建筑区中包含阴影、房屋等光谱差异比较大的象元将给基于光谱的分割带来较大挑战。

图１（ｄ）的灰度图可分为３类，即树木，建筑区以及裸地，建筑区与裸地纹理光谱存在一定的相似性。

图１实验影像（ａ）２５６×

ｐｉｘｅｌ；

（ｂ）１２８×

１２８ｐｉｘｅｌ；

（ｃ）２５６×

２５６ｐｉｘｅｌ；

（ｄ）２５６×

２５６ｐｉｘｅｌ

Ｆｉｇ．１

Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ

ｕｓｅｄ

ｅｘｐｅｒｉｍｅｎｔｓ（ａ）

２５６ｐｉｘｅｌ×

（ｂ）１２８ｐｉｘｅｌ×

１２８

ｐｉｘｅｌ：

（ｃ）

（ｄ）２５６Ｘ２５６ｐｉｘｅｌ

实验一

为验证变带宽均值漂移算法（ＡＭＳＦ）的滤波效

果，实验将变带宽滤波与两种具有较好边缘保持效３．１

果的滤波方法［中值滤波（ＭＦ）及小波域硬阈值滤

波（ＷＦ）口８０］进行了比较。

ＷＦ方法通过对影像高

光学频子带的选择性规整实现影像的平滑滤波。

ＷＦ方法中，实验采用‘ｈａｒｒ’小波基，分解层数为３；

ＭＦ方法取５×

５和７×

７两种滤波窗口。

两种算法均逐波段进行处理。

滤波效果采用结构相似指数

（Ｓｔｒｕｃｔｕｒａｌ

ｓｉｍｉｌａｒｉｔｙ，ＳＳＩＭ）［１媚和局部光谱同质指

数（Ｌｏｃａｌ

ｓｐｅｃｔｒａｌ

ｓｉｍｉｌａｒｉｔｙ，ＬＳＳＩＭ）两个定量指标

以及目视效果综合评价。

结构相似指数反映了影像结构信息的相似程度，两幅影像结构越相似则该指数越接近于１。

对于多波段影像，本实验采用波段平均代表影像的整体测度。

每个像素点为种子，给定光谱阈值，通过区域生长可获得光谱同质性区域的数目Ｃ。

影像的区域数目Ｃ。

与影像像素个数Ｃ。

的比值与１的差值：

１一Ｃ。

／ｃ。

即为ＬＳＳＩＭ。

Ｃ。

越小，影像的同质区域面积越大，影像的局部区域的光谱一致性就越好，该比值越接近于ｌ。

本文给出了其中一副纹理影像采用不同方法的滤波结果（如图２所示）。

可以看到，ＭＦ可以有效实现影像的平滑，且尺度窗口越大平滑效果越明显，但是无法有效的保持影像的边缘信息。

ｗＦ和ＡＭＳＦ则在保持影像的边缘有更好的表现。

图２三种滤波方法不同参数结果的对比（ａ）ＭＦ（５×

５）；

（ｂ）ＭＦ（７×

７）；

（ｃ）ＷＦ；

（ｄ）ＡＭＳＦ

Ｆｉｇ．２

Ｆｉｌｔｅｒｉｎｇｒｅｓｕｌｔｓｂｙ

ｔｈｒｅｅ

ｍｅｔｈｏｄｓｗｉｔｈｄｉｆｆｅｒｅｎｔ

ｐａｒａｍｅｔｅｒｓ．（ａ）ＭＦ（５×

（ｅ）

ＷＦ；

影像的ＳＳＩＭ和ＬＳＳＩＭ两个测度一起反映了滤波算法的边缘保持能力及区域滤波效果。

ＳＳＩＭ和ＬＳＳＩＭ测度值越接近于１，说明滤波算法的边缘保持能力和对局部区域的平滑均达到了较好的效果。

考虑到真实的高分辨率遥感影像的空间细节十分丰富，过度的平滑会造成不同地物类别之间的光谱的混淆，反而不利于后续分类处理的特征提取。

因此，一种理想的滤波算法应在保持地物最小单元边界的前提下，尽可能平滑区域内像素，即在保证ＳＳＩＭ测度可能较大的前提下，使得局部区域的光谱一致性有较佳表现。

由四幅滤波结果的ＳＳＩＭ测度统计图（如图３所示）可见，ｗＦ方法和ＡＭＳＦ方法的滤波结果，其边缘保持性能要明显优于不同参数的中值滤波结

学报

２９卷

果，边缘保持精度均可达到０．８以上。

图４为滤波结果及原始影像的ＬＳＳＩＭ统计对比图。

结合图２可以看到：

各种滤波方法较之原始影像（标记为Ｏｒｉ），ＬＳＳＩＭ均有显著提高。

这表明各种滤波方法均有效的提高了影像的光谱一致性；

随着滤波窗口的增大，ＭＦ方法的区域光谱一致性增强，但边缘保持精度下降；

ＷＦ和ＡＭＳＦ方法的ＬＳＳＩＭ测度的对比结果因图像而异，但均与ＳＳＩＭ测度呈相反的变化趋势，两者之间存在此消彼长的制约关系。

这主要是因为滤波过程固然增加了局部区域光谱的一致性，同样会导致影像弱边缘的过度平滑。

图３不同算法处理结果的ＳＳＩＭ测度对比图

Ｆｉｇ．３

ＳＳＩＭｍｅｔｒｉｃｃｏｍｐａｒｉｓｏｎｏｆｆｉｌｔｅｒｉｎｇｒｅｓｕｌｔｓｂｙ

ｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ

图４处理结果及原始影像ＬＳＳＩＭ测度对比图

Ｆｉｇ．４

ＬＳＳＩＭｍ。

ｔ。

ｉｃ

ｃｏ。

ｐａ，ｉ。

ｏ。

ｏｆ胁ｅ，ｉ。

ｇ

ｒｅＳ。

ｌｔ。

ｉｔｈ

ｉｇｉ。

ｌｉｍ。

ｇ。

结合定量分析和目测解译的结果可得：

变带宽均值漂移滤波方法有最好的边缘保持精度和局部区域光谱一致性；

／Ｊ、波域方法结