劉小丹， 于寧， 邱紅圓

(遼寧師范大學(xué)計算機與信息技術(shù)學(xué)院,大連 116029)

基于譜直方圖的遙感圖像分層次多尺度植被分割

劉小丹， 于寧， 邱紅圓

(遼寧師范大學(xué)計算機與信息技術(shù)學(xué)院,大連 116029)

在遙感圖像分割中，植被是重要的一類對象，植被細分割一般有3個目標，按尺度分為喬木、灌木和草與苔蘚。針對單一層次多分類方法不能充分利用植被目標不同紋理尺度實現(xiàn)精確的多分類問題，提出了一種基于譜直方圖的遙感圖像分層次、多尺度植被分割方法。首先用歸一化植被指數(shù)(normalized difference vegetation index,NDVI)提取出遙感圖像中的植被區(qū)域，然后再對該區(qū)域分層實現(xiàn)多個二分類算法、完成多分類操作。在每個分類層次，利用目標的先驗知識和紋理尺度選擇紋理濾波參數(shù)，對濾波結(jié)果提取各子塊圖像的譜直方圖用以表達紋理特征，從而實現(xiàn)1個層次的分割。實驗結(jié)果表明，該方法較好地利用了植被各層次目標的先驗知識和紋理尺度，使得對紋理濾波器的增強處理更具針對性； 譜直方圖的特征區(qū)分度更大，使得植被細分割精度明顯提高。

遙感圖像； 植被分割； 譜直方圖； 多尺度濾波

0 引言

在遙感圖像分割的研究中，隨著遙感圖像分辨率的提高，地物的結(jié)構(gòu)信息越來越豐富，基于紋理結(jié)構(gòu)的分割方法已經(jīng)表現(xiàn)出明顯的優(yōu)勢，紋理結(jié)構(gòu)與其他方法結(jié)合也成為一種趨勢。例如劉婧等[1]提出結(jié)合結(jié)構(gòu)和光譜特征的高分辨率圖像分割方法，綜合利用圖像的結(jié)構(gòu)和光譜特征，采用區(qū)域生長策略進行分割，該方法適合于具有較明顯幾何形狀特征的城市地區(qū)高分辨率多光譜圖像。Yuan等[2]提出結(jié)合光譜和紋理特征的遙感圖像分割方法，采用3種濾波器進行紋理濾波處理，以譜直方圖表達紋理特征，明顯提高了不同地物目標的特征區(qū)分度； 但該方法屬于單一層次的多分類方法，不能充分利用目標紋理的不同尺度實現(xiàn)精確的分割。最優(yōu)分割尺度參數(shù)的選擇直接影響分割結(jié)果的好壞。在最優(yōu)分割尺度的選擇上，大部分研究者是通過定性的目視解譯或不斷嘗試方式來確定最優(yōu)分割尺度的[3-4]。例如陳杰等[5]用小波變換進行多光譜遙感圖像多尺度分水嶺分割，雖有較好的分割效果，但對區(qū)域合并的閾值需要做多次調(diào)試才能選定。

植被是遙感圖像中的一種重要目標。遙感圖像的多光譜特點使得光譜分割方法對植被與其他地物的分割非常有效，但對植被的進一步分類處理(即細分割)必須依賴其他的分割方法。植被通常按生長尺度分為喬木、灌木、草與苔蘚等3類(農(nóng)作物包含在草與苔蘚這個子類中)。陳杰等[6]提出的高分辨率遙感圖像耕地分層提取方法，采用支持向量機(support vector machines,SVM)分類，可從城郊區(qū)域的復(fù)雜背景中提取出不同類型、不同光譜的耕地目標； 但分類器所訓(xùn)練的樣本受限，影響最終的分割結(jié)果。李珊等[3]在改進的最優(yōu)分割尺度下的多層次混合分類研究中也出現(xiàn)了同樣的問題。馬浩然等[7]提出面向?qū)ο蟮淖顑?yōu)分割尺度下多層次森林植被分類方法，將大尺度和中尺度用于分割水體及非林地，小尺度用于單層次分割森林的多樹種區(qū)域。用同一尺度分割具有不同紋理尺度的多樹種區(qū)域，顯然無法實現(xiàn)分割尺度的最優(yōu)。

針對上述問題，本文提出基于譜直方圖的遙感圖像分層次多尺度植被分割方法，旨在充分利用植被目標紋理的不同尺度，實現(xiàn)植被的細分類。對植被區(qū)域分層進行多個二分類處理，在每個層次上充分利用目標的先驗知識測量紋理尺度，從而設(shè)置紋理濾波參數(shù)。這樣的分層次二分類方法可在一定程度上抑制多分類中類別的混淆。實驗結(jié)果表明，該方法較好地利用了植被各層次目標的先驗知識和紋理尺度，分割精度明顯提高。

1 分層次多尺度植被紋理分割

目前，高分辨率遙感圖像全色分量的分辨率可達到0.5～1.0 m，植被的紋理結(jié)構(gòu)信息為詳細目標的類型解譯提供了充分的條件。不同目標的異質(zhì)性較多地表現(xiàn)在紋理結(jié)構(gòu)上，而尺度又是處理紋理特征的重要參數(shù)[8]。對不同地物目標提取出相應(yīng)的紋理特征以達到最佳分割，需要尋找不同地物目標各自最適宜的分割尺度[9]。對植被的細分割來說，如何充分利用植被各子類的先驗知識來選擇多個最優(yōu)尺度實現(xiàn)分割是首要問題。本文提出的解決辦法是采用分層次二分類方法。其處理流程見圖1。

圖1 分割處理流程

首先利用遙感圖像的多光譜信息，用歸一化植被指數(shù)(normalized difference vegetation index,NDVI)將植被區(qū)域精確地提取出來。NDVI被定義為近紅外波段(DNNIR)與可見光紅波段(DNR)數(shù)值之差和這2個波段數(shù)值之和的比值，即

(1)

選取多個植被樣本, 確定NDVI的閾值, 當(dāng)NDVI大于此閾值時為植被, 否則為非植被。這樣就將圖像分成了2個區(qū)域。將非植被區(qū)域屏蔽后再執(zhí)行后續(xù)的植被細分割，避免了其他地物因紋理結(jié)構(gòu)與植被中尺度較小的紋理接近而造成的分類干擾。

由于植被細分割的目標是確定的，所以喬木、灌木和草與苔蘚的紋理結(jié)構(gòu)特點是已知的。這為目標的紋理尺度探測和紋理特征增強提供了方便。對植被區(qū)域，使用藍噪聲探測方法[10]探測喬木的紋理尺度，進而設(shè)置與該尺度相關(guān)的紋理濾波器參數(shù)以及提取譜直方圖所使用的積分窗口尺度； 以喬木為目標的紋理濾波和譜直方圖提取，使得喬木的紋理特征與非喬木植被目標的紋理特征拉開明顯的距離，保證了二分類的效果。同樣，依據(jù)灌木紋理的特點，再次使用藍噪聲探測方法在上一層次分割所確定的非喬木植被區(qū)域中探測灌木紋理尺度； 以此尺度完成灌木紋理濾波處理和譜直方圖提取，于是灌木和草與苔蘚的二分類也在最佳分割尺度上得以實現(xiàn)。

2 植被紋理多尺度表達

2.1 植被紋理表達

譜直方圖是通過對像元的紋理濾波鄰域做積分獲得的[11]，這個鄰域亦稱“積分窗口”，是以該像元為中心的濾波后的子塊圖像。譜直方圖通過針對局部結(jié)構(gòu)的單個濾波器的響應(yīng)可以捕獲局部結(jié)構(gòu)特征的一個方面； 將這些譜直方圖并置，即可表達綜合的局部結(jié)構(gòu)特征。由于對譜直方圖的描述獨立于所選擇的分類器，因此它可以使用SVM、多層感知器和K-NN最鄰近規(guī)則等分類器[12]。

依據(jù)藍噪聲特性探測出植被目標紋理的尺度，作為積分窗口W的尺寸以及紋理濾波器參數(shù)設(shè)定的依據(jù)。選定1組紋理濾波器{Fn,n=1，2,…，N}，將原始圖像的每個子塊圖像Wn與每個濾波器Fn做卷積，得到濾波后的子塊圖像。濾波操作定義為

(2)

式中：p,u分別為像元點的位置； *為卷積運算符。

對于每一個子塊圖像Wn，定義其譜直方圖為

(3)

式中：z1和z2為譜直方圖的分段統(tǒng)計范圍； |W|為積分窗口中像元的總數(shù)。

并置所選擇的濾波器組，得到譜直方圖構(gòu)成的紋理特征向量HW，即

HW=(HW1,HW2,∧,HWn)。

(4)

經(jīng)以上方法處理，遙感圖像待處理區(qū)域中每個像元對應(yīng)1個并置的譜直方圖； 這個譜直方圖將作為植被目標紋理特征向量，參與進一步的分類處理。

2.2 多尺度濾波和譜直方圖處理

使用適當(dāng)?shù)募y理尺度設(shè)置濾波器的尺度參數(shù)，可更有效地增強目標的紋理信息。在此基礎(chǔ)上，選擇合適的積分窗口尺度，可使譜直方圖的紋理特征描述更為恰當(dāng)，從而增大目標紋理與背景紋理的區(qū)分度。對于多目標分類的分割處理來說，目前利用最優(yōu)分割尺度計算模型選擇最優(yōu)分割尺度是較好的方法[13-14]； 但這是一種全局判斷方法，其最優(yōu)尺度很難滿足多種目標的紋理特征。二分類處理則針對目標紋理設(shè)定分割尺度，因而避免了這個問題。分層探測目標紋理的尺度，進而實施二分類處理，是本文方法的主要特點。

2.2.1 濾波器的選擇

譜直方圖方法是一種基于變換的紋理表達方法。濾波器組充分獲取紋理圖像在不同方向和頻率段的頻率特征，由譜直方圖分段統(tǒng)計。本文使用雙邊濾波器和高斯拉普拉斯濾波器構(gòu)成濾波器組。

在遙感圖像中的植被區(qū)域內(nèi)，喬木和灌木在植株位置、樹冠尺寸、高光與陰影對比度等方面的特性構(gòu)成區(qū)別于草與苔蘚的主要紋理特征，而喬木與灌木之間的特征差異則主要表現(xiàn)在紋理的尺度上。在宏觀上，森林和灌木林由單個的樹冠連接構(gòu)成，呈非周期性隨機狀態(tài)，在陽光照射下有較弱的方向性； 在微觀上，紋理單元呈簇團狀結(jié)構(gòu)，中心與周圍對比度明顯，結(jié)構(gòu)形狀隨植物種類差異有一定變化[10]。草與苔蘚區(qū)域的紋理對比度較小，且缺乏細節(jié)，基本是平滑區(qū)域。對于上述2個層次的二分類，只需針對喬木和灌木的紋理選擇合適的濾波器。

雙邊濾波器模板的卷積權(quán)值的選取不僅取決于高斯低通濾波的像元鄰域位置關(guān)系，同時還由相鄰像元的亮度信息所決定。因此，雙邊濾波器既實現(xiàn)了局部高斯平滑處理，又保持了邊緣信息[15]。在合適的尺度下，樹冠紋理單元內(nèi)的灰度將被雙邊濾波器處理為具有清晰階躍的多層分布，這將直接支持譜直方圖的紋理灰度分布表達。

高斯拉普拉斯濾波器簡稱LoG濾波器，是高斯低通濾波器與拉普拉斯濾波器的一種結(jié)合，可在高斯平滑處理的基礎(chǔ)上增強邊緣信息。通過平滑處理，消除尺度小于標準偏差(σ)的信號強度變化； 再通過二次微分，得到邊緣信息。同樣，在σ尺度合適的情況下，樹冠紋理單元內(nèi)的形狀信息將被LoG濾波器處理為邊緣分布，譜直方圖由此構(gòu)成紋理邊緣分布表達。

2.2.2 雙邊濾波參數(shù)的設(shè)置

雙邊濾波利用信號強度的變化來保持邊緣信息，卷積權(quán)值既考慮2個像元在空間上的鄰近關(guān)系，又考慮它們在灰度上的相似性。若用Iin和Iout,分別表示輸入和輸出圖像，則雙邊濾波可表示為

(5)

(6)

(7)

雙邊濾波參數(shù)設(shè)置包括下述4部分內(nèi)容(喬木和灌木2類目標的濾波參數(shù)設(shè)置方法相同)：

1)濾波窗口尺寸選擇。濾波窗口的大小會對濾波結(jié)果產(chǎn)生重要影響，小窗口能保持圖像的局部細節(jié)信息，而大窗口有平滑和去噪的作用。設(shè)由藍噪聲測量方法獲得的區(qū)域中典型目標紋理單元尺寸為M，濾波器窗口尺寸為n，當(dāng)M≤12時，設(shè)n=3； 當(dāng)12

2)空間域標準偏差σd設(shè)定。根據(jù)概率理論的3σ原則，高斯分布的樣本絕大部分集中在3倍標準差以內(nèi)的區(qū)域。濾波器窗口尺寸為n時，σd設(shè)定為

(8)

3)譜直方圖積分窗口尺寸和統(tǒng)計分段數(shù)設(shè)定。目標紋理尺度和灰度分布是設(shè)置譜直方圖積分窗口尺寸和分段統(tǒng)計范圍的依據(jù)。譜直方圖通過對中心像元的紋理濾波鄰域構(gòu)成的積分窗口做積分統(tǒng)計，表達該像元的紋理特征。大的積分窗口可以更好地體現(xiàn)區(qū)域內(nèi)紋理單元的平均特性，但對區(qū)域邊緣附近的中心像元會產(chǎn)生明顯的跨區(qū)域的特性混淆； 小的積分窗口在局部特征表達上更有效，對區(qū)域邊緣的精細分割有利，但會帶來過分割問題。以紋理單元尺寸M作為積分窗口尺寸，使窗口覆蓋范圍可以表達紋理單元的平均特性，并且在區(qū)域邊緣處保證窗口跨越的幅度不超過1個紋理單元。譜直方圖的統(tǒng)計分段數(shù)設(shè)置涉及灰度層次的區(qū)分度和分類比較的計算量，對于256級灰度圖像來說，通?？梢栽O(shè)定統(tǒng)計分段數(shù)S在26～28之間。

(9)

選取植被區(qū)域的遙感圖像，分辨率為0.65 m，以喬木紋理為目標的雙邊濾波結(jié)果見圖2(a)和(b)，以灌木紋理為目標的雙邊濾波結(jié)果見圖2(c)和(d)。

(a) 喬木譜直方圖(M=17) (b) 灌木譜直方圖(M=17)(c) 灌木譜直方圖(M=5) (d) 草地譜直方圖(M=5)

經(jīng)過藍噪聲探測的喬木紋理尺寸M=17，濾波窗口尺寸n=5，σd=0.83，σr=0.21，積分窗口尺寸M=17，統(tǒng)計分段數(shù)S=128。從統(tǒng)計分段數(shù)分布上看，喬木的統(tǒng)計分段數(shù)集中在0～100，而灌木的統(tǒng)計分段數(shù)集中在40～80，且直方圖包絡(luò)呈現(xiàn)細高波峰。樹冠紋理單元內(nèi)的灰度通過雙邊濾波器的處理呈現(xiàn)具有清晰階躍的多層分布，但這個尺度對于另2類目標相對較大，其紋理細節(jié)被過多地平滑。

由于喬木已經(jīng)被分割出去，以灌木紋理為目標的雙邊濾波只考慮灌木和草與苔蘚這2類植被。經(jīng)過藍噪聲探測的灌木紋理尺寸M=5，濾波窗口尺寸n=3，σd=0.5，σr=0.13，積分窗口尺寸M=5，統(tǒng)計分段數(shù)S=128。從統(tǒng)計分段數(shù)分布上看，灌木的統(tǒng)計分段數(shù)分布在30～60，而草地的統(tǒng)計分段數(shù)分布在60～80。根據(jù)灌木選擇雙邊濾波尺度對于草地卻過大，因而平滑掉草地的紋理細節(jié)，使灰度層次變少、導(dǎo)致灰度分布的均方差很小。

2.2.3 LoG濾波器參數(shù)的設(shè)置

LoG濾波器的高斯低通濾波尺度由標準偏差σ控制，二次微分計算的范圍則決定于濾波窗口尺寸。LoG濾波器表示為

(10)

式中σ為高斯核的標準偏差。

LoG濾波參數(shù)設(shè)置有下述3部分內(nèi)容(喬木和灌木2類目標的濾波參數(shù)設(shè)置方法相同)，仍以分辨率為0.65 m的遙感圖像為例：

1)濾波窗口尺寸選擇。濾波窗口尺寸決定拉普拉斯算子的計算范圍，根據(jù)目標紋理尺度選擇適當(dāng)大小的濾波窗口，可以更有效地增強目標紋理邊緣。由紋理單元尺寸M確定濾波窗口尺寸n的方法與雙邊濾波參數(shù)設(shè)置相同。

2)標準偏差σ設(shè)定。仍然根據(jù)概率理論的3σ原則，將σ設(shè)定為

(11)

3)譜直方圖積分窗口尺寸和統(tǒng)計分段設(shè)定。方法與雙邊濾波相關(guān)參數(shù)設(shè)置相同。

選取植被區(qū)域的遙感圖像，分辨率為0.65 m，以喬木紋理為目標的LoG濾波結(jié)果見圖3(a)和(b)，以灌木紋理為目標的LoG濾波結(jié)果見圖3(c)和(d)。

(a) 喬木譜直方圖(M=17) (b) 灌木譜直方圖(M=17)(c) 灌木譜直方圖(M=5)(d) 草與苔蘚譜直方圖(M=5)

經(jīng)過藍噪聲探測的喬木紋理尺寸M=17，濾波窗口尺寸n=5，σ=0.83，積分窗口尺寸M=17，統(tǒng)計分段數(shù)S=128。喬木的統(tǒng)計分段數(shù)分布較廣，在0～120之間，而灌木的統(tǒng)計分段數(shù)分布在0～70之間。LoG濾波器高斯核的標準偏差σ控制平滑的強度，正比于喬木紋理尺寸。對于灌木等紋理尺寸較小的目標來說，這種平滑強度過大，紋理的灰度躍變細節(jié)基本消失。LoG濾波器對平滑后的圖像實施拉普拉斯拉濾波處理，喬木的紋理邊緣信息得到保留。濾波后喬木的均值和均方差都明顯高于另外2類目標。

以灌木紋理為目標的LoG濾波只考慮灌木和草與苔蘚這2類植被。經(jīng)過藍噪聲探測的灌木紋理尺寸M=5，濾波窗口尺寸n=3，σ=0.5，積分窗口尺寸M=5，統(tǒng)計分段數(shù)S=128。從統(tǒng)計分段數(shù)分布上看，灌木的統(tǒng)計分段數(shù)分布范圍較廣，而草與苔蘚的統(tǒng)計分段數(shù)則分布在0附近。適合于灌木的LoG濾波平滑處理將草與苔蘚的紋理細節(jié)幾乎完全濾掉，在沒有灰度躍變信息的情況下，拉普拉斯濾波的結(jié)果使得灰度分布均值接近0。

3 實驗結(jié)果與分析

本文以Matlab7.12.0為實驗平臺，所用遙感圖像為QuickBird衛(wèi)星(全色+多光譜)數(shù)據(jù)，全色圖像分辨率為0.65 m，多光譜圖像分辨率為2.76 m。實驗選取包含植被的4景QuickBird圖像，大小均為512像元×512像元。

本文方法與文獻[14]中的全局最優(yōu)尺度方法，這2種分割方法均是在用NDVI提取植被的基礎(chǔ)上完成的。首先對較低分辨率的近紅外波段圖像和可見光紅波段圖像進行雙線性內(nèi)插處理，使其分辨率與全色圖像相同，以保證基于NDVI的植被區(qū)域分割結(jié)果可以作為區(qū)域掩模直接用于全色圖像的進一步植被細分割處理。文獻[14]在圖像分割最優(yōu)尺度計算模型方法的基礎(chǔ)上，改進并實現(xiàn)了一種全局最優(yōu)尺度計算模型，最終用全局最優(yōu)尺度進行了分割。本文方法則是對提取出來的植被區(qū)域分層實現(xiàn)多個二分類算法來實現(xiàn)多分類操作，其中每個二分類用k-means聚類算法來實現(xiàn)。對于每個層次的分割，首先用藍噪聲方法探測該層次的目標紋理尺度和灰度分布，再利用目標的先驗知識和紋理尺度選擇紋理濾波參數(shù)，最后對濾波結(jié)果提取各子塊圖像的譜直方圖用以表達紋理特征，從而通過k-means聚類算法實現(xiàn)每一個層次的分割。通過對4景遙感圖像精細的目視解譯證實，采用本文方法的結(jié)果中，喬木、灌木和草與苔蘚分割得較為準確，3種植被目標區(qū)域間的過渡也較合理。而文獻[14]的全局最優(yōu)尺度分割方法對于無先驗知識的多目標地物分類來說具有一定的優(yōu)勢，但用同一尺度分割具有不同紋理尺度的多類植被目標卻會顧此失彼。

圖4為分割效果對比實驗，其中將2種方法分割結(jié)果的明顯差異位置以箭頭標出。第一組實驗圖像((a)―(d))中，由于喬木和灌木的面積占比較大，文獻[14]方法在計算全局最優(yōu)尺度時受到這個因素影響，最優(yōu)尺度選擇主要兼顧了喬木和灌木，導(dǎo)致了只分割出喬木和灌木的情況。本文方法在2次分割中對喬木和灌木分別使用了各自相應(yīng)的尺度，所以夾雜在灌木林中的孤立喬木被分出(圖4(d)下方箭頭標記處)，而且多處草地與灌木被分開(圖4(d)上方箭頭標記處)。第二組實驗圖像((e)―(h))中除植被外還含有裸地和房屋等建筑。文獻[14]方法選擇的全局尺度過大，丟失了部分喬木區(qū)域(圖4(g)下方箭頭標記處)，同時也降低了灌木與草地的特征區(qū)分度，導(dǎo)致丟失了部分灌木林中的草地(圖4(g)上方箭頭標記處)。第三組實驗圖像((i)―(l))包含植被與河流。因分割尺度單一，文獻[14]方法的分割結(jié)果只有喬木和草地2種植被，喬木林與草地之間的灌木林帶被忽略。最后一組圖像((m)―(p))包含植被和城區(qū)的建筑及街道。由于喬木區(qū)域面積占比較大且同質(zhì)性較好，文獻[14]方法得到的最優(yōu)尺度過大，導(dǎo)致了部分灌木區(qū)域特征被過多削弱，進而被誤分為草地。

(a) 原圖 (b) 提取植被區(qū)域(c) 文獻[14]方法分割 (d) 本文方法分割

(e) 原圖(f) 提取植被區(qū)域 (g) 文獻[14]方法分割(h) 本文方法分割

(i) 原圖(j) 提取植被區(qū)域(k) 文獻[14]方法分割 (l) 本文方法分割

(m) 原圖 (n) 提取植被區(qū)域(o) 文獻[14]方法分割 (p) 本文方法分割

圖4 分割效果對比實驗

從實驗的整體情況來看，本文方法對于每個分割層次均采取了目標紋理探測手段，進行了適合目標紋理特征的紋理濾波，使得參與二分類的2種地物的特征區(qū)分度增大，從而實現(xiàn)了每個層次的最優(yōu)尺度分割。

4 結(jié)論

1)由于植被的喬木、灌木和草與苔蘚3個子類的紋理特征之間存在過渡現(xiàn)象，因而建立在有針對性的二分類基礎(chǔ)上的分割是實現(xiàn)恰當(dāng)分割的重要途徑。本文提出的基于譜直方圖的遙感圖像分層多尺度植被分割方法，在2個層次上分別利用藍噪聲特性探測目標紋理的尺度，以該尺度設(shè)置濾波參數(shù)并提取譜直方圖形式的紋理特征，以二分類方法實現(xiàn)每個層次上的植被細分割。

2)植被以及子類的先驗知識是紋理尺度探測和濾波器選擇的基礎(chǔ)條件之一。本文對目標紋理的先驗知識與典型紋理探測、濾波器選擇、濾波參數(shù)設(shè)計以及譜直方圖統(tǒng)計等處理之間的關(guān)系進行了論證。實驗證明，本文方法在對遙感圖像中的植被進一步分割處理方面取得了較好的效果。

3)對于遙感圖像分割處理應(yīng)用中具有特定目標的地物分割來講，本文的方法有一定的借鑒意義。進一步研究的內(nèi)容將包括： ①遙感圖像典型地物先驗知識的系統(tǒng)性分類和規(guī)范性表達，用以推廣本文方法； ②自動確定二分類層次數(shù)，即實現(xiàn)分類目標個數(shù)不確定的遙感圖像的分割處理。

[1] 劉婧,李培軍.結(jié)合結(jié)構(gòu)和光譜特征的高分辨率影像分割方法[J].測繪學(xué)報,2014,43(5):466-473. Liu J,Li P J.A high resolution image segmentation method by combined structural and spectral characteristics[J].Acta Geodaetica et Cartographica Sinica,2014,43(5):466-473.

[2] Yuan J Y,Wang D L,Li R X.Remote sensing image segmentation by combining spectral and texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(1):16-24.

[3] 李珊,覃錫忠,賈振紅,等.高分影像在改進的最優(yōu)分割尺度下的多層次混合分類[J].激光雜志,2013,34(5):19-22. Li S,Qin X Z,Jia Z H,et al.A hybrid mutli-hierarchical classification based on an improved optimal segmentation parameter for high resolution remote sensing image[J].Laser Journal,2013,34(5):19-22.

[4] 張博,何彬彬.改進的分水嶺變換算法在高分辨率遙感影像多尺度分割中的應(yīng)用[J].地球信息科學(xué)學(xué)報,2014,16(1):142-150. Zhang B,He B B.Multi-scale segmentation of high-resolution remote sensing image based on improved watershed transformation[J].Journal of Geo-Information Science,2014,16(1):142-150.

[5] 陳杰,鄧敏,肖鵬峰,等.利用小波變換的高分辨率多光譜遙感圖像多尺度分水嶺分割[J].遙感學(xué)報,2011,15(5):908-926. Chen J,Deng M,Xiao P F,et al.Multi-scale watershed segmentation of high-resolution multi-spectral remote sensing image using wavelet transform[J].Journal of Remote Sensing,2011,15(5):908-926.

[6] 陳杰,陳鐵橋,劉慧敏,等.高分辨率遙感影像耕地分層提取方法[J].農(nóng)業(yè)工程學(xué)報,2015,31(3):190-198. Chen J,Chen T Q,Liu H M,et al.Hierarchical extraction of farmland from high-resolution remote sensing imagery[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(3):190-198.

[7] 馬浩然,趙天忠,曾怡.面向?qū)ο蟮淖顑?yōu)分割尺度下多層次森林植被分類[J].東北林業(yè)大學(xué)學(xué)報,2014,42(9):52-57. Ma H R,Zhao T Z,Zeng Y.Object-based multi-level classification of forest vegetation on optimal segmentation scale[J].Journal of Northeast Forestry University,2014,42(9):52-57.

[8] Guo Y,Xiao D H,Zhao S L,et al.A new algorithm based on multi-scale morphology for image segmentation[C]//Proceedings of the 11th World Congress on Intelligent Control and Automation.Shenyang:IEEE,2014:5723-5726.

[9] Wang W C,Hua M.Extracting dominant textures in real time with multi-scale hue-saturation-intensity histograms[J].IEEE Transactions on Image Processing,2013,22(11):4237-4248.

[10]劉小丹,楊燊.基于藍噪聲理論的遙感圖像森林植被紋理測量[J].國土資源遙感,2015,27(2):63-68,doi:10.6046/gtzyyg.2015.02.10. Liu X D,Yang S.Forest vegetation texture measurement of remote sensing images based on the blue noise theory[J].Remote Sensing for Land and Resources,2015,27(2):63-68,doi:10.6046/gtzyyg.2015.02.10.

[11]Yuan J Y,Wang D L,Li R X.Image segmentation using local spectral histograms and linear regression[J].Pattern Recognition Letters,2012,33(5):615-622.

[12]葉曉麗,何繼淳.基于譜直方圖和Kalman濾波的目標跟蹤[J].計算機工程與設(shè)計,2010,31(6):1387-1389,1393. Ye X L,He J C.Object tracking based on spectral histogram and Kalman filter[J].Computer Engineering and Design,2010,31(6):1387-1389,1393.

[13]于歡,張樹清,孔博,等.面向?qū)ο筮b感影像分類的最優(yōu)分割尺度選擇研究[J].中國圖象圖形學(xué)報,2010,15(2):352-360. Yu H,Zhang S Q,Kong B,et al.Optimal segmentation scale selection for object-oriented remote sensing image classification[J].Journal of Image and Graphics,2010,15(2):352-360.

[14]劉兆祎,李鑫慧,沈潤平,等.高分辨率遙感圖像分割的最優(yōu)尺度選擇[J].計算機工程與應(yīng)用,2014,50(6):144-147. Liu Z Y,Li X H,Shen R P,et al.Selection of the best segmentation scale in high-resolution image segmentation[J].Computer Engineering and Applications,2014,50(6):144-147.

[15]周雨薇,陳強,孫權(quán)森,等.結(jié)合暗通道原理和雙邊濾波的遙感圖像增強[J].中國圖象圖形學(xué)報,2014,19(2):313-321. Zhou Y W,Chen Q,Sun Q S,et al.Remote sensing image enhancement based on dark channel prior and bilateral filtering[J].Journal of Image and Graphics,2014,19(2):313-321.

[16]楊學(xué)志,徐勇,方靜,等.結(jié)合區(qū)域分割和雙邊濾波的圖像去噪新算法[J].中國圖象圖形學(xué)報,2012,17(1):40-48. Yang X Z,Xu Y,Fang J,et al.New filter based on region segmentation and bilateral filtering[J].Journal of Image and Graphics,2012,17(1):40-48.

(責(zé)任編輯： 李瑜)

Hierarchical muti-scale vegetation segmentation of remote sensing image based on spectrum histogram

LIU Xiaodan，YU Ning，QIU Hongyuan

(CollegeofComputerandInformationTechnology，LiaoningNormalUniversity，Dalian116029，China)

Vegetation is an important kind of objects in remote sensing image segmentation, and vegetation fine-grained segmentation generally has three targets, i.e., arbor, shrub, grass and moss according to the scale. In view of the problem that single level multi-classification method can't make full use of the different scales of the texture of vegetation target so as to achieve more accurate multi-classification, the authors proposed a hierarchical multi-scale remote sensing image vegetation segmentation method based on spectral histogram. First, the vegetation areas in remote sensing images were extracted with the normalized difference vegetation index(NDVI), and then the multiple binary classification algorithm was implemented in the region to achieve multi-classification operation. At each classification level, the advantage of the prior knowledge and texture scale was taken to select texture filtering parameters, the spectrum histogram of each sub-block image was extracted from the filtering result to express texture features so as to achieve the segmentation of a level. The experimental results show that the proposed method uses the prior knowledge and texture scale of vegetation target at all levels, so that the texture filter is made to enhance treatment more targeted, the spectrum histogram feature has much more degree of differentiation, and the accuracy of the vegetation fine-grained segmentation has been improved significantly.

remote sensing image； vegetation segmentation； spectral histogram； multi-scale filtering

10.6046/gtzyyg.2017.02.12

劉小丹,于寧,邱紅圓.基于譜直方圖的遙感圖像分層次多尺度植被分割[J].國土資源遙感,2017,29(2)：82-89.(Liu X D,Yu N,Qiu H Y.Hierarchical muti-scale vegetation segmentation of remote sensing image based on spectrum histogram[J].Remote Sensing for Land and Resources,2017,29(2)：82-89.)

2015-12-22；

2016-02-26

國家自然科學(xué)基金項目“適應(yīng)空間信道傳輸?shù)男禽d高光譜海岸帶影像壓縮編碼研究”(編號： 41271422)和遼寧省教育廳自然科學(xué)基金項目“遙感圖像多尺度植被分割技術(shù)研究”(編號： L2012379)共同資助。

劉小丹(1957-)，男，教授，主要從事數(shù)字圖像處理和數(shù)字印刷技術(shù)方面的研究。Email： liuxiao8866@sina.com。

于寧(1990-)，女，碩士，主要研究方向為數(shù)字圖像處理。Email： yuning_dreaming@163.com。

TP 79

A

1001-070X(2017)02-0082-08