姚丙秀， 黃亮,2， 許艷松

(1.昆明理工大學(xué)國土資源工程學(xué)院，昆明 650093； 2.云南省高校高原山區(qū)空間信息測繪技術(shù)應(yīng)用工程研究中心，昆明 650093)

0 引言

隨著對(duì)地觀測衛(wèi)星技術(shù)的不斷發(fā)展，高空間分辨率遙感影像已經(jīng)廣泛應(yīng)用于城市規(guī)劃、作物分類、災(zāi)害監(jiān)測、生態(tài)環(huán)境評(píng)價(jià)和土地資源調(diào)查等領(lǐng)域[1]。高空間分辨率遙感影像具有成像光譜波段多、地物紋理信息豐富、地物輪廓和形狀信息更加清晰、重訪時(shí)間短等優(yōu)點(diǎn)，這些優(yōu)點(diǎn)提高了地物信息利用的便利性和時(shí)效性，但同時(shí)也會(huì)增加遙感影像分割的難度。影像分割是高空間分辨率遙感影像信息挖掘與目標(biāo)識(shí)別的智能化的必要前提和重要基礎(chǔ)[2]，是指將影像劃分為不重疊的相互獨(dú)立的若干區(qū)域。傳統(tǒng)影像分割技術(shù)是根據(jù)影像的灰度、幾何形狀、空間紋理等特征，獲取目標(biāo)以便于進(jìn)行圖像信息的獲取與描述。目前對(duì)影像的處理大部分以像素為單位，較少考慮像素之間的空間組織關(guān)系，這導(dǎo)致算法處理的效率過低。傳統(tǒng)基于像素的影像分割方法，容易形成過分割的問題，難以得到理想的分割結(jié)果，如K均值聚類方法[3]和層次聚類方法[4]等。

超像素由Ren等[5]首次提出，是對(duì)具有相似紋理、顏色、亮度等特征的相鄰像素進(jìn)行聚類，得到了形狀不完全規(guī)則但有一定視覺意義的像素塊。此方法僅用少量的超像素代替大量的原始像素來表達(dá)影像特征,在很大程度上提高了圖像處理效率，一經(jīng)提出便引起了廣泛關(guān)注，目前已成功運(yùn)用于計(jì)算機(jī)視覺、遙感影像處理等領(lǐng)域。超像素算法大致可分為基于圖論的算法和基于梯度下降的算法2大類[6]?；趫D論的代表算法有圖割算法[7]、種子點(diǎn)超像素算法[8]、超像素網(wǎng)格算法[9]，熵率的超像素分割算法[10]、偽布爾超像素算法算法[11]、圖片范圍切割算法[12]以及基于懶惰隨機(jī)游走在超像素分割算法[13]等； 基于梯度下降的算法有分水嶺法[14]、均值漂移算法[15]、簡單線性迭代聚類法(simple linear iterative clustering，SLIC)[16]、線性譜聚類算法[17]、歸一化切算法[18]、渦輪像素算法[19]以及基于密度聚類算法的超像素分割[20]等。其中，SLIC算法思想簡單，可以基于顏色和距離的相似性生成大小均勻、形狀規(guī)則的超像素，分割結(jié)果的邊界緊湊度較高，且是當(dāng)前效率最高的超像素分割算法，因而受到社會(huì)的廣泛關(guān)注和應(yīng)用。

采用超像素分割方法可以提高高空間分辨率遙感影像處理的容易度和運(yùn)算效率，且有效降低了高空間分辨率遙感影像局部信息的冗余度，但也會(huì)造成大量過分割的現(xiàn)象，仍會(huì)給后續(xù)信息提取帶來一些問題。為此，本文提出一種結(jié)合超像素和圖論的分割方法，首先采對(duì)高空間分辨率遙感影像用SLIC算法形成初始超像素，進(jìn)行過分割影像處理； 然后采用圖論在初始超像素的基礎(chǔ)上，重新獲取種子點(diǎn)進(jìn)行對(duì)象合并，從而獲取最終的分割結(jié)果。

1 結(jié)合超像素和圖論的分割方法

本文先把超像素作為區(qū)域單元，根據(jù)區(qū)域間的鄰接關(guān)系與屬性差異建立連接，再用圖論算法對(duì)超像素進(jìn)行聚類合并，使得最終結(jié)果在同一簇中的區(qū)域具有最大的同質(zhì)性和最小的異質(zhì)性。首先根據(jù)設(shè)定初始分割數(shù)進(jìn)行分割，生成連接所有超像素的區(qū)域單元，利用曼哈頓距離計(jì)算相似矩陣的相似性，設(shè)置一個(gè)n像素×n像素的移動(dòng)窗口，計(jì)算窗口內(nèi)像素的光譜屬性標(biāo)準(zhǔn)差的平均值,即局部方差，涉及分割尺度問題。每次分割合并后求取局部方差，直至局部方差最小，以獲取合適的分割數(shù)。方法主要分為4個(gè)步驟：

1)設(shè)定初始影像分割數(shù)，采用SLIC算法對(duì)遙感影像進(jìn)行過分割生成超像素。

2)運(yùn)行圖論算法對(duì)超像素分割進(jìn)行合并。

3)得到每次合并的分割數(shù)對(duì)應(yīng)的局部方差，確定合適的影像分割數(shù)。

4)根據(jù)合適影像分割數(shù)，再次采用圖論算法對(duì)超像素重新聚類合并對(duì)象，得到最終分割影像。

1.1 SLIC算法

SLIC算法是Achanta等[16]在2010年的時(shí)候提出的一種簡單且方便的算法，它用5維特征向量來構(gòu)建像素的度量標(biāo)準(zhǔn)，首先將彩色影像轉(zhuǎn)換為CIELAB顏色空間和XY坐標(biāo)下的5維特征向量，然后對(duì)像素使用改進(jìn)的K均值聚類算法進(jìn)行聚類生成超像素。具體步驟如下：

2)種子點(diǎn)的判斷。在3像素×3像素種子點(diǎn)的鄰域內(nèi)，將分割區(qū)域內(nèi)的像素的梯度值全部計(jì)算出，并在固定的窗口中將其移到最小的梯度值上。這是為了使種子點(diǎn)不落在大的梯度值上，以免影響后續(xù)的聚類結(jié)果。

3)為每個(gè)種子點(diǎn)周圍的每個(gè)像素點(diǎn)分配一個(gè)類標(biāo)簽。與標(biāo)準(zhǔn)K均值算法搜索整個(gè)影像不同，SLIC的搜索范圍僅限于2S×2S(圖1)，這樣可以加快算法的收斂速度。

(a) 標(biāo)準(zhǔn)K均值搜索整個(gè)影像 (b) SLIC搜索有限區(qū)域

圖1 像素搜索范圍示意圖

Fig.1Pixelsearchscope

4)距離測量。對(duì)于每個(gè)搜索像素，計(jì)算它與種子點(diǎn)之間的距離，包括顏色距離和空間距離，即

(1)

(2)

式中：j為種子點(diǎn)；i為影像中搜索像素點(diǎn)；Dc為影像中顏色距離；Ds為空間距離，隨著聚類的改變而改變。則像素與種子點(diǎn)間的距離D′為

(3)

式中：D′為2個(gè)像素的相似程度，s為種子點(diǎn)的間距；m為平衡參數(shù)，通常選取一個(gè)不變的常數(shù)，將其取值范圍設(shè)置為[1，40]，用來平衡顏色值與空間信息在相似度的比重。

5)迭代優(yōu)化。對(duì)步驟1)—4)進(jìn)行迭代。理論上，直到誤差收斂才會(huì)停止迭代(每個(gè)像素簇中心幾乎是不變化的)。

6)增強(qiáng)連通性。經(jīng)步驟5)后可能出現(xiàn)多重連接條件、超像素的范圍不夠大等問題，這些都可以使用增強(qiáng)連通性來處理。主要思想是： 創(chuàng)建一個(gè)標(biāo)簽列表，將表元素設(shè)置為-1，根據(jù)自頂?shù)降?、從左往右的順序，把間斷的超像素按照一定的次序?qū)⑵渑c其他鄰域的像素相結(jié)合，然后將標(biāo)簽與其對(duì)應(yīng)像素點(diǎn)進(jìn)行匹配，按照此種操作將所有的點(diǎn)都操作一遍。

1.2 圖論算法

圖由頂點(diǎn)(vertex)的集和邊(edge)的集組成[21]。在圖中使用點(diǎn)或圓來表示頂點(diǎn)，連接2個(gè)頂點(diǎn)的線段的邊代表2個(gè)對(duì)象的連接關(guān)系。圖論算法首先將影像映射為帶權(quán)無向圖G=，V，E分別為影像中的頂點(diǎn)和邊。影像中每個(gè)節(jié)點(diǎn)也就是圖的頂點(diǎn)對(duì)應(yīng)于的每個(gè)像素，每條邊連接著一對(duì)相鄰的像素，邊的權(quán)值表示相鄰像素之間特征的非負(fù)相似度，而對(duì)影像的每一個(gè)分割就是對(duì)圖的一個(gè)剪切，被分割的每個(gè)區(qū)域?qū)?yīng)著圖中的一個(gè)子圖。V為圖的頂點(diǎn)集合，E為圖的邊集合。e(vi,vj)∈E定義為一對(duì)頂點(diǎn)的邊，w(vi,vj)為e(vi,vj)∈E對(duì)應(yīng)的2個(gè)像素之間的差異程度，是非負(fù)度量。在影像分割中，V被分割成獨(dú)立的連通區(qū)域Ci，則有

(4)

使分割的子圖在內(nèi)部特征相似度最大，子圖之間的差異性也最大?；趫D論的分割方法的本質(zhì)是不斷移除特定的邊，將圖分割為若干子圖，其優(yōu)點(diǎn)在于可以充分利用各分割區(qū)域相似性與鄰接關(guān)系進(jìn)行區(qū)域劃分。圖論對(duì)SLIC算法獲取的超像素進(jìn)行合并方法的步驟如下：

1)設(shè)定初始影像分割數(shù)，采用SLIC算法初始化種子點(diǎn)(聚類中心)，對(duì)遙感影像進(jìn)行過分割生成超像素。利用生成的每個(gè)超像素看作一個(gè)數(shù)據(jù)點(diǎn)，用一個(gè)無向圖G=表示要分割的影像。

2)建立新的矩陣，輸入期望的合并區(qū)域數(shù)量，圖論算法檢測到的所需合并的簇?cái)?shù)，不斷移除特定的邊，構(gòu)建多個(gè)連通子圖，最終形成連通分量。

3)得到生成超像素的圖論算法矩陣，2個(gè)相鄰超像素的像素點(diǎn)i與j的距離為dij，根據(jù)訓(xùn)練數(shù)據(jù)使用曼哈頓距離定義超像素di和dj之間的相似性測度，其中di和dj表示相應(yīng)的超像素的特征屬性。以每次分割生成圖論算法中包含的超像素區(qū)域作為每次分割情況求殘留誤差。

4)在此基礎(chǔ)上不斷迭代，原始聚類中心在3像素×3像素種子點(diǎn)的鄰域內(nèi)，并在固定的窗口中將其移動(dòng)，重新搜索標(biāo)記，聚類中心終止的條件是殘留誤差在新聚類中心和原始聚類中心小于閾值范圍，此數(shù)據(jù)點(diǎn)為聚類中心，直至殘留誤差最小。聚類中心重新建立，得到分割結(jié)果。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)設(shè)計(jì)

本文選取了4幅不同空間分辨率、不同場景的高空間分辨率遙感影像來驗(yàn)證本文方法的有效性。為了更好地進(jìn)行精度評(píng)價(jià)，實(shí)驗(yàn)設(shè)計(jì)了2種方法與本文方法進(jìn)行對(duì)比，一是傳統(tǒng)的SLIC方法，二是eCognition軟件中的多尺度分割方法(即分形網(wǎng)絡(luò)演化方法(fractal net evolution approach，F(xiàn)NEA))，其中FNEA算法使用2組不同尺度參數(shù)。SLIC方法的參數(shù)K設(shè)置為500； 2組FNEA方法的形狀異質(zhì)度和緊致度參數(shù)分別固定為0.4和0.5，尺度參數(shù)分別設(shè)置為50和100，下文記作FNEA(50)和FNEA(100)； 本文方法合并參數(shù)設(shè)置為分別為68，26，25，108。

實(shí)驗(yàn)采用定性和定量2種方法進(jìn)行精度評(píng)價(jià)。定性采用視覺比較的方法； 定量采用P-R方法[22]，具體計(jì)算公式為

Presicion=TP/(TP+FP)，

(5)

Recall=TP/(TP+FN)，

(6)

式中：Precision為分割精度；Recall為邊界召回率；TP為地物被正確分割的樣本個(gè)數(shù)；FP為背景像素被分為地物的樣本個(gè)數(shù)；FN為地物像素被分為背景的樣本個(gè)數(shù)。

實(shí)驗(yàn)環(huán)境為Inter(R)Pentium(R)四核CPU，4GB內(nèi)存，Windows10操作系統(tǒng)，實(shí)驗(yàn)平臺(tái)為MATLAB2018a和eCognition Developer。

2.2 實(shí)驗(yàn)結(jié)果

2.2.1 實(shí)驗(yàn)1結(jié)果與分析

實(shí)驗(yàn)1使用的數(shù)據(jù)為經(jīng)Pansharpen融合后的QuickBird影像，包含紅、綠、藍(lán)和近紅外4個(gè)波段，大小為2 480像素×975像素，空間分辨率為0.61 m。該影像主要包括道路、水體、植被等地物，如圖2(a)所示； 圖2(b)為遙感影像對(duì)應(yīng)的參考分割結(jié)果； 影像SLIC方法生成的超像素結(jié)果如圖2(c)所示，可以看出整體過分割嚴(yán)重，特別是水體分割破碎。為了更好地進(jìn)行視覺比較，分別在圖2(d)—(f)影像中的水體區(qū)域標(biāo)注了紅色矩形框。可以看出在內(nèi)部光譜特征變化較大的水體區(qū)域內(nèi)FNEA(50)產(chǎn)生了大量的過分割現(xiàn)象； 而采用FNEA(100)雖然提高尺度參數(shù)減少了過分割，但過分割的問題還是未得到很好地解決； 并且隨著尺度參數(shù)的增加整個(gè)影像的過分割仍比較嚴(yán)重； 本文方法可以較好地區(qū)分植被與水體，水體有了很好的合并效果，分割完整，且解決了與水體光譜相近的非水體區(qū)域被錯(cuò)誤合并的問題； 雖然由于影像空間分辨率相對(duì)較低造成了較多細(xì)小斑塊的錯(cuò)誤合并，但依然獲得了較好的分割結(jié)果，對(duì)地物的總體分割結(jié)果與參考分割結(jié)果基本一致。

(a) 原始影像 (b) 參考分割結(jié)果 (c) SLIC分割結(jié)果

(d) FNEA(50)分割結(jié)果 (e) FNEA(100)分割結(jié)果 (f) 本文方法分割結(jié)果

圖2 實(shí)驗(yàn)1影像數(shù)據(jù)及實(shí)驗(yàn)結(jié)果

Fig.2Imagedataandexperimentalresultsoftest1

根據(jù)圖2，SLIC方法分割結(jié)果過分割明顯，分割精度過低，因此不對(duì)其進(jìn)行定量評(píng)價(jià)。表1列出了FNEA算法和本文方法對(duì)圖2(a)分割結(jié)果的評(píng)價(jià)結(jié)果。從表1可以看出，本文方法分割結(jié)果的Precision大于0.8，而2個(gè)參數(shù)的FNEA算法均低于0.75，分割精度均低于本文方法。雖然空間分辨率對(duì)其結(jié)果造成一定影響，但本文方法的Recall指標(biāo)(0.919 6)仍舊顯著高于FNEA(50)的0.802 6和FNEA(100)的0.824 8，說明本文方法的實(shí)驗(yàn)分割結(jié)果與實(shí)際地物結(jié)果較為一致。

表1 實(shí)驗(yàn)1分割結(jié)果評(píng)價(jià)Tab.1 Segmentation results evaluation of test1

2.2.2 實(shí)驗(yàn)2結(jié)果與分析

實(shí)驗(yàn)2使用的數(shù)據(jù)為無人機(jī)高空間分辨率遙感影像，包含紅、綠、藍(lán)3個(gè)波段，大小為726像素×468像素； 空間分辨率為0.05 m。該影像主要包括房屋、道路、植被等地物(圖3(a)); 圖3(b)為高空間分辨率遙感影像對(duì)應(yīng)的參考分割結(jié)果； 影像過分割生成的超像素結(jié)果如圖3(c)所示。從分割的區(qū)域可以看出，采用SLIC方法過分割情況明顯。為了便于視覺比較分別在圖3(d)—(f)的影像中標(biāo)注了紅色矩形框。紅色矩形框所標(biāo)定的是道路區(qū)域，在內(nèi)部光譜特征變化較大的道路區(qū)域內(nèi)FNEA(50)和FNEA(100)都產(chǎn)生了大量的過分割現(xiàn)象，F(xiàn)NEA(100)在50到100尺度參數(shù)不斷變化的時(shí)候，過分割得到優(yōu)化，但是小尺度地物依然存在過分割現(xiàn)象; 從圖3(f)可以看出采用本文提出的方法道路被完整分割。裸地也得到了很好的合并； 植被由于光譜異質(zhì)性較大，雖然也有了較好的合并但還存在過分割現(xiàn)象。這進(jìn)一步說明了本文方法的優(yōu)越性。

(a) 原始影像 (b) 參考分割結(jié)果 (c) SLIC分割結(jié)果

(d) FNEA(50)分割結(jié)果 (e) FNEA(100)分割結(jié)果 (f) 本文方法分割結(jié)果圖

圖3 實(shí)驗(yàn)2影像數(shù)據(jù)及實(shí)驗(yàn)結(jié)果

Fig.3Imagedataandexperimentalresultsoftest2

同樣由于SLIC方法分割結(jié)果過分割明顯，分割精度過低，僅對(duì)FNEA算法和本文方法對(duì)圖3(a)的分割結(jié)果進(jìn)行評(píng)價(jià)，如表2所示。從表2中可以看出，本文方法分割結(jié)果的Precision為 0.856 3，大于0.85，與FNEA相比分割精度得到了顯著的提高，能夠?qū)⒔ㄖ铩⒌缆?、綠地等地物很好地區(qū)分開。雖然FNEA(50)和FNEA(100)的Recall指標(biāo)分別達(dá)到0.823 6和0.896 3，都得到了不錯(cuò)的分割效果，但本文方法的Recall為0.956 8，高于0.95，分割效果更佳。

表2 實(shí)驗(yàn)2分割結(jié)果評(píng)價(jià)Tab.2 Segmentation results evaluation of test2

2.2.3 實(shí)驗(yàn)3結(jié)果與分析

實(shí)驗(yàn)3使用的數(shù)據(jù)為無人機(jī)高空間分辨率遙感影像，包含紅、綠、藍(lán)3個(gè)波段，大小為979像素×586像素； 空間分辨率為0.05 m。該影像主要包括房屋、道路、植被等地物(圖4(a)); 圖4(b)為影像對(duì)應(yīng)的參考分割結(jié)果； 影像過分割生成的超像素結(jié)果如圖4(c)所示。從分割的區(qū)域可以看出，采用SLIC方法依然存在嚴(yán)重的過分割情況。同樣分別在圖4(d)—(f)的影像中標(biāo)注了紅色矩形框。紅色矩形框所標(biāo)定的是房屋區(qū)域，F(xiàn)NEA(50)和FNEA(100)都產(chǎn)生了大量的過分割現(xiàn)象，由于分割區(qū)域的建筑光譜異質(zhì)性特別大，F(xiàn)NEA方法則難以區(qū)分出光譜相似的房屋對(duì)象，出現(xiàn)過分割現(xiàn)象。本文方法較好地區(qū)分了房屋與道路，較為完整地保留了房屋、植被等細(xì)小區(qū)域，可以較好地平衡影像過分割的情況。

(a) 原始影像 (b) 參考分割結(jié)果 (c) SLIC分割結(jié)果

(d) FNEA(50)分割結(jié)果 (e) FNEA(100)分割結(jié)果 (f) 本文方法分割結(jié)果

圖4 實(shí)驗(yàn)3影像數(shù)據(jù)及實(shí)驗(yàn)結(jié)果

Fig.4Imagedataandexperimentalresultsoftest3

表3列出了2種方法對(duì)圖4(a)分割結(jié)果的評(píng)價(jià)結(jié)果。從表3可以看出，本文方法分割結(jié)果的Precision為0.841 2，均高于于2種不同分割尺度FNEA方法(0.756 9和0.768 9)，說明本文方法對(duì)地物分割結(jié)果優(yōu)于FNEA方法； 此外本文方法的Precision高于0.84，說明它對(duì)地物的分割結(jié)果與實(shí)際地物較為一致。本文方法的Recall指標(biāo)為 0.940 5，分割結(jié)果與對(duì)應(yīng)參考對(duì)象的邊界吻合程度都最高(但彼此間仍存在一定差異)，均高于FNEA(50)的0.819 6和FNEA(100)的0.879 2，說明其分割結(jié)果更加合理有效。

表3 實(shí)驗(yàn)3分割結(jié)果評(píng)價(jià)Tab.3 Segmentation results evaluation of test3

2.2.4 實(shí)驗(yàn)4結(jié)果與分析

實(shí)驗(yàn)4使用的數(shù)據(jù)為無人機(jī)高空間分辨率遙感影像，包含紅、綠、藍(lán)3個(gè)波段，大小為1 706像素×1 546像素?？臻g分辨率為0.05 m。該影像主要包括房屋、道路、裸地等地物(圖5(a)); 圖5(b)為影像對(duì)應(yīng)的參考分割結(jié)果； 影像過分割生成的超像素結(jié)果見圖5(c)。分別在圖5(d)—(f)的影像中部分房屋區(qū)域標(biāo)注了紅色矩形框。從分割的區(qū)域可以看出，采用SLIC依然存在嚴(yán)重的過分割情況。紅色矩形框中FNEA(50)和FNEA(100)依舊產(chǎn)生了大量的過分割現(xiàn)象。FNEA方法由于分割區(qū)域范圍增大，相比小尺寸影像錯(cuò)誤分割要多一些。該方法也難以區(qū)分光譜相似的房屋及裸地對(duì)象，出現(xiàn)了大量的過分割和欠分割現(xiàn)象。本文方法較好地區(qū)分了房屋與裸地，較為完整地保留了房屋、裸地的邊界分割線； 絕大部分地物也被完整地分割出來。說明本文方法也適用于區(qū)域范圍較大影像的分割。

(a) 原始影像 (b) 參考分割結(jié)果 (c) SLIC分割結(jié)果

(d) FNEA(50)分割結(jié)果 (e) FNEA(100)分割結(jié)果 (f) 本文方法分割結(jié)果

圖5 實(shí)驗(yàn)4影像數(shù)據(jù)及實(shí)驗(yàn)結(jié)果

Fig.5Imagedataandexperimentalresultsoftest4

表4列出了2種方法對(duì)圖5(a)分割結(jié)果的評(píng)價(jià)結(jié)果。從表4可以看出，本文方法分割結(jié)果的Precision均高于2種不同分割尺度FNEA方法，說明本文方法對(duì)尺寸較大影像的地物分割結(jié)果也同樣優(yōu)于FNEA方法。此外本文方法的Precision為0.801 3，精度高于0.8，說明其分割結(jié)果獲得了良好效果。本文方法的Recall指標(biāo)為0.855 6，分割結(jié)果與之對(duì)應(yīng)參考對(duì)象的邊界吻合是最高的，但是彼此之間仍然存在一定差異，精度受到了影響，但均高于FNEA(50)的0.752 6和FNEA(100)的0.798 6，雖然算法精度比尺寸較小影像的分割精度要低一些，但是2個(gè)評(píng)價(jià)指標(biāo)都顯著優(yōu)于FNEA方法。說明本文方法對(duì)尺寸較大的高分遙感影像的分割結(jié)果也有一定的應(yīng)用價(jià)值，是合理有效的。

表4 實(shí)驗(yàn)4分割結(jié)果評(píng)價(jià)Tab.4 Segmentation results evaluation of test4

綜上可知，本文方法對(duì)地物的分割結(jié)果與分割參考圖較為一致。FNEA方法在實(shí)驗(yàn)的尺度下都存在明顯的過分割現(xiàn)象。在較小分割尺度中，實(shí)驗(yàn)影像存在明顯的過分割現(xiàn)象，如圖3(a)中影像區(qū)域內(nèi)的房屋。隨著尺度參數(shù)的數(shù)值加大，房屋的分割效果顯著變好，但是較小尺度地物如圖3(f)中影像區(qū)域內(nèi)卻沒有分割出來，即存在欠分割現(xiàn)象。本文方法很好地解決了消除過分割現(xiàn)象問題，而且較好地保持了分割對(duì)象邊界的貼合度信息，分割的精度得到了明顯提高。總而言之，對(duì)于影像內(nèi)光譜特征變化較大的同種地物，F(xiàn)NEA易產(chǎn)生過分割現(xiàn)象，而本文方法可以較好地消除影像的過分割現(xiàn)象?？傊?，本文方法在超像素過分割結(jié)果的基礎(chǔ)上，可進(jìn)行對(duì)象合并和小尺度分割。實(shí)驗(yàn)表明，尺寸很小的建筑物細(xì)節(jié)能得到很好的保留； 較大尺度的地物，如水體、植被等，也可以得到完整、規(guī)則的分割。

3 結(jié)論

本文提出了一種結(jié)合SLIC超像素和圖論的高分辨率遙感影像分割方法，解決了易形成過分割的問題，提升了高空間分辨率遙感圖像的分割精度。本文算法將圖論算法結(jié)合到超像素影像分割中，通過實(shí)驗(yàn)驗(yàn)證，得出如下結(jié)論：

1)將SLIC分割方法引入高空間分辨率影像分割算法中，產(chǎn)生的超像素對(duì)象邊緣貼合度以及緊密度較好、超像素內(nèi)部的同質(zhì)性較高，避免了地物細(xì)節(jié)信息丟失的問題； 使影像更充分地利用空間背景信息，而且同時(shí)提高了分割效率。

2)將圖論算法結(jié)合超像素，相比于SLIC分割方法，可以抑制超像素與實(shí)際地物過分割不完全符合造成的誤差，該方法能夠更為精確地完整分割地物，很好地解決了影像過分割的問題，獲得了良好的合并結(jié)果，有利于提高分割精度。

3) 在結(jié)合SLIC超像素和圖論的高分辨率遙感影像分割方法中，高空間分辨率影像的分辨率越高，分割效果越好，精度也越高； 地物類型越復(fù)雜，分割難度隨之增加，分割精度會(huì)隨之下降。

對(duì)實(shí)驗(yàn)結(jié)果的分析表明，不同影像的最佳參數(shù)選擇可能存在差異； 不同空間分辨率影像的分割精度也會(huì)有差異。針對(duì)某些特殊目標(biāo)和地物類型復(fù)雜的分割問題，以及如何合理選擇初始樣本以及初始樣本中各類別樣本數(shù)目提高算法的泛化能力和效率是后續(xù)研究的目標(biāo)。