李林浩

（美國史蒂文斯理工大學(xué)）

0 引言

圖像分割就是指把圖像分成互不重疊的區(qū)域并提取出感興趣目標(biāo)的技術(shù)。衛(wèi)星遙感圖像越來越被廣泛的應(yīng)用到人們的生活中的各個(gè)領(lǐng)域，因?yàn)樗哂辛己玫臅r(shí)相性，信息量較大，且其分辨率也越來越高。所以通過圖像分割技術(shù)深入研究與發(fā)現(xiàn)衛(wèi)星遙感圖像當(dāng)中隱藏的信息意義重大。

1 混合算法實(shí)現(xiàn)衛(wèi)星圖像分割

當(dāng)前已經(jīng)有很多種方法對(duì)各種圖像進(jìn)行有效分割，根據(jù)不同的途徑和原理可以分為三種，即邊緣提取法、區(qū)域提取法和邊緣區(qū)域提取法。

近幾年各個(gè)學(xué)科出現(xiàn)了很多新的理論與方法，對(duì)于圖像分割技術(shù)也有人考慮到要結(jié)合部分新的理論與方法。而圖像分割技術(shù)到目前為止還沒有特定的屬于自己的理論，因此只要一出現(xiàn)新的計(jì)算工具和計(jì)算機(jī)技術(shù)，就會(huì)被試圖用于圖像分割，也正因如此出現(xiàn)了很多獨(dú)特的計(jì)算方法。

1.1 分水嶺圖像分割方法

傳統(tǒng)的分水嶺分隔方法主要包含排序和淹沒這兩個(gè)步驟。排序環(huán)節(jié)主要是計(jì)算出灰度級(jí)的頻率分布，接著將計(jì)算結(jié)果作為對(duì)灰度級(jí)排序的依據(jù)，再在灰度對(duì)應(yīng)的存儲(chǔ)列中分配相應(yīng)的像素；在淹沒環(huán)節(jié)，采用“先進(jìn)先出”的方式對(duì)地理影響區(qū)域進(jìn)行計(jì)算，使用相應(yīng)計(jì)算方法使積水盆地膨脹，以達(dá)到最終目標(biāo)。

圖1為改進(jìn)混合分水嶺圖像分割應(yīng)用，在2007年曾有專家針對(duì)該算法進(jìn)行了一些改進(jìn)，他們對(duì)下雨過程進(jìn)行模擬實(shí)驗(yàn)，用雨滴表示像素，對(duì)分水嶺變化進(jìn)行計(jì)算。這個(gè)使分水嶺變化比較費(fèi)時(shí)的環(huán)節(jié)和掃描原始圖像的次數(shù)大大減少了。這種算法對(duì)于中間計(jì)算結(jié)果的保存只用了一個(gè)簡(jiǎn)單的輸出矩陣和四個(gè)簡(jiǎn)易的隊(duì)列。

算法特點(diǎn)分析：通過模研究可知，對(duì)于各種各樣規(guī)模不同的數(shù)字圖像來說，與其他算法相比，這種算法可以節(jié)約約1/3的時(shí)間；基于對(duì)算法運(yùn)行效率一致的保證，這種計(jì)算方法不僅在操作時(shí)間上，還有所占內(nèi)存方面，都優(yōu)于其它計(jì)算方法。

圖1 改進(jìn)混合分水嶺圖像分割應(yīng)用

1.2 基于模糊理論的圖像分割方法

在確定性方法的基礎(chǔ)下出現(xiàn)了大量的圖像分割方法，但是在處理圖像信息的環(huán)節(jié)還是有許多不確定的因素。所以就要思考在圖像分割時(shí)如何使用較模糊的理論對(duì)這種不確定性進(jìn)行表述與評(píng)價(jià)。使用模糊理論分割圖像的步驟：用模糊的概念來呈現(xiàn)圖像以及與之相關(guān)的特征；接著用模糊技術(shù)進(jìn)行處理，得到相應(yīng)的模糊分割；最后反模糊化圖像獲得最終的分割。還有一種分割方法是在云模型的基礎(chǔ)下產(chǎn)生的。這種方法對(duì)于像素的類別屬性并沒有給出完全的界定，而是對(duì)于在類中心的像素比較確定，對(duì)于邊界區(qū)域的像素則不太確定，

算法特點(diǎn)分析：對(duì)于不同地區(qū)的像素確定性不同的問題可以有效得到解決，反應(yīng)了像素的真實(shí)情況，該分割方法是對(duì)像素類別屬性不確定性的決定，這與人們對(duì)于很多事物認(rèn)知的不確定性正好相符。

1.3 基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法

神經(jīng)網(wǎng)絡(luò)圖像分割的理念是訓(xùn)練神經(jīng)網(wǎng)絡(luò)來對(duì)節(jié)點(diǎn)間的連接權(quán)值進(jìn)行確定，接著通過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)來分割新的圖像數(shù)據(jù)。相比傳統(tǒng)的方法，神經(jīng)網(wǎng)絡(luò)的潛力更大，它可以并行計(jì)算，硬件實(shí)現(xiàn)比較方便，很多專家非常關(guān)注該方法的理論與應(yīng)用方面的研究，還在這種模型的基礎(chǔ)下給出了很多種相關(guān)分割方法。針對(duì)其相應(yīng)類型，可供選擇的網(wǎng)絡(luò)很多，如BP神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、概率自適應(yīng)神經(jīng)網(wǎng)絡(luò)、振子神經(jīng)網(wǎng)絡(luò)、脈沖耦合神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等。

在2007年，有專家改進(jìn)了傳統(tǒng)的PCNN，研究出了一種在原有基礎(chǔ)之上的自適應(yīng)分割方法。這種算法會(huì)放出值數(shù)不一樣的脈沖，主要取決于像素和它附近區(qū)域的信息量，也就會(huì)自適應(yīng)地把圖像分成很多高低級(jí)別不同的信息區(qū)域，這是對(duì)人類視覺系統(tǒng)特性的很好體現(xiàn)。

算法特點(diǎn)分析：該算法根據(jù)信息量對(duì)通過該方法進(jìn)行的分割后的圖像進(jìn)行壓縮，無論是在壓縮比還是對(duì)新圖像的視覺效果方面，都表現(xiàn)出了比較好的性能，這也說明了相比傳統(tǒng)的PCNN算法，該方法更加有效可行。

1.4 基于支持向量機(jī)的圖像分割方法

支持向量機(jī)方法是在統(tǒng)計(jì)學(xué)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上建立的，近幾年，它很多優(yōu)于其他方法的性能得到了體現(xiàn)，相關(guān)專家開始注意和熱衷于基于支持向量機(jī)的圖像分割方法的研究。它被認(rèn)為是淘汰其他傳統(tǒng)學(xué)習(xí)方法的一個(gè)很好的替代品，尤其對(duì)于小樣本以及高維非線性的情況。在使用支持向量機(jī)分割圖像時(shí)，因?yàn)槭呛撕瘮?shù)來確定輸入向量映射在高維空間的分布情況，另外，根據(jù)懲罰因子對(duì)超平面與訓(xùn)練樣本間的最大距離以及分類的最小誤差進(jìn)行合理的確定，所以圖像分割的最終效果與核函數(shù)設(shè)計(jì)、懲罰因子有直接的關(guān)系?，F(xiàn)在比較用的比較多的核函數(shù)包括線性核、多項(xiàng)式核和高斯徑向核。在2008年，多尺度SAR圖像分割方法誕生了，它是基于支持向量機(jī)方法建立的。它將多尺度技術(shù)、混合模型以及支持向量機(jī)整合在一起。第一步，使用多尺度自回歸模型將圖像中的多尺度特征呈現(xiàn)出來；接著輸入代表支持向量機(jī)的所得特征，同時(shí)訓(xùn)練支持向量機(jī)；再將其運(yùn)用到圖像分割中。這個(gè)模型使該圖像中多尺度排列方面的統(tǒng)計(jì)信息和支持向量機(jī)的分類性能得到充分的體現(xiàn)。

算法特點(diǎn)分析：該算法通過應(yīng)用分析可以得出，SAR圖像分割法相對(duì)而言計(jì)算能力比較強(qiáng)。

2 結(jié)論與展望

“分水嶺”算法比較依賴于圖像的梯度，如果圖像梯度區(qū)別明顯，“分水嶺”能夠取得較準(zhǔn)確的結(jié)果。基于模糊理論的算法則依賴于圖像的灰度差?；谏窠?jīng)網(wǎng)絡(luò)和支持向量機(jī)的算時(shí)間復(fù)雜度高，但是具有比較大的發(fā)展?jié)摿?。?shí)際應(yīng)用中，經(jīng)?；旌鲜褂脙煞N或者多種算法來提高目標(biāo)分割的準(zhǔn)確度：例如可以先使用“分水嶺”算法來處理原始圖像，以得到一個(gè)灰度差明顯的目標(biāo)圖像，然后再使用基于模糊理論的算法進(jìn)行二次處理，以提高分割的準(zhǔn)確度。

當(dāng)前，圖像分割已成為圖像理解領(lǐng)域關(guān)注的一個(gè)熱點(diǎn)．未來的發(fā)展需要研究者借鑒數(shù)學(xué)、統(tǒng)計(jì)學(xué)、神經(jīng)學(xué)、認(rèn)知心理學(xué)、計(jì)算機(jī)科學(xué)等領(lǐng)域的成果及其綜合運(yùn)用，不斷引入新的理論和方法。未來的研究方向是進(jìn)一步研究視覺認(rèn)知的原理，結(jié)合智能科學(xué)的最新理論，對(duì)圖像分割作更深一步的研究。

[1]關(guān)振紅,周則明,何春,張?jiān)?基于PDE的衛(wèi)星姿態(tài)圖像分割[J].數(shù)據(jù)采集與處理,2009,S1：132-135.

[2]劉偉強(qiáng),陳鴻,夏德深.基于馬爾可夫隨機(jī)場(chǎng)的遙感圖像分割和描述[J].東南大學(xué)學(xué)報(bào),1999,S1：11-15.

[3]王娜,郭敏.模糊連接度在圖像分割中的應(yīng)用研究[J].科學(xué)技術(shù)與工程,2008,16：4588-4592+4598.