·232· 智能系统学报 第13卷 且相对集中，其余部分较为空旷的城市区域，道路、 分割法时，背景地面的边界轮廓不清晰，对位于图 草坪等多类目标的灰度值较为相近。基于PSO的 像中间的树丛区域分割不准确，含有大量阴影。而 指数嫡单阈值和双阈值分割法，能较为准确地将建 本文提出的基于直线截距直方图倒数灰度嫡和人工 筑物与地面区分开，但却无法提取道路、草坪等其 蜂群优化的三阈值分割法则能较为准确地提取建筑 他多类目标，分割后图像的大量细节信息丢失，这 物的边界形状，草坪、道路网和树丛的轮廓均清晰 势必影响后续的地物目标检测。本文提出的单阈值 可辨，且树丛的纹理、边缘和细节特征更为丰富。 和多阈值选取方法获得了很好的分割效果，其中， 这是由于倒数灰度嫡同时考虑了图像中目标区域和 相比于单阈值方法，本文提出的多阈值选取方法的 背景区域内的灰度均匀性，对纹理丰富的区域分割 分割结果中，多类目标边缘完整、特征鲜明。KFCM 效果更优。 聚类分割法和基于PSO的指数熵三阈值分割法的 分割结果受噪声干扰，有少许虚警点，且存在目标 模糊和边缘残缺的现象，如图中右下角建筑物的阴 影信息被湮没。 (a)原始图像 (b)KFCM (a)原始图像 (b)KFCM (c)指数嫡单國 (d)指数嫡双阈 (e)指数嫡三阈 值+PSO 值+PSO 值+PSO (©)指数嫡单阈 (d指数嫡双國 (e)指数嫡三 值+PSO 值+PSO 值+PSO (①本文方法 (g)本文方法 h)本文方法 单阈值 双圆值 三阈值 (本文方法 (g)本文方法 (h)本文方法 800 单阈值 双阈值 三阈值 600 600 兹400 500 200 400 300 050100150200250300350400450500 200 灰度级 100 ()直线截距直方图 0 50100150200250300350400450500 灰度级 图5城区遥感图像2、分割结果及直线截距直方图 (①直线截距直方图 Fig.5 Remote sensing image of urban area 2,its segmenta- tion results and its line intercept histogram 图4城区遥感图像1、分割结果及直线截距直方图 Fig.4 Remote sensing image of urban area 1,its segmenta- 下面再根据正确分割率对5种方法的分割效果 tion results and its line intercept histogram 进行定量评价。以人工分割结果为标准，这里正确 城区遥感图像3中建筑物密集，道路网交织， 分割率定义为正确分割像素数目与像素总数的比 且有多处草坪、树丛覆盖，具有较高的复杂度。由 值，正确分割像素数目是指分割后的图像与经人工 分割结果可以看出，对于此类图像而言，基于嫡的 精确分割后的图像相比存在差异的像素个数。正确 单阈值分割法虽能较为准确地将建筑物与背景分 分割率越大，表示分割结果越准确。表1所示为上 离，但却无法准确地提取其他目标的边界形状。采 述5种方法的正确分割率比较。从表中可以看出， 用KFCM聚类分割法和基于PSO的指数熵多阈值 本文方法的正确分割率最大，即分割效果最优。且相对集中，其余部分较为空旷的城市区域，道路、 草坪等多类目标的灰度值较为相近。基于 PSO 的 指数熵单阈值和双阈值分割法，能较为准确地将建 筑物与地面区分开，但却无法提取道路、草坪等其 他多类目标，分割后图像的大量细节信息丢失，这 势必影响后续的地物目标检测。本文提出的单阈值 和多阈值选取方法获得了很好的分割效果，其中， 相比于单阈值方法，本文提出的多阈值选取方法的 分割结果中，多类目标边缘完整、特征鲜明。KFCM 聚类分割法和基于 PSO 的指数熵三阈值分割法的 分割结果受噪声干扰，有少许虚警点，且存在目标 模糊和边缘残缺的现象，如图中右下角建筑物的阴 影信息被湮没。 (f) ᱘᪳᫥∁ 䬴ըࢁ (g) ᱘᪳᫥∁ 䬴ըࣸ (h) ᱘᪳᫥∁ ̵䬴ը (a) ࣋໷ప׻) b) KFCM (c) ᠳ᪜⛡ࢁ䬴 ը+PSO (d) ᠳ᪜⛡ࣸ䬴 ը+PSO (e) ᠳ᪜⛡̵䬴 ը+PSO 0 50 100 150 200 250 300 350 400 450 500 100 200 300 400 500 600 (i) Ⱐ㏫᝖䌉Ⱐ᫥ప 䶽᪜ ▜Ꮢ㏓ 图 4 城区遥感图像 1、分割结果及直线截距直方图 Fig. 4 Remote sensing image of urban area 1, its segmenta￾tion results and its line intercept histogram 城区遥感图像 3 中建筑物密集，道路网交织， 且有多处草坪、树丛覆盖，具有较高的复杂度。由 分割结果可以看出，对于此类图像而言，基于熵的 单阈值分割法虽能较为准确地将建筑物与背景分 离，但却无法准确地提取其他目标的边界形状。采 用 KFCM 聚类分割法和基于 PSO 的指数熵多阈值 分割法时，背景地面的边界轮廓不清晰，对位于图 像中间的树丛区域分割不准确，含有大量阴影。而 本文提出的基于直线截距直方图倒数灰度熵和人工 蜂群优化的三阈值分割法则能较为准确地提取建筑 物的边界形状，草坪、道路网和树丛的轮廓均清晰 可辨，且树丛的纹理、边缘和细节特征更为丰富。 这是由于倒数灰度熵同时考虑了图像中目标区域和 背景区域内的灰度均匀性，对纹理丰富的区域分割 效果更优。 (c) ᠳ᪜⛡ࢁ䬴 ը+PSO (d) ᠳ᪜⛡ࣸ䬴 ը+PSO (e) ᠳ᪜⛡̵䬴 ը+PSO (f) ᱘᪳᫥∁ 䬴ըࢁ (g) ᱘᪳᫥∁ 䬴ըࣸ (h) ᱘᪳᫥∁ ̵䬴ը (a) ࣋໷ప׻) b) KFCM (i) Ⱐ㏫᝖䌉Ⱐ᫥ప 0 50 100 150 200 250 300 350 400 450 500 200 400 600 800 䶽᪜ ▜Ꮢ㏓ 图 5 城区遥感图像 2、分割结果及直线截距直方图 Fig. 5 Remote sensing image of urban area 2, its segmenta￾tion results and its line intercept histogram 下面再根据正确分割率对 5 种方法的分割效果 进行定量评价。以人工分割结果为标准，这里正确 分割率定义为正确分割像素数目与像素总数的比 值，正确分割像素数目是指分割后的图像与经人工 精确分割后的图像相比存在差异的像素个数。正确 分割率越大，表示分割结果越准确。表 1 所示为上 述 5 种方法的正确分割率比较。从表中可以看出， 本文方法的正确分割率最大，即分割效果最优。 ·232· 智 能 系 统 学 报 第 13 卷