·1736· 工程科学学报，第39卷，第11期 图像分割是把图像分为若干个特定的、具有独 或者碎小的区域进行合并 特性质的区域四，这些区域满足特定区域一致性条 其算法流程图如图1所示. 件，这里的一致性条件可以是满足灰度、纹理或者颜 输人待分割的RGB高分遥感数据 色等特征的某种相似性准则.图像分割在图像工程 中占据重要的位置，因为其分割形成的区域是目标 数据预处理（影像裁剪、校正、直方图均衡化等） 表达的基础，即遥感影像面向对象分析和处理的基 本单元，分割结果直接影响到目标表达、特征提取和 OSU方法计算种子选取与生长所需的阀值 参数测量，区域提取的准确性大小影响着后续的图 像处理过程， 现行的图像分割技术有很多，总的来说，图像分割 面向全局遍历影像进行种子点的选取 方法可以分成四大类，阈值法(threshold technique)、基 于边界的方法(boundary-based)、基于区域的方法(re 是否满足 种子选取条件 gion-based)和边界区域混合方法(hybrid tech-- nique)四.分水岭算法和种子区域生长算法是两种常 是 见的基于区域的分割算法.分水岭算法是Vincent和 待生长种子 Soille在1991年提出来的，由于其不错的分割效果 而在多个领域得到广泛应用.种子区域生长算法 按照区域生长准则进行生长 则是Adams和Bischof在1994年提出了一种新的基 于区域的图像分割算法.单种子区域生长算法对灰度 图像有较好的分割效果，且要求分割对象连续、简单， 是否所有种子 否 像元都已处理 但是对彩色图像，特别是高分辨率的遥感影像来说，往 往达不到满意的分割效果.此外，包括种子区域生长 是 算法及其改进算法⑧在内的许多分割算法都是针对 利用区域融合解决过度分割 感兴趣区域进行分割提取，现有的种子点选取方法也 图1面向对象的自动多种子区域生长算法流程图 往往存在种子点数目和分布难以自适应选取等问题. Fig.1 Workflow of object-oriented-based automatic multiseed region 而高分遥感影像地物种类复杂多样，常常需要面向全 growing algorithm 局对象提取出多种目标地物进行分割并分类，此时，以 1.10TSU方法计算种子选取与生长所需阈值 上分割方法就不能很好的满足分割需求. OTSU算法是按图像的灰度特性，将图像分成目 基于以上问题，本文提出了一种面向对象的自动 标和背景两个部分.目标和背景之间的类间方差越 多种子区域生长算法，该算法是在传统的种子区域生 大，说明构成图像的两部分的差别越大，当部分目标错 长算法基础上，使用一定的规则自动选取种子，种子类 分为背景或部分背景错分为目标时，都会导致两部分 型覆盖多种地物对象，经过生长之后可以对全图对象 的差别变小因此，使类间方差最大的分割意味着错 进行分割，且可获得较好的分割结果，便于后续的面向 分概率最小 对象的遥感影像处理分析操作 在面向对象的遥感影像分割中，影像中的每种地 物类型都是待分割对象，这些对象都需要被分割出来 1算法 文献1]中使用0TSU方法将灰度图像进行预分割， 在种子区域生长方法中，种子点的选取、生长准 形成不同的区域来选取种子点进行区域生长，本文考 则、以及终止条件是比较关键的三个问题，而每个问题 虑到OTSU算法常用于灰度图像，所以提出了一种新 都直接影响到分割结果的好坏.本文提出的面向对象 的方法.将应用在灰度图像上的OTSU方法运用到区 的自动多种子区域生长算法使用最大类间方差算法 域生长算法的种子选取与生长过程中。待分割影像可 (又称大津法，OT$U方法)@来确定合适的分割阀值 以分为目标以及边界两个部分，并且通过边界区分不 进行种子选取以及之后的种子生长.分割阅值选取的 同的对象.基于边缘检测的图像分割也是一种常见的 合适与否直接影响到分割效果.本文将传统的OSTU 分割方法，并且针对灰度图像也有着不错的分割效 算法应用到彩色图像上，计算得到合适的阈值进行种 果2切.在本文方法中，首先通过计算像元的8邻域 子选取与生长.最后再根据一定的规则对过分割区域 欧氏距离将整幅影像区分为分割对象和边界，然后利工程科学学报，第 39 卷，第 11 期 图像分割是把图像分为若干个特定的、具有独 特性质的区域［1］，这些区域满足特定区域一致性条 件，这里的一致性条件可以是满足灰度、纹理或者颜 色等特征的某种相似性准则． 图像分割在图像工程 中占据重要的位置，因为其分割形成的区域是目标 表达的基础，即遥感影像面向对象分析和处理的基 本单元，分割结果直接影响到目标表达、特征提取和 参数测量，区域提取的准确性大小影响着后续的图 像处理过程． 现行的图像分割技术有很多，总的来说，图像分割 方法可以分成四大类，阈值法( threshold technique) 、基 于边界的方法( boundary-based) 、基于区域的方法( re￾gion-based ) 和边界区域混合方法 ( hybrid tech￾nique) ［2］． 分水岭算法和种子区域生长算法是两种常 见的基于区域的分割算法． 分水岭算法是 Vincent 和 Soille［3］在 1991 年提出来的，由于其不错的分割效果 而在多个领域［4--6］得到广泛应用． 种子区域生长算法 则是 Adams 和 Bischof［7］在 1994 年提出了一种新的基 于区域的图像分割算法． 单种子区域生长算法对灰度 图像有较好的分割效果，且要求分割对象连续、简单， 但是对彩色图像，特别是高分辨率的遥感影像来说，往 往达不到满意的分割效果． 此外，包括种子区域生长 算法及其改进算法［8--9］在内的许多分割算法都是针对 感兴趣区域进行分割提取，现有的种子点选取方法也 往往存在种子点数目和分布难以自适应选取等问题． 而高分遥感影像地物种类复杂多样，常常需要面向全 局对象提取出多种目标地物进行分割并分类，此时，以 上分割方法就不能很好的满足分割需求． 基于以上问题，本文提出了一种面向对象的自动 多种子区域生长算法，该算法是在传统的种子区域生 长算法基础上，使用一定的规则自动选取种子，种子类 型覆盖多种地物对象，经过生长之后可以对全图对象 进行分割，且可获得较好的分割结果，便于后续的面向 对象的遥感影像处理分析操作． 1 算法 在种子区域生长方法中，种子点的选取、生长准 则、以及终止条件是比较关键的三个问题，而每个问题 都直接影响到分割结果的好坏． 本文提出的面向对象 的自动多种子区域生长算法使用最大类间方差算法 ( 又称大津法，OTSU 方法) ［10］来确定合适的分割阈值 进行种子选取以及之后的种子生长． 分割阈值选取的 合适与否直接影响到分割效果． 本文将传统的 OSTU 算法应用到彩色图像上，计算得到合适的阈值进行种 子选取与生长． 最后再根据一定的规则对过分割区域 或者碎小的区域进行合并． 其算法流程图如图 1 所示． 图 1 面向对象的自动多种子区域生长算法流程图 Fig． 1 Workflow of object-oriented-based automatic multiseed region growing algorithm 1. 1 OTSU 方法计算种子选取与生长所需阈值 OTSU 算法是按图像的灰度特性，将图像分成目 标和背景两个部分． 目标和背景之间的类间方差越 大，说明构成图像的两部分的差别越大，当部分目标错 分为背景或部分背景错分为目标时，都会导致两部分 的差别变小． 因此，使类间方差最大的分割意味着错 分概率最小． 在面向对象的遥感影像分割中，影像中的每种地 物类型都是待分割对象，这些对象都需要被分割出来． 文献［11］中使用 OTSU 方法将灰度图像进行预分割， 形成不同的区域来选取种子点进行区域生长，本文考 虑到 OTSU 算法常用于灰度图像，所以提出了一种新 的方法． 将应用在灰度图像上的 OTSU 方法运用到区 域生长算法的种子选取与生长过程中． 待分割影像可 以分为目标以及边界两个部分，并且通过边界区分不 同的对象． 基于边缘检测的图像分割也是一种常见的 分割方法，并且针对灰度图像也有着不错的分割效 果［12--13］． 在本文方法中，首先通过计算像元的 8 邻域 欧氏距离将整幅影像区分为分割对象和边界，然后利 · 6371 ·