圖像分割是特徵檢測的方法嗎

1. 圖像的分割和邊緣檢測是一回事嗎

這個不是一回事，圖像分割是從圖像中把你感興趣的目標提取出來，而邊緣檢測是圖像分割的一種方法，是檢測被分割目標的邊緣，然後再進行圖像分割。

2. 圖像分割和圖像邊緣檢測 到底是什麼區別呢

圖像分割是指將特定的影像分割成區域內部屬性一致而區域間不一致的技術。一般圖像分割方法分為基於閾值的方法，基於邊緣的方法，基於區域的方法和基於特定理論的方法，基於邊緣的方法就是首先進行邊緣提取，認為邊緣內的區域就是同一屬性的，然後進行邊緣連接把邊緣閉合起來形成區域。因此可以說邊緣處理只是圖像分割的一種。

3. 什麼叫圖像分割

在計算機視覺領域，圖像分割（Segmentation）指的是將數字圖像細分為多個圖像子區域（像素的集合）（也被稱作超像素）的過程。圖像分割的目的是簡化或改變圖像的表示形式，使得圖像更容易理解和分析。[1]圖像分割通常用於定點陣圖像中的物體和邊界（線，曲線等）。更精確的，圖像分割是對圖像中的每個像素加標簽的一個過程，這一過程使得具有相同標簽的像素具有某種共同視覺特性。
圖像分割的結果是圖像上子區域的集合（這些子區域的全體覆蓋了整個圖像），或是從圖像中提取的輪廓線的集合（例如邊緣檢測）。一個子區域中的每個像素在某種特性的度量下或是由計算得出的特性都是相似的，例如顏色、亮度、紋理。鄰接區域在某種特性的度量下有很大的不同。

4. 圖像分割是指什麼

圖像分割就是把圖像分成若干個特定的、具有獨特性質的區域並提出感興趣目標的技術和過程。它是由圖像處理到圖像分析的關鍵步驟。現有的圖像分割方法主要分以下幾類：基於閾值的分割方法、基於區域的分割方法、基於邊緣的分割方法以及基於特定理論的分割方法等。1998年以來，研究人員不斷改進原有的圖像分割方法並把其它學科的一些新理論和新方法用於圖像分割，提出了不少新的分割方法。圖像分割後提取出的目標可以用於圖像語義識別，圖像搜索等等領域。

5. 圖象分割有哪三種不同的途徑

圖象分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。早期的圖像分割方法可以分為兩大類。一類是邊界方法，這種方法假設圖像分割結果的某個子區域在原來圖像中一定會有邊緣存在；一類是區域方法，這種方法假設圖像分割結果的某個子區域一定會有相同的性質，而不同區域的像素則沒有共同的性質。這兩種方法都有優點和缺點，有的學者考慮把兩者結合起來進行研究。現在，隨著計算機處理能力的提高，很多方法不斷涌現，如基於彩色分量分割、紋理圖像分割。所使用的數學工具和分析手段也是不斷的擴展，從時域信號到頻域信號處理，小波變換等等。

圖像分割主要包括4種技術：並行邊界分割技術、串列邊界分割技術、並行區域分割技術和串列區域分割技術。下面是分別對每一項做簡單的介紹。

6. 數字圖像處理的主要方法

數字圖像處理的工具可分為三大類：

第一類包括各種正交變換和圖像濾波等方法，其共同點是將圖像變換到其它域（如頻域）中進行處理（如濾波）後，再變換到原來的空間（域）中。

第二類方法是直接在空間域中處理圖像，它包括各種統計方法、微分方法及其它數學方法。

第三類是數學形態學運算，它不同於常用的頻域和空域的方法，是建立在積分幾何和隨機集合論的基礎上的運算。

由於被處理圖像的數據量非常大且許多運算在本質上是並行的，所以圖像並行處理結構和圖像並行處理演算法也是圖像處理中的主要研究方向。

(6)圖像分割是特徵檢測的方法嗎擴展閱讀

1、數字圖像處理包括內容：

圖像數字化；圖像變換；圖像增強；圖像恢復；圖像壓縮編碼；圖像分割；圖像分析與描述；圖像的識別分類。

2、數字圖像處理系統包括部分：

輸入（採集）；存儲；輸出（顯示）；通信；圖像處理與分析。

3、應用

圖像是人類獲取和交換信息的主要來源，因 此，圖像處理的應用領域必然涉及到人類生活和工作的方方面面。隨著人類活動范圍的不斷擴大，圖像處理的應用領域也將隨之不斷擴大。

主要應用於航天和航空、生物醫學工程、通信 工程、工業和工程、軍事公安、文化藝術、機器人視覺、視頻和多媒體系統、科學可視化、電子商務等方面。

7. 圖像的特徵提取都有哪些演算法

常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵。

一 顏色特徵

（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

（二）常用的特徵提取與匹配方法

（1） 顏色直方圖

其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。

最常用的顏色空間：RGB顏色空間、HSV顏色空間。

顏色直方圖特徵匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。

（2） 顏色集

顏色直方圖法是一種全局顏色特徵提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系

（3） 顏色矩

這種方法的數學基礎在於：圖像中任何的顏色分布均可以用它的矩來表示。此外，由於顏色分布信息主要集中在低階矩中，因此，僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。

（4） 顏色聚合向量

其核心思想是：將屬於直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所佔據的連續區域的面積大於給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。

（5） 顏色相關圖

二 紋理特徵

（一）特點：紋理特徵也是一種全局特徵，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於雜訊有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當圖像的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。

例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成「誤導」。

在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難准確地反映出人的視覺感覺不同的紋理之間的差別。

（二）常用的特徵提取與匹配方法

紋理特徵描述方法分類

（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數

（2）幾何法

所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法。

（3）模型法

模型法以圖像的構造模型為基礎，採用模型的參數作為紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法

（4）信號處理法

紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自回歸紋理模型、小波變換等。

灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

三 形狀特徵

（一）特點：各種基於形狀特徵的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基於形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特徵僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特徵所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特徵空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由於視點的變化，可能會產生各種失真。

（二）常用的特徵提取與匹配方法

Ⅰ幾種典型的形狀特徵描述方法

通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是區域特徵。圖像的輪廓特徵主要針對物體的外邊界，而圖像的區域特徵則關繫到整個形狀區域。

幾種典型的形狀特徵描述方法：

（1）邊界特徵法該方法通過對邊界特徵的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然後，做出關於邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。

（2）傅里葉形狀描述符法

傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。

由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。

（3）幾何參數法

形狀的表達和匹配採用更為簡單的區域特徵描述方法，例如採用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基於形狀特徵的圖像檢索。

需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割為前提，參數的准確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。

（4）形狀不變矩法

利用目標所佔區域的矩作為形狀描述參數。

（5）其它方法

近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

Ⅱ 基於小波和相對矩的形狀特徵提取與匹配

該方法先用小波變換模極大值得到多尺度邊緣圖像，然後計算每一尺度的 7個不變矩，再轉化為 10 個相對矩，將所有尺度上的相對矩作為圖像特徵向量，從而統一了區域和封閉、不封閉結構。

四 空間關系特徵

（一）特點：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，後一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。

空間關系特徵的使用可加強對圖像內容的描述區分能力，但空間關系特徵常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效准確地表達場景信息。為了檢索，除使用空間關系特徵外，還需要其它特徵來配合。

（二）常用的特徵提取與匹配方法
提取圖像空間關系特徵可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然後根據這些區域提取圖像特徵，並建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然後對每個圖像子塊提取特徵，並建立索引。

8. 基於影像特徵的圖像分割

通過遙感變化信息檢測方法對兩時相遙感影像進行處理分析後，得到 「變化信息」影像，同時為了便於後續震害信息的識別，需要把這些變化信息從復雜的環境背景中提取出來，得到一個僅包含變化信息的二值影像，這里就需要用到圖像分割 ( ImageSegmentation ) 技術。圖 像 分 割 包括 手 動分 割 和 自動分割兩種，手動分割是指操作者利用相關的經驗進行小圖斑的合並、提取和取捨，但是對於大區域遙感影像來說，手工操作工作量大、效率低、速度慢、周期長、容易漏掉小圖斑，並且分割圖斑的邊界容易受到操作者的主觀控制，對精度的影響也較大，所以本研究中的圖像分割一般指的是自動分割。

退化廢棄地遙感信息提取研究

從 20 世紀 70 年代起，圖像分割方法一直受到各國學者的關注，至今已經提出了很多種分割方法，FuK. S. ( 1981) 將分割方法分成閾值分割、邊緣分割和區域分割，實際上區域分割包含了閾值分割。蔡殉、朱波 ( 2002) 則將圖像分割方法分成更多的類別，包括閾值分割、彩色分割、基於模糊集法、深度分割、像素分割、區域增長法，其中彩色分割、深度分割和像素分割都屬於閾值分割。

由於現今遙感變化信息檢測還處於像元級別 ( 鍾家強，2005) ，通過不同檢測方法，對灰度、彩色影像進行處理變換，使得變化信息的灰度 ( 像素值) 和色彩信息得到加強，通常表現出灰白色 ( 圖 4 － 8、圖 4 － 9) 和亮綠色 ( 圖 4 － 11) ，與周圍地物的色標不協調，可以通過確定相關的變化閾值把變化區域分割出來。但是由於變化信息受到太陽輻射、大氣干擾、感測器參數、空間解析度、光譜解析度以及季節差異等因素影響，變化圖斑的灰度有時在一定的范圍內波動，增加了變化信息精確分割的難度，這使得變化閾值的確定顯得尤為重要。

( 一) 變化影像特徵分析

通過多時相遙感變化信息檢測方法得到的灰度或彩色影像通常具有以下特徵: ① 影像中光譜特徵復雜，包含的地物類型眾多，但是變化信息和背景環境的光譜性質不一致。② 灰度影像的變換信息圖斑一般分布在灰度軸的兩端 ( 就是較亮的區域) ，不過有時也可能位於暗端，極少數情況下也可能位於兩者之間，這要根據具體的遙感數據和採用何種檢測方法來定; 彩色影像變化信息圖斑一般為亮綠色，是否能夠和周圍地物類型明顯區分要根據實際情況而定。③ 變化信息圖斑內部的灰度值比較均勻，但是會在一定范圍內波動，所以圖像分割時很容易丟失細小的圖斑。④ 變化信息圖斑之間灰度特徵比較相似 ( 一致) ，但是紋理特徵的差別通常較明顯，因為變化信息的圖斑可能屬於不同的地物類型，所以通常不能用紋理信息來分割變化信息圖斑。⑤ 由於非人為控制的因素，影像中不可避免地存在一些雜訊信息，這些雜訊信息一般表現在與變化信息圖斑接近的小圖斑( 圖 4 － 9 表現得特別明顯) ，所以分割的時候要區分哪些是變化信息圖斑，哪些是雜訊圖斑。⑥ 對於不同的環境和區域，變化信息圖斑是服從隨機分布的，有的地方稀疏，有的地方密集。

( 二) 單閾值區域分割法

單閾值區域分割是一種簡單有效的圖像分割方法，其用一個閾值將變化圖像的灰度級分為兩個部分: 變化與未變化。其最大特點是計算簡單，在重視運算效率的應用場合 ( 例如用於硬體實現) 得到了廣泛應用 ( 馮德俊，2004) 。一般是利用圖像的灰度直方圖來確定分割閾值。在計算分割閾值時，常在去除雜訊的基礎上將灰度直方圖包絡成一條曲線，如果圖像上有多個特徵區域，其直方圖就會出現多個峰值，每個峰值對應一個特徵區域，而谷底值點就為分割閾值，用以劃分不同的特徵區域。

復雜圖像的目標和背景的灰度值時常有部分交錯，為了在分割時使這種錯誤分割的概率最小，需要尋找出最優的分割閾值，所以單閾值區域分割法也叫最優閾值法，意指能夠使分割誤差最小。圖像的灰度直方圖可以看成是像元灰度值的概率分布密度函數，假設一幅圖像僅含有目標和背景兩個主要的灰度值區域，那麼其直方圖就表示對應目標和背景兩個單峰值的概率分布密度函數之和，如果已知密度函數的形式，就可以計算出使誤差最小的最優閾值。其計算原理如下:

假設一幅含有高斯雜訊的圖像，其背景和目標的直方圖(概率密度函數)分別為p_b(z)和p_o(z)，那麼整個圖像的混合概率密度p(z)為(章毓晉，2001):

退化廢棄地遙感信息提取研究

式中:σ_b和σ_o分別為背景和目標均值的均方差;μ_b和μ_o分別為背景和目標的平均灰度值;p_b和p_o分別為背景和目標區域灰度的先驗概率，二者之和為1。如果μ_b＜μ_o，需要確定閾值T，將小於閾值的分割作為背景，大於閾值的分割作為目標，假設將目標像元錯誤地劃分為背景以及把背景錯誤地劃分為目標的概率分別為E_b(T)和E_o(T)，則總的誤差為兩者之和E(T)。為了使該誤差最小，將總誤差對T求導數，並令導數為零，得到

退化廢棄地遙感信息提取研究

將該式代入式(4－3)，可得二項式

退化廢棄地遙感信息提取研究

求解該二項式得到最優閾值

退化廢棄地遙感信息提取研究

最優閾值T的選取原理如圖4－12所示，其原理可以概括為:將經過平滑去噪後的直方圖看成一條曲線h(x)，最優閾值T必須滿足以下兩個條件:

退化廢棄地遙感信息提取研究

圖4－12 最優閾值選取原理

設原始圖像 f( x，y) 的灰度值范圍為 G =［0，L －1］，用最優單閾值法把圖像分成兩類，最優分割閾值為 T ( 0 ＜ T ＜ L －1) ，分割後生成的二值影像為 g( x，y) :

退化廢棄地遙感信息提取研究

本研究在 EＲDAS 軟體下利用空間建模語言 ( SML) 實現了單閾值 ( 最優閾值) 法，分別分析了圖 4 －8、圖 4 －9 和圖 4 －11 變化影像的直方圖分布情況 ( 圖 4 －13) ，並進行了最優閾值區域分割，把得到的三幅二值變化信息影像取合集，即把三幅影像相加，保留所有大於 1 的像素點，最後得到變化區域二值影像，如圖 4 －14 所示。

圖 4 －13 三幅變化影像的直方圖曲線

圖 4 －14 單閾值法提取的變化信息二值影像( 白色區域為發生變化的區域)

圖 4 －15 雙閾值模糊識別法計算流程

(三)雙閾值模糊識別分割法

由於單閾值區域分割法只有一個全局閾值參與影像分割，然而影像受到大氣、雜訊、光照以及背景灰度變化的共同影響，導致了變化信息的灰度值總是在一定范圍內波動，常常出現變化信息和雜訊以及其他地物類別交錯的現象。在這種情況下，單閾值區域分割難以滿足精度的要求，如何區分出其中的變化信息?本研究提出了雙閾值模糊識別分割法，其流程如圖4－15所示。

利用變化圖像的灰度直方圖計算得到兩個閾值T₁和T₂，並且T₁＜T₂，然後利用雙閾值法對變化圖像進行分割(DaneKottkeetal.，1989、1998)，將圖像f(x，y)分割為三個類別:背景、不確定類、變化信息:

退化廢棄地遙感信息提取研究

對其中不確定的像元保留其灰度值不變，利用模糊識別運算元構建目標函數，分別計算出該像元屬於兩種不同類別(背景和變化信息)的模糊隸屬度，通過比較兩種隸屬度的大小判斷其歸屬(把它歸類到隸屬度大的那一類當中)，劃分到背景與變化信息當中，直到完成所有不確定像元的劃分，即完成了整個分割過程。

1.雙閾值T₁和T₂的計算

核心閾值T₁的計算按照公式4－5的單閾值(最優閾值法)區域分割法得到。核心閾值T₂則是利用灰度直方圖中大於T₁閾值的像元灰度求平均值得到。

設影像的灰度值在0到255之間(8維圖像)，利用離散積分的原理來計算灰度的均值。如果利用單閾值法計算出來的最優閾值為T₁，那麼核心閾值T₂的計算公式如下:

退化廢棄地遙感信息提取研究

式中:n_i表示變化圖像中灰度為i的像元出現的個數。

2.模糊識別演算法

模糊識別演算法的基本思想如下(李希燦等，2003、2008):

首先將樣本集規格化，就是把樣本集的特徵值規格化到0到1之間，設樣本特徵值y規格化為x，樣本集n個樣本劃分為C個類別，則模糊識別矩陣為

退化廢棄地遙感信息提取研究

式中:U_hj為樣本j歸屬於第h類的相對隸屬度，h=1，2，…，C，且應當滿足以下條件:

退化廢棄地遙感信息提取研究

設C個類別的特徵值為標准指數或模糊聚類中心指標，則C個類別的中心指標向量為:

退化廢棄地遙感信息提取研究

式中:S_h為第h類的中心指標，0≤S_h≤1且h=1，2，…，c，為了求解最優模糊識別矩陣U和模糊最優中心指標S，建立目標函數(李希燦，1998):

退化廢棄地遙感信息提取研究

式4－14的意義是:樣本集對於全體類別的加權廣義海明距離平方和為最小。顯然，在不分類別(h=1，U_hj=1)的情況下，該公式變為通常的最小二乘最優准則。在式4－14的目標函數下，計算出最優模糊劃分的隸屬度和中心指標向量:

退化廢棄地遙感信息提取研究

式中:u^*_hj為樣本j隸屬於h類的隸屬度。

3.分割歸類

通過構造的目標函數(隸屬度函數)，分別計算出每個像素點屬於「目標」(變化信息)和「背景」(非變化信息)的隸屬度，並把它分入到隸屬度大的那一類當中，從而完成圖像分割的過程。

圖4－16 雙閾值模糊識別分割法二值影像

(白色區域為變化信息)

通過在EＲDAS下利用空間建模語言(SML)實現該分割演算法，分別將圖4－8、圖4－9和圖4－11變化圖像作為輸入對象，進行雙閾值模糊識別分割，得到的二值變化圖像取合集最終結果如圖4－16所示。從圖4－16中可以看出，雙閾值模糊識別分割法能夠在一定程度上消除單閾值區域分割法中混雜在變化信息中的離散雜訊和個別地物類型，使變化信息更加准確、集中，從而提高了分割的精度。實踐證明，雙閾值模糊識別分割法有著堅實的理論基礎，並且在實際變化信息的分割中能夠取得很好的效果，是一種可行、可靠的圖像分割自動演算法。

9. 什麼是圖像分割

1 數字圖像處理技術是一個跨學科的領域。隨著計算機科學技術的不斷發展，圖像處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發展歷史不長，但卻引起各方面人士的廣泛關注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎，因此，數字圖像成為心理學、生理學、計算機科學等諸多領域內的學者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應用中有不斷增長的需求。

基於圖論的圖像分割技術是近年來國際上圖像分割領域的一個新的研究熱點。該方法將圖像映射為帶權無向圖，把像素視作節點。利用最小剪切准則得到圖像的最佳分割 該方法本質上將圖像分割問題轉化為最優化問題。是一種點對聚類方法。對數據聚類也具有很好的應用前景。但由於其涉及的理論知識較多，應用也還處在初級階段。因此國內這方面的研究報道並不多見，本文將對圖論方法用於圖像分割的基本理論進行簡要介紹，並對當前圖論方法用於圖像分割的最新研究進展進行綜述，並著重介紹基於等周圖割的圖像分割的方法。

2 圖像目標分割與提取技術綜述

圖像分割是一種重要的圖像技術，在理論研究和實際應用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運算可直接應用於任何圖像，而另一些只能適用於特殊類別的圖像。有些演算法需要先對圖像進行粗分割，因為他們需要從圖像中提取出來的信息。例如，可以對圖像的灰度級設置門限的方法分割。值得提出的是，沒有唯一的標準的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數據，不同類型的圖像，已經有相對應的分割方法對其分割，同時，某些分割方法也只是適合於某些特殊類型的圖像分割。分割結果的好壞需要根據具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關鍵步驟，可以說，圖像分割結果的好壞直接影響對圖像的理解。

3 定義及分割方法
為後續工作有效進行而將圖像劃分為若干個有意義的區域的技術稱為圖像分割(Image Segmentation)
目前,有許多的圖像分割方法,從分割操作策略上講,可以分為基於區域生成的分割方法,基於邊界檢測的分割方法和區域生成與邊界檢測的混合方法.