多尺度分割算法

Ⅰ 影像分割流程

影像分割是获取目标区域的一个重要手段。多尺度影像分割法采用不同的分割尺度生成不同尺度的影像对象层，使得具有固定分辨率的影像数据由不同分辨率的数据组成，从而构建一个与地表实体相似的层次等级结构，实现原始像元数据在不同空间尺度间的传递，以适应特定的应用需要，从而有效地将目标区域从背景中分离出来。

Definiens 软件中的多尺度影像分割采用异质性最小的区域合并算法，其允许两个方向生成层次: 从下到上 ( Create Above) 和从上到下 ( Create Below) 。从下到上的分割 ( 由小尺度到大尺度的分割) 相对较简单，合并子对象形成父对象，这种区域合并算法计算过程中的对象只有第一次是像元，以后的均针对对象进行，时间代价较小。从上到下的分割( 由大尺度到小尺度的多种分割) 需要在父对象范围内以像元为单位用区域合并算法形成子对象，区域合并算法每次均是针对单个像元进行，时间代价大。多尺度分割两种方向生成层次在时间利用和生成对象个数方面有很大差异，以研究区某一子区域为例，如表5 －1所示。

表 5 －1 多尺度分割两种方向生成层次消耗的时间

从上表可以看出两点: ① 两个方向的分割结果略有差异，主要表现为对象个数不尽相同; ②“从下到上”的分割由于是在子对象基础上的合并，所以除了第一次针对像元的分割速度稍慢之外，其后进行的各次分割速度明显快于第一次分割; 而 “从上到下”的分割，由于每次分割操作都是针对像元重新进行，除了分割尺度最小的基于像元的那次操作之外，每次分割所耗费的时间都远远多于同一尺度 “从下到上”的分割。

从下到上的多尺度分割方法主要思想是一种从像元开始由下至上、逐级进行区域合并的过程。经过多次迭代过程，小的同质区域变成大的同质区域。

Definiens 软件中多尺度分割的具体算法步骤如下 ( 图 5 － 12) :

1) 设置分割参数，包括设定一个尺度阈值，以此阈值作为判断是否停止像元合并的条件，根据影像信息的纹理特征以及所提取的专题信息的要求，确定光谱因子和形状因子的权重; 在形状因子中根据大多数地物类别的结构属性确定紧致度和光滑度因子的权重，以及在计算光谱差异性时需要用到的每一个波段的权重值; 必要时，也可考虑是否加入专题图进行分割。

2) 以影像中任意一个像元为中心开始分割，第一次分割时单个像元被看做是一个最小的多边形对象参与异质性值的计算; 第一次分割后，以生成的多边形对象为基础进行第二次分割，同样计算异质性值。

3) 假设 f 为最小异质性值，s 为分割尺度值。每次判断 f 与预定的阈值之间的差异，若 f 小于阈值 s，则继续进行下一次分割，以此循环。

4) 若 f 等于或大于阈值 s，则停止影像的分割工作，形成一个固定尺度值的影像对象层。

大多数情况下，光谱因子是生成有意义对象的最重要的一条标准，而形状因子则有助于避免产生不规则破碎的对象，适合高纹理的影像数据。因此，Definiens 软件建议，在进行影像分割的过程中应遵循两条原则: ① 尽可能设置大的颜色因子权重，因为光谱信息是影像数据中所包含的主要数据，形状因子权重过大将导致光谱均质性的损失; ② 对于边界不太光滑但是聚集度较高的影像对象，尽可能地使用必要的形状因子。

图 5 －12 异质性最小的区域合并影像分割流程

Ⅱ 图像分割的特定理论

图像分割至今尚无通用的自身理论。随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。 特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。其中，K均值、模糊C均值聚类(FCM)算法是最常用的聚类算法。K均值算法先选K个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。模糊C均值算法是在模糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利用模糊C均值(FCM)非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。
FCM算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优解，提高分割速度。另外，传统FCM算法没有考虑空间信息，对噪声和灰度不均匀敏感。 模糊集理论具有描述事物不确定性的能力，适合于图像分割问题。1998年以来，出现了许多模糊分割技术，在图像分割中的应用日益广泛。模糊技术在图像分割中应用的一个显着特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。
模糊阈值技术利用不同的S型隶属函数来定义模糊目标，通过优化过程最后选择一个具有最小不确定性的S函数。用该函数增强目标及属于该目标的像素之间的关系，这样得到的S型函数的交叉点为阈值分割需要的阈值，这种方法的困难在于隶属函数的选择。基于模糊集合和逻辑的分割方法是以模糊数学为基础，利用隶属图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。该方法在医学图像分析中有广泛的应用，如薛景浩 等人提出的一种新的基于图像间模糊散度的阈值化算法以及它在多阈值选择中的推广算法，采用了模糊集合分别表达分割前后的图像，通过最小模糊散度准则来实现图像分割中最优阈值的自动提取。该算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数，克服了传统S函数带宽对分割效果的影响，有很好的通用性和有效性，方案能够快速正确地实现分割，且不需事先认定分割类数。实验结果令人满意。 概述
小波变换是2002年来得到了广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，而且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像处理和分析等许多方面得到应用。
小波变换的分割方法
基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，有尺度变化来控制，即起始分割由粗略的L2(R)子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算馈与图像尺寸大小呈线性变化。

Ⅲ 目前应用最广的图像分割算法是什么

小波变换是近年来得到了广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，而且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像处理和分析等许多方面得到应用。
基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，有尺度变化来控制，即起始分割由粗略的L2(R)子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算馈与图像尺寸大小呈线性变化。