視覺感受與Markov隨機場相結(jié)合的高分辨率遙感影像分割法

許妙忠，叢　銘，萬麗娟，解天鵬，朱曉玲

武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079

A Methodology of Image Segmentation for High Resolution Remote Sensing Image Based on Visual System and Markov Random Field

XU Miaozhong，CONG Ming，WAN Lijuan，XIE Tianpeng，ZHU Xiaoling

State Key Laboratory for Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China

Foundation support：The National Basic Research Program of China(973 Program)(No.012CB719900)

視覺感受與Markov隨機場相結(jié)合的高分辨率遙感影像分割法

許妙忠，叢銘，萬麗娟，解天鵬，朱曉玲

武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079

AMethodologyofImageSegmentationforHighResolutionRemoteSensingImageBasedonVisualSystemandMarkovRandomField

XUMiaozhong，CONGMing，WANLijuan，XIETianpeng，ZHUXiaoling

StateKeyLaboratoryforInformationEngineeringinSurveying,MappingandRemoteSensing,WuhanUniversity,Wuhan430079,China

Foundationsupport：TheNationalBasicResearchProgramofChina(973Program)(No.012CB719900)

摘要：鑒于視覺感受對外界強大的感知與識別能力，模擬視覺神經(jīng)感知的工作機制，并結(jié)合Markov隨機場模型，提出一種影像分割方法。首先，分析視覺感知系統(tǒng)的工作機制，將其特性歸納為等級層次性、學習能力、特征檢測能力和稀疏編碼特性，繼而利用小波變換、非監(jiān)督聚類、特征分析和Laplace分布模擬視覺工作機制，然后結(jié)合Markov隨機場模型實現(xiàn)高分辨率遙感影像的分割。通過不同衛(wèi)星的真實遙感影像進行了相關(guān)試驗。試驗結(jié)果表明本文提出的方法在高分辨率遙感影像分割任務(wù)中有非常良好的表現(xiàn)。

關(guān)鍵詞：視覺感知系統(tǒng)；遙感影像；小波變換；Markov隨機場；影像分割

1引言

伴隨著對地觀測衛(wèi)星空間分辨率的不斷提高，對于高分辨率遙感影像的圖像處理和識別的要求也不斷提高。圖像分割作為高分辨率遙感影像信息提取和面向?qū)ο蠓诸惖闹匾h(huán)節(jié)，是遙感影像研究的熱點和難點之一[1]。圖像分割一般基于圖像灰度表現(xiàn)出兩種特點：不連續(xù)性和相似性。不連續(xù)性體現(xiàn)在不同類別之中，相似性體現(xiàn)在同類別內(nèi)部。衍生的方法有閾值分割[2]、邊緣檢測分割[3]、聚類分割[4]、區(qū)域增長和分裂合并分割[5]、形態(tài)學分割[6]等。

基于Markov隨機場(Markovrandomfield,MRF)模型的影像分割算法由于能夠恰當?shù)孛枋鲇跋竦膸缀翁匦?、紋理基元和內(nèi)在特征而受到廣泛關(guān)注，成為近些年來的研究熱點。文獻[7]使用半因果、非穩(wěn)態(tài)建立了自回歸隨機場進行影像分割，這種建模方法有利于形成大范圍一致的區(qū)域，但是可能會過分平滑影像的紋理或扭曲分類邊緣。文獻[8]提出一種用于紋理分割的小波域多尺度MRF模型。文獻[9]通過在多尺度MRF模型的特征場能量和標記場能量之間引入一個可變的權(quán)重參數(shù)，改進了多尺度方法在小波域建模方面的弊端，取得了較好的結(jié)果。文獻[10]對隱式MRF模型進行改進，并用于遙感影像分割，取得了較好的結(jié)果。文獻[11]改進了多尺度隱式MRF模型中波系數(shù)的建模方式，采用通用混合分布或者泊松分布替代常用的高斯混合模型，以期建模方法更能表達小波系數(shù)的分布特征。文獻[12]結(jié)合圖像主題模型和MRF模型，自動解算影像分割時的分類參數(shù)，實現(xiàn)了影像完全自動的非監(jiān)督分類，取得了較好的結(jié)果。

但是，高分辨率遙感影像中，各類地物細節(jié)清晰、形狀多樣。對于分割任務(wù)來說，分割目標經(jīng)常受到周圍背景環(huán)境(例如道路分割時，道路上的車輛、道路周圍的花壇等)和其他地物陰影(如山體陰影、建筑物陰影)的嚴重影響。這種情況下，常規(guī)的MRF影像分割方法常?？梢垣@得較好的邊界信息，但是區(qū)域一致性較差，分割結(jié)果容易產(chǎn)生孤立點，難以分割出語義上有意義的對象塊，并且對噪聲非常敏感。同時，減少統(tǒng)計局部信息，雖然可以減少算法對于噪聲的敏感，獲得比較好的區(qū)域一致性，但對于影像的多尺度小波變換系數(shù)又難以進行準確地表達，從而增加了計算的復雜度和參數(shù)估計的難度。

基于以上難點和不足，本文結(jié)合高分辨率遙感影像的自身特點，利用視覺神經(jīng)對自然圖像優(yōu)異的分析和識別能力，通過經(jīng)典的MRF分割模型，提出一種模擬視覺感知和MRF模型的高分辨率遙感影像分割方法。

2視覺感知工作機制

人類大腦是經(jīng)過漫長的自然選擇和進化而來的。視覺感知是人類大腦對外界感知的主要信息來源。隨著計算機技術(shù)的發(fā)展，科研工作者不斷探索人類大腦和視覺系統(tǒng)的工作機理和數(shù)學模型，提出新的計算原理，模擬人類神經(jīng)處理方式的信息處理系統(tǒng)[13-15]。

神經(jīng)生理學和解剖學的研究表明，視覺信息在大腦中按照一定的通路進行傳遞[16]。光線進入眼睛后，首先通過晶狀體，將成像結(jié)果由光信號轉(zhuǎn)換為電信號。然后，電信號通過視神經(jīng)，傳遞到外側(cè)膝狀體。最后，外側(cè)膝狀體匯聚得到電信號，并分別發(fā)送到負責處理不同信息的腦區(qū)，到達大腦的皮層細胞。如圖1所示。

圖1　視覺信息處理過程Fig.1　Visual information processing

從神經(jīng)處理信息的過程中可以看到，視覺信息處理過程是一個既有信息橫向流動又伴隨著縱向流動的復雜動力學過程。主要特點如下[16]：

(1) 視覺通路等級特性。視覺通路上各層次神經(jīng)細胞，由簡單到復雜，所處理的信息分別對應(yīng)于視網(wǎng)膜上的一個局部區(qū)域，層次越深，該區(qū)域就越大。

(2) 學習機制。大腦始終處在不斷的學習中。普遍接受的觀念認為，這種學習是一種無監(jiān)督、自組織的學習。正是這種不斷的學習能力使人類不斷進化。

(3) 特征檢測能力。視覺感受野內(nèi)的不同細胞會對信息中不同的特征產(chǎn)生強烈反應(yīng)，具有特征提取的能力。

(4) 稀疏響應(yīng)特性[17]。生物視覺系統(tǒng)的發(fā)展和進化與其感知的外界環(huán)境密切相關(guān)。對于自然影像，大部分神經(jīng)元響應(yīng)很弱，只有很少的神經(jīng)元有強反應(yīng)，這種特性被稱為稀疏性。而神經(jīng)元響應(yīng)的概率分布，恰好與非高斯分布相似[17]，如圖2所示。

圖2　神經(jīng)元的稀疏反饋Fig.2　Neurons sparse feedback

3模擬視覺感受的MRF影像分割

3.1MRF影像分割模型

基于MRF模型的影像分割方法是一類考慮像素點之間關(guān)聯(lián)關(guān)系的統(tǒng)計學方法。其實質(zhì)是根據(jù)MRF隨機場從統(tǒng)計學的角度對影像建模，將影像中各個像素的光譜值視為具有一定概率分布的隨機變量。該方法具有如下優(yōu)點[18]，像素空間交互關(guān)系可以無縫地集成在影像的分割過程中；基于MRF模型的影像分割可以方便地使用各種不同的影像特征；標記分布可以通過極大化MRF模型的概率來獲得。

假設(shè)影像的隨機場為Y=y，Y表示特征場，y表示特征場一個現(xiàn)實；影像分割結(jié)果為X=x，X表示標記場，x是某一種分割結(jié)果。假設(shè)有k類分割結(jié)果，MRF模型的影像分割可以表示為

(1)

標記場局部概率為

(2)

式中，β是對應(yīng)的勢團參數(shù)。

一般情況下以高斯分布模擬特征場，其局部概率為

(3)

式中，μk和σk分別表示第k種類型像素的均值和標準差。

3.2模擬視覺感知的MRF影像分割模型

根據(jù)視覺工作機制的特點，以小波分解、非監(jiān)督分類、紋理特征識別和Laplace分布為工具，模擬視覺感知的工作原理，聯(lián)合MRF影像分割模型，形成一種新的分割算法。其核心內(nèi)容為：

(1) 等級特性的模擬。根據(jù)視覺通路的等級層次性，進入視網(wǎng)膜的影像被層層分解，形成了尺度由大到小、分辨率逐層降低的影像塔式結(jié)構(gòu)。本文采用多次二維哈爾小波對影像進行分解，每次分解后的影像尺寸為原始影像的一半，從而形成影像金字塔結(jié)構(gòu)，實現(xiàn)多尺度的影像處理流程。從而模擬視覺感知工作機制的等級特性，如圖3所示。具體影像金字塔層數(shù)與原始影像的分辨率有關(guān)，因為每次分解會使分辨率提升兩倍，一般分解層數(shù)能使最小影像的地面分辨率達到10m左右即可。

圖3　圖像金字塔結(jié)構(gòu)Fig.3　Pyramid image structure

(2) 學習機制的模擬。首先在最小尺度的影像上使用非監(jiān)督的聚類算法檢測確定初始標記場，保證學習機制的非監(jiān)督性。繼而在最小尺度的影像上建立MRF分割模型，完成分割任務(wù)。然后將低分辨率尺度的分割結(jié)果映射到更高分辨率尺度作為初始標記場，保證學習機制的學習性，在后續(xù)的每層影像上不斷進行新的運算，最終完成所有影像的分割任務(wù)。此過程模擬視覺感知的學習機制。

(3) 特征檢測能力。視覺神經(jīng)具有對自然圖像進行特征檢測的能力，本文將模擬視覺感知的特征檢測能力，并將檢測到的特征信息用于分割。即先對原始影像進行二維哈爾小波變換，得到水平、豎直和對角3個方向的高頻信息，進行疊加并二值化，得到完整的高頻特征信息，通過形態(tài)學開、閉處理，去除空洞，可以獲取符合視覺感受的建設(shè)群區(qū)域，如圖4所示。

圖4　小波分解的高頻分量進行建筑群分割Fig.4　Segmentation of building from the high frequency components of wavelet decomposition

(4) 稀疏響應(yīng)特性模擬。視覺感知神經(jīng)的高階稀疏響應(yīng)可以使用Laplace分布來進行模擬[15]。具體方法為，建立影像的MRF隨機場模型，通過Laplace分布來進行影像的特征場建模和分析，即可得到考慮神經(jīng)元稀疏響應(yīng)條件下的分割結(jié)果[17]。若x為隨機量，μ和σ分別為x分布的均值和標準差。高斯分布和Laplace分布的概率密度函數(shù)分別為

(4)

(5)

當μ=0并且σ=1時，高斯分布與Laplace分布的對比見圖5。

圖5　Laplace分布模擬超高斯分布Fig.5　Laplace distribution simulates super-gaussian distribution

3.3算法流程

模擬視覺感知的MRF影像分割算法的技術(shù)流程見圖6，依據(jù)流程之間的邏輯關(guān)系，主要有以下6個步驟。

步驟1：輸入影像，通過二維哈爾小波變換建立金字塔影像，如圖3所示。

步驟2：結(jié)合目視判讀，根據(jù)影像上大量分布的地物，確定分割的類別個數(shù)n，其中不包含有建筑群類地物。在影像金字塔中頂層(尺寸最小)的影像上，根據(jù)判斷的類別個數(shù)n進行非監(jiān)督聚類得到初始標記場。要注意的是，過多過細的分類個數(shù)無法在10m地面分辨率的頂層影像上獲得正確的初始標記場，從而引起誤分割。而缺少的分類個數(shù)會導致分割結(jié)果與目視判讀感覺有明顯的不一致。

步驟3：根據(jù)初始標記場建立基于Laplace分布的特征場，解算勢函數(shù)權(quán)重，利用最大后驗概率(maxaposterior,MAP)準則迭代完成底層的MRF影像分割。

步驟4：以小尺寸影像(較低的地面分辨率)的分割結(jié)果映射到較大尺寸影像(較高的地面分辨率)上作為初始標記場，依次逐層從頂向底重復步驟 3，解算每一層的分割結(jié)果，直到所有層全部計算完畢。

步驟5：針對原始影像二維小波分解的3個高頻分量信息，進行疊加二值化后，使用形態(tài)學處理，從而得到符合視覺感受的建筑群分割信息，如圖4所示。

步驟6：在底層(最大尺寸)影像的n類分割結(jié)果上，將步驟5得到的建筑群分割結(jié)果作為第n+1類地物，疊加在底層影像的分割結(jié)果上，獲取最終的分割結(jié)果。

圖6　基于人眼視覺的分割技術(shù)流程Fig.6　Segmentation flowchart based on the human visual system

4試驗與結(jié)果分析

4.1試驗設(shè)計與比較

為了驗證本文方法的正確性及有效性，使用常規(guī)的MRF模型分割算法進行比較，從而檢驗新算法的分割性能。主要選擇有：

(1) 迭代條件模式(iterativeconditionmodel,ICM)算法。該算法使用Potts模型建立標記場，通過高斯混合模型建立特征場，通過MAP準則進行影像分割，通過逐點標記完成單一影像的分割任務(wù)。

(2) 多分辨率尺度MRF(multi-resolutionMRF,MRMRF)算法。該算法使用小波變換建立塔式影像結(jié)構(gòu)，從底層開始進行單層的Markov影像分割，并以低分辨率尺度的分割結(jié)果映射到更高分辨率尺度作為初始標記場，依次逐層從頂向底完成整個分割過程。該算法與本文算法極為類似，但是沒有進行特征提取，并且依然使用高斯模型作為影像特征場模型。

由于ICM算法和MRMRF算法本身是根據(jù)影像的灰度分布進行影像分割的算法，其中沒有對于建筑群高頻特征的特殊處理環(huán)節(jié)，為了保證算法評價的科學性，本文選擇了沒有大量建筑的影像進行分割算法的比較和評價。

此外，為了驗證本文算法對建筑群的提取效果，本文另選了含有大量建筑的影像進行試驗，從而驗證本文算法的有效性。

4.2試驗數(shù)據(jù)與評價準則

試驗數(shù)據(jù)主要來自QuickBird衛(wèi)星和World-View-1衛(wèi)星的影像。試驗影像未經(jīng)任何處理，用于檢測各類分割算法對原始遙感影像的分割性能。

為了對分割結(jié)果進行評價，根據(jù)目視解譯的信息，對商業(yè)軟件ERDAS的監(jiān)督分類結(jié)果進行修改，從而建立真實的分割結(jié)果用于比較和評價本文算法的分割能力。

分割能力的具體評價，通常從分割結(jié)果的兩個方面來評價。一方面是定性的評價指標，要求分割結(jié)果在視覺感受上有較好的區(qū)域性，并能保持邊緣的特性。另一方面是定量的評價指標，本文將采用Kappa系數(shù)、平均分類精度(averageaccuracy,AA)、總體分類精度(overallaccuracy,OA)和卡方檢驗的方法進行分割結(jié)果的比較。其中Kappa系數(shù)表述了算法的分割結(jié)果與真實分割結(jié)果的一致性程度；平均分類精度描述了各類地物被正確分類的平均情況；總體分類精度則描述了被正確分類地物的總體情況；卡方檢驗則從統(tǒng)計學角度描述分割結(jié)果的分布與真實情況的一致性。

4.3無建筑區(qū)域的試驗結(jié)果與分析

無建筑區(qū)域的試驗1影像為河南省洛陽地區(qū)732像素×368像素大小QuickBird的1A級全色影像，地面分辨率為0.6m。地物類別主要為水體、道路及零散建筑、草地和樹木，如圖7所示。試驗中，ICM算法、MRFMRF算法和本文算法都采用了Potts模型作為標記場模型，其勢函數(shù)的取值均為5；分類數(shù)均為4；最大迭代次數(shù)均取30。圖7中，ICM算法、MRMRF算法和本文提出的算法分割結(jié)果分別為圖7(c)、(d)和(e)；而結(jié)合了目視修正的真實分割結(jié)果如圖7(f)所示。

圖7　試驗1分割結(jié)果Fig.7　The segmentation results of test 1

無建筑區(qū)域的試驗2影像為河南省登封地區(qū)1120像素×1120像素大小WorldView-1的1A級全色影像，地面分辨率為0.5m。地物類別主要為水體、道路、零散建筑、農(nóng)田和樹木，如圖8所示。試驗中，ICM算法、MRFMRF算法和本文算法都采用了Potts模型作為標記場模型，其勢函數(shù)的取值均為5；分類數(shù)均為4；最大迭代次數(shù)均取30。圖8中，ICM算法、MRMRF算法和本文提出的算法分割結(jié)果分別為圖8(c)、(d)和(e)；而結(jié)合了人眼目視修正的真實分割結(jié)果如圖8(f)所示。

為了能清晰對比各種算法的分割結(jié)果，對試驗1和試驗2分別選擇3個局部地區(qū)放大進行對比，主要包含水體、樹木、道路和農(nóng)田，如圖7(g)—(i)和圖8(g)—(i)所示。對比試驗1圖7的分割結(jié)果，本文算法擁有較強的紋理分析辨認能力和較好的邊界描述能力。在圖7(g)中，可以明顯看到本文算法對于水體的分割要明顯好于MRMRF算法，但卻不如ICM算法；而圖7(h)中，MRMRF算法對于樹木的分割一致性比本文算法好，ICM算法在這里出現(xiàn)了大量的誤分割；對于圖7(i)中的道路分割，本文算法和MRMRF算法的分割結(jié)果都要比ICM算法好。對比試驗2圖8的分割結(jié)果，可以發(fā)現(xiàn)本文算法有較強的陰影抵抗能力，但對于農(nóng)田有很多誤分割現(xiàn)象。在圖8(g)中，本文算法顯露出對于陰影最強的抵抗能力，ICM算法和MRMRF算法則受到陰影更大的影響；而在圖8(h)對于農(nóng)田的分割中，本文算法出現(xiàn)了最嚴重的誤分割現(xiàn)象；但是在圖8(i)中，ICM算法和MRMRF算法的誤分割現(xiàn)象都超越了本文的算法，另外，對于微小的道路，3種方法都無法辨識。

圖8　試驗2分割結(jié)果Fig.8　The segmentation results of test 2

為了更準確和客觀地評價3種分割結(jié)果，采用4.2節(jié)提出的Kappa系數(shù)、AA和OA來進行定量對比，試驗1和試驗2的分割結(jié)果如表1所示。

表1的統(tǒng)計結(jié)果顯示，在試驗1和試驗2中，本文算法的平均分類精度分別為94.22%和93.03%，分別大于ICM算法和MRMRF算法的結(jié)果，說明本文提出的算法可以更加準確地識別地面目標的類別。同時，本文算法的總體分類精度分別為94.66%和89.91%，也分別大于ICM算法和MRMRF算法的結(jié)果，說明本文提出的算法可以獲取更多正確的分割結(jié)果。在試驗1中，本文算法的Kappa系數(shù)高達0.9264，大于ICM算法和MRMRF算法的結(jié)果，說明本文算法在試驗1中更加接近真實分割結(jié)果；而在試驗2中，ICM算法的Kappa系數(shù)為0.8833，大于本文算法的0.8258，說明本文算法在試驗2的分割過程中受到多余紋理信息的影響，沒有表現(xiàn)出與真實結(jié)果的最佳一致性。

綜上所述，本文提出的新算法對于高分辨率遙感影像的分割任務(wù)有更加優(yōu)越的適應(yīng)性，這是由于應(yīng)用了多尺度的分割策略，同時建立了Laplace分布的特征場，使本文的算法同時體現(xiàn)出ICM算法和MRMRF算法各自的優(yōu)勢，加以統(tǒng)一，從而能夠獲得更好的分割結(jié)果。

4.4含建筑區(qū)域的試驗結(jié)果與分析

含大量建筑的試驗影像3為河南省洛陽地區(qū)1088像素×992像素大小QuickBird的1A級全色影像，地面分辨率為0.6m。地物類別主要為建設(shè)用地、道路和農(nóng)田，如圖9所示。試驗中，Potts標記場模型的勢函數(shù)為5；由于建設(shè)用地將根據(jù)其表現(xiàn)出的影像特征進行分割，所以初始分類數(shù)為2；最大迭代次數(shù)均取30。

含大量建筑的試驗4影像為河南省登封地區(qū)2176像素×1696像素大小WorldView-1的1A級全色影像，地面分辨率為0.5m。地物類別主要為建設(shè)用地、道路、樹木和農(nóng)田，如圖10所示。試驗中，Potts標記場模型的勢函數(shù)為5；由于建設(shè)用地將由其自身表現(xiàn)出的影像特征進行分割，所以初始分類數(shù)為3；最大迭代次數(shù)均取30。

從圖9和圖10中可以看出，本文算法可以在有大量建設(shè)用地的地區(qū)發(fā)揮出良好的分割能力，分割出的建設(shè)用地有著良好的區(qū)域一致性，并且克服了建筑物之間陰影的相互影響，但是，在克服陰影的同時，也忽略和抹去了建筑群中的道路信息。為了更加客觀和詳細地描述本文算法的分割能力，采用Kappa系數(shù)、AA、OA和卡方統(tǒng)計檢驗來進行分割結(jié)果的評價，其中，卡方檢驗的零假設(shè)為本文算法的分割結(jié)果與真實分割結(jié)果一致，顯著性水平α取0.05，試驗3和試驗4的分割結(jié)果如表2所示。

表1　試驗1和試驗2的分割測試結(jié)果

圖9　試驗3分割結(jié)果Fig.9　The segmentation results of test 3

圖10　試驗4分割結(jié)果Fig.10　The segmentation results of test 4

試驗3試驗4AA/(%)86.0581.58OA/(%)91.9791.93Kappa系數(shù)0.81150.8567卡方檢驗臨界值5.99157.8147本文算法的卡方統(tǒng)計值0.49070.3402

根據(jù)表2中的統(tǒng)計結(jié)果，在試驗3和試驗4中，對于1088像素×992像素和2176像素×1696像素大小的高分辨率影像，本文算法的分割結(jié)果平均精度達到了83%左右，總體分類精度超過了90%，而且Kappa系數(shù)也在0.83左右，說明本文算法得到的分割結(jié)果與真實分割結(jié)果的相差非常小。另外，表2中，試驗3和試驗4分割結(jié)果的卡方統(tǒng)計值分別為0.4907和0.3402，分別小于卡方檢驗的臨界值5.9915和7.8147，接受零假設(shè)，即本文算法的分割結(jié)果與真實分割結(jié)果具有一致性。因此，對于含大量建筑的高分辨率遙感影像，本文提出的算法有非常有效的分割能力。

5結(jié)論

根據(jù)視覺系統(tǒng)在識別自然圖像時表現(xiàn)出的一致性好、抗噪聲強和靈活性高的優(yōu)點，本文提出了一種模擬視覺感知的MRF模型遙感影像分割方法。該方法使用Laplace分布建立影像的馬爾可夫隨機場，從而使該算法對地物邊界和紋理信息有更好的識別分析能力，并加強了對陰影的抵抗力。另外，對建筑群進行獨立的提取與分割，實現(xiàn)了對建設(shè)用地的辨認，有效地克服了建筑間陰影的相互影響，具有良好的區(qū)域一致性。分割試驗結(jié)果表明，雖然本文算法在個別地區(qū)存在過分割現(xiàn)象，然而，本文算法集合了ICM算法和MRMRF算法各自的優(yōu)勢，對多種高分辨率遙感影像的適用性更好，同時，又具有較強的建筑分割能力，使該算法的整體分割效果最優(yōu)。從而證明了該方法對于高分辨率遙感影像有較理想的分割能力，分割結(jié)果表現(xiàn)出良好的正確有效性和區(qū)域一致性，符合人眼目視判讀的感覺。

參考文獻：

[1]XIAOPengfeng,FENGXuezhi,ZHAOShuhe,etal.SegmentationofHigh-resolutionRemotelySensedImageryBasedonPhaseCongruency[J].ActaGeodaeticaetCartographicaSinica, 2007, 36(2): 146-151.(肖鵬峰, 馮學智, 趙書河,等. 基于相位一致的高分辨率遙感圖像分割方法[J]. 測繪學報, 2007, 36(2): 146-151.)

[2]ZHAOYuqian,LIHuifen,WANGXiaofang.Multi-thresholdImageSegmentationBasedonSimulatedAnnealingAlgorithm[J].ApplicationResearchofComputers, 2010, 27(1): 380-382.(趙于前,李慧芬,王小芳. 基于模擬退火算法的多閾值圖像分割[J]. 計算機應(yīng)用研究, 2010, 27(1): 380-382.)

[3]LIGuoping,LUChanghou,LIJianmei.CharactersEdgeDetectionandSegmentationMethodBasedonCannyOperator[J].MachineTool&Hydraulics, 2007, 35(12): 42-44.(李國平, 路長厚, 李健美. 基于Canny算子字符邊緣檢測與分割方法研究[J]. 機床與液壓, 2007, 35(12): 42-44.)

[4]HUXuekun,SONGShuna,LIJinxia,etal.ImageSegmentationMethodBasedonHierarchicalClusteringLeastSquaresSupportVectorMachine[J].Computer&DigitalEngineering, 2010, 38(1): 143-146.(胡學坤, 宋淑娜, 李金霞, 等. 基于層次聚類LS-SVM的圖像分割方法[J]. 計算機與數(shù)字工程, 2010, 38(1): 143-146.)

[5]CHENWufan.WaveletAnalysisandItsApplicationinImageProcessing[M].Beijing:SciencePress, 2002.(陳武凡. 小波分析及其在圖像處理中的應(yīng)用[M]. 北京: 科學出版社, 2002.)

[6]ZHANGKun,WANGShitong.ImprovedOrder-invariantWatershedAlgorithmforImageSegmentation[J].JournalofComputerApplications, 2008, 28(4): 969-972.(張鯤, 王士同. 一種順序無關(guān)的改進分水嶺圖像分割算法[J]. 計算機應(yīng)用, 2008, 28(4): 969-972.)

[7]LIF,PENGJ.DoubleRandomFieldModelsforRemoteSensingImageSegmentation[J].PatternRecognitionLetters, 2004, 25(1): 129-139.

[8]MAOJ,JAINAK.TextureClassificationandSegmentationUsingMultiresolutionSimultaneousAutoregressiveModels[J].PatternRecognition, 1992, 25(2): 173-188.

[9]LIUG,WANGL,XIEW,etal.NewTextureSegmentationApproachBasedonMultiresolutonMRFswithVariableWeightingParametersinWaveletDomain[C]//InternationalSymposiumonMultispectralImageProcessingandPatternRecognition.[S.l.]:InternationalSocietyforOpticsandPhotonics, 2007.

[10]LIYunfeng,CAOYukun,ZHUQingshen.MultiresolutionSegmentationApproachforTreeImageBasedonHiddenMarkovTreeModel[J].ApplicationResearchofComputers, 2007, 24(8): 233-235.(李云峰, 曹渝昆, 朱慶生. 基于小波域隱馬模型的樹木類圖像分割算法[J]. 計算機應(yīng)用研究, 2007, 24(8): 233-235.)

[11]LIXuchao,ZHUShanan,ZHUShengli.ImageSegmentationBasedonWaveletDomainHierarchicalMarkovModel[J].JournalofImageandGraphics, 2007, 12(2): 308-314.(李旭超, 朱善安, 朱勝利. 基于小波域?qū)哟蜯arkov模型的圖像分割[J]. 中國圖象圖形學報, 2007, 12(2): 308-314.)

[12]KANXU,WENYANG,GANGLIU,etal.UnsupervisedSatelliteImageClassificationUsingMarkovFieldTopicModel[J].IEEEGeoscienceandRemoteSensingLetters, 2013, 10(3): 130-134.

[13]XUKe.OutlineofNeurobiology[M].Beijing:SciencePress, 2005.(徐科. 神經(jīng)生物學綱要[M]. 北京: 科學出版社, 2005.)

[14]MUNDERS,GAVRILADM.AnExperimentalStudyonPedestrianClassification[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2006, 28(11)：1863-1868.

[15]GHOSHK,SARKARS,BHAUMIKK.UnderstandingImageStructurefromaNewMulti-scaleRepresentationofHigherOrderDerivativeFilters[J].ImageVisionComputer, 2007, 25(8):1228-1238.

[16]LUOSiwei.InformationProcessingTheoryofVisualPerception[M].Beijing:PublishingHouseofElectronicsIndustry, 2006.(羅四維. 視覺感知系統(tǒng)信息處理理論[M]. 北京: 電子工業(yè)出版社, 2006.)

[17]FIELDDJ.RelationbetweentheStatisticsofNaturalImagesandtheResponsePropertiesofCorticalCells[J].JournaloftheOpticalSocietyofAmerican, 1987, 4(12):2379-2394.

[18]LIUGuoying,MAGuorui,WANGLeiguang,etal.ImageModelingandSegmentationBasedonMarkovRandomFieldwithWaveletTransformationinMatlab[M].Beijing:SciencePress, 2010.(劉國英, 馬國銳, 王雷光, 等. 基于Markov隨機場的小波域圖像建模及分割-Matlab環(huán)境[M]. 北京: 科學出版社, 2010.)

[19]YUPeng,ZHANGZhenlong,HOUZhiqun.TexturedImageSegmentationBasedonGaussMarkovRandomFieldMixtureModel[J].ActaGeodaeticaetCartographicaSinica, 2006, 35(3):224-228.(余鵬, 張震龍, 侯至群. 基于高斯馬爾可夫隨機場混合模型的紋理圖像分割[J]. 測繪學報, 2006, 35(3):224-228.)

[20]CHEN Z, WANG L G,CHEN R Y, et al. Image Segmentation Using Multiregion-Resolution MRF Model[J]. IEEE Geoscience and Remote Sensing Letters,2013, 10(4):816-820.

[21]ZHAO Bei, ZHONG Yanfei, ZHANG Liangpei. High Spatial Resolution Remote Sensing Image Segmentation Based on Multi-agent Theory[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1):108-115.(趙貝，鐘燕飛，張良培．高空間分辨率遙感影像的多智能體分割方法研究[J]. 測繪學報, 2013, 42(1):108-115.)

[22]WU Zhaocong, HU Zhongwen, ZHANG Qian, et al. On Combining Spectral Textural and Shape Features for Remote Sensing Image Segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1):44-50.(巫兆聰，胡忠文，張謙，等．結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J]. 測繪學報, 2013, 42(1):44-50.)

(責任編輯：陳品馨)

修回日期： 2014-06-18

First author： XU Miaozhong (1963—), male, professor, PhD supervisor, majors in photogrammetry and remote sensing.

E-mail： 422736042@qq.com

中圖分類號：P236

文獻標識碼：A

文章編號：1001-1595(2015)02-0198-08

基金項目：國家973計劃(012CB719900)

收稿日期：2013-12-03

第一作者簡介：許妙忠(1963—)，男，教授，博士生導師,主要研究工作為攝影測量與遙感。

Abstract：In consideration of the visual system’s tremendous ability to perceive and identify the information, a new image segmentation method is presented which simulates the mechanism of visual system for the high resolution remote sensing image segmentation with Markov random field model. Firstly, the characteristics of the visual system have been summarized as: hierarchy, learning ability, feature detection capability and sparse coding property. Secondly, the working mechanism of visual system is simulated by wavelet transform, unsupervised clustering algorithm, feature analysis and Laplace distribution. Then, the segmentation is achieved by the visual mechanism and the Markov random field. Different satellites remote sensing images are adopted as the experimental data, and the segmentation results demonstrate that the proposed method has good performance in high resolution remote sensing images.

Key words：visual system; remote sensing image; wavelet transform; Markov random field; image segmentation

引文格式：XUMiaozhong，CONGMing，WANLijuan，etal.AMethodologyofImageSegmentationforHighResolutionRemoteSensingImageBasedonVisualSystemandMarkovRandomField[J].ActaGeodaeticaetCartographicaSinica,2015,44(2):198-205.(許妙忠，叢銘，萬麗娟，等. 視覺感受與Markov隨機場相結(jié)合的高分辨率遙感影像分割法[J].測繪學報，2015,44(2)：198-205.)DOI:10.11947/j.AGCS.2015.20130453