一种基于统计学习理论的最小生成树图像分割准则

发布时间：2019-10-16 13:00

【摘要】：根据基于区域增长的面向对象图像分割的本质特点,将统计学习理论与最小生成树算法相结合,提出了一种基于统计学习理论的最小生成树图像分割准则。将该图像分割准则应用于多种遥感影像数据进行分割实验,其结果表明基于统计学习理论的最小生成树图像分割准则能通过简便的参数设置,即可以较好地实现不同尺度目标的图像分割,同时又能对纹理区域进行有效分割,能获得良好的区域边界和较好的抗噪声性能,并在海岸带大比例尺无人机正射影像的图像分割实践中得到了较好验证。
【图文】：

阈值,变化规律,边权,准则

则１，Ｉ′ｉ是ＭＳＴ的边权期望（均值），因此，要得到好的分割结果，应该设置Ｍ为期望的边权均值，对于判决准则２，Ｍ应该设置为希望得到的区域的最大边权。给定一个小的δ和损失上界Ｍ，合并阈值随着区域的增大而减校这意味着在合并过程中，区域面积较小时允许区域内部具有较大差异，而随着区域面积的增大，它所允许的区域内差异较小，保证了区域的一致性，这使得该准则具有较高的抗噪声能力，避免产生太小区域（过分割）。在准则１中，使用ＭＳＴ的边权均值来判断和预测图２Ｍ取不同值时阈值随面积的变化规律Ｆｉｇ．２ＲｅｌａｔｉｏｎｓｈｉｐＢｅｔｗｅｅｎｔｈｅＴｈｒｅｓｈｏｌｄａｎｄｔｈｅＡｒｅａｗｉｔｈＤｉｆｆｅｒｅｎｔＭ两个区域是否允许合并，削弱了大边权值的影响，因此，它允许区域内存在大的不均匀性。而准则２用最大边权来进行判断预测，因此，能较好地保持区域内部一致性和边界信息。从计算量考虑，使用准则１时，在合并算法实现过程中需要存储区域中每个边权值并且计算它们的和与均值，而在准则２的实现过程中，只需使用当前访问边，因此，对于准则１来说所需计算量和存储量都大于准则２。另外，在构造影像图模型的过程中，很容易得到最大边权值，即损失上界Ｍ，这样就可以根据其大小和允许内部差异大小给出一个推荐Ｍ值，从而实现不同尺度参数下的分割。综上所述，准则２在算法的准确度和效率上都优于准则１。３．２分割实验结果与分析本文以我国阳江海域无人机遥感影像数据（由ＤＭ１５０型号飞机于２０１４－１１－２８，在飞行高度为８００ｍ获取的０．１８ｍ分辨率影像生成的１∶２０００

部差异也更大，这是因为准则１采用了区域边权平均，，而准则２采用的是区域内最大边权值，更保证了区域内部的一致性。另一方面，两个准则都随着参数Ｍ值的增大，分割所得区域面积也在不断增大，因此，通过选择合适的参数Ｍ的值，将得到不同细节的分割区域。同时，由于算法相同，参数控制总的思想相同，因此，采用准则２同样可以得到准则１的分割结果。从图中可以发现，这两个准则都随着分割尺度参数的增大，区域内部的细节被忽略，具有保证分割结果整个区域完整性的特点，即避免产生过分割。图３采用准则１分割所得结果Ｆｉｇ．３ＳｅｇｍｅｎｔａｔｉｏｎＲｅｓｕｌｔｓｂｙｔｈｅＦｉｒｓｔＣｒｉｔｅｒｉｏｎ图４采用准则２分割所得结果Ｆｉｇ．４ＳｅｇｍｅｎｔａｔｉｏｎＲｅｓｕｌｔｓｂｙｔｈｅＳｅｃｏｎｄＣｒｉｔｅｒｉｏｎ通过实验可知，准则２能较好地得到区域边界，且不会出现重边等过细的不必要的分割边界。２）第二组实验将本文提出的准则２与Ｆｅｌｚｅｎｓｚｗａｌｂ等［７］提出的分割准则比较。图５（ａ）为采用准则２取Ｍ＝２０时得到的分割结果，图５（ｃ）为采用Ｆｅｌｚｅｎｓｚｗａｌｂ准则取ｋ＝２５５时所得分割结果。从图５中可以发现，采用Ｆｅｌｚｅｎｓｚｗａｌｂ准则得到的分割结果存在很多双边区域，如图５（ｂ）和５（ｄ）中黄色框内局部显示，这些双边小区域对于区域划分和目标识别来说过于琐碎，并且容易在整体内部出现小对象，如图中的围塘，采用Ｆｅｌｚｅｎｓｚｗａｌｂ准则会出现很多过分割，不利于整体分析；另外，从图中可以看出，本文方法也可以将轮船边界分割的较好，而
【作者单位】：国家海洋局南海规划与环境研究院;武汉大学遥感信息工程学院;
【基金】：海洋公益性行业科研专项(201305020-7) 深圳大学空间信息智能感知与服务深圳市重点实验室开放研究基金(201302) 国家海洋局南海分局海洋科学技术局长基金国家自然科学基金(41101410) 湖北省自然科学基金(2011CDB273)~~
【分类号】：TP391.41

【相似文献】