ScienceDirect上提供的内容列表

ISPRS摄影测量与遥感学报

期刊主页： www.elsevier.com/locate/isprsjprs

高空间分辨率遥感影像分层多尺度分割的对象特定优化

张学良， 肖鹏峰

， 冯学志

南京大学地理与海洋科学学院地理信息科学系， 江苏省南京市 210023 南海研究协同创新中心， 江苏省南京市， 江苏省210023 江苏省地理信息资源开发与应用协同创新中心， 江苏省南京市， 江苏省210023省

A R T I C L E

我 N F O

关键字：

图像分割

分割尺度 分层多尺度分割 区域合并 地理对象图像分析

A B S T R A C T

高空间分辨率遥感影像的精确分割仍然是基于地理对象的图像分析的一个挑战。该文提出了一种针对特定对象的分层多尺度分割优化方法，将多个分割融合为一个优化分割，并具体考虑每个对象。基于表示分层多尺度分割的段树模型，通过识别和融合源自叶节点的每个路径中的有意义的节点来实现特定于对象的优化框架。在优化框架中，根据路径中同质性的最大变化设计了用于识别有意义节点的优化度量。通过实验验证了所提出的优化方法具有通过特定对象优化方式提高分割精度的优势，以及自动产生优化分割的潜力，以便进行基于对象的连续分析。

1. 引言 高空间分辨率遥感（HR）影像为地理对象提供了详细的几何信息，其中地理对象呈现的异质性很大，为HR图像的地理信息自动提取带来了挑战。为了应对对象内异质性增加带来的挑战，基于地理对象的图像分析（GEOBIA）方法提供了一种有效的解决方案（Blaschke等人，2014;Chen等人，2018a，b），其中准确的图像分割作为关键先决条件，将图像划分为不相交的区域作为图像对象（Dey等人，2010;侯赛因和陈，2019 年）。从几何角度来看，GEOBIA 图像分割的好处在于提供地理对象的范围和边界信息，而无需涉及语义含义。

空间分辨率的提高带来的另一个挑战是不同地理对象之间的多样性增加。具体而言，即使属于同一土地覆被类别的地理对象在 HR 影像中也会呈现出各种形状和大小。通常，图像分割算法由分割过程中涉及的图像特征的全局阈值参数控制，通过该参数，单个分割无法将各种地理对象分成不同的区域。在这种情况下

多尺度分割策略仍然流行用于处理对象间异质性，其中粗尺度分割适用于分离相对较大的对象和小对象的精细分割（Benz et al.， 2004）。

区域合并方法广泛用于通过设置不同的阈值（也称为尺度参数）来产生多尺度分割（Benz et al.， 2004;Hay 等人，2005 年;Chen等人，2012）。特别是，分层多尺度分割要求嵌套不同尺度的段（Beaulieu和Goldberg，1989;Zhang等人，2013），这有利于结合多个分割尺度进行基于对象的分析（Johnson和Xie，2013;Wang等人，2017）。利用多尺度分割的剩余挑战是自动选择最佳分割尺度进行连续分析（马 et al.， 2017），为此广泛采用无监督分割评估方法（Zhang et al.， 2008;Chen等人，2018a，b）。

最初，为了选择单一的最佳分割量表，已经付出了很多努力。一方面，结合节段内同质性和节段间异质性的全球测量被广泛用于无监督评估（Espindola 等人，2006 年;Corcoran等人，2010;Johnson 和 Xie，2011 年;Ming 等人，2015 年;Wang et al.， 2019），其中将最佳分割尺度定义为具有最大化段内同质性和节段间的尺度

https://doi.org/10.1016/j.isprsjprs.2019.11.009 收稿日期：2019-07-15;2019年10月8日收到修订本;录用日期： 2019-11-12

通讯作者： 南京大学地理与海洋科学学院地理信息科学系

电子邮件地址：zxl@nju.edu.cn（X.Zhang）、xiaopf@nju.edu.cn（P.Xiao）、xzf@nju.edu.cn（X.Feng）。

ISPRS 摄影测量与遥感杂志 159 （2020） 308–321

在线获取 06 十二月 2019 0924-2716/ © 2019 国际摄影测量与遥感学会 （ISPRS）.由以下开发商制作：Elsevier B.V.保留所有权利。

异质性。另一方面，还探索了所有段的同质性变化，以进行无监督评估，通过该评估，最佳分割尺度被确定为同质性突然下降之前的尺度（Drǎguţ et al.， 2010）。然而，选择的最佳分割尺度仍然包含太粗或太细的分段，因为由全球尺度参数产生的单个分割很难分离各种地理对象（Johnson and Xie，2011）。

为了克服选择单一最佳分割尺度的局限性，开发了选择多个有意义的分割尺度的方法，假设有意义的分割尺度对于不同的地理对象应该不同（Drǎguţ et al.， 2010; 2014;Yang et al.， 2014），其中确定了几个有意义的分割尺度，涵盖从粗到细的分割尺度，用于连续分析。但是，由于评估度量仍基于分割中的所有分段进行计算，因此无法确定不同地理对象的最优分割比例。此外，它需要累加努力来选择或融合最佳分割尺度以进行连续分析。

近年来，确定局部自适应尺度参数的想法不是通过全局评估措施自动选择单个最佳分割尺度，而是具有很大的吸引力，旨在为不同区域或对象选择最佳分割尺度参数（Zhang and Du，2016）。确定局部尺度参数的自动方法主要有两种。一种是根据局部结构的异质性局部调整全局最优尺度参数（Yang et al.， 2017; 周 等人，2017 年;Dekavalla 和 Argialas，2018 年;Xiao 等人，2018 年;Su， 2019），可以称为局部结构特定的优化策略。另一种是首先将图像划分为不同的区域或景观，然后通过全局评估措施确定每个区域的最佳分割尺度（Kavzoglu et al.， 2017;Georganos et al.， 2018），可以称为特定区域或特定景观的优化策略。上述方法实现了设置不同的局部尺度参数，以产生更好的分割结果。总体而言，这些方法的分割性能仍然取决于所采用的全局评估措施的有效性。此外，尺度参数定位策略的理论基础值得进一步探索，以确保局部尺度参数对每个地理对象都是最优的。

本研究的目的是通过探索相邻分割尺度之间每个分段的同质性变化，确定每个地理对象的最佳分割尺度。为了实现这一想法，技术基础是通过线段树模型在相邻尺度上建立线段之间的包含关系（Guigues et al.， 2006;Salembier 和 Garrido，2000 年;Lu et al.， 2007;Li 等人，2016 年）。Akçay 和 Aksoy （2008） 提出了一种优化方法来识别特定对象的最优分割尺度，但其有效性仅针对形态学操作产生的有限数量的多尺度分割进行了验证。Felzenszwalb和Huttenlocher（2004）以及Navon等人（2005）也实现了自然图像的对象特定优化方法，但对于复杂度高于自然图像的HR图像，其有效性仍然未知。胡等人（2017）开发了一种简化分段树的方法，但没有确定每个对象的最佳分割比例。

该文提出一种基于区域合并方法的分层多尺度分割对象优化方法。它是通过识别和融合表示分层多尺度分段的段树中每个路径的有意义的节点来实现的

主要贡献包括：（1）开发了一个通用的特定于对象的优化框架，以为每个地理对象生成优化的分割;（2）建立了一种新的优化措施，即为每个地理对象选择最优分割尺度，并通过与现有的特定对象优化措施进行比较，通过实验证明了其有效性;（3）通过实验验证了所提出的特定对象优化方法具有提高分割精度的优势和自动选择每个目标最佳分割尺度的潜力。

本文的其余部分组织如下。第2节详细介绍了所提出的特定对象优化方法。实验数据、结果和讨论在第 3 节中介绍。结论最终在第4节中得出。

2. 方法论

2.1. 概述 图 1 给出了用于分层多尺度分割的对象特定优化框架的流程图。首先，基于HR图像的地域合并方法进行分层多尺度分割;在分割过程中，构建二叉分区树 （BPT） 模型来表示所有产生的区域以及相邻尺度上段之间的包含关系。设计并应用优化度量来识别源自叶节点的 BPT 每条路径中的最佳节点，其中最佳节点以不同的分割比例出现在不同地理对象的不同分割尺度上。之后，将识别出的最佳节点融合并输出为优化分割，并完全覆盖图像范围。构建 BPT、识别最优节点和融合最优节点的三个主要步骤如下。

2.2. 在分层多尺度分割过程中构建二叉分区树

BPT模型是在区域合并过程中通过记录从初始分割开始的整个合并序列来构建的，如图2所示。叶节点表示初始分割中的区域，根节点表示整个图像。通过从合并中创建一个表示新区域的父节点并将其链接到表示合并区域对的两个子节点来记录合并。因此，BPT的节点代表区域合并过程中产生的区域，链接表示不同分割尺度上区域之间的包含关系。路径（或称为祖先路径）是指从叶节点到根节点的一组节点和链接，例如图2（b）中的节点4、8、9和链接（4、8）、（8、9），表示通过迭代合并对初始段进行粗化的过程。

分层多尺度分割是通过面向局部的区域合并方法实现的（Zhang et al.， 2013）。具体来说，多尺度分割是通过应用一组相等增加的尺度参数 {S， S,..., S|S < S < ... < S} 来自明显过度分割的初始分段。细分

图 1.所提出的用于分层多尺度分割的特定对象优化框架的流程图。

X. Zhang， et al.

ISPRS 摄影测量与遥感杂志 159 （2020） 308–321

小号|S < S < ... < S} 来自初始分割，该分割显然是过度分割的尺度 Sis，通过在尺度 S 上执行区域合并迭代而产生，这会导致嵌套的多尺度分割。

需要注意的是，无论如何控制区域合并过程以产生多尺度分割，区域合并过程都是通过迭代合并两个相邻区域来完成的。因此，BPT模型可以用于任何区域合并方法，以记录分层多尺度分割。 采用多尺度分割方法（Zhang et al.， 2013）的原因包括：（1）它可以产生可以通过BPT记录的分层多尺度分割;（2）便于输出单尺度分割，以便与所提出的对象特定优化方法进行比较;（3）控制所提出的优化程序的最小和最大分割尺度是方便的，下面将详细说明。

2.3. 确定 BPT 每条路径中的最佳节点 在区域合并过程中，通过迭代合并其相邻段来扩展段。因此，一个段的同质性随着其扩展而趋于降低。在初始合并迭代时，合并后的两个区段属于同一地理对象，同质性呈现出逐渐下降的变化趋势。之后，如果将属于不同地理对象的两个区段合并，则同质性会突然降低，因为这两个区段彼此不同。因此，每条路径中的最佳节点是基于以下假设来确定的：最佳段的同质性将在下一次与属于不同对象的段合并时突然降低。具体而言，在源自叶节点的每条路径中，同质性降低最大的节点被确定为最优节点。段 i 的光谱标准差 （σ） 用于表示其均匀性，其中 σ 越大表示均匀性越低，反之亦然。它被计算为一个段的每个光谱波段的平均标准差。

哪里

是光谱波段 j 的段 i 的标准差，B 是图像中光谱波段的数量。同质性的变化

因此，从节点 i 到其父节点定义为光谱标准偏差的变化。

哪里

是节点 i 的父节点的谱标准差。一个

较大

表示段 i 的合并导致更大的同质性降低，并且路径中 i 最大的节点被标识为最佳节点。

为了说明同质性变化度量在识别每个路径中的最佳节点方面的有效性，图 3 中给出了三个示例，显示了从叶节点到根节点的路径中 i 和 i 的变化。一般

随着段段通过迭代合并而变粗，趋于增加，表明从叶到根节点的同质性有降低的趋势。需要注意的是，当合并不同地理对象后段非常粗糙时，

往往会随机变化。在这种情况下，我们考虑排除太粗糙而无法优化的节点。路径中最大的 i 能够识别图 3（a） 和 （b） 中路径的最佳尺度。但是，如果地理对象具有高度的内部异质性，如图 3（c） 所示，则在达到最佳比例之前，i 在初始合并迭代时可能非常大。在这种情况下，我们考虑排除明显过度分割以进行优化的节点。

根据上述分析，路径中的最优节点被识别为在[S，S]约束尺度范围内i最大的节点，其中Sand Sare由用户设置并适应不同的图像。优化措施描述为：

阿格马克斯

{区段

产生

规模

范围[

哪里。。。表示路径中的节点，并且...是路径中标识的最佳节点。小于 Sare 的明显过度分割尺度不参与优化程序，以避免具有高内异质性的地理对象带来的负面影响，而明显小于 Sare 的分割不足尺度不参与优化过程，以避免非常粗糙的分段的随机同质性变化带来的负面影响。尽管需要为优化措施设置两个参数 Sand Sneed，但用户应该不难判断明显的过度分割和分割不足。此外，在下一节的实验中，将通过分析不同 Sand Son 优化结果的影响来讨论如何设置这两个参数。

2.4. 融合多尺度分割以实现特定对象的优化 给定上述优化度量，本小节将介绍如何识别和融合每个路径中的优化节点以产生特定于对象的优化结果。

通过从叶节点到根节点的自下而上的跟踪策略，可以确定路径的最佳节点，如

图 2.在区域合并过程中构建二叉分区树：（a）通过合并两个相邻区域来生成每个新区域的区域合并过程，以及（b）通过记录区域合并过程构建的二叉分区树模型。

X. Zhang， et al.

ISPRS 摄影测量与遥感杂志 159 （2020） 308–321