面向对象遥感图像分割：融合边缘信息的算法

"本文介绍了一种融合边缘信息的面向对象遥感图像分割方法，适用于处理高分辨率遥感图像。该方法结合了SUSAN边缘检测和倒四叉树区域分割技术，旨在充分利用图像的光谱和空间特征。首先，通过SUSAN算子在全色波段图像中提取边缘信息，接着在融合后的彩色图像上执行两阶段的分割过程。在第一阶段，采用倒四叉树结构融合成初始图像对象。在第二阶段，通过在区域异质性判断标准中引入边界强度特征，融合已提取的边缘信息进行分级区域合并，最终形成图像分割结果。文章通过实验验证了该方法的有效性，并与传统工具ENVIZoom和Definiens的分割结果进行了比较，表明该方法在遥感图像处理中具有可行性。" 在遥感图像处理领域，区域分割和边缘检测是两个核心任务。传统的区域分割方法可能无法准确捕捉到图像的边界信息，而边缘检测则可能过于关注局部细节，忽略大区域的连通性。因此，将两者结合起来的研究成为了一个重要的研究方向。本文提出的方法在区域分割的过程中考虑了边缘信息，以实现更精确的图像分析。 SUSAN（Smallest Uniting Circle）边缘检测算法是一种广泛应用的边缘检测技术，它通过寻找最小包围圆来确定边缘点，对噪声有较好的抑制能力。在本文的方法中，SUSAN被用来先提取图像的边缘特征，这些特征随后在区域分割阶段起关键作用。 倒四叉树是一种有效的数据结构，用于组织空间数据，尤其适合于图像分割。在本文的两阶段分割过程中，倒四叉树被用来构建初始图像对象，这有助于保持图像的拓扑结构和边界完整性。 在第二阶段的区域合并过程中，区域异质性是评估是否合并相邻区域的一个重要指标。通过增加边界强度特征，这种方法能够更好地保留边缘信息，确保分割出的图像对象既具有清晰的边界，又包含丰富的上下文信息。 实验部分，作者使用了来自三峡库区的QuickBird高分辨率遥感图像，与ENVIZoom和Definiens软件的分割结果进行了对比。这种对比和定量评价有助于验证新方法的有效性和实用性。 本文提出的方法通过融合边缘信息和面向对象的区域分割策略，提高了遥感图像处理的精度和效率，对于理解和分析高分辨率遥感图像具有重要的价值。这种方法的创新之处在于它成功地将边缘检测的结果融入到区域分割中，实现了更精确的对象识别和分割。