面向对象的遥感影像最优分割尺度监督评价

引用本文

庄喜阳, 赵书河, 陈诚, 丛佃敏, 曲永超. 面向对象的遥感影像最优分割尺度监督评价[J]. 国土资源遥感, 2016,28(4): 49-58
ZHUANG Xiyang, ZHAO Shuhe, CHEN Cheng, CONG Dianmin, QU Yongchao. Supervised evaluation of optimal segmentation scale with object-oriented method in remote sensing image[J]. REMOTE SENSING FOR LAND & RESOURCES,2016,28(4): 49-58 复制到剪切板

Permissions

《国土资源遥感》编辑部

面向对象的遥感影像最优分割尺度监督评价

庄喜阳^1,², 赵书河^1,^2,³, 陈诚^1,⁴, 丛佃敏^1,², 曲永超^1,²

1.南京大学地理与海洋科学学院,南京 210023

2.江苏省地理信息技术重点实验室, 南京大学,南京 210023

3.江苏省地理信息资源开发与利用协同创新中心,南京 210023

4.南京水利科学研究院,南京 210029

赵书河(1971-),男,博士,副教授,主要从事陆表参数获取与反演、土壤覆盖与全球变化、农业灾害与粮食安全等方面的研究。Email:zhaosh@nju.edu.cn。

第一作者简介: 庄喜阳(1990-),男,硕士研究生,主要研究方向为遥感图像处理和定量遥感。Email:594299342@qq.com。

收稿日期: 2015-06-19

基金项目: 国家重点研发计划项目(编号: 2016YFB0502500)和中国科学院战略性先导科技专项“应对气候变化的碳收支认证及相关问题”(编号: XDA05050106)共同资助

摘要

面向对象的遥感影像分类质量和精度,不仅取决于分类算法的好坏,而且取决于遥感影像的分割质量。以定量方法确定最优分割尺度,排除主观因素干扰,已成为影像分割质量评价的重点。以往的分割质量评价方法往往忽视了对象识别在影像分割质量评价中的重要性,因此,在分析地表真实地物和影像分割对象之间空间关系的基础上,构造出一种基于面积和位置的影像分割最优尺度评价指数; 并对WorldView2多光谱影像进行分割实验,确定了不同地物的最优分割尺度。研究结果表明,该方法在影像分割结果评价和参数优化方面具有更大的优势,不仅可以评价遥感影像分割质量、进行分割尺度参数优化,而且在分割质量评价过程中减少了人为干预,提高了方法的客观性。

关键词: 面向对象; 最优分割尺度; 监督评价; 遥感影像

文献标志码:A 文章编号:1001-070X(2016)04-0049-10 doi: 10.6046/gtzyyg.2016.04.08

Supervised evaluation of optimal segmentation scale with object-oriented method in remote sensing image

ZHUANG Xiyang^1,², ZHAO Shuhe^1,^2,³, CHEN Cheng^1,⁴, CONG Dianmin^1,², QU Yongchao^1,²

1. Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210023, China

2. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing University, Nanjing 210023, China

3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

4. Nanjing Hydraulic Research Institute, Nanjing 210029, China

Abstract

The object-oriented classification quality of the remote sensing images depends not only on the classification algorithm but also on the goodness of the segmentation results. The quality of image segmentation determines the accuracy of subsequent classification of the remote sensing images. The quantitative method for determining the optimal segmentation scale and eliminating the interference of subjective factors becomes the focus of the image segmentation quality assessment. However, the importance of object recognition in image segmentation quality evaluation is often ignored in the previous segmentation quality evaluation method. After analyzing the complex spatial relations between the image objects and the actual image region, a new optimal segmentation scale evaluation index based on the area and position of the image object was proposed to evaluate the optimal segmentation scale. Based on the evaluation index, a WorldView2 multispectral image was used to be researched and the optimal segmentation parameters were determined. The results show that the segmentation scale evaluation index is effective in image segmentation quality assessment and parameter optimization. The experimental results have also shown the effectiveness of the method proposed in this paper for both segmentation quality assessment and optimal parameter selection. Also, the procedure of segmentation quality assessment can be conducted with less human intervention, making the result more objective.

Keyword: object-oriented; optimal segmentation scale; supervised evaluation; remote sensing image

Show Figures

0 引言

对于高分辨率遥感影像来说, 基于像元分析的方法往往难以综合考虑地物目标除光谱特征以外的其他信息(如影像的纹理特征、几何结构特征以及像元的地理语境特征等)。为解决此问题, 研究者提出了影像对象的概念, 将影像中具有同质性的区域分割出来作为影像对象, 并将影像对象作为后续处理的最小单元^[1]。影像分割是将影像划分成各具特性的区域并提取感兴趣目标的技术和过程^[2]。影像分割质量的好坏会显著影响影像分类的精度^[3]。因此, 对影像分割质量评价的目的是为了更好地指导、改进和提高影像分割算法的性能, 对其进行研究具有十分重要的意义^[4]。遥感影像分割是决定遥感影像分析与计算的关键因素之一, 只有在获得了较好分割结果的基础上, 信息提取与目标识别才能进一步展开, 并获得理想效果^[5]。

影像分割质量评价方法可分为监督和非监督2类方法。监督评价方法需要参考图, 将分割对象与地表真实地物进行对比, 用两者之间的差异来度量分割质量; 非监督的评价方法则不需要参考图, 用人为定义的一系列影像对象的特征去评价不同分割方案的好坏^[6]。非监督评价方法的可靠性往往取决于所提质量标准的合理性, 然而质量标准的确定常常带有很大的主观性, 而且要求有不同于分割算法的分割准则, 因此不能保证评价过程的客观性^[7]。与之相反, 在精确地确定地表真实地物范围和影像分割对象之后, 监督的分割质量评价方法能有效地克服主观性而达到客观、定量评价的目的^[8]。因此, 本文构建了一种基于面积和位置的监督分割质量评价指数, 旨在通过对分割方案的评价, 有效解决分割方案选择和对分割结果评价的问题, 以提高面向对象的遥感影像分类效果。

1 遥感影像分割质量评价方法

传统的基于面域的面向对象分割尺度评价方法, 忽视了对象识别在分割质量评价中的重要性。在实际的面向对象分割质量的评价过程中, 分割对象与地表真实地物之间的关系较为复杂。本文在对影像对象与地表真实地物空间关系进行分类的基础上, 分析了分割影像对象和参考对象在分割质量评价中的重要性, 提出了一种基于面积差异(border discrepancy index, BDI)和位置差异(position discrepancy index, PDI)的面向对象分割质量评价方法。

为了说明本文的分割质量评价指数的构建过程, 首先给出一些符号说明: 设R=[R₁, R₂, …, R_n ]^T为训练样本集, 每一个参考对象是一个矢量多边形, 代表影像中地物的实际范围; S=[S₁, S₂, …, S_n ]^T为一个分割方案对应的所有影像分割对象集, 理想情况下参考样本R能与S中相对应的影像分割对象完全重合; area(R_i∩ S_i)为矢量样本R_i和与之相交的影像分割对象S_i之间的重叠面积; $\begin{matrix} {\dot{S}}_{i} \end{matrix}$ ={S_i: area(R_i∩ S_i)≠ 0} 为与训练样本R_i相交的影像分割对象所组成的集合。

本文根据分割对象S_i与参考影像对象R_i之间的空间位置关系, 将S分为边界交叉对象(crossing border object, CBO), CBO={S_i: area(R_i∩ S_i)≠ 0, S_i 的中心点不在R_i的内部}和内部对象(inside border object, IBO), IBO={S_i: area(R_i∩ S_i )≠ 0 , S_i 的中心点在R_i 的内部}; 其中根据CBO与R_i的位置关系将对象进一步细分为过分割对象(over-segmented object, OSO)和欠分割对象(under-segmented object, USO), 即

OSO={S_i: area(R_i∩ S_i)/S_i> 50%且R_i 的中心点在S_i 内部, S_i∈ CBO} , (1)

USO={S_i: area(R_i∩ S_i)/S_i< 50%且R_i 的中心点在S_i 内部, S_i∈ CBO} 。(2)

根据上述2种空间位置关系, 提出了2种量测指标, 用过分割误差(over-segmented error, OSE)和欠分割误差(under-segmented error, USE)表示S与R之间的区域差异。OSE代表参考对象和过分割对象重叠面积与参考对象之间的差值占 $\begin{matrix} {\dot{S}}_{i} \end{matrix}$ 与R_i的比重; USE代表欠分割对象与参考对象之间重叠面积占 $\begin{matrix} {\dot{S}}_{i} \end{matrix}$ 与R_i的比重。另外, 在计算USE和OSE的过程中, 还进行了面积权重归一化, 即

USE_i= $\begin{matrix} \overset{m}{\sum_{j = 1}} \end{matrix} \begin{matrix} [\frac{area (R_{i} ⋂ S_{j})}{area (S_{j})} + \frac{area (R_{i} ⋂ S_{j})}{area (R_{i})}] \end{matrix}$ · $\begin{matrix} \frac{area (R_{i} ⋂ S_{j})}{2 area (R_{i})} \end{matrix}$ , S_j∈ USO , (3)

OSE_i= $\begin{matrix} \overset{n}{\sum_{k = 1}} \end{matrix} \begin{matrix} [\frac{area (R_{i}) - area (R_{i} ⋂ S_{k})}{area (R_{i})} + \frac{area (S_{k}) - area (R_{i} ⋂ S_{k})}{area (S_{k})}] \end{matrix}$ · $\begin{matrix} \frac{area (R_{i} ⋂ S_{k})}{2 area (R_{i})} \end{matrix}$ , S_k∈ OSO , (4)

BDI_i= $\begin{matrix} \sqrt[]{US E_{i}^{2} + OS E_{i}^{2}} \end{matrix}$ × 100% 。 (5)

式(3)―(5)中: USE_i和OSE_i为R_i的边界分割误差参数指数; m为与R_i相交的欠分割对象(USO)的个数; S_j为第j个与R_i相交的欠分割对象; n为与R_i相交的过分割对象(OSO)的个数; S_k为第k个与R_i相交的过分割影像对象。

USE和OSE的值越小, 说明S与R之间的区域差异越小, 分割质量越高。影像分割质量越高, USE和OSE的值越接近于0, 因此可以将USE和OSE放在二维空间中表示分割结果的好坏。本文用(USE, OSE)和最优分割结果对应的原点位置(0, 0)之间的距离来表示面积差异(如式(5)所示)。位置差异也可以反映分割质量的好坏, 分割对象的中心距离和与之对应的参考对象中心点越近, 说明分割质量越好。因此, 本文定义PDI指数来代表S与R之间位置差异, 即

PDI_i= $\begin{matrix} \overset{N}{\sum_{k = 1}} \end{matrix} \begin{matrix} \frac{area (k)}{area (R_{i})} \end{matrix} \begin{matrix} \sqrt[]{(x_{k} - x_{i})^{2} + (y_{k} - y_{i})^{2}} \end{matrix}$ + $\begin{matrix} \overset{M}{\sum_{l = 1}} \end{matrix} \begin{matrix} \frac{area (l)}{area (R_{i})} \end{matrix} \begin{matrix} \sqrt[]{(x_{l} - x_{i})^{2} + (y_{l} - y_{i})^{2}} \end{matrix}$ , (6)

式中: N为内部对象(IBO)多边形的个数; area(R_i )为R_i的面积; area(k)为与R_i相交第k个内部对象(IBO)与R_i的重叠面积; (x_k, y_k)为IBO中第k个对象的中心点; (x_i, y_i)为第i个参考多边形对象的中心点; M为与R_i相交的过分割对象(OSO)的个数; area(l)为与R_i相交第l个过分割对象(OBO)与R_i的重叠面积; (x_l, y_l)为OSO中第l个对象的中心点。

从式(6)可以看出, PDI指数计算了IBO和OSO与参考对象R_i之间的距离, 并分别对其进行了面积权重归一化。PDI_i越小, 说明分割结果越好。

BDI_i 和PDI_i可用于对单个地物类型进行影像分割质量评价。为了评价整景影像的分割结果, 本文构建了基于面积权重的综合评价指数USE_whole, OSE_whole, BDI_whole和PDI_whole进行分割质量评价, 即

USE_whole= $\begin{matrix} \frac{\overset{n}{\sum_{i = 1}} [US E_{i} \cdot area (R_{i})]}{\overset{n}{\sum_{i = 1}} area (R_{i})} \end{matrix}$ × 100% , (7)

OSE_whole= $\begin{matrix} \frac{\overset{n}{\sum_{i = 1}} [OS E_{i} \cdot area (R_{i})]}{\overset{n}{\sum_{i = 1}} area (R_{i})} \end{matrix}$ × 100% , (8)

BDI_whole= $\begin{matrix} \sqrt[]{US E_{whole}^{2} + OS E_{whole}^{2}} \end{matrix}$ × 100% , (9)

PDI_whole= $\begin{matrix} \frac{1}{n} \end{matrix} \begin{matrix} \overset{n}{\sum_{i = 1}} \end{matrix}$ PDI(i) 。 (10)

为了评价本文提出的遥感影像分割质量评价指数的效果, 本文将提出的评价指数与基于面积差异指数(area discrepancy index, ADI_a)和位置差异指数(position discrepancy index, PDI_a)^[3]、基于面积匹配指数(area fit index, AFI)^[9]和对象识别的“ 后代忠诚度” (offspring loyalty, OL)以及“ 干扰度” (interference, I)^[10] 的分割质量评价结果进行了对比分析。其中, ADI_a和PDI_a将参考对象与影像对象按照空间位置和面积比例将分割对象分为“ 优良(good)” 、“ 扩张(expanding)” 和“ 侵入(invading)” 3类^[11]。首先计算invading影像对象与参考影像对象的重叠面积与参考影像对象面积比值的平方, 以及expanding影像对象与参考影像不重叠面积与参考影像对象面积比值的平方, 然后相加得到ADI_a。通过计算expanding影像对象和good影像对象与参考影像对象距离的平均值得出PDI_a。当ADI_a介于所有ADI_a最小值与1.1倍最小值之间、且PDI_a最小时, 说明分割质量最优; AFI为参考影像对象面积减去与其相交面积最大的分割影像对象的面积同该参考影像对象面积的比值; OL为good对象数量占good和expanding影像对象数量总和的百分比; I为invading对象数量占所有对象数量的比值。分割质量越高, AFI越接近于0, OL和I越分别接近1和0。

2 实验与数据

2.1 实验流程

首先在不同参数组合下用分割算法对高分遥感影像进行分割, 然后用BDI和PDI对分割结果进行评价。当BDI和PDI的值均为最小时, 说明该分割结果是最优的。由于不同的遥感影像具有不同的光谱特征、地物类型和影像质量, 因此, 很难确定1个BDI域值作为参考标准并将其应用于遥感影像的分割质量评价; 同时, 基于边界面积差异的BDI指数在分割质量评价中的信息贡献量较大^[12], 可大大减少面向对象影像分类所造成的误差。

本文首先选择BDI值最小的分割结果作为较优分割结果, 然后再选择PDI值最小的分割结果作为最优分割结果; 这是因为在实际分割过程中存在BDI值相等的分割尺度参数, 因此仅用BDI值无法区分出最优的分割结果。

分割质量评价指数的计算流程如图1所示。

	Figure Option View Download New Window
	图1 BDI和PDI计算流程图Fig.1 Calculation procedure of BDI and PDI

2.2 数据源

实验数据采用融合后的WorldView2影像。该影像是具有8个波段的多光谱数据, 全色波段的空间分辨率为0.5 m, 影像大小为1 000像元× 1 000像元, 影像中包括了建筑物和植被2种典型地物。为了评价面向对象影像分割生成的影像对象与真实地物的接近程度, 本文随机选取了44个样本作为参考对象(图2), 其中黄色多边形所围区域代表不同地物的真实范围, 白色数字表示地物编码(ID)。

	Figure Option View Download New Window
	图2 WorldView2假彩色合成影像(波段组合为B7(R)B5(G)B3(B))Fig.2 WorldView-2 false color composite image

3 结果与分析

本文采用Definiens公司的 eCongnitionR○分割算法^[13]进行遥感影像分割实验。该算法使用尺度参数(scale)、形状指数(shape)和紧凑度(compactness)3个指标来调节分割结果, 这3个指标的不同组合会产生不同的分割结果。对1景影像来说, 存在1个使分割结果与地表真实地物范围最为接近的最优的分割参数组合。实验中选择不同的参数组合进行分割实验, 并采用本文提出的分割质量评价指数和其他的评价指数进行遥感影像分割质量评价。

3.1 单个地物的分割质量评价

为了分析分割质量评价指数在分割质量评价中的效率, 本文选择了分割尺度、形状指数和紧凑度为{10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, 120}· {0.1, 0.3, 0.5, 0.7, 0.9}· {0.1, 0.3, 0.5, 0.7, 0.9}的300种参数组合进行影像分割, 然后将BDI和PDI分别与基于面积匹配和对象识别的分割质量评价指数AFI, OL和I以及基于面积差异和位置差异的分割质量评价指数ADI_a和PDI_a进行对比分析。

图3示出当形状指数和紧凑度分别为0.1和0.5时, 建筑物11在12种不同分割尺度下得到的分割结果。

	Figure Option View Download New Window
	图3 当形状指数和紧凑度分别为0.1和0.5时建筑物11在12种分割尺度下的分割结果Fig.3 Segmentation results for building 11 at 12 scales when shape and compactness parameters are 0.1 and 0.5

从图3可以看出, 在分割尺度为80的情况下可以得到最优的分割结果。图4(a)和(b)分别给出了BDI与PDI和ADI_a与PDI_a指数对图3中12种分割尺度的变化折线图。

	Figure Option View Download New Window
	图4 4种指数对图3中12种分割结果的评价结果Fig.4 Assessment results for twelve segmentation results shown in Fig.3 using four indexes

然而从图4(b)可以看出, ADI_a和PDI_a的计算结果在分割尺度20到90之间并没有明显变化, 未能达到严格意义上的对最优分割结果的选择。

地物11在300种分割参数组合下, 7种分割质量评价指数的计算结果见表1。

表1 地物11在300种分割参数组合下7种分割质量评价指数的评价结果 Tab.1 Assessment results of segmentation results for building 11 from 300 parameter combinations using seven segmentation quality assessment indexes

从表1同样可以看出, 当形状指数和紧凑度分别为0.1和0.5时, AFI值在分割尺度70到90之间并没有变化, OL和I值在分割尺度60到90之间并没有变化。ADI_a, PDI_a, AFI, OL和I在分割质量的评价过程中, 只考虑了分割结果对地物实际参考范围的侵蚀和扩张, 而没有考虑到周围影像对象面积变化和内部对象面积变化对分割结果评价的影响。当expanding对象的面积向参考对象外部扩张时, 扩张对象面积的增大降低了参考地物与周围地物的独立性, 增加了面向对象影像分类的难度。虽然invading对象与地物实际参考范围重叠区域面积较小, 但外部侵入对象面积的变大同样增加了面向对象影像分类的难度, 而BDI指数将与地物实际范围相交的所有影像分割对象在分割质量评价中的作用都考虑在内; 当内部good分割对象的重心没有变化而面积向外扩张没有超出参考对象的边界时, 根据PDI_a的值无法对比出分割结果的好坏。而PDI指数计算了内部good对象的面积变化对重心变化的影响, 使结果更加准确。

3.2 整景影像的分割质量评价

为了说明整景影像的分割质量评价过程, 本文在参考影像对象中随机选择了4种典型地物对不同指数的评价效率进行说明, 分割结果如图5所示。

	Figure Option View Download New Window
	图5 不同尺度参数组合下的分割结果Fig.5 Segmentation results under different parameter combinations

表2列出图5中4种典型地物对应的分割质量评价指数的计算结果。

表2 4种典型地物不同分割质量评价指数的评价结果 Tab.2 Assessment results of different segmentation quality assessment indexes of four kinds of typical objects

表2中: a₁, b₁, c₁, d₁分别为用BDI与PDI选出的最优分割结果; a₂, b₂, c₂, d₂分别为用OL与I选出的最优分割结果; a₃, b₃, c₃, d₃分别为用AFI选出的最优分割结果。可以看出, 对同一景影像、同一个地物, 用不同分割质量评价方法可得到不同最优分割结果。用AFI找到与地物相交面积最大的分割影像对象代表其范围, 当空间相交面积较小时(图5(a₁)(d₁)(d₃)), 或者最大影像面积没有变化(图5(b₁)(b₃))时, AFI的值不能指出最优分割结果。在基于对象的分割指数评价方法(OL, I)中, 当OL接近1, I接近0时, 分割结果被评价为最优。然而在2种类型的多边形的数量没有发生变化、而面积变化时, OL和I不能指示最优分割结果(图5(a₁)(a₂)(b₂)(b₃)(d₁)(d₃))。当周围影像对象和内部对象面积变化时, ADI_a和PDI_a的值也不能指示最优分割结果(表2 (a₁)(a₂)(a₃)(d₂)(d₃))。用BDI和PDI同时计算地表地物实际参考范围与分割影像对象的面积和距离差异度来评价影像分割质量, 能较好地指示出最优分割结果(图5(a₁)(b₁)(c₁)(d₁))。

为进一步说明整景影像的分割质量评价过程, 本文选择步长为1、尺度参数为1―125、形状指数为{0.1, 0.3, 0.5, 0.7, 0.9}和紧凑度为{0.1, 0.3, 0.5, 0.7, 0.9}的3 125种参数组合, 对整景影像进行了分割质量评价, 得出了最优分割尺度参数组合。在此基础上, 分析了BDI和PDI指数随分割参数的变化, 得到了整景影像的在不同形状指数和紧凑度参数组合下的最优分割参数组合。

通过研究发现, 选择的参考地物不同, 用评价指数得到的评价结果也有一定的差异。总的来说, 参考对象选择越多, 总体评价结果越准确。为了说明参考对象的选择对整景影像分割质量的影响, 本文选择了影像中的所有影像参考对象参与分割质量评价, 对不同尺度参数组合下生成的分割结果进行总体评价。研究结果表明, 在形状指数、紧凑度和分割尺度分别为0.3, 0.5和40的情况下, 分割评价结果最优。

研究发现, 在形状指数为{0.1, 0.3, 0.5, 0.7, 0.9}和紧凑度为{0.1, 0.3, 0.5, 0.7, 0.9}的组合下, 随着形状指数和紧凑度的变化, 最优分割尺度值随着形状指数和和紧凑度的增加出现下降趋势(图6)。

	Figure Option View Download New Window
	图6 不同形状指数和紧凑度组合下最优分割质量评价指数值BDI和PDI变化趋势Fig.6 Changing trend of optimal segmentation quality evaluation index value of PDI and BDI under different combinations of shape and compactness parameters

这是因为分割算法随着形状异质性权重的增大, 在分割尺度参数较小的情况下, 就能达到较优的分割结果。图6同时也展示出不同参数组合下BDI, PDI指数值随形状指数和紧凑度参数变化的趋势。可以看出, 随着形状指数和紧凑度的变化, 最优分割尺度评价指数值在小幅度变化的情况下, 出现缓慢增长。为了说明不同参数组合下BDI和PDI指标值的变化情况, 本文给出了不同形状指数和紧凑度组合下的BDI和PDI指数变化图(图7), 在每一种参数组合下给出了尺度1―126的BDI和PDI值变化曲线图。

	Figure Option View Download New Window
	图7 不同形状指数和紧凑度组合下的BDI和PDI指数变化Fig.7 Variation of PDI and BDI indexes under different parameter

从图7可以看出, 随着分割尺度的增大, PDI值呈下降趋势, BDI曲线呈现不规则的正U型走势。每一条BDI曲线都有最低值, 由于基于面积的BDI指数对后续的面向对象影像分类影响很大, 故本文设计的指数充分考虑到这一点, 在设计该指数的过程中把面积影响充分考虑在内, 将BDI指数值差异化, 做到每一个参数组合下BDI都有最小值。然而在实际情况中, 由于可能发生分割方案中BDI指数值相等的情况, PDI指数值能考虑到参考影像对象内部分割对象的变化造成的重心移动, 从而对BDI做出补充, 以得到最优分割尺度参数。

从表1知, 建筑物11在形状指数0.1、紧凑度0.5、分割尺度80的情况下, 得到最优的分割结果。然而对整景影像进行评价时, 得到了形状指数0.3、紧凑度0.5、分割尺度40的情况下的最优分割参数组合, 这与单个地物的最优分割参数组合不一致。其实结果并不矛盾, 这是因为对整景影像进行分割质量评价时要考虑到影像内的所有参考影像对象, 而影像中的地物具有不同的光谱差异、形状和大小特征; 因此对影像中的单个地物来说, 这种参数组合往往不能得到最优分割结果。

4 结论

1)利用本文提出的基于面积和距离差异度的监督分割评价指数, 对WorldView2多光谱影像的分割结果进行了分割质量评价, 并与其他分割质量评价指数进行对比分析。结果表明, 本文提出的评价指数具有更好的效果, 该指数在分割质量评价过程中能很好地反映影像中真实地物的范围与分割生成的影像对象之间的差异, 能较好地指示遥感影像分割结果的好坏。

2)本文提出的方法既可应用于单个地物分割质量评价, 也可用于整景影像的分割质量评价。该方法在影像分割结果评价和参数优化方面具有更大的优势, 且在分割质量评价过程中可以减少人为干预、提高方法的客观性。

3)与其他分割质量评价方法相比, 本文方法比较客观地描述了影像分割对象与地物实际范围之间的空间关系, 使得到的分割结果可更好地服务于面向对象的影像分类。尽管研究没有对比不同分割算法的分割结果, 但是通过提供参考影像对象的实际范围, 该方法不仅可以评价影像的分割质量, 还可以用来分析不同分割算法分割结果的优劣。

4)本文研究的侧重点在于如何给出一个合理的评价指标来描述和评价影像分割后生成的影像对象。至于不同影像和算法对分割质量评价指标的影响, 本文未作讨论, 将在后续的工作中研究。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	龚健雅, 姚璜, 沈欣. 利用AdaBoost算法进行高分辨率影像的面向对象分类[J]. 武汉大学学报: 信息科学版, 2010, 35(12): 1440-1443, 1448. Gong J Y, Yao H, Shen X. Object-oriented classification of high spatial-resolution remote sensing imagery based on AdaBoost[J]. Geomatics and Information Science of Wuhan University, 2010, 35(12): 1440-1443, 1448. [本文引用:1]
[2]	Gonzalez R C, Woods R E, Eddins S L. Digital Image Processing[M]. 2nd ed. Beijing: Publishing House of Electronics Industry, 2013: 567-642. [本文引用:1]
[3]	Cheng J H, Bo Y C, Zhu Y X, et al. A novel method for assessing the segmentation quality of high-spatial resolution remote-sensing images[J]. International Journal of Remote Sensing, 2014, 35(10): 3816-3839. [本文引用:2]
[4]	明冬萍, 骆剑承, 周成虎, 等. 高分辨率遥感影像特征分割及算法评价分析[J]. 地球信息科学, 2006, 8(1): 103-109. Ming D P, Luo J C, Zhou C H, et al. Research on high resolution remote sensing image segmentation methods based on features and evaluation of algorithms[J]. Geo-Information Science, 2006, 8(1): 103-109. [本文引用:1]
[5]	陈春雷, 武刚. 面向对象的遥感影像最优分割尺度评价[J]. 遥感技术与应用, 2011, 26(1): 96-102. Chen C L, Wu G. Evaluation of optimal segmentation scale with object-oriented method in remote sensing[J]. Remote Sensing Technology and Application, 2011, 26(1): 96-102. [本文引用:1]
[6]	Zhang H, Fritts J E, Goldman S A. Image segmentation evaluation: A survey of unsupervised methods[J]. Computer Vision and Image Understand ing, 2008, 110(2): 260-280. [本文引用:1]
[7]	Carleer A P, Debeir O, Wolff E. Assessment of very high spatial resolution satellite image segmentations[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(11): 1285-1294. [本文引用:1]
[8]	Zhang Y J. A survey on evaluation methods for image segmentation[J]. Pattern Recognition, 1996, 29(8): 1335-1346. [本文引用:1]
[9]	Lucieer A, Stein A. Existential uncertainty of spatial objects segmented from satellite sensor imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11): 2518-2521. [本文引用:1]
[10]	Schöpfer E, Lang S. Object fate analysis: A virtual overlay method for the categorisation of object transition and object-based accuracy assessment[C]//Proceedings of the International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. Salzburg, Austria: ISPRS, 2006: C42. [本文引用:1]
[11]	Albrecht F, Lang S, Hölbling D. Spatial accuracy assessment of object boundaries for object-based image analysis[C]//Proceedings of the International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. Ghent, Belgium: ISPRS, 2010: C7. [本文引用:1]
[12]	纪小乐. 面向对象的遥感影像分类精度评价方法研究[D]. 北京: 北京师范大学, 2012. Ji X L. Research on the Method of Accuracy Assessment of the Object-Based Classification from Femotely Sensed Data[D]. Beijing: Beijing Normal University, 2012. [本文引用:1]
[13]	Benz U C, Hofmann P, Willhauck G, et al. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3/4): 239-258. [本文引用:1]

2010

0.0

龚健雅, 姚璜, 沈欣. 利用AdaBoost算法进行高分辨率影像的面向对象分类[J]. 武汉大学学报: 信息科学版, 2010, 35(12): 1440-1443, 1448.

Gong J

, Yao

, Shen

Object-oriented classification of high spatial-resolution remote sensing imagery based on AdaBoost[J]. Geomatics and Information Science of Wuhan University, 2010, 35(12): 1440-1443, 1448.

利用面向对象的遥感影像处理技术,通过影像分割构建影像对象,选取若干分割后的影像对象作为训练样本。利用提取出的训练样本并利用多种特征(光谱、纹理、空间),使用AdaBoost算法对影像对象进行分类。QuickBird影像分类实验证明了此方法的有效性。

... 为解决此问题,研究者提出了影像对象的概念,将影像中具有同质性的区域分割出来作为影像对象,并将影像对象作为后续处理的最小单元^[1] ...

2013

0.0

... 影像分割是将影像划分成各具特性的区域并提取感兴趣目标的技术和过程^[2] ...

2014

0.0

... 影像分割质量的好坏会显著影响影像分类的精度^[3] ...

... 为了评价本文提出的遥感影像分割质量评价指数的效果,本文将提出的评价指数与基于面积差异指数(area discrepancy index,ADI_a)和位置差异指数(position discrepancy index,PDI_a)^[3]、基于面积匹配指数(area fit index,AFI)^[9]和对象识别的#cod#x0201c ...

2006

0.0

明冬萍, 骆剑承, 周成虎, 等. 高分辨率遥感影像特征分割及算法评价分析[J]. 地球信息科学, 2006, 8(1): 103-109.

Ming D

, Luo J

, Zhou C

, et al. Research on high resolution remote sensing image segmentation methods based on features and evaluation of algorithms[J]. Geo-Information Science, 2006, 8(1): 103-109.

摘　要：图像分割一直是图像处理和计算机视觉领域中的一项关键技术。本文首先从遥感影像地学处理与应用的角度阐述了影像分割技术对于遥感信息提取和目标识别的重要性．然后提出了基于特征的高分辨率遥感影像信息提取技术框架．建立了一套基于特征的遥感影像分割方法及分类体系。同时，鉴于遥感影像分割方法评价的重要性，阐述了一种高分辨率遥感影像分割方法评价的思路．并对几种典型的基于特征的遥感影像分割方法进行定性和定量的试验和评价．对其各自的性能和适用面进行对比分析。最后．指出了遥感影像特征分割方法所存在的问题及其发展趋势。

... 因此,对影像分割质量评价的目的是为了更好地指导、改进和提高影像分割算法的性能,对其进行研究具有十分重要的意义^[4] ...

2011

0.0

陈春雷, 武刚. 面向对象的遥感影像最优分割尺度评价[J]. 遥感技术与应用, 2011, 26(1): 96-102.

Chen C

, Wu

Evaluation of optimal segmentation scale with object-oriented method in remote sensing[J]. Remote Sensing Technology and Application, 2011, 26(1): 96-102.

Image segmentation determines the accuracy of subsequent classification in remote sensing.In consideration of the research lacking of evaluation about segmentation technology and limitation of the mainly subjective method currently,quantitative method is used to select optimal segmentation scale in this paper.With object\|oriented segmentation algorithm of Definiens software,standard deviation of all pixels from an image object is used as the homogeneity measured criteria in object,absolute value of mean difference to neighbors is served as the variable of heterogeneity between objects,weighting coefficient of the object area is also considered.With the three evaluation criteria,thinking of multispectral images,the average segmentation evaluation index is constructed.Based on the evaluation index,with goodness test method,QucikBird multispectral image is used to be researched,and the optimal segmentation scales of different surface features are concluded.At last,the average object fit index is used to verify evaluation results,and the feasibility of the evaluation method is discussed.

遥感影像分割决定了后续分类的精度,鉴于目前分割技术评价的研究缺乏且局限于主观判断的现状,以定量方法确定最优分割尺度。利用Definiens平台面向对象的分割算法,将组成对象的像素灰度值的标准差作为衡量对象内同质性的标准,用与邻域的平均差分的绝对值作为对象间的异质性度量变量,同时考虑面积权重的影响；根据上述3个评价指标,在考虑多光谱影像的基础上,构造了平均分割评价指数；基于该评价指数,以优度实验法对QuickBird多光谱影像进行了研究,并确定了不同地物类型的最优分割尺度。最后,利用平均对象匹配指数对评价结果进行了验证,并对评价方法的可行性进行了探讨。

... 遥感影像分割是决定遥感影像分析与计算的关键因素之一,只有在获得了较好分割结果的基础上,信息提取与目标识别才能进一步展开,并获得理想效果^[5] ...

2008

0.0

... 非监督的评价方法则不需要参考图,用人为定义的一系列影像对象的特征去评价不同分割方案的好坏^[6] ...

2005

0.0

... 非监督评价方法的可靠性往往取决于所提质量标准的合理性,然而质量标准的确定常常带有很大的主观性,而且要求有不同于分割算法的分割准则,因此不能保证评价过程的客观性^[7] ...

1996

0.0

... 与之相反,在精确地确定地表真实地物范围和影像分割对象之后,监督的分割质量评价方法能有效地克服主观性而达到客观、定量评价的目的^[8] ...

2002

0.0

2006

0.0

... (interference,I)^[10] 的分割质量评价结果进行了对比分析 ...

2010

0.0

... 3类^[11] ...

2012

0.0

纪小乐. 面向对象的遥感影像分类精度评价方法研究[D]. 北京: 北京师范大学, 2012.

Ji X

Research on the Method of Accuracy Assessment of the Object-Based Classification from Femotely Sensed Data[D].

Beijing: Beijing Normal University, 2012.

随着高分辨率遥感影像的广泛应用，面向对象分类方法已经成为对高分辨率遥感影像进行分类的最重要方法。因而面向对象分类结果的精度评价方法的研究也成为面向对象分类领域重要的研究方向之一，但目前尚未发展出一套与面向对象分类结果相适应的精度评价方法。　　面向对象分类结果以对象为基本单元，分类对象具有属性精度的同时兼有几何精度，并且两种精度相互作用共同影响最终的分类精度。本文根据面向对象分类结果的特征，研究面向对象分类结果的精度评价方法，主要的研究工作体现在以下四个方面：　　(1)建立了遥感影像面向对象分类结果的评价指...

... 同时,基于边界面积差异的BDI指数在分割质量评价中的信息贡献量较大^[12],可大大减少面向对象影像分类所造成的误差 ...

2004

0.0

... 3 结果与分析本文采用Definiens公司的 eCongnitionR○分割算法^[13]进行遥感影像分割实验 ...