【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《基于Canny算子的高分辨率遥感影像分割技术研究》，欢迎阅读！
基于Canny算子的高分辨率遥感影像分割技术研究 【摘 要】目前，基于面向对象的影像分析方法已经广泛应用，这种方法基于对影像进行分割得到同质对象，所以，分割结果的好坏将会直接影响到后续分类的精度，所以，有必要对分割方法进行研究。本文提出了一种基于Canny算子的影像分割方法，并采用高分辨率的Quickbird影像进行实验，实验证明这种方法能有效提高影像分割的准确性。 【关键词】Canny算子；边缘检测；影像分割；面向对象 1 引言 如今，面向对象的思想已经被引入到高分辨率影像的分析技术中，这种方法是通过对影像进行分割生成同质的影像对象，然后再对对象进行分类从而能够达到提高分类精度的目的。在对影像进行分割时，一般采用多尺度分割技术，在不同尺度对象层上提取不同属性的类别信息，由此解决了同一分辨率的影像数据识别所有空间属性有所差异类型的问题。尽管有了多个尺度的分割结果，但是对于某一类地物的提取仍然是在同一个尺度层上，这就使得如何确定某类地物的最佳分割尺度成为一个热点问题。本文通过Canny算子实现了基于最优边缘检测的影像分割技术，并与其他软件的分割结果进行对比，实验证明，本文所提出的方法有效提高了地物分割结果的精度。 2 Canny边缘检测算法 2.1 Canny算法的原理 图像边缘检测必须满足两个条件：一能有效地抑制噪声；二是必须尽量精确确定边缘的位置。根据对信噪比与定位乘积进行测度，得到最优化逼近算子，这就是Canny边缘检测算子。类似于LOG边缘检测方法，也属于先平滑后求导数的方法。 2.2 Canny边缘检测算法的步骤 Step1：用高斯滤波器平滑图像。 图像高斯滤波的实现可以通过一个二维高斯核一次卷积实现： 上式为离散化的二维高斯函数，确定参数就可以得到二维核向量。 Step2：用一阶偏导的有限差分来计算梯度的幅值和方向。 本文实现的Canny算法中所采用的卷积算子比较简单，表达如下： 求出这几个矩阵后，就可以进行下一步的检测过程。 Step3：对梯度幅值进行非极大值抑制。 图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘（这仅仅是属于图像增强的过程）。在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0。 Fig1.Non-maxima suppression principle 根据图1 可知，要进行非极大值抑制，就首先要确定像素点C的灰度值在其8值邻域内是否为最大。图1中蓝色的线条方向为C点的梯度方向，这样就可以确定其局部的最大值肯定分布在这条线上，也即出了C点外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此，判断C点灰度与这两个点灰度大小即可判断C点是否为其邻域内的局部最大灰度点。如果经过判断，C点灰度值小于这两个点中的任一个，那就说明C点不是局部极大值，那么则可以排除C点为边缘。这就是非极大值抑制的工作原理。 Step4：用双阈值算法检测和连接边缘。 Canny算法中减少假边缘数量的方法是采用双阈值法。选择两个阈值（关于阈值的选取方法在扩展中进行讨论），根据高阈值得到一个边缘图像，这样一个图像含有很少的假边缘，但是由于阈值较高，产生的图像边缘可能不闭合，未解决这样一个问题采用了另外一个低阈值。 在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。 3 基于Canny算子的遥感影像分割方法 遥感影像分割的最终目的是得到同质的影像对象，而同质的影像对象又体现出聚类的特征，所以本文所述方法有如下两个步骤： 首先，通过Canny算子得到某类地物的最优边缘。 然后，对该类地物的灰度均值进行计算，如果相邻地物的灰度均值表现为一致，则将它们合并作为一个对象，再次计算该对象灰度均值，直至和相邻地物的灰度均值不一致为止；如果不一致，则该边缘即可作为分割的边界线。 流程图如图2所示： Fig2.Workflow 本文来源：https://www.dywdw.cn/6525d9e4d938376baf1ffc4ffe4733687e21fc3c.html
下载此文档
搜索文档
阅读：
文档下载
2022-10-28
