于旭宅，王瑞瑞，陈伟杰

(1.北京林业大学精准林业北京市重点实验室,北京 100083；2.天津市静海公路工程有限公司，天津，301600)

图像分割广泛应用于军事、气象、遥感、医学等多个领域，是图像处理中的主要难点。图像分割就是把图像分割成若干特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程，它是图像处理到图像分析的关键过程。近年来，对地观测技术发展迅速，高空间分辨率遥感影像分辨率也不断提高，高分辨率遥感影像目标地物清晰、纹理和细节等信息明显突出。因此，利用高分辨率遥感影像对目标地物分割与识别称为图像处理的关键问题之一。虽然通过目视解译的方法可以对目标地物进行识别，但费时费力，并且解译结果的好坏取决于专业人员的技术水平。对比目视解译方法，运用计算机对数字图像进行自动处理，不仅效率高，而且节省了大量的时间，将有望代替人工目视解译[1]。

基于高分辨率遥感影像分割的相关研究及应用已有不少，谢凯等[2]以2010年湖北省襄樊市快鸟影像作为数据源，采用改进灰度迭代阈值分割方法进行实验，并与最大类间方差法进行比较，结果表明通过对初始全局阈值T0进行调整和对程序算法进行优化后的迭代阈值算法在分割结果及处理时间上都优于最大类间方差法。李珀任等[3]提出了一种融合了光谱和纹理特征的综合梯度的标记分水岭算法，并以北京某区空间分辨率为0.6 m的快鸟数据为数据源进行分割实验，实验表明该方法能够充分利用高分率遥感影像的特性信息，并能有效制止分水岭过分割现象。丁晓峰等[4]提出了一种基于最大类间方差的改进图像分割算法，与传统的方法相比，该方法计算量降低10倍以上，计算速度快，具有较高的效率和较好实用性。侯慧等[5]基于距离变换的改进分水岭算法对粘连白细胞图像分割效果较好，分割位置较准确。Ko等[6]采用主动轮廓模型对白细胞的轮廓进行收敛，但对初始轮廓的位置要求较高。Jiang等[7]使用分水岭风算法将图像分割成若干区域，然后再利用经验阈值进行合并。

本文选取经过正摄校正的安徽省池州市航拍遥感影像作为数据源，采用迭代式阈值法、最大类间方差法和分水岭分割算法三种方法进行树冠分割，以确定最优分割方法，为该地区林区树冠提取提供基础技术支持。

1 研究区概况

研究区位于安徽省池州市东北部，地理位置为117°48′—117°54′E， 30°40′—30°41′N，地跨池州市和青阳县，东西长约9 500 m，南北长约200 m，总面积约为190万m2。海拔在1.8～112.2 m之间，属于亚热带季风湿润气候区，夏热冬寒，春秋温和，雨量充沛，日照时间长，无霜期短，梅雨期40 d左右。年平均气温16 ℃；区内的主要树种有马尾松、栎树、杉木、毛竹和杂木。

2 研究方法

林冠大小是提取森林各种参数的重要依据[8]，通过提取树冠的直径和面积，可估测林分郁闭度、蓄积量和生长量等信息。因此，林冠提取对于研究森林的生长情况和动态变化具有重要意义[9]。本文分别对三种分割算法的理论和方法进行概述，并对迭代式阈值法、最大类间方差法和分水岭分割算法进行比较。

2.1 迭代式阈值法

迭代式阈值法[10]的基本思想是：首先选择一个阈值作为初始估计值，然后按阈值改进策略不断地改进这一估计值，直至满足设定的准则为止，在迭代的过程中关键在于选择什么样的改进策略显得很重要。好的改进策略应具备如下两个特征：一是快速收敛；二是每一次迭代后，新的阈值优于上一次的阈值。本文采用的迭代阈值方法步骤如下：

步骤1：选择整幅图像的灰度中值作为初始的阈值T0；

步骤2：利用初始阈值T0将图像分割为两个区域，分别为R1和R2，利用下式计算区域R1和R2的灰度均值μ1和μ2，

步骤4：重复步骤2和步骤3，直至Ti+1和Ti的差值小于某个值。

2.2 最大类间方差法

Ostu阈值法又称为最大类间方差法[11]，该方法是由日本人首次提出，是根据图像的一维直方图将目标和背景的类间方差最大作为阈值的选取准则。最大类间方差法算法简单，自适应能力强，运行速度快，在图像分割上具有广泛应用。

其基本思想为：设图像灰度级的取值范围为[0,L-1]，灰度值为i的的象素点数为Ni，图像总的像素点数为：N=N0+N1+N2+…+N(L-1)，灰度级为i的点出现的概率为：

取灰度值K为[0,L-1]中一个门限阈值，将图像分为背景类和目标类，分别用B和T表示，B由灰度值在[0,K]之间的像素组成，T由灰度值在[K+1，L-1]之间的像素组成。

由此可得到B和T两区域类间方差表达式为：

δ2=PB(uB-uK)2+PT(uT-uK)2

令K遍历[0,L-1]，计算K不同取值时δ2。当δ2取最大值时对应的K即为分割的最佳阈值。

2.3 分水岭分割算法

分水岭分割方法[12]，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。

分水岭算法的实现与图像本身的相关性不大而与图像的梯度有很大关系[13]。所以其算法过程一般是在梯度图像上进行。分水岭分割算法先提取图像的梯度图像，然后在梯度图像的基础上进行分水岭分割。为得到梯度图像，采用3×3模板的prewitt算子对图像进行梯度运算，prewitt算子检测两种方向分别为水平边缘和垂直边缘。如果直接在此梯度图像上进行分水岭分割算法得到的分割图像会因树冠内部的伪局部极小值造成图像的过分割，分割效果不理想，因此在进行分水岭分割前需要对梯度图像进行修正，首先采用扩展最小变换[14](E-minima)提取树冠顶点作为图像的内部标记，扩展最小变换首先确定一个高度阈值h，梯度值与h进行逐一比较，将梯度值大于h的值标记为1，梯度值小于h的值标记为0，最终得到一幅二值标记图像。在外部标记方面，本文采用距离变换进行外部标记，然后将内部标记和外部标记同时强加到梯度图像上来修正初始梯度图像。最后再使用分水岭分割方法进行冠层图像的分割。

3 结果与分析

3.1 实验结果对比

为了验证三种算法的分割效果，算法在Matlab中编程，实现对高分辨率航拍影像的分割。三种算法的分割结果如图1所示。为了更清晰的看出分割效果将三种算法的分割结果在ARCGIS中转成矢量结果并叠加大原始影像上，得到图2。

(a)迭代式阈值法

(b)最大类间方差法

(c)分水岭分割法

(a)迭代式阈值法

(b) 最大类间方差法

(c)分水岭分割法

3.2 实验结果分析

针对高分辨率航空影像的图像分割，本文分别基于迭代式阈值法分割、最大类间方差法分割及分水岭分割法对两幅不同目标地物的影像进行分割研究，同时采用图像处理的时间及单个树冠匹配率两方面作为评价指标。由于没有野外调查数据所以本文采用人工目视解译结果作为参考,其中目视解译结果如图3,目视解译树冠为133个,并选取4个特征区域进行对比分析，如图4。

其中，匹配为分割树冠和参考树冠重叠面积占其中一方的80%以上，如图5。

图3 目视解译结果

图5 匹配

图4 局部区域分布图

从表1可看出原始影像上单个树冠轮廓清晰明显，通过人工目视解译从裁剪出的局部区域1中可以看出由于树冠之间的重叠遮挡，迭代式阈值分割法和最大类间方差法并没有把单个树冠分割开，而分水岭分割法把这种的区域分割开，并得到较为准确的树冠轮廓线；从局部区域2和局部区域4中可以看出，迭代式阈值分割法和最大类间方差法造成单个树冠过分割，这是由于单个树冠内部纹理的复杂性和差异性；从局部区域3中可以看出，迭代式阈值分割法和最大类间方差法分割得到的树冠轮廓线凹凸弯曲较大，而分水岭分割得到的单个树冠的轮廓线较为平缓，几乎与真实树冠的轮廓相贴合。

表1 3种分割方法分割结果局部对比分割算法局部区域编号1234迭代式阈值分割最大类间方差法分割分水岭分割法

表2表明，从与目视解译匹配率上看，分水岭分割法的匹配率最高，其次是迭代式阈值法的匹配率高于最大类间方差法，原因是分水岭分割算法可以得到单像素的封闭的树冠边界如图2(c)，而迭代式阈值法和最大类间方差法由于树冠的重叠和内部纹理的差异导致很多树冠没有被分割开，如图2(a)和(b)，所以分水岭分割法的分割效果最好；从处理时间上看，迭代式阈值法>分水岭分割法>最大类间方差法，迭代式阈值分割的出来时间主要取决于迭代次数的多少，而最大类间方差法的处理时间是对图像进行多次遍历，分水岭分割法的处理时间主要取决于分割过程中对每个像素进行灰度排序及淹没过程。

表2 3种分割方法效率及精度对比分割算法与目视解译匹配率/%处理时间/s迭代式阈值法60.151.279最大类间方差法59.40.012分水岭分割法66.160.615

4 结论

全面分析了利用迭代式阈值法、最大类间方差法和分水岭分割算法提取高分辨率遥感影像上单木树冠的理论和方法，并对国内外研究状况和相关领域中已有的研究成果进行了分析和总结。本文采用这三种常见分割算法对研究区图像进行处理，并将结果与原图像进行叠加对比分析，对比得出分水岭分割算法在树冠之间有遮挡重叠时分割效果较好；在单个树冠内部纹理结构有差异时分割效果也较好。在图像处理时间和单个树冠匹配率两个方面进行精度评价中，分水岭分割法处理时间适中，单个树冠匹配率精度最高。

参考文献：

[1] 刘晓双.高空间分辨率遥感的单木树冠自动提取方法与应用[J].浙江林学院学报,2010,27(1):126-133.

[2]谢凯，王新生.基于灰度迭代阈值的高分辨率影像分割研究[J].湖北大学学报：自然科学版,2013,35(2):0252-0257.

[3]李珀任.一种基于标记分水岭的高分辨率遥感影像分割方法[J].地理与地理信息科学,2012,28(5):10-15.

[4]丁晓峰,何凯霖.基于最大类间方差的改进图像分割算法[J].计算机工程与设计,2015,36(10):2765-2768.

[5]侯慧，石跃祥.基于距离变化的改进分水岭算法在白细胞图像分割中的应用[J].计算机技术与自动化,2016,35(3):0081-0084.

[6]KO BC,GIM JW,NAM JY.Automatic while blood cell segmentation using stepwise merging rules and gradient vector fow snake[J].Micron,2011,42(7):695-705.

[7]JIANG K,LIAO QM,XIONG Y.A novel white blood cell segmentation scheme based on feature space clustering[J].Soft Computer,2006,10(1):12-19.

[8]Song Conghe, Band LE.MVP：a model to simulate the spatial patterns of photosynthetically active radiation under discrete forest canopies[J].Can J For Res,2004,34:1192-1203.

[9]覃先林,李增元,易浩若.高空间分辨率卫星遥感影像树冠信息提取方法研究[J].遥感技术与应用，2005,20(2):228-232.

[10] 黑光月.基于迭代式阈值的女书分割算法研究[J].软件导刊,2011,9(10):61-63.

[11]邓林华,许俊,程向明.基于迭代阈值的太阳像分割算法的应用研究[J].计算机与现代化,2010,10:72-74.

[12]李江波,彭彦昆,黄文倩,等.桃子表面缺陷分水岭分割方法研究[J].农业机械学报,2014,45(8):288-293.

[13]韦宇春.遥感数字图像处理教程[M].北京:科学出版社,2014.

[14]SOILLE P. Morphological Image Analysis: Principle and Applications[M].Berlin：Springer-Verlag,2003.