高光谱遥感图像分割算法研究文献综述

文献综述：

高光谱遥感是高光谱分辨率遥感的简称，始于成像光谱仪的研究计划，是一种在电磁波谱的紫外、可见光、近红外、中红外、和热红外波段范围内，获取感兴趣地物在很窄的电磁波段的辐射数据的方法，而且可以在人们需要的任何波段独立成像或连续成像。高光谱遥感影像这种可以提供连续光谱信息的能力，使地物光谱信息与空间信息有机结合起来，大大提高了人们观测地物，认知世界的能力。高光谱遥感图像分割是高光谱遥感图像处理、分析和理解的基础，对其进行研究有助于快速、准确地对高光谱遥感图像进行分类、识别、提取感兴趣目标。

高光谱遥感图像分割是从数据量的角度出发的，主要有两个方向：其一是充分利用高光谱遥感图像的巨大数据量，直接设计算法对其进行分割。另一种方向是为提高算法的效率对高光谱遥感图像进行预处理，如降噪、降维。对高光谱遥感数据进行降维降低噪声信息，保证图像的质量，进行数据降维减少冗余数据，提高高光谱遥感图像的分割效率，缩短分割时间。但数据降维后，所需要的分割数据可能被舍弃，会对图像的分割结果产生影响，可以结合图像的特点，选择合适的特征信息对高光谱遥感图像进行分割。

人们对图像分割算法研究的脚步从未停歇，期望能够探索找到较好的分割算法并得到较为满意的分割结果，以更好的服务于图像分析任务。下面对传统的分割图像方法和结合特定理论的图像分割方法做简单综述。

1. 传统图像分割方法

迄今为止，研究者们已经提出了千种各种类型的分割算法，Fu从细胞图像处理的角度将图像分割技术分为三大类：特阈值或聚类、边缘检测和区域提取。Haralick将其更细致的分类为六类：测度空间导向的空间聚类、单一连接区域生长策略、混合连接区域生长策略、中心连接区域生长策略、空间聚类策略和分裂合并策略。根据算法所使用的技术或针对的图像，Pal也把图像分割算法分成了六类：阈值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法。为了涵盖新方法，有的研究者将图像分割算法分为以下六类：并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特殊图像分割技术。而在较近的一篇综述中，更有学者将图像分割简单分割数据驱动的分割和模型驱动的分割两类。

我们将传统图像分割分为：基于阈值的分割技术、基于边缘的分割技术和基于区域的分割技术作简要分析。

• 1. 基于阈值的分割技术

这类方法简单实用，在过去的几十年间备受重视，其分类也不一而足。根据使用的图像的整体信息还是局部信息，可以分为上下文相关方法和上下文无关方法；根据对全图使用统一阈值还是对不同区域使用不同阈值，可以分为全局阈值方法和局部阈值方法；另外还可以分为单阈值方法和多阈值方法。

阈值分割的核心问题是如何选择合适的阈值。其中，最简单和常用的方法是从图像的灰度直方图除法，先得到各个灰度的概率分布密度，在依据某一准则选取一个或多个合适的阈值，以确定每个像素点的归属。

• 1. 基于边缘的分割技术

这类方法主要基于图像灰度的不连续性，它通过检测不同均匀区域之间的边界来实现对图像的分割，这与人的视觉过程很相似。根据执行方式的不同，这类方法通常又分为串行边缘检测技术和并行边缘检测技术。

串行边缘检测技术首先要检测出一个边缘起始点，然后根据某种相似性准则寻找与前一点同类的边缘点，这种确定后继相似点的方法称为跟踪。根据跟踪方法的不同，这类方法又分为轮廓跟踪、光栅跟踪和全向跟踪。串行边缘检测技术的优点在于可以得到连续的单像素边缘，但是它的效果严重依赖于初始边缘点，由不恰当的初始边缘点可能得到虚假边缘；较少的边缘点可能导致边缘漏检。

并行边缘检测技术通常借助空域微分算子，通过其模板与图像卷积完成，因而可以在各个像素上同时进行，从而大大降低了时间复杂度。但是这类方法有一个共同的缺点：不能得到连续的单像素边缘，而这对于分割来说是至关重要的。所以，通常在进行上述边缘检测之后，需要进行一些边缘修正工作。与串行边缘检测算法一样，边缘修正算法的代价也非常高。

• 1. 基于区域的分割技术

基于区域的分割技术有两种基本形式：区域生长和分裂合并。前者是从单个像素除法逐渐合并以形成所需的分割结果；后者是从整个图像出发，逐渐分裂或合并以形成所需要的分割结果。与阈值方法不同，这类方法不但考虑了像素的相似性，还考虑了空间上的邻接性，因此可以有消除孤立噪声的干扰，具有很强的鲁棒性。而且，无论是合并还是分裂，都能讲分割深入到像素级，因此可以保证较高的分割精度。

区域生长算法先对每一个要分割的区域找一个种子像素作为生长起点，然后将种子像素邻域内与种子像素有相似性的像素合并到种子像素集合。由此往复，直到再没有像素合并，一个区域就完成了。

分裂合并算法则是优先从整个图像开始不断的分裂得到各个区域，再将相邻的具有相似性的区域合并以得到分割结果。

1. 结合特定理论的图像分割方法

近年来，随着各学科中许多新理论和新方法的不断涌现，很多成功应用于其他领域的理论和方法都被引用到图像分割问题的研究中。很多学者把数学形态学、遗传算法、模糊理论、图论、偏微分方程、神经网络、聚类理论、马尔可夫随机场、分水岭、水平集、活动轮廓模型等等诸多理论应用到图像分割中，因而提出了不少特殊的算法。

• 1. 基于模糊理论的图像分割方法

模糊理论解决图像分割问题是，主要提取图像的主要特征并将其表示成相应的模糊概念形式，再经模糊技术的处理，得到图像的模糊分割，再反模糊化后得到图像的最终分割结果。

• 1. 基于分水岭的图像分割方法

分水岭算法是一种较新的基于区域的图像分割方法，其将求取的梯度图像视为高低起伏的地形图，水从盆地最低洼处渗入，随着水位不断长高有的洼地被联通，每个孤立的积水盆地对应一个分割区域，该方法有较好的鲁棒性，但是往往会形成过分割。

• 1. 基于图论的图像分割方法

该方法用于图像分割时，其本质是将图像分割问题转化为最优解求解问题。将像素点看作图的顶点，相邻像素有一条边，对于每一条边，根据目标函数寻求类内相似度尽可能大，类间相似度尽可能小的最优划分准则来分割图像。

参考文献

[1]N.Gorretta, G.Rabatel, C.Fiorio, C.Lelong, J.M.Roger. An iterative hyperspectral image segmentation method using a cross analysis of spectral and spatial information[J].Chemometrics and Intelligent Laboratory Systems, 2012,117:213-223.

[2]B.Cui, X.Ma, X.Xie, G.Ren, Y.Ma. Classification of visible and infrared hyperspectral images based on image segmentation and edge-preserving filtering[J].Infrared Physics amp; Technology, 2017,81:79-88.

[3]S.Piqueras, C.Krafft, C.Beleites, K.Egodage, F.von Eggeling, O.Guntinas-Lichius, J.Popp, R.Tauler, A.deJuan. Combining multiset resolution and segmentation for hyperspectral image analysis of biological tissues[J].Analytica Chinica Acta, 2015,881:24-36.

[4]G.Tochon, J.B.Feacute;ret, S.Valero, R.E.Martin, D.E.Knapp, P.Salembier, J.Chanussot, G.P.Asner. On the use of binary partition trees for the tree crown segmentation of tropical rainforest hyperspectral images[J].Remote Sensing of Environment, 2015,159:318-331.

[5]A.Plaza, JA.Benediktsson, JW.Boardman, J.Brazile, L.Bruzzone. Recent advances in techniques for hyperspectral image processing[J].Remote Sensing of Environment, 2009,113 (1):S110-S122

[6]J.Li, J.M.Bioucas-Dias, A.Plaza. Spectral-Spatial Hyperspectral Image Segmentation Using Subspace Multinomial Logistic Regression and Markov Random Fields[J].IEEE Transactions on Geoscience amp; Remote Sensing, 2012,50 (3) :809-823

[7]Y.Tarabalka, J.Chanussot, JA.Benediktsson. Segmentation and classification of hyperspectral images using watershed transformation[J].Pattern Recognition, 2010,43 (7) :2367-2379

[8]X.Jia, J.Richards. Segmented principal components transformation for efficient hyperspectral remote-sensing image display and classification[J].IEEE Transactions on Geoscience amp; Remote Sensing, 1999,37 (1) :538 - 542

[9]B.Ayerdi, I.Marqueacute;s, M Grantilde;a. Spatially regularized semisupervised Ensembles of Extreme Learning Machines for hyperspectral image segmentation[J].Neurocomputing, 2015,149 :373-386

[10]尹作霞.面向对象的高光谱遥感影像分类方法研究[J].遥感应用，2007,4：29-32

[11]杨诸胜.高光谱图像降维及分割研究[D].西安：西北工业大学, 2006

[12]舒速.基于分水岭分割的高光谱图像分类算法研究[D].南京：南京师范大学, 2015

[13]王凯.基于均值漂移和模糊积分融合的高光谱图像分割[J].光子学报，2010,39,（1）：188-192

[14]叶强.基于流形学习像素分布流的高光谱图像数据分割方法[D].西安：西安科技大学, 2010

[15]张文杰.基于区域活动轮廓模型的高光谱图像分割方法[J].遥感技术与应用2008,23,（3）：351-355

[16]王依萍.基于主动学习的高光谱图像分类方法研究[D].西安：西安电子科技大学, 2014