一种快速高分辨率遥感影像分割算法摘要：高分辨率遥感影像(如IKONOS影像)海量数据、复杂细节的特点决定了高分辨率遥感影像分割的技术难点，提出了基于同质性梯度特征、分水岭算法和最小代价合并的快速分割方法。首先对于原始图像进行同质梯度计算得到同质梯度图像；其次利用一种高效的分水岭变换获得初始分割图像；最后给出一种改进的区域合并算法来优化初始分割区域。应用于IKONOS影像的实验证明与其他的分割算法相比，采用所提出的分割方法能快速、准确地获得高分辨率遥感图像的分割结果。关键词：高分辨率;遥感影像;分割；区域合并；梯度；分水岭中图法分类号：TP391文献标识码：A：1001-3695(2006)10-0154-02FastSegmentationAlgorithmofHighResolutionRemoteSensingImageCHENZhong1，2,ZHAOZhong??ming??1，GONGPeng??2(1.InstituteofRemoteSensingApplications,ChineseAcademyofSciences,Bei激ng100101,China;2.StateKeyLaboratoryofRemoteSensingScience,ChineseAcademyofSciences,Bei激ng100101,China)Abstract:ThecharacterssuchaslargesizeandcomplexdetailsofhighresolutionremotesensingimagelikeIKONOSimagedeterminesthetechnologicaldifficultpointofsuchimagesegmentation.Inthisstudy,afastandaccuratesegmentationapproachwasproposedbasedonhomogeneitygradientcharacter,watershedtransformandmin??costregionmerging.First,ahomogeneitygradientimagewasproducedfrominitialimage.Then,anefficientwatershedtransformwasemployedtogaintheinitialsegments.Finally,animprovedregionmergingapproachwasproposedtomergetheinitialsegmentsandthefinalsegmentwasobtained.Experimentsshow,comparedwithothersegmentapproach,theproposedoneisabitfasterandabitmoreaccuratewhenappliedtotheIKONOSimage.Keywords:HighResolution;RemoteSensingImage;Segmentation;RegionMerging;Gradient;Watershed图像分割是一个重要和关键的图像分析技术，是图像分析的第一步。到目前为止，图像分割仍然是一个重要的图像分析研究方向［1］,尤其是在遥感图像处理领域，近年来得到了越来越多的重视。然而，人们对于遥感图像的分割算法如区域生长和分水岭算法大部分是针对SAR（SyntheticApertureRadar)图像［2,3］和中、低分辨率的遥感图像，如TM或者SPOT影像［4,5］，对于高分辨遥感影像分割的研究相对较少。随着遥感技术的发展，地球资源卫星所提供的遥感影像具有越来越高的空间分辨率，突破米级分辨率的遥感影像数据中，已能够清晰地分辨出地面的细节特征，从而在农业、森林、矿山开采、环境现状调查等社会各领域中具有广阔的应用市场。目前，针对高空间分辨率遥感影像的自动分析和理解的技术手段，尤其是分割技术还很不成熟，影像中大量的信息不能得到充分的应用。本文通过利用整合光谱和纹理特征的同质梯度特征，结合一种高效的分水岭算法和区域合并算法来实现高分辨率遥感图像的分割。1算法描述本分割算法总的描述如下：①利用图像的同质梯度特征生成同质梯度图（H?餐枷?)；②将分水岭变换作用于同质梯度图像形成初始分割；③给出一种改进的区域合并算法来获得最终的分割结果。1．1局域同质梯度的提取在高分辨率遥感影像中，既有纹理占优的图像区域（纹理区），也有亮度一致性程度较高的区域(均色区)，探求一种能同时适应上述两类区域的特征表达方法显得非常重要。良好的、兼顾上述两种区域的特征表达方法应当具有以下属性：①纹理区和均色区内部的特征值表现出一致性（如同高或同低）；②纹理区和均色区边缘的特征值也表现出一致性，但是边缘特征值与内部特征值之间存在明显的差异。文献［6］提出的局域同质性指标能较好地满足上述要求。事实上，更确切地说，上述局域同质性特征为梯度特征，分割的关键是找出局域范围内的极值点。通过计算图像中每个像素的H值就可以获得同质梯度图像（H?餐枷瘢?。定义（x,y）为像元在图像中的位置，I（x,y）为（x,y）处像元的特征值，则对于任意一个窗口（大小为2N+1）中的每一个像元相对于中心像元的矢量可表示为cp??i=(x??i-x??c,y??i-y?...