摘 要

高分辨率遥感影像分割是图像处理的重要环节，目前有各种各样的遥感影像分割算法，但是每种算法都有其优缺点，比如LevelSet算法只能获取区域的轮廓而不能判断哪些是前景哪些是背景，DeepMatching算法只能获取图像的前背景特征点而不能得到区域，所以为了更好地对图像进行分割，本文构建了联合分割模型，此模型综合了两种算法的优缺点可以很好地进行区域识别。同时为了把人工的先验知识也用于分割，在模型中加入了CA算法来让用户选择前背景，并且为了对遥感影像分割结果进一步优化，还搭建了交互式遥感影像分割窗口，使用ABS算法与用户不断进行交互，最后编写了一个完整的图像处理软件，用来对图像进行区域化分割可以得到非常好的效果。

关键词：遥感影像分割 LevelSet DeepMatching CA ABS 区域化分割

Abstract

High resolution remote sensing image segmentation is an important part of image processing, there are a variety of image segmentation algorithm, but each algorithm has its advantages and disadvantages, such as LevelSet algorithm can only get the contours of the region and can not determine what is the prospects and which is the background,DeepMatching algorithm can only get the front feature points of the image and can not get the area. Therefore, in order to segment the image better, the joint segmentation model is constructed. This model combines the advantages and disadvantages of the two algorithms to carry on the region recognition well. At the same time artificial prior knowledge is also used for segmentation, which adding the CA algorithm in the model to allow users to choose the former background, and further optimize the image segmentation results, but also set up an interactive image segmentation window. The use of ABS algorithm and the user Continue to interact, and finally the preparation of a complete image processing software, is used to regionalize the image segmentation and get very good results.

Key Words：Image segmentation；LevelSet；DeepMatching；CA； ABS；

Regionalized segmentation

目 录

第1章 绪论 1

1.1 课题研究意义和研究背景 1

1.1.1 研究目的 1

1.1.2 研究背景 1

1.2 国内外研究现状 2

1.2.1 水平集方法研究现状 2

1.2.2 深度匹配方法研究现状 2

1.2.3 交互式分割算法研究现状 3

1.3 本文的主要研究内容 3

1.4 本文的组织结构 3

第2章 分割方法的理论与模型介绍 5

2.1 CA方法相关理论及模型 5

2.1.1 CA简介 5

2.1.2 CA 模型 6

2.2 水平集方法相关理论及模型 8

2.2.1水平集方法理论介绍 8

2.2.2水平集方法优缺点 10

2.3图像匹配相关理论及模型 11

2.3.1 ABS法 11

2.3.2 DeepMatching特征点匹配法 12

第3章 联合分割模型的构建 15

3.1 联合分割模型介绍 15

3.2本章小结 18

第4章 联合分割模型改进及评价 19

4.1 模型改进 19

4.1.1 添加人机交互 19

4.1.2 标签迭代演化 22

4.2模型评价 24

第5章 总结与展望 26

5.1 全文总结 26

5.2 课题展望 26

致 谢 30

第1章 绪论

1.1 课题研究意义和研究背景

1.1.1 研究目的

图像是对世界上客观存在的对象的一种形象性的、相似性的描述，随着科技的进步图像的分辨率越来越高，图像被越来越多的应用于生产生活之中。一幅图像中常常包含了丰富的信息，这些信息中有些信息是有用的，而有些信息是毫无意义的，进行遥感影像分割

的目的就是通过某种方法把遥感影像分割成若干个具有特定属性的区域，使得图像在区域间呈现明显的属性差异，而在同一个区域内有相似的属性，这些属性可以是颜色、纹理、形状、灰度等等，然后再提取出人们感兴趣的区域进行研究。遥感影像分割是图像处理非常重要的步骤，因为遥感影像分割的精度会直接影响到图像的使用，所以找到一种可以对图像准确分割的方法有着重要意义。

本文将在元胞自动机和深度匹配算法以及水平集算法的基础上，对这几种算法进行改进和结合，并提供良好的用户交互界面，把人工的先验知识与图像自动分割有机结合，最后在较小人工成本下准确的实现图像的区域分割。

1.1.2 研究背景

遥感影像分割技术被普遍的应用于物体识别，军事上的导航与制导、人工智能、气象预测等领域中。近年来遥感影像分割的方法不断涌现，但是在真正应用时又面临着许多问题，所以尽管人们付出了很多努力去研究它，已有的遥感影像分割方法还是会有分割结果不精确，以及分割算法普适性差通用性不高等问题。出现这些问题的原因主要在于:(1)图像中常常包含了很多丰富的细节信息，当用同一个方法对不同的图像进行分割时，很难得到准确的结果。(2)当用不同的分割方法对同一幅图像进行分割时，得到的结果也有可能会相差很大。

随着图像处理的应用领域越来越多，需要解决的问题也愈加复杂，遥感影像分割技术的发展也面临着更大的挑战。这也使得研究者需要不断地对原有的遥感影像分割算法进行拓展，融入新的理论和探索新的方法，提高遥感影像分割精度，满足人们的实际需求。

1.2 国内外研究现状

1.2.1 水平集方法研究现状

水平集方法在1988年被Osher和Sethian^[1]提出，当时主要用于解决火焰形变等流体力学问题，在上世纪90年代时，渐渐的被应用于遥感影像分割领域，它是一种求解主动轮廓模型，人们也把它叫做几何主动轮廓模型。相比于参数化主动轮廓模型，水平集方法有着求解时不需要参数化、自由拓扑变换等优点，因此，受到了众多研究者的关注。

2001年，Chan T和Vese L^[3]提出了一种新的遥感影像分割的模型——水平集区域分割模型，该模型利用了灰度距离能量的概念在一定程度上解决了边缘模糊清楚、不连续的问题，在这之后两人又提出了相位模型来解决多区域交汇的情况。2005年，Li等^[4-5]人提出了可以保持距离的梯度模型，在此模型中采用了内部能量的概念，这种模型对边界明显的图像有着很好的分割效果，但是当对象边缘不明显时，此方法会出现漏掉边缘的现象。

在国内研究方面，电子科技大学的曹宗杰等^[6]提出了一种基于统计模型的变分水平集分割方法，来解决SAR图像区域分割问题，这种方法避免了噪声预处理过程，而且可以改善感兴趣区域的分割精度。哈尔滨工业大学的朱国普博士和曾庆双教授^[8]提出了一种基于形状的CV 模型实现圆形目标的检测。

1.2.2 深度匹配方法研究现状

在图像匹配方面，大量的图像匹配方法也不断涌现出来，研究人员对图像匹配技术的研究也在火热进行中，图像匹配的精度和速度也不断在提升。Mikolajczyk^[9]等借鉴了SIFT的思想，提出了一种边缘描述子使得边缘匹配精度大大提高，这种方法有着很好的旋转不变性和尺度不变性，但是也会使得图像中局部形变比较明显。Jerome Revaud等^[11]提出了一种叫做DeepMatching的图像匹配算法，该方法依赖于多层体系结构，他的灵感来源于深度卷积方法，将原始图像不断降阶采样，得到一系列大小不一的图像，由大到小，从下到上构成的塔状模型，然后在每一层进行局部匹配计算设置一个可行的形变值，局部匹配再通过层次结构不断深入，逐步丢弃错误的匹配。该算法能有效的处理非刚性的变形和重复的纹理。

1.2.3 交互式分割算法研究现状

相比于图像自动分割方法，交互式分割方法在精度方面有着更大的优势。如果让计算机和人对同一幅图像进行分割，在不考虑时间成本的前提下，人的分割精度会远远大于计算机，所以现在交互式分割算法的研究也越来越热，因为它把人工的先验知识用于分割，使得分割结果更加的准确。

Adams和Bischof ^[12] 提出了种子区域生长算法，是一种简单且计算量很低的方法，用于图像的交互式分割，其中相关区域由具有相似颜色值的连接像素表征。它没有任何统计优化或概率学基础，虽然受到一定限制，但由于其实施的速度快而且简单所以受到欢迎。

Boykov和Jolly^[13]提出的交互式图形切割算法，制定了内部的交互式分割问题MAP-MRF框架^[14]，随后确定一个全局使用快速最小切割/最大流量算法的最优解。由于算法的速度，稳定性和强大的数学基础，它已经变得流行，已经有几种变种和扩展。“GrabCut”算法^[15]和“Lazy Snapping”算法^[16]是Microsoft开发两个变体。

简单的交互式对象提取算法^[9]，使用用户标记的像素来构建前景和背景区域的颜色模型。然后根据与该模型的距离将图像中的像素分类为前景和背景。该算法最近已经被整合到了流行的成像程序GIMP作为“前景选择工具”。

1.3 本文的主要研究内容

本文对CA、水平集、DeepMatching、交互式分割等用于遥感影像分割的方法进行了深入研究，比较了各自的优缺点，最后实现了这几种方法的有机结合，构建了新的联合模型，并利用C 语言编写了交互式遥感影像分割软件，实现了遥感图像区域化分割。主要研究内容如下：

1. CA分割方法理论及其模型
2. 快速水平集方法的理论及模型
3. DeepMatching算法的实现思路及模型
4. 模型结合以及交互式遥感影像分割软件的实现
5. 实验结果分析及模型优化

1.4 本文的组织结构

本文将以五个章节来讲解基于LevelSet和DeepMatching的交互式遥感影像分割算法研究。

第一章是绪论，阐述了进行此次研究的目的意义和背景，并且详细分析了LevelSet、DeepMatching以及交互式遥感影像分割方法的国内外研究现状，最后介绍了本文研究的内容、研究的目标以及总体的框架。

第二章概述了CA、LevelSet、DeepMatching分割方法的相关理论和模型，对模型的主要思想以及构建过程进行了深入分析，

第三章介绍了联合分割模型的构造思路，提出了模型用于图像处理的优势以及不足。

第四章针对联合分割模型存在的不足进行了改进，并且应用ABS算法让用户不断与遥感影像分割进行交互，最后对模型进行了评价。

总结与展望。本章对全文进行了总结，并且对今后的研究目标与内容提出了建议。

第2章 分割方法的理论与模型介绍

2.1 CA方法相关理论及模型

2.1.1 CA简介