对象提取

对象提取（精选四篇）

对象提取 篇1

视频对象的分割时基于内容的视频索引、检索等应用所必须的,因此视频对象的分割技术的研究有很好的现实意义。一般来讲,视频对象分割可分为基于颜色、基于运动和基于深度的分割方法。本文利用光流场的全局运动模型来足以描述一般视频序列中的摄像机的运动,应用假设检验的方法作用在区域生长分割后的不等区域中,进一步的精确了分割的效果。本文提出的算法属于运动图像分割问题中的自动分割方法。

2. 基于光流场的视频对象提取

下图所示为基于光流场的视频对象提取的结构图。

首先运用高通滤液器对原始图像进行预处理操作,去除图像中的噪声和平滑图像。高通滤波可以捕捉图像的细节信息,图像的边沿或线条变得清晰,对于图像锐化和边缘增强有很重要的应用,因此预处理后的图像有利于区域生长的分割,减少分割后区域的个数,抑制过度分割。由于区域生长法直接作用于颜色空间,在分割过程中同时考虑了色彩分布以及其空域上的重新划分,因此它比较适合于彩色图像的分割,本文采用区域生长作为初始分割。

2.1 区域生长算法的初始分割

本文主要采用区域生长算法来做初始帧图像的分割,为了克服过分割问题,采用高通滤波作为分割前的预处理。

种子区域生长的基本思想是将具有相似性质的像素(或小区域)合并起来构成区域。具体的实现过程是先对每个待分割的区域找一个生长种子(像素或小区域)作为生长的起点,根据一定的生长和相似规则,将种子周围邻域中的与种子有相同或相似性质的像素(小区域)合并到种子所在的区域中。然后将这些新像素(小区域)作为新的种子重复进行上述的生长过程。直到满足生长终止条件或者再没有满足条件的像素(小区域)可被包括进来。

在实际应用区域生长法时主要需要解决以下问题:

(1)选择或确定一组能正确代表所需区域的种子像素;

(2)确定在生长过程中能将相邻像素包括进来的准则;

(3)制定让生长过程停止的条件或规则。其中种子的选取直接影响到区域生长法的最终结果。被选为种子的像素必须与其相邻的像素有高相似度,换言之,种子像素应该能代表期望分割结果的区域属性。

相对于RGB空间,HSI彩色空间更符合人眼对颜色的感觉和认知。所以本文采用HIS空间。定义一个相邻像素间颜色相似度的概念用于种子的选取,考虑3*3领域,计算像素与其相邻的8个像素xi之间的相对欧式距离,选取阈值判断颜色的相似度,并且种子点的选取和区域生长过程是同步进行的。

在区域生长的结果包括一些只包含几个像素的小区域,这些小区域对分割结果来说是不必要的,因此需要进行区域合并。

2.2 基于光流场的全局运动模型,

估计一个稠密的光流场,运用二维仿射变换可以得到:

根据上式计算出每点像素的水平和垂直方向上的速度分量:

重新参数化全局运动模型:

上式足以描述一般视频序列中的摄像机的运动,运用最小二乘法来求得运动模型的参数向量。然后计算出各像素处运动向量的预测值,将其与之间的欧式距离定义为全局运动的参与误差:

2.3 判断视频对象的运动区域

对于初始分割的任一区域Ri提出如下假设:假设H0表示区域Ri属于背景;假设H1表示区域Ri属于运动对象,即:

式中:μ1为区域Ri的全局运动残余误差的均值,一般取0.1~0.5.

利用μ1对区域Ri进行假设检验的过程如下:

(1)假设Ri的所有残余误差数据服从正态分布,即由于正态分布的方差未知,故采用t检验的方法来检验均值验统计量为:

(2)对上式所示的右边检验

当观察值t过分大时拒绝H0,拒绝域的形式为:

当H0为真时,t~t(n-1),所以按下式建立判决方程:

从而得出:,其中α为显著性水平一般取0.05,

拒绝域为:

如果t落在拒绝域中,则认为区域Ri属于运动对象,否则属于背景。

3. 实验结果

本文使用MPEG-4标准测试序列来测试所提出的视频对象提取算法,实验结果如下所示:

由实验结果显示,本文提出的基于区域分割和全局运动估计的视频对象分割算法是行之有效的。

参考文献

[1]Michael E.Lukacs,“Predictive coding of multi-viewpoint image sets”,in Proc.ofICASSP,1986:521-524.

[2]Michael G.Perkins,“Data compression of stereo pairs”,IEEE Trans.on Communications,vol.40,no.4,1992.4:684-696.

[3]I.Dinstein,et al.,“Compression of stereoscopic images and the evaluation of its effects on3D perception”,in SPIE Conf.Applications of Digital Image Processing II,Vol.1153,1989:522-530.68

[4]M.Ziegler and S.Panis,“An object-based stereoscopic coder”,in Intl.workshop on Stereoscopic and Three Dimensional Imaging,1995:40-45.

[5]S.Sethuraman,M.W.Siegel,and A.G.Jordan,“A multiresolution framework for stereoscopic image sequence compression”,in Proc.of ICIP,Vo l.2,1994:361-365.

对象提取 篇2

关键词：高分影像,面向对象,尺度,船舶,特征提取

1 引言

面向对象的基本原理是分类时不仅依靠地物的光谱特征, 而且根据目标地物的形状、纹理等几何特征和结构特征信息把具有相同特征的像元组成一个对象, 然后根据对象特征进行分类[1], 以减少在复杂类型地物中对目标地物进行提取时“同物异谱, 异物同谱”现象的影响。汪闽等[2]用直方阈值分割的方法对高分影像进行分割, 并在此基础上使用形状特征对船舶目标进行识别提取。许开宇等[3]提出了一种在红外图像上, 先对两帧图像进行差分处理, 分割后再用Canny算子对目标进行边缘检测, 以实现船舶目标提取的检测算法。张风丽等[4]基于小波变换和多分辨理论, 提出了一种改进的小波变换的空域和尺度相关的SAR图像船舶目标检测算法。目前国内在高分辨率遥感影像中面向对象的方法在船舶提取中的应用并不广泛。

2 原理

2.1 分割算法

分水岭变换是一种基于拓扑理论的数学形态学的分割方法, 其原理是将图像视为地学上的拓扑地形, 每一个像素点的灰度值代表该点的海拔高度, 每一个局部极小值及其影响区域为集水盆, 而集水盆的边界即为分水岭。该方法计算简单, 速度快, 但是过分割现象较为严重, 图像被分割得过于破碎, 分割结果不理想[5]。本文先使用Sobel算子对影像进行边缘检测, 再使用分水岭方法进行分割, 可更好地得到船舶信息边缘, 减弱分水岭算法过分割现象对图像分割的影响。

Sobel算子[6]包含两组3×3的矩阵, 主要用于边缘检测, 用Sobel算子进行卷积运算计算简单, 速度快, 对于地物边缘有很好的响应, 但其受纹理复杂的图像噪声的影响较大。本文选取的影像数据仅针对水域中船舶进行目标提取, 不受港口等地物影响, 图像纹理并不复杂, 故可不考虑该因素的影响。在对图像进行Sobel边缘检测后对图像进行分水岭变换分割。

Sobel算子卷积模版为:

以A代表原始图像, 则具体的计算如下:

2.2 合并算法

本文采用Full Lambda Schedule[7]算法将分割后影像合并, 该方法结合光谱和空间组合信息, 并在此基础上对相邻的分割区域进行迭代合并。进行合并时, 算法找到一对相邻的区域i和j, 使得合并代价ti, j小于一个被确定的阈值λ (即合并尺度) , 合并代价ti, j:

其中, Oi是图像中的区域i;|Oi|是区域的面积;ui是区域i灰度值的平均值;uj是区域j灰度值的平均值;||ui-uj||是区域i和区域j灰度值的平面直角坐标距离;length (坠 (Oi, Oj) ) 是区域i和j区域的共同边界长度。

3 实验

本文选取的影像数据为鄱阳湖入江通道处中巴卫星2.36米全色影像数据, 实验截取两种区域 (单体船只和并排船只) 的影像进行处理, 并分析讨论。实验前先对图像做一些简单的预处理, 选取要分析处理的实验区域, 使图像的显示效果更好, 然后对选取好的图像进行分割提取的后续步骤。

3.1 单体船只分割提取

单体船舶由于其不受其他船只影响, 且光谱特性与背景 (水体) 差别较大, 所以使用Sobel算法在选取分割尺度时可较为容易地提取出边缘, 将之与水体分隔开, 使提取更准确快捷。

根据先验知识以及多次实验分析, 船舶的分割尺度在65-95之间, 不同的船舶所适合的最优尺度不同, 合并尺度也不同。本文选取分割尺度73, 合并尺度95对本区域所有船舶进行分割处理, 减少在非最优尺度下所造成的分割影响。图像分割完成后, 对目标区域进行特征提取, 对单体船舶, 由于其纹理形状特征相对于水体差别较大, 而又不受其他船舶的影响, 在提取的过程中, 利用其灰度值建立规则, 取灰度值大于113, 提取效果十分明显。结果如图1。

3.2 并排船舶分割提取

对于多船只 (并排船舶) 的提取, 分割过程尤为重要。不同的船舶 (采砂船和渔船) 同时存在, 并且相邻, 其各自的光谱, 纹理特征会影响到周围的船舶, 故在进行尺度的选择时, 需考虑到不同船舶相互之间的影响, 选择一个适合区域内所有船舶的分割尺度。经过多次实验分析, 对不同的分割尺度与合并尺度进行纵向及横向对比, 最终确定并排的船只的分割尺度为75, 合并尺度85, 将相邻船舶间过分割与欠分割的影响降到最低。

并排船舶的提取, 需要针对不同的船舶之间的影响, 建立提取规则, 将它们之间的影响系数降到最低。针对船舶这一目标, 本文用灰度、纹理信息以及面积、多边形特征以及形状要素等属性特征来进行提取。利用建立好的提取规则对分割好的影像进行提取, 得到最终的提取结果, 如图2。

4结语

本文仅以面向对象的方法对CBERS-02B影像鄱阳湖地区的船只, 包括单只的船舶 (渔船) 以及并排停靠的采砂船和渔船进行提取。可以看出提取的效果还是比较理想的。从实验结果中可以看出, 单个船只提取的边缘与船只的边缘吻合度较高, 而并排船只提取的边界由于受相邻船只的影响, 边缘吻合与实际不完全一致。

本文在研究中发现, 面向对象的方法是一种处理高分影像很有效的方法[8], 提取目标为同一类别的对象, 而非像元, 选择目标地物的最优尺度分割, 针对地物属性特征建立规则, 可对目标快速提取。同时它也有其自身局限性, 过度依赖分割尺度的选择。并且在地物类型复杂区域 (如并排船舶) , 只能针对影像区域内所有船只来选择对不同目标分割影响较小的尺度, 这是单一尺度及分割算法的一个弊端, 希望在以后可以利用多尺度的分割方法进行改善, 得到更好的提取效果。

参考文献

[1]龚珍, 吴浩, 黎华.面向对象的遥感影像植被信息提取技术研究[J].安徽农业科学, 2012, 40 (30) :15077-15078.

[2]汪闽, 骆剑承, 明冬萍.高分辨率遥感影像上基于形状特征的船舶提取[J].武汉大学学报·信息科学版, 2005, 30 (8) .

[3]许开宇, 胡文骅, 陈仁.一种基于Canny算子的船舶目标检测算法[J].红外技术, 2006, 28 (6) .

[4]张风丽, 吴炳方, 张磊.基于小波分析的SAR图像船舶目标检测[J].计算机工程, 2007, 33 (6) .

[5]L Vincent, P Soille.Watersheds in digital space:An efficient algorithms based on immersion simulation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991, 13 (6) :583-598.

[6]李巍岳, 胡志斌, 朱教君, 等.利用边缘检测对高分辨率影像中建筑物的提取研究[J].遥感技术与应用, 2009, 04:502-506.

[7]Robinson, D.J., N.J.Redding, and D.J.Crisp.Implementation of a fast algorithm for segmenting SAR imagery, Scientific and Technical Report.Australia:Defense Science and Technology Organization, 01 January 2002.

对象提取 篇3

随着MPEG-4,MPEG-7等标准的提出,理解和提取语义视频对象成为一个视频压缩,检索等领域中非常重要的一个研究课题。尽管利用各种区域特征进行图片分割的研究已经取得了很大成效,但从众多视频资源中提取语义视频对象,建立具有健壮型的多层次的语义视频树还是一个亟待研究的课题。所以如何利用现有的视频分割提取及内容分析技术,建立合理有效的语义视频信息描述模型,实现从视频特征信息到低层、高层语义信息的映射,形成多层次语义视频对象提取算法成为一个很重要的研究方向。

现在存在的算法多为利用两帧视频间的帧间差异或者边缘检测等来提取视频对象,但这类方法对于运动背景下做的视频对象提取还存在比较多的误差和问题。除了运动信息,本文还将从图像的颜色纹理等信息入手,描述一个基于内容的视频流多层次对象树的算法。首先检测视频流的镜头边界。其次提取关键帧,并在帧内区域中利用高斯-马尔可夫模型对其进行颜色和纹理的混合特征图像分割,形成视频子对象序列,即视频内容树的一级结点。然后利用Normalize-cut准则,对每个视频进行追踪,对其运动信息进行分析,最后得到复合结点,即具有语义的视频对象。

1 视频流多层次对象树

视频流的对象宏观来看,可能是一座房子,一个人,一个足球,或者一段字幕,但从图像角度分析,每个视频对象都由一个或者多个子对象组成。而这些子对象会有不同的区域特征,如颜色,纹理,形状,运动矢量等等。如房子是由屋顶,窗户,门等具有特征的子对象组成。在视频检索等领域中,除了利用镜头等信息,也可以利用视频对象的特征信息,真正从智能语义的角度更好地来建立视频流的检索树。

语义视频信息层次化描述模型结合了基于镜头的模型和基于对象的模型,包含镜头(Shot)、语义视频对象SVO(Semantic Video Object)、语义视频对象平面SVOP (Semantic Video Object Plane)、语义视频对象区域SVOR( Semantic Video Object Region)四层结构,如图1所示。

2(a)为一幅原始图像,2(b)为经过初步分割后得到的第一级结点图像,不同的特征区域分别为不同的视频的子对象SVOR,以数字1,2…,6对其进行标记。2(c)是经过区域聚合后得到的视频对象SVO。以数字1,2…,4分别对其进行重新标记。SVOR与SVO对应关系如2(d)所示。

除了用数字来进行简单的表示之外,可以采用邻接矩阵的方式表示各个视频子对象的相互关系。记视频子对象Δ={δij,1≤i,j≤M},M为特征区域的标记场总数。δij的定义如下所示:

$\delta {}_{ij}=\{\begin{array}{l}1SV{\rm O}R{}_i\text{与}SV{\rm O}R{}_j\text{相}\text{邻}\text{接}\\ 0\text{o}\text{t}\text{h}\text{e}\text{r}\end{array}(1)$

于是得到邻接矩阵如下所示

$\mathbf{\Delta }=\left[\begin{array}{cccccc}0& 1& 0& 0& 0& 0\\ 1& 0& 1& 1& 1& 1\\ 0& 1& 0& 1& 0& 0\\ 0& 1& 1& 0& 0& 0\\ 0& 1& 0& 0& 0& 1\\ 0& 1& 0& 0& 1& 0\end{array}\right](2)$

2 基于颜色、纹理和运动混合特征的视频对象分割与聚合

2.1 颜色空间的转换

将图像由RGB坐标系转换到YUV,Y表示颜色的亮度信息;U和V为色差信号。人眼对于亮度信号非常敏感,而对色差信号的敏感程度相对弱的多,也就是说,图像的主要信息包含在Y分量中。

$[YUV]=[RGB]\left[\begin{array}{ccc}0.299& -0.148& 0.615\\ 0.587& -0.289& -0.515\\ 0.114& 0.437& -0.100\end{array}\right]$

2.2 视频子对象的分割

2.2.1 多元加权GMRF模型的建立

马尔可夫随机场(MRF)是一维马尔可夫随机链在二维参数中的扩展。是利用已知的参数通过计算得出隐藏的未知参数。马尔可夫随机场是通过条件分布表示的,也就是用随机场的局部特征来表示。如果条件分布刚好满足高斯分布,就称这个马尔可夫随机场为高斯马尔可夫随机场(GMRF)。GMRF的表现能力比较强,既可以表现细纹理,也可以表征区域,能够生成很多的纹理,与自然纹理接近,而且GMRF的统计特征可以显示表述,容易进行参数估计。

假设图像是一个平稳的随机场,概率密度服从高斯分布,则GMRF的模型如下:

$x{}_s={\displaystyle \sum _{\text{Ω}}\beta }{}_{\gamma }x{}_{s+\gamma }+e(s)$

假设一帧nⅹn彩色图像,其中每个像素点有三个信息分量分别为Y,U,V。

S={si,M=n×n,i∈M}

假设存在标记场Λ={1,2,…,γ},则分割结果为R={ri,i∈S}。ri为一个1×γ的归一化向量,若γi被认为是属于帝φ个标记场,则ri=[0,0,…,1,0,…,0]。

该图像数据的似然函数定义如下:

$\log (L(\Lambda \text{■}S))=\log {\displaystyle \prod _{r\in R}[}p(S\text{■}R,\Lambda )p(R\text{■}{\Lambda }^{\prime })]$

根据最大后验概率(MAP)准则

$\widehat{\omega }=\arg \underset{\omega \in \Lambda }{{\displaystyle \max }}{\rm P}(\theta \text{■}\omega ){\rm P}(\omega )$

图像分割问题可为标记场的最大后验概率问题,得到公式如下:

$\widehat{r}=\arg \underset{r\in R}{{\displaystyle \max }}[p(S\text{■}R,\Lambda )+p(R$Λ)]

2.2.2 利用EM算法对高斯马尔可夫模型的参数进行求解

①E-STEP:求解似然函数的期望值。

$\begin{array}{l}Q(\Lambda \text{■}\widehat{\Lambda }{}^q)=E[(\log p(S\text{■}R,\Lambda )+\\ \log p(R\text{■}\Lambda ))\text{■}S,\Lambda {}^{(q)}]\\ ②\text{Μ}-\text{S}\text{Τ}\text{E}\text{Ρ}:\text{估}\text{计}\text{参}\text{数}\text{的}\text{迭}\text{代}\text{更}\text{新}。\end{array}$

选择

$\begin{array}{l}\widehat{\Lambda }{}^{(q+1)}=\arg \underset{\Lambda }{{\displaystyle \max }}Q(\Lambda \text{■}\widehat{\Lambda }{}^{(q)})\\ p(\phi \text{■}s{}_i,\Lambda )=\frac{c{}_{\phi }p(s{}_i\text{■}\phi )}{p(s{}_i\text{■}\Lambda )}=\\ \frac{c{}_{\phi }p(s{}_i\text{■}\phi )}{{\displaystyle \sum _{t=1}^{\gamma }c}{}_{t}p(s{}_i\text{■}t)}\end{array}$

迭代参数如下:

先验概率参数:

$c{}_{\phi }=\frac{1}{{\rm M}}{\displaystyle \sum _{i=1}^{{\rm M}}p}(\phi \text{■}s{}_i,\text{Λ}{}^{(q)})$

均值向量参数:

$\mu {}_{\phi }^{(q+1)}=\frac{{\displaystyle \sum _{i=1}^{{\rm M}}{\displaystyle \sum _{j=1}^{{\rm M}}\beta }}{}_{j}s{}_{i+j}p(\phi \text{■}s{}_i,\Lambda {}^{(q)})}{{\displaystyle \sum _{i=1}^{{\rm N}}p}(\phi \text{■}s{}_i,\Lambda {}^{(q)})}$

邻域参数:

$\beta {}_{\phi }^{(q+1)}=\frac{{\displaystyle \sum _{i=1}^{{\rm M}}\cdot }\mu {}_{\phi }^{(q+1)}s{}_{i}p(\phi \text{■}s{}_i,\Lambda {}^{(q)})}{{\displaystyle \sum _{i=1}^{{\rm M}}s}{}_{\phi }^{2}p(\phi \text{■}s{}_i,\Lambda {}^{(q)})}$

协方差矩阵参数:

$\begin{array}{l}{\displaystyle {\sum }_{\phi }^{(q+1)}=}\\ \frac{{\displaystyle \sum _{i=1}^{{\rm M}}p}(\phi \text{■}s{}_i,\Lambda {}^{(q)})({\displaystyle \sum _{j=1}^{{\rm M}}\beta }{}_j^{(q+1)}s{}_{i+j}-\mu {}_{\phi }^{(q+1)})({\displaystyle \sum _{j=1}^{{\rm M}}\beta }{}_j^{(q+1)}s{}_{i+j}-\mu {}_{\phi }^{(q+1)}){}^{{\rm T}}}{{\displaystyle \sum _{i=1}^{{\rm M}}p}(\phi \text{■}s{}_i,\Lambda {}^{(q)})}\end{array}$

根据以上公式,反复运用E-STEP和M-STEP进行迭代运算,直至达到预定迭代次数或参数变化率小于事先规定的阈值,即可得模型参数的最大似然估计值。

2.3 基于Normalize-cut准则的区域相似性判断

假设图G=(V,E)是由A,B2个不相交的子集合构成的。其中V表示图中的特征点的集合,E表示特征点之间的距离。则两个集合的相似程度可以用公式来表示:

Ncut$(A,B)=\frac{\text{c}\text{u}\text{t}(A,B)}{\text{a}\text{s}\text{s}\text{o}\text{c}(A,V)}+\frac{\text{c}\text{u}\text{t}(A,B)}{\text{a}\text{s}\text{s}\text{o}\text{c}(B,V)}$

其中,assoc(A,V)=∑u∈A,t∈Vω(u,t)即A到G所有节点的距离加权和。

定义Nassoc$(A,B)=\frac{\text{a}\text{s}\text{s}\text{o}\text{c}(A,A)}{\text{a}\text{s}\text{s}\text{o}\text{c}(A,V)}+\frac{\text{a}\text{s}\text{s}\text{o}\text{c}(B,B)}{\text{a}\text{s}\text{s}\text{o}\text{c}(B,V)}$

则推导出Ncut(A,B)=2-Nassoc(A,B)

将A,B两个区域的所有像素点分别看成一个集合,则Ncut(A,B)表示A,B两个区域的相似程度。ω(u,t)依赖于颜色和纹理的相似程度,分别用c(u,t)和t(u,t)来表示。

其中两个像素点的颜色距离用颜色的欧氏距离来表示。纹理距离用协方差的距离来表示。

则可以得出归一化的

$c(u,t)=\frac{-\parallel F(u)-F(t)\parallel {}_2^2}{\delta {}^2}$

其中:

$\delta {}^2=\frac{1}{2{\rm N}}{\displaystyle \sum _{i=1}^{{\rm N}}\parallel }F(i)-\overline{F}\parallel {}_2^2$

t(u,t)的计算方法同理。

综上得出两个区域之间的颜色纹理相似度的权值ω(u,t)为:

ω(u,t)=ec(u,t)et(u,t)

2.4 运动信息的分析

计算运动对象的运动信息是通过多个连续帧之间的帧差将运动对象的移动位置和形状变化信息计算出来。

在当前帧k中运动对象的特征块为Sk,质心为(xk,yk),最大半径为ρ,在后一帧k+1中以(xc,yc)为中心的一定范围内,搜索与当前帧k中的对象相匹配的块Sk+1。判断Sk+1就是第k帧的特征块Sk相匹配的块的方法采用Normalize-cut准则。即在后一帧k+1中,对其中心为(xk,yk),半径为ρ+ρ1的范围进行分块Θ=(1,2,…,θ)。分别将θ个块对Sk求Ncut值,当Ncut(Sk,θ)-1<e(e为事先定义的阈值),则标记当前块θ为Sk的匹配块。

匹配块之外如果出现未匹配的新区域,计算颜色纹理特征,标记为新的特征块。

将符合条件的匹配小块标记,组成一个集合,记为Sk+1。并计算其质心(xk+1,yk+1)。然后对每个子对象计算帧间偏移量,即根据找到的当前帧k中运动对象的特征块为Sk的质心(xk,yk)和下一帧k+1中匹配块Sk+1的质心(xk+1,yk+1)可以计算出两帧间的偏移量(mk+1,nk+1),也就是视频对象的帧间偏移量。

3 算法综述及实验分析

3.1 多层次视频对象分割算法

在mⅹm的图像块内,单一特征分布遵守高斯分布,而多个特征的混合分布则需要多元高斯模型来模拟。

(1)结合镜头信息,截取一段连续的视频帧。

(2)将首帧图像由RGB的颜色空间转换为YUV的颜色空间。

(3)设定初始化标记场个数,均值向量和协方差矩阵参数。反复用EM算法对图像进行训练,计算各个字块属于k个特征模型的概率,并计算迭代参数。重复执行直到收敛。得到一系列N个视频子对象{SVOR1,SVOR2,…,SVORN}。

(4)定义大背景区域,即$\frac{{\displaystyle \sum _{i=1}^{{\rm N}}\delta }{}_{ij}}{{\rm N}}$大于等于一个百分比(例如70%),具体百分比根据具体视频序列所需来定义。然后采用Normalize-cut准则进行对象的追踪,判断运动矢量,进行区域聚合。在后相隔t时间的多个帧间进行视频对象的追踪,若两个SVORi,SVORj为相邻的对象(即δij=1),且均不是大背景区域,且多帧之间的平均运动矢量小于误差范围时,将两个视频子对象合并为一,得出L个视频对象,表示为{SVO1,SVO2,…,SVOL}。

3.2 实验及结果分析

将本文提出的基于内容的多级视频对象分割在一段背景和前景的运动信息均较丰富的足球比赛的序列图像上进行了实验(400ⅹ296,RGB)。为了更好地表现对象分割的结果,将大背景用灰度图来表示,而每个对象用原来的色素填充还原为原图表示。经滤波后,实验结果如图3所示。

从图3可以看出,除了由于人物的衣服和皮肤等颜色和纹理信息非常复杂,且图像分辨率较小,所以与草地相接的区域判断有些误差之外,运动员,足球,背后看板都分离了出来,还是取得了良好的分割效果。

4 结束语

从实验看出,在背景和前景运动信息都比较丰富的情况下,本算法取得了良好的分割效果。证明了该算法是切实可行的。下一步要做的工作就是能从运动的背景信息入手,如果在处理前期能更好地处理和分离背景信息,会对算法的分割效果和运行时间有更好的帮助。

参考文献

[1]Robles-Kelly A,Hancock E R.An expectation-maximisation framework for segmentation and grouping[J].Image and Vision Computing,2002,20:725-738.

[2]Kato Z,Pong T C.A Markov randomfield image segmentation model for color texturedimages[J].Image and Vision Computing,2006,24:1103-1114.

[3]Di Zhong,Shih-Fu Chang.An Integrated Approachfor Content-Based Video Object Segmentation and Retrieval[J].IEEE Transactions on Circuits and Systems For Video Technology,1999,9(8):1259-1268.

[4]Shi J,Malik J.Normalized cut s and image segmentation[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2000,22(8):888-905.

[5]Guorong Xuan,Wei Zhang,Peiqi Chai.EMalgorithms of Gaussian mixture model and hidden Markov model[J].Department of Computer Science,2001:145-148.

对象提取 篇4

随着遥感技术更深层次的发展, 人们创造了影像信息自动提取方法, 主要包括监督分类和非监督分类两种。该分类方法是基于像元的分类方法, 而利用像元光谱信息分类具有一定的局限性, 最常见的为“椒盐”现象。

与传统的基于像元的分类技术相比, 基于面向对象的分类技术具有更高的分类精度。该方法是通过多尺度分割遥感影像, 得到同质对象, 然后分析不同类型湿地对象的特征, 例如光谱、形状、大小、纹理、结构、阴影等, 通过建立分类决策树来达到高精度分类的目的。本文将以面向对象的方法提取分类盘锦地区的湿地信息, 以期读取、统计该地区的土地覆盖类型。

1 研究区概况

双台河口国家自然保护区的经度为40°39′N~41°27′N, 纬度为121°23′E~122°29′E, 位于辽宁省盘锦市境内, 气候属于温带大陆性半湿润季风气候, 年平均气温为8.4~8.6℃, 年降水量为611.6 mm, 7—9月降水量占全年的2/1以上。该地区主要植被为芦苇、翅碱蓬等植被群落和人工种植的水稻。

2 数据及预处理

结合研究目的, 本研究选取Landsat8 OLI卫星影像为主要数据源, 空间分辨率为30 m。利用ENVI软件的Flash模块, 结合Landsat卫星的数据信息, 对研究区的影像进行大气校正处理、几何校正, 将误差控制在0.5个像元以内, 并用ERDAS软件的辐射矫正模块对该影像进行辐射矫正。

3 分类系统的建立

双台河口国际重要湿地的主要湿地类型为人工湿地和自然湿地。根据《湿地公约》和相关的文献, 结合野外实地调查数据, 建立遥感分类系统:滩涂、翅碱蓬、水域、芦苇、水田、旱地、建设用地。

4 分类方法与技术流程

基于Landsat8 OLI遥感影像, 利用面向对象的分类平台e Cogniton软件, 采用面向对象的分类方法提取双台河口国家自然保护区的湿地信息。通过多尺度分割遥感图像, 得到同质对象, 然后分析不同湿地对象的特征, 通过设置分类参数建立规则集, 自动获取湿地信息。

5 结果与分析

从野外210个采样点数据和从Google Earth高空分辨率影像上获取的183个土地覆盖类型的验证点中随机选取240个, 将其导入e Cognition软件中, 通过验证点对应的地物提取不同植被的类型参数信息, 重复该过程, 直到准确地区分出芦苇与其他地物的阈值。基于误差矩阵验证双台河地区湿地分析结果是分类精度验证的重要方法。利用剩余153个野外实测采样点建立误差矩阵, 计算出各种土地覆盖类型的分类精度。结果显示, 该保护区的芦苇信息分类的用户精度为87.23%, 生产者精度为89.13%.可见该误差矩阵对湿地信息提取具有较好的自动分类效果。该地区的湿地类型及空间格局如表1所示。

通过统计结果得出, 双台河口国家自然保护区2014年的湿地总面积为47 246.76 hm2, 占总研究区面积的35%。其中, 芦苇湿地面积为44 078.13 hm2, 翅碱蓬湿地面积为3 168.63 hm2, 水域面积为65 447.64 hm2, 水田面积为11 823.66 hm2, 滩涂面积为1 626.5 hm2, 建设用地面积为7 192.62 hm2, 旱地面积为1 825.83 hm2。芦苇湿地主要集中在双台河两侧, 主要原因是双台河能为其提供充足的水源。

摘要：选取位于辽宁省盘锦市的双台河口国家自然保护区作为研究区域, 以中等分辨率的Landsat8 OLI卫星影像为数据源, 利用面向对象的分类方法, 实现对芦苇湿地分布信息的快速提取, 并分析了该方法在芦苇湿地分布信息提取中的有效性。结果表明, 面向对象的分类方法在芦苇湿地信息提取中具有较高的分类型度, 芦苇湿地的生产者精度为89.13%.信息提取结果显示, 双台河口国家自然保护区以芦苇湿地为主, 其面积为44 078.13 hm2。

关键词：芦苇湿地,分布信息,遥感技术,分类系统

参考文献