提取某一个镇的行政边界_9感兴趣目标及对象提取

获得高分辨率遥感图像上的目标对象：去除冗余数据、提高图像处理分析速度、排除无关干扰

阈值分割

根据图像全部信息或局部信息进行阈值选取阈值，判断图像像元是属于目标区域还是背景区域，实现图像分割，生成二值图像

• 阈值分割方法：均匀性度量法

在最优阈值处，目标和背景对应的灰度像元分布应该最均匀，

p1和p2分别表示目标和背景像元的分布概率，σ1和σ2分别表示目标和背景灰度像元的标准差

• 阈值分割方法：最大类间距离法

最优阈值下，图像分割后的前景与背景间的差异应该最大，

T表示阈值，μ1和μ2分别表示阈值为T时目标和背景对应灰度像元的均值

• 阈值分割方法：最大类间方差法

图像分割的目标和背景之间的方差越大，意味着错分概率最小

p1和p2为目标和背景像元的分布概率，μ1和μ2为灰度均值，μ为整幅图像的灰度均值

• 阈值分割方法：最大熵法

达到最佳阈值从图像中获得信息量最大，信息论中采用熵来度量数据中所包含信息量的大小

p表示某事件发生的概率

T为阈值，vmin和vmax分别表示图像灰度最小值和最大值，pi表示值为i的像元分布概率，pT表示图像从灰度最小值vmin到阈值T时的累积分布概率

• 局部自适应阈值分割法

光照不均匀时，对不同的子区域采用不同的阈值对其进行分割

边界分割

• 图像边缘：物体的轮廓或物体不同表面之间的交界，是图像局部特性不连续或突变的结果
• 边界：具有相同灰度值的最大连通域的外廓线，孤立且闭合，由边缘连接而成
• 边界分割：利用不同区域间像元灰度不连续的特点检测出区域间的边缘，将相互不连通的边缘连接起来构成封闭的区域

边缘检测：基于微分算子的边缘检测

将微分算子作用于原图像，计算各像元的梯度值，由于边缘的梯度值较高，通过对梯度图像的灰度值进行统计，选择合适的阈值对梯度图像进行分割得到边缘

边缘检测：综合边缘检测－LoG算子

LoG（LaplacianofGaussian）算子：采用高斯低通滤波器对图像进行平滑处理，然后进行拉普拉斯运算使图像边缘得到增强

边缘检测：综合边缘检测－Canny算子

Canny算子

• 检测性能好：不漏检真实边缘，不将非边缘点误检为边缘点，使输出的信噪比最大
• 定位性能好：检测到的边缘点与实际边缘点位置最近
• 唯一性：对于单个边缘点仅有一个响应

1.用二维高斯函数的一阶导数对图像进行平滑消除噪声点

2.用一阶偏导的有限差分来计算梯度的幅值和方向

3.对梯度幅值进行非极大值抑制，细化边缘，根据像元梯度确定边缘垂直方向上两个邻接的像元，小于其中任何一个邻接像元值则为0，抑制非极大值

4.用双阈值算法检测和连接边缘，Canny算子使用两个高Th低Tl阈值，比率通常为2:1或3:1，根据阈值Th和Tl分割得到两幅边缘图像Ih和Il，在Ih中将边缘连成轮廓，在Il的8邻域位置上寻找可以连接到轮廓上的边缘

边缘检测：基于形态学梯度的边缘检测

边缘连接：哈夫变换

在图像空间中检测直线就是在ρ-θ参数空间上寻找通过曲线数最多的点

区域提取分割

• 区域生长分割法
• 区域分裂合并分割法

区域生长法：利用相邻像元之间的相似性将像元扩充到一个区域

• 种子点的选取：先验知识选取或借助生长准则对图像聚类分析，聚类中心的像元作为种子
• 生长准则：生长过程归并邻域像元的相似性准则，基于区域灰度差灰度分布统计性质和形状
• 终止条件：决定区域生长的停止条件或规则，需要从全局进行把关

用新像元所在区域的平均灰度值去与各邻域像元的灰度值进行比较

区域分裂合并法：将区域不断分裂为若干不相交的子区域，直到每个子区域内部属性都一致

形态学分水岭分割法：能直接得到封闭的边界，但容易产生过度分割

二值图像处理

对象提取

对象：遥感图像上具有相同特征（光谱、纹理和空间组合关系等）的“同质均一”单元

• 贴标签：对二值图像不同连通域进行编号以区分

• 边界提取：需要矢量边界描述各目标物的形态特征，递归搜索获得边界坐标首尾连接

图像分割-水体掩膜图像制作

高分图像对象提取