摘 要

遥感影像分割是遥感信息提取的关键环节。对复杂的遥感影像进行高效而精确的分割，是最大化的从遥感影像中获得有用信息的必然要求。然而，早期的图像分割技术早已无法满足当今复杂分割的要求，于是基于主动轮廓线模型的分割方法应运而生。主动轮廓模型又可细分为参数主动轮廓模型和几何主动轮廓模型。其中，以水平集方法为代表的几何主动轮廓线模型在处理拓扑结构的变化方面体现出了很好的性能。本文主要研究基于水平集方法的遥感影像分割技术。首先，本文将简要介绍图像分割技术的相关研究状况，并对研究要用到的几个主要理论：主动轮廓线模型、曲线演化理论和水平集方法进行介绍；然后又具体介绍了一种基于微粒群算法和区域性水平集思想的快速水平集演化方案；最后对这种解决方案进行编程实现，并使用测试图像对分割效果进行评估。

关键词：主动轮廓模型；水平集方法；PSO算法；窄带法

Abstract

Remote sensing image segmentation is the key procedure in extracting remote sensing information. An efficiently and precisely segmentation for a complex Remote sensing image is the inevitable requirements of maximize the extracting of remote sensing information. Classical image segmentation techniques cannot satisfy the requirements of complex image segmentation due to the limitations itself, under the circumstances, Active Contour Models come into being and become a focus of widespread concern. Active Contour Models includes Parameter Active Contour Mode and Geometric Active Contour Model, and Geometric Active Contour Models such as level set method has already shown its great ability in handling changes in the topology of the evolving contour. This paper mainly based on the level set method for image segmentation. First we review the development of image segmentation process and the theory of Active Contour Models, curve evolution and level set method. Then we introduce an efficient solution of level set method by using Particle Swarm Optimization and narrow band method.

Keywords： Active Contour Models; Level set method; PSO; narrow band method

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 图像分割和遥感影像分割 1

1.2 图像分割的研究现状 1

1.2.1 主动轮廓线模型 2

1.2.2 几何主动轮廓线模型与水平集方法 2

1.3 论文主要工作和结构安排 3

第二章 水平集方法基本理论 4

2.1 曲线演化理论 4

2.2 水平集方法 5

2.3 水平集函数的构造 7

2.4 水平集函数的数值计算 7

第三章 水平集函数的一种快速演化方案 9

3.1 基于图像引力及PSO算法的参数主动轮廓线模型 9

3.1.1 参数主动轮廓线模型 9

3.1.2 PSO算法 10

3.1.3 PSO在主动轮廓线模型上的应用 11

3.2 样条插值 11

3.3 窄带水平集方法 12

3.4 模型建立与结果分析 15

3.4.1 相关数据结构 15

3.4.2 重要函数 16

3.4.3 图像处理结果分析 18

第四章 总结与展望 23

成果与不足 23

展望 23

参考文献 25

致谢 26

第一章 绪论

1.1 图像分割和遥感影像分割

图像分割是计算机视觉理论下的一个分支，如果一种算法能够像人类一样理解一幅图像，那么使用该算法将图像中不同物体准确无误的分辨开来将是一件简单的事情。为了做到这一点，一个图像分割算法需要充分挖掘图像信息，并能不断的进行学习和更新。下面是图像分割的定义：图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。近年来，计算机视觉理论一直处于研究的前沿，图像分割技术作为其重要子功能之一也在实际中应用广泛。例如，在生物医学图像分析中，图像分割可以用来区分生物体组织，屏蔽干扰信息并提取有用信息；在遥感影像分析中，图像分割可以用来区分地物，作为辅助手段，它可以使研究人员更有指向性的分析地表；在智能机器人、智能汽车中，图像分割的相关方法可以使这些智能设备更好的认知外界事物。

遥感影像指应用探测仪器如卫星、飞行器拍摄的用来反馈地球表层物体反射、辐射或者散射电磁波信息的影像图片。而遥感影像分割则是提取遥感信息的关键环节，被广泛的应用于资源勘探，环境监测，城市规划等方面。不同类型的地物对不同波段电磁波的反射率不同，因而其在遥感影像中所呈现的灰度不同，这便是遥感影像分割的基础。然而研究人员发现，由于遥感影像的多样性和复杂性，其分割过程通常需要使用到大量的、复杂的数学公式。而且，对于不同特性的遥感影像（如航拍图和卫星图；或者遥感影像中主要地物不同，如绿地、河流、城市建筑；或者遥感影像的拍摄波段、分辨率的不同）不能统一的使用某一种分割方法对其进行分割，否则可能会出现在某一类遥感，影像上分割效果非常好的方法，应用在另一类遥感影像上时分割效果却很差的情况[^[1]]。遥感影像与普通图像相比具有很强的专业性、特殊性，因此进行遥感影像分割前，必须先对图像分割技术进行介绍。

1.2 图像分割的研究现状

在图像处理技术发展的早期（20世纪70年代），图像分割一直作为图像处理技术中的重要功能而受到重视。当时的研究并没有涉及到计算机视觉的思想，更多的是依据图像数据分布规律进行分割，如基于边缘检测的分割、基于区域提取的分割和基于阈值的分割。到了八十年代中期，随着人工智能、机器学习、计算机视觉等概念的提出，一部分研究人员开始在图像分割的研究中运用起了遗传算法理论、马尔可夫模型、深度学习技术等研究成果，并且取得了很大进展。进入21世纪后，研究人员提出了一种基于变形模型(Deformable Model)的图像分割方法。这种方法综合了人们自身的经验知识和图像数据的性质，更接近人类的视觉理解，在图像分割领域中开拓了一块全新的疆土，因此受到了广泛的关注。变形模型的基本思想是首先给出先验模型，即在图像空间中定义这样一种曲线或曲面，它们可以适当参考待分割目标的形状和特征，然后通过一个能量函数来度量先验模型与图像数据之间的符合程度，并据此不断对自身进行演化修正。Deformable Model以一种动态的方式和图像数据关联起来，曲线或曲面具有向能量函数能量减小的方向演化的趋势，能量越小，先验模型与图像数据之间的符合程度越高[^[2]]。

1.2.1 主动轮廓线模型

主动轮廓线模型是比较重要的一种变形模型，是由Andrew Blake教授于1988年发表在计算机视觉核心期刊IJCV上的文章Snakes:Active Contour Models中提出。主动轮廓线模型通过定义一条连续的曲线（先验模型）来表示目标轮廓曲线，并构造一个自变量中包含该目标轮廓曲线的能量泛函，从而将图像分割转变为求解使该能量泛函达到最小值的闭合曲线的过程。在主动轮廓线模型中，通过融入其它关于目标形状的先验信息，可以使算法具有较强的鲁棒性，又因为能量泛函的连续性，这种模型最终可以得到精准的目标轮廓曲线。正因如此，主动轮廓线模型在最近的十多年中得到了极大的发展，并有着广泛的应用。在计算机视觉领域，随处可见它的应用实例（如1.1节中介绍的在医学、遥感、人工智能设备中的应用）。

主动轮廓线模型包括最开始的以Snake模型为代表的参数主动轮廓线模型和后来发展的基于水平集方法的几何主动轮廓线模型。前者的基本思想是将图像中待分割的区域视为具有弹性的物体，它的轮廓可以在图像力的作用下不停地发生形变。由于曲线本身具有弹性，因而其自身就有弹性能量和刚性能量，而整条曲线都处于一个图像力引起的能量场中，因而曲线还具有图像势能。参数主动轮廓线模型就是在此理论基础上，根据目标轮廓线的几何属性（一阶导数、二阶导数）和图像的RGB值等信息构造出一个能量泛函，曲线在不断变形的过程中，使其自身所携带的各种能量之和不断减小，当达到最小值时，便得到了图像的轮廓。但是参数主动轮廓线模型有以下局限性：初始曲线的位置对最终结果影响较大，初始曲线外部的目标图像的轮廓难以得到；曲线在演化过程中容易被噪声所干扰，陷入到局部极小值点；在演化过程曲线的拓扑结构是无法改变的，因而在内部有空心或者若干个独立的图案组成的图像上分割效果不理想。