【科普】多种面向对象分割方法详解

        在eCongnition软件中面向对象分割方法较多，主要有棋盘分割，四叉树分割，反差切割分割，多尺度分割，光谱差异分割，多阈值分割，反差过滤分割及分水岭分割等分割方式。但其中最常用的分割方法一般为棋盘分割，四叉树分割，多阈值分割以及多尺度分割方法。下面将就以上常用的分割方法分别进行详细的介绍。

一、棋盘分割

       棋盘分割算法将像素域或图像对象域分割为正方形图像对象，将与图像左侧对齐的正方形网格和固定大小的顶部边界应用于域中的所有对象，并沿着这些网格线切割每个对象。棋盘分割后是将整景影像分割成大小一致的正方形。

图1棋盘分割效果

（1）优点

该分割方法运行速度较快，同时切割出的边界是直线不会出现各种弯曲以及畸形图斑的现象。

（2）用途

棋盘分割的使用一般主要是在借用本底矢量的时候使用，即当拥有一份本底矢量并将其作为参考数据引入到我们分割提取的过程中时会使用该分割方法，并且此时的分割设置的范围值要大于图幅。

棋盘分割方法的使用还经常用于进行一些边界修正，比如在进行地类提取之后，通过对提取后的地类内外边缘进行棋盘分割，并将棋盘分割后的数据进行二次分类，即可达到边界修整的效果。

该方法同时也用于基于形态方面的提取从而能够更好的达到自动化的效果时。比如可以通过一定的临间关系，对地类进行相应的增长和缩减，从而达到提取地类的效果。

（3）存在的问题

由于该方法切割出的图斑为正方形，因此多种地类混淆，会难以进行按照相应的光谱信息提取地类。

二、多尺度分割

        该分割方法是目前使用最广泛的分割方法，常用于复杂地区的分割或者是被分割的目标较为复杂的情况。但该方法运行效率较慢，因此当使用高分辨率影像时，该方法极其考验使用者的耐心，同时如果软件出现崩溃的现象，我相信使用者的心态也会随之崩溃。

图2 多尺度分割效果

（1）优点

多尺度分割方法可以根据影像中不同波段的权重、紧致度以及平滑度进行分割，因此分割之后的结果一般较为平滑也比较符合地类提取的要求。

（2）用途

该分割方法通常用于复杂地区的分割或者进行细致地类的提取时进行二次分割使用，比如在已经提取到的耕地范围内进行二次分割提取小麦、玉米等作物时使用。

（3）存在的问题

该方法最大的问题应该就是运行效率了，当进行设置的分割尺度较小且使用的数据分辨率高时，其运行效率极慢。

三、四叉树分割

四叉树分割一般经常与光谱差异分割相结合使用，其运用效果同多尺度分割以及棋盘分割均有所类似，其分割后结果为创建不同尺寸的正方形，同时其运行时间相较多尺度分割大大减少。

图3四叉树分割效果

（1）优点

该分割方法相较多尺度分割方法运行速度快，但同时又拥有多尺度分割方法中各波段权重设置以及整体的尺度设置的优点，可以综合考虑到不同波段以及颜色因子的情况。

（2）用途

该分割方法相较其他三种方法来说使用仍然并不广泛，总体而言在进行某些略微复杂的是地块或者地类提取时会使用到，在某些特征比较一致（均为蓝顶房，高亮房屋等）的建筑物提取时也会用到。

（3）存在的问题

该方法虽然拥有着多尺度分割和棋盘分割方法的优点，但同时也继承了他们的缺点，在分割时会受到地类混淆的限制以及分割边界不够理想等问题。

四、多阈值分割

多阈值分割方法理论上来讲，还是基于像素的分割操作。该方法是基于波段的反射率值对通过设定的阈值来进行划分为不同的类别。

图4多阈值分割效果

（1）优点

多阈值分割方法运行速度极快，一般在进行多地类提取时通常对比较明显的地类通常先采用该方法进行提取。

（2）用途

该分割方法通常适用于边界清晰的目标地类，常用来提取水体、植被。该方法的运行效率极高，基本算是面向像元的分割操作。该方法分割后的地类完全按照像元值进行，因此通常分割之后效果呈现出极其明显的锯齿以及畸形。

同时，该分割方法也通常用作最初的影像边界的确定，以及确定多景影像的重叠区域。

（3）存在的问题

多阈值分割方法在进行提取时对于复杂地类一般难以提取，同时该方法提取出的边界一般较为难看，不符合常规使用的要求。

觉着有用的话，欢迎分享、点赞和关注遥感杂谈公众号。