通過遙感變化信息檢測方法對兩時相遙感影像進行處理分析後，得到 “變化信息”影像，同時為了便於後續震害信息的識別，需要把這些變化信息從復雜的環境背景中提取出來，得到壹個僅包含變化信息的二值影像，這裏就需要用到圖像分割 ( ImageSegmentation ) 技術。圖 像 分 割 包括 手 動分 割 和 自動分割兩種，手動分割是指操作者利用相關的經驗進行小圖斑的合並、提取和取舍，但是對於大區域遙感影像來說，手工操作工作量大、效率低、速度慢、周期長、容易漏掉小圖斑，並且分割圖斑的邊界容易受到操作者的主觀控制，對精度的影響也較大，所以本研究中的圖像分割壹般指的是自動分割。
退化廢棄地遙感信息提取研究
圖 4 －11 基於 MNF/ICA 多源遙感變化信息檢測法結果從 20 世紀 70 年代起，圖像分割方法壹直受到各國學者的關註，至今已經提出了很多種分割方法，FuK. S. ( 1981) 將分割方法分成閾值分割、邊緣分割和區域分割，實際上區域分割包含了閾值分割。蔡殉、朱波 ( 2002) 則將圖像分割方法分成更多的類別，包括閾值分割、彩色分割、基於模糊集法、深度分割、像素分割、區域增長法，其中彩色分割、深度分割和像素分割都屬於閾值分割。
由於現今遙感變化信息檢測還處於像元級別 ( 鐘家強，2005) ，通過不同檢測方法，對灰度、彩色影像進行處理變換，使得變化信息的灰度 ( 像素值) 和色彩信息得到加強，通常表現出灰白色 ( 圖 4 － 8、圖 4 － 9) 和亮綠色 ( 圖 4 － 11) ，與周圍地物的色標不協調，可以通過確定相關的變化閾值把變化區域分割出來。但是由於變化信息受到太陽輻射、大氣幹擾、傳感器參數、空間分辨率、光譜分辨率以及季節差異等因素影響，變化圖斑的灰度有時在壹定的範圍內波動，增加了變化信息精確分割的難度，這使得變化閾值的確定顯得尤為重要。
( 壹) 變化影像特征分析
通過多時相遙感變化信息檢測方法得到的灰度或彩色影像通常具有以下特征: ① 影像中光譜特征復雜，包含的地物類型眾多，但是變化信息和背景環境的光譜性質不壹致。② 灰度影像的變換信息圖斑壹般分布在灰度軸的兩端 ( 就是較亮的區域) ，不過有時也可能位於暗端，極少數情況下也可能位於兩者之間，這要根據具體的遙感數據和采用何種檢測方法來定; 彩色影像變化信息圖斑壹般為亮綠色，是否能夠和周圍地物類型明顯區分要根據實際情況而定。③ 變化信息圖斑內部的灰度值比較均勻，但是會在壹定範圍內波動，所以圖像分割時很容易丟失細小的圖斑。④ 變化信息圖斑之間灰度特征比較相似 ( 壹致) ，但是紋理特征的差別通常較明顯，因為變化信息的圖斑可能屬於不同的地物類型，所以通常不能用紋理信息來分割變化信息圖斑。⑤ 由於非人為控制的因素，影像中不可避免地存在壹些噪聲信息，這些噪聲信息壹般表現在與變化信息圖斑接近的小圖斑( 圖 4 － 9 表現得特別明顯) ，所以分割的時候要區分哪些是變化信息圖斑，哪些是噪聲圖斑。⑥ 對於不同的環境和區域，變化信息圖斑是服從隨機分布的，有的地方稀疏，有的地方密集。
( 二) 單閾值區域分割法
單閾值區域分割是壹種簡單有效的圖像分割方法，其用壹個閾值將變化圖像的灰度級分為兩個部分: 變化與未變化。其最大特點是計算簡單，在重視運算效率的應用場合 ( 例如用於硬件實現) 得到了廣泛應用 ( 馮德俊，2004) 。壹般是利用圖像的灰度直方圖來確定分割閾值。在計算分割閾值時，常在去除噪聲的基礎上將灰度直方圖包絡成壹條曲線，如果圖像上有多個特征區域，其直方圖就會出現多個峰值，每個峰值對應壹個特征區域，而谷底值點就為分割閾值，用以劃分不同的特征區域。
復雜圖像的目標和背景的灰度值時常有部分交錯，為了在分割時使這種錯誤分割的概率最小，需要尋找出最優的分割閾值，所以單閾值區域分割法也叫最優閾值法，意指能夠使分割誤差最小。圖像的灰度直方圖可以看成是像元灰度值的概率分布密度函數，假設壹幅圖像僅含有目標和背景兩個主要的灰度值區域，那麽其直方圖就表示對應目標和背景兩個單峰值的概率分布密度函數之和，如果已知密度函數的形式，就可以計算出使誤差最小的最優閾值。其計算原理如下:
假設壹幅含有高斯噪聲的圖像，其背景和目標的直方圖(概率密度函數)分別為pb(z)和po(z)，那麽整個圖像的混合概率密度p(z)為(章毓晉，2001):
退化廢棄地遙感信息提取研究
式中:σb和σo分別為背景和目標均值的均方差;μb和μo分別為背景和目標的平均灰度值;pb和po分別為背景和目標區域灰度的先驗概率，二者之和為1。如果μb＜μo，需要確定閾值T，將小於閾值的分割作為背景，大於閾值的分割作為目標，假設將目標像元錯誤地劃分為背景以及把背景錯誤地劃分為目標的概率分別為Eb(T)和Eo(T)，則總的誤差為兩者之和E(T)。為了使該誤差最小，將總誤差對T求導數，並令導數為零，得到
退化廢棄地遙感信息提取研究
將該式代入式(4－3)，可得二項式
退化廢棄地遙感信息提取研究
求解該二項式得到最優閾值
退化廢棄地遙感信息提取研究
最優閾值T的選取原理如圖4－12所示，其原理可以概括為:將經過平滑去噪後的直方圖看成壹條曲線h(x)，最優閾值T必須滿足以下兩個條件:
退化廢棄地遙感信息提取研究
圖4－12 最優閾值選取原理
設原始圖像 f( x，y) 的灰度值範圍為 G =［0，L －1］，用最優單閾值法把圖像分成兩類，最優分割閾值為 T ( 0 ＜ T ＜ L －1) ，分割後生成的二值影像為 g( x，y) :
退化廢棄地遙感信息提取研究
本研究在 EＲDAS 軟件下利用空間建模語言 ( SML) 實現了單閾值 ( 最優閾值) 法，分別分析了圖 4 －8、圖 4 －9 和圖 4 －11 變化影像的直方圖分布情況 ( 圖 4 －13) ，並進行了最優閾值區域分割，把得到的三幅二值變化信息影像取合集，即把三幅影像相加，保留所有大於 1 的像素點，最後得到變化區域二值影像，如圖 4 －14 所示。
圖 4 －13 三幅變化影像的直方圖曲線
圖 4 －14 單閾值法提取的變化信息二值影像( 白色區域為發生變化的區域)
圖 4 －15 雙閾值模糊識別法計算流程
(三)雙閾值模糊識別分割法
由於單閾值區域分割法只有壹個全局閾值參與影像分割，然而影像受到大氣、噪聲、光照以及背景灰度變化的***同影響，導致了變化信息的灰度值總是在壹定範圍內波動，常常出現變化信息和噪聲以及其他地物類別交錯的現象。在這種情況下，單閾值區域分割難以滿足精度的要求，如何區分出其中的變化信息?本研究提出了雙閾值模糊識別分割法，其流程如圖4－15所示。
利用變化圖像的灰度直方圖計算得到兩個閾值T1和T2，並且T1＜T2，然後利用雙閾值法對變化圖像進行分割(DaneKottkeetal.，1989、1998)，將圖像f(x，y)分割為三個類別:背景、不確定類、變化信息:
退化廢棄地遙感信息提取研究
對其中不確定的像元保留其灰度值不變，利用模糊識別算子構建目標函數，分別計算出該像元屬於兩種不同類別(背景和變化信息)的模糊隸屬度，通過比較兩種隸屬度的大小判斷其歸屬(把它歸類到隸屬度大的那壹類當中)，劃分到背景與變化信息當中，直到完成所有不確定像元的劃分，即完成了整個分割過程。
1.雙閾值T1和T2的計算
核心閾值T1的計算按照公式4－5的單閾值(最優閾值法)區域分割法得到。核心閾值T2則是利用灰度直方圖中大於T1閾值的像元灰度求平均值得到。
設影像的灰度值在0到255之間(8維圖像)，利用離散積分的原理來計算灰度的均值。如果利用單閾值法計算出來的最優閾值為T1，那麽核心閾值T2的計算公式如下:
退化廢棄地遙感信息提取研究
式中:ni表示變化圖像中灰度為i的像元出現的個數。
2.模糊識別算法
模糊識別算法的基本思想如下(李希燦等，2003、2008):
首先將樣本集規格化，就是把樣本集的特征值規格化到0到1之間，設樣本特征值y規格化為x，樣本集n個樣本劃分為C個類別，則模糊識別矩陣為
退化廢棄地遙感信息提取研究
式中:Uhj為樣本j歸屬於第h類的相對隸屬度，h=1，2，…，C，且應當滿足以下條件:
退化廢棄地遙感信息提取研究
設C個類別的特征值為標準指數或模糊聚類中心指標，則C個類別的中心指標向量為:
退化廢棄地遙感信息提取研究
式中:Sh為第h類的中心指標，0≤Sh≤1且h=1，2，…，c，為了求解最優模糊識別矩陣U和模糊最優中心指標S，建立目標函數(李希燦，1998):
退化廢棄地遙感信息提取研究
式4－14的意義是:樣本集對於全體類別的加權廣義海明距離平方和為最小。顯然，在不分類別(h=1，Uhj=1)的情況下，該公式變為通常的最小二乘最優準則。在式4－14的目標函數下，計算出最優模糊劃分的隸屬度和中心指標向量:
退化廢棄地遙感信息提取研究
式中:u*hj為樣本j隸屬於h類的隸屬度。
3.分割歸類
通過構造的目標函數(隸屬度函數)，分別計算出每個像素點屬於“目標”(變化信息)和“背景”(非變化信息)的隸屬度，並把它分入到隸屬度大的那壹類當中，從而完成圖像分割的過程。
圖4－16 雙閾值模糊識別分割法二值影像
(白色區域為變化信息)
通過在EＲDAS下利用空間建模語言(SML)實現該分割算法，分別將圖4－8、圖4－9和圖4－11變化圖像作為輸入對象，進行雙閾值模糊識別分割，得到的二值變化圖像取合集最終結果如圖4－16所示。從圖4－16中可以看出，雙閾值模糊識別分割法能夠在壹定程度上消除單閾值區域分割法中混雜在變化信息中的離散噪聲和個別地物類型，使變化信息更加準確、集中，從而提高了分割的精度。實踐證明，雙閾值模糊識別分割法有著堅實的理論基礎，並且在實際變化信息的分割中能夠取得很好的效果，是壹種可行、可靠的圖像分割自動算法。