基于尺度参数自动优化的高分遥感影像非监督分割方法

摘要

本发明公开了一种基于尺度参数自动优化的高分遥感影像非监督分割方法，主要包含3个步骤：1)基于局域同质性指标的J‑value的自适应SP选择；2)基于尺度间对象边界约束策略的图像分割；3)基于多特征的区域合并。通过对不同传感器类型的多组高分辨率遥感影像进行实验，并与知名商业软件eCognition及传统监督的分割方法进行比较，证明所提出方法定位对象边缘更加准确，提取对象轮廓更为完整，且分割过程无需人工干预，是一种通用性强且有效的非监督解决方案。

说明书

技术领域

本发明涉及一种基于尺度参数自动优化的高分遥感影像非监督分割方法，属于遥感影像分割技术领域。

背景技术

近年来，基于对象的图像分析OBIA(object-based image analysis)在GIScience(geographic information science)以及遥感领域(尤其是高分辨率遥感影像应用领域)中正越来越受到重视。而图像分割是OBIA中的核心步骤之一，其实现了场景中地理对象的轮廓信息提取，是后续进行特征提取及目标识别的基础与前提。与普通图像相比，遥感影像具备覆盖范围广泛、多波段、多空间分辨率等诸多特性，包含的地物种类也更加丰富，因此传统的分割方法难以直接应用于在遥感影像上。与此同时，随着遥感卫星空间分辨率的不断提高，如SPOT 5、IKONOS、QuickBird等为代表米级、亚米级的高分辨率数据已广泛应用于农作物产量调查、城市土地规划、灾害监测与预警等社会生活的各个领域，因此针对高分辨率遥感影像的图像分割技术已经成为遥感领域的研究热点之一。

与中、低分辨率遥感影像相比，高分辨率遥感影像带来了更加丰富的光谱与纹理特征，对象的结构、形状等空间细节信息能够得到清楚的表达，以往突出的混合像元问题也得到了有效解决，从而提高了相邻地物的类间可分性。另一方面，空间分辨率的提高也给图像分割造成了新的困难与挑战：“同物异谱”现象更加突出，即相同种类的地物间光谱特征可能具有显著的差异；细节信息增加的同时地物阴影、噪声、云层遮盖等干扰因素造成影响也更加显著；城市场景中多变的生态环境、丰富的地物种类以及结构复杂的人造地物等都给准确提取geographical objects造成了困难。

为此，学者们已经提出一些解决对策，其中最重要的手段之一是引入多尺度的分割策略，从而更好地揭示对象在不同尺度下的空间结构特征。例如，C.Burnet等提出了一种基于分形的多尺度分割算法，通过估计局部区域光谱特征的同质和异质性并进行迭代优化，取得了良好的效果^[1]；知名遥感商业软件eCognition采用了分形网络演化算法(fractal>

参考文献

[1]Burnett C,Blaschke T.A multi-scale segmentation/objectrelationship modelling methodology for landscape analysis[J].Ecologicalmodelling,2003,168(3):233-249.

[2]Shao P，Yang G，Niu X，et al.Information Extraction of High-Resolution Remotely Sensed Image Based on Multiresolution Segmentation[J].Sustainability，2014，6(8)：5300-5310.

[3]Deng Y,Manjunath B S.Unsupervised segmentation of color-textureregions in images and video[J].Pattern Analysis and Machine Intelligence,IEEETransactions on,2001,23(8):800-810.

[4]Baraldi A,Boschetti L.Operational automatic remote sensing imageunderstanding systems:Beyond Geographic Object-Based and Object-OrientedImage Analysis(GEOBIA/GEOOIA).Part 2:Novel system architecture,information/knowledge representation,algorithm design and implementation[J].RemoteSensing,2012,4(9):2768-2817.

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明通过将传统彩色纹理分割方法JSEG中的多尺度J-image序列引入高分辨率遥感影像分割，提出了基于局域同质性指标的J-value的自适应SP选择策略、尺度间对象边界约束策略以及基于多特征的区域合并策略，实现了自动化的多尺度分割。通过对不同传感器类型、不同空间分辨的遥感影像进行实验，并与两种监督的分割方法(eCognition和文献2)实验结果进行比较，证明了所提出算法不但定位对象边缘更加准确，提取对象轮廓更加完整且无需人工干预，提高了分割过程的自动化程度和鲁棒性。

技术方案：一种基于尺度参数自动优化的高分遥感影像非监督分割方法，主要包括三个步骤：1)基于局域同质性指标的J-value的自适应SP选择，从而确定了最佳多尺度J-image序列；2)基于尺度间对象边界约束策略的图像分割，实现了由粗到精的多尺度分割；3)基于多特征的区域合并，以应对分割结果中可能存在的过分割现象。

SP自适应选择

选择J-image序列作为多尺度分析平台，并提出了一种SP的自适应选择策略。

多尺度J-image的计算过程如下：首先对原始影像在LUV空间进行颜色量化。在量化影像中，设定以像素z为中心尺寸为M×M(M即为SP)像素的窗口Z，并将窗口中的每个像素的坐标z(x,y)作为其像素值，且z(x,y)∈Z。同时将窗口中的角点去除。

设量化影像中灰度级总数为P，令Z_p为窗口Z中属于灰度级p的所有像素的集合，m_p为所有属于灰度级p的像素对应的像素均值，则窗口Z中属于同一灰度级像素的方差的和可表示为：

$>S_W=\underset{p=1}{\overset{P}{\Sigma }}\underset{q\in Z_p}{\Sigma }\left|\right|q-m_p|{|}^2---\left(1\right)$>

窗口Z内所有像素的总体方差可表示为：

$>S_T=\underset{z\in Z}{\Sigma }\left|\right|z-m|{|}^2---\left(2\right)$>

其中，m为窗口Z内所有像素的均值。则局部同质性指标J-value可定义为：

J-value＝(S_T-S_W)/S_W(3)

此时，将像素z对应的J-value作为该像素的像素值，遍历整幅量化影像，可获得SP为M时的J-image，通过改变SP可获得多尺度的J-image序列。

基于J-value的自适应SP选择策略：

Step1:计算SP为M(M＝5,6....N)时的J-image序列，其中M＝5是J-image允许的最小窗口尺寸，N代表了最粗糙尺度的J-image。

Step2:计算所有尺度J-image下的像素J-value均值并构建曲线。

Step3:在众多曲线的拐点中，仅选择一些最为突出的拐点，这些拐点应满足

约束的多尺度分割

在分割阶段，提出基于尺度间对象边界约束的分割策略。设最佳J-image序列包含L个尺度，可表示为S_k(k＝1,2...L)，具体实现过程如下：

Step1:首先对最粗糙尺度S₁进行分割。根据公式(4)确定阈值T₁进行种子区域提取，其中μ_k和σ_k分别表示尺度S_k中所有像素的J-value均值和方差。

T_k＝μ_k-0.2σ_k，(k＝1,2...L)(4)

在S₁中，所有J-value值小于T₁的像素采用四连接方法构成联通区域，作为一个个种子区域。以种子区域为起点，按照上下左右四个方向以J-value值从小到大的顺序进行区域增长，相邻区域发生交汇时的边界就构成了S₁下的分割结果。

Step2:将上一尺度的对象边界映射到当前尺度并进行修正。将当前尺度J-image转化为一幅二值图像，仅保留通过尺度间映射提取的对象边界，并进行形态学膨胀操作。膨胀结构单元尺寸设定为M×M像素，M为当前尺度的SP。利用膨胀后的边界将当前尺度J-image划分为一个个独立的种子区域，并对这些种子区域按照J-value值从小到大进行区域增长，相邻区域发生交汇时的边界即为边界修正的结果。

此时，当前尺度下的分割仅在由修正后边界提取的对象内部进行。而为了避免过分割现象，对于内部均质程度较高的对象即认为其已与实际地物类型匹配，在当前尺度下不再进行分割。判断规则为该对象内部的J-value均值应小于当前尺度对应的阈值T_k(参见公式4)。在此基础上，根据阈值T_k对对剩余对象进行分割，分割过程与尺度1相同，并将分割结果映射到下一尺度。

Step3:重复Step2的分割过程，直到尺度L分割完毕，从而获得初步的分割结果。

多特征的区域合并

根据最佳SP计算原始影像每个波段对应性多尺度J-image序列。设原始影像包含F个波段，对于任意一个对象q，定义特征向量J_qf＝(J_q1,J_q2，…，J_qF)，其中每个分量代表了对象q在每个波段L个尺度J-image下的J-value均值，那么对于任意波段f(f＝1,2…F)，有根据J-value的定义可知，J-value综合反映了局部区域(对象)的光谱、纹理及尺度信息，因此通过判断相邻对象q_A和q_B的特征向量间的欧式距离来判断其相似程度，如公式(5)所示。

$>D(q_A,q_B)=\left|\right|J_{q_A}-J_{q_B}\left|\right|---\left(5\right)$>

采用RAG(Region Adjacency Graphics)来进行区域合并，具体过程如下：

Step1:根据尺度L中的分割结果，生成所有相邻对象的RAG。

Step2:选择与任一对象q_A相邻的所有对象，根据公式(5)计算欧式距离。

Step3:若存在对象q_B满足D(q_A,q_B)≤0.1，则认为q_A和q_B属于同一对象，合并q_A和q_B并生成新的RAG。否则，返回Step2。

Step4:重复Step2至Step3，遍历所有对象，获得最终分割结果。

附图说明

图1本发明方法流程图；

图2为M＝9时特定尺寸窗口Z；

图3为2005年QucikBird影像；

图4为曲线及最佳SP选择；

图5为本发明方法分割结果；

图6为方法二分割结果；

图7为方法三分割结果；

图8为2005年QucikBird影像；

图9为曲线及最佳SP选择；

图10为本发明方法分割结果；

图11为方法二分割结果；

图12为方法三方法分割结果；

图13为实验一精度评价；

图14为实验二精度评价。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，基于尺度参数自动优化的高分遥感影像非监督分割方法，主要包括三个步骤：1)基于局域同质性指标的J-value的自适应SP选择，从而确定了最佳多尺度J-image序列；2)基于尺度间对象边界约束策略的图像分割，实现了由粗到精的多尺度分割；3)基于多特征的区域合并，以应对分割结果中可能存在的过分割现象。

SP自适应选择

多尺度分割通常主要依赖一个核心控制参数即SP来将一幅图像划分为独立的地理对象。SP对分割结果中对象内部的光谱同质性以及对象的平均尺寸加以控制，也实际影响着分割结果中对象的数量。因此，选择合适的多尺度分析工具及SP如何确定是本发明首先需要解决的关键问题之一。

多尺度J-image序列

JSEG采用的多尺度J-image序列能够充分反映局部区域光谱分布的同质性，还可避免采用传统多尺度分析工具(如小波变换、轮廓波变换)在计算多尺度影像时存在的仅对个别方向的高频信息敏感的局限，但也同样面临着SP的合理选择问题。因此，本方法选择J-image序列作为多尺度分析平台，并提出了一种SP的自适应选择策略。

多尺度J-image的计算过程如下：首先对原始影像在LUV空间进行颜色量化。在量化影像中，设定以像素z为中心尺寸为M×M(M即为SP)像素的窗口Z，并将窗口中的每个像素的坐标z(x,y)作为其像素值，且z(x,y)∈Z。同时，为了保证各个方向的一致性，窗口中的角点被去除。以M＝9为例，以像素z为中心的窗口Z如图2所示：

设量化影像中灰度级总数为P，令Z_p为窗口Z中属于灰度级p的所有像素的集合，m_p为所有属于灰度级p的像素对应的像素均值，则窗口Z中属于同一灰度级像素的方差的和可表示为：

$>S_W=\underset{p=1}{\overset{P}{\Sigma }}\underset{q\in Z_p}{\Sigma }\left|\right|q-m_p|{|}^2---\left(1\right)$>

窗口Z内所有像素的总体方差可表示为：

$>S_T=\underset{z\in Z}{\Sigma }\left|\right|z-m|{|}^2---\left(2\right)$>

其中，m为窗口Z内所有像素的均值。则局部同质性指标J-value可定义为：

J-value＝(S_T-S_W)/S_W(3)

此时，将像素z对应的J-value作为该像素的像素值，遍历整幅量化影像，可获得SP为M时的J-image，通过改变SP可获得多尺度的J-image序列。

基于J-value的最佳尺度选择

采用J-image序列作为多尺度分析工具，提出了一种基于J-value的自适应SP选择策略。

Step1:计算SP为M(M＝5,6....N)时的J-image序列，其中M＝5是J-image允许的最小窗口尺寸，N(可根据实际图像尺寸进行适当调整，本文中设定N＝30)代表了最粗糙尺度的J-image。

Step2:计算所有尺度J-image下的像素J-value均值并构建曲线。根据J-value的定义，曲线的拐点反映了与前后尺度相比，当前尺度下光谱分布的均质程度有了陡然增高。因此我们假设这些拐点说明场景中某些具有代表性的地物种类适合于在当前尺度下进行分割。也就是在这些拐点处，分割结果中的对象恰好与实际地物类型匹配，具有相同或者相似的光谱均质程度，而这些代表性地物能够对曲线产生显著影响。

Step3:在众多拐点中，仅选择一些最为突出的拐点，这些拐点应满足以尽量使场景中最具有代表性的地物种类得到有效提取。另外，为了保留影像的细节信息，最精细的尺度(即M＝5)始终被选择。此时，可以综合所选择的这些拐点对应的SP以及最精细尺度来共同确定最佳多尺度J-image序列。

约束的多尺度分割

在分割阶段，提出基于尺度间对象边界约束的分割策略。设最佳J-image序列包含L个尺度，可表示为S_k(k＝1,2...L)，具体实现过程如下：

Step1:首先对最粗糙尺度S₁进行分割。根据公式(4)确定阈值T₁进行种子区域提取，其中μ_k和σ_k分别表示尺度S_k中所有像素的J-value均值和方差。

T_k＝μ_k-0.2σ_k，(k＝1,2...L)>

在S₁中，所有J-value值小于T₁的像素采用四连接方法构成联通区域，作为一个个种子区域。以种子区域为起点，按照上下左右四个方向以J-value值从小到大的顺序进行区域增长，相邻区域发生交汇时的边界就构成了S₁下的分割结果。

Step2:将上一尺度的对象边界映射到当前尺度并进行修正。根据J-image的定义可知，J-image多尺度序列都与原始影像具有相同的尺寸。因此上一粗糙尺度分割结果所提取的对象边界都可以根据坐标映射到当前精细尺度的相同位置上去，并对当前尺度下的分割进行约束。而粗糙尺度下提取的边界尽管能够确定对象的位置及其大致轮廓，但难以准确定位对象的边缘，因此需要在当前尺度下进行修正，过程如下。

将当前尺度J-image转化为一幅二值图像，仅保留通过尺度间映射提取的对象边界，并进行形态学膨胀操作。膨胀结构单元尺寸设定为M×M像素，M为当前尺度的SP。利用膨胀后的边界将当前尺度J-image划分为一个个独立的种子区域，并对这些种子区域按照J-value值从小到大进行区域增长，相邻区域发生交汇时的边界即为边界修正的结果。

此时，当前尺度下的分割仅在由修正后边界提取的对象内部进行。而为了避免过分割现象，对于内部均质程度较高的对象即认为其已与实际地物类型匹配，在当前尺度下不再进行分割。判断规则为该对象内部的J-value均值应小于当前尺度对应的阈值T_k(参见公式4)。在此基础上，根据阈值T_k对对剩余对象进行分割，分割过程与尺度1相同，并将分割结果映射到下一尺度。

Step3:重复Step2的分割过程，直到尺度L分割完毕，从而获得初步的分割结果。

多特征的区域合并

尽管在对各尺度分割之前已首先对内部均质程度较高的对象进行了判别，但过分割现象仍难以避免，还需要进一步的区域合并处理。由于高分辨率遥感影像中突出的“同物异谱”和“同谱异物”现象，仅利用对象内部的光谱特征可能产生误合并问题，因此提出了一种多特征的区域合并策略。

根据最佳SP计算原始影像每个波段对应性多尺度J-image序列。设原始影像包含F个波段，对于任意一个对象q，定义特征向量J_qf＝(J_q1,J_q2，…，J_qF)，其中每个分量代表了对象q在每个波段L个尺度J-image下的J-value均值，那么对于任意波段f(f＝1,2…F)，有根据J-value的定义可知，J-value综合反映了局部区域(对象)的光谱、纹理及尺度信息，因此通过判断相邻对象q_A和q_B的特征向量间的欧式距离来判断其相似程度，如公式(5)所示。

$>D(q_A,q_B)=\left|\right|J_{q_A}-J_{q_B}\left|\right|---\left(5\right)$>

我们采用RAG(Region Adjacency Graphics)来进行区域合并，具体过程如下：

Step1:根据尺度L中的分割结果，生成所有相邻对象的RAG。

Step2:选择与任一对象q_A相邻的所有对象，根据公式(5)计算欧式距离。

Step3:若存在对象q_B满足D(q_A,q_B)≤0.1，则认为q_A和q_B属于同一对象，合并q_A和q_B并生成新的RAG。否则，返回Step2。

Step4:重复Step2至Step3，遍历所有对象，获得最终分割结果。

实验与分析

为验证所提出方法的有效性和可靠性，对两组不同分辨率、不同传感器类型的多光谱高分辨率遥感影像进行了实验，并与商业软件eCongnition(简称“方法二”)以及ShaoP et al.等人(文献2)提出的监督的高分辨率遥感影像分割方法(简称“方法三”)进行了比较。

其中，eCongnition是德国Definiens Imaging开发的一款国际知名的面向对象的遥感影像分类软件，其采用的FNEA分割策略综合利用了对象的光谱、纹理及形状等特征，在高分辨率遥感影像的分割中的具有优异的性能。eCongnition在分割中主要受到三个参数的控制，即：尺度参数(Scale Parameter)，主要控制分割结果中的对象平均尺寸；形状参数(Shape Parameter)，有助于分割过程中保持对象轮廓的完整性；紧致度参数(CompactnessParameter)，有助于提高对象的类间可分性。Shao P et al.等人提出的方法将传统的边缘检测引入高分辨率遥感影像分割中，通过构建对象层级实现了对象的多尺度特征提取及分割，在中国ZY-3卫星影像分割中取得了良好的效果。以上两种方法中相关参数的设定均需要通过人工解译实现，本发明在实验中通过试错法来确定最佳参数组合。

实验一结果与分析

实验一采用2005年的QucikBird四波段彩色融合数据，所在地区为中国武汉，空间分辨率为2.4m，图像尺寸为512×512像素。图像主要为复杂背景下的典型城市场景区域，包含道路、操场、水体及结构复杂的人造目标等丰富的地物种类，如图3所示。

本发明方法中曲线如图4所示，描述了随着尺度参数M不断增大，指标的变化情况。其中垂直虚线对应了最佳SP，这些尺度与最精细尺度一起构成了最佳多尺度J-image序列，对应的尺度参数为M∈[5,13,18,28]，最终分割结果如图5所示。

方法二中，设定Scale Parameter为77，Shape Parameter为50，CompactnessParameter为40。文献2中设定各波段所占比重相同，参数“Scale Parameter”为30，参数“Shape Heterogeneous Degree”为0.4，参数“Compactness Parameter”和“SmoothnessParameter”均为0.5。两种方法实验结果分别如图6、图7所示。

为了便于对不同方法实验结果进行比较，本发明对场景中的典型对象或位置进行了标注。其中，位置A、B为运动场，位置C、D、F为建筑物、位置E为道路，位置G为人工湖。通过目视分析可以看出，三种方法均有效提取了位置A的运动场区域，其中本方法和方法二定位草坪的边缘明显比方法三更加准确，且方法三存在一定的过分割现象；对于位置B的操场区域，方法二没有提取出草坪的轮廓，方法三则将部分跑道区域与草坪混淆；位置C的建筑物结构复杂，仅有本方法不但保持了对象轮廓的完整性，同时准确定位了对象边缘，方法二、三则分别存在误分割和过分割现象；位置D、F的建筑物形状规则，本方法和方法二定位楼顶的边缘更加准确，但在位置F方法二存在欠分割现象；仅有方法三有效提取了位置G的人工湖的轮廓信息。综合而言，本发明方法和方法二定位对象的边缘细节信息能力明显优于方法三，而本发明方法对于大块均质区域的轮廓保持的更加完整。方法三能有效识别属于不同种类但光谱特征相似的相邻地物，但也存在突出的定位精度低和过分割问题。

实验二结果与分析

实验二选择三波段高分辨率航空遥感DOM(Digital Orthophoto Map)影像，数据采集时间为2009年3月，空间分辨率为0.6m，尺寸为512×512像素，所在地为中国南京，如图8所示。通过与图3对比可以看出，实验二采用的数据背景复杂程度有所降低，但不同种类地物的光谱、纹理、边缘等细节特征更为显著，对象包括形状规则的大面积均质区域和结构复杂、纹理特征丰富的人造建筑，因此对分割算法准确定位对象边缘和保持对象轮廓的完整性都提出了更高的要求。

本方法中曲线如图9所示。根据曲线可知，最佳多尺度序列对应的尺度参数为M∈[5,10,12,21,25,27]，分割结果如图10所示。

方法二中，设定Scale Parameter为100，Shape Parameter为50，CompactnessParameter为50。文献14中设定各波段所占比重相同，Scale Parameter为50，ShapeHeterogeneous Degree为0.3，Compactness Parameter和Smoothness Parameter均为0.5。两种方法实验结果分别如图11、图12所示。

与实验一相同，本发明对场景中的的典型对象或位置进行了标注。通过对不同方法实验结果的目视分析可以看出，三种方法均准确分割出了位置A的操场草坪和位置B的操场跑道，但仅有本发明方法有效保持了操场轮廓的完整性，方法二在两个较大分割区域之间存在一些狭长的虚假单元，如跑道外侧与草坪相邻的区域；对于位置C的小块草坪，方法二存在欠分割现象；对于位置D的建筑物屋顶，三种方法分割效果相近，方法二、三进一步提取了屋顶内部的纹理信息，但方法三存在过分割现象且边缘定位不准确；位置E、F的操场看台结构复杂，纹理信息丰富，仅有本发明方法保持了看台的顶棚区域的完整并有效提取了两侧附属建筑的细节特征；本发明方法和方法二准确提取了位于位置G、H的道路区域，方法三则存在误分割问题；对于位置I的羽毛球场、位置J的网球场以及位置K的大面积植被区域，三种方法对对象的边缘定位均较为准确，但方法二中在网球场的分割中又出现了狭长的虚假单元问题。综合以上分析可以得出与实验一类似的结论，进一步验证了所提出算法的可靠性。

精度评价

上文主要通过目视分析对不同方法的分割效果进行了评价，此处将采用精度指标对实验结果做进一步的定量分析。在Deng et al.提出的方法中(文献3)，指标J-value不但用于计算多尺度J-image序列，还作为分割精度的评价指标，定义如下：

$>{\bar{J}}_{avg}=\frac{1}{U}{\Sigma }_{r=1}^R{W}_r{J}_r,r=1,\mathrm{2...}R---\left(6\right)$>

其中，U为图像中的像素总数，R为分割结果中的区域总数，W_r和J_r分别为第r个区域内部的像素总数和其对应的J-value。当分割结果对应的精度指标越小时，说明分割结果中对象内部的平均光谱同质性越高，则分割效果越好。由于遥感影像中地物种类众多，在不同的应用场合中对分割精度的评价角度与标准也不尽相同，而Deng et al.等人提出的从整体上对分割结果中光谱分布情况进行评价，具有良好的通用性^[4]。因此，本发明采用对三种方法的实验结果进行精度评价。

对分割结果中J_r分布情况进行分析，将所有对象对应的J-value值在[0,1]区间内均匀量化为20个单位，则J_r分布曲线如图13、图14所示：

图中分别用不同颜色的实线分别代表了三种方法中属于不同J-value区间的对象在分割结果中所占的比重，而虚线则代表了三种方法对应的指标。通过比较图13、14可以看出：在两组实验中，本发明提出方法精度指标均明显优于其他两种方法，与目视分解结果一致。两组实验中J_r曲线趋势大致相同，差异主要体现在场景中的典型地物集中的区间，如实验一中的[0.2,0.55]区间以及实验二中的[0.1,0.4]区间。另外在实验二中，三种算法的分割精度较实验一均有显著提高，主要原因在于实验二采用的遥感影像空间分辨率更高，背景相对简单且地物细节特征更加突出，因此实验提取的对象及其边界更加接近实际场景中的地物类型。

针对高分辨率遥感影像的自动化分割，本发明提出了一种新颖的非监督多尺度分割方法。该方法综合利用了对象的光谱及纹理特征，提出了基于传基于局域同质性指标的J-value的自适应scale parameter(SP)选择策略，使场景中的典型地物类型能够在与其匹配的最佳尺度J-image中进行分割。在此基础上，所提出的多尺度分割策略使区域分割受到上一尺度提取所对象边界的约束，并对这些边界在当前尺度下进行修正，避免了尺度间的误差积累。而基于多特征的区域合并策略则能有效区分具有相似光谱特征的不同种类地物，避免了误合并现象。实验表明，与eCognition及传统监督分割方法相比，所提出方法定位对象边缘准确且提取对象轮廓更加完整，具有更高的分割精度，同时能够实现自动化的高分辨率遥感影像分割，全程无需人工干预，是一种generic且有效的非监督解决方案。