面向地学应用的遥感影像分割评价

第４４卷增刊　２０１５年１２月　测绘学报　Ａｃｔａ　Ｇｅｏｄａｅｔｉｃａ　ｅｔ　Ｃａ　ｒｔｏｇ　ｒａｐｈｉｃａ　Ｓｉｎｉｃａ　ＶｏＩ．４４，Ｎｏ．ＳＯ　Ｄｅｃｅｍｂｅ　ｒ，２０１５　引文格式：张仙，明冬萍．面向地学应用的遥感影像分割评价［Ｊ］．测绘学报，２０１５，４４（Ｓ０）：１０８—１１６．ＤＯＩ：１０．ｔ１９４７／ｊ．ＡＧＣＳ．２０１５．Ｆ０４１．　ＺＨＡＮＧ　Ｘｉａｎ，ＭＩＮＧ　Ｄｏｎｇｐｉｎｇ．Ｇｅｏ—ａｐｐｌｉｃａｔｉｏｎ　Ｏｒｉｅｎｔｅｄ　Ｅｖａｌｕａｔｉｏｎｓ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．Ａｃｔａ　Ｇｅｏｄａｅｔｉｃａ　ｅｔ　Ｃａｒｔｏｇｒａｐｈｉｃａ　Ｓｉｎｉｅａ，２０１５，４４（Ｓ０）：１０８—１１６．ＤＯＩ：１０．１１９４７／ｊ．ＡＧＣＳ．２０１５．Ｆ０４１．　面向地学应用的遥感影像分割评价　张仙，明冬萍　中国地质大学（北京）信息工程学院，北京１０００８３　Ｇｅｏ－ａｐｐｌｉｃａｔｉｏｎ　Ｏｒｉｅｎｔｅｄ　Ｅｖａｌｕａｔｉｏｎｓ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ　ＺＨＡＮＧ　Ｘｉａｎ，ＭＩＮＧ　Ｄｏｎｇｐｉｎｇ　Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅ　ｒｉｎｇ，Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｇｅｏｓｃｉｅｎｃｅｓ（Ｂｅｉｊｉｎｇ），Ｂｅｉｊｉｎｇ　１０００８３。Ｃｈｉｎａ　Ａｂｓｔｒａｃｔ：Ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｉｓ　ａ　ｋｅｙ　ｔｅｃｈｎｉｑｕｅ　ｉｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｅｘｔｒａｃｔｉｏｎ　ｆｒｏｍ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ　ａｎｄ　ｉｔ　ｉｓ　ｅｓｐｅｃｉａｌｌｙ　ｔｈｅ　ｆｏｕｎｄａｔｉｏｎａｌ　ｐｒｏｃｅｄｕｒｅ　ｏｆ　ｇｅｏｇｒａｐｈｉｃ　ｏｂｊｅｃｔ－ｂａｓｅｄ　ｉｍａｇｅ　ａｎａｌｙｓｉｓ（ＧＥＯＢＩＡ）ｉｎ　ｗｈｉｃｈ　ｔｈｅ　ｄｉｇｉｔａｌ　ｉｍａｇｅ　ｉｓ　ｔｒａｎｓｆｏｒｍｅｄ　ｆｒｏｍ　ｄｉｓｃｒｅｔｅ　ｐｉｘｅｌｓ　ｉｎｔｏ　ｈｏｍｏｇｅｎｅｏｕｓ　ｉｍａｇｅ　ｏｂｊｅｃｔ　ｐｒｉｍｉｔｉｖｅｓ．　Ｈｏｗｅｖｅｒ，ｆａｃｉｎｇ　ｗｉｔｈ　ｌａｒｇｅ　ａｍｏｕｎｔ　ｏｆ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄｓ　ａｎｄ　ｖａｒｉｏｕｓ　ｕｌｔｉｍａｔｅ　ｏｂｊｅｃｔｓ　ｏｆ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ａｐｐｌｉｃａｔｉｏｎ，ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｉｓ　ｖｅｒｙ　ｓｉｇｎｉｆｉｃａｎｔ　ａｎｄ　ｉｔ　ｉｓ　ｈｅｌｐｆｕｌ　ｆｏｒ　ｓｅｌｅｃｔｉｎｇ　ｓｕｉｔａｂｌｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄ　ａｎｄ　ｏｐｔｉｍａｌ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｐａｒａｍｅｔｅｒｓ．Ｏｔｈｅｒ　ｔｈａｎ　ｔｒａｄｉｔｉｏｎａｌ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｐｒｉｎｃｉｐｌｅ　ｏｆ　ａｌｇｏｒｉｔｈｍｓ　ｂｕｔ　ｂａｓｅｄ　ｏｎ　ｕｌｔｉｍａｔｅ　ｏｂｊｅｃｔｓ　ｏｆ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ａｐｐｌｉｃａｔｉｏｎ，ｔｈｉｓ　ｐａｐｅｒ　ｆｉ　ｒｓｔｌｙ　ｄｉｖｉｄｅｓ　ｔｈｅ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄｓ　ｉｎｔｏ　ｔｗｏ　ｇｒｏｕｐｓ．Ｏｎｅ　ｇｒｏｕｐ　ｉｓ　ｆＯｒ　ｔｙｐｉｃａｌ　ｏｂｊｅｃｔ　ｒｅｃｏｇｎｉｔｉｏｎ，ｗｈｉｃｈ　ｉｓ　ｄｅｓｉｇｎｅｄ　ｆｏｒ　ｌｏｃａｌ　ｆｅａｔｕｒｅ　ｄｅｔｅｃｔｉｏｎ．Ａｎｏｔｈｅｒ　ｇｒｏｕｐ　ｉｓ　ｆｏｒ　ｏｂｊｅｃｔ　ｏｒｉｅｎｔｅｄ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｗｈｉｃｈ　ｉｓ　ｄｅｓｉｇｎｅｄ　ｆｏｒ　ｇｌｏｂａｌ　ｆｅａｔｕｒｅｓ　ｄｅｔｅｃｔｉｏｎｓ。Ｔｈｅｎ　ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｓ　ｔｗｏ　ｓｅｔｓ　ｏｆ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ｍｅａｓｕｒｅｍｅｎｔ　ｉｎｄｅｘｅｓ　ａｎｄ　ｃＯｒｒｅｓｐ０ｎｄｉｎｇＩｙ　ｉｎｔｒｏｄｕｃｅｓ　ｔｈｅｉ　ｒ　ｐｒｉｎｃｉｐｌｅｓ　ａｎｄ　ｃｏｍｐｕｔａｔｉｏｎａｌ　ｆｏｒｍｕｌａｅ　ｆｏｒ　ｂｏｔｈ｛ｗｏ　ｇｒｏｕｐｓ．Ｔｈｅ　ｍｅａｓｕｒｅｍｅｎｔ　ｉｎｄｅｘｅｓ　ｕｓｅｄ　ｉｎ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｆｏｒ　ｔｙｐｉｃａｌ　ｏｂｊｅｃｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｒｅ　ｉｎｔｒａ—ｒｅｇｉｏｎ　ｎｏｎ—ｕｎｉｆｏｒｍｉｔｙ，ｉｎｔｅｒ—ｒｅｇｉｏｎ　ｇｒａｙ－ｌｅｖｅｌ　ｃｏｎｔｒａｓｔ，ｉｎｔｅｒ—ｒｅｇｉｏｎ　ｖａ　ｒｉａｎｃｅ　ｃｏｎｔｒａｓｔ，ｅｄｇｅ　ｇｒａｄｉｅｎｔ　ａｎｄ　ｒｕｎｎｉｎｇ　ｔｉｍｅ　ｐｅｒ－ｐｉｘｅ１．Ｈｏｗｅｖｅｒ，ｔｈｅ　ｗｅｉｇｈｔ　ａｌｌｏｃａｔｉｏｎ　ｃａｎ　ｎｏｔ　ｂｅ　ｄｅｔｅｒｍｉｎｅｄ　ｓｔｒａｉｇｈｔｌｙ　ｂｅｃａｕｓｅ　ｏｆ　ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ｏｆ　ｍｅａｓｕｒｅｓ．Ｔｏ　ｒｅｓｏｌｖｅ　ｔｈｉｓ　ｐｒｏｂｌｅｍ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｓ　ａ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ｍｅｔｈｏｄ　ｔｈａｔ　ｄｉｓｔｒｉｂｕｔｅ　ｗｅｉｇｈｔ　ｆｏｒ　ｍｅａｓｕｒｅｓ　ｗｉｔｈ　ｅｎｔｒｏｐｙ　ｍｅｔｈｏｄ　ｔｏ　ｅｖａｌｕａｔｅ　ｔｈｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄ　ｃ０ｍｐｒｅｈｅｎｓｉＶｅＩｙ．Ｔｈｉｓ　ｍｅｔｈｏｄ　ｉｓ　ｕｓｅｆｕｌ　ｆｏｒ　ｓｅｌｅｃｔｉｎｇ　ｓｕｉｔａｂｌｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄ．　Ｔｈｅ　ｍｅａｓｕｒｅｍｅｎｔ　ｉｎｄｅｘｅｓ　ｕｓｅｄ　ｉｎ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｆｏｒ　ｏｂｊｅｃｔ　ｂａｓｅｄ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｒｅ　ｈｏｍｏｇｅｎｅｉｔｙ　ａｎｄ　ｈｅｔｅｒｏｇｅｎｅｉｔｙ　ｏｆ　ｔｈｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｉｍａｇｅ．Ｔｈｉｓ　ｍｅｔｈｏｄ　ｉｓ　ｕｓｅｆｕｌ　ｆｏｒ　ｓｅｌｅｃｔｉｎｇ　ｏｐｔｉｍａｌ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｐａｒａｍｅｔｅｒｓ．Ｔｈｉｓ　ｐａｐｅｒ　ｄｅｍｏｎｓｔｒａｔｅｓ　ａｎｄ　ｖｅｒｉｆｉｅｓ　ｔｈｅ　ｔｗｏ　ｋｉｎｄｓ　ｏｆ　ｅｖａｌｕａｔｉｏｎｓ　ｂｙ　ｑｕａｎｔｉｔａｔｉｖｅ　ｅｘｐｅｒｉｍｅｎｔｓ．　Ｔｈｅ　ｑｕａｎｔｉｔａｔｉｖｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｔｗｏ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ｍｅｔｈｏｄｓ　ａｒｅ　ｐｒａｃｔｉｃａｌｌｙ　ｍｅａｎｉｎｇｆｕｌ　ｉｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ａｐｐｌｉｃａｔｉｏｎｓ．Ｉｎ　ｔｈｅ　ｅｎｄ，ｔｈｉｓ　ｐａｐｅｒ　ａｎａｌｙｚｅｓ　ｔｈｅ　ｄｅｆｅｃｔｓ　ａｎｄ　ｆｅａｔｕｒｅ　ｉｍｐｒｏｖｅｍｅｎｔｓ　ｏｆ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ｍｅｔｈｏｄｓ．　Ｋｅｙ　ｗｏｒｄｓ；ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ；ｏｂｊｅｃｔ　ｒｅｃｏｇｎｉｔｉｏｎ；ｍｅａｓｕｒｅｍｅｎｔ　ｉｎｄｅｘ　Ｆｏｕｎｄａｔｉｏｎ￣ｐｐｏｒｔ；Ｎａｔｉｏｎａｌ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆ　Ｃｈｉｎａ（Ｎｏ．４１３７１３４７）；Ｔｈｅ　Ｆｕｎｄａｍｅｎｔａｌ　Ｒｅｓｅａｒｃｈ　Ｆｕｎｄｓ　ｆｏｒ　ｔｈｅ　ＣｅｎｔｒａＩ【ｊｎｉｖｅｒｓｉｔｉｅｓ　摘要：影像分割是面向地理对象影像分析（ＧＥＯＢＩＡ）中的一个关键环节。分割评价有助于为影像选　择合适的分割方法和最佳分割尺度。本文提出一种以遥感地学应用面向的对象为依据的分割方法分类　及评价体系。首先将影像分割方法分为面向局部特征监测的典型目标识别和面向全局特征监测的面向　ＧＥＯＢＩＡ的分割方法两组，进而针对这两组分割方法提出了两套分割评价测度指标及相应的综合评价　方法。在面向典型目标识别的分割方法评价中，使用区域内部非均质度、区域间灰度对比度、区域间散　度对比度、边界点梯度和单位像素运行时间作为评价测度，并针对由于评价测度间的相关性而无法直接　增刊　张仙，等：面向地学应用的遥感影像分割评价　１０９　确定各测度权重分配的问题，提出利用熵权法为各个评价测度分配权重以获得综合评价结果的分割评　价方法，该评价方法可用于选择合适的分割方法。用于面向ＧＯＥＢＩＡ的分割方法中使用分割区域内均　质性和区域间异质性作为评价测度，这种评价方法适用于选择最优分割尺度参数。本文通过定量试验　论证了这两种评价方法的有效性，试验结果表明其在遥感应用中具有实际意义。最后本文分析了影像　分割评价方法的不足及未来的发展方向。　关键词：影像分割评价；目标识别；评价测度　中图分类号：Ｐ２３７　文献标识码：Ａ　文章编号：１００１．１５９５（２０１５）ＳＯ一０１０８．０９　基金项目：国家自然科学基金（４１３７１３４７）；中央高校基本科研业务费专项资金　１　引　言　图像分割是把图像分成若干个内部相对均匀　的无重叠子区域并提出感兴趣目标的技术和过　程，是图像处理到图像分析间的关键步骤。２０世　纪８０年代末，遥感影像分割兴起，其作用主要是　典型目标识别及提取。依据分割所使用的影像特　征可将分割方法分为基于阈值的分割方法、基于　边缘的分割方法、基于区域的分割方法３类口］。　常用的分割方法有最大熵法、ｏｔｓｕ阈值法、边界　跟踪、区域生长法、分裂合并法、随机场法、小波变　换等　］。然而固定尺度的分割方法只考虑了像　元的灰度值，因此在实际应用中对影像的整体把　握容易失准，更易被噪声影响。尤其近年来，随着　高空间分辨率遥感技术不断发展，含有大量信息　的高分辨率遥感影像对信息提取及分析技术提出　了更高要求。多尺度的影像分割方法因其可以综　合考虑像元的灰度、纹理、形状等信息，并针对不　同需求做出特定调整，获得不同尺度的高精度的　分割影像而成为遥感数据处理与分析研究的热　点。目前常用的多尺度分割方法可分为基于阈值　的分割方法、基于边缘的分割方法、基于区域的分　割方法和基于特定理论技术的分割方法４类。据　不完全统计，各类影像分割方法已达１０００余种。　虽然分割方法众多，但并没有一种普适性的　分割方法，即没有一种分割方法适用于所有类型　的影像，因此对分割方法的评价势在必行。分割　方法评价可以确定一幅影像的最适宜的分割方　法，对于多尺度分割方法来说，也可以确定其最优　尺度，是图像分割研究中不可或缺的部分。针对　遥感影像分割的应用需求，本文提出面向地学应　用的遥感影像分割评价方法，将其分为面向局部　特征监测的典型目标识别和面向全局特征监测的　面向地理对象影像分析（ｇｅｏｇｒａｆｉｃ　ｏｂｊｅｃｔ—ｂａｓｅｄ　ｉｍａｇｅ　ａｎａｌｙｓｉｓ，ＧＥＯＢＩＡ）的两类。前者往往为　单一尺度分割，后者多为多尺度分割。　２遥感影像分割评价分类　遥感影像分割评价方法众多，本文综合前人　研究，依据分割评价方法本身，及分割算法面向的　两个层面，对遥感影像分割评价进行分类。　２．１影像分割评价方法分类　常用的影像分割评价方法可分为定性评价和　定量评价两种，具体分类如图１所示。　定性评价一目视观测　份析法　Ｉ差异试验法　分割评价　定量测度评价｛（监测评价法）　方法　定量评价　ｌ优度试验法　【（非监督评价法）　间接评价……，．　基于分类或特征　一　图１分割评价方法分类　Ｆｉｇ．１　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ｍｅｔｈｏｄ　其中，定性评价是从算法原理和分割结果目　视分析算法优劣。定量方法中的间接评价，也称　基于应用的评价，通常是在分割结果的基础上进　行分类或特征提取，然后通过评价分类或特征提　取的质量来间接评价分割结果的质量。　定量测度评价是最常用的评价方法，大致也　可以分为３类：分析法、差异试验法和优度试验　法［＿５］。分析法针对算法本身，检查评估其性能，如　处理策略、复杂度、算法效率等。差异试验法也叫　做监督评价法，首先要得到理想的分割结果作为　参考，将实际分割结果与理想结果对比，从两者间　的差异判定分割方法［６］。对比测度可以采用潜在　分割误差、欧几里得距离口］，过分割指标、欠分割　指标、欧几里得距离［８］、分割评价指数［９　等。差异　试验法的主要缺点是创建数字化参考困难，易受　主观影响，且耗时长，为一幅大的影像或许多不同　１１Ｏ　Ｄｅｃｅｍｂｅｒ　２０１５　Ｖｏｆ．４４　Ｎｏ．ＳＯ　ＡＧＣＳ　影像创建一个数字化参考几乎不可行ｎ。。。优度　试验法又称非监督分割评价方法，其基本思想是　建立特征优度，通过计算分割结果的优度值判定　分割方法的优劣。其中，优度值评价测度可以采　用区域内均匀性、区域间对比度ｎ　、区域间异质　性口。　等。与前两种方法相比，优度试验法无需真　实地表数据，且由于无需人工创建参考而提高了　效率并降低了主观性的影响。　然而，对于复杂的遥感图像来说，定量测度评　价仍存在问题。例如，很难用一个函数或参数来表　达分割结果的准确性，且目前没有统一的定量化测　度来评价分割结果的质量，尽管相关研究提出了不　少的测度指标，但测度分散不成体系不具有通用　性，另外各测度之间的相关性及权重分配也是影响　评价结果的关键问题。而随着多尺度分割算法研　究的深入，多尺度分割评价的重要性也愈加显现出　来。多尺度分割评价除了可以评价算法的优劣，还　可以辅助选择最优的尺度参数，提高分割精度。　２．２基于优度试验法的面向地学应用的遥感影　像分割评价　本文主要基于优度试验法进行分割评价研　究。面向不同的地学应用目的，将遥感分割评价　方法分为两类：面向目标识别的分割方法评价和　面向ＧＥＯＢＩＡ的分割方法评价。　面向目标识别的分割方法常为单一尺度，因多　用于特定地物提取，分割多是面向局部特征。其评　价目的主要是选出最佳分割算法及最优分割结果。　ＧＥＯＢＩＡ是将遥感影像分为一系列有意义　的影像对象并依据空间、光谱、时间尺度来评估对　象的特征，最终得到新的地理信息科学格式地理　信息的自动化方法Ｅ　。随着高空间分辨率遥感影　像的普及，面向对象的影像分析方法（ｏｂｊｅｃｔ—　ｂａｓｅｄ　ｉｍａｇｅ　ａｎａｌｙｓｉｓ（ＯＢＩＡ））越来越受到重视，　而ＧＥＯＢＩＡ针对地理对象，可以综合考虑遥感影　像的光谱、形状、纹理等特征，有效利用影像的信　息，结合多尺度分割方法可以更全面、多层次地表　现高分辨率遥感影像的信息。面向ＧＥＯＢＩＡ的　分割方法多为多尺度分割，综合考虑全局特征，其　评价目的是选出最佳尺度参数及最优分割结果。　３面向典型目标识别的单一尺度多测度　熵权分割评价方法　３．１单一尺度评价测度指标　众多学者提出了许多评价算法优劣的评价测　ｘ一［　三　：　二］　ｃ　增刊　张仙．等：面向地学应Ｈｊ的遥感影像分割评价　ｙ　：＝＝　（２）　使用改进的马尔科夫随机场法（ＧＭＲＦ）、最　大熵法（ＭＥ）、分裂合并法（ＳＭ）以及方向相位法　（ＯＰ）对４幅影像分别进行分割，将得到的各个评　价测度值归一化后，应用熵权法为各测度分配权　而对于小者为优的测度而言，有　（３）　重，并求得使用不同方法得到的各个影像分割结　３．２．２定义各测度信息熵　对于某个测度的评价对象来说，信息熵定义下　ＣＥｔ一一－－Ｅ；　Ｐ　，Ｊｌｎｐ　，　ｌｎ，．果的加权得分。权重值分配见表１．分割结果综　合得分如图３所示。　表１测度值权重分配表　Ｔａｂ．１　Ｔｈｅ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｏｆ　ｗｅｉｇｈｔｓ　ｏｆ　ｍｅａｓｕｒｅｓ　（４）　Ｖ　式中，ｐｔ　一　寺　，一　ｌｉ　　ｆＪ　且定义ｐ１．ｉ』　ｍ　ＰＩＪｌ　ｔ　一０。　３．２．３确定各测度权重　定义了第ｉ个测度的信息熵Ｅ　后，可计算第　ｉ个测度的权重Ｗ：　】一Ｅ．　一　１．０　０．８　”２一厶一　，赢　０．６　０．４　Ｏ．２　０．０　式中，０≤Ｗ　≤１，且∑　，Ｗ，一１。１　Ｅ　为信息熵　冗余度。　求得各个测度的权重值后，使用加权法为每　个分割结果求得综合评价数值。这样不仅可以比　较分割方法在不同测度上的优劣，还可以对每个　ＮＵ　ＧＣ　ＶＣ　ＥＧ　ＴＰ　（ａ）影像１分割评价测度汁算结果　１．０　分割方法进行全面的综合评价，从而为目标影像　选取最优的分割方法。　３．３试　验　０．４　０．８　０．６　本试验的目的是针对某一影像选择合适的分割　Ｏ．２　方法。试验影像为４幅４００×４００的ＩＫＯＮ（）Ｓ全色　波段影像．空间分辨率为１米。试验影像如罔２。　０．０　ＮＵ　ＧＣ　ＶＣ　ＥＧ　ＴＰ　（ｂ）影像２分割评价测度计算结果　１．Ｏ　０．８　０．６　Ｏ．４　Ｏ．２　Ｏ．０　ＮＵ　ＧＣ　ＶＣ　ＥＧ　ＴＰ　（ｃ）影像３分割ｉ平价测度汁算结果　１．Ｏ　０．８　０．６　０．４　（ｃ）影像３　（ｄ）影像４　Ｏ．２　０．０　ＮＵ　ＧＣ　ＶＣ　ＥＧ　ＴＰ　图２试验所用１　ｍ分辨率ＩＫＯＮＯＳ全色波段影像　Ｆｉｇ．２　ＩＫＯＮＯＳ　ｉｍａｇｅｓ　ｏｆ　ｌ　ｍ　ｒｅｓｏｌｕｔｉｏｎ　ｆｏｒ　ｅｘｐｅｒｉｍｅｎｔ　（ｐａｎｃｈｒｏｍａｔｉｃ　ｂａｎｄ）　（ｄ）影像４分割评价测度汁算结果　１１２　Ｄｅｃｅｍｂｅｒ　２０１５　Ｖｏ１．４４　Ｎｏ。ＳＯ　ＡＧＣＳ　ｈｔｔｐ：／／ｘｂ．ｓｉｎｏｍａｐｓ．ｃｏｍ　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　０　Ｏ　８　７　６　５　４　３　２　影像１影像２影像３影像４　（ｅ）４幅影像分割评价综合得分统计图　图３分割结果统计图　Ｆｉｇ．３　Ｔｈｅ　ｓｔａｔｉｓｔｉｃｓ　ｏｆ　ｔｈｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｒｅｓｕｌｔｓ　根据如上统计，即可针对每幅影像选择出最　合适的分割方法。从图（ｅ）中可看出，综合各个评　价测度后，对于４幅影像分割效果整体来说，方向　相位法在４种方法中效果最好，其对每幅影像的　分割结果得分在４种方法中均为最高。最大熵法　在４幅影像中普遍得分较低。具体来看，对于影　像１来说，分裂合并法和方向相位法都可以获得　效果很好的分割结果，对于影像３，适宜的分割法　为方向相位法和高斯马尔科夫随机场法。　４面向ＧＥＯＢＩＡ的多尺度影像分割评价　方法　ＧＥＯＢＩＡ的主要过程是对遥感影像进行尺　度空间上的多尺度分割，提取多尺度的影像对象，　继而对其蕴含的特征进行计算和对象化表达，再　进行基于模式的规则判断或者基元分类，实现对　目标或信息的提取。常用的多尺度分割算法包括　基于区域的区域生长和区域分裂合并方法、分水　岭算法、均值漂移、随机场法和ｇａｂｏｒ滤波等方　法，以及结合形态学、统计学、小波变换、人工神经　网络等特定理论技术的多尺度分割方法。常用的　定量评价测度有区域内部均质性和区域间异质　性等　。。。　多尺度分割可通过改变尺度参数得到不同尺　度下的分割图像，而最优尺度即能够为后续的特　征提取和目标识别提供最大便利的分割尺度参　数。针对分割方法的多样性，尺度选择的多样性，　有必要对不同的图像分割结果进行一个定性、定　量的分割评价，进而为尺度的选择提供可靠的　依据。　文献［１８］中对分割结果的评价测度进行了一　个具体而全面的阐述。此外，文献［１９］提出了欠　分割及过分割指标来量化区域的过分割和欠分割　程度；文献［２０］考虑了影响大小、分割斑块数量、　分割和波段的平均值，提出非监督评价测度；文献　Ｅ２１］认为人类视觉可以在空间域内通过寻找对象　边界两侧的对比度进行分割，提出了空间域非监　督评价测度。本文采用文献Ｅ１２，２２］中评价方法　进行相关试验，定性讨论不同算法的优缺点，定量　讨论分割后图片区域内的均质性和区域间的异质　性，并给出一个综合评价测度。进而指导不同算　法的选择，不同尺度的选择，达到优化分割的　目的。　４．１评价测度计算方法　本文主要采用两个评价测度进行面向　ＧＥＯＢＩＡ的多尺度分割评价：一是分割后斑块的　区域内均质性，该测度用来衡量分割斑块中地物　光谱特征的一致性；二是分割后斑块的区域间异　质性，该测度用来衡量分割斑块之间的可分性。　区域内部的均质性可以用区域内的灰度标准差来　表示，区域间的异质性可以由图像单元之间的相　关性来表示。　（１）区域内均质性可用公式（６）表示　∑（　ｌ　ｆ（　，　）一÷∑　刊　ｆ　，　）Ｉ　Ｓｉ－－　（６）　式中，Ｓ　用来表示标签号为ｉ的区域内的均质性；　Ｒ　用来表示该标签为ｉ的区域的范围；Ａ　用来表　示标签为ｉ的区域的面积；ｆ　，　）则用来表示行　列号分别为ｚ和　的像素的灰度值。为了把区　域内的均质性转化成整幅图像的测度，需要考虑　面积权重的影响，可以用公式（７）将该测度扩展。　ｕ＝＝＝　㈩　Ｓ　表示标签号为ｉ的区域内的均质性；Ａ　表示标　签为ｉ的区域的面积；　为整幅图像内的标签数。　Ｕ为衡量该图像区域内均质性的测度。该测度实　际上是代表了区域内的异质性，但是异质性越小　则意味着均质性越大，故己，值越小则图像的均质　性越大。文献［２３］使用局部方差评价分割斑块的　同质性，本质是相同的。　（２）区域间异质性：空间自相关分析的目的　是分析某一变量在空间上是否相关，相关程度如　何。地物在空间上的依赖关系常用空间自相关系　数来定量化表示。可以根据空间自相关系数的数　增刊　张　ｆｆ【Ｉ．等：面向地学应川的遥感影像分割订价　１　１３　值确定某一变量取值的空间正相关、空间负相关　以及空间不相关性ｌ１　。Ｍｏｒａｎ指数是常用的空　间自相关指数。文献［１２．２２］利用Ｍｏｒａｎ指数来　评价对象之间的异质性．其汁算方法如下　？∑　∑　ｌ　（　－’）（　，　）　，　、　（　，　０）∑，　ｆ１（　ｚ＿　）　式中．　ｚ为图像分割后斑块的个数；．２７　代表标签号　为ｚ的图像单元内灰度的平均值；－『代表整幅Ｉ　像地灰度均值。　表示标签号分别为ｉ和　的斑　块是否相邻．若相邻则　，值为１．若不相邻则　．　．值为０。同样．该参数评价的也不是关于区域间　肄质性的直接评价．相关性与异质性呈负相关。　４．２综合评价　一般来说。最佳尺度的区域应是内部统一且　邻近像元显著不同的　。因此区域内均质性　和区域问异质性最大时的尺度是最佳图像分割尺　度。　在评价某尺度的分割结果时。要综合上述　两个测度来进行评价。综合评价公式如下　、　，，２×（Ｕ，一Ｕ　）　（１　ｚ）×（Ｖ　Ｖ　）　【，．．　．…Ｕ．　．．．　．仃Ⅲ　一、，　（９）　式【｝１．　代表尺度参数；Ｆ（　）代表该尺度参数下的　综合评价指数．Ｌｒ，代表该尺度参数下的对象内部　均质性；Ｖ，代表该尺度参数下的对象之间异质　性。　和Ｕ．、　．分别代表ｒ研究范围内对象内部　均值性的最大值和最小值。Ｖ　和　分别代表　研究范同内对象之间异质性的最大值和最小值。　Ｉｌｌ代表对于内部均质性和区域问差异性的比较　权重．二者都是后续分类的重要影响测度。多次　表明，一般情况下．分割斑块内部均质性和区域间　差异性常常是一对互相矛盾的测度，高的均质性　往往对应了较低的异质性。　由于Ｕ、Ｖ的值分别与区域内均质性和区域　间异质性呈负相关关系．所以在综合评价前对两　组数值进行反向归一化，则在理想情况下，　Ｆ（ｉ）值为极大值且同时为最大值时所对应的　度即为该影像最佳分割尺度。　＿Ｉ．３试　验　本试验的目的是针对某一影像、某一方法选　择合适分割尺度参数。本文对单波段高分辨率影　像使用均值漂移和分水岭算法两种多尺度分割方　法进行分割试验。比较两种方法随尺度的变化而　产生的均质性和异质性的变化趋势。利用公　式（９）汁算ｍ不同尺度变量在不同参数时的得分　情况。以得到最优分割尺度参数。综合前人研究　结果．本丈将　值设定为０．３　。　试验采用如图４所示的两幅高分辨率遥感影　像作为试验数据。影像ｌ为８００×８００的快鸟全　色波段影像。空间分辨率为０．６　ｒｎ。影像２为８０Ｏ×　８００的ＩＫ（）　（）Ｓ全色波段影像，空问分辨率为　ｌ　ｍ　【ａ）影像１　（ｂ）影像２　罔ｌ　试聆所＿Ｌ｝ｊ　０．６　ｍ分辨率快鸟影像及ｌ　ｎ１分辨半　ＩＫ（）　（）Ｓ全色波段影像　Ｆｉｇ．４　Ｑｕｉｃｋｂｉｒｄ　ｉｍａｇｅ　ｏｆ　０．６　ｍ　ｒｅｓｏｌｕｔｉｏｎ　ａｎｄ　ＩＫ｛）　（）Ｓ　ｉｍａｇｅｏｆ　ｌ　Ｉｎ　ｒｅｓｏｌｍｉｏｎ　ｆｏｒ　ｅｘｐｅｒｉｍｃ　ｚ１１　４．３．１　均值漂移分割方法评价　均值漂移方法用到的尺度变量包括审问域带　宽、颜色域带宽和最小斑块大小。审间域带宽和　颜色域带宽分别代表在多大范围的空问域卡ｕ颜色　域内汁算均值漂移向量．它们影响着分割结粜的　平滑性和破碎程度；最小斑块大小即分割　的每　个区域中包含的最小像元数。空问域带宽作为尺　度变量时．设定最小斑块大小为１（）（）．颜色域带宽　为６；颜色域带宽作为尺度变量时．没定空间域带　宽为７．最小斑块大小为ｌ【）（）；最小斑块大小作为　尺度变量时，设定空间域带宽为７．颜色域带宽为　６。同５为对试验影像进行均值漂移多尺度分割　时的综合得分。Ｕ１、Ｖ１、Ｆ１分别代表影像ｌ的区　域内均质性、区域间异质性和综合得分，Ｕ２、Ｖ２、　Ｆ２同理。　根据结果罔．对于影像１．在颜色域带宽作为　尺度时综合得分　现最大值．且最大值同时为极　夫值．因此对应的尺度参数可作为影像ｌ的最佳　分割尺度。而最小斑块大小作为尺度变最时综合　得分随变量增大而增大．无明显极火值和｝硬小值。　对于影像２来说．３个尺度变量中均｝｝Ｊ现最大值　且为极大值的情况，属于较为理想的情况．均仔在　最佳分割尺度参数。　１１４　１　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　ｌ　０　Ｏ　Ｏ　Ｏ　Ｏ　Ｄｅｃｅｍｂｅｒ　２０１５　Ｖｏ１．４４　Ｎｏ．ＳＯ　ＡＧＣＳ　ｌ　０　０　Ｏ　０　Ｏ　Ｏ　８　６　４　２　Ｏ　ｌ　０　Ｏ　Ｏ　Ｏ　Ｏ　ｈｔｔｐ：／／ｘｂ．ｓｉｎｏｍａｐｓ．ｃｏｍ　Ｏ　８　６　４　２　Ｏ　Ｏ　８　６　４　２　Ｏ　像进行分水岭算法多尺度分割时的测度综合　０　８　６　４　２　Ｏ　Ｏ　２　４　６　８　ｌ０　ｌ２　１４　（ａ）空间域带宽作为尺度变量时的综合得分　ｌ　Ｏ　Ｏ　Ｏ　Ｏ　０　１　Ｏ　０　０　０　Ｏ　０　８　６　４　２　０　Ｏ　８　６　４　２　Ｏ　Ｏ　２　４　６　８　ｌ０　ｌ２　ｌ４　（ｂ）颜色域带宽作为尺度变量时的综合得分　（ｃ）最小斑块大小作为尺度变量时的综合得分　图５均值漂移算法多尺度分割评价结果　Ｆｉｇ．５　Ｔｈｅ　ｍｕｌｔｉ—ｒｅｓｏｌｕｔｉｏｎ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｏｆ　ｍｅａｎ—ｓｈｉｆｔ　ａｌｇｏｒｉｔｈｍ　４．３．２分水岭算法分割方法评价　分水岭算法的尺度变量有最小合并阈值和最　小集水盆地。最小合并阈值是指合并区域过程中　的最大灰度差；最小集水盆地是指分割区域局部　极小值的最小值。最小合并阈值作为尺度变量　时，最小集水盆地固定为４；最小集水盆地作为尺　度变量时，最小合并阈值固定为３Ｏ。图６为最小　集水盆地和最小合并阈值作为尺度变量对试验影　得分。　（ａ）最小集水盆地作为尺度变量时的综合得分　　０　Ｏ　Ｏ　１　０　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　８　６　４　２　Ｏ　５　１０　１５　２０　２５　３０　３５　４０　４５　５０　５５　（ｂ）最小合并阈值作为尺度变量时的综合得分　图６分水岭算法多尺度分割评价结果　Ｆｉｇ．６　Ｔｈｅ　ｍｕｌｔｉ—ｒｅｓｏｌｕｔｉｏｎ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｏｆ　ｗａｔｅｒｓｈｅｄ　ａｌｇｏｒｉｔｈｍ　根据结果图，影像１在两尺度变量试验中均　不存在极大值即最大值的情况；对于影像２，最小　集水盆地作为尺度变量时存在极大值即最大值的　情况，因此对应的参数值可作为分割的最佳尺度。　５结论　本文对目前常用的影像分割评价方法进行归　类，提出了基于分割所依据的特征将分割方法分　为面向目标识别的分割方法和面向ＧＥＯＢＩＡ的　分割方法的分类体系，并分别提出了具体的评价　方法。　由于评价测度数量较多，且测度间具有相关　性，因此各测度的权重难以直观确定。针对这一　问题，本文提出基于熵权法的多测度综合评价方　法，利用熵权法根据各个测度的信息量为每个测　度设定权重，从而综合各个测度数值而对分割结　果进行全面的评价。　１　Ｏ　０Ｏ　８　６　４　２　Ｏ　增刊　张仙，等：面向地学应用的遥感影像分割评价　１１５　本文的研究对在单一尺度分割中选出最适宜　分割算法、最优分割结果，以及在多尺度分割中选　择最优尺度参数和最优分割结果有一定意义和参　考价值。但有几点需要进一步说明：　（１）本文提出的面向目标识别的分割算法评　价测度不够丰富，只选取了光谱特征和部分空间　特征相关测度，还可以从信息熵、形状ｉ贝０度等纹　理、形状特征角度评价，更充分的利用高空间分辨　率影像信息。　（２）多尺度分割最优尺度选择中所存在的问　题，即只能根据已有分割结果选择最优分割尺度，　无法预先计算最优尺度，并没有得到解决。　（３）本文仅提供了一个分割方法评价思路，　而不在于方法本身或对所有方法进行验证，因此　试验部分选择的试验数据及分割方法数量有限。　参考文献：　［１］　ＦＵ　ＫＳ，ＭＵＩ　ＪＫ．Ａ　Ｓｕｒｖｅｙ　ｏｎ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，１９８１，１３（１）：３－１６．　［２］　刘建华，毛政元．高空间分辨率遥感影像分割方法研究综　述口］．遥感信息，２００９（６）：９５—１０１．　ＬＩＵ　Ｊｉａｎｈｕａ，ＭＡＯ　Ｚｈｅｎｇｙｕａｍ　Ａ　Ｓｕｒｖｅｙ　ｏｎ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｔｅｃｈｎｉｑｕｅｓ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎ　Ｓｔｒａｔｅｇｙ　ｏｆ　Ｈｉｇｈ　Ｓｐａｔｉａｌ　Ｒｅｓｏｌｕｔｉｏｎ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅｒｙ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｎｆｏｒｍａｔｉｏｎ，２００９（６）：９５—１０１．　［３］　明冬萍，骆剑承，周成虎，等．高分辨率遥感影像特征分　割及算法评价分析［Ｊ］．地球信息科学，２００６，８（１）：　１０３—１０９．　ＭＩＮＧ　Ｄｏｎｇｐｉｎｇ，ＬＵＯ　Ｊｉａｎｃｈｅｎｇ，ＺＨＯＵ　Ｃｈｅｎｇｈｕ，ｅｔ　ａ１．　Ｒｅｓｅａｒｃｈ　ｏｎ　Ｈｉｇｈ　Ｒｅｓｏｌｕｔｉｏｎ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｍｅｔｈｏｄｓ　Ｂａｓｅｄ　ｏｎ　Ｆｅａｔｕｒｅｓ　ａｎｄ　Ｅｖａｌｕａｔｉｏｎ　ｏｆ　ＡｌｇｏｒｉｔｈｍｓＦＪ］．Ｇｅｏ—Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ，２００６，８（１）：　１０３—１０９．　［４］　ＨＡＹ　Ｇ　Ｊ，ＣＡＳＴＩＬＬＡ　Ｇ．Ｇｅｏｇｒａｐｈｉｃ　Ｏｂｊｅｃｔ—Ｂａｓｅｄ　Ｉｍａｇｅ　Ａｎａｌｙｓｉｓ（ＧＥＯＢＩＡ）：Ａ　Ｎｅｗ　Ｎａｍｅ　ｆｏｒ　ａ　Ｎｅｗ　Ｄｉｓｃｉｐｌｉｎｅ　［Ｍ］∥ＢＬＡＳＣＨＫＥＴ，ＬＡＮＧ　Ｓ，ＨＡＹ　Ｇ　Ｊ．Ｏｂｊｅｃｔ—ｂａｓｅｄ　Ｉｍａｇｅ　Ａｎａｌｙｓｉｓ．Ｂｅｒｌｉｎ　Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２００８：７５—８９．　［５］　ＺＨＡＮＧ　Ｙ　Ｊ．Ａ　Ｓｕｒｖｅｙ　ｏｎ　Ｅｖａｌｕａｔｉｏｎ　Ｍｅｔｈｏｄｓ　ｆｏｒ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，１９９６，２９（８）：　１３３５—１３４６．　［６］　ＺＨＡＮＧＹ　Ｊ．Ｅｖａｌｕａｔｉｏｎ　ａｎｄ　Ｃｏｒｎｐａｒｉｓｏｎ　ｏｆ　Ｄｉｆｆｅｒｅｎｔ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍｓ［Ｊ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｌｅｔｔｅｒｓ，１９９７，１８（１０）：９６３－９７４．　［７］　ＬＩＵ　Ｙｏｎｇ，ＢＩＡＮ　Ｌｉｎｇ，ＭＥＮＧ　Ｙｕｈ０Ｔｌｇ，ｅｔ　ａ１．Ｄｉｓｃｒｅｐａｎｃｙ　Ｍｅａｓｕｒｅｓ　ｆｏｒ　Ｓｅｌｅｃｔｉｎｇ　Ｏｐｔｉｍａｌ　Ｃｏｍｂｉｎａｔｉｏｎ　ｏｆ　Ｐａｒａｍｅｔｅｒ　Ｖａｌｕｅｓ　ｉｎ　Ｏｂｊｅｃｔ—ｂａｓｅｄ　Ｉｍａｇｅ　Ａｎａｌｙｓｉｓ［Ｊ］．ＩＳＰＲＳ　Ｊｏｕｒｎａｌ　ｏｆ　Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１２，６８：　１４４—１５６．　［８］　ＹＡＮＧ　Ｊｉａｎ，ＬＩ　ＰｅＯｕｎ，ＨＥ　Ｙｕｈｏｎｇ．Ａ　Ｍｕｌｔｉ－Ｂａｎｄ　Ａｐｐｒｏａｃｈ　ｔｏ　Ｕｎｓｕｐｅｒｖｉｓｅｄ　Ｓｃａｌｅ　Ｐａｒａｍｅｔｅｒ　ｅＳｌｅｃｔｉｏｎ　ｆｏｒ　Ｍｕｌｔｉ－Ｓｃａｌｅ　Ｉｍ—　ａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＳＰＲＳ　Ｊｏｕｒｎａｌ　ｏｆ　Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１４，９４：１３—２４．　［９］　ＹＡＮＧ　Ｊｉａｎ，ＨＥ　Ｙｕｈｏｎｇ，ＣＡＳＰＥＲＳＥＮ　Ｊ，ｅｔ　ａ１．Ａ　Ｄｉｓｃｒｅｐａｎｃｙ　Ｍｅａｓｕｒｅ　ｆｏｒ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｅｖａｌｕａｔｉｏｎ　ｆｒｏｍ　ｔｈｅ　Ｐｅｒｓｐｅｃｔｉｖｅ　ｏｆ　Ｏｂｊｅｃｔ　Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＳＰＲＳ　Ｊｏｕｍａｌ　ｏｆ　Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１５，ｉ０１：１８６—１９２．　［１０］ＪＯＨＮＳＯＮ　Ｂ，ＸＩＥ　Ｚｈｉｘｉａｏ．Ｕｎｓｕｐｅｒｖｉｓｅｄ　Ｉｍａｇｅ　Ｓｅｇｍｅｎ—　ｔａｔｉｏｎ　Ｅｖａｌｕａｔｉｏｎ　ａｎｄ　Ｒｅｆｉｎｅｍｅｎｔ　ｕｓｉｎｇ　ａ　Ｍｕｈｉ－ｓｃａｌｅ　Ａｐｐｒｏａｃｈ［Ｊ］．ＩＳＰＲＳ　Ｊｏｕｒｎａｌ　ｏｆ　Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１１，６６（４）：４７３—４８３．　［１　１３　ＣＨＡＢＲＩＥＲＳ，ＥＭＩＬＥＢ，ＲＯｓＥＮＢＥＲＧＥＲｃ，ｅｔ　ａ１．Ｕｎｓｕ—　ｐｅｒｖｉｓｅｄ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｅｖａｌｕａｔｉｏｎ　ｏｆ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ．　ＥＵＲＡＳＩＰ　Ｊｏｕｒｎａ１　ｏｎ　Ａｐｐｌｉｅｄ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，２００６：　０９６３０６．ＤＯＩ：１Ｏ．１１５５／ＡＳＰ／２Ｏ０６／９６３Ｏ６．　［１２］ＥＳＰＩＮＤＯＬＡ　ＧＭ，ＣＡＭＡＲＡ　Ｇ，ｅｔ　ａ１．Ｐａｒａｍｅｔｅｒ　Ｓｅｌｅｃ—　ｔｉｏｎ　ｆｏｒ　Ｒｅｇｉｏｎ—ｇｒｏｗｉｎｇ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍｓ　ｕｓｉｎｇ　Ｓｐａｔｉａｌ　Ａｕｔ０ｃ０ｒｒｅ１ａｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００７，２７（１４）：３０３５—３０４０．　［１３］ＭＡＲＴＩＮ　Ｄ，ＦＯＷＬＫＥＳ　Ｃ，ＴＡＬ　Ｄ，ｅｔ　ａ１．Ａ　Ｄａｔａｂａｓｅ　ｏｆ　Ｈｕｍａｎ　Ｓｅｇｍｅｎｔｅｄ　Ｎａｔｕｒａｌ　Ｉｍａｇｅｓ　ａｎｄ　Ｉｔｓ　Ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　Ｅｖａｌｕａｔｉｎｇ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍｓ　ａｎｄ　Ｍｅａｓｕｒｉｎｇ　Ｅｃｏｌｏｇｉｃａｌ　Ｓｔａｔｉｓｔｉｃｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆｔｈｅ８ｔｈ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ．Ｖａｎｃｏｕｖｅｒ，　ＢＣ：ＩＥＥＥ，２００１，２：４１６－４２３．　［１４］　ＭＡＲＴＩＮ　Ｄ．Ａｎ　Ｅｍｐｉｒｉｃａｌ　Ａｐｐｒｏａｃｈ　ｔｏ　Ｇｒｏｕｐｉｎｇ　ａｎｄ　ｅＳｇｍｅｎｔａｔｉｏｎ［－Ｄ］．Ｂｅｒｋｅｌｅｙ：Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃａｌｉｆｏｒｎｉａ，２００２．　［１５］　ｕＮＮＩＫＲＩＳＨＮＡＮ　Ｒ，ＰＡＮＴＯＦＡＲｕ　ｃ，ＨＥＢＥＲＴ　Ｍ．　Ｔｏｗａｒｄ　Ｏｂｊｅｃｔｉｖｅ　Ｅｖａｌｕａｔｉｏｎ　ｏｆ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００７，２９（６）：９２９—９４４．　［１６］ＺＨＡＮＧ　ＹＪ．Ａ　Ｓｕｒｖｅｙ　ｏｎ　Ｅｖａｌｕａｔｉｏｎ　Ｍｅｔｈｏｄｓ　ｆｏｒ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，１９９６，２９（８）：　１３３５—１３４６．　［１７］邹志红，孙靖南，任广平．模糊评价因子的熵权法赋权及　其在水质评价中的应用［Ｊ］．环境科学学报，２００５，２５（４）：　５５２－５５６．　ＺＯＵ　Ｚｈｉｈｏｎｇ，ＳＵＮ　Ｊｉｎｇｎａｎ，ＲＥＮ　Ｇｕａｎｇｐｉｎｇ．Ｓｔｕｄｙ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｎ　ｔｈｅ　Ｅｎｔｒｏｐｙ　ｍｅｔｈｏｄ　ｆｏｒ　Ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　Ｗｅｉｇｈｔ　ｏｆ　Ｅｖａｌｕａｔｉｎｇ　Ｉｎｄｉｃａｔｏｒｓ　ｉｎ　Ｆｕｚｚｙ　Ｓｙｎｔｈｅｔｉｃ　Ｅｖａｌｕ—　ａｔｉｏｎ　ｆｏｒ　Ｗａｔｅｒ　Ｑｕａｌｉｔｙ　Ａｓｓｅｓｓｍｅｎｔ［Ｊ］．Ａｃｔａ　Ｓｃｉｅｎｔｉａｅ　Ｃｉｒｃｕｍｓｔａｎｔｉａｅ，２００５，２Ｓ（４）：５５２—５５６．　－［１８－ｉ　ＺＨＡＮＧ　Ｈｕｉ，ＦＲＩＴＴｓＩ　Ｅ，ＧＯＬＤＭＡＮ　Ｓ　Ａ．Ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　Ｅｖａｌｕａｔｉｏｎ：Ａ　Ｓｕｒｖｅｙ　ｏｆ　Ｕｎｓｕｐｅｒｖｉｓｅｄ　ｍｅｔｈｏｄｓ［Ｊ￣．Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｉｍａｇｅ　Ｕｎｄｅｒｓｔａｎｄｉｎｇ，　２００８，１１Ｏ（２）：２６０—２８０．　［１９］　ＴＲＯＹＡ—ＧＡＬⅥｓＡ，ＧＡＮ￣ＡＲＳＫＩ　Ｐ，ＰＡＳＳＡＴ　Ｎ，ｅｔ　ａ１．　Ｕｎｓｕｐｅｒｖｉｓｅｄ　Ｑｕａｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　Ｕｎｄｅｒ—ａｎｄ　Ｏｖｅｒ－　Ｓｅｇｍｅｎｔａｔｉｏｎ　ｆｏｒ　Ｏｂｊｅｃｔ—Ｂａｓｅｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅ　Ａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥ　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｅｌｅｃｔｅｄ　Ｔｏｐｉｃｓ　ｉｎ　Ａｐｐｌｉｅｄ　Ｅａｒｔｈ　Ｏｂｓｅｒｖａｔｉｏｎｓ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１５，８（５）：　１９３６—１９４５．　１１６　Ｄｅｃｅｍｂｅ　ｒ　２０１５　Ｖｏ１．４４　Ｎｏ．ＳＯ　ＡＧＣＳ　ｈｔｔｐ：／／ｘｂ．ｓｉｎｏｍａｐｓ．ｃａｍ　ｉａｎｇ，ＸＩＡ０　Ｐｅｎｇｆｅｎｇ，ＦＥＮＧ　Ｘｕｅｚｈｉ．Ａｎ　［２０］　ＺＨＡＮＧ　ＸｕｅｌＵｎｓｕｐｅｒｖｉｓｅｄ　Ｅｖａｌｕａｔｉｏｎ　Ｍｅｔｈｏｄｆｏｒ　Ｒｅｍｏｔｅｌｙ　Ｓｅｎｓｅｄ　Ｊｏｕｒｎａｌ　ｏｆ　Ｇｅｏｇｒａｐｈｉｃａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ，２０１０，２４　（６）：８５９—８７１．　Ｉｍａｇｅｒｙ　Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｌｅｔｔｅｒｓ，２０１２，９（２）：１５６—１６０．　（责任编辑：宋启凡）　－１２１］　Ｃ０ＲＣＯＲＡＮ　Ｐ，ＷＩＮＳＴＡＮＬＥＹ　Ａ，Ｍ０ＯＮＥＹ　Ｐ．　收稿日期：２０１５－１１．１５　修回日期：２０１５－１２．１０　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｅｖａｌｕａｔｉｏｎ　ｆｏｒ　Ｏｂｊｅｃｔ－ｂａｓｅｄ　Ｒｅｍｏｔｅｌｙ　Ｓｅｎｓｅｄ　Ｉｍａｇｅ　Ａｎａｌｙｓｉｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１０，３１（３）：６１７—６４５．　第一作者简介：张仙（１９９２一），女，硕士生，主要从事遥　［２２］　ＭＩＮＧ　Ｄｏｎｇｐｉｎｇ，ＣＩ　Ｔｉａｎｙｕ，ＣＡＩ　Ｈｏｎｇｙｕｅ，ｅｔ　ａ１．Ｓｅｍｉ－　感信息提取及ＧＩＳ应用研究。　Ｆｉｒｓｔ　ａｕｔｈｏｒ：ＺＨＡＮＧ　Ｘｉａｎ（１９９２一），ｆｅｍａｌｅ，ｐｏｓｔｇｒａｄ—　ｖａｒｉｏｇｒａｍ—Ｂａｓｅｄ　Ｓｐａｔｉａｌ　Ｂａｎｄｗｉｄｔｈ　Ｓｅｌｅｃｔｉｏｎ　ｆｏｒ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｗｉｔｈ　Ｍｅａｎ—Ｓｈｉｆｔ　Ａｌｇｏｒｉｔｈｍ　ｕａｔｅ，ｍａｊｏｒｓ　ｉｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｎｆｏ　ｒｍａｔｉｏｎ　ｅｘｔ　ｒａｃｔｉｏｎ　ａｎｄ　ＧＩＳ　ａｐｐｌｉｃａｔｉｏｎ．　Ｅ－ｍａｉｌ：ｃｕｇｂｚｘ＠１６３．ｃｏｍ　—［Ｊ］．ＩＥＥＥ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｌｅｔｔｅｒｓ，２０１２，　９（５）：８１３－８１７．　ＣＫ　Ｓ　Ｒ．ＥＳＰ：ＡＴｏｏｌ　ｔｏ　［２３］　ＤＲＡＧＵＴ　Ｌ，ＴＩＥＤＥ　Ｄ，ＬＥＶＩＥｓｔｉｍａｔｅ　Ｓｃａｌｅ　Ｐａｒａｍｅｔｅｒ　ｆｏｒ　Ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ　Ｉｍａｇｅ　通信作者：明冬萍　ＣＯｒｒｅ８ｐＯｎｄｉｎｇ　ａｕｔｈｏｒ：ＭＩＮＧ　Ｄｏｎｇｐｉｎｇ　Ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｆ　Ｒｅｍｏｔｅｌｙ　Ｓｅｎｓｅｄ　Ｄａｔａ［Ｊ］Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｅ－ｍａｉｌ：ｍｉｎｇｄｐ＠ｃｕｇｂ．ｅｄｕ．ｃａ　（上接第１０７页）　ｘｕ　Ｌｉ．Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｒｅａｌｉｚａｔｉｏｎ　ｏｎ　Ｐａｒｔｉａｌ　Ｔｏｐｏｌｏｇｉｃａｌ　（２）：１７８—１８５，１９２．ＤＯＩ：１Ｏ．１３４８５／ｊ．ｃｎｋｉ．１１－２０８９．　２０１４．００２６．　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　Ｖｅｃｔｏｒ　Ｍａｐ　Ｄａｔａ［Ｄ］．Ｚｈｅｎｇｚｈｏｕ：Ｔｈｅ　ＰＬＡ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，２０１０．　［１８］　李志林，朱庆．数字高程模型［Ｍ］．第２版．武汉：武汉大　学出版社，２００３．　［１３］王文杰，唐新民，史绍雨，等．利用网格索引与Ｒ树的弧　段求交并行算法［Ｊ］．测绘科学，２０１４，３９（３）：ｌ１１一ｌ１５．　ⅥｒＡＮＧ　Ｗｅｎｊｉｅ，ＴＡＮＧ　Ｘｉｎｍｉｎ，ＳＨＩ　Ｓｈａｏｙｕ，ｅｔ　ａ１．Ｐａｒａｌｌｅｌ　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　Ａｒｃ　Ｉｎｔｅｒｓｅｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｇｒｉｄ　Ｉｎｄｅｘ　ａｎｄ　Ｒ—　ＬＩ　Ｚｈｉｌｉｎ，ＺＨＵ　Ｑｉｎｇ．Ｄｉｇｉｔａｌ　Ｅｌｅｖａｔｉｏｎ　Ｍｏｄｅｌ［－Ｍ］．２ｎｄ　ｅｄ．Ｗｕｈａｎ：Ｗｕｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ　Ｐｒｅｓｓ，２００３．　［１９］　ＨＵＡＮＧ　Ｌｊｎａ，ＦＥＩ　Ｌｉｆａｎ．ＨＥ　Ｊｉｎ．Ｉｎｔｅｇｒａｔｅｄ　Ｇｅｎｅｒａｌｉｚａｔｉｏｎ　ｏｆ　Ｃａｒｔｏｇｒａｐｈｉｃ　Ｓｙｍｂｏｌｓ　ｆｏｒ　Ｗａｔｅｒ　Ｓｙｓｔｅｍ　ａｎｄ　Ｇｅｏｍｏｒ—　ｔｒｅｅ［，Ｊ］．Ｓｃｉｅｎｃｅ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ，２０１４，３９（３）：　ｌ１１－１１５．　ｐｈｏｌｏｇｙ［－Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　ｔｈｅ　２ｎｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒ—　ｅｎｃｅ　ｏｎ　Ｅａｒｔｈ　Ｏｂｓｅｒｖａｔｉｏｎ　ｆｏｒ　Ｇｌｏｂａｌ　Ｃｈａｎｇｅｓ．Ｃｈｅｎｇｄｕ，　Ｃｈｉｎａ，２００９，１：２０６２－２０７９．　［１４］汤国安，刘学军，阊国年．数字高程模型及地学分析的原　理与方法［Ｍ］．北京：科学出版社，２００５．　ＴＡＮＧ　Ｇｕｏ’ａｎ。ＬＩＵ　Ｘｕｅｊｕｎ，ＬＶ　Ｇｕｏｎｉａｎ．Ｔｈｅｏｒｙ　ａｎｄ　Ｍｅｔｈｏｄ　ｏｆ　Ｄｉｇｉｔａｌ　Ｅｌｅｖａｔｉｏｎ　Ｍｏｄｅｌ　ａｎｄ　Ｇｅｏ—ｓｃｉｅｎｃｅ　－Ｊ］．武汉测绘科技大学学　［２０］　毋河海．河系树结构的自动建立Ｉ报，１９９５，２Ｏ（Ｓ）：７－１４．　ＷＵ　Ｈｅｈａｉ．Ａｕｔｏｍａｔｉｃ　Ｅｓｔａｂｌｉｓｈｍｅｎｔ　ｏｆ　Ｒｉｖｅｒ　Ｔｒｅｅ　Ｓｔｒｕｃｔｕｒｅ　Ａｎａｌｙｓｉｓ［，Ｍ－］．Ｂｅｉｊｉｎｇ：Ｓｃｉｅｎｃｅ　Ｐｒｅｓｓ，２００５．　［１５］　ＬＵ　Ｇ　Ｙ，ＷＯＮＧ　Ｄ　Ｗ．Ａｎ　Ａｄａｐｔｉｖｅ　Ｉｎｖｅｒｓｅ—Ｄｉｓｔａｎｃｅ　Ｗｅｉｇｈｔｉｎｇ　Ｓｐａｔｉａｌ　Ｉｎｔｅｒｐｏｌａｔｉｏｎ　ＴｅｃｈｎｉｑｕｅＥＪ］．Ｃｏｍｐｕｔｅｒｓ　＆Ｇｅｏｓｃｉｅｎｃｅｓ，２００８，３４（９）：１０４４—１０５５．　［Ｊ］．Ｊｏｕｒｎ￣ｏｆ　ｔｈｅ　Ｗｕｈａｎ　Ｔｅｃｈｎｉｃａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ，１９９５，２０（Ｓ）：７－１４．　［２１］　毋河海．等高线树结构的自动建立及其应用［Ｊ］．测绘科技　动态，１９９６，２０（１）：２－７．　ＷＵ　Ｈｅｈａｉ．Ａｕｔｏｍａｔｉｃ　Ｅｓｔａｂｌｉｓｈｍｅｎｔ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　［１６］李正泉，吴尧祥．顾及方向遮蔽性的反距离权重插值法　［Ｊ］．测绘学报，２０１５，４４（１）：９１—９８．ＤＯＩ：１０．１１９４７／ｊ．　ＡＧＣＳ．２Ｏ１５．２Ｏ１３０３４９．　ＬＩ　Ｚｈｅｎｇｑｕａｎ，ＷＵ　Ｙａｏｘｉａｎｇ．Ｉｎｖｅｒｓｅ　Ｄｉｓｔａｎｃｅ　Ｗｅｉｇｈｔｅｄ　Ｃｏｎｔｏｕｒ　Ｔｒｅｅ　Ｓｔｒｕｃｔｕｒｅ［Ｊ］．Ｔｅｃｈｎｏｌｏｇｙ　Ｄｙｎａｍｉｃ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ，１９９６，２０（１）：２－７．　（责任编辑：张艳玲）　Ｉｎｔｅｒｐｏｌａｔｉｏｎ　Ｉｎｖｏｌｖｉｎｇ　Ｐｏｓｉｔｉｏｎ　Ｓｈａｄｉｎｇ［Ｊ］．Ａｃｔａ　Ｇｅｏ—　ｄａｅｔｉｃａ　ｅｔ　Ｃａｒｔｏｇｒａｐｈｉｃａ　Ｓｉｎｉｃａ，２０１５，４４（Ｉ）：９１—９８．　收稿日期：２０１５－１Ｉ－１５　修回日期：２０１５－１２．１Ｏ　ＤＯＩ：１Ｏ．１１９４７／ｊ．ＡＧＣＳ．２０１５．２０１３０３４９．　［１７］张锦明，游雄，万刚．ＤＥＭ插值参数优选的试验研究＿Ｊ］．　测绘学报，２０１４，４３（２）：１７８—１８５，１９２．ＤＯＩ：１０．１３４８５／ｊ．　ｅｎｋｉ．１１－２０８９．２０１４．００２６．　第一作者简介：刘民士（１９８３一），博士生，讲师，主要从事　地图自动综合的理论与方法研究。　Ｆｉｒｓｔ　ａｕｔｈｏｒ：ＬＩＵ　Ｍｉｎｓｈｉ（１９８３…），ＰｈＤ　ｃａｎｄｉｄａｔｅ，ｌｅｃ—　ＺＨＡＮＧ　Ｊｉｎｍｉｎｇ，ＹＯＵ　Ｘｉｏｎｇ，ⅥｒＡＮ　Ｇａｎｇ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｔｕ　ｒｅ　ｒ，ｓｐｅｃｉａｌｉｚｅｓ　ｉｎ　ａｕｔｏｍａｔｉｃ　ｍａｐ　ｇｅｎｅ　ｒａｌｉｚｏｔｉｏｎ．　Ｒｅｓｅａｒｃｈ　ｏｎ　Ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ＤＥＭ　Ｉｎｔｅｒｐｏｌａｔｉｏｎ　Ｐａｒａｍｅｔｅｒｓ　［Ｊ］．Ａｃｔａ　Ｇｅｏｄａｅｔｉｃａ　ｅｔ　Ｃａｒｔｏｇｒａｐｈｉｅａ　Ｓｉｎｉｃａ，２０１４，４３　Ｅ－ｍａｉｌ：ｌｉｕｍｉｎｓｈｉ１９８３＠１２６．ｃａｍ