一种符合人类视觉感知的遥感图像场景边界识别方法（SBVP）

《International Journal of Applied Earth Observation and Geoinformation》：A remote sensing image scene boundary identification method conforming to human visual perception (SBVP)

场景边界视觉感知方法通过聚类分析计算图像全局平均状态，指导图像金字塔上采样确定初始场景目标，并采用自适应参数的SEEDS算法进行超像素分割和边界优化，在16幅不同分辨率和地物类型的遥感图像上验证其平均IOU达0.90，较eCognition和SAM分别提升20%和23%，有效应用于异常目标检测和地理边界细化。

　　在遥感图像处理领域，识别符合人类视觉感知的场景边界一直是一个重要的研究课题。尽管遥感图像能够直观地展示地表景观，但如何精准地提取出这些场景边界，仍然面临诸多挑战。传统的图像分割方法通常依赖于图像内部的特征差异，如颜色、形状、纹理等，但它们在处理复杂背景图像时往往难以达到理想效果。近年来，随着深度学习技术的发展，许多研究尝试利用更高级的语义信息来提升图像分割的精度。然而，这些方法在处理场景边界识别时，往往忽视了人类视觉对整体图像结构的优先关注。本研究提出了一种名为Scene Boundary Visual Perception（SBVP）的新方法，旨在通过模拟人类视觉感知过程，实现对遥感图像场景边界的自动识别。SBVP的核心思想是通过图像的平均状态作为感知的基础单元，从而引导图像的粗分割以获取初始场景目标，并结合超像素分割进行对象级别的细化处理。这种方法在多个实验中表现优异，不仅在识别场景边界方面优于传统方法和深度学习模型，还在可疑目标检测和地理边界修正方面展现出良好的应用前景。

### 人类视觉感知的启发

人类在观察图像时，通常会先关注整体的宏观结构，再逐步聚焦于细节。这种由宏观到微观的视觉过程为图像分割提供了一个重要的参考框架。SBVP正是基于这一过程设计的，首先通过图像的平均状态来识别场景的初步边界，然后通过超像素分割对这些边界进行精细化处理。这种策略有助于在不依赖复杂图像处理的前提下，实现符合人类视觉习惯的场景边界识别。

### SBVP的技术流程

SBVP的方法主要包括三个关键步骤：图像的平均状态识别、图像的粗分割、以及超像素分割。首先，对图像进行聚类分析，以确定其主要的地表覆盖类型。接着，根据这些聚类结果计算出平均的图像块面积，并以此作为图像上采样到合适分辨率的依据。上采样后的图像将用于粗分割，以识别出初始的场景边界。最后，通过超像素分割算法对这些边界进行进一步细化，最终形成符合人类视觉感知的场景边界。

### 实验数据与测试方法

为了验证SBVP的有效性，研究团队选取了16幅具有不同空间分辨率和地表覆盖类型的遥感图像进行测试。这些图像均来自Google Earth，并且在测试过程中，研究人员还对图像进行了人工标注，以确保测试的准确性。测试分为三个部分：参数优化、与其他方法的对比测试，以及实际应用测试。在参数优化阶段，研究团队通过调整上采样分辨率和超像素分割的尺度参数，找到最佳的图像处理方式。对比测试则将SBVP的结果与eCognition和Segment Anything Model（SAM）进行比较，以评估其性能。应用测试则包括可疑目标检测、中国干旱-湿润边界优化以及全球生物地理边界优化等。

### 实验结果与分析

在参数测试中，研究团队发现SBVP所假设的上采样分辨率和超像素分割尺度参数在大多数情况下都能达到最优效果。例如，在某些测试图像中，虽然实际最优参数与假设参数存在一定的偏差，但这些偏差对最终的场景边界识别结果影响较小，说明假设参数具有一定的稳健性。此外，在对比测试中，SBVP的平均IoU（交并比）达到了0.90，相比eCognition和SAM分别提升了20%和23%（P < 0.01），这表明SBVP在识别场景边界方面具有显著优势。

在实际应用测试中，SBVP不仅成功识别了可疑目标，如森林中的异常人工表面和城市中的白色建筑，还在中国干旱-湿润边界和全球生物地理边界的优化中表现出良好的效果。例如，在中国干旱-湿润边界优化测试中，SBVP将初始的等降水线边界进行细化处理，使得边界更加清晰，符合人类的视觉感知。同样，在全球生物地理边界优化中，SBVP的边界识别结果与实际的地表景观特征高度一致，显示出其在复杂地理环境中的适应性。

### SBVP的优势与局限性

SBVP的优势在于其简单且高效的设计，能够自动识别场景边界，同时避免了传统方法对单一物体边缘的过度依赖。这种方法不仅提高了图像处理的效率，还增强了场景边界识别的准确性。然而，SBVP也存在一些局限性。例如，它对图像的空间分辨率较为敏感，当空间分辨率过高或过低时，识别效果可能会受到影响。此外，尽管SBVP在多数情况下表现优异，但在某些极端情况下，可能需要结合其他更高级的图像处理技术来进一步优化结果。

### 结论

综上所述，SBVP作为一种新型的场景边界识别方法，其设计灵感来源于人类的视觉感知机制，能够有效地提升遥感图像处理的准确性和效率。通过结合图像的平均状态、上采样和超像素分割，SBVP在多个测试案例中均表现出色，特别是在处理复杂地表覆盖类型和识别可疑目标方面。尽管SBVP在某些情况下可能需要进一步的优化，但其简单性和高效性使其在遥感和地理研究中具有广泛的应用前景。未来的研究可以进一步探索如何将更先进的深度学习技术与SBVP相结合，以提升其在不同场景下的适应性和准确性。