《表1 FNEA计算公式》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于POI与NPP/VIIRS灯光数据的城市群边界定量识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

分形网络演化算法（Fractal Net Evolution Approach，FNEA）在面向对象影像分析中得到了广泛的使用（Benz et al，2004）。其利用模糊子集理论提取感兴趣的影像对象，在感兴趣的尺度范围内，影像的大尺度对象与小尺度对象同时存在，从而形成一个多尺度影像对象层次等级网络。FNEA基本思想是像素从下向上且遵循异质性最小原则的分割算法，将光谱特征和形状特征相似的邻近像元合并，并对像元赋予同一含义，生成一个大尺度和小尺度并存的多尺度对象层次等级网络，并且栅格对象在包括光谱同质性的同时，也包括了空间特征与形状特征的同质性。表1中的光谱异质性hc由各个数据层光谱值的标准差与权重因子相乘后求和得到，其中标准差σn代表了图像灰度分布的波动情况，可以用来衡量整体差异。形状异质性hs指标包括平滑度指数hsmooth与紧凑度指数hcmpact这两个指标。紧凑度指数hcmpact是指衡量对象形状规则程度的指标，平滑度指数hsmooth表示形状的平滑程度。若平滑度权重大，则分割后的对象边界较为平滑；若紧凑度权重大，则形状较为紧密、更多锯齿形状，根据图像特点、目标对象特点和需求不同，合理调配两者间权重。并且在图像分割过程中加入形状因素，可以降低影像噪声对分割的干扰，使分割后的区域形状较平滑完整，减少图像对象边界破碎程度，得到较为规则的栅格对象。