CN108596918A - 一种基于层次合并树的遥感图像分割方法 - Google Patents

Abstract

本发明公开了一种基于层次合并树的遥感图像分割方法，它涉及图像分割领域。包括以下步骤：1、读取输入的遥感图像，将其所有像素初始化为单独的斑块；2、利用种子区域生长（Seeded Region Growing，SRG）将已经初始化的遥感图像分割为若干超像素斑块；3、利用层次斑块合并方法构建层次合并树；4、利用自顶向下的策略对层次合并树进行节点选择；5、对于所选择的每一个节点，将其所对应的斑块作为结果输出。本发明通过利用一种称为层次合并树的数据结构，来存储和表现层次斑块合并方法的执行过程。利用本发明提出的层次合并树的节点选择，使不同尺度的地物被同时完整地分割出来，以提高遥感图像的分割精度。

Description

一种基于层次合并树的遥感图像分割方法

技术领域

本发明涉及的是图像分割领域，具体涉及一种基于层次合并树的遥感图像分割方法。

背景技术

面向对象的遥感图像分类是用于遥感图像信息提取的一种技术。这种技术非常适用于高空间分辨率的遥感图像解译，因为与传统的、基于像素的遥感图像分类技术相比，它能更为充分地利用空间背景特征，从而提高分类的精确度与可靠性。这种技术包含两个重要步骤：(1)图像分割，(2)斑块识别或分类。其中，步骤(1)是将遥感图像划分为若干在空间上互不重叠的斑块，其中每个斑块是由在空间上邻接的若干像素组成的。步骤(1)的性能在很大程度上影响着步骤(2)的效果。因为，假如图像分割将属于不同地物的像素划分到同一斑块中，那么后续的分类将不可避免得发生错误。为了避免这样的分类错误，提高图像分割方法的精度是非常必要的。

目前，大多主流的遥感图像分割方法是基于区域合并(或斑块合并)方法来实现的。其中最为著名的方法包括分形网演化方法(Fractal Net Evolution Approach，FNEA)与层次分割方法(Hierarchical Segmentation，HSeg)。这两种方法都采用了自底向上的策略，即在算法执行的初始阶段，每一个像素被当做独立的斑块(也可以利用超像素来进行初始化，以加快图像分割的计算速度；超像素可以被看作是大小近似相等、形状大致相近的若干斑块；常用的超像素生成算法包括简单线性迭代聚类(Simple Linear IterativeClustering，SLIC)、种子区域生长(Seeded Region Growing，SRG)等)；通过合并符合某种相似性度量的斑块对(即两个斑块)，使合并后的斑块逐渐逼近真实地物的形状；这样的过程迭代进行，直到所有斑块对的相似性度量都低于一个尺度阈值参数；尺度阈值参数需要由用户预先设置，其值的高低决定了分割结果中各个斑块的平均大小。一般而言，尺度阈值越高，被允许的合并次数就越多，分割结果中斑块的平均尺度也越大。利用不同的尺度参数，可以将遥感图像中不同大小的地物分割出来。但是，在很多遥感图像中，不同地物之间的尺度差异很大，要将这些地物同时分割出来，利用尺度阈值参数的策略是难以实现的。

综上所述，本发明设计了一种基于层次合并树的遥感图像分割方法。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种基于层次合并树的遥感图像分割方法，与已有的遥感图像分割方法相比，本发明能更有效地同时将遥感图像中不同尺度的地物完整分割出来，具有分割精度高的特点。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于层次合并树的遥感图像分割方法，基于层次合并树的遥感图像分割是用来将遥感图像中的地物分割成独立斑块的一种技术，它是遥感图像分类或目标识别的关键环节。包括以下步骤：

1、读取输入的遥感图像，将其所有像素初始化为单独的斑块；

2、利用种子区域生长(Seeded Region Growing，SRG)将已经初始化的遥感图像分割为若干超像素斑块；

3、利用层次斑块合并方法构建层次合并树；

4、利用自顶向下的策略对层次合并树进行节点选择；

5、对于所选择的每一个节点，将其所对应的斑块作为结果输出。

所述的步骤3所构建的层次合并树的定义为：它是一种隶属于二叉树的数据结构，用于存储和表现层次斑块合并的过程；层次合并树由三种节点构成：根节点、叶节点以及中间节点；根节点表示由所输入的遥感图像的所有像素所组成的斑块；叶节点表示由初始化产生的某一个超像素斑块；中间节点表示由其孩子节点的斑块合并所产生的斑块。

所述的步骤3中利用层次斑块合并方法构建层次合并树，包括以下步骤：步骤3.1：创建一个线性表list，用于存储适合合并的斑块对；一个斑块对包含两个斑块；list的每个元素包含三个变量：a、斑块1的指针变量，b、斑块2的指针变量，c、斑块1与斑块2的异质性度量值C_h，其定义为：C_h＝(1-f_shape)C_spec+f_shapeC_shape，f_shape表示形状相似性度量C_spec的权重；C_spec的定义为：其中n₁、σ_1,j表示包含种子点的斑块的像素数目与该斑块在波段j的灰度标准差；n₂、σ_2,j表示与斑块1(即包含了种子点的斑块)在空间上相邻接的单像素斑块；σ_1+2,j表示斑块1与斑块2合并后的斑块在波段j的灰度标准差；形状相似性度量C_shape的定义为p₁、p₂、p₁₊₂分别表示斑块1、斑块2、斑块1与斑块2合并后的斑块的周长；两个斑块的C_h值越低，说明他们越适合合并；步骤3.2：找到所有适合合并的超像素斑块对，并将其插入到list中；步骤3.3：以C_h为关键字，对list中的所有元素进行由低到高的排序；步骤3.4：利用list进行层次合并树的构建。

所述的步骤3.2包括以下两个子步骤：步骤3.2.1：对于每一个超像素斑块，利用局部相互最适合原则，搜索与其最适合合并的斑块；局部相互最适合原则的规则为：对于某一斑块(设为斑块1)，在与其相邻接的所有斑块中，搜索与其C_h值最低的斑块(设为斑块2)；在斑块2的所有邻接斑块中，搜索在与斑块2的C_h值最低的斑块(设为斑块3)；若斑块1与斑块3不是同一个斑块，则返回空值；否则，返回斑块2；

步骤3.2.2：若根据局部相互最适合原则，不存在与当前斑块适合合并的斑块，则继续处理下一个斑块；否则，将当前斑块、与其适合合并的斑块、以及两个斑块的C_h值组成一个新元素，然后将其插入到list中。

所述的步骤3.4具体包括以下四个子步骤：步骤3.4.1：为所有超像素斑块创建与之相对应的层次合并树的节点；每一个节点包含4个变量：a、指向父节点的指针变量，b、指向左孩子的指针变量，c、指向右孩子的指针变量，d、组成该斑块的像素链表的头像素的指针变量；对于每一个超像素斑块所对应的节点，其父节点、左孩子与右孩子节点的指针变量均被设置为0；

步骤3.4.2：取出list中的第一个元素，合并该元素中前两个变量所指的斑块1、斑块2；令list的元素数目减少1；利用新得到的斑块创建一个新的节点，其左、右孩子节点的指针变量分别指向斑块1、斑块2所对应的节点；

步骤3.4.3：对于上一步骤所产生的斑块，利用局部相互最适合的原则搜索与其适合合并的斑块，若存在这样的斑块，则将两个斑块与其Ch值组成一个新元素插入到list中；若不存在，则进行下一步；

步骤3.4.4：若list的元素数目小于1，则返回步骤4.2；否则，结束层次合并树的构建。

所述步骤4中利用自顶向下的策略对层次合并树进行节点选择，包括以下步骤：

步骤4.1：创建三个线性表，其中前两个线性表用于分别存储层次合并树的每一层节点与当前层节点的所有孩子节点，将这两个线性表简称为level_table；第三个线性表用于存储被选择的节点，简称为node_table；这三个线性表的每个元素均是指向层次合并树节点的指针变量；

步骤4.2：按照自顶向下的顺序，逐层对层次合并树进行节点选择。

所述的步骤4.2具体包括以下四个子步骤：

步骤4.2.1：设步骤4.1创建的第一个level_table为table1，第二个level_table为table2；

步骤4.2.2：将层次合并树的根节点插入该table1中；令table1表示当前层；

步骤4.2.3：对于table1中的每一个节点，按照公式计算该节点所对应的斑块的所有像素的平均灰度标准差σ，其中σ_j表示波段j的灰度标准差；J是遥感图像的波段数目；若σ＜f×σ_I，则将当前节点插入到node_table中；否则，将当前节点的两个孩子节点插入到另一个table2中；其中f是一个需要由用户设置的参数；σ_I表示整景遥感图像像素的平均灰度标准差；

步骤4.2.4：调换table1与table2所指向的level_table；若table1的元素数目大于0，则返回步骤4.2.3；否则，表示层次合并树的节点选择已经完成。

本发明具有以下有益效果：通过利用一种称为层次合并树的数据结构，来存储和表现层次斑块合并方法的执行过程。利用本发明提出的层次合并树的节点选择，使不同尺度的地物被同时完整地分割出来，以提高遥感图像的分割精度。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明的方法流程图；

图2为本发明实施例用于描述本发明方法中层次合并树的结构的示例图；

图3为本发明实施例所采用的遥感图像数据与对比试验中三种分割方法的分割结果，其中(a)是所采用的伪彩色合成遥感图像，其颜色配置为：R：近红外波段，G：红色波段，B：绿色波段，(b)是用于定量评价计算的专家手动提取的斑块，(c)是本发明步骤2所产生的超像素分割结果，(d)是本发明方法的分割结果，(e)是HRM的分割结果，(f)是HSeg的分割结果。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1，本具体实施方式采用以下技术方案：基于层次合并树的遥感图像分割方法的流程图，具体包括以下步骤：

步骤1：读取输入的遥感图像，将其所有像素初始化为单独的斑块；

步骤2：利用种子区域生长(Seeded Region Growing，SRG)将已经初始化的遥感图像分割为若干超像素斑块；

步骤2.1：种子点位置的初始化，具体包括以下子步骤：

步骤2.1.1：等间隔地放置种子点，使各个种子点之间的距离为l，将l设置为10；

步骤2.1.2：对所输入的遥感图像的每个波段进行Prewitt滤波，滤波计算所利用的Prewitt算子包括水平与垂直两个方向，其中水平方向Prewitt算子的公式为：

竖直方向Prewitt算子的公式为：

对于包含J个波段的遥感图像，可以得到2J个波段的滤波结果图像；滤波计算后，为每一个像素计算其边界强度值d：其中ν_h,j表示波段j在水平方向的Prewitt滤波结果，ν_v,j则表示波段j在垂直方向的Prewitt滤波结果；J表示波段数；

步骤2.1.3：对于每一个种子点像素，搜索以其为中心、l为边长的正方形区域中边界强度d最小的位置，并将其设置为该种子点的新位置；

步骤2.2：对于所有包含种子点的斑块，逐个进行区域生长操作，具体包括以下子步骤：

步骤2.2.1：对于一个包含种子点的斑块(设为斑块1)，搜索与其在空间上相邻接、光谱相似性度量C_spec小于灰度相似性阈值T_spec的所有单像素斑块，其中n₁，σ_1,j表示包含种子点的斑块的像素数目与该斑块在波段j的灰度标准差；n₂，σ_2,j表示与斑块1(即包含了种子点的斑块)在空间上相邻接的单像素斑块；σ_1+2,j表示斑块1与斑块2合并后的斑块在波段j的灰度标准差；T_spec是灰度相似度阈值，它由用户预先设置，将其设置为30；若没有满足条件的单像素斑块存在，则直接进入步骤2.2.2；对于满足以上条件的所有单像素斑块，计算他们与斑块1的形状相似性度量C_shape，其中p₁、p₂、p₁₊₂分别表示斑块1、斑块2、斑块1与斑块2合并后的斑块的周长；选择C_shape最小的单像素斑块，然后将其与当前包含种子点的斑块合并；

步骤2.2.2：对下一个包含种子点的斑块进行步骤2.2.1，直到处理完所有包含种子点的斑块；

步骤2.2.3：若步骤2.2.2没有合并发生，则进入步骤2.3；否则返回步骤2.2.2；

步骤2.3：对于尺度过小的斑块，将其与其邻接斑块中最为相似的斑块进行合并，具体包括的操作为：搜索是否存在像素数目小于T_size的斑块；T_size为琐碎斑块的尺度阈值，将其设置为16；若存在这样的斑块，则将它与其邻接斑块中灰度最为近似的斑块进行合并；若不存在，则进入步骤3；

步骤3：利用层次斑块合并方法构建层次合并树；

为了具体说明一个层次合并树的结构，图2给出了一个简单的示例图：该图左侧是一景遥感图像，共包含五个超像素斑块，分别被表示为a、b、c、d、e；右侧是与左侧遥感图像相对应的层次合并树，其中的绿色节点表示叶节点，它们分别对应五个超像素斑块；该图右侧的紫色节点表示根节点，它包含了遥感图像中的所有超像素斑块；该图中的蓝色节点是中间节点，它表示由叶节点合并所形成的较大斑块。

步骤3.1：创建一个长度为N length的线性表list，用于存储适合合并的斑块对；Nlength等于步骤2所得到的超像素斑块的数目；list的每个元素包含三个变量：a、斑块1的指针变量，b、斑块2的指针变量，c、斑块1与斑块2的异质性度量值C_h；其中，C_h＝(1-f_shape)C_spec+f_shapeC_shape，其中f_shape表示形状相似性度量的权重；将其设置为0.1；C_spec与C_shape的定义见步骤2.2.1；两个斑块的C_h值越低，说明他们越适合合并；

步骤3.2：找到所有适合合并的超像素斑块对，并将其插入到list中，具体包括以下两个子步骤：

步骤3.2.1：对于每一个超像素斑块，利用局部相互最适合原则，搜索与其最适合合并的斑块；局部相互最适合原则的规则为：对于某一斑块(设为斑块1)，在与其相邻接的所有斑块中，搜索与其C_h值最低的斑块(设为斑块2)；在斑块2的所有邻接斑块中，搜索在与斑块2的C_h值最低的斑块(设为斑块3)；若斑块1与斑块3不是同一个斑块，则返回空值；否则，返回斑块2；

步骤3.2.2：若根据局部相互最适合原则，不存在与当前斑块适合合并的斑块，则继续处理下一个斑块；否则，将当前斑块、与其适合合并的斑块、以及两个斑块的C_h值组成一个新元素，然后将其插入到list中；

步骤3.3：以C_h为关键字，对list中的所有元素进行由低到高的排序；

步骤3.4：利用list进行层次合并树的构建，具体包括以下四个子步骤：

步骤3.4.1：为所有超像素斑块创建与之相对应的层次合并树的节点；每一个节点包含4个变量：a、指向父节点的指针变量，b、指向左孩子的指针变量，c、指向右孩子的指针变量，d、组成该斑块的像素链表的头像素的指针变量；对于每一个超像素斑块所对应的节点，其父节点、左孩子与右孩子节点的指针变量均被设置为0；

步骤3.4.2：取出list中的第一个元素，合并该元素中前两个变量所指的斑块1、斑块2；令list的元素数目减少1；利用新得到的斑块创建一个新的节点，其左、右孩子节点的指针变量分别指向斑块1、斑块2所对应的节点；

步骤3.4.3：对于上一步骤所产生的斑块，利用局部相互最适合的原则搜索与其适合合并的斑块，若存在这样的斑块，则将两个斑块与其Ch值组成一个新元素插入到list中；若不存在，则进行下一步；

步骤3.4.4：若list的元素数目小于1，则返回步骤4.2；否则，结束层次合并树的构建；

步骤4：利用自顶向下的策略对层次合并树进行节点选择；

步骤4.1：创建三个线性表，其中前两个线性表用于分别存储层次合并树的每一层节点与当前层节点的所有孩子节点，将这两个线性表简称为level_table；第三个线性表用于存储被选择的节点，简称为node_table；这三个线性表的每个元素均是指向层次合并树节点的指针变量；

步骤4.2：按照自顶向下的顺序，逐层对层次合并树进行节点选择，具体包括以下四个子步骤：

步骤4.2.1：设步骤4.1创建的第一个level_table为table1，第二个level_table为table2；

步骤4.2.2：将层次合并树的根节点插入该table1中；令table1表示当前层；

步骤4.2.3：对于table1中的每一个节点，按照公式计算该节点所对应的斑块的所有像素的平均灰度标准差σ，其中σ_j表示波段j的灰度标准差；J是遥感图像的波段数目；若σ＜f×σ_I，则将当前节点插入到node_table中；否则，将当前节点的两个孩子节点插入到另一个table2中；其中f是一个需要由用户设置的参数；σ_I表示整景遥感图像像素的平均灰度标准差；

步骤4.2.4：调换table1与table2所指向的level_table；若table1的元素数目大于0，则返回步骤4.2.3；否则，表示层次合并树的节点选择已经完成；

步骤5：对于所选择的每一个节点，将其所对应的斑块作为结果输出。

本发明可以在CPU为Intel(R)Core(TM)i5-6500@3.20GHz、8.00GB RAM内存、Windows7旗舰版系统上使用Microsoft Visual Studio 2010软件编程实现遥感图像分割实验。

实施例1：本实施方式中采用了一景高分2号遥感卫星获取的遥感图像，该景图像见图3(a)，其图像大小为400×400像素，像元大小为3.2m，中心经纬度为：(E114.1547°,N30.5842°)，获取日期是2015年2月12日，共包含近红外、红色、绿色、蓝色四个波段。

为了体现本发明方法在分割精度上的优势，将本发明方法与另外两种遥感图像分割方法的分割结果进行了对比。用于对比的两种方法分别是混合区域合并(Hybrid RegionMerging，HRM)与层次分割(Hierarchical Segmentation，HSeg)，其中，HRM是在一种经典的遥感图像分割方法——分形网演化方法(Fractal Net Evolution Approach，FNEA)的基础上进一步优化得到的。

为了对三种方法进行定量评价，本实施方式采用了一种定量的图像分割评价方法，该方法通过将待评价方法的分割结果与实际地物的专家手动提取结果进行比对，计算出准确率、召回率与F度量，这三种评价标准的范围均是(0,1)，并且都符合：其值越大，分割精度越好。图3(b)显示了本实验中由专家手动提取的地物斑块。

表1显示了三种方法的定量评价结果，可见，本发明方法的精确率、召回率和F度量均是最高的。图3(b)是本发明步骤2产生的超像素分割结果，可见其中的所有超像素斑块大小均匀，并且各个超像素斑块的边界与实际地物边界相吻合的程度较高。图3(d)、(e)、(f)分别显示了本发明方法、HRM与HSeg的分割结果，对其观察可以发现，HRM与HSeg未能将一些建筑物进行完整地分割。值得一提的是，HRM、HSeg均选用了最优的尺度参数，即F度量最高时所对应的尺度参数，其值分别为50与60。相比之下，本发明方法更为完整地提取了建筑物斑块，这主要归功于本发明步骤3中对层次合并树的节点选择方法能够更有效地将不同尺度的地物进行完整分割。

传统的斑块合并方法通过设置尺度阈值参数对合并操作进行限制，以作为迭代合并过程的终止条件；这类方法，例如FNEA、HRM、HSeg，依赖于设置不同的尺度阈值参数，将不同尺度的地物分割出来。但是在很多实际遥感图像中，即便是对于同一类地物，其尺度差异可能很大，要将其同时分割出来，传统的斑块合并方法是难以实现的。本发明的方法利用层次合并树来完整地记录层次斑块合并过程，并通过所提出的自顶向下的层次合并树节点选择方法，将不同尺度的斑块同时分割出来，从而提高遥感图像分割的精度。通过一景高分遥感图像的验证实验，本发明方法可以有效地将不同尺度的地物同时分割出来，得到较好的分割结果。

表1定量评价结果

方法/定量评价标准	准确率	召回率	F度量
				本发明方法	0.9339	0.8128	0.8691
HRM	0.8194	0.7581	0.7876
				HSeg	0.8686	0.7617	0.8117

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于层次合并树的遥感图像分割方法，其特征在于，包括以下步骤：

(1)、读取输入的遥感图像，将其所有像素初始化为单独的斑块；

(2)、利用种子区域生长将已经初始化的遥感图像分割为若干超像素斑块；

(3)、利用层次斑块合并方法构建层次合并树；

(4)、利用自顶向下的策略对层次合并树进行节点选择；

(5)、对于所选择的每一个节点，将其所对应的斑块作为结果输出。

2.根据权利要求1所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述的步骤(3)所构建的层次合并树的定义为：它是一种隶属于二叉树的数据结构，用于存储和表现层次斑块合并的过程；层次合并树由三种节点构成：根节点、叶节点以及中间节点；根节点表示由所输入的遥感图像的所有像素所组成的斑块；叶节点表示由初始化产生的某一个超像素斑块；中间节点表示由其孩子节点的斑块合并所产生的斑块。

3.根据权利要求1所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述的步骤(3)中利用层次斑块合并方法构建层次合并树，包括以下步骤：

步骤(3.1)：创建一个线性表list，用于存储适合合并的斑块对；一个斑块对包含两个斑块；list的每个元素包含三个变量：a、斑块1的指针变量，b、斑块2的指针变量，c、斑块1与斑块2的异质性度量值C_h，其定义为：C_h＝(1-f_shape)C_spec+f_shapeC_shape，f_shape表示形状相似性度量C_spec的权重；C_spec的定义为：其中n₁、σ_1,j表示包含种子点的斑块的像素数目与该斑块在波段j的灰度标准差；n₂、σ_2,j表示与斑块1(即包含了种子点的斑块)在空间上相邻接的单像素斑块；σ_1+2,j表示斑块1与斑块2合并后的斑块在波段j的灰度标准差；形状相似性度量C_shape的定义为p₁、p₂、p₁₊₂分别表示斑块1、斑块2、斑块1与斑块2合并后的斑块的周长；两个斑块的C_h值越低，说明他们越适合合并；

步骤(3.2)：找到所有适合合并的超像素斑块对，并将其插入到list中；

步骤(3.3)：以C_h为关键字，对list中的所有元素进行由低到高的排序；

步骤(3.4)：利用list进行层次合并树的构建。

4.根据权利要求3所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述的步骤(3.2)包括以下两个子步骤：

步骤(3.2.1)：对于每一个超像素斑块，利用局部相互最适合原则，搜索与其最适合合并的斑块；局部相互最适合原则的规则为：对于某一斑块,设为斑块1，在与其相邻接的所有斑块中，搜索与其C_h值最低的斑块,设为斑块2；在斑块2的所有邻接斑块中，搜索在与斑块2的C_h值最低的斑块,设为斑块3；若斑块1与斑块3不是同一个斑块，则返回空值；否则，返回斑块2；

步骤(3.2.2)：若根据局部相互最适合原则，不存在与当前斑块适合合并的斑块，则继续处理下一个斑块；否则，将当前斑块、与其适合合并的斑块、以及两个斑块的C_h值组成一个新元素，然后将其插入到list中。

5.根据权利要求3所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述的步骤(3.4具体包括以下四个子步骤：

步骤(3.4.1)：为所有超像素斑块创建与之相对应的层次合并树的节点；每一个节点包含4个变量：a、指向父节点的指针变量，b、指向左孩子的指针变量，c、指向右孩子的指针变量，d、组成该斑块的像素链表的头像素的指针变量；对于每一个超像素斑块所对应的节点，其父节点、左孩子与右孩子节点的指针变量均被设置为0；

步骤(3.4.2)：取出list中的第一个元素，合并该元素中前两个变量所指的斑块1、斑块2；令list的元素数目减少1；利用新得到的斑块创建一个新的节点，其左、右孩子节点的指针变量分别指向斑块1、斑块2所对应的节点；

步骤(3.4.3)：对于上一步骤所产生的斑块，利用局部相互最适合的原则搜索与其适合合并的斑块，若存在这样的斑块，则将两个斑块与其Ch值组成一个新元素插入到list中；若不存在，则进行下一步；

步骤(3.4.4)：若list的元素数目小于1，则返回步骤4.2；否则，结束层次合并树的构建。

6.根据权利要求1所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述步骤(4)中利用自顶向下的策略对层次合并树进行节点选择，包括以下步骤：

步骤(4.1)：创建三个线性表，其中前两个线性表用于分别存储层次合并树的每一层节点与当前层节点的所有孩子节点，将这两个线性表简称为level_table；第三个线性表用于存储被选择的节点，简称为node_table；这三个线性表的每个元素均是指向层次合并树节点的指针变量；

步骤(4.2)：按照自顶向下的顺序，逐层对层次合并树进行节点选择。

7.根据权利要求6所述的一种基于层次合并树的遥感图像分割方法，其特征在于，所述的步骤(4.2)具体包括以下四个子步骤：

步骤(4.2.1)：设步骤(4.1)创建的第一个level_table为table1，第二个level_table为table2；

步骤(4.2.2)：将层次合并树的根节点插入该table1中；令table1表示当前层；

步骤(4.2.3)：对于table1中的每一个节点，按照公式计算该节点所对应的斑块的所有像素的平均灰度标准差σ，其中σ_j表示波段j的灰度标准差；J是遥感图像的波段数目；若σ＜f×σ_I，则将当前节点插入到node_table中；否则，将当前节点的两个孩子节点插入到另一个table2中；其中f是一个需要由用户设置的参数；σ_I表示整景遥感图像像素的平均灰度标准差；

步骤(4.2.4)：调换table1与table2所指向的level_table；若table1的元素数目大于0，则返回步骤4.2.3；否则，表示层次合并树的节点选择已经完成。