蘇騰飛， 張圣微， 李洪玉

(內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院,呼和浩特 010018)

基于紋理特征與區(qū)域生長(zhǎng)的高分辨率遙感影像分割算法

蘇騰飛， 張圣微， 李洪玉

(內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院,呼和浩特 010018)

影像分割是面向?qū)ο笥跋穹治鲋械闹匾襟E。為了提高高分辨率遙感影像(high-resolution remote sensing image,HRI)分割算法的性能，提出一種新的影像分割算法，包含種子確定、基于種子區(qū)域生長(zhǎng)(seeded region growing,SRG)的過(guò)分割(advanced SRG,ASRG)和層次區(qū)域生長(zhǎng)(hierarchical region growing,HRG)3個(gè)步驟。利用Gabor紋理特征定義紋理均勻性，將種子自動(dòng)放置在HRI中同一紋理組成區(qū)域的中心位置； 在SRG階段，將HRI光譜信息與斑塊形狀信息相結(jié)合，提出了一種新的合并規(guī)則，以提高SRG過(guò)分割的精度與分割結(jié)果中各個(gè)斑塊排列的緊湊性； 在HRG階段，提出了一種自適應(yīng)的閾值，可以更好地保持多尺度分割的特性； 在實(shí)驗(yàn)部分，采用3景HRI驗(yàn)證了上述方法。利用監(jiān)督的影像分割評(píng)價(jià)方法定量評(píng)價(jià)了該方法的分割精度，并與另外2種主流的遙感影像分割算法進(jìn)行了對(duì)比。結(jié)果表明，該方法可以得到令人滿意的分割效果。

紋理特征； 種子區(qū)域生長(zhǎng)(SRG)； 層次區(qū)域生長(zhǎng)(HRG)； 高分遙感影像(HRI)； 影像分割

0 引言

隨著遙感技術(shù)的不斷進(jìn)步，越來(lái)越多的傳感器可提供高分辨率遙感影像(high-resolution remote sensing image，HRI)，如QuickBird,IKONOS,GeoEye,OrbView等[1-2]。影像分割是HRI解譯的關(guān)鍵步驟[3-6]。HRI分割算法可大致分為基于邊界的分割和基于區(qū)域的分割2類。第一類算法主要利用邊緣檢測(cè)算法提取影像中的區(qū)域邊界，例如Sobel,Prewitt和Canny算子[7]，這類方法運(yùn)算較快，但難以直接提取閉合的邊界線。主動(dòng)輪廓線模型[8]將邊界提取與曲線演化理論相結(jié)合，以期克服上述困難； 但其代價(jià)是較大的計(jì)算負(fù)擔(dān)和難以同時(shí)獲取多個(gè)區(qū)域的輪廓線，且其精度也易受初始化的影響。與第一類算法相比，第二類算法受到更多學(xué)者的青睞，近年來(lái)也出現(xiàn)了較多的相關(guān)研究，包括區(qū)域生長(zhǎng)[1,3,4-6,9-12]、馬爾科夫場(chǎng)[12-14]、模糊C均值聚類[14-15]、正規(guī)化分割[16]、均值漂移[16-17]、多主體[1]以及基于直方圖與線性回歸的影像分割[18-19]等。雖然基于區(qū)域生長(zhǎng)的影像分割歷史較長(zhǎng)，卻在近年來(lái)受到更多關(guān)注，其中，種子區(qū)域生長(zhǎng)(seeded region growing,SRG)和層次區(qū)域生長(zhǎng)(hierarchical region growing,HRG)是2個(gè)重要分支。

SRG最初被當(dāng)作一種半自動(dòng)的影像分割算法[20]，因其主要包括種子確定和種子生長(zhǎng)2個(gè)步驟。在第一步中，種子的數(shù)目和位置通常需要人為給出，這極大地降低了SRG的自動(dòng)化程度。為了消除這一弊端，Lee[21]采用了等間隔放置種子的方法首先獲取過(guò)分割，再合并過(guò)分割的區(qū)域。若種子被放置在影像的邊界處，則相鄰的區(qū)域可能被錯(cuò)誤地合并。Fan等[22]利用影像邊界信息來(lái)優(yōu)化種子位置； Evans等[23]利用正則變換從Landsat“農(nóng)田”影像中提取種子的數(shù)目和位置。以上方法的1個(gè)隱含假設(shè)是： 影像中的各個(gè)區(qū)域應(yīng)至少包含1個(gè)種子，并且種子應(yīng)該被放置在區(qū)域的中心位置。但對(duì)于一些具有較大尺度紋理的區(qū)域，僅利用影像邊界信息難以達(dá)到這一目的，因?yàn)橛跋襁吔鐚?duì)應(yīng)的是影像中灰度變化較大的區(qū)域，而一些紋理區(qū)域(尤其是尺度較大的紋理)也具有較大的灰度變化。例如，HRI中的一片茂密的森林本應(yīng)被完整地分割出來(lái)，但因其灰度變化較大，基于邊界的種子確定方法難以將種子放置在森林區(qū)域中，會(huì)造成亞分割錯(cuò)誤。針對(duì)上述問(wèn)題，本文提出了一種基于紋理特征的種子確定方法。

除了種子位置的確定，種子數(shù)目的確定也是較為困難的。種子數(shù)目過(guò)多易導(dǎo)致過(guò)分割； 反之易導(dǎo)致亞分割。在區(qū)域生長(zhǎng)中，過(guò)分割可通過(guò)區(qū)域合并來(lái)消除； 亞分割則可通過(guò)區(qū)域分裂來(lái)減少。但在實(shí)現(xiàn)上，區(qū)域合并比區(qū)域分裂更為簡(jiǎn)單。因此，本文首先過(guò)多地設(shè)置種子數(shù)目，再通過(guò)區(qū)域合并消除過(guò)分割。實(shí)際上，種子數(shù)目的確定與HRG尺度的選擇有相似之處： HRG中較大的分割尺度對(duì)應(yīng)較大尺度的地物，反之對(duì)應(yīng)較小尺度的地物。

HRG一般采用自底向上的策略，通過(guò)合并將地物分割出來(lái)。為了保證分割的準(zhǔn)確性，優(yōu)先合并最為相似的區(qū)域。HRG中的尺度參數(shù)與其合并標(biāo)準(zhǔn)的閾值是對(duì)應(yīng)的。大閾值會(huì)產(chǎn)生更多合并，得到大尺度的分割結(jié)果，但易導(dǎo)致錯(cuò)誤的合并(即亞分割錯(cuò)誤)； 反之，小閾值會(huì)限制合并次數(shù)，使大尺度的地物被過(guò)分割。綜上，HRG的合并標(biāo)準(zhǔn)和尺度選擇是關(guān)鍵。Martain等[11]基于HRG提出了分形網(wǎng)演化算法(fractal net evolution algorithm,FNEA)，它將影像的灰度和形狀異質(zhì)性作為合并標(biāo)準(zhǔn)。FNEA的另一個(gè)重要貢獻(xiàn)是，在合并規(guī)則中引入了“相互最適合(mutual best fit,MBF)”，顯著提高了分割精度。Zhong等[1]利用多主體進(jìn)一步改進(jìn)了FNEA的合并規(guī)則； Zhang等[3]借鑒了FNEA實(shí)現(xiàn)的細(xì)節(jié)，并將邊界信息加入到合并標(biāo)準(zhǔn)中。在基于FNEA的算法中，灰度和緊致異質(zhì)性都被簡(jiǎn)單地相加，這是缺少理論依據(jù)的。因此，本文在設(shè)計(jì)合并標(biāo)準(zhǔn)時(shí)提出了更為合理的方法。

1 算法原理

本文算法包含3個(gè)步驟： ①基于紋理特征的種子確定； ②基于SRG的過(guò)分割； ③HRG。圖1示出本文方法的流程圖。

圖1 本文算法流程圖

1.1 基于紋理特征的種子提取

1.1.1 紋理特征提取

紋理特征是影像中的重要信息。描述紋理特征的方法有很多，其中最常用的有基于統(tǒng)計(jì)的和基于結(jié)構(gòu)的紋理特征描述方法。前者由Haralick等[24]提出，后者則基于Gabor濾波[25]。本文采用Gabor濾波方法提取HRI中的紋理特征。

基于Gabor的紋理特征提取是通過(guò)多通道濾波實(shí)現(xiàn)的。二維Gabor核函數(shù)包括實(shí)數(shù)部分Greal和虛數(shù)部分Gimag，其計(jì)算公式[25]為

(1)

式中：σ和θ分別為核函數(shù)的尺度和方向；i和j分別為二維核函數(shù)中水平和垂直方向的位置。

分別利用Greal和Gimag對(duì)原影像進(jìn)行卷積運(yùn)算，得到濾波結(jié)果R和I，則對(duì)應(yīng)尺度σ和方向θ的紋理特征T(σ,θ)的計(jì)算公式[25]為

T(σ,θ)=R2(σ,θ)+I2(σ,θ)。

(2)

影像中往往包含不同尺度和不同方向的紋理，為了將其區(qū)分開(kāi)，需要利用多個(gè)尺度和方向計(jì)算出Gabor核函數(shù)，得到多個(gè)紋理特征。需要的Gabor濾波器數(shù)目等于Nθ·lb(Nwidth/2)[25]，其中Nθ為方向θ的數(shù)目，Nwidth為影像的寬度。對(duì)于1景寬度為512的HRI，若選用6個(gè)方向(各方向的間隔為π/6)，則需42個(gè)Gabor濾波器。

在計(jì)算出各個(gè)尺度和方向的紋理特征量后，還需對(duì)其進(jìn)行平滑濾波； 平滑濾波可以提取Gabor濾波結(jié)果中的對(duì)比度和強(qiáng)度信息，并消除灰度變化較大的信息。值得注意的是，平滑濾波器的尺度越大，其濾波結(jié)果中不同紋理特征量的對(duì)比度越明顯，但也會(huì)降低不同紋理區(qū)域的邊界信息。因此，選用合適尺度的平滑濾波器是非常重要的。

1.1.2 種子確定

從HRI中可清晰地捕捉地物細(xì)節(jié)，其中一些尺度較大的紋理會(huì)被一般的邊界檢測(cè)算法確定為邊界，從而難以準(zhǔn)確地提取紋理區(qū)域的種子位置。本文試圖將紋理區(qū)域的種子放置在靠近區(qū)域中心的位置。為了實(shí)現(xiàn)這一目的，首先定義了紋理均勻性(textural homogeneity)，即

(3)

式中：HT(pi,j)為像素pi,j的紋理均勻性，表示在以像素pi,j為中心的區(qū)域內(nèi)其紋理特征的均勻程度；i和j分別為像素的行和列號(hào)；W為以像素pi,j為中心的窗口大小；w為該窗口中像素的索引值；NT為紋理特征數(shù)目；t為紋理特征的索引值；σwt為第t個(gè)紋理特征圖像中以像素w為中心、大小為W的窗口的圖像區(qū)域的標(biāo)準(zhǔn)差。根據(jù)式(3)的定義，本文種子位置的計(jì)算公式為

(4)

式中：W為滑動(dòng)窗口；x和y分別為種子位置的行和列號(hào)； argmin為取最小值函數(shù)。

在SRG中，種子之間應(yīng)具有盡量大的間隔，以保證分割結(jié)果中各個(gè)區(qū)域的緊致性。本文對(duì)式(4)進(jìn)行改進(jìn)，使種子的位置盡量靠近滑動(dòng)窗口W的中心，即

(5)

式中： (i0,j0)為滑動(dòng)窗口中心的位置；D為距離系數(shù)，其值與像素和滑動(dòng)窗口中心的距離大小成正比，定義為

Di0,j0(i,j)=exp[-(d/d0)-1],

(6)

d=[(i-i0)2+(j-j0)2]1/2

(7)

式中：d為像素(i,j)到(i0,j0)的距離;d0為滑動(dòng)窗口中像素與窗口中心距離的最大值。

從HRI中提取紋理特征需要經(jīng)過(guò)大量計(jì)算。為了在保證精度的前提下降低計(jì)算量，可利用主成分分析[26](principle component analysis,PCA)降低紋理特征的維度。因此，在本文的種子確定計(jì)算之前，先利用PCA降低紋理特征的維度。

圖2示出本文方法利用和未利用PCA降維所提取的種子位置。該圖大小為200像素×200像素。選取的滑動(dòng)窗口的大小為20像素×20像素，從5個(gè)尺度、8個(gè)方向分別提取3個(gè)波段(RGB)的紋理特征，共得到120個(gè)特征量，對(duì)其進(jìn)行PCA變換。PCA結(jié)果中最大的8個(gè)分量占據(jù)了全部特征量的90%。圖2(b)和(c)分別是未利用和利用PCA的種子確定結(jié)果，對(duì)比后可看出，2個(gè)結(jié)果基本一致。這說(shuō)明采用PCA降維可在保證精度的前提下，大大降低計(jì)算量。

(a) 紋理圖像(b) 未利用PCA的種子確定(c) 利用了PCA的種子確定

1.2 改進(jìn)合并規(guī)則的SRG

1.2.1 SRG算法流程

利用1.1節(jié)中的方法獲取的種子，執(zhí)行SRG算法來(lái)獲取過(guò)分割結(jié)果。與傳統(tǒng)SRG不同的是，本文優(yōu)先合并在光譜上更為相似的區(qū)域，以進(jìn)一步保證分割的正確性。本文SRG算法的流程如下：

1)設(shè)定閾值TSRG，輸入種子列表；

2)按照1.2.2節(jié)的合并規(guī)則，為每一個(gè)種子找到最適合合并的像素，將其輸入到隊(duì)列中；

3)對(duì)隊(duì)列中的元素進(jìn)行排序，光譜異質(zhì)性變化量小的排在隊(duì)列的前面；

4)按照隊(duì)列的順序，將像素與其所對(duì)應(yīng)的種子進(jìn)行合并；

5)若影像中沒(méi)有其他像素，則輸出過(guò)分割結(jié)果； 否則返回到步驟2)。

其中步驟2)可能發(fā)生的情況是： 某一像素被同時(shí)確定為2個(gè)不同種子的最適合合并的像素，這會(huì)導(dǎo)致步驟4)合并操作出錯(cuò)。因此需要每次合并前檢查該像素是否已被合并； 若已被合并，則放棄合并。在初始階段，由于各個(gè)種子相距較遠(yuǎn)，這種情況不會(huì)發(fā)生； 隨著種子生長(zhǎng)，一些像素可能同時(shí)與2個(gè)種子所在的區(qū)域相鄰接，才可能導(dǎo)致上述情況。

1.2.2 SRG合并規(guī)則

好的合并規(guī)則能有效地避免錯(cuò)誤合并。FNEA的合并規(guī)則不僅考慮了光譜灰度，還考慮了形狀信息，以得到視覺(jué)上更為優(yōu)越的分割結(jié)果。其合并標(biāo)準(zhǔn)CFNEA的計(jì)算公式[11]為

CFNEA=(1-wshape)△Hspec+wshape△Hshape,

(8)

式中：wshape為形狀異質(zhì)性的權(quán)重，其值在[0, 1]之間； △Hspec和△Hshape分別為光譜異質(zhì)性的變化量和形狀異質(zhì)性的變化量，其定義[11]為

(9)

式中：n為斑塊包含的像素?cái)?shù)目；σ為斑塊內(nèi)所有像素光譜值得標(biāo)準(zhǔn)差；l為斑塊周長(zhǎng)；b為斑塊外接矩形的寬度； 下標(biāo)1，2，m分別表示斑塊1、斑塊2和它們合并后產(chǎn)生的斑塊。

本文在構(gòu)建新的合并規(guī)則時(shí)，首先考慮光譜異質(zhì)性，其次考慮形狀異質(zhì)性，即在確?；叶认嗨频那疤嵯拢眯螤钚畔⒅笇?dǎo)合并，以產(chǎn)生視覺(jué)上優(yōu)越的分割結(jié)果。本文SRG合并規(guī)則的步驟為：

1)設(shè)區(qū)域sa是當(dāng)前待處理的區(qū)域(或種子)，找到與sa相鄰的所有像素，組成集合Na；

2)在Na中，計(jì)算所有像素與sa合并后的△Hspec，從中挑選在閾值TSRG以下的像素，并將其組成集合Na*；

3)在Na*中，計(jì)算所有像素與sa合并后的△Hcomp，從中選出其值最小的設(shè)為sb，即是與sa最適合合并的像素。

步驟3)中△Hcomp的計(jì)算公式[11]為

(10)

式中：l為區(qū)域周長(zhǎng)；n為區(qū)域的像素個(gè)數(shù)；i和j分別為待合并的2個(gè)區(qū)域；m為合并后的區(qū)域。

步驟2)中的TSRG是SRG的閾值。若TSRG較小，每次合并時(shí)得到的集合Na*就會(huì)包含很少的區(qū)域(甚至是空集)，從而會(huì)降低計(jì)算速度； 反之可能導(dǎo)致錯(cuò)誤的合并。

1.3 基于GMBF的HRG算法

全局相互最適合(global mutual best fit,GMBF)的合并規(guī)則最早由Martain等[11]提出，包含2部分內(nèi)容： ①相互最適合，即2個(gè)區(qū)域在其各自的鄰域中，都是對(duì)方最適合合并的區(qū)域； ②全局最適合，即在圖像內(nèi)的所有鄰域中，找出一對(duì)最符合合并標(biāo)準(zhǔn)的鄰域。GMBF的目的是得到符合某個(gè)合并標(biāo)準(zhǔn)的最佳分割結(jié)果。本文中GBMF利用的合并標(biāo)準(zhǔn)是光譜異質(zhì)性。

在基于GMBF的HRG區(qū)域合并中，只有2個(gè)區(qū)域的光譜異質(zhì)性變化量小于一個(gè)閾值時(shí)才允許其合并，本文將該閾值與區(qū)域大小相關(guān)聯(lián)，其計(jì)算公式為

THRG(i,j)=γ2log(ni+nj),

(11)

式中：i和j分別為2個(gè)待合并的區(qū)域；γ為調(diào)節(jié)系數(shù)；n為區(qū)域的像素?cái)?shù)目；THRG為一個(gè)局部動(dòng)態(tài)閾值，對(duì)于尺度較大的區(qū)域，THRG較大。

式(11)采用對(duì)數(shù)函數(shù)是為了使THRG隨區(qū)域增大而增大的速度較小。用戶可通過(guò)調(diào)節(jié)γ來(lái)得到合適尺度的分割結(jié)果。

2 實(shí)例驗(yàn)證

為了驗(yàn)證本文算法，共采用3景OrbView3 HRI進(jìn)行分割實(shí)驗(yàn)(表1)。將3景影像分別簡(jiǎn)稱為S1,S2和S3。

表1 OrbView3分割實(shí)驗(yàn)數(shù)據(jù)

3景影像各具特點(diǎn)，要將其中所有地物都完整分割出來(lái)是較為困難的。為了定量地評(píng)價(jià)本文算法的分割精度，利用了一種監(jiān)督的影像分割評(píng)價(jià)方法[5]。該方法需要將本文算法的分割結(jié)果與專家手動(dòng)分割得到的參考分割結(jié)果(圖3(d)(e)(f))進(jìn)行對(duì)比，計(jì)算出查準(zhǔn)precision(p)和召回recall(r)值。當(dāng)且僅當(dāng)p和r都接近1時(shí)，分割結(jié)果和參考結(jié)果最相似。該方法還定義了變量f=pr/(p+r)，以消除p不能反映過(guò)分割錯(cuò)誤和r不能反映亞分割錯(cuò)誤的弊端。f越接近1，分割效果越好。

本文算法需要的參數(shù)有： Gabor濾波參數(shù)、種子間隔ls、主成分分析(PCA)降維數(shù)、SRG合并閾值TSRG以及HRG合并閾值γ。其中，Gabor濾波參數(shù)的設(shè)置參考了文獻(xiàn)[25]； PCA降維數(shù)被自動(dòng)設(shè)置為最大分量占總變化90%時(shí)的個(gè)數(shù)； 其余的參數(shù)均需根據(jù)不同的影像來(lái)設(shè)置。

本文方法主要分為種子確定、SRG和HRG等3個(gè)階段，前2個(gè)階段可被視為基于SRG的過(guò)分割算法，第3階段是在過(guò)分割的基礎(chǔ)上利用HRG對(duì)相似區(qū)域進(jìn)行合并的過(guò)程。為了充分驗(yàn)證本文方法，分別進(jìn)行了本文過(guò)分割算法(advanced SRG,ASRG)和整體分割算法的實(shí)驗(yàn)。實(shí)驗(yàn)采用的3景HRI影像與專家手動(dòng)分割結(jié)果見(jiàn)圖3。S1(圖3(a))是城市地區(qū)的HRI，其中包含建筑、操場(chǎng)、道路、植被、陰影等多種地物，各種地物具有不同的尺度、形狀和紋理特征。S2(圖3(b))是鄉(xiāng)村地區(qū)的HRI，主要包含多片尺度相差較大的農(nóng)田。S3(圖3(c))是海岸帶HRI，與S1和S2不同的是，它包含了海水和農(nóng)田。

(a) S1(城市) (b) S2(鄉(xiāng)村)(c) S3(海岸帶)

(d) S1分割結(jié)果 (e) S2分割結(jié)果(f) S3分割結(jié)果

2.1 對(duì)過(guò)分割算法的驗(yàn)證實(shí)驗(yàn)

這一實(shí)驗(yàn)考察的是本文基于SRG的過(guò)分割算法ASRG，主要有2個(gè)目的： ①驗(yàn)證ASRG中基于紋理特征的種子確定方法； ②驗(yàn)證ASRG中改進(jìn)的合并規(guī)則。對(duì)于目的①，將ASRG與基于邊界強(qiáng)度設(shè)置種子位置的ESRG(edge-strength SRG)[27]進(jìn)行了對(duì)比； 對(duì)于目的②，對(duì)比了利用FNEA合并規(guī)則的FSRG(FNEA-SRG)。ASRG與FSRG的種子設(shè)置方法相同，但合并規(guī)則不同。

由于這一實(shí)驗(yàn)是驗(yàn)證過(guò)分割算法，因此只需計(jì)算分割結(jié)果的p值，以定量評(píng)價(jià)算法性能。對(duì)于S1和S2，3種算法都將種子間隔ls設(shè)置為15； S3的尺度相對(duì)較大，所以3種算法都將ls設(shè)置為20。對(duì)于本文方法，3景實(shí)驗(yàn)影像的TSRG都設(shè)置為30。

圖4是ASRG與ESRG的種子確定結(jié)果。

(a) S1(ASRG)(b) S2(ASRG) (c) S3(ASRG)

(d) S1(ESRG)(e) S2(ESRG) (f) S3(ESRG)

從圖4中ASRG的結(jié)果可以看出，在區(qū)域邊緣，種子點(diǎn)是較為稀疏的(如圖4(c)中的海陸邊界)； 大部分種子都在靠近區(qū)域中心的位置(如圖4(a)中央的操場(chǎng))。由于本文方法考慮了Gabor紋理特征，一些種子在紋理區(qū)域得到了較好的設(shè)置(如圖4(c)西北部的村莊)。雖然ESRG也得到了與ASRG較為相似的結(jié)果，但其種子位置的排列明顯不規(guī)則，且一些種子并未很好地設(shè)置在區(qū)域中心(如圖4(a)中的操場(chǎng)和圖4(e)中的西南部農(nóng)田)。

圖5顯示了3景影像的過(guò)分割結(jié)果。

(a) S1(ASRG)(b) S1(ESRG) (c) S1(FSRG)

(d) S2(ASRG)(e) S2(ESRG) (f) S2(FSRG)

(g) S3(ASRG)(h) S3(ESRG) (i) S3(FSRG)

從圖 5可以看出，ASRG可得到視覺(jué)上更為優(yōu)越的過(guò)分割。ESRG僅考慮了邊界信息，因此對(duì)于一些紋理尺度較大的區(qū)域(如圖5(h)北部的農(nóng)田)，種子位置排列在視覺(jué)上較為散亂，其過(guò)分割的各個(gè)斑塊也難以反映農(nóng)田區(qū)域的結(jié)構(gòu)。反之，圖5(b)和(e)的結(jié)果與(a)和(d)相差較小，這也在表2定量精度評(píng)價(jià)中得到了體現(xiàn)： 對(duì)于3景影像的p值，ASRG最高，ESRG次之，F(xiàn)SRG最低。雖然FSRG在合并規(guī)則中考慮了光譜與形狀信息，但該算法只是將二者進(jìn)行了簡(jiǎn)單的加和； 所以在FSRG的結(jié)果中，各區(qū)域的邊界之間出現(xiàn)了錯(cuò)誤的斑塊(如圖5(c)中的操場(chǎng)與周圍區(qū)域被錯(cuò)誤地合并)。

表2 3種過(guò)分割方法結(jié)果的p

ASRG的優(yōu)勢(shì)可被歸納為2個(gè)方面： ①得益于基于紋理特征的種子確定方法，過(guò)分割結(jié)果中各個(gè)區(qū)域的邊界被很好地保持下來(lái)； ②由于ASRG的合并標(biāo)準(zhǔn)較FSRG更為合理地整合了灰度與形狀異質(zhì)性，ASRG分割結(jié)果中各個(gè)斑塊的形狀美觀、排列整齊，這便于后續(xù)處理。實(shí)驗(yàn)表明，ASRG的種子確定方法和改進(jìn)的合并規(guī)則都有利于提高過(guò)分割算法的精度和視覺(jué)效果。

2.2 對(duì)整體分割算法的驗(yàn)證實(shí)驗(yàn)

為了驗(yàn)證本文整體分割算法(advanced HRG,AHRG)的精度，進(jìn)行了分割實(shí)驗(yàn)，主要有2個(gè)目的： ①驗(yàn)證AHRG中的動(dòng)態(tài)閾值方法； ②對(duì)AHRG與其他主流遙感影像分割算法進(jìn)行對(duì)比。針對(duì)目的①，采用了固定閾值的基于GMBF的方法(simple thresholding HRG,SHRG)進(jìn)行對(duì)比實(shí)驗(yàn)(需說(shuō)明的是，AHRG與SHRG均是在本文ASRG的基礎(chǔ)上開(kāi)展HRG的)； 對(duì)于目的②，采用了FNEA進(jìn)行對(duì)比。FNEA的初始階段以各個(gè)像素作為單獨(dú)區(qū)域。

圖6為AHRG分割結(jié)果的p,r,f隨γ的變化。

(a) S1(b) S2(c) S3

選擇γ的標(biāo)準(zhǔn)是f最高時(shí)所對(duì)應(yīng)的值，所以S1,S2和S3的γ分別為35,30和130。通過(guò)實(shí)驗(yàn)確定，SHRG對(duì)于S1,S2和S3的尺度參數(shù)分別為50,40和150。對(duì)于FNEA，3景影像的形狀參數(shù)均為0.1，緊致性參數(shù)均為0.5； 對(duì)于尺度參數(shù)，3景影像分別為50,45和100。

圖7是3種算法對(duì)S1,S2和S3的分割結(jié)果。由圖7可以看出，3種算法都將3景實(shí)驗(yàn)影像中的主要區(qū)域分割出來(lái)了。對(duì)比AHRG與SHRG，后者的分割結(jié)果中出現(xiàn)了更多過(guò)分割現(xiàn)象，如圖7(e)中西南部較大的農(nóng)田被分割成許多小區(qū)域，類似的還有圖7(h)南部的海水。

(a) S1(AHRG)(b) S1(SHRG) (c) S1(FNEA)

(d) S2(AHRG)(e) S2(SHRG) (f) S2(FNEA)

(g) S3(AHRG)(h) S3(SHRG) (i) S3(FNEA)

表3也定量地反映了這一情況： SHRG的p值對(duì)于3景影像都是最高的，而r值卻最低。這主要是因?yàn)镾HRG中固定的閾值容易限制很多可能正確的合并，導(dǎo)致過(guò)分割。

表3 3種分割算法的分割精度

由表3可知，F(xiàn)NEA也得到了較好的分割結(jié)果，其f值較SHRG高一些，但卻低于AHRG。仔細(xì)對(duì)比AHRG和FNEA的結(jié)果可以看出，對(duì)于S1和S2，AHRG相比FNEA產(chǎn)生了過(guò)分割，但S3的情況卻相反。這可能是因?yàn)镾1和S2中各個(gè)區(qū)域的大小相差較小，但S3中水塘的尺度遠(yuǎn)小于海水和農(nóng)田區(qū)域。FNEA的合并規(guī)則使分割結(jié)果中各個(gè)區(qū)域的大小更為均勻。由于AHRG采用了動(dòng)態(tài)閾值的方法，使光譜相似度高、尺度較大的區(qū)域也可能被合并，所以AHRG對(duì)S3分割結(jié)果的r值也較高，雖然導(dǎo)致一些水塘區(qū)域被錯(cuò)誤地合并，但是從整體精度f(wàn)來(lái)說(shuō)，本文的分割算法更為優(yōu)越。

以上實(shí)驗(yàn)分析均是以專家手動(dòng)分割為基準(zhǔn)的，而對(duì)3景影像的仔細(xì)觀察可以發(fā)現(xiàn)，專家手動(dòng)分割對(duì)一些尺度較大的區(qū)域進(jìn)行了簡(jiǎn)化(如S3中的農(nóng)田)。為了更客觀地評(píng)價(jià)本文算法，將分割結(jié)果與原始影像進(jìn)行了詳細(xì)對(duì)比。對(duì)于S1： 圖3(d)將S1中的操場(chǎng)西北部劃分為一個(gè)完整的區(qū)域，而實(shí)際上其中的植被使得該區(qū)域的灰度出現(xiàn)了較大變化； 因此，圖7(a)(b)(c)中在該區(qū)域的過(guò)分割，可能更接近實(shí)際情況。對(duì)于S2： 南部較大農(nóng)田中間有一條道路將其分為2個(gè)區(qū)域，而圖3(e)卻將其歸并為一個(gè)區(qū)域； 圖6(d)(e)(f)中，只有(e)保留了這2個(gè)區(qū)域，因此表5的評(píng)價(jià)結(jié)果可能低估了HSRG。對(duì)于S3： 西北部的大片農(nóng)田在專家解譯結(jié)果中被簡(jiǎn)化為一個(gè)區(qū)域，因此表5可能高估了3種算法的性能。

綜上，根據(jù)圖6最高的f來(lái)選取尺度參數(shù)γ，可能并不會(huì)得到最理想的分割結(jié)果。實(shí)際上，若利用較小的γ來(lái)分割S2和S3，可能結(jié)果更為理想，很多影像細(xì)節(jié)(如S2南部的農(nóng)田、S3西南的水塘等)都能被較為完整地保留下來(lái)。因此，建議用戶根據(jù)實(shí)際需要來(lái)選擇更為合適的γ參數(shù)。

3 結(jié)論

本文發(fā)展了一種高分遙感影像(HRI)分割算法。該方法首先利用紋理特征優(yōu)化種子的確定，然后結(jié)合種子區(qū)域生長(zhǎng)(SRG)和層次區(qū)域生長(zhǎng)(HRG)，得到不同尺度的分割結(jié)果。通過(guò)3景HRI分割實(shí)驗(yàn)，說(shuō)明本文方法具有令人滿意的分割精度。本文的主要貢獻(xiàn)體現(xiàn)在：

1)在SRG部分，利用Gabor紋理特征設(shè)置種子的位置，提高了SRG的分割精度與視覺(jué)效果； 利用PCA降低紋理特征的維度，顯著減少了計(jì)算量。

2)在合并標(biāo)準(zhǔn)中，采用了一種更為合理的方法整合灰度異質(zhì)性和緊致異質(zhì)性，從而抑制了錯(cuò)誤合并的產(chǎn)生。

3)在HRG階段，采用了動(dòng)態(tài)閾值的方法，提高了HRG的分割精度。

雖然本文利用紋理特征提高了種子位置確定的效果，但尚未涉及種子數(shù)目的確定方法。在今后的研究中，將利用更多特征去除冗余的種子，以提高SRG的分割精度和速度。

[1] Zhong Y F,Zhao B,Zhang L P.Multiagent object-based classifier for high spatial resolution imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(2):841-857.

[2] Bouziani M,Goita K,He D C.Rule-based classification of a very high resolution image in an urban environment using multispectral segmentation guided by cartographic data[J].IEEE Transactions on Geosciences and Remote Sensing,2010,48(8):3198-3211.

[3] Zhang X L,Xiao P F,Song X Q,et al.Boundary-constrained multi-scale segmentation method for remote sensing images[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,78(2):15-25.

[4] Tilton J C,Tarabalka Y,Montesano P M,et al.Best merge region-growing segmentation with integrated nonadjacent region object aggregation[J].IEEE Transactions on Geosciences and Remote Sensing,2012,50(11):4454-4467.

[5] Yi L N,Zhang G F,Wu Z C.A scale-synthesis method for high spatial resolution remote sensing image segmentation[J].IEEE Transactions on Geosciences and Remote Sensing,2012,50(10):4062-4070.

[6] Blaschke T,Hay G J,Kelly M,et al.Geographic object-based image analysis:Towards a new paradigm[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,87:180-191.

[7] Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.

[8] Wu Q G,An J B.An active contour model based on texture distribution for extracting inhomogeneous insulators from aerial images[J].IEEE Transaction on Geosciences and Remote Sensing,2014,52(6):3613-3626.

[9] Johnson B,Xie Z X.Unsupervised image segmentation evaluation and refinement using a multi-scale approach[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(3):473-483.

[10]Beaulieu J M,Goldberg M.Hierarchy in picture segmentation:A stepwise optimization approach[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1989,11(2):150-163.

[11]Baatz M,Sch?pe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[C]//Strobl J,Blaschke T,Griesebner G.Angewandte Geographische Informationsverarbeitung XII.Karlsruhe:Wichmann Verlag,2000:12-23.

[12]Yu Q Y,Clausi D A.IRGS:Image segmentation using edge penalties and region growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2008,30(12):2126-2139.

[13]Wang F,Wu Y,Zhang Q,et al.Unsupervised SAR image segmentation using higher order neighborhood-based triplet Markov fields model[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(8):5193-5205.

[14]Zhang P,Li M,Wu Y,et al.Unsupervised multi-class segmentation of SAR images using fuzzy triplet Markov fields model[J].Pattern Recognition,2012,45(11):4018-4033.

[15]Bitam A,Ameur S.A local-spectral fuzzy segmentation for MSG multispectral images[J].International Journal of Remote Sensing,2013,34(23):8360-8372.

[16]Tao W B,Jin H,Zhang Y M.Color image segmentation based on mean shift and normalized cuts[J].IEEE Transactions on Systems,Man,and Cybernetics,Part B:Cybernetics,2007,37(5):1382-1389.

[17]Michel J,Youssefi D,Grizonnet M.Stable mean-shift algorithm and its application to the segmentation of arbitrarily large remote sensing images[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(2):952-964.

[18]Yuan J Y,Wang D L,Li R X.Remote sensing image segmentation by combining spectral and texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(1):16-24.

[19]Yuan J Y,Wang D L,Li R X.Image segmentation using local spectral histograms and linear regression[J].Pattern Recognition Letters,2012,33(5):615-622.

[20]Adams R,Bischof L.Seeded region growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6):641-647.

[21]Lee T C M.Some Models and Methods for Image Segmentation[D].Macquarie:Macquarie University,1997.

[22]Fan J P,Yau D K Y,Elmagarmid A K,et al.Automatic image segmentation by integrating color-edge extraction and seeded region growing[J].IEEE Transactions on Image Processing,2001,10(10):1454-1466.

[23]Evans C,Jones R,Svalbe I,et al.Segmenting multispectral Landsat TM images into field units[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(5):1054-1064.

[24]Haralick R M,Shanmugam K,Dinstein I.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybernetics,1973,3(6):610-621.

[25]Sivalingamaiah M,Reddy B D V.Texture segmentation using multichannel Gabor filtering[J].IOSR Journal of Electronics and Communication Engineering,2012,2(6):22-26.

[26]Farrell M D,Mersereau R M.On the impact of PCA dimension reduction for hyperspectral detection of difficult targets[J].IEEE Geosciences and Remote Sensing Letters,2005,2(2):192-195.

[27]Levinshtein A,Stere A,Kutulakos K N,et al.TurboPixels:Fast superpixels using geometric flows[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(12):2290-2297.

(責(zé)任編輯： 邢宇)

Segmentation algorithm based on texture feature and region growing for high-resolution remote sensing image

SU Tengfei， ZHANG Shengwei， LI Hongyu

(WaterConservancyandCivilEngineeringInstitute，InnerMongoliaAgriculturalUniversity，Hohhot010018，China)

Image segmentation plays an important role in object-based image analysis. In order to enhance the performance of segmentation method for hierarchical region growing (HRG)，this paper proposes a new image segmentation algorithm. The new method consists of three steps： seed determination, seeded region growing (SRG)based over-segmentation (advanced SRG, ASRG) and HRG. To improve the automation and precision of seeds determination, the authors used Gabor texture feature and defined textural homogeneity, attempting to place the seeds at the center of the regions composed of the same texture. At the stage of SRG, spectral information of HRI was combined with shape cues to form a new merging rule to raise the segmentation accuracy and segments compactness of SRG over-segmentation. At the HRG step, an adaptive threshold was used to better retain the multi-scale segmentation property. In the experiment, three scenes of HRI were utilized to validate the proposed method. A supervised segmentation evaluation method was adopted to quantitatively assess the segmentation accuracy of the proposed algorithm, and two state-of-the-art segmentation methods were compared with the proposed method. The experimental results show that the new algorithm proposed in this paper can produce satisfying segmentation.

texture feature； seeded region growing (SRG)； hierarchical region growing (HRG)； high-resolution remote sensing image(HRI)； image segmentation

10.6046/gtzyyg.2017.02.11

蘇騰飛,張圣微,李洪玉.基于紋理特征與區(qū)域生長(zhǎng)的高分辨率遙感影像分割算法[J].國(guó)土資源遙感,2017,29(2)：72-81.(Su T F,Zhang S W,Li H Y.Segmentation algorithm based on texture feature and region growing for high-resolution remote sensing image[J].Remote Sensing for Land and Resources,2017,29(2)：72-81.)

2015-05-05；

2015-06-24

國(guó)家自然科學(xué)基金項(xiàng)目“科爾沁沙地典型生態(tài)系統(tǒng)水熱通量傳輸機(jī)理及其與植被耦合關(guān)系試驗(yàn)和模擬研究”(編號(hào)： 51569017)、“內(nèi)蒙古典型草原水文過(guò)程及其擾動(dòng)與觸發(fā)草地退化的水文臨界條件實(shí)驗(yàn)與模擬研究”(編號(hào)： 51269014)和中國(guó)博士后科學(xué)基金面上資助“西部地區(qū)博士后人才資助計(jì)劃”(編號(hào)： 2015M572630XB)共同資助。

蘇騰飛(1987-),男,碩士,實(shí)驗(yàn)師,主要從事面向?qū)ο蟮倪b感圖像分析算法方面的研究。Email： stf1987@126.com。

張圣微(1979-),男,博士,教授,碩士研究生導(dǎo)師,主要從事定量遙感、生態(tài)水文及氣候變化等方面的研究。Email： zsw_imau@163.com。

TP 751.1

A

1001-070X(2017)02-0072-10