董志鵬，王 密，2，李德仁，2

1.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；2.地球空間信息協(xié)同創(chuàng)新中心，湖北 武漢 430079

?

一種融合超像素與最小生成樹的高分辨率遙感影像分割方法

董志鵬1，王 密1，2，李德仁1，2

1.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；2.地球空間信息協(xié)同創(chuàng)新中心，湖北 武漢 430079

影像分割是面向?qū)ο蟾叻直媛蔬b感影像分析的基礎(chǔ)與關(guān)鍵。針對(duì)傳統(tǒng)影像分割方法易受噪聲影響，且難以確定合適的影像分割尺度的問(wèn)題，本文提出了一種融合超像素與最小生成樹的高分辨率遙感影像分割方法。首先用簡(jiǎn)單線性迭代聚類算法對(duì)影像進(jìn)行過(guò)分割生成超像素；然后初始設(shè)定影像分割數(shù)，采用區(qū)域動(dòng)態(tài)約束聚類算法對(duì)超像素進(jìn)行合并，獲得分割數(shù)-方差和、分割數(shù)-局部方差、分割數(shù)-局部方差變化率指標(biāo)圖，依據(jù)3個(gè)指標(biāo)圖確定合適的影像分割數(shù)；最后根據(jù)確定的合適影像分割數(shù)，采用區(qū)域動(dòng)態(tài)約束聚類算法對(duì)超像素重新合并得到分割結(jié)果。定性對(duì)比試驗(yàn)和定量評(píng)價(jià)結(jié)果表明，本文方法可以有效地克服影像噪聲對(duì)分割結(jié)果的影響，獲得良好的影像分割結(jié)果。

高分辨率遙感影像；影像分割；超像素；聚類；區(qū)域合并

隨著對(duì)地觀測(cè)衛(wèi)星技術(shù)的發(fā)展，高分辨率的遙感影像已經(jīng)應(yīng)用到城市規(guī)劃、作物分類、災(zāi)害檢測(cè)等領(lǐng)域[1]。影像分割作為高分辨率遙感影像信息提取與目標(biāo)識(shí)別的前提和基礎(chǔ)，是實(shí)現(xiàn)從數(shù)據(jù)到信息的對(duì)象化提取的過(guò)渡環(huán)節(jié)和關(guān)鍵步驟，具有十分重要的地位[2]。相對(duì)于中低分辨率遙感影像高分辨率遙感影像擁有更加豐富的地物信息，如清晰的地物輪廓形狀信息、明顯的紋理信息等，但也增加了影像噪聲對(duì)影像分割的影響[3-4]。傳統(tǒng)的基于像素的影像分割方法如mean-shift算法[5]、分水嶺算法[6]等易受高分辨率影像中“椒鹽”噪聲的影響，難以得到理想的分割結(jié)果。面向?qū)ο蟮挠跋穹指罘椒梢钥朔跋裰小敖符}”噪聲的影響[7]，并利用對(duì)象的結(jié)構(gòu)、光譜信息等特征提高影像分割的精度，如文獻(xiàn)[1]結(jié)合對(duì)象結(jié)構(gòu)和光譜特征實(shí)現(xiàn)影像分割，文獻(xiàn)[8]利用對(duì)象光譜、結(jié)構(gòu)和紋理信息分割影像，文獻(xiàn)[9]結(jié)合對(duì)象形狀和光譜特征進(jìn)行影像分割，文獻(xiàn)[10]利用對(duì)象光譜和紋理實(shí)現(xiàn)影像分割，eCognition軟件中的FNEA算法根據(jù)對(duì)象形狀與光譜實(shí)現(xiàn)影像分割[11]，但面向?qū)ο蟮挠跋穹指罘椒ㄐ枰{(diào)整分割尺度來(lái)獲得合適的影像分割結(jié)果，而合適的分割尺度又難以確定。

針對(duì)影像分割方法易受噪聲影響，且難以確定合適影像分割尺度的問(wèn)題，本文提出一種融合超像素與最小生成樹的高分辨率遙感影像分割方法。用簡(jiǎn)單線性迭代聚類(simple linear iterative clustering，SLIC)算法對(duì)影像過(guò)分割生成超像素，克服影像噪聲對(duì)影像分割的影響。用基于最小生成樹分割思想的區(qū)域動(dòng)態(tài)約束聚類(regionalization with dynamically constrained agglomerative clustering and partitioning，REDCAP)算法對(duì)超像素初次合并獲得分割數(shù)-方差和、分割數(shù)-局部方差、分割數(shù)-局部方差變化率指標(biāo)圖，根據(jù)3個(gè)指標(biāo)圖獲得合適的影像分割數(shù)，再次用REDCAP算法對(duì)超像素重新聚類合并得到最終的影像分割結(jié)果。通過(guò)定性對(duì)比試驗(yàn)和定量評(píng)價(jià)驗(yàn)證本文方法的有效性。

1 方 法

本文方法主要分為4個(gè)步驟：①SLIC算法對(duì)影像過(guò)分割生成超像素；②設(shè)定初始影像分割數(shù)，用REDCAP算法對(duì)超像素層次聚類合并；③得到每次合并的分割數(shù)對(duì)應(yīng)的方差和(sum of squared deviations，SSD)、局部方差(local variance，LV)、局部方差變化率(rate of LV change，ROC-LV)指標(biāo)圖，確定合適的影像分割數(shù)；④根據(jù)合適影像分割數(shù)用REDCAP算法對(duì)超像素重新聚類合并。總體流程圖如圖1所示。

圖1 分割流程圖Fig.1 The flow chart of the proposed approach

1.1 超像素的生成

文獻(xiàn)[12]提出了超像素這一概念，所謂超像素是指具有相似紋理、顏色、亮度等特征的相鄰像素構(gòu)成的圖像塊。文獻(xiàn)[13]提出SLIC算法生成超像素。該算法將彩色圖像轉(zhuǎn)換為CIELAB顏色空間和XY坐標(biāo)下的5維特征向量，然后對(duì)5維特征向量構(gòu)造度量標(biāo)準(zhǔn)，對(duì)圖像像素進(jìn)行局部聚類生成超像素[14]。相對(duì)于分水嶺算法、區(qū)域增長(zhǎng)算法、基于圖的圖像分割算法[15]等傳統(tǒng)的影像過(guò)分割算法生成的超像素，SLIC算法生成的超像素具有更好的地物邊界依附性、更加規(guī)則緊湊的形狀，并且SLIC算法可以人為控制生成超像素的個(gè)數(shù)和具有良好的抗噪性[16]。SLIC算法的具體步驟為：

(2) 相似性度量。計(jì)算影像中像素與種子點(diǎn)間的相似程度，將最相似種子點(diǎn)的標(biāo)簽賦給該像素。通過(guò)不斷迭代相似性判斷過(guò)程，直到收斂，則相似性的度量關(guān)系如下

(1)

(2)

(3)

對(duì)于影像中像素與種子點(diǎn)相似性判斷時(shí)，只在以種子點(diǎn)為中心的2S×2S區(qū)域內(nèi)搜索相似像素點(diǎn)，而不是在整張圖像中尋找，如圖2所示。

圖2 像素搜索范圍示意圖Fig.2 Pixel search scope

(3) 后續(xù)處理。SLIC算法有時(shí)會(huì)使屬于同一標(biāo)簽的超像素內(nèi)的像素不連通，會(huì)產(chǎn)生一些孤立的像素。對(duì)于這種現(xiàn)象在聚類分割結(jié)束后進(jìn)行后續(xù)處理，使孤立像素被重新分配到距離它空間距離最近的超像素中，從而生成緊湊且連通的超像素。

1.2 超像素的合并

REDCAP算法[17]是一種動(dòng)態(tài)的區(qū)域聚類算法，該算法可以充分利用各區(qū)域間的屬性差異與鄰接關(guān)系進(jìn)行區(qū)域合并，使最終合并在同一簇中的區(qū)域具有最大的同質(zhì)性。該算法首先根據(jù)區(qū)域間的鄰接關(guān)系與屬性差異建立連接各區(qū)域的最小生成樹，在生成最小生成樹的過(guò)程中根據(jù)Full-Older-CLK規(guī)則實(shí)時(shí)調(diào)整屬于不同簇的相鄰區(qū)域間的相似性差異，在最小生成樹生成后，根據(jù)切割樹得到的子樹中包含的區(qū)域同質(zhì)性最大原則切割樹，最終切割生成一系列子樹，這些子樹中所包含的區(qū)域即被合并在一起。本文中把超像素作為區(qū)域單元，用REDCAP算法對(duì)超像素進(jìn)行聚類合并，REDCAP算法合并超像素的流程示意圖如圖3所示。

圖3 超像素合并流程示意圖Fig.3 Diagram of merging superpixles

統(tǒng)計(jì)每個(gè)超像素所包含的像素點(diǎn)的光譜均值作為超像素的光譜屬性值，本文的試驗(yàn)數(shù)據(jù)為經(jīng)融合后的包含3個(gè)波段的遙感影像，3個(gè)波段分別作為R、G、B波段，則超像素的光譜屬性為Si(Ri、Gi、Bi)，則光譜屬性計(jì)算公式如式(4)—(6)所示

(4)

(5)

(6)

相鄰超像素之間的屬性差異Ci,j計(jì)算公式如式(7)所示

(7)

式中，ni為第i個(gè)超像素所包含的像素點(diǎn)的個(gè)數(shù)；Rk、Gk、Bk為第i個(gè)超像素中包含的第k個(gè)像素點(diǎn)的R、G、B屬性值；Ci,j為超像素i與超像素j之間的光譜差異。

1.3 分割數(shù)的確定和超像素的重新合并

REDCAP算法唯一的參數(shù)設(shè)置是輸入最終生成子樹的個(gè)數(shù)即最終影像的分割數(shù)，當(dāng)切割生成多少子樹時(shí)能夠得到合適的影像分割結(jié)果，這里涉及到尺度問(wèn)題。關(guān)于研究空間格局的最佳尺度，文獻(xiàn)[18]認(rèn)為在某一空間分辨率水平下，若空間格局得以體現(xiàn)并且模型運(yùn)行的結(jié)果能獲得有重要意義的轉(zhuǎn)變，那么這個(gè)空間分辨水平就是合適的，或者說(shuō)對(duì)于研究該問(wèn)題來(lái)說(shuō)是最佳的。文獻(xiàn)[19]提出用量測(cè)不同分辨率景觀地物之間的相互關(guān)系，通過(guò)利用一個(gè)n×n像素的移動(dòng)窗口，來(lái)計(jì)算窗口內(nèi)像素光譜屬性標(biāo)準(zhǔn)差的均值，即局部方差，最后形成局部方差曲線圖得到最佳影像分辨率。其中包含的邏輯思想是“如果影像的空間分辨率優(yōu)于場(chǎng)景中物體的大小，n×n窗口內(nèi)像素相似性較高，求得的局部方差值較低。如果影像的空間分辨率與場(chǎng)景中物體大小相近，n×n窗口內(nèi)像素相似性較低，求得的局部方差值較高。通過(guò)局部方差探索影像中像素間的自相關(guān)性”[20]。

文獻(xiàn)[21]對(duì)局部方差法進(jìn)行改進(jìn)提出尺度參數(shù)評(píng)價(jià)(estimation of scale parameter，ESP)理論，用多尺度分割代替n×n窗口，求得不同分割尺度對(duì)應(yīng)的LV值。根據(jù)不同尺度對(duì)應(yīng)的LV值得到分割尺度-LV曲線圖，在曲線圖趨于平穩(wěn)時(shí)對(duì)應(yīng)的尺度能有效反應(yīng)影像的空間結(jié)構(gòu)，則影像有意義的分割尺度處于該尺度范圍內(nèi)。在有意義的尺度范圍內(nèi)求得不同尺度對(duì)應(yīng)的ROC-LV值，畫出分割尺度-ROC-LV曲線圖，分割尺度-ROC-LV曲線圖反映LV值從一種物體到另一種物體的改變，在曲線圖中當(dāng)ROC-LV值劇烈變化時(shí)對(duì)應(yīng)的尺度是有意義的，根據(jù)得到的有意義尺度獲得影像的多尺度分割結(jié)果。

目前通過(guò)局部方差思想求影像有意義的分割結(jié)果，均是自下而上獲得分割尺度-LV曲線圖，需要設(shè)定影像的分割尺度閾值[22-23]。本文結(jié)合ESP理論與REDCAP算法合并超像素的過(guò)程提出自上而下求得影像合適尺度，用REDCAP算法對(duì)超像素不同層次的合并情況表示不同尺度下影像的分割結(jié)果。REDCAP算法對(duì)超像素合并，首先生成連接所有超像素的最小生成樹，根據(jù)設(shè)定分初始分割數(shù)對(duì)最小生成樹進(jìn)行分割，在分割過(guò)程中以每次分割生成子樹中包含的超像素區(qū)域作為每次分割情況下求LV值、SSD值的計(jì)算窗口，獲得不同分割數(shù)對(duì)應(yīng)的LV值、SSD值，畫出分割數(shù)-LV值、分割數(shù)-SSD值、分割數(shù)-ROC-LV曲線圖。觀察分割數(shù)-SSD值與分割數(shù)-LV值曲線圖，確定曲線圖平穩(wěn)時(shí)分割數(shù)所在區(qū)間范圍，則合適的影像分割數(shù)處于該區(qū)間范圍內(nèi)。在分割數(shù)-ROC-LV值曲線圖中，在確定的合適影像分割數(shù)所在區(qū)間范圍內(nèi)，當(dāng)ROC-LV值劇烈變化時(shí)對(duì)應(yīng)的分割數(shù)即為合適的影像分割數(shù)。

根據(jù)得到的合適影像分割數(shù)用REDCAP算法對(duì)超像素重新聚類合并，得到最終的影像的分割結(jié)果。

對(duì)超像素進(jìn)行聚類合并，每次合并的影像分割數(shù)對(duì)應(yīng)的SSD、LV、ROC-LV的計(jì)算公式如下

(8)

(9)

(10)

式中，LN為分割數(shù)為N的LV值；LN+1為分割數(shù)為N+1的LV值；所求的ROC值即為分割數(shù)為N所對(duì)應(yīng)的ROC-LV指標(biāo)。

1.4 分割結(jié)果評(píng)價(jià)

分割結(jié)果評(píng)價(jià)是影像分割研究中必不可少的一步，雖然已經(jīng)提出了多種分割評(píng)價(jià)方法，但目前仍沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)評(píng)價(jià)流程[1]。本文采用目視判別與定量評(píng)價(jià)相結(jié)合的方法對(duì)本文方法的有效性進(jìn)行評(píng)價(jià)。

目視判別是一種最基本、最常用的評(píng)價(jià)方法。通過(guò)目視判別可以直觀地觀察分割結(jié)果中區(qū)域的幾何形態(tài)、過(guò)分割、欠分割等情況。而且，只有分割結(jié)果和目視評(píng)價(jià)的效果吻合時(shí)，定量評(píng)價(jià)指標(biāo)才能使人信服[24]。因此，在目視判別的基礎(chǔ)上采用Kappa系數(shù)[25]和對(duì)象一致性誤差(object-level consistency error，OCE)[26]對(duì)本文方法進(jìn)行定量評(píng)價(jià)。其中Kappa系數(shù)表述了分割方法對(duì)地物分類結(jié)果與真實(shí)的地物分類結(jié)果的一致性程度，Kappa系數(shù)的取值范圍為[0,1]，當(dāng)Kappa系數(shù)越大時(shí)說(shuō)明分割方法對(duì)地物的分類結(jié)果與真實(shí)地物的分類結(jié)果越一致。OCE來(lái)描述分割方法的分割結(jié)果與真實(shí)的分割結(jié)果一致性程度，OCE評(píng)價(jià)方法可以有效地評(píng)價(jià)圖像的過(guò)分割與欠分割現(xiàn)象，OCE滿足0≤OCE(Ig,Is)≤1，其中，Ig為地面參考對(duì)象，Is為實(shí)際分割對(duì)象；當(dāng)OCE=0時(shí)，表示分割完全符合地面參照對(duì)象。相比較而言，OCE越小，表示分割效果越好。

為了更加全面的評(píng)價(jià)本文方法的性能，將本文方法的分割結(jié)果與EDSION軟件中mean-shift分割算法和eCognition軟件中FNEA算法進(jìn)行了對(duì)比評(píng)價(jià)。

2 試驗(yàn)結(jié)果與分析

所使用的試驗(yàn)平臺(tái)CPU為Inter(R) Pentium(R)雙核，2 GB內(nèi)存，Windows7操作系統(tǒng)。本文方法用VC++6.0軟件進(jìn)行編程實(shí)現(xiàn)。采用兩幅QuickBird高分辨率影像來(lái)驗(yàn)證本文方法的有效性。用mean-shift算法和FNEA算法調(diào)整參數(shù)進(jìn)行多次分割試驗(yàn)，并采用目視解譯的方式選擇整體效果最佳的分割結(jié)果與本文方法分割結(jié)果進(jìn)行對(duì)比。

2.1 試驗(yàn)1

2.1.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)1使用的數(shù)據(jù)為美國(guó)佛羅里達(dá)州城區(qū)的QuickBird全色及紅、綠、藍(lán)多波段經(jīng)PANSHARPEN融合后的影像，影像大小為512×512像素，各波段分辨率為0.61 m。該影像主要包括房屋、道路、湖泊、樹林等地物如圖4(a)，影像過(guò)分割生成超像素的結(jié)果如圖4(b)。

2.1.2 影像分割數(shù)選擇

用REDCAP算法對(duì)超像素進(jìn)行聚類合并，初始設(shè)定把超像素合并為200個(gè)區(qū)域，根據(jù)每次合并的分割數(shù)對(duì)應(yīng)的SSD值、LV值、ROC-LV值，畫出分割數(shù)-SSD值、分割數(shù)-LV、分割數(shù)-ROC-LV指標(biāo)圖如圖5(a)、(b)、(c)。在圖5(a)、圖5(b)中當(dāng)分割數(shù)大于100時(shí)走勢(shì)圖趨于平穩(wěn)，則影像合適的分割數(shù)處于分割數(shù)大于100的范圍內(nèi)。在圖5(c)中，當(dāng)分割數(shù)為106、119、150、160、176、192時(shí)ROC-LC值劇烈變化，則將超像素合并為106、119、150、160、176、192個(gè)區(qū)域時(shí)對(duì)應(yīng)的分割結(jié)果是有意義的，經(jīng)過(guò)目視判別當(dāng)超像素合并為106個(gè)區(qū)域時(shí)整體分割效果最好，則將超像素合并為106個(gè)區(qū)域時(shí)作為影像的分割結(jié)果。

2.1.3 目視評(píng)價(jià)

圖6(a)為影像的目視解譯結(jié)果；圖6(b)為mean-shift算法的影像分割結(jié)果，其參數(shù)設(shè)置為：minimum region=200，spatial=5，color=6.5；圖6(c)為FNEA算法的影像分割結(jié)果，其參數(shù)設(shè)置為：shape=0.1,compactness=0.7，scale=100；圖6(d)為本文方法把影像分割為106個(gè)區(qū)域的分割結(jié)果。在矩形框標(biāo)定的區(qū)域內(nèi)，F(xiàn)NEA算法難以區(qū)分出光譜相似的建筑物與道路對(duì)象，出現(xiàn)欠分割現(xiàn)象，而mean-shift算法與本文方法可以較好地區(qū)分建筑物與道路。兩個(gè)箭頭所指的湖泊區(qū)域，在內(nèi)部光譜特征變化較大的湖泊區(qū)域內(nèi)mean-shift算法產(chǎn)生了大量的過(guò)分割現(xiàn)象，而FNEA算法和本文方法的分割結(jié)果與目視解譯結(jié)果基本一致?？偟膩?lái)說(shuō)，F(xiàn)NEA算法難以區(qū)分出光譜相似的不同地物，mean-shift算法在內(nèi)部光譜特征變化較大的同種地物區(qū)域內(nèi)易產(chǎn)生過(guò)分割現(xiàn)象，而本文方法可以較好地平衡影像分割的過(guò)分割與欠分割現(xiàn)象。

2.1.4 定量評(píng)價(jià)

表1列出了3種不同算法對(duì)影像分割結(jié)果的Kappa系數(shù)和OCE系數(shù)的評(píng)價(jià)情況。在表1中本文方法的Kappa系數(shù)大于mean-shift算法與FNEA算法，說(shuō)明本文方法對(duì)地物分類結(jié)果優(yōu)于mean-shift算法和FNEA算法，此外本文方法的Kappa系數(shù)為0.814 4，說(shuō)明本文方法對(duì)地物的分類結(jié)果與實(shí)際地物的分類結(jié)果基本一致。本文方法的OCE指標(biāo)為0.124 8，低于mean-shift算法的0.497 7和FNEA算法的0.356 8，說(shuō)明本文方法與目視解譯分割結(jié)果更一致。

表1 試驗(yàn)1分割測(cè)試結(jié)果Tab.1 Segmentation results of test 1

2.2 試驗(yàn)2

2.2.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)2使用的數(shù)據(jù)為美國(guó)佛羅里達(dá)州郊區(qū)的QuickBird全色及紅、綠、藍(lán)多波段經(jīng)PANSHARPEN融合后的影像，影像大小為512×512像素，分辨率為0.61 m。影像中主要包括道路、河流、森林、草地、耕地等地物如圖7(a)。對(duì)影像過(guò)分割處理生成超像素結(jié)果如圖7(b)。

圖5 試驗(yàn)1指標(biāo)圖Fig.5 The index chart of test 1

2.2.2 影像分割數(shù)選擇

初始設(shè)定REDCAP算法把超像素合并為120個(gè)區(qū)域，得到每次合并的分割數(shù)對(duì)應(yīng)的SSD值、LV值、ROC-LV值，根據(jù)得到的分割數(shù)對(duì)應(yīng)的SSD值、LV值、ROC-LV值畫出分割數(shù)-SSD、分割數(shù)-LV、分割數(shù)-ROC-LV指標(biāo)圖如圖8(a)、(b)、(c)。在分割數(shù)-SSD指標(biāo)圖、分割數(shù)-LV指標(biāo)圖中當(dāng)分割數(shù)大于40時(shí)走勢(shì)圖基本趨于平穩(wěn)，則影像合適的分割數(shù)處于分割數(shù)大于40的范圍內(nèi)。在分割數(shù)-ROC-LV指標(biāo)圖中，當(dāng)分割數(shù)為44、52、56、72、82、87時(shí)ROC-LV值發(fā)生劇烈變化，則分割數(shù)為44、52、56、72、82、87時(shí)的分割結(jié)果是有意義的，經(jīng)過(guò)目視對(duì)比觀察當(dāng)分割數(shù)為44時(shí)影像的整體分割結(jié)果最好，則影像合適的分割數(shù)為44。

2.2.3 目視評(píng)價(jià)

圖9(a)為影像的目視解譯圖；圖9(b)為影像的mean-shift算法結(jié)果圖，算法參數(shù)設(shè)置為：minimum region=200，spatial=7，color=6.5；圖9(c)為影像的FNEA算法結(jié)果圖，其參數(shù)設(shè)置為：shape=0.1,compactness=0.9，scale=100；圖9(d)為本文方法把影像分割為44個(gè)區(qū)域的試驗(yàn)結(jié)果。在箭頭所指的草地區(qū)域FNEA算法產(chǎn)生過(guò)分割現(xiàn)象，而本文算法與目視解譯基本一致，說(shuō)明本文方法在內(nèi)部光譜特征變化較大的草地區(qū)域可以得到更好的分割結(jié)果。在箭頭所指的河流區(qū)域mean-shift算法與FNEA算法把明顯的一條河流分為兩段，出現(xiàn)過(guò)分割現(xiàn)象，而本文方法可以正確地分割這段河流。從整體上對(duì)比觀察3種算法的分圖與目視解譯圖，本文方法分割結(jié)果圖與目視解譯圖更接近，說(shuō)明本文方法可以得到良好的影像分割結(jié)果。

圖8 試驗(yàn)2指標(biāo)圖Fig.8 The index chart of test 2

圖4 試驗(yàn)1影像數(shù)據(jù)Fig.4 Remote sensing image of test 1

圖6 試驗(yàn)1結(jié)果Fig.6 The experimental results of test 1

圖7 試驗(yàn)2影像數(shù)據(jù)Fig.7 Remote sensing image of test 2

2.2.4 定量評(píng)價(jià)

表2列出了在mean-shift算法、FNEA算法與本文方法對(duì)影像分割結(jié)果Kappa系數(shù)和OCE系數(shù)的評(píng)價(jià)。本文方法的Kappa系數(shù)為0.841 7大于mean-shift算法的0.747 4與FNEA算法的0.794 8，本文方法可以更好的區(qū)分各地物類型，對(duì)各地物的分類結(jié)果與實(shí)際地物的分類結(jié)果基本上一致。本文方法的OCE指標(biāo)為0.369低于mean-shift算法的0.502 5與FNEA算法的0.688 4，說(shuō)明本文方法對(duì)影像有更好的分割結(jié)果。

圖9 試驗(yàn)2結(jié)果Fig.9 The experimental results of test 2

表2 試驗(yàn)2分割測(cè)試結(jié)果Tab.2 Segmentation results of test 2

3 結(jié) 論

針對(duì)影像分割易受噪聲影響、難以確定合適影像分割數(shù)的問(wèn)題，本文提出一種融合超像素與最小生成樹的高分辨率遙感影像分割方法，該方法首先用SLIC算法對(duì)影像進(jìn)行過(guò)分割生成SLIC超像素克服影像噪聲對(duì)分割結(jié)果的影響。用REDCAP算法對(duì)SLIC超像素進(jìn)行兩次區(qū)域劃分，首次劃分得到分割數(shù)對(duì)應(yīng)的SSD值、LV值、ROC-LV值指標(biāo)圖確定合適的影像分割數(shù)，再次劃分是根據(jù)合適影像分割數(shù)用REDCAP算法對(duì)SLIC超像素重新進(jìn)行區(qū)域劃分從而得到影像分割結(jié)果。通過(guò)兩組試驗(yàn)對(duì)本文方法與mean-shift算法、FNEA算法進(jìn)行定性與定量對(duì)比評(píng)價(jià)，本文方法可以良好地平衡影像分割中的過(guò)分割與欠分割現(xiàn)象，獲得整體分割效果良好的影像分割結(jié)果。下一步將對(duì)本文方法進(jìn)行算法優(yōu)化提高運(yùn)行效率。

[1] 劉婧,李培軍.結(jié)合結(jié)構(gòu)和光譜特征的高分辨率影像分割方法[J].測(cè)繪學(xué)報(bào),2014,43(5):466-473.DOI:10.13485/j.cnki.11-2089.2014.0087.LIU Jing,LI Peijun.A High Resolution Image Segmentation Method by Combined Structural and Spectral Characteristics[J].Acta Geodaetica et Cartographica Sinica,2014,43(5):466-473.DOI:10.13485/j.cnki.11-2089.2014.0087.

[2] 周成虎,駱劍承.高分辨率衛(wèi)星遙感影像地學(xué)計(jì)算[M].北京:科學(xué)出版社,2009.ZHOU Chenghu,LUO Jiancheng.Geo-computing of High Resolution Satellite Remote Sensing Image[M].Beijing:Science Press,2009.

[3] YI Lina,ZHANG Guifeng,WU Zhaocong.A Scale-synthesis Method for High Spatial Resolution Remote Sensing Image Segmentation[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(10):4062-4070.

[4] LI Deren,ZHANG Guifeng,WU Zhaocong,et al.An Edge Embedded Marker-based Watershed Algorithm for High Spatial Resolution Remote Sensing Image Segmentation[J].IEEE Transactions on Image Processing,2010,19(10):2781-2787.

[5] COMANICIU D,MEER P.Mean Shift:A Robust Approach toward Feature Space Analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[6] VINCENT L,SOILLE P.Watersheds in Digital Spaces:An Efficient Algorithm Based on Immersion Simulations[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1991,13(6):583-598.

[7] ZHANG Xueliang,XIAO Pengfeng,FENG Xuezhi,et al.Toward Evaluating Multiscale Segmentations of High Spatial Resolution Remote Sensing Images[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(7):3694-3706.

[8] 巫兆聰,胡忠文,張謙,等.結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J].測(cè)繪學(xué)報(bào),2013,42(1):44-50.WU Zhaocong,HU Zhongwen,ZHANG Qian,et al.On Combining Spectral,Textural and Shape Features for Remote Sensing Image Segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.

[9] 李慧,唐韻瑋,劉慶杰,等.一種改進(jìn)的基于最小生成樹的遙感影像多尺度分割方法[J].測(cè)繪學(xué)報(bào),2015,44(7):791-796.DOI:10.11947/j.AGCS.2015.20140060.LI Hui,TANG Yunwei,LIU Qingjie,et al.An Improved Algorithm Based on Minimum Spanning Tree for Multi-scale Segmentation of Remote Sensing Imagery[J].Acta Geodaetica et Cartographica Sinica,2015,44(7):791-796.DOI:10.11947/j.AGCS.2015.20140060.

[10] YUAN Jiangye,WANG Deliang,LI Rongxing.Remote Sensing Image Segmentation by Combining Spectral and Texture Features[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(1):16-24.

[12] REN Xiaofeng,MALIK J.Learning a Classification Model for Segmentation[C]∥Proceedings of 9th IEEE International Conference on Computer Vision.France:IEEE,2003:10-17.

[13] ACHANTA R,SHAJI A,SMITH K,et al.SLIC Superpixels Compared to State-of-the-art Superpixel Methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[14] 王春瑤,陳俊周,李煒.超像素分割算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2014,31(1):6-12.WANG Chunyao,CHEN Junzhou,LI Wei.Review on Superpixel Segmentation Algorithms[J].Application Research of Computers,2014,31(1):6-12.

[15] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient Graph-based Image Segmentation[J].International Journal of Computer Vision,2004,59(2):167-181.

[16] 董志鵬,梅小明,陳杰,等.簡(jiǎn)單線性迭代聚類的高分辨率遙感影像分割[J].遙感信息,2016,31(6):83-88.DONG Zhipeng,MEI Xiaoming,CHEN Jie,et al.Image Segmentation of High Resolution Remote Sensing Imagery Based on Simple Linear Iterative Clustering[J].Remote Sensing Information,2016,31(6):83-88.

[17] GUO D.Regionalization with Dynamically Constrained Agglomerative Clustering and Partitioning (REDCAP)[J].International Journal of Geographical Information Science,2008,22(7):801-823.

[18] 明冬萍,王群,楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇[J].遙感學(xué)報(bào),2008,12(4):529-537.MING Dongping,WANG Qun,YANG Jianyu.Spatial Scale of Remote Sensing Image and Selection of Optimal Spatial Resolution[J].Journal of Remote Sensing,2008,12(4):529-537.

[19] WOODCOCK C E,STRAHLER A H.The Factor of Scale in Remote Sensing[J].Remote Sensing of Environment,1987,21(3):311-332.

[20] LEES B.The Spatial Analysis of Spectral Data:Extracting the Neglected Data[J].Applied GIS,2006,2(2):14.1-14.13.

[22] MING Dongping,LI J,WANG Junyi,et al.Scale Parameter Selection by Spatial Statistics for GeOBIA:Using Mean-shift Based Multi-scale Segmentation as an Example[J].ISPRS Journal of Photogrammetry and Remote Sensing,2015,106:28-41.

[23] MING Dongping,CI Tianyu,CAI Hongyue,et al.Semivariogram-based Spatial Bandwidth Selection for Remote Sensing Image Segmentation with Mean-Shift Algorithm[J].IEEE Geoscience and Remote Sensing Letters,2012,9(5):813-817.

[24] LI Peijun,GUO Jiancong,SONG Benqin,et al.A Multilevel Hierarchical Image Segmentation Method for Urban Impervious Surface Mapping Using very High Resolution Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4(1):103-116.

[25] 許妙忠,叢銘,萬(wàn)麗娟,等.視覺(jué)感受與Markov隨機(jī)場(chǎng)相結(jié)合的高分辨率遙感影像分割法[J].測(cè)繪學(xué)報(bào),2015,44(2):198-205,213.DOI:10.11947/j.AGCS.2015.20130453.XU Miaozhong,CONG Ming,WAN Lijuan,et al.A Methodology of Image Segmentation for High Resolution Remote Sensing Image Based on Visual System and Markov Random Field[J].Acta Geodaetica et Cartographica Sinica,2015,44(2):198-205,213.DOI:10.11947/j.AGCS.2015.20130453.

[26] POLAK M,ZHANG Hong,PI Minghong.An Evaluation Metric for Image Segmentation of Multiple Objects[J].Image and Vision Computing,2009,27(8):1223-1227.

(責(zé)任編輯：張艷玲)

A High Resolution Remote Sensing Image Segmentation Method by Combining Superpixels with Minimum Spanning Tree

DONG Zhipeng1,WANG Mi1,2,LI Deren1,2

1.State Key Laboratory of Information Engineering in Surveying,Mapping and Remote Sensing,Wuhan University,Wuhan 430079,China; 2.Collaborative Innovation Center of Geospatial Technology,Wuhan 430079,China

Image segmentation is the basic and key step of object-oriented remote sensing image analysis.Conventional image segmentation method is sensitive to image noise and hard to determine the correct segmentation scale.To solve these problems,a novel image segmentation method by combining superpixels with minimum spanning tree was proposed in this paper.First,the image is over-segmented by simple linear iterative clustering algorithm to obtain superpixels.Then,superpixels are firstly clustered by regionalization with dynamically constrained agglomerative clustering and partitioning algorithm using the initial segmentation number and the sum of squared deviations (SSD),local variance (LV),rate of LV change (ROC-LV) index of graphs corresponding to the segmentation number are obtained.So the suitable image segmentation number is determined according to the SSD,LV,ROC-LV index of graphs corresponding to segmentation number.Finally,superpixels are reclustered by regionalization with dynamically constrained agglomerative clustering and partitioning algorithm based on the suitable segmentation number.The experimental results showed that the proposed method can obtain good segmentation results.

high resolution remote sensing image; remote sensing image segmentation; superpixels; clustering; region merging

The National Natural Science Foundation of China (No.91438203); National Key Basic Research Program of China (973 Program) (No.2014CB744201)

DONG Zhipeng(1991—),male,PhD,majors in high resolution remote sensing image processing and information extraction.

WANG Mi

董志鵬，王密，李德仁.一種融合超像素與最小生成樹的高分辨率遙感影像分割方法[J].測(cè)繪學(xué)報(bào)，2017,46(6)：734-742.

10.11947/j.AGCS.2017.20160514.DONG Zhipeng,WANG Mi,LI Deren.A High Resolution Remote Sensing Image Segmentation Method by Combining Superpixels with Minimum Spanning Tree[J].Acta Geodaetica et Cartographica Sinica,2017,46(6):734-742.DOI:10.11947/j.AGCS.2017.20160514.

P237

A

1001-1595(2017)06-0734-09

國(guó)家自然科學(xué)基金(91438203)；國(guó)家973計(jì)劃(2014CB744201)

2016-10-24

修回日期：2017-05-26

董志鵬(1991—)，男，博士，研究方向?yàn)楦叻直孢b感影像處理及信息提取。

E-mail：zhipengdong@foxmail.com

王密

E-mail：wangmi@whu.edu.cn