彭金喜 蘇遠歧 薛笑榮

摘 要：由于合成孔徑雷達圖像（遙感）的相干斑噪聲數(shù)據(jù)豐富，導(dǎo)致傳統(tǒng)的遙感圖像分割方法分割效果不佳，采用學(xué)習(xí)理論和神經(jīng)網(wǎng)絡(luò)改善圖像處理性能。根據(jù)圖像統(tǒng)計特征，采取神經(jīng)網(wǎng)絡(luò)語義提出一種高效的圖像紋理特征分割方法。首先，利用K-means聚類提取遙感圖像的紋理特征，然后根據(jù)遙感圖像在小波域中的分布特征對其進行濾波，最后利用語義對濾波后的遙感圖像紋理特征和灰度組成的矢量進行分割歸類，在遙感圖像分割中快速標(biāo)注分類以便于視覺分析。利用區(qū)域一致性分割分類，由聚類樣本特征匹配進行圖像分類標(biāo)注，對變化檢測進行統(tǒng)計分析，過分割或欠分割誤差聚類樣本不做標(biāo)注，選取最佳樣本聚類k值標(biāo)注分類結(jié)果。

關(guān)鍵詞：合成孔徑雷達;圖像分割;紋理特征;語義;K-means聚類

DOI：10. 11907/rjdk. 191913 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP317.4 文獻標(biāo)識碼：A 文章編號：1672-7800（2019）009-0202-05

A Remote Sensing Image Semantic Classification Label of

K-means Clustering on Wavelet Transform

PENG Jin-xi，SU Yuan-qi，XUE Xiao-rong

（1. South China Institute of Software Engineering， Guangzhou University， Guangzhou ?510990， China;

2. Department of Computer Science and Technology & AI， Xian Jiaotong University， Xian 710049， China;

3. School of Computer and Information Engineering， Anyang Normal University， Anyang 455000， China）

Abstract： Because of the large amount of noise data of polarized remote sensing image， the traditional remote sensing image segmentation method has a poor effect on obtaining better segmentation images. The remote sensing image contains rich texture ?information to facilitate the classification of remote sensing images. Therefore， the learning method uses the advantages of theory and neural network to improve the performance of image processing. According to the statistical characteristics of the image， this paper proposes an efficient image literary feature and semantic analysis based on neural network semantics. Firstly， the texture features of remote sensing images are extracted by K-means clustering， and then filtered according to the distribution characteristics of remote sensing images in the wavelet domain. Finally， the texture features of the filtered Remote Sensing image and the vector of the gray component are segmented and classified by semantics. The algorithm quickly labeled the classification in remote sensing image segmentation for visualization-analysis. Using regional consistency segmentation classification， finally image classification labeling based on cluster sample feature matching， statistical analysis before and after change detection， over-segmentation or under-segmentation error clustering samples are not labeled， and the best sample clustering value k is selected to label classification results.

Key Words： synthetic aperture radar; image segmentation; texture feature; deep learning semantic; K-means clustering

0 引言

圖像分割是目標(biāo)自動識別的關(guān)鍵步驟，然而由于遙感圖像中噪聲的存在，導(dǎo)致傳統(tǒng)的圖像分割方法效果不佳， 對此許多專家進行了深入研究[1-2]。語義分類是根據(jù)隱含信息（texture）進行特征匹配的方法[3-5]。

遙感圖像分割包括灰度值和紋理特征值，如果不同的地面物體有相同或相似的反向散射系數(shù)，則會表現(xiàn)出相同或相似的灰度值，易產(chǎn)生混淆。此外，噪聲進一步加劇了圖像紊亂。因此，在實際應(yīng)用中，僅依據(jù)灰度值進行分割效果不佳。而在原始遙感圖像中，由于遙感圖像相干斑噪聲數(shù)影響，灰度像素分布不均，紋理信息多元復(fù)雜，一般結(jié)合紋理特征的優(yōu)點和過濾的灰度值分割遙感圖像，進行分類并獲取圖像特征。通常采用小波域圖像處理，再用k-means聚類方法對遙感圖像進行分割，采用深度學(xué)習(xí)分析的優(yōu)勢得到較好的分割和聚類性能，滿足目標(biāo)分類需求。

1 K-means聚類分析

K-means是一種基于距離的迭代式算法，它將[n]個觀察實例分類到[k]個聚類中，以使每個觀察實例距離它所在的聚類中心點比其它聚類中心點距離更小。找到這些聚類中心點初始位置。將聚類分析作為一種無監(jiān)督機器學(xué)習(xí)算法看待[6]。通過數(shù)據(jù)中實例的特征值相似度，將相似的實例劃分到一類中，同時計算合適的[k]值以免過度分割或者分割不到位，選擇最佳的聚類迭代法，進行分割后的分類標(biāo)注。

1.1 K-means神經(jīng)網(wǎng)絡(luò)語義區(qū)域一致性分割

K-means是一種神經(jīng)網(wǎng)絡(luò)分類器，由一個三層前向反饋網(wǎng)絡(luò)組成[7]。第一層為輸入層，假設(shè)輸入樣本是一個[n]維特征向量[x]，隱含有[n]個神經(jīng)元，計算聚類的邊界點到聚類中心質(zhì)心距離：

中心點選取有部分差異（第一個[λ] 在[？0-1] 之間）。穩(wěn)定性方法由一個數(shù)據(jù)集進行二次重采樣，然后迭代出兩個數(shù)據(jù)子集，對相同聚類的兩個數(shù)據(jù)子集進行歸類，兩個[k]聚類的子集成員結(jié)果相似度概率分布趨于一致性，且具有高的相似度。由[k]的數(shù)值決定穩(wěn)定聚類概率密度函數(shù)和分布式函數(shù)特征，再計算參數(shù)估計，迭代[k]值得到最佳聚類分類策略。本文利用公式（3）進行計算效率較高。

（4）初始化質(zhì)心計算。

方法1：選一個樣本并多層分解，每層提取[k]個簇集聚類，并用這些樣本質(zhì)心作為初始質(zhì)心：①樣本相對較小，紋理細節(jié)較多（層次聚類開銷較大）;②[k]相對于樣本較小。隨機選擇第一個點作為初始化聚類質(zhì)心計算。

方法2：取第一個像素樣本的質(zhì)心作為初始值，對于其后樣本再初始質(zhì)心，選擇離初始質(zhì)心最遠的點，確保選擇的初始質(zhì)心不僅是隨機的，而且也是分散的，但這種方法可能會偏離種群樣本點造成誤差較大。

（5）質(zhì)心距離度量： 目標(biāo)函數(shù)達到最優(yōu)或者達到最大迭代次數(shù)即可終止。對于不同的距離度量，目標(biāo)函數(shù)往往不同。當(dāng)采用歐式距離時，目標(biāo)函數(shù)為對象樣本到其簇集質(zhì)心的距離平方和最小。

如果所有的點在指派聚類中未獲得某個簇集，則會產(chǎn)生空簇集，若存在空簇，繼續(xù)重復(fù)多次迭代直到為非空數(shù)簇集為止。

1.2 聚類語義分析

圖片分類對圖片語義而言是粗粒度計算，將圖片直接轉(zhuǎn)化為類似文本數(shù)值或符號來描述成為一個選項。預(yù)先對大量種子圖片做語義分析，然后利用相似圖片搜索，根據(jù)相似輸入圖像元產(chǎn)生新圖像元（texture），利用神經(jīng)網(wǎng)絡(luò)隱含層底層特征語義對圖像中的聚類樣本、邊緣信息、識別目標(biāo)、學(xué)習(xí)方法進行目標(biāo)分類。

1.3 選擇神經(jīng)網(wǎng)絡(luò)初始化語義參數(shù)

假設(shè)每個類的特征空間向量中各維呈正態(tài)分布，相對于該聚類中心，由于不同特征維度之間的特征向量彼此相互獨立，因此需要調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)參數(shù)。

2 K-means聚類算法

K-menas聚類算法[8-9]試圖找到使誤差準(zhǔn)則函數(shù)最小的簇。當(dāng)潛在的簇形狀是凸面時，簇之間差異較明顯。若簇大小相近時，其聚類結(jié)果誤差最小，與樣本數(shù)量呈線性相關(guān)。所以，對于大數(shù)據(jù)集合處理，該算法非常高效且伸縮性較好。但該算法除要事先確定簇數(shù)K和對初始聚類中心敏感外，經(jīng)常以局部最優(yōu)值迭代終止，同時對“噪聲”、“孤立點”不靈敏，因此該方法不適于發(fā)現(xiàn)非凸面形狀的簇或大小差別很大的聚集。該算法時間復(fù)雜度為[O（tKmn）]，空間復(fù)雜度為[O（（m+K）n）]，其中，[t]為迭代次數(shù)，[k]為簇成員數(shù)量，[m]是聚類個數(shù)，[n]為樣本維度。

輸出聚類簇向量[C={C1，C2，？，Ck}]的等價類樣本。顯然，對樣本向量進行正交變換后，對更新的樣本均值進行優(yōu)化迭代、降維，迭代最佳適應(yīng)度的[k]值，可達到最佳分類效果。

3 小波濾波

將小波分解[10]的高頻分量與基于子區(qū)域方差進行變換，因小波變換低頻分量能量集中，根據(jù)特征匹配規(guī)則對小波變換的低頻分量進行特征匹配，計算小波能量特征[E（x，y，k）]，進行二維分解：水平的高頻元件得到圖像垂直方向上的高頻分量、圖像對角的高頻分量。其中：

為提高遙感圖像分割性能，將基于語義分割方法[11-13]結(jié)合小波域向量特征，對變化目標(biāo)前后的圖像進行分類對比。分割分類方法步驟如下：

（1） 改進后算法利用小波濾波方法對遙感圖像進行濾波。在相應(yīng)的[8×8]窗口尺寸圖像中，平均灰度值為像素的灰度特征。

（2） 將紋理特征和灰度特征作為像素的特征向量，根據(jù)所有特征向量將遙感圖像分割為神經(jīng)網(wǎng)絡(luò)，通過圖像語義分析計算出[k=2，3？]，進行分割，以免均值[k]計算誤差超出預(yù)期范圍造成過分類或欠分類。計算適度的[k]值，選擇初始聚類樣本質(zhì)心，應(yīng)用機器學(xué)習(xí)和深度學(xué)習(xí)方法，分割后標(biāo)注精確度顯著提高。

4 實驗結(jié)果分析

圖3是初始化遙感圖像，為了驗證新方法效果，本文采用一些傳統(tǒng)的分割方法對遙感圖像進行分割。用k-means聚類均值[k=2]進行圖像分割。對原圖像、灰度圖像圖3和圖4、全彩色圖像圖5和圖6，分別采用新方法3種分割結(jié)果，再進行標(biāo)注，顯示結(jié)果見封三彩圖。

5 結(jié)語

采用k-means聚類與小波域分析相結(jié)合，可以得到更好的圖像變化檢測效果。選擇適當(dāng)?shù)腫k]值可以避免過分割或者欠分割。采用新方法可以較好地抑制相干斑噪聲，提高遙感圖像分割分類標(biāo)注精確度。

參考文獻：

[1] ARSENAULT H H，APRILL G. Properties of speckle integrated with a finite aperture and logarithmically transformed[J]. Journal of the Optical Society of America， 1976，66（11）：1160-1163.

[2] BARALDI A， PARMIGGIAN F. An investigation of the texture characteristics associated with gray level co-occurrence matrix statistical parameters[J]. ?IEEE Transaction on Geoscience and ?Remote ?Sensing，1995， 33（2）：293-303.

[3] LIU F，JIAO L ?C，HOU B，et al. POL-remote sensing image classification based on wishart DBN and local spatial information[J]. IEEE Transactions on Geoscience and Remote Sensing，2016，54（6）：3250-3308

[4] HARALICKR M. Statistical and structural approaches to texture[J]. Proceeding of IEEE，1975， 67（5）：780- 804.

[5] HUAXIE， LELAND E，PIERCE ?FAWWAZT. Remote sensing speckle reduction using wavelet denoising and markov random field modeling[J]. IEEE Transaction on Geoscience and Remote Sensing， 2002，40（10）：2196-2212.

[6] LEE J S， POTTIER E. Polarimetric radar imaging[J]. ?IEEE Transactions On Image Processing， 2003，22（2）：561-572.

[7] GAN L， WU Y， WANG F， et al. Unsupervised ?remote sensing image segmentation based on triplet Markov fields with graph cuts[J]. IEEE Transactions on Geoscience and Remote Sensing Letters，2014， 11（4）：853-857.

[8] PETER YU，QIN A K， DAVID A. Unsupervised polarimetric remote sensing image segmentation and classification using region growing with edge penalty[J]. IEEE Transactions on Geoscience and Remote Sensing，2012， 50（4）：1302-1317.

[9] SOUMADIP GHOSH，DEBASISH BISWAS，SUSHANTA BISWAS，et al. Soil classification from large imagery databases using a neuro-fuzzy classifier[J]. Canadian Journal of ?Electrical and Computer Engineering，2016， 39（4）：333-343.

[10] WONG W C，CHO S Y，CHAI Q. R-POPTVR：a novel reinforcement- based POPTVR fuzzy neural network for pattern classification[J]. IEEE Transactions on Neural Networks，2009，20（11）：1740-1755.

[11] 吳恩達. Machine learning yearning[M]. 中文版. 斯坦福大學(xué)出版社，2017.

[12] 焦李成. 學(xué)習(xí)、優(yōu)化與識別[M]. 北京：清華大學(xué)出版社，2017.

[13] TOM M METCHELL. 機器學(xué)習(xí)[M]. 曹華軍，譯. 北京：人民郵電出版社， 2015：125-139.

（責(zé)任編輯：杜能鋼）