亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于超像素的高分遙感影像分割算法

        2020-05-23 10:05:30向澤君蔡怤晟
        計算機工程與設(shè)計 2020年5期
        關(guān)鍵詞:特征效果實驗

        向澤君,蔡怤晟,楚 恒,黃 磊

        (1.重慶郵電大學 通信與信息工程學院,重慶 400065;2.重慶郵電大學 重慶高校市級光通信與網(wǎng)絡(luò)重點實驗室,重慶 400065;3.重慶郵電大學 泛在感知與互聯(lián)重慶市重點實驗室,重慶 400065;4.重慶市規(guī)劃局,重慶 401121;5.重慶市勘測院,重慶 400020)

        0 引 言

        影像分割在面向?qū)ο笮畔⑻崛『头治鲋衅鹬P(guān)鍵作用,也是遙感影像處理中極為重要的預(yù)處理步驟。其技術(shù)具有廣闊的應(yīng)用前景,其分割結(jié)果的好壞將直接影響后續(xù)的面向?qū)ο筇崛『头治鯷1,2]。超像素分割是近年來快速發(fā)展的一種圖像分割方法。目前常用的超像素分割方法有:基于熵率[3]、SEEDS(superpixels extracted via energy-driven sampling)[4]、LSC(linear spectral clustering)[5]、MS(mean shift)[6]和SLIC[7](simple linear iterative clustering)等。董志鵬等[8]通過超像素與最小生成樹結(jié)合,以克服影像噪聲對分割結(jié)果的影響,并平衡影像分割中的過分割與欠分割現(xiàn)象,從而獲得整體良好的影像分割結(jié)果。肖明虹等[9]對影像進行分割,通過改變對象數(shù)目來獲取多個不同尺寸大小的超像素區(qū)域,再與多種方法融合疊加,能夠得到較好的檢測效果,但其只采用了單一的光譜特征。文獻[10]在初始超像素分割后,先通過光譜特征進行局部合并后,再結(jié)合形狀特征進一步合并分割區(qū)域,能夠得到不錯的分割效果,但是逐步的區(qū)域合并,仍然是通過單一特征信息單獨判斷,在單階段過程中存在誤差。文獻[11]結(jié)合了光譜和形狀特征對超像素分割圖像進行合并,但需要人工設(shè)定初始邊界值,自動化程度較低且易受到初始分割圖斑大小影響。

        本文提出一種基于超像素的分割算法,通過計算初始分割圖斑的同質(zhì)性和異質(zhì)性,并結(jié)合紋理特征和光譜、形狀特征來對初始分割結(jié)果進行合并,以達到提高影像分割精度并保持穩(wěn)定性的目的。

        1 超像素分割

        遙感影像有時存在顏色偏暗、對比度不高的問題,所以在圖像分割之前,先對獲取的影像進行預(yù)處理。

        1.1 對比度拉伸

        線性拉伸是比較常用的調(diào)節(jié)圖像對比度的方法,其通過計算圖像的像素值然后按照既定的比例變化來拉伸圖像,達到調(diào)整對比度的目的。先得到圖像的直方圖,然后將圖像亮度的閾值設(shè)定為2%,這樣就將圖像低于2%和高于98%的部分去掉以后再進行線性拉伸,絕大多數(shù)的異常值都能去除。

        1.2 SLIC算法

        SLIC具有運行速度快,像素塊緊湊整齊,輪廓保持良好,鄰域特征比較容易表達等特點。本文選用此方法進行超像素分割。其通過計算像素間的空間距離和色彩距離來進行聚類。

        距離相似度根據(jù)lab空間和二維坐標計算,定義如下

        (1)

        (2)

        (3)

        其中,dc表示lab顏色空間中像素點之間的差異,dij表示兩點之間的位置差異。S是兩個種子點之間的距離。D表示像素之間的相似程度,其中m是一個常數(shù),表示顏色和位置之間的重要程度,m越大,則超像素的分塊效果越均勻緊湊。

        1.3 對象間的一致性

        文獻[12]綜合對象間的同質(zhì)性和異質(zhì)性,通過光譜均值和標準差來計算其分割質(zhì)量,以達到最優(yōu)分割效果。

        同質(zhì)性:通過計算各個超像素內(nèi)部的光譜標準差來表達其同質(zhì)性

        (4)

        其中,Nk表示超像素k的內(nèi)部所含像元個數(shù);vk表示第k個超像素的標準差;n為初始影像分割時超像素的總個數(shù),f表示超像素內(nèi)部的同質(zhì)性。

        異質(zhì)性:Moran’s 指數(shù)[13]是一種能夠表示超像素之間異質(zhì)性的指數(shù)。通過計算鄰接超像素之間的光譜均值來判斷其相關(guān)性,計算公式如下

        (5)

        2 本文算法

        2.1 特征提取

        針對不同地物光譜具有很大的相似性,存在“同譜異物”和“同物異譜”的問題,本文在原一致性算法僅考慮光譜特征的基礎(chǔ)上,再加入紋理均值、標準差、形狀的長寬比和面積等4個特征信息作為評價標準。

        2.1.1 紋理特征

        灰度共生矩陣(grey level co-occurrence matrix,GLCM)是通過計算圖像灰度的空間相關(guān)性來描述紋理特征的。標準差是對影像的像素值和全局均值偏差的度量,能夠在一定程度上類似于對比度和非相似性。建立一個正方形矩陣P,公式如下

        (6)

        (7)

        其中,Mi,j表示紋理特征的均值,S表示標準差;n表示影像的最大灰度級數(shù);Pi,j表示在矩陣中的位置;m為影像的總像素個數(shù)。

        2.1.2 形狀特征

        長寬比:影像中道路表現(xiàn)具有明顯的形狀特征,使用長寬比能較好的描述道路與建筑之間的差異。通過計算區(qū)域?qū)ο蟮淖钚⊥饨泳匦蔚拈L度與寬度比R來近似區(qū)域?qū)ο蟮拈L寬比

        (8)

        其中,L為外接矩形的長;W為外接矩形的寬。

        面積:不同超像素中包含的地物類別不同,像元個數(shù)也不同。在一幅影像圖中,默認一個像素的面積為1。越大的超像素所占比例越大,在合并時加入面積特征能夠增強不同超像素之間的穩(wěn)定性

        (9)

        2.2 多特征綜合

        將以上4種特征結(jié)合光譜均值和標準差,組成一個特征向量空間:CT=(v,y,S,M,R,A)。 為避免不同特征向量之間數(shù)值大小的影響,方便對比計算,對各特征分配相同的權(quán)重并進行歸一化處理,使結(jié)果位于 (0,100) 之間

        (10)

        其中,XN表示歸一化后的特征向量;x表示單一特征值;xmax為該類特征值的最大值,xmin為最小值。

        2.3 改進對象一致性算法

        將融合后的特征向量作為評價標準加入到式(4)和式(5)中

        (11)

        (12)

        2.4 對象合并策略

        根據(jù)文獻[12],采用式(13)為分割質(zhì)量評價函數(shù),計算公式如下

        F(f,I)=υF(f)+(1-υ)F(I)

        (13)

        其中,F(xiàn)(f) 表示超像素的同質(zhì)性,F(xiàn)(I) 表示異質(zhì)性。υ表示同質(zhì)性所占權(quán)重,1-υ表示異質(zhì)性所占權(quán)重,范圍在0到1之間。

        將改進后的異質(zhì)性和同質(zhì)性評價函數(shù)代入式(13)中,作為全局評價標準。并對F(f) 和F(I) 進行歸一化處理,公式如下

        (14)

        (15)

        其中,fmax和fmin表示超像素同質(zhì)性的最大值和最小值;Imax和Imin表示異質(zhì)性的最大值和最小值。

        為了得到最優(yōu)分割效果,理想情況下最優(yōu)效果即對象間異質(zhì)性較大,且對象內(nèi)部同質(zhì)性較大;以此為目標建立如下算法流程:①設(shè)置分割種子數(shù),得到初始分割結(jié)果;②按照異質(zhì)性最大的原則,計算相鄰超像素之間的異質(zhì)性,合并異質(zhì)性最小的兩個超像素;③每次合并后,計算合并后區(qū)域異質(zhì)性與其內(nèi)部同質(zhì)性,得到新的F1(f,I),若小于原始的F(f,I),則保留合并區(qū)域,形成新的分割區(qū)域,反之返回步驟②;④第t+1次的合并是在第t次合并的基礎(chǔ)上進行的,直至合并后所有的全局最優(yōu)尺度函數(shù)達到最大值,或者所有的區(qū)域都合并完畢,則停止合并。

        3 實驗結(jié)果與分析

        本文采用重慶某地的衛(wèi)星遙感影像進行分割實驗,分辨率為1.0 m,像素為644×413,由R(630 nm-690 nm)、B(450 nm-510 nm)、G(510 nm-580 nm)組成的顏色空間表示。

        本次實驗在CPU:Inter i7,內(nèi)存:16 GB,操作系統(tǒng):Window10,Matlab R2014a平臺上操作。在進行圖像預(yù)處理后,對影像進行SLIC超像素分割,得到初始分割結(jié)果如圖1所示。

        圖1 SLIC超像素分割

        該分割算法能夠較好的分割影像,形成邊緣清晰,同質(zhì)性高的均勻像素塊,直觀體現(xiàn)了較為清晰的紋理特點。通過改進的策略對初始分割結(jié)果進行合并,調(diào)整υ的權(quán)重得到最優(yōu)分割效果如圖2~圖4所示。

        圖2 實驗一υ=0.5分割效果

        圖3 實驗一υ=0.6分割效果

        圖4 實驗一υ=0.7分割效果

        圖1地物細節(jié)較少,且地物分布均勻規(guī)則。通過調(diào)整υ權(quán)重:如圖2所示,當異質(zhì)性權(quán)重較大時,則分割尺度較小,地圖類別較為突顯,同類別地物易出現(xiàn)過分割現(xiàn)象;如圖4所示,當同質(zhì)性占權(quán)重大時,異質(zhì)性權(quán)重小,則影像分割尺度較大,不易產(chǎn)生過分割現(xiàn)象,類別區(qū)分較為清晰。

        將本文算法與其它3種方法進行對比分析:圖5(b)多尺度分割方法;圖5(c)最優(yōu)尺度算法;圖5(d)本文算法。其中圖5(b)中多尺度分割通過eCognition軟件實現(xiàn),分割尺度=100,形狀因子=0.2,光譜因子=0.7。圖5(c)中最優(yōu)分割數(shù)為64;本文算法權(quán)重參數(shù)υ為0.6。

        圖5 不同方法實驗結(jié)果(一)

        從直觀的視覺效果來分析,圖5(b)多尺度分割的方法的邊緣破碎較為嚴重,道路提取不完整,部分植被被錯分成了道路,部分房屋和土地相混淆,存在誤分錯分和過分割的現(xiàn)象。圖5(c)中通過計算對象的同質(zhì)性和異質(zhì)性,得到最優(yōu)分割個數(shù)算法雖然取得的分割效果稍好,形狀基本完整但是在背景影像中存在一些過分割的現(xiàn)象,受光照因素影響,道路和土地中一些個體對象類別被突出表示,且道路和建筑存在過分割和誤分情況。而在圖5(d)本文方法中,分割效果明顯優(yōu)于前兩項,分割邊緣較為清晰,細節(jié)丟失較少,將同一類別中因光譜異變點剔除,區(qū)域之間類別能夠明顯區(qū)分。且因加入紋理特征,對陰影和建筑接觸的位置也能達到較好的分割效果。

        客觀評價:本文通過將分割圖像得到的圖斑進行分類對比,將分割區(qū)域進行標記,對實際分割所含像元個數(shù)與實驗分割圖中所含像素個數(shù)進行計算,求其混淆矩,計算其分類精度和Kappa系數(shù)來客觀地評估不同方法的優(yōu)劣,計算結(jié)果見表1。本文算法總體分割精度達到95.8%,相比于多尺度分割算法和文獻[13]中最優(yōu)尺度算法體分割精度分別提高7.13%和2.2%。

        表1 實驗一分割方法綜合評價結(jié)果

        表1為3種不同方法對兩幅影像的客觀評價結(jié)果,根據(jù)兩種評價可以得出:改進的超像素分割合并算法的分割效果要優(yōu)于其它算法的,不但分割精度得到了提高,分割后損失的細節(jié)較少,邊緣更清晰,地物類別分割較為明確,直觀效果好。

        為了進一步驗證本文算法的合理性和正確性,另選用重慶某城鄉(xiāng)區(qū)域像素為424×560的航天遙感影像作為實驗圖。相較于實驗一,實驗二影像所包含地物細節(jié)更多,受光照影響更嚴重,地物特點變化更大,實驗二SLIC分割效果如圖6所示。

        圖6 SLIC超像素分割

        本文算法不同尺度效果如圖7~圖9所示。

        圖7 實驗二υ=0.4分割效果

        圖8 實驗二υ=0.5分割效果

        圖9 實驗二υ=0.6分割效果

        實驗結(jié)果對比如圖10所示。

        圖10 不同方法實驗結(jié)果(二)

        從分割結(jié)果和表2的評價標準可以看出:本文方法比實驗中所用到的最優(yōu)尺度評價方法和多尺度分割方法,分割精度分別提高了2.37%和6.88%,Kappa值也明顯高于其它兩種算法。由此可知,本文算法有較好的分割效果。

        表2 實驗二分割方法綜合評價結(jié)果

        4 結(jié)束語

        本文針對超像素分割后的像斑合并問題進行改進,基于SLIC的超像素分割通過計算空間距離抑制了噪聲的影像,增加其分割的穩(wěn)定性;并在考慮光譜信息的前提下加入紋理和形狀信息進行聯(lián)合判別,使其受光譜影響問題降低,算法更精確,分割區(qū)域之間的邊緣更清晰;相對于最優(yōu)尺度分割算法的不可更改性,本文算法能夠通過調(diào)整少量參數(shù),根據(jù)實驗需求和影像達到不同的分割效果。綜合實驗結(jié)果對比分析表明,本文方法分割效果更好,精度更高。但本文方法還存在一些問題,分割過程中易受小物體干擾,例如道路中的汽車或者樓頂?shù)男〗ㄖ?;在計算中考慮光譜和紋理、形狀信息仍然不夠完善,某些道路和建筑因為空間位置關(guān)系存在錯分誤分的情況。如何解決這些問題還需要繼續(xù)研究。

        猜你喜歡
        特征效果實驗
        記一次有趣的實驗
        按摩效果確有理論依據(jù)
        如何表達“特征”
        做個怪怪長實驗
        不忠誠的四個特征
        當代陜西(2019年10期)2019-06-03 10:12:04
        迅速制造慢門虛化效果
        抓住“瞬間性”效果
        中華詩詞(2018年11期)2018-03-26 06:41:34
        抓住特征巧觀察
        模擬百種唇妝效果
        Coco薇(2016年8期)2016-10-09 02:11:50
        NO與NO2相互轉(zhuǎn)化實驗的改進
        精品在线亚洲一区二区三区| 日韩人妻熟女中文字幕a美景之屋 国产suv精品一区二区四 | 蜜桃成人无码区免费视频网站| 亚洲AV秘 无码一区二p区三区| 久久频这里精品99香蕉| 亚洲av乱码国产精品观看麻豆| 人妻少妇进入猛烈时中文字幕 | 亚洲最大av资源站无码av网址| 国产va在线播放| 日本亚洲视频免费在线看| 亚洲人成网线在线播放va蜜芽| 18禁无遮挡羞羞污污污污网站| 午夜精品久视频在线观看| 国产在线视频网友自拍| 麻豆蜜桃av蜜臀av色欲av| 少妇内射视频播放舔大片| 国产激情一区二区三区在线蜜臀| 麻豆国产精品一区二区三区| 天堂网在线最新版www| 国产在线播放网址| 日本女优中文字幕四季视频网站| 精品人妻一区三区蜜桃| 国产精品免费看久久久8| 久久水蜜桃亚洲av无码精品麻豆| 国产超碰在线91观看| 精品av熟女一区二区偷窥海滩 | 亚洲色偷偷综合亚洲av伊人| 中文无码免费在线| 蜜桃传媒网站在线观看| 在线看片免费人成视频久网下载| 久久精品国产亚洲AV高清特级| 国产精品午夜高潮呻吟久久av| 精人妻无码一区二区三区| 亚洲精品无码久久久久sm| 亚洲自拍另类欧美综合| 麻豆国产成人av高清在线| 少妇真实被内射视频三四区| 国产精品无套内射迪丽热巴| 黄片在线观看大全免费视频| 日韩有码中文字幕在线观看| 国产成人精品a视频|