祁瑞光，張和生

(太原理工大學 礦業(yè)工程學院，太原 030024)

0 引言

高分辨率遙感影像廣泛應(yīng)用于農(nóng)作物產(chǎn)量評估、森林火災(zāi)檢測、地物分類等領(lǐng)域[1]。影像分割在利用高分辨率遙感影像進行對象分析時具有基礎(chǔ)且關(guān)鍵的作用，影像分割的質(zhì)量直接決定后續(xù)面向?qū)ο蠓治龅木萚2]。但隨著影像的分辨率增高，地物的紋理和形狀等信息也越豐富，準確尋找地物邊界的難度也更大，為此尋找一種合理有效的分割方法對高分辨率遙感研究有重要意義。傳統(tǒng)的分割方法多基于像元進行分割，如吳波等[3]提出一種基于光譜多尺度分割特征的混合像元分解方法，但空間數(shù)據(jù)冗余，會產(chǎn)生“椒鹽”效應(yīng)。面向?qū)ο蟮挠跋穹指罘椒ㄒ殉蔀楦叻直媛蔬b感影像分割的主要方法[4]，如涂繼輝等[5]將建筑物頂面作為分割對象，檢測建筑物的損毀區(qū)域；巫兆聰?shù)萚6]在初始分割的基礎(chǔ)上，利用對象的光譜紋理和形狀信息進行區(qū)域合并；Li等[7]提出一種基于邊緣檢測的分水嶺算法，利用嵌入置信度的邊緣檢測檢測對象，提高對象邊界的檢測精度。高分辨率遙感影像的應(yīng)用范圍越來越廣，傳統(tǒng)的多尺度分割方法逐漸顯示出它們的效率不足，特別是在處理大尺寸圖像時[8]。對于紋理信息豐富區(qū)域，傳統(tǒng)分割方法的分割線與地物邊界的貼合度不高，容易出現(xiàn)欠分割且受到影像噪聲的影響，對于顏色紋理相似區(qū)域，部分算法容易出現(xiàn)過分割。

本文提出一種在簡單線性迭代聚類(simple linear iterative clustering，SLIC)算法的基礎(chǔ)上進行改進的高分辨率遙感影像分割方法：首先用SLIC算法分割影像生成超像素；然后根據(jù)灰度離散程度將離散超像素合并到臨近最大權(quán)重的超像素；最后根據(jù)同異性度量將超像素進行合并。通過對比幾種算法的實驗分割效果，驗證本文方法的有效性。

1 研究方法

本文所用分割方法：首先對遙感影像利用高斯濾波器進行平滑，去掉噪點；然后利用SLIC算法生成超像素，對超像素離散程度進行評價，根據(jù)灰度離散程度進行整合，根據(jù)紋理梯度信息計算超像素的同異性度量值，由同異性程度確定最終的分割結(jié)果。方法流程如圖1所示。

圖1 本文分割方法流程圖

1.1 生成超像素

Sun等[9]提出用超像素對高光譜影像進行分割；Achanta等[10]利用SLIC算法生成超像素，證明SLIC超像素更加規(guī)則，與地物邊界貼合效果比以前的方法好。該算法將像素點的CIELAB空間色彩值l，a，b和像素點在影像中的位置x，y組成五維特征向量[li，ai，bi，xi，yi]T，以此作為判斷聚類中心的標準。CIELAB空間的色彩相較于RGB空間色彩來說更符合人眼的視覺。其特征向量中，l表示亮度；a表示從綠色到紅色的分量；b表示從藍色到黃色的分量。

傳統(tǒng)SLIC分割方法直接對原圖進行分割，容易受到噪聲點的影響，致使主要地物的邊界偏移。一般影像的噪聲服從高斯分布，本文采用高斯濾波器過濾噪聲。高斯濾波器是一種線性濾波器，根據(jù)高斯函數(shù)形狀選擇權(quán)值進行過濾，可以有效地抑制噪聲影響，平滑圖像。計算方法如式(1)～式(3)所示。

Ci(x，y)=Gσ(x，y)×fi(x，y)

(1)

Cj(x，y)=Gσ(x，y)×fj(x，y)

(2)

(3)

式中：Gσ(x，y)是高斯函數(shù)；f(x，y)是影像點的坐標；σ是坐標的標準差，代表數(shù)據(jù)的離散程度。

由圖2可知，σ越小，離邊界越遠的像素權(quán)重越小，圖像平滑的效果隨之減??；σ越大，圖像平滑的效果越明顯，受噪聲點影響越低，但σ過大會使圖像模糊，失去邊界。

圖2 不同σ值情況下的二維高斯分布函數(shù)

用SLIC算法生成超像素的步驟如下。

圖3 種子點初始化過程

2)計算相似度。種子點初始化后，SLIC算法通過迭代對像素點進行聚類。這個聚類過程與K-means算法類似，不同點在于：該算法像素點搜索的范圍是以種子點為中心的2S×2S范圍；而K-means算法搜索的范圍是全局，圖4顯示了二者的區(qū)別。

圖4 K-means與SLIC搜索范圍對比

計算出像素點的相似度后，將最相似的種子點的標簽賦予該像素，通過不斷迭代直至收斂完成超像素分割。像素點與種子點相似度的計算如式(4)～式(6)所示。

(4)

(5)

(6)

式中：dlab為像素點在CIELAB顏色空間中的差異；dxy為像素點之間的空間距離；D為像素點之間的相似度；S為種子點之間的距離；m是一個輸入?yún)?shù)，用來控制相似度公式中顏色差異和空間距離比例；k是種子點的標號；i是像素點的標號。D的值越小，說明2個像素點相似度越高。

SLIC分割生成的超像素用集合S表示，如式(7)所示。

S=∪si，i=1，2，…，K

(7)

式中：si是第i個超像素；K是超像素的總數(shù)。

3)處理離散超像素。部分生成的超像素范圍過小，對合并過程造成影響，易產(chǎn)生孤立像素。計算離散超像素部分的灰度離散程度，如式(8)所示。

Vij=|Vi-Vj|

(8)

式中：Vi表示離散部分的灰度均值；Vj表示臨近超像素的灰度均值；Vij值越小，說明二者紋理差異越小，離散部分可歸并到臨近對應(yīng)相似程度最大的超像素。

1.2 合并超像素

同異性度量通過區(qū)域特征進行聚類，將同異性度量小于閾值的相鄰超像素合并。同異性度量由超像素的梯度顯著性Hij和灰度同異性cij經(jīng)權(quán)重比分配計算后表示。梯度顯著性Hij由2個相鄰超像素si和sj的梯度變化程度計算得出。

對平滑后的超像素求偏導，可以得出梯度變化的程度大小，如式(9)～式(11)所示。

(9)

(10)

Hij=|Ri(x，y)-Rj(x，y)|

(11)

式中：t是一個超像素中，計算梯度的卷積核所占區(qū)域個數(shù)；Ri(x，y)是超像素si的平均梯度變化程度；Rj(x，y)是超像素sj的平均梯度變化程度；Hij就是相鄰2個超像素的梯度顯著性。圖5是經(jīng)過梯度處理后的影像。

圖5 影像梯度圖

經(jīng)過梯度處理后的影像，邊界處的梯度值絕對值要明顯大于平緩處的梯度絕對值。對比每個超像素Hij值，邊界兩側(cè)超像素的平均梯度值會出現(xiàn)明顯的變化，且Hij值較大。同一個地物對象中的超像素，平均梯度值差值不會過大[11]。

人眼對RGB敏感的比例偏向于3∶6∶1，由于浮點預(yù)算速度較慢，將3個系數(shù)做整數(shù)處理后，再除以1 000，轉(zhuǎn)灰度公式如式(12)、式(13)所示。

ci=R×0.299+G×0.587+B×0.114

(12)

cij=|ci-cj|

(13)

式中：ci是超像素i的灰度值；cij是超像素i和超像素j的灰度同異性。

圖6為按比例轉(zhuǎn)換成的灰度圖和相應(yīng)的灰度直方圖。

圖6 轉(zhuǎn)換后灰度圖及其灰度直方圖

對Hij和cij進行歸一化處理，如式(14)所示。

(14)

式中：Nij為歸一化值；ω為設(shè)置RGB權(quán)重占比系數(shù)。在紋理相似區(qū)域適當降低ω的值可以防止欠分割現(xiàn)象，在紋理復(fù)雜區(qū)域適當提高ω的值可以避免過分割現(xiàn)象。

設(shè)ε為一常數(shù)閾值，且ε的值處在Nij的變化范圍內(nèi)。通過控制ε的大小，使同異性差異值在一定范圍內(nèi)的超像素合并到一起，達到分割影像的效果。

2 實驗結(jié)果和分析

2.1 實驗數(shù)據(jù)

本文使用太原理工大學校區(qū)無人機高分辨率航拍影像，如圖7所示。分辨率為0.2 m，影像大小為1 024像素×1 024像素。影像中的對象包括建筑物、道路、草地、陰影。

圖7 本文原始影像

2.2 高斯濾波器處理

經(jīng)實驗，用高斯濾波器處理時，當σ=0.9時的邊界分割優(yōu)化效果最好。

圖8中，3處箭頭的處理前后對比較為明顯。在路沿這種像素紋理較復(fù)雜的區(qū)域，高斯濾波處理后的影像的邊界更加明確，部分地面紋理與周圍相近的超像素邊界經(jīng)處理后也可以檢測出來[12]。

圖8 高斯濾波器處理前后對比

由此可見，經(jīng)高斯濾波器處理后的影像在處理過程中更容易排除噪聲點的影響，可有效減少無規(guī)則分割的超像素的產(chǎn)生。

2.3 超像素初始分割

分水嶺算法是一種經(jīng)典的超像素算法，本文利用C語言程序生成SLIC超像素和分水嶺算法生成的超像素進行比較，再和目前在面向?qū)ο蠓指罘矫嬉呀?jīng)十分成熟的軟件eCognition生成的四叉樹進行比較，3種分割算法的比較情況如圖9所示。

圖9 超像素分割結(jié)果

經(jīng)實驗，SLIC、分水嶺、四叉樹3種算法的分割所用時間分別為5.831 s、4.873 s、0.314 s，可見SLIC超像素生成耗時較長，但形狀更加規(guī)則，大小更加相似，不容易產(chǎn)生孤立的像素點。在圖9中的多處特征影像位置可看出，部分房屋地區(qū)的紋理顏色信息較為復(fù)雜，SLIC超像素比分水嶺超像素分割得更加貼合地物邊界，并且分水嶺超像素的個數(shù)無法設(shè)置，SLIC超像素可以調(diào)整至最為合適的數(shù)量。與四叉樹分割相比，四叉樹分割速度優(yōu)勢明顯，但四叉樹對于弱邊緣和嚴重凹陷邊緣不能準確提出[13]，SLIC超像素分割得更加平滑，分割結(jié)果更加接近真實情況，四叉樹分割的精細程度取決于四叉樹的層數(shù)，生成的超像素容易忽略邊界復(fù)雜的地物，對邊界的依附性較差，且邊界的鋸齒效應(yīng)更加明顯。

2.4 合并超像素

對圖9中分割效果較好的SLIC超像素和分水嶺超像素進行合并比較，得到最終的分割結(jié)果。

圖10(a)為多尺度算法分割結(jié)果，圖10(b)為分水嶺算法分割結(jié)果，圖10(c)為本文算法分割結(jié)果。在圖10(d)目視解譯中，未對草地進行分割處理，避免主觀因素的影響。對分水嶺算法和本文算法進行直接比較，可以看出：部分草地上方的道路在本文算法中可以順利合并，但在分水嶺算法中會出現(xiàn)過分割現(xiàn)象；道路的分割容易受到噪聲影響[14]，部分在陰影區(qū)域的道路，本文算法可以順利將道路分割出來，而多尺度算法、分水嶺算法在此區(qū)域會出現(xiàn)欠分割，說明本文方法具有一定的抗噪能力[15]。由此可見，在草地、廣場、道路等紋理顏色相似區(qū)域，本文算法可以更好地將同類型超像素合并在一起。

圖10 分割結(jié)果比較

3 精度評定

對圖7(b)影像依次使用目視解譯、分水嶺、多尺度和本文算法進行分割，圖11為分割結(jié)果。圖11(a)多尺度分割參數(shù)為：Scale parameter為230；Shape為0.1；Compactness為0.5[16]。圖11(b)為分水嶺分割，合并前超像素有5 232個，合并后的區(qū)域有236 個。圖11(c)為本文算法結(jié)果，合并前超像素有4 300 個，合并后區(qū)域有200 個。使用SSIM(structural similarity index)結(jié)構(gòu)相似性指數(shù)[17]和Kappa系數(shù)[18-19]對分割結(jié)果進行精度評定，指數(shù)越高，說明分割結(jié)果與預(yù)期的分割結(jié)果越相近。

由圖11可以看出，本文在陰影及道路等部分紋理相似區(qū)域的分割效果優(yōu)于其他方法。3種分割結(jié)果的精度對比如表1所示。

圖11 分割結(jié)果

表1 分割結(jié)果精度比較

4 結(jié)束語

本文提出的分割方法可以通過高斯濾波器抵消噪聲點的影響，該方法對超像素中的梯度和紋理灰度值進行單獨處理，更有效地將位于紋理顏色相似區(qū)域的地物提取出來。針對不同紋理的影像，相應(yīng)地分配梯度顯著性和灰度同異性的閾值，可以進一步避免出現(xiàn)在同一地類的過分割現(xiàn)象。與分水嶺分割和多尺度分割算法相比，該方法有效改進了在紋理復(fù)雜和相似區(qū)域的分割效果。本文下一步將繼續(xù)對分割邊界的平滑效果進行改進。