張銳，尤淑撐，杜磊，祿競，何蕓，胡勇

(1.自然資源部國土衛(wèi)星遙感應(yīng)用中心，北京 100048； 2.重慶市規(guī)劃和自然資源調(diào)查監(jiān)測院，重慶 400120)

0 引言

隨著對(duì)地觀測衛(wèi)星技術(shù)的發(fā)展，高分辨率遙感影像在地物目標(biāo)提取、變化檢測等方面發(fā)揮著重要作用。影像分割是高分辨率遙感影像信息挖掘和目標(biāo)識(shí)別的基礎(chǔ)，是實(shí)現(xiàn)從數(shù)據(jù)到信息轉(zhuǎn)變的重要環(huán)節(jié)。隨著影像空間分辨率的提高，使得地物輪廓和形狀信息更加清晰，色彩差異明顯[1]，提高了地物識(shí)別的精度，但同時(shí)也增加了影像分割的難度[2]。傳統(tǒng)的基于像元的分割方法如mean shift算法、分水嶺算法等易受到影像椒鹽噪聲和“同譜異物”、“同物異譜”等混合像元的影響，導(dǎo)致影像分割的精度和效率較低。面向?qū)ο蠓治龇椒ǖ奶岢鼋o影像分割和信息提取提供了新思路，這種方法可以充分考慮影像光譜統(tǒng)計(jì)特征，形狀、紋理、上下文關(guān)系等一系列因素[3-5]，分析的最小單元是由影像分割得到的同質(zhì)對(duì)象塊，不再是單個(gè)像素。

分水嶺分割[6-9]作為一種有效的圖像分割方法，具有分割邊界明顯、連續(xù)且算法簡單的優(yōu)點(diǎn)，在圖像處理領(lǐng)域得到廣泛應(yīng)用。但該方法過渡依賴于影像中地物的邊界幅度效應(yīng)，對(duì)于光譜差異較小的地物，常規(guī)的分水嶺算法由于圖像上噪聲和圖像局部不連續(xù)原因常常表現(xiàn)出過度分割，產(chǎn)生偽邊緣效果，導(dǎo)致分割不理想。超像素[10]是指具有相似紋理、顏色和亮度等特征的相鄰像素經(jīng)過聚類形成的形狀不完全規(guī)則的圖像塊，在一定程度上，提高了影像處理效率，降低了高分辨率遙感影像局部信息的冗余度，且能夠充分利用影像中的相位一致性(phase congruency,PC)[11-12]幅度信息，原理對(duì)影像中地物邊緣梯度依賴較小，適合高分辨率遙感影像復(fù)雜地物類型的識(shí)別。其中利用相似紋理、顏色和亮度等特征的線性迭代聚類(simple linear iterative clustering, SLIC)超像素分割方法[13]，在圖像分割和目標(biāo)識(shí)別領(lǐng)域得到廣泛應(yīng)用。

針對(duì)以上問題，本文提出一種基于超像素和標(biāo)記分水嶺的高分辨率遙感影像分割方法。首先對(duì)高分辨率影像進(jìn)行灰度均衡化和高斯低通濾波，減少影像噪聲影響； 再利用改進(jìn)的SLIC超像素分割算法對(duì)影像進(jìn)行初分割，產(chǎn)生超像素對(duì)象塊并進(jìn)行標(biāo)記; 然后計(jì)算每個(gè)超像素斑塊的灰度值，完成影像重建，并對(duì)重建后影像進(jìn)行高斯濾波來去除相鄰超像素邊界銜接效應(yīng)影響; 最后使用自動(dòng)標(biāo)記分水嶺算法完成高分辨率影像分割。

1 基于改進(jìn)超像素和標(biāo)記分水嶺的分割方法

1.1 基于控制標(biāo)記符的分水嶺分割算法

分水嶺分割[14-16]是根據(jù)地理學(xué)的分水嶺概念，將影像模擬成一幅高低起伏的地形圖，圖像中灰度變化可描述成地形圖的谷底、山脊和積水盆。該方法是基于區(qū)域的影像分割方法，算法簡單，運(yùn)行快。Soille[17]利用數(shù)學(xué)形態(tài)學(xué)，對(duì)算法進(jìn)行優(yōu)化，提取局部極小值來自動(dòng)控制分割區(qū)域的數(shù)量，具體步驟如下：

1)提取形態(tài)學(xué)梯度圖像，即

g=(f⊕b)-(f?b)。

(1)

根據(jù)圖像I(x,y)的膨脹(dilation)和腐蝕(erosion)算子可定義(f⊕b)表示形態(tài)學(xué)結(jié)構(gòu)元素b對(duì)影像進(jìn)行膨脹運(yùn)算，即

(f⊕b)(x,y)=maxf(x+i,y+i)-b(i,j)|(x+i,j+y)∈Df,(i,j)∈Db。

(2)

(f?b)表示形態(tài)學(xué)結(jié)構(gòu)元素b對(duì)影像進(jìn)行腐蝕運(yùn)算，即

(f?b)(x,y)=minf(x+i,y+i)-b(i,j)|(x+i,j+y)∈Df,(i,j)∈Db。

(3)

2)梯度圖像低通濾波。由于影像中地物的主要信息集中在圖像的低頻成分，直接對(duì)梯度圖像進(jìn)行處理不能有效獲取低頻信息，通過對(duì)圖像進(jìn)行低通濾波，增大噪聲與圖像信息的差異，從其低頻成分中提取到與目標(biāo)相關(guān)的極小值。

3)基于擴(kuò)展局部極小值變換的控制標(biāo)記提取。分水嶺分割中標(biāo)記的獲取至關(guān)重要，局部極小值變換通過設(shè)定閾值參數(shù)H，H的取值影響分割圖斑的數(shù)目，消除深度小于H的局部極小值，一定程度上減少過分割區(qū)域，過小或過大的H均不利于獲得較優(yōu)的分割效果。

4)標(biāo)記分水嶺分割。得到標(biāo)記圖像后，將其二值化，用提取到的地物標(biāo)記對(duì)原始梯度圖像進(jìn)行修改，濾去原圖像中的所有局部極小值，局部極小值只存在于二值標(biāo)記圖像中不為0的地方。在修改后的梯度圖像中應(yīng)用標(biāo)記分水嶺分割，得到最終的分割結(jié)果。

1.2 SLIC超像素分割方法

在遙感影像智能解譯和圖像分割等方面，超像素方法得到廣泛應(yīng)用。常用的超像素算法主要包括熵率和斑塊的方法，SLIC是熵率方法中的一種典型算法，是根據(jù)顏色和距離2種類型特征對(duì)影像進(jìn)行聚類[18]，主要包括3個(gè)關(guān)鍵步驟，初始化聚類中心、對(duì)象相似性度量以及聚類中心的迭代更新，計(jì)算方法簡單，時(shí)效性高，生成的對(duì)象塊大小均勻緊湊。

1)初始化聚類中心。首先通過將遙感影像從RGB顏色空間經(jīng)過色彩變換操作，轉(zhuǎn)到Lab顏色空間。將Lab顏色空間的顏色特征分量l，a，b和對(duì)象塊的中心坐標(biāo)x，y共同作為分割的初始聚類中心，即Ck=[lk,ak,bk,xk,yk]T。在對(duì)象塊中設(shè)定種子點(diǎn)，為防止種子點(diǎn)落在對(duì)象塊邊界位置，特采用3×3 移動(dòng)窗口，將種子點(diǎn)設(shè)置在對(duì)象塊的梯度最小處，完成聚類中心的初始化。

2)對(duì)象塊的相似性度量。通過對(duì)Lab顏色空間特征向量之間的相似性和像素點(diǎn)x，y坐標(biāo)之間的相似性進(jìn)行聚類，計(jì)算每個(gè)像素與初始化種子點(diǎn)之間的距離測度，得到對(duì)象塊之間的相似性度量。距離測度表示為：

(4)

式中：m表示權(quán)重，取值大小根據(jù)地物邊緣與分割邊界的貼合程度決定；s為搜索步長；dLab和ds分別表示像素在顏色特征空間和坐標(biāo)空間中的距離測度。其表達(dá)式可以分解為：

(5)

(6)

3)聚類中心迭代聚合。根據(jù)步驟1)確定初始聚類中心后，SLIC采用類簇所有像素點(diǎn)的平均值更新聚類中心，改進(jìn)了K-means算法的搜索區(qū)域大小，聚類中心與像素之間采用2s×2s鄰域(圖1)，提高搜索效率。

1.3 改進(jìn)超像素和標(biāo)記分水嶺的高分辨率影像分割方法

邊緣特征的提取是高分辨率遙感影像分割的關(guān)鍵，從頻率域的角度來看，影像的相位譜比幅度譜包含更重要的信息[19]。本文主要是通過加入PC特征，提高超像素邊緣檢測的敏感性。對(duì)于空間域檢測，是利用影像的灰度和梯度等幅度信息，PC是基于一種特征感知模型的圖像特征算法檢測方法，與人類視覺系統(tǒng)相符，具有亮度和平移不變性，對(duì)于地物的高頻信息較為敏感，具有檢測弱邊緣的優(yōu)點(diǎn)。

PC的基本原理是人類視覺感知的圖像特征會(huì)出現(xiàn)在圖像諧波分量疊合最大的相位處，而特征的類型由相位值決定。肖鵬峰等[20]發(fā)現(xiàn)相位信息在影像中地物的邊緣特征處具有高度一致性，并利用傅里葉重構(gòu)函數(shù)對(duì)PC進(jìn)行度量，即

(7)

式中：An(x)表示n次諧波分量的幅度值；(x)為傅里葉成分的局部相位值；表示所有傅里葉分量的加權(quán)平均局部相位角。式中的局部能量是相位偏離的余弦函數(shù)，可能會(huì)因余弦函數(shù)的峰值不夠尖銳而導(dǎo)致定位不準(zhǔn)確。后來Kovesi利用Gabor小波的多尺度特征對(duì)算法進(jìn)行改進(jìn)，修正局部能量計(jì)算式，引入噪聲補(bǔ)償T來抑制噪聲干擾，并基于Gabor函數(shù)將PC模型的維度擴(kuò)展到二維，即

(8)

式中：WO(x,y)為在O點(diǎn)時(shí)有效的頻譜值;ε為常數(shù)，通常設(shè)置為0.000 1；Δ(x,y)為靈敏相位偏差函數(shù)。其表達(dá)式為：

(9)

為了更好地在影像中提取地物邊界，消除影像灰度不均勻的影響，結(jié)合PC模型和光譜相似性測度，本文提出了一種基于改進(jìn)SLIC超像素與分水嶺的高分辨率影像地物分割方法(PCSLIC-MW)。主要是在超像素分割階段，使用HSL顏色分量，并引入PC測度，新的相似性測度D可以表示為：

(10)

式中：ρ，ω和μ分別為新的相似度測度中的權(quán)重系數(shù)；Distc(j,i)為顏色距離，即像素點(diǎn)與超像素種子點(diǎn)間的顏色差異；Distxy(j,i)為像素點(diǎn)與超像素種子點(diǎn)之間的空間距離；DistPC(j,i)為像素點(diǎn)與超像素種子點(diǎn)間的PC差異。其表達(dá)式分別為:

(11)

(12)

DistPC(j,i)=PC(j)-PC(i)，

(13)

式中：H，S，L為顏色分量。在超像素分割計(jì)算過程中，Distc(j,i)，Distxy(j,i)和DistPC(j,i)均要?dú)w一化到(0，1)之間，歸一化的最大值為局部區(qū)域的最大值。

綜上所述，基于SLIC的超像素方法優(yōu)化過程可以歸納如下：

1)初始化。以步長s在以種子點(diǎn)為中心的3×3區(qū)域?qū)υ加跋襁M(jìn)行初始化聚類中心； 對(duì)每一個(gè)像素x設(shè)置標(biāo)簽l(i)=-1； 對(duì)每一個(gè)像素x設(shè)置距離d(i)=∞。

2)計(jì)算相似度。① RGB顏色空間的圖像轉(zhuǎn)換成HSL顏色空間，計(jì)算HSL顏色特征； ② 計(jì)算種子點(diǎn)與像素xi的位置大小作為空間特征； ③ 對(duì)輸入的圖像轉(zhuǎn)換為灰度圖像，使用PC算法計(jì)算圖像的PC特征； 對(duì)每一個(gè)像素在聚類中心i的2s×2s范圍內(nèi)，計(jì)算像素間相似度距離D。

3)迭代更新聚類中心。針對(duì)每個(gè)聚類中心i與其對(duì)應(yīng)2s×2s大小領(lǐng)域的每個(gè)像素pj，計(jì)算pj與i之間的相似度，然后更新l(i)和初始相似度D(i)，完成聚類過程。

4)終止優(yōu)化直到滿足。距離最大，相似度最小。

本文核心算法步驟主要包括以下幾點(diǎn)：

1)高分辨率遙感影像預(yù)處理。利用直方圖均衡化和高斯濾波對(duì)原始影像進(jìn)行預(yù)處理。

2)超像素初分割。通過顏色、空間位置、PC距離、紋理特征4個(gè)特征對(duì)影像進(jìn)行超像素粗分割，并對(duì)超像素斑塊進(jìn)行標(biāo)記。

4)對(duì)重建的特征影像圖進(jìn)行高斯濾波，最后采用控制標(biāo)記符分水嶺算法對(duì)重建后的特征影像進(jìn)行再分割，得到地物最終分割結(jié)果。具體流程見圖2。

圖2 PCSLIC-MW方法流程Fig.2 Procedure of PCSLIC-MW

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)結(jié)果

2.1.1 Worldview 2多光譜影像分割實(shí)驗(yàn)

本實(shí)驗(yàn)采用了Worldview 2 多光譜影像(圖3)。

圖3 0.5 m分辨率Worldview 2 多光譜影像Fig.3 Worldview 2 multispectral image of 0.5 m resolution

該影像空間分辨率為0.5 m，影像大小為1 000像素×1 000像素，有藍(lán)光(450～510 nm)、綠光(510～580 nm)、紅光(655～690 nm)和近紅外(780～920 nm)共4個(gè)波段。Worldview 2 多光譜影像選取的研究區(qū)主要以梯田、林地和村莊為主。首先計(jì)算不同空間尺度下超像素塊的紋理特征、顏色特征以及空間位置特征，并對(duì)特征進(jìn)行融合處理，然后利用本文所提改進(jìn)超像素方法對(duì)影像進(jìn)行初分割，利用擴(kuò)展局部極小值變換方法確定控制標(biāo)記，進(jìn)而利用標(biāo)記分水嶺分割方法對(duì)影像進(jìn)行再分割，根據(jù)變化曲線得到最優(yōu)分割尺度，完成基于PCSLIC-MW方法的影像分割實(shí)驗(yàn)。圖4為PCSLIC-MW方法分割結(jié)果，圖4(a)為超像素初分割的初始結(jié)果，圖4(b)為PCSLIC-MW分割結(jié)果，圖4(c)和(d)分別為耕地和居民點(diǎn)局部放大，從圖中可以看出，梯田和居民點(diǎn)的邊界被很好地分割出來。與分形網(wǎng)絡(luò)演化算法(fractal net evolution approach, FNEA)[21]不同尺度局部結(jié)果對(duì)比如圖5所示。

從圖5中可以看出，當(dāng)尺度為100或80時(shí)，產(chǎn)生過分割，并隨著尺度參數(shù)的增加，整個(gè)影像的過分割仍比較嚴(yán)重，當(dāng)尺度為60，40，25時(shí)，產(chǎn)生欠分割現(xiàn)象，分割對(duì)象過于破碎。植被和農(nóng)田的光譜異質(zhì)性較大，雖然也有了較好的合并，但仍然存在著過分割現(xiàn)象，進(jìn)一步說明了本文方法的優(yōu)越性。

表1為Worldview 2多光譜影像利用不同分割尺度的精度評(píng)價(jià)，從精確度和召回率2個(gè)指標(biāo)可以看出，本文所提方法的精確度和召回率均在0.8以上，高于FNEA分割結(jié)果的精度。利用FNEA不同尺度分割的結(jié)果顯示，分割尺度過大或過小，精確度和召回率都呈現(xiàn)降低趨勢。

表1 Worldview 2多光譜影像分割實(shí)驗(yàn)精度評(píng)價(jià)Tab.1 Accuracy evaluation of segmentationexperiment based on Worldview 2 image

2.1.2 ZY3-02多光譜影像分割實(shí)驗(yàn)

本實(shí)驗(yàn)使用的數(shù)據(jù)為ZY3-02多光譜影像，ZY3衛(wèi)星是我國首顆高精度民用立體測繪衛(wèi)星，影像數(shù)據(jù)為一種新型遙感影像數(shù)據(jù)源，具有高空間分辨率、大動(dòng)態(tài)范圍和立體成像的特點(diǎn)，在建筑物等信息提取方面具有較大優(yōu)勢。ZY3-02多光譜影像參數(shù)如表2所示。

表2 ZY3-02多光譜影像參數(shù)Tab.2 Parameters of ZY3-02 multispectral image

ZY3-02多光譜影像包括藍(lán)光、綠光、紅光和近紅外4個(gè)波段，幅寬為52 km。采用Flaash模型對(duì)影像進(jìn)行大氣糾正，并利用二次多項(xiàng)式模型對(duì)多光譜和全色影像分別進(jìn)行幾何糾正，最后采用Gram-Schmidt方法對(duì)影像進(jìn)行融合處理。實(shí)驗(yàn)采用影像大小為2 000像素×2 000像素，空間分辨率為2.1 m，該區(qū)域主要包括房屋、道路、耕地、水域等地物(圖6)，圖7(a)為影像的分割結(jié)果，建筑物和耕地分割結(jié)果的局部放大如圖7(b)和(c)所示，從分割結(jié)果可以看出，本文方法較好地區(qū)分了房屋和耕地的邊界，完整地保留了房屋、耕地、道路以及水域的邊界線，絕大部分地物被完整地區(qū)分出來。以房屋為例，本文方法與不同尺度FNEA的局部分割結(jié)果對(duì)比如圖8所示。

圖6 空間分辨率2.1 m的ZY3-02 多光譜影像Fig.6 ZY3-02 multispectral image of 2.1 m resolution

(a) 本文方法分割結(jié)果圖7-1 PCSLIC-MW方法分割結(jié)果Fig.7-1 Segmentation results of PCSLIC-MW method

從圖8中可以看出，當(dāng)尺度為100或80時(shí)，存在欠分割現(xiàn)象，房屋邊界和周圍裸地邊界混淆，當(dāng)尺度設(shè)為60,40或25時(shí)，存在過分割現(xiàn)象，房屋邊界不完整，對(duì)象斑塊破碎。分割精度評(píng)價(jià)如表3所示。

表3 ZY3-02多光譜影像分割實(shí)驗(yàn)精度評(píng)價(jià)Tab.3 Accuracy evaluation of segmentationexperiment based on ZY3-02 image

從表3中可以看出，本文方法的精確度和召回率分別為0.86和0.90，和其他分割尺度相比，獲得了較好的效果。

2.2 結(jié)果評(píng)價(jià)與分析

對(duì)本文所提方法進(jìn)行分割效果評(píng)價(jià)，將本文方法與傳統(tǒng)均值飄移方法[22](mean shift, MS)和FNEA進(jìn)行比較，如圖9所示。從圖9中可以看出，本文方法能夠較好地將建筑物與陰影、裸地區(qū)分開，分割出較為清晰的邊界，MS方法容易產(chǎn)生過分割，建筑物邊界沒能很好的區(qū)分，F(xiàn)NEA分割方法中陰影和房屋產(chǎn)生了混淆。從表4中的精確度和召回率也可以看出，本文方法的精度高于MS以及FNEA分割方法。

表4 分割方法比較精度評(píng)價(jià)Tab.4 Accuracy evaluation of differentsegmentation methods

為分析影像空間分辨率差異對(duì)分割精度造成的影響，利用本文所提方法對(duì)Worldview 2 融合影像(0.5 m)、ZY3-02融合影像(2.1 m)以及ZY3-02多光譜影像(5.8 m)分別進(jìn)行分割實(shí)驗(yàn)，結(jié)果如表5所示。

表5 影像分辨率差異對(duì)分割精度的影響Tab.5 Effect of image resolution differenceon segmentation accuracy

通過精確度和召回率指標(biāo)可以看出，當(dāng)影像分辨率由5.8 m提升到2.1 m時(shí)，分割精度具有顯著提升。當(dāng)影像分辨率為0.5 m時(shí)，分割精度并未隨著影像空間分辨率的提高而持續(xù)提高，說明此時(shí)應(yīng)加入其他特征輔助分割，以改善分割精度。

3 結(jié)論與討論

本文針對(duì)常規(guī)面向?qū)ο蠓指罘椒ù嬖诘娜毕?，提出一種改進(jìn)超像素和標(biāo)記分水嶺的高分辨率衛(wèi)星遙感影像分割方法PCSLIC-MW，首先利用超像素方法對(duì)影像進(jìn)行初分割，并結(jié)合HSL顏色空間、空間位置信息以及相位一致性紋理特征等信息，對(duì)傳統(tǒng)的SLIC超像素分割算法進(jìn)行改進(jìn)，再結(jié)合改進(jìn)的標(biāo)記分水嶺算法進(jìn)行再分割，提取地物的邊界。通過選取Worldview 2和ZY3-02典型樣例影像進(jìn)行分割實(shí)驗(yàn)，說明本文提出方法的有效性和精度。

本文方法與MS和FNEA方法相比，能夠避免大量的欠分割導(dǎo)致的影像對(duì)象邊界不清和過分割造成的對(duì)象塊較多，與大的單尺度分割相比，能夠避免大量的欠分割影像對(duì)象，與小的單尺度分割相比，能夠避免大量的過分割影像對(duì)象。

實(shí)驗(yàn)結(jié)果表明，針對(duì)不同衛(wèi)星影像的最佳參數(shù)選擇可能存在差異，不同空間分辨率影像的分割精度也會(huì)有所差異。對(duì)某些特殊目標(biāo)和地物類型復(fù)雜的分割問題，提高分割的泛化能力和分割效率是后續(xù)的研究目標(biāo)。