孫瑋婕，楊 軍

1.蘭州交通大學(xué) 測(cè)繪與地理信息學(xué)院，蘭州730070

2.地理國(guó)情監(jiān)測(cè)技術(shù)應(yīng)用國(guó)家地方聯(lián)合工程研究中心，蘭州730070

3.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，蘭州730070

4.蘭州交通大學(xué) 電子與信息工程學(xué)院，蘭州730070

圖像分割是將圖像中的像素按照一定的相似性分成若干不重疊的具有特殊意義的小區(qū)域。針對(duì)圖像分割已經(jīng)提出如閾值、邊緣檢測(cè)和區(qū)域生長(zhǎng)等方法，但傳統(tǒng)的圖像分割方法大多是以像素為單位，很少考慮到像素與像素之間的關(guān)系。因此，2003年，Ren等人[1]提出了具有相似紋理、顏色、亮度等特征的相鄰像素構(gòu)成的超像素這一概念，能夠通過超像素塊將圖像分割為具有相似特征的小區(qū)域。計(jì)算機(jī)視覺領(lǐng)域[2-3]將基于超像素的分割算法作為圖像預(yù)處理的一種方法，能獲得較好的局部特征和結(jié)構(gòu)信息，并在很大程度上提高了圖像的運(yùn)行效率。隨著遙感技術(shù)的發(fā)展，遙感影像具有更清晰的地物特征和形狀輪廓，使得遙感影像分割成為信息提取的關(guān)鍵步驟，而基于超像素的分割方法能夠利用超像素塊代替影像中大量的原始像素，可以提高圖像分割的精度和效率，在遙感影像分割領(lǐng)域受到了廣泛關(guān)注[4-5]。

1 相關(guān)研究工作

超像素分割的方法大體上可分為兩類[6]：基于圖論的方法和基于梯度上升的方法?；趫D論的方法是將圖像中的每一個(gè)像素看做是一個(gè)節(jié)點(diǎn)，連接兩個(gè)節(jié)點(diǎn)形成邊，并通過分配給邊的權(quán)重及各種分割準(zhǔn)則形成超像素。主要算法有歸一化切割算法（Normalized cuts，Ncut）[7]、熵率超像素分割算法（Entropy Rate Superpixel segmentation，ERS）[8]、種子超像素算法（Superpixels Extracted via Energy-Driven Sampling，SEEDS）[9]等。基于梯度下降的方法是將圖像中像素進(jìn)行粗略的初始聚類后，再通過反復(fù)迭代細(xì)化聚類的結(jié)果，達(dá)到一定的收斂條件后形成超像素。主要算法有分水嶺分割算法（Watershed）[10]、均值漂移算法（Mean Shift，MS）[11]、渦輪像素算法（Turbo Pixel，TP）[12]、簡(jiǎn)單線性迭代算法（Simple Linear Iterative Clustering，SLIC）[13]等。

同其他超像素分割算法相比，Achanta 等人[13]提出的SLIC 算法由于能夠得到較為緊湊和均勻的超像素，圖像分割結(jié)果較為準(zhǔn)確，使其在圖像分割領(lǐng)域得到了廣泛應(yīng)用。但將SLIC超像素算法直接應(yīng)用到遙感圖像分割領(lǐng)域時(shí)，由于遙感影像相比于自然圖像具有更復(fù)雜的特性，分割結(jié)果中仍會(huì)存在過分割現(xiàn)象，且算法運(yùn)行效率較低。近年來，國(guó)內(nèi)外研究者提出了一些改進(jìn)方法。劉仲民等人[14]首先用SLIC超像素算法獲得初始分割結(jié)果；接著利用區(qū)域鄰接圖和最近鄰接圖的鄰接表數(shù)據(jù)結(jié)構(gòu)來表示區(qū)域之間的關(guān)系；然后計(jì)算每個(gè)待合并區(qū)域與其所有鄰接區(qū)域之間的不相似度函數(shù)值；最后根據(jù)該值合并不相似度值最小的區(qū)域，得到最后的分割結(jié)果。文獻(xiàn)[15]將灰度共生矩陣提取的影像紋理特征與SLIC 獲得的顏色特征相結(jié)合，并擴(kuò)展了衡量加權(quán)紋理距離和顏色相似度以及超像素中心與相鄰像素之間的空間接近度的度量方法，獲得了較好的分割結(jié)果。大多數(shù)利用SLIC 算法進(jìn)行分割的算法都是首先對(duì)影像進(jìn)行SLIC初始分割，再使用其他方法對(duì)影像進(jìn)行后處理從而得到較好的分割結(jié)果，但遙感影像本身較大，利用傳統(tǒng)SLIC 算法的運(yùn)行時(shí)間較長(zhǎng)，再加入其他方法對(duì)影像進(jìn)行處理則會(huì)進(jìn)一步降低運(yùn)行效率，不能達(dá)到對(duì)影像的實(shí)時(shí)分割。

隨著深度學(xué)習(xí)的發(fā)展，基于深度學(xué)習(xí)的圖像分割方法也得到廣泛關(guān)注。文獻(xiàn)[16]提出了一種基于上下文分析的非均衡合并SAR圖像分割方法。首先通過超像素對(duì)圖像進(jìn)行預(yù)分割；然后對(duì)超像素的上下文進(jìn)行建模；最后通過一次粗合并和一次細(xì)合并得到分割結(jié)果。文獻(xiàn)[17]在文獻(xiàn)[16]的基礎(chǔ)上又提出一種新的分割算法，先將原始圖像進(jìn)行超像素分割獲得初始分割結(jié)果；接著提取圖像的多個(gè)異質(zhì)特征來描述SAR 圖像；然后將不同的特征分別集成到特征層和相似層中；最后，在粗合并和細(xì)分類組成的兩階段算法中分別提出基于上下文的區(qū)域迭代合并算法和基于混合優(yōu)化的模糊聚類算法，對(duì)超像素進(jìn)行處理后得到分割結(jié)果。Albayrak等人[18]采用SLIC 超像素方法對(duì)圖像作預(yù)分割，然后使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)這些超像素進(jìn)行分類，以獲得整個(gè)圖像的分割結(jié)果。蔣應(yīng)峰等人[19]首先利用深度學(xué)習(xí)方法從原始影像中提取多個(gè)特征圖，并利用特征對(duì)像素進(jìn)行分類；然后對(duì)于分類錯(cuò)誤的像素，利用SLIC對(duì)圖像進(jìn)行超像素分割；最后統(tǒng)計(jì)超像素塊的像素類別信息來修正部分分類錯(cuò)誤的像素類別。然而，利用深度學(xué)習(xí)對(duì)遙感影像進(jìn)行分割時(shí)，所需要的分割數(shù)據(jù)集須包含大量的訓(xùn)練樣本和對(duì)應(yīng)的真實(shí)標(biāo)簽，而現(xiàn)有的真實(shí)標(biāo)簽大多通過手工標(biāo)記，耗費(fèi)大量的人力和時(shí)間，且對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)也需要花費(fèi)大量的時(shí)間，所以該方法的成本較高。

SLIC超像素算法僅考慮圖像的空間信息和顏色信息，且存在多次迭代、重疊局部區(qū)域重復(fù)計(jì)算等問題。因此，2017 年Achanta 等人[20]改進(jìn)了SLIC 算法，提出了簡(jiǎn)單非迭代聚類（Simple Non-Iterative Clustering，SNIC）算法，它是SLIC 算法的一種簡(jiǎn)化版本，將SLIC 算法中多次迭代過程減少為一次，降低了計(jì)算復(fù)雜度，且對(duì)像素進(jìn)行強(qiáng)制連接，有效地提高了聚類效率。然而，SNIC算法依舊存在對(duì)超像素?cái)?shù)目設(shè)置較為敏感，當(dāng)超像素?cái)?shù)目設(shè)置過小或過大，易造成圖像欠分割或過分割的問題。為此，本文采用動(dòng)態(tài)閾值和SNIC 超像素分割相結(jié)合的方法實(shí)現(xiàn)遙感影像的分割。主要貢獻(xiàn)和創(chuàng)新點(diǎn)為：（1）引入SNIC算法解決了SLIC算法在遙感影像分割中聚類效率較低的問題；（2）加入動(dòng)態(tài)閾值分割方法，能更好地利用影像中的灰度信息，同時(shí)解決了動(dòng)態(tài)閾值對(duì)影像進(jìn)行分割時(shí)顏色及空間信息利用不足的問題。

2 分割方法與原理

2.1 改進(jìn)的SLIC超像素

2.1.1 SLIC超像素

2012 年，Achanta 等人[13]提出了SLIC 超像素算法，它是一種顏色相似性和空間相近性相結(jié)合的方法，主要思想是將RGB 圖像轉(zhuǎn)換到CIELAB 顏色空間，并把圖像中每個(gè)像素的3個(gè)顏色分量和2個(gè)坐標(biāo)值組成一個(gè)5維特征向量，然后通過度量向量之間的距離來判斷像素的相似性。使用SLIC超像素進(jìn)行圖像分割的具體步驟如下：

（1）初始化種子點(diǎn)。假設(shè)一張圖像有N個(gè)像素點(diǎn)，將其預(yù)分割為K個(gè)相同尺寸的超像素，則每個(gè)超像素的大小為N/K，相鄰種子點(diǎn)的步長(zhǎng)近似為S=sqrt(N/K)。

（2）移動(dòng)種子點(diǎn)。為了避免初始化的種子點(diǎn)位于梯度較大的邊界上，計(jì)算初始化種子點(diǎn)3×3鄰域內(nèi)像素點(diǎn)的梯度值，并將初始化種子點(diǎn)移至梯度最小處。

（3）距離度量并分配種子點(diǎn)。搜索種子點(diǎn)2S×2S范圍內(nèi)所有像素點(diǎn)與該種子點(diǎn)的顏色距離和空間距離，并選取距離最小值對(duì)應(yīng)的種子點(diǎn)作為該像素的聚類中心。

距離計(jì)算方法如下：

式中，NS為類內(nèi)最大空間距離(NS=S)。Nc為最大的顏色距離，一般通過m代替該值，m是一個(gè)取值范圍為[1，40]的固定常數(shù)；dc和dS分別為顏色距離和空間距離，分別由下式計(jì)算：

其中，i為聚類中心標(biāo)簽，j為對(duì)應(yīng)聚類中心i的2S×2S大小鄰域的像素坐標(biāo)的一維索引值，x、y為像素的空間坐標(biāo)，l為CIELAB 顏色空間下的亮度通道，值域0（黑色）～100（白色），a、b為CIELAB顏色空間下的兩個(gè)顏色通道，a為從洋紅色至綠色的范圍，b為從黃色至藍(lán)色的范圍。

（4）迭代優(yōu)化。重復(fù)上述步驟直到像素點(diǎn)的聚類中心不再發(fā)生變化，通常迭代10次左右。

（5）增強(qiáng)連通性。將經(jīng)過上述步驟仍不在超像素塊中的小區(qū)域，通過新建一個(gè)零矩陣將其與周圍的超像素塊合并。

2.1.2 SNIC超像素

SLIC中算法中存在以下問題：（1）算法需要進(jìn)行10次左右的迭代運(yùn)算。（2）聚類中心的搜索空間存在部分重疊。（3）像素點(diǎn)之間沒有進(jìn)行強(qiáng)制連接，以上3個(gè)問題導(dǎo)致SLIC算法在運(yùn)行效率方面并不理想。因此，SNIC超像素對(duì)傳統(tǒng)的SLIC 算法進(jìn)行了改進(jìn)，有效地提高了聚類效率。

和SLIC 一樣，SNIC 超像素[20]依舊通過在原始影像劃分規(guī)則格網(wǎng)的方式選擇像素來初始化K個(gè)種子點(diǎn)C[k]={xk,ck}，通過K個(gè)種子點(diǎn)創(chuàng)建K個(gè)元素zi={xi,ci,k,di,k}，k表示超像素標(biāo)簽，取值范圍為[1,K]，di,k表示第i個(gè)像素點(diǎn)到第k個(gè)質(zhì)心的距離。

通過構(gòu)建一個(gè)優(yōu)先級(jí)隊(duì)列存儲(chǔ)創(chuàng)建的K個(gè)元素，每一次總是將di,k最?。ň嚯x第k個(gè)質(zhì)心最近）的元素返回。因?yàn)橘|(zhì)心的值是超像素中所有像素的平均值，所以若返回的元素所指向的標(biāo)簽圖上的像素位置未標(biāo)記，則先將其標(biāo)記為質(zhì)心，然后使用該像素對(duì)質(zhì)心值進(jìn)行更新。此外，對(duì)于未標(biāo)記的4個(gè)或8個(gè)相鄰像素，都創(chuàng)建一個(gè)新元素，并將這些新元素加入隊(duì)列。當(dāng)算法執(zhí)行時(shí)在隊(duì)列的一端分配標(biāo)簽，在另一端加入新的候選像素，直到隊(duì)列清空時(shí)算法結(jié)束。

（1）距離計(jì)算

同SLIC 算法一樣，設(shè)像素的空間坐標(biāo)為[xy]T，CIELAB 顏色空間c=[lab]T，所以，第k個(gè)超像素質(zhì)心到第j個(gè)候選像素的距離計(jì)算如下：

式中，S和m分別表示空間距離和顏色距離的歸一化因子。

（2）聚類中心的更新

SLIC 算法中，聚類中心是通過在每次k均值迭代中，計(jì)算與原聚類中心距離最近的所有像素的平均值得到，因此，需要多次迭代以使初始種子點(diǎn)收斂。而SNIC算法從初始種子點(diǎn)開始，通過優(yōu)先級(jí)隊(duì)列來選擇要加入到超像素集群中的下一個(gè)像素，該隊(duì)列包含與當(dāng)前正在增長(zhǎng)的超像素集群周圍相連接的4 或8 個(gè)候選像素，最后通過優(yōu)先級(jí)隊(duì)列返回與質(zhì)心距離最小的像素。由此，聚類中心的在線更新通過添加到超像素集群中的每個(gè)新像素來完成。

（3）高效的距離計(jì)算

SLIC 通過搜索種子點(diǎn)2S×2S范圍內(nèi)所有像素點(diǎn)與該種子點(diǎn)的顏色距離和空間距離來實(shí)現(xiàn)，導(dǎo)致圖像中相鄰種子點(diǎn)的正方形搜索范圍之間存在某些重疊部分，且這種計(jì)算方式?jīng)]有對(duì)原始影像中的像素實(shí)施強(qiáng)制連接，使得那些位于2S×2S范圍中卻可能不屬于最終超像素的像素仍然會(huì)被訪問，并為其計(jì)算距離，所以，SLIC 算法不可避免地會(huì)存在多余的計(jì)算。然而，SNIC算法不需要像SLIC 那樣對(duì)距離計(jì)算施加任何空間限制，只需要計(jì)算到與當(dāng)前正在增長(zhǎng)的超像素集群連接的4 個(gè)或者8 個(gè)候選像素的距離，以創(chuàng)建用于填充優(yōu)先級(jí)隊(duì)列的元素。因此，即使SLIC 只進(jìn)行了單次迭代，SNIC算法所計(jì)算的距離量也比其更少。

圖1為不同K值下的SNIC超像素算法分割實(shí)驗(yàn)結(jié)果，所采用的遙感影像為Worldview-2衛(wèi)星2011年10月10日拍攝的中國(guó)河南省省會(huì)鄭州的局部區(qū)域，分辨率為0.5 m?？梢钥闯觯?dāng)K值較大時(shí)，分割結(jié)果中會(huì)出現(xiàn)明顯的過分割現(xiàn)象；當(dāng)K值較小時(shí)，出現(xiàn)欠分割現(xiàn)象。但無論K值較大或較小，SNIC算法的分割結(jié)果中在與背景區(qū)域顏色相近或有相同特質(zhì)的邊緣區(qū)域分割效果都不佳。所以為了解決SNIC超像素算法中仍存在的這個(gè)問題，本文采用動(dòng)態(tài)閾值的方法對(duì)傳統(tǒng)的SNIC 超像素分割算法進(jìn)行優(yōu)化。

圖1 不同K 值的SNIC分割結(jié)果

2.2 動(dòng)態(tài)閾值

在局部區(qū)域內(nèi)，背景一般比感興趣的目標(biāo)亮或者暗，可通過設(shè)定目標(biāo)所在局部區(qū)域的背景灰度值來提取感興趣的目標(biāo)。通?？梢圆捎镁禐V波或者中值濾波的平滑處理來得到局部區(qū)域的背景灰度，本文采用均值濾波。動(dòng)態(tài)閾值分割[21]的基本思想是通過平滑處理得到整幅影像的背景灰度，將原始影像與處理后的影像背景灰度圖相減后大于或者小于某個(gè)閾值來提取感興趣的目標(biāo)物體，可以表示為：

以上述操作為理念，根據(jù)實(shí)際地圖大小及其復(fù)雜程度自定義初始，而網(wǎng)格密度以及網(wǎng)格密度升級(jí)速度降低算法搜索空間，提升算法搜索速度，加強(qiáng)針對(duì)性，以更高效率尋求最優(yōu)路徑。

式中，f1(x,y)為原始影像，f2(x,y)為經(jīng)過濾波平滑后的影像，T為人為設(shè)定的閾值。式（5）能夠分割出比背景亮的地物，式（6）能夠分割出比背景暗的地物。雖然人為設(shè)定了閾值，但動(dòng)態(tài)閾值分割主要體現(xiàn)在設(shè)定的閾值基礎(chǔ)上加上該像素的平均灰度，使得閾值一直處于動(dòng)態(tài)變化的過程中。均值濾波是一種典型的線性濾波算法，其由目標(biāo)像素為中心的周圍n×n個(gè)像素構(gòu)成濾波模板，再計(jì)算該模板中所有像素的平均值，用該值代替目標(biāo)像素點(diǎn)原來的像素值。圖2為3種不同的均值濾波器（3×3、9×9和15×15）對(duì)原始遙感影像的灰度圖進(jìn)行平滑處理后的結(jié)果，可以看出，決定動(dòng)態(tài)閾值分割結(jié)果的第一個(gè)關(guān)鍵因素是濾波器，較大的濾波器更能估計(jì)出局部背景，而較小的濾波器則不能對(duì)局部背景得到準(zhǔn)確的估計(jì)。通常情況下，局部區(qū)域內(nèi)的濾波器的寬度都應(yīng)該大于該區(qū)域內(nèi)被分割物體的寬度，濾波器的尺寸越大，得到的分割結(jié)果越準(zhǔn)確。但是，濾波器的寬度也不能無限大于分割物體的寬度，若濾波器的寬度過大，不僅增加了噪聲的影響，而且使計(jì)算的負(fù)擔(dān)也大幅度增加。

圖2 不同均值濾波器的分割結(jié)果

根據(jù)公式（4）和（5），以21×21 均值濾波結(jié)果為基礎(chǔ)，并通過人為設(shè)定閾值，得到不同閾值下的動(dòng)態(tài)分割結(jié)果如圖3所示?？梢钥闯?，決定動(dòng)態(tài)閾值分割結(jié)果的第二個(gè)關(guān)鍵因素是閾值。對(duì)于閾值的設(shè)定，分割的對(duì)象決定了人為設(shè)定閾值的大小，閾值太大或太小都會(huì)產(chǎn)生不準(zhǔn)確的分割結(jié)果。閾值太大（例如T=40）雖然可以更好地抑制噪聲，但容易丟掉目標(biāo)物體的邊緣灰度，產(chǎn)生欠分割的問題；閾值太?。═=5）雖然能夠得到更完整的分割對(duì)象，但是會(huì)產(chǎn)生噪聲，對(duì)分割結(jié)果造成一定的影響。

圖3 不同T 值的分割結(jié)果

2.3 動(dòng)態(tài)閾值和SNIC相結(jié)合

經(jīng)過比對(duì)不同K值下SNIC分割結(jié)果和不同閾值、不同濾波器下的動(dòng)態(tài)閾值分割結(jié)果，發(fā)現(xiàn)動(dòng)態(tài)閾值對(duì)圖像中的灰度特征較為敏感，在邊緣處具有較好的分割結(jié)果，但容易出現(xiàn)斷裂的區(qū)域，且分割時(shí)沒有考慮到像素之間的空間相關(guān)性。SNIC算法考慮了像素間的顏色相似性和空間相關(guān)性，但在顏色相近或者紋理等特征相似的區(qū)域，容易將其分割成一個(gè)區(qū)域。因此，本文將SNIC算法和動(dòng)態(tài)閾值方法相結(jié)合，得到較好的分割結(jié)果，如圖4所示。

圖4 實(shí)驗(yàn)過程圖

具體的操作步驟如下：

步驟1采用SNIC 超像素算法對(duì)原始影像進(jìn)行分割，得到初始分割結(jié)果，記為A。

步驟2 對(duì)原始影像進(jìn)行動(dòng)態(tài)閾值分割，記為B。

步驟3 將SNIC 算法得到的初始分割結(jié)果A中的閉合區(qū)域進(jìn)行填充（SNIC 算法得到的初始分割結(jié)果的邊緣區(qū)域是不閉合的，所以需要在后面的過程中單獨(dú)進(jìn)行運(yùn)算），將填充后的結(jié)果記為C。

步驟4 先將SNIC初始分割結(jié)果A與區(qū)域填充的結(jié)果C作差，將作差后的結(jié)果記為D，再將D與動(dòng)態(tài)閾值分割結(jié)果B進(jìn)行二次作差，二次作差后的結(jié)果記為E。

步驟5 將SNIC 算法得到的初始分割結(jié)果A中邊緣不閉合的區(qū)域，人為在影像四邊各設(shè)置一條邊界線，使得邊緣區(qū)域成為閉合的區(qū)域。接著對(duì)邊緣區(qū)域重復(fù)上述步驟后，與結(jié)果E進(jìn)行合并，然后選擇滿足一定條件的分割線F。

步驟6 將結(jié)果F進(jìn)行形態(tài)學(xué)閉運(yùn)算后，再與結(jié)果F進(jìn)行求交得到最終的分割結(jié)果。

3 實(shí)驗(yàn)分析

實(shí)驗(yàn)的軟件環(huán)境為Matlab R2018a和Visual Studio 2017，硬件為主頻2.60 GHz 的Core i5-3230M 處理器，內(nèi)存4 GB，Win10操作系統(tǒng)的筆記本電腦。

為驗(yàn)證本文算法可以用于處理不同復(fù)雜度的遙感影像，所以使用信息熵來判斷影像的復(fù)雜性[22]。影像的信息熵反映了影像平均信息量的多少，其表達(dá)式為：

式中，J為影像的灰度值，h1為該像素的灰度值，h2為鄰域的灰度值，其取值范圍都為[0，255]；h(h1,h2)為特征二元組(h1,h2)出現(xiàn)的頻數(shù)，γ為影像的尺度。若影像的信息熵越接近0，則表示影像越簡(jiǎn)單；若信息熵的值越大，則表示影像越復(fù)雜。

3.1 評(píng)價(jià)方法

為了進(jìn)一步驗(yàn)證本文算法在圖像分割中的有效性，將本文算法與傳統(tǒng)的SLIC分割算法、SNIC算法和改進(jìn)的SLIC算法[23]3種圖像分割算法進(jìn)行對(duì)比實(shí)驗(yàn)，采用視覺觀察和P-R方法[24]分別進(jìn)行定性和定量的評(píng)價(jià)，并將3種算法的運(yùn)行時(shí)間與本文算法進(jìn)行對(duì)比。

P-R 方法由分割精度和召回率構(gòu)成：分割精度（P）表示所有被預(yù)測(cè)為正確像素?cái)?shù)中，真正的正確像素?cái)?shù)的比例；召回率（R）表示所有被預(yù)測(cè)為正確像素?cái)?shù)占影像所有像素?cái)?shù)的比例。

式中，TP表示影像中分割正確的樣本數(shù)量；FP表示背景像素被預(yù)測(cè)為地物的像素?cái)?shù)量；FN表示地物的像素被預(yù)測(cè)為背景的像素?cái)?shù)量。

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 實(shí)驗(yàn)一

選取2011 年7 月22 日下午12 時(shí)52 分Worldview-2衛(wèi)星拍攝的美國(guó)佛羅里達(dá)州梅里特島的肯尼亞航天中心的局部影像，影像大小為1 031×924，分辨率為0.5 m，信息熵為6.101 5，分割對(duì)比結(jié)果如表1、圖5 和圖6 所示，圖中藍(lán)色為分割線。

表1 不同算法的分割精度和召回率對(duì)比（實(shí)驗(yàn)一）

圖5 不同算法的分割結(jié)果對(duì)比圖（實(shí)驗(yàn)一）

圖6 不同算法分割結(jié)果局部對(duì)比圖（實(shí)驗(yàn)一）

將4 種算法設(shè)置相同的K值，圖5（b）傳統(tǒng)的SLIC算法和圖5（c）SNIC算法的分割結(jié)果中存在明顯的過分割和欠分割現(xiàn)象，由于傳統(tǒng)的SLIC和SNIC算法分割結(jié)果都隨設(shè)置的K值而產(chǎn)生較大的變化，無法得到較滿意的分割結(jié)果，但SLIC 和SNIC 算法的Precision 都比較高，而Recall 都表現(xiàn)出很低的狀態(tài)。文獻(xiàn)[23]相比于前兩種方法，分割效果已經(jīng)有明顯的提高，如圖5（d）所示，是由于通過SLIC算法進(jìn)行初始分割后，采用帶噪聲的基于密度的聚類方法對(duì)初始分割結(jié)果進(jìn)行二次聚類，使圖6（d）分割結(jié)果的局部圖中樓頂?shù)陌咨》綁K有一部分可以分割出來，但影像中汽車等小目標(biāo)地物仍存在欠分割現(xiàn)象，該方法相比于文獻(xiàn)[23]，Precision有了小范圍的提高，且Recall 有了大幅度的提高。本文將SNIC超像素算法和動(dòng)態(tài)閾值相結(jié)合對(duì)影像進(jìn)行分割，使影像中細(xì)節(jié)特征更明顯，如圖6（e）所示，且本文算法在該實(shí)驗(yàn)中的Precision 和Recall 都能夠達(dá)到0.9 以上，說明本文算法得到的分割結(jié)果較優(yōu)。

3.2.2 實(shí)驗(yàn)二

選取ISPRS 航空影像Vaihingen 數(shù)據(jù)集中的一幅影像，影像大小為1 919×2 569，分辨率為9 cm，信息熵為5.575 8，分割結(jié)果如表2、圖7 和圖8 所示。該數(shù)據(jù)集包含33 張航拍影像，由近紅外（NIR）、紅（R）和綠（G）這3個(gè)波段組成，所以影像中植被表現(xiàn)為紅色，為使分割結(jié)果能夠清晰地呈現(xiàn)在遙感影像中，圖中用藍(lán)色表示分割線。

圖7 不同算法的分割結(jié)果對(duì)比圖（實(shí)驗(yàn)二）

圖8 不同算法分割結(jié)果局部對(duì)比圖（實(shí)驗(yàn)二）

表2 不同算法的分割精度和召回率對(duì)比（實(shí)驗(yàn)二）

傳統(tǒng)SLIC 和SNIC 依舊出現(xiàn)很明顯的過分割和欠分割現(xiàn)象，兩種方法的Precision 相對(duì)來說比較高，但Recall依舊非常低，文獻(xiàn)[23]算法的分割結(jié)果的Precision和Recall 已經(jīng)達(dá)到0.8 以上，能夠大體反映分割地物的輪廓，分割效果相對(duì)比較理想，但不能體現(xiàn)地物的細(xì)節(jié)特征，且分割邊界不連續(xù)。而本文算法相比于文獻(xiàn)[23]在Precision和Recall兩方面都有一定的提高，不僅能夠突出影像中的細(xì)節(jié)特征，且具有較為連續(xù)的分割邊界，分割效果更好。

3.2.3 實(shí)驗(yàn)三

選取2016 年11 月26 日Worldview-4 衛(wèi)星拍攝的日本東京澀谷區(qū)的國(guó)立代代木綜合體育館的局部影像，影像大小為973×653，分辨率為0.3 m，信息熵為6.505 4，分割結(jié)果如表3、圖9和圖10所示，圖中藍(lán)色為分割線。

圖9 不同算法的分割結(jié)果對(duì)比圖（實(shí)驗(yàn)三）

圖10 不同算法分割結(jié)果局部對(duì)比圖（實(shí)驗(yàn)三）

表3 不同算法的分割精度和召回率對(duì)比（實(shí)驗(yàn)三）

實(shí)驗(yàn)三的遙感影像相對(duì)比較復(fù)雜，包含建筑物、植被、道路、小目標(biāo)地物等。SNIC 算法和SLIC 算法都依舊存在過分割且細(xì)節(jié)特征不明顯的現(xiàn)象。文獻(xiàn)[23]算法Precision 和Recall 達(dá)到0.8 以上，已具有較好的分割結(jié)果，但影像中依舊存在過分割的現(xiàn)象且分割邊緣不貼合。本文算法在實(shí)驗(yàn)三中的Precision 和相比于前兩個(gè)實(shí)驗(yàn)結(jié)果較低，并沒有達(dá)到0.9以上，但分割結(jié)果中也已經(jīng)能夠分割出影像中地物的輪廓特征，而且可以將地物表面的細(xì)節(jié)特征分割出來，分割邊緣較為貼合，具有較好的分割效果。

3.3 算法復(fù)雜度分析

SLIC算法像素落在小于8個(gè)聚類中心的附近，避免執(zhí)行數(shù)千個(gè)冗余距離計(jì)算，其復(fù)雜度為O(N)。SNIC算法在SLIC算法的聚類中心和距離計(jì)算方面進(jìn)行改進(jìn)其復(fù)雜度也為O(N)。文獻(xiàn)[23]算法先通過SLIC 算法對(duì)原始影像進(jìn)行預(yù)分割，將預(yù)分割的結(jié)果進(jìn)行帶噪聲的基于密度的聚類（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）。SLIC算法的復(fù)雜度為O(N)，而DBSCAN聚類算法的復(fù)雜度在最壞的情況下為O(N2)，文獻(xiàn)[23]將兩種算法相結(jié)合后的復(fù)雜度為O(N2)。本文算法中，先將原始影像進(jìn)行SNIC 預(yù)分割，接著將原始RGB 影像轉(zhuǎn)為灰度圖后進(jìn)行動(dòng)態(tài)閾值分割，然后經(jīng)過兩次作差后選擇滿足條件的分割線，所以本文算法的復(fù)雜度為O(N)。

3.4 運(yùn)行時(shí)間對(duì)比

表4 是本文算法與傳統(tǒng)的SLIC[13]、SNIC[20]以及文獻(xiàn)[23]算法設(shè)置相同K值的運(yùn)行時(shí)間對(duì)比結(jié)果。從表中可以明顯看出SNIC 相比于SLIC 大大減少了運(yùn)行時(shí)間。文獻(xiàn)[23]算法中DBSCAN 方法將達(dá)到一定密度的區(qū)域劃分為一個(gè)簇，并在具有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的簇，將其定義為密度相連的點(diǎn)的最大集合，所以增加了運(yùn)行時(shí)間，降低了算法運(yùn)行的效率。本文算法在SNIC 超像素算法的基礎(chǔ)上加入動(dòng)態(tài)閾值方法，動(dòng)態(tài)閾值具有運(yùn)行效率高的特點(diǎn)，且比傳統(tǒng)的SNIC 算法分割精度高，更能滿足分割需要。

表4 不同算法運(yùn)行時(shí)間對(duì)比 s

4 結(jié)論

本文提出了一種改進(jìn)的SNIC超像素的遙感影像分割算法，將SNIC超像素和動(dòng)態(tài)閾值相結(jié)合，得到了較好的分割結(jié)果，且運(yùn)行效率較高。實(shí)驗(yàn)分別從分割精度、召回率和運(yùn)行時(shí)間三方面進(jìn)行評(píng)價(jià)，表明本文算法相比于其他3種方法都能獲得較好的分割結(jié)果，但本文算法沒有利用到遙感影像豐富的紋理特性和獨(dú)有的光譜特性，這也是未來研究工作中需要進(jìn)一步考慮的方面。