崔紅霞，陳麗君，趙昊罡

(渤海大學(xué) 信息科學(xué)與技術(shù)學(xué)院，遼寧 錦州 121010)

0 引言

隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)在遙感影像自動(dòng)解譯領(lǐng)域的應(yīng)用發(fā)展迅速。在深度學(xué)習(xí)算法中，大量的訓(xùn)練數(shù)據(jù)標(biāo)注是其得到最優(yōu)檢測模型的保證。目前，遙感數(shù)據(jù)標(biāo)注方法主要分為兩類[1]：一類是基于人工交互的數(shù)據(jù)標(biāo)注，主要利用離線和在線標(biāo)注工具。另一類是自動(dòng)數(shù)據(jù)標(biāo)注方法，如張鋼等人[2]提出一種基于多示例多標(biāo)簽學(xué)習(xí)的圖像自動(dòng)標(biāo)注框架,在此基礎(chǔ)上提出一種基于貝葉斯學(xué)習(xí)的多示例多標(biāo)簽稀疏集成算法.

顯然，自動(dòng)標(biāo)注方法仍然依賴于一部分人工標(biāo)注的數(shù)據(jù)集，人工標(biāo)注在深度學(xué)習(xí)的領(lǐng)域仍然是必不可少的環(huán)節(jié)。目前，應(yīng)用廣泛的在線或者離線交互標(biāo)注工具，labelme[3]以及l(fā)abelimg[4]，以用戶交互圖像分割的方式，將一張圖片中的目標(biāo)物體分割出來，即用戶通過點(diǎn)擊設(shè)置一些前景和背景的標(biāo)注點(diǎn)，生成包含目標(biāo)區(qū)域的多邊形頂點(diǎn)，適用于邊界規(guī)則的目標(biāo)輪廓提取和標(biāo)注；但對(duì)于遙感影像非規(guī)則自然地物目標(biāo)區(qū)域，人機(jī)交互圖像分割存在工作量大，輪廓定位不準(zhǔn)確的難題。

目前，人機(jī)交互的圖像分割算法分為兩大類，一類是主動(dòng)輪廓模型方法[5-9]，使用戶提供的初始輪廓沿能量降低的方向迭代演化到理想的目標(biāo)輪廓上,完成圖像分割,這類算法需要給出初始的輪廓，但對(duì)于特別復(fù)雜目標(biāo)迭代的分割結(jié)果往往不能達(dá)到要求;另一類為基于動(dòng)態(tài)規(guī)劃圖搜索算法[10-11]，圖搜索算法不通過迭代初始輪廓降低能量的方式，而是通過分步優(yōu)化能量函數(shù)獲得邊界，需要在全圖范圍內(nèi)尋找優(yōu)化的邊界。Live-wire算法是一種經(jīng)典的動(dòng)態(tài)規(guī)劃圖搜索算法，由Eric N.Mortensen[12]等人提出，廣泛地應(yīng)用在圖像分割[13]中。文獻(xiàn)[14]研究基于BSP和動(dòng)態(tài)規(guī)劃的大規(guī)模空域扇區(qū)劃分的方法，該文將二叉空間分割算法結(jié)合動(dòng)態(tài)規(guī)劃方法，通過階段動(dòng)態(tài)搜索的二叉空間分割算法，保證結(jié)果的最優(yōu)性。文獻(xiàn)[15]研究的帶浮動(dòng)錨的Live-Wire交互式分段技術(shù)，通過基于特定圖元設(shè)計(jì)4種新穎的Live-Wire交互來嘗試這種新的靈活性：繪畫，捏，概率和拾取錨，分析這種方法的計(jì)算方面，并提供了可行的解決方案來減少時(shí)間復(fù)雜度。

對(duì)于輪廓比較平滑、信噪比高的目標(biāo)，文獻(xiàn)[16-17]的方法可以獲得比較好的效果，但無人機(jī)遙感影像信噪比低、自然地物邊界復(fù)雜且不規(guī)則，傳統(tǒng)的Live-wire算法往往不能準(zhǔn)確地定位地物邊界。本文將交互式Live-wire算法[18]引入深度學(xué)習(xí)的樣本標(biāo)注，通過改進(jìn)Pal-King[19-21]模糊邊緣檢測方法以及優(yōu)化Live-wire算法代價(jià)函數(shù)的方法以提高地物邊界的跟蹤精度和效率，并通過大量樣本的標(biāo)注實(shí)驗(yàn)驗(yàn)證本文的算法。

1 傳統(tǒng)live-wire的人機(jī)交互圖像分割方法

傳統(tǒng)Live-Wire算法是將整個(gè)圖像看成一個(gè)加權(quán)有向圖[22]，圖像中每個(gè)像素為圖的一個(gè)節(jié)點(diǎn)，并且每個(gè)節(jié)點(diǎn)都被賦予不同代價(jià)值，相鄰像素之間有一條加權(quán)有向邊，在邊上定義一個(gè)代價(jià)函數(shù),然后通過圖搜索算法結(jié)合動(dòng)態(tài)規(guī)劃，找連通圖[23]中兩點(diǎn)之間的最短路徑,兩點(diǎn)之間的最短路徑當(dāng)作物體的邊界。其關(guān)鍵在于代價(jià)函數(shù)的建立和最短路徑的生成。

1.1 代價(jià)函數(shù)的建立

代價(jià)函數(shù)的計(jì)算方法有多種，由于圖像最短路徑的代價(jià)與邊緣特征有密切關(guān)系，邊緣特征越顯著的像素點(diǎn)，代價(jià)越低，使得最短路徑的路線越容易貼合待標(biāo)注區(qū)域的輪廓邊緣。因此，局部代價(jià)函數(shù) 通常由邊緣特征構(gòu)造，如公式(1)所示：

L(p,q)=wZfZ(q)+wGfG(q)+wDfD(p,q)

(1)

其中：p為q的8鄰域內(nèi)的相鄰點(diǎn)，fZ(q)為拉普拉斯交叉零點(diǎn)值、fG(q)為像素點(diǎn)梯度值、fD(p,q)為像素點(diǎn)梯度方向,wZ,wG,wD為權(quán)值，根據(jù)文獻(xiàn)[12]所提出的方法，將其分別設(shè)置為0.43,0.43,0,14：

拉普拉斯交叉零點(diǎn)代價(jià)值fZ(q)如公式(2)所示：

(2)

其中：IL(q)是圖像像素點(diǎn)q的拉普拉斯值，圖像的拉普拉斯二階零交叉點(diǎn)對(duì)應(yīng)最大(最小)的梯度幅值，代表邊緣特性并且它有較低的局部代價(jià)值。

像素點(diǎn)梯度值：

令I(lǐng)x,Iy分別表示x，y方向的梯度，則梯度幅值G如公式(3)所示：梯度幅值越大，邊緣點(diǎn)特征越明顯，路徑代價(jià)越低，令fG如公式(4)所示：

(3)

(4)

像素點(diǎn)梯度方向代價(jià)：

梯度方向代價(jià)函數(shù)起到邊緣平滑作用，邊界變化劇烈處將設(shè)置較高代價(jià)，如公式(5)所：

(5)

令:dp(p,q)=D′(p)·L(p,q)；dq(p,q)=D′(q)·L(p,q)

D′(p)=(Iy(p),-Ix(p))；D′(q)=(Iy(q),-Ix(q))

1.2 最短路徑方法

傳統(tǒng)Live-wire 算法結(jié)合人機(jī)交互[24]，確定開始種子點(diǎn)，最后利用數(shù)據(jù)結(jié)構(gòu)中的Dijkstra最短路徑算法，計(jì)算出圖像中8鄰域內(nèi)所有像素點(diǎn)到種子點(diǎn)seed point的最小代價(jià)路徑并確定下一個(gè)邊緣種子點(diǎn)；人機(jī)交互更換種子點(diǎn)，重新進(jìn)行最小代價(jià)路徑的計(jì)算，多次重復(fù)以上步驟，自動(dòng)提取目標(biāo)區(qū)域輪廓線；。由于最短路徑的代價(jià)與邊緣特征有密切關(guān)系，邊緣特征越顯著的像素點(diǎn)，代價(jià)越低，目標(biāo)輪廓邊緣越精確。利用Dijkstra 算法[25-26]進(jìn)行最小代價(jià)路徑搜索的流程圖如圖1所示。

圖1 Dijkstra 算法流程圖

2 改進(jìn)的Live-wire地物輪廓提取方法

傳統(tǒng)的Live-wire 方法代價(jià)函數(shù)涵蓋了邊緣點(diǎn)特征、邊緣點(diǎn)梯度幅值的特征、節(jié)點(diǎn)之間梯度方向的變化特征[27-28]。受飛行平臺(tái)復(fù)雜運(yùn)動(dòng)、光照條件的影響，無人機(jī)遙感圖像的邊緣質(zhì)量下降。傳統(tǒng)的拉普拉斯算子[29]用作此類圖像的邊緣檢測時(shí)，容易導(dǎo)致邊緣不連續(xù)以及假性邊緣,抗噪性較差[30]。本文改進(jìn)模糊邊緣檢測[31]方法并替代Live-Wire算法中的拉普拉斯交叉零點(diǎn)邊緣提??；另一方面通過增加節(jié)點(diǎn)之間梯度幅值的變化特征優(yōu)化代價(jià)函數(shù)，提高算法的抗噪性能并平滑邊界。

2.1 基于改進(jìn)PAL-King算法的邊緣提取

Pal和King提出的模糊邊緣，即Pal算法[19-20]是基于模糊理論的模糊邊緣檢測算法。其主要思想是通過模糊屬度函數(shù)將圖像映射到模糊空間，利用模糊空間的增強(qiáng)運(yùn)算，提高影像邊緣附近像素灰度的對(duì)比度，再利用逆變換實(shí)現(xiàn)模糊特征空間到圖像空間域的轉(zhuǎn)換，在空間域內(nèi)僅需通過簡單的“min”或“max”算子實(shí)現(xiàn)邊緣提取。為克服傳統(tǒng)Pal算法隸屬度函數(shù)復(fù)雜且原圖像中相當(dāng)多的灰度值被切削的問題，以及隸屬度函數(shù)中的參數(shù)設(shè)置沒有理論指導(dǎo)規(guī)則，隨機(jī)性大等問題，本文改進(jìn)了傳統(tǒng)的Pal-King模糊邊緣檢測法，具體算法步驟如下：

1)定義新的隸屬度函數(shù):

(6)

其中:xmin≤xij≤xmax，xmin為最小灰度級(jí);xmax為最大灰度級(jí)；令Pij=F(xij)，Pij為模糊隸屬度值；Fe>2。顯然，整幅圖像的隸屬度值域?yàn)閇0，1]彌補(bǔ)了Pal King 算法值域?yàn)?a，1](a>0)[30-31]導(dǎo)致低灰度值被硬性切削的問題。

2)融合Otsu算法的模糊空間增強(qiáng)方法:

傳統(tǒng)的Pal-King算法將模糊空間的分割閾值(渡越值)設(shè)定為0.5,小于0.5的模糊隸屬度被壓縮，大于0.5的模糊隸屬度被拉伸，以實(shí)現(xiàn)模糊空間的非線性增強(qiáng)。為克服傳統(tǒng)Pal-King固定分割閾值帶來的隨機(jī)增強(qiáng)誤差，本文以O(shè)tsu算法獲取圖像空間域的最佳分割閾值xe,并計(jì)算模糊空間的渡越值Pe=F(xe);進(jìn)一步定義模糊增強(qiáng)算子如式(7)：

(7)

其中：若0≤Pij≤Pe，則a=1,b=0;若Pe

職業(yè)素質(zhì)教育是系統(tǒng)全面的教育，不僅包括職業(yè)知識(shí)、技能教育，還包括職業(yè)道德、職業(yè)行為、職業(yè)作風(fēng)和職業(yè)意識(shí)等方面的教育。作為一名護(hù)理教師，首先要通過自身穩(wěn)定的專業(yè)思想去感染、引導(dǎo)學(xué)生，鞏固學(xué)生專業(yè)思想，因?yàn)閷W(xué)生牢固的專業(yè)思想是穩(wěn)定護(hù)理隊(duì)伍、發(fā)展護(hù)理事業(yè)的重要保證[1]。其次要發(fā)揮自身形象示范作用，樹立良好的護(hù)士職業(yè)形象。護(hù)理教師的形象示范作用主要表現(xiàn)在儀表、面部表情、動(dòng)作姿態(tài)等方面。教師高雅得體的舉止、對(duì)護(hù)理工作的興趣和熱愛，會(huì)使學(xué)生感到可信、可親，進(jìn)而仿效學(xué)習(xí)，還可以讓護(hù)生以最佳心境參與學(xué)習(xí)[2]。

利用式(8)進(jìn)行迭代運(yùn)算:

(8)

一般r取3。

(9)

4)結(jié)合梯度雙閾值法[32]，提取模糊增強(qiáng)后的圖像邊緣特征，替代公式(1)的代價(jià)函數(shù)的第一項(xiàng)：如式(10)所示，令low，high為通過灰度直方圖統(tǒng)計(jì)方法自動(dòng)獲取的低閾值以及高閾值，tq為當(dāng)前點(diǎn)的梯度值,tp當(dāng)前點(diǎn)8鄰域內(nèi)任意像素點(diǎn)梯度值。

fZ(q)=1，tq>high||tp>high；fZ(q)=0，iftq

(10)

綜上，通過改進(jìn)模糊邊緣檢測方法并替代Live-Wire算法中的拉普拉斯交叉零點(diǎn)邊緣提取，抑制傳統(tǒng)的拉普拉斯算子[23]遙感圖像邊緣特征提取的不足。

2.2 優(yōu)化的代價(jià)函數(shù)

設(shè)優(yōu)化后的代價(jià)函數(shù)為：

L'(p,q)=wZfZ(q)+wGfG(q)+wDfD(p,q)+wTfT(p,q)

(11)

其中：wZ，wG，wD，wT根據(jù)文獻(xiàn)[12]設(shè)為0.35，0.35，0.15，0.15。

fZ(q)、fG(q)、fD(p,q)分別如公式(10)、(4)、(5)所示，分別描述拉普拉斯交叉零點(diǎn)值、像素點(diǎn)梯度值、像素點(diǎn)梯度方向。為了進(jìn)一步抑制邊緣提取的不連續(xù)性并提高邊緣提取的平滑性，通過增加梯度變化特征改進(jìn)代價(jià)函數(shù)。

本文令fT(p,q)表示節(jié)點(diǎn)p、q之間的梯度幅值變化特征，q節(jié)點(diǎn)為p節(jié)點(diǎn)鄰域內(nèi)像素點(diǎn)，如果節(jié)點(diǎn)p、q的梯度幅值變化越劇烈，fT(p,q)較小，路徑代價(jià)越小，反之較大。本文提出的fT(p,q)如公式(12)所示：

fT(p,q)=1-1/e|Gp-Gq|

(12)

其中：G(p),G(q)分別為p點(diǎn)和q點(diǎn)的梯度幅值，分別為公式(13)：

(13)

3 實(shí)驗(yàn)結(jié)果與分析

以400幅 512*512像素?zé)o人機(jī)遙感影像的地物標(biāo)注(每類地物100幅)為例。標(biāo)簽標(biāo)注工具labelme、傳統(tǒng)Live-Wire方法和本文所述方法分別定義為方法I、II、III；利用3種方法分別進(jìn)行無人機(jī)遙感影像裸露地、建筑物、水體、農(nóng)作物4類復(fù)雜典型地物的標(biāo)注。如圖3～6所示，Label標(biāo)注工具通過多邊形逼近曲線，地物提取的精度和效率完全依賴于構(gòu)造輪廓多邊形的人工操作。傳統(tǒng)Live-Wire方法則利用拉普拉斯地物邊緣提取算法、傳統(tǒng)代價(jià)函數(shù)、最小路徑跟蹤方法人機(jī)交互提取地物的輪廓，在邊緣符合度以及效率上都優(yōu)于標(biāo)注工具，但基于Live-wire算法的標(biāo)注需要較多的人工交互、存在邊緣不完全、斷點(diǎn)以及欠平滑的鋸齒情況。對(duì)比傳統(tǒng)Live-wire算法，應(yīng)用改進(jìn)的Live-wire算法的輪廓提取的邊緣平滑且鋸齒現(xiàn)象大量減小，輪廓提取的自動(dòng)化程精度和效率更高。

為定量評(píng)價(jià)樣本標(biāo)注的穩(wěn)健性和效率，分別利用方法II和方法III重復(fù)提取(n次)400幅地物的封閉輪廓，計(jì)算每類地物標(biāo)注面積的中誤差，如表1所示：傳統(tǒng)的Live-wire算法自動(dòng)化程度低、其標(biāo)注受人為選取的特征點(diǎn)的影響大、穩(wěn)健性較差。本文改進(jìn)的方法的樣本標(biāo)注的穩(wěn)健性、自動(dòng)化程度更高。假如有n次觀測提取，則標(biāo)注算法的中誤差可按式(14)計(jì)算。

表1 方法II和方法III樣本標(biāo)注穩(wěn)健性分析

(14)

直觀的從標(biāo)注圖像可以看出，如圖2所示，改進(jìn)后邊緣更加連續(xù)、完整,噪聲[33]影響減少改進(jìn)后的邊緣更加平滑，鋸齒現(xiàn)象減少。用改進(jìn)的Live-Wire算法完成輪廓提取，沿著順時(shí)針方向構(gòu)建輪廓邊界點(diǎn)序列，結(jié)合曲線積分區(qū)域填充算法[23,34]，以不同色(根據(jù)分類選擇)填充區(qū)域，完成目標(biāo)標(biāo)注。

圖2 傳統(tǒng)代價(jià)函數(shù)與優(yōu)化代價(jià)函數(shù)的標(biāo)注

圖3 裸露地樣本局部標(biāo)注對(duì)比

圖4 筑物樣本局部標(biāo)注對(duì)比

圖5 水體樣本局部標(biāo)注對(duì)比

圖6 耕地樣本局部標(biāo)注對(duì)比

4 結(jié)束語

標(biāo)簽的制作是深度學(xué)習(xí)中訓(xùn)練學(xué)習(xí)模型的關(guān)鍵步驟，針對(duì)高分辨率航空影像地物復(fù)雜、紋理豐富、背景噪聲以及密度大、且可能存在模糊的邊緣特性的特點(diǎn)，改進(jìn)已有的Live-wire半自動(dòng)輪廓提取算法，提高其邊緣提取的連續(xù)性、抗噪性和平滑性。首先，通過改進(jìn)模糊隸屬度函數(shù)克服了Pal-King隸屬函數(shù)可能的灰度覆蓋空間不足的缺陷并結(jié)合雙閾值方法實(shí)現(xiàn)邊緣點(diǎn)的提取，以改進(jìn)的Pal-King的模糊邊緣檢測方法替代Live-Wire算法的拉普拉斯邊緣提取方法。其次，通過增加節(jié)點(diǎn)之間梯度幅值的變化特征優(yōu)化代價(jià)函數(shù)，以提高Live-Wire算法的輪廓跟蹤的連續(xù)性。對(duì)比實(shí)驗(yàn)證明，本文所述的方法(稱為方法III)傳統(tǒng)的Live-Wire方法(稱為方法II)的輪廓跟蹤的邊緣貼合度和自動(dòng)化程度都優(yōu)于傳統(tǒng)的標(biāo)注工具(Labelme、LabelImg)。但本文所述方法的穩(wěn)健性和自動(dòng)化程度優(yōu)于傳統(tǒng)的Live-Wire輪廓提取和跟蹤方法。利用該方法，項(xiàng)目組正在進(jìn)行無人機(jī)低空遙感影像海量樣本集和樣本標(biāo)注工作的研究。