任偉建, 劉澤宇, 霍鳳財, 康朝海, 任 璐, 張永豐

(1. 東北石油大學 電氣信息工程學院, 黑龍江 大慶 163318；2. 黑龍江省網(wǎng)絡化與智能控制重點實驗室, 黑龍江 大慶 163318;3. 海洋石油工程股份有限公司, 天津300450；4. 大慶油田有限責任公司 第二采油廠規(guī)劃設計研究所, 黑龍江 大慶 163318)

遙感圖像具有更豐富的特征信息和更清晰的地物特征及形狀輪廓, 在許多領域得到廣泛應用[1]. 相比于包含3個波段的普通圖像, 遙感圖像蘊含的光譜信息更豐富, 從三波段到幾十甚至幾百波段不等[2]. 更多的光譜信息提升了遙感圖像的使用價值, 同時也對圖像數(shù)據(jù)處理提出了新要求, 隨著遙感圖像的圖幅與空間、 光譜分辨率越來越大, 基于單個像素的圖像處理方法難以適應龐大的數(shù)據(jù)規(guī)模. 對遙感圖像進行分割可提取感興趣區(qū)域, 減小圖像數(shù)據(jù)規(guī)模, 是遙感圖像預處理的基本步驟之一. 遙感圖像的超像素分割是指將具有相似顏色、 亮度、 紋理等特征的相鄰像素劃分成一組, 構成有一定視覺意義的不規(guī)則像素塊[3]. 超像素塊可將圖像分割為具有相似特征的子區(qū)域, 在保留圖像局部特征和結構信息的同時減少圖像基元的數(shù)量, 減輕數(shù)據(jù)冗余. 利用超像素代替原始像素, 具有數(shù)據(jù)降維的作用, 有利于后續(xù)算法進行特征提取并簡化運算[4]. 同時, 相比于單個像素, 從超像素塊中可提取更穩(wěn)固的特征, 產生更精準的判別信息, 提高后續(xù)地物識別、 分類等任務的精度. 此外, Cui等[5]證明與單個像素的光譜相比, 超像素光譜信息更穩(wěn)定且受噪聲影響較小, 可以抵抗遙感圖像數(shù)據(jù)中存在的噪聲. 因此, 超像素分割算法在遙感圖像預處理領域受到廣泛關注[6].

簡單線性迭代聚類(simple linear iterative clustering, SLIC)[7]算法在組合顏色和像素位置的5維空間中對像素進行迭代聚類, 能快速生成較緊湊和均勻的超像素, 分割結果準確, 在傳統(tǒng)圖像超像素分割任務中應用廣泛. 近年來, 對該方法在多光譜遙感圖像上的應用已有許多研究成果： 張永梅等[8]提出首先使用SLIC算法與結構張量進行粗分割, 再使用分形網(wǎng)絡演化方法進行細分割的兩段式分割方法對多光譜遙感圖像進行分割, 但其僅在細分割階段考慮了圖像數(shù)據(jù)的多光譜特性； Lu等[9]將灰度共生矩陣提取的影像紋理特征與SLIC算法獲得的顏色特征相結合, 利用了圖像的紋理特征, 獲得了較好的分割結果, 但灰度共生矩陣的計算較復雜, 算法的運行效率不高； 趙宇晴等[10]采用局部二進制模式(local binary pattern, LBP)算法提取紋理特征, 并與SLIC算法相結合, 對LandSat8的多波段遙感圖像進行分割, 該方法將多波段圖像合成為RGB圖像； Liu等[11]提出了流形-簡單線性迭代聚類(manifold SLIC, MSLIC)算法, 將SLIC算法擴展為可以計算內容敏感超像素的算法, 其生成的超像素可自適應地調整尺寸和數(shù)量, 以適應圖像中的內容; Sellars等[12]基于MSLIC算法提出了HMS(hyper manifold SLIC)算法, 該方法針對多光譜遙感圖像對MSLIC算法進行改進, 擴展了MSLIC算法的維度, 具有高維圖像數(shù)據(jù)適應性, 其可獲取圖像中任意數(shù)量的波段, 提升了超像素分割精度.

雖然在多光譜遙感圖像上使用SLIC算法進行超像素分割目前取得了一定效果, 但仍存在如下問題： 1) 由于SLIC算法針對普通的三通道圖像設計, 因此無法直接用于包含多個光譜帶的多光譜遙感圖像, 需要對圖像進行降維或轉換操作, 導致特征信息丟失； 2) SLIC算法生成的超像素尺寸與數(shù)量依賴初始輸入?yún)?shù), 不具有內容敏感性, 無法針對圖像中的內容自適應地調整超像素塊的尺寸； 3) 該算法在聚類過程中僅基于光譜和空間特征, 存在將紋理差異較大的地物錯分至同一超像素塊的問題, 分割精度有待提高. 針對上述問題, 本文將MSLIC算法引入多光譜遙感圖像超像素分割任務中, 并將該算法由三波段擴展至任意數(shù)量波段, 以達到充分利用光譜信息生成內容敏感超像素的目的； 并且先給出一種針對多光譜遙感圖像的紋理特征提取方法, 然后在MSLIC算法的像素距離度量中融合多段光譜特征及紋理特征, 利用遙感圖像中的光譜、 空間、 紋理信息對圖像進行超像素分割, 達到提高分割精度的目的.

1 MSLIC超像素分割算法

流形-簡單線性迭代聚類算法是一種快速計算內容敏感超像素的方法, 其生成的內容敏感超像素數(shù)量與尺寸可根據(jù)圖像內容密集程度(如顏色變化劇烈程度、 被分割目標尺寸等)自適應地進行調整. 該方法具有兩種特性, 使其在遙感圖像超像素分割任務中廣泛應用： 首先, 遙感圖像圖幅大、 內容復雜, 圖中地物尺寸和分布位置相差較大, 內容敏感超像素可兼顧算法的分割精度與數(shù)據(jù)降維作用； 其次, 超像素的最終數(shù)量不僅依賴于初始參數(shù)選擇, 且會根據(jù)圖像中的內容結構自適應地發(fā)生變化, 降低了不當初始值設置對算法分割精度產生影響的可能性.

MSLIC算法在SLIC的基礎上, 將圖像I映射到二維流形M中, 并測量M上的面積以衡量I中的內容密度, 產生內容敏感的超像素.該方法涉及流形M面積的快速近似計算和計算范圍參數(shù), 用以控制超像素的分割與合并.首先, 對每個像素p=(u,v), 用Zp表示以p為中心的1×1單位正方形, 如圖1所示.單位正方形的面積

Area(Zp)=△p1p2p3∪△p3p4p1,

MSLIC算法使用平面三角形Φ(△p1p2p3)的面積近似計算曲面三角形△Φ(p1)Φ(p2)Φ(p3)的面積, 計算方法為

(1)

以及超像素的范圍參數(shù)

在迭代過程中比較λi與設定閾值τ的大小, 控制超像素塊進行分割和合并操作, 根據(jù)圖像I的內容密集程度調整超像素塊的尺寸和數(shù)量, 生成內容敏感的超像素.

圖1 計算嵌入在5中的2維流形面積Fig.1 Calculating area of two-dimensional manifold embedded in 5

對于像素p, MSLIC算法與SLIC算法相同, 在CIELAB顏色空間中表示像素的顏色c(p), 對于兩個給定的像素p1=(u1,v1)和p2=(u2,v2), MSLIC算法使用歸一化歐氏距離測量它們之間的相似程度：

(2)

其中Ns和Nc為常數(shù),

由式(2)可知, MSLIC算法使用了顏色和空間特征信息計算像素間的距離.初始時, 在圖像I中給定一組均勻分布的種子點{Si}, 在迭代過程中, 根據(jù)式(2)計算像素與周圍種子點的距離, 將像素劃分至最鄰近的聚類中, 并更新聚類中心{Si}與參數(shù)λi.重復上述過程, 直到達到迭代次數(shù)上限, 聚類結果即為超像素分割結果.因此, 迭代聚類過程的結果決定了算法的分割精度.

2 改進的MSLIC算法

MSLIC算法可以在普通三通道圖像上快速生成內容敏感的超像素, 有一定的優(yōu)勢. 但將該方法直接用于多光譜遙感圖像時, 由于該算法在迭代聚類過程中使用了與SLIC算法相同的聚類距離度量公式, 沒有利用圖像中的紋理特征且只能利用3個光譜波段, 無法適應高維圖像數(shù)據(jù), 對于圖幅大、 內容復雜的多光譜遙感圖像的分割精度較低. 因此, 為充分利用圖像中的特征信息進行迭代聚類, 提升分割效果, 本文首先給出一種針對多光譜遙感圖像的紋理特征提取方法, 以獲得高質量的紋理特征； 然后對MSLIC算法的聚類距離度量進行改進, 用圖像的多段光譜特征、 紋理特征及空間特征計算像素間的距離, 用特征融合的思想提高算法的聚類精度, 改善算法的分割效果.

2.1 基于CoLBP的多光譜遙感圖像紋理特征提取

紋理特征是圖像的一種重要特征, 其能表達影像對象的表面結構及與周圍環(huán)境的聯(lián)系, 還能表達圖像中對象間的同質現(xiàn)象, 廣泛應用于圖像處理領域[13-14]. 局部二進制模式(local binary pattern, LBP)算子能快速、 精細地反應灰度圖像中局部像素之間的差異[15-16], 但傳統(tǒng)LBP算法基于單通道灰度圖像對紋理特征進行提取, 無法直接應用于三通道彩色圖像. Porebski等[17]為解決該問題, 提出了一種彩色局部二進制模式(color local binary pattern, CoLBP)算法, 與傳統(tǒng)LBP算法基于灰度數(shù)值計算方式不同, CoLBP方法將像素的3個通道顏色分量視為一個向量, 并使用向量的二范數(shù)比較中心像素與相鄰像素的光譜強弱. 該方法融合了圖像的色彩和紋理信息, 因此得到的局部紋理信息更穩(wěn)固, 判別性強, Choi等[18]證明了使用CoLBP方法提取的紋理特征可以改善圖像分類結果.

相比于普通的RGB圖像, 遙感圖像的光譜信息更豐富, 其光譜通道數(shù)量由三到幾百不等. 為從遙感圖像中提取高質量的紋理特征, 本文將CoLBP算法由三通道顏色空間S∈3擴展至任意通道數(shù)量的光譜空間S∈β, 其中β為輸入的圖像數(shù)據(jù)光譜帶數(shù)量, 使算法具有高維適應性. 本文多光譜局部二進制模式(multi-spectral local binary pattern, MSLBP)算法紋理描述符定義如下： 設點p為多光譜遙感圖像中的一個像素點,p′是p的N鄰域中相鄰像素, 用表示位于光譜空間S中像素p的N鄰域局部二進制編碼,S表示任意維度的光譜空間S∈β.將像素p的β維光譜通道Z(p)視為β維向量,即

Z(p)=(C1(p),C2(p),…,Cβ(p))T,

(3)

(4)

其中：p為中心像素相鄰像素的個數(shù), 一般取p=8, 即八鄰域；β為多光譜遙感圖像的波段數(shù),

2.2 多特征融合的多光譜遙感圖像超像素分割算法

首先, 為能充分利用圖像中的多個光譜波段, 本文使用與文獻[12]類似的方法, 擴展MSLIC算法的映射空間, 將圖像I映射到二維流形M∈β+2(β維光譜與2維空間坐標的聯(lián)合空間)而不是M∈5中, 使算法充分利用光譜信息的同時可以適應高維圖像數(shù)據(jù).其次, 為充分利用圖像中大量存在的紋理特征提升分割效果, 用MSLBP算法從圖像中提取紋理特征, 并對式(2)進行改進, 將光譜距離dc進行擴展, 引入紋理特征差異度量, 綜合考慮像素與周圍種子點在空間、 光譜、 紋理特征上的差別.這種特征組合能更有效地度量像素之間的相似程度, 更準確地將像素劃分至最相似的種子點, 從而提高算法的聚類精度, 改進的聚類距離度量如下.

圖2 四波段圖像MSLBP紋理特征提取流程Fig.2 Extraction process of 4-band image MSLBP texture feature

設輸入的多光譜遙感圖像I有N個像素、β條光譜波段, 對于兩個給定的像素p1,p2∈I, 其在圖像中的坐標為(u1,v1)和(u2,v2), 則多特征融合的像素距離定義為

(5)

其中：ds為像素間的歐氏空間距離, 即

(6)

dc為像素間的光譜距離, 定義為

(7)

式中Z(p)表示像素的光譜信息, 對于含有β條光譜通道的遙感圖像,Z(p)為β維向量,Ci表示像素的第i光譜通道強度.與式(2)中dc不同, 式(7)在計算過程中使用了像素的多個光譜通道, 融入多段光譜特征, 得到的像素間光譜距離更準確, 也適應了遙感圖像的多光譜特性.

(8)

2.3 算法流程

用改進的MSLIC算法在多光譜遙感圖像中進行超像素分割的流程如下：

輸入： 具有N個像素、β條光譜波段的遙感圖像I, 期望的超像素個數(shù)K, 最大迭代次數(shù)maxiter.

步驟3) 根據(jù)式(1)為每個像素計算Area(Φ(Zp)), 計算流形中的局部搜索區(qū)域

步驟5) 如果iter>0且λi小于分割閾值τ, 則分割該超像素;

步驟6) 根據(jù)式(5)對以si為中心的2λiS×2λiS區(qū)域中的每個像素p, 計算其與種子點si的聚類距離D=D(si,p), 如果D

步驟8) 如果迭代次數(shù)iter≥maxiter, 則結束, 否則返回步驟4), 迭代次數(shù)iter=iter+1;

步驟9) 算法結束, 輸出超像素分割結果.

3 算法驗證與分析

3.1 紋理特征方法提取驗證

由于LBP編碼的取值范圍為[0,255], 可以在計算機中使用圖像展示, 因此下面以圖像的方式展示傳統(tǒng)LBP算法與MSLBP算法的紋理特征提取效果. 實驗數(shù)據(jù)為四波段多光譜遙感圖像, 實驗結果如圖3所示. 傳統(tǒng)LBP算法只能基于灰度圖像計算紋理特征, MSLBP算法則可以使用任意數(shù)量的光譜波段. 利用多段光譜信息可以更準確地捕捉圖像中的局部光譜變化, 對地物的邊緣更敏感. 如圖3中紅色框所示的地物, 可以觀察到相比于傳統(tǒng)LBP算法的提取結果(圖3(B)), 使用MSLBP算法提取的紋理特征(圖3(C))更準確, 同一地物內像素值較接近, 即LBP值接近, 噪點少, 且建筑、 道路等地物的邊緣清晰. 因此, MSLBP算法在多光譜遙感圖像中提取的局部紋理特征更具有判別性, 能反映出圖像局部空間內不同地物間的差異, 可以較好地反映地物的內部特征和輪廓.

圖3 LBP紋理特征提取結果Fig.3 Extraction results of LBP texture feature

3.2 超像素分割算法驗證

3.2.1 評價指標

作為圖像的密集過分割方法, 超像素應該很好地保留圖像的真實分割邊界； 其次, 超像素分割常作為其他算法的預處理步驟, 應具有良好的分割精度. 因此, 為驗證本文算法的有效性, 采用邊緣召回率(boundary recall, BR)和欠分割錯誤率(under segmentation, UE)驗證算法的邊界識別能力, 用可達細分精度(achievable segmentation accuracy, ASA)驗證算法的分割精度.

邊緣召回率(BR)： 該指標測量地物真實邊界的哪一部分落在超像素邊界的至少兩個像素內, 其值越高表明越很少會漏掉真實邊緣, 計算公式為

(9)

其中S為超像素分割,G為地面真實分割, TP表示G中的邊緣像素出現(xiàn)在S邊界一定范圍內的像素數(shù)目, FN表示在G中的邊界真值沒有出現(xiàn)在S中的像素數(shù)目.

欠分割錯誤率(UE)： 該指標描述了超出地物真實邊緣范圍的超像素塊個數(shù), 其計算公式為

(10)

其中gi為地面真實分割,si為超像素分割,ng為地面真實分割總數(shù).該指標測量每個超像素僅與一個真實對象重疊的程度.該指標越小, 證明超像素捕捉對象邊界的能力越強.

可達細分精度(ASA)： 超像素可用于后續(xù)分割算法的預處理步驟, ASA被定義為使用超像素作為輸入單位(代替像素)進行圖像分割時可達到的最高對象分割精度, 是分割精度的上限, 其計算公式為

(11)

3.2.2 實驗環(huán)境及數(shù)據(jù)

本文使用Python實現(xiàn), 并在AMD Ryzen 7 4800H 2.90 GHz CPU和8 GB RAM的計算機上進行測試. 為驗證算法的有效性, 將本文方法與SLIC算法[7]、 文獻[10]算法、 MSLIC算法[11]及線性譜聚類算法(linear spectral clustering, LSC)算法[19]進行比較, 其中MSLIC算法在SLIC算法的基礎上引入了流形結構； 文獻[10]算法在分割過程中融合使用傳統(tǒng)LBP方法提取的紋理特征； LSC通過核函數(shù)將圖像映射至高維空間進行迭代聚類. 本文使用基準遙感數(shù)據(jù)集圖像“Pavia大學”及我國某油田廠區(qū)內的地面遙感圖像作為實驗數(shù)據(jù). 其中Pavia大學遙感圖像有103條光譜帶, 大小為610×340像素. 另一張遙感圖像有4條光譜帶, 大小為946×834像素. 為適應上述對比算法的輸入, 同時考慮計算成本, 參照文獻[20]的方法, 在輸入圖像上應用主成分分析(PCA)算法進行降維, 并表示成基本三通道圖像作為對比算法的輸入. 對于本文算法, 由于具有高維圖像數(shù)據(jù)適應性, 對于Pavia大學圖像保留了20個主成分, 對于油田廠區(qū)遙感圖像則使用了所有的光譜信息.

3.2.3 運行結果與分析

不同算法在3個指標下的平均運行結果如圖4所示, 其中(A)～(C)為Pavia大學的運行結果, (D)～(F)為某油田廠區(qū)遙感圖像的運行結果.

圖4 不同算法的性能比較Fig.4 Performance comparison of different algorithms

由圖4可見, 在Pavia大學場景中, SLIC算法與本文算法曲線相互交叉, 但隨著超像素分割數(shù)量的增加, 本文算法在BR上要優(yōu)于SLIC算法. 對于MSLIC算法, 其BR與本文算法接近, 尤其是在超像素數(shù)目較少的情況下, 但與本文算法相比, MSLIC算法在UE和ASA指標上較差. 對于文獻[10]的方法, 其UE和ASA在超像素數(shù)量較少的情況下與本文方法相近, 甚至優(yōu)于本文算法, 但隨著超像素數(shù)量增加, 在分割數(shù)較多的情況下, 本文算法的整體性能優(yōu)于文獻[10]算法. 而在某油田廠區(qū)遙感圖像場景下, 可用光譜特征較少, 但本文算法能充分挖掘圖像中的紋理特征, 可以觀察到本文算法的各項性能均優(yōu)于其他對比算法, 其中MSLIC算法與本文提出的算法性能最接近, 但本文算法仍然有所提升. 隨著超像素塊數(shù)增加, 單個超像素塊尺寸減小, 本文中給出的多光譜局部二進制紋理特征提取方法能更有效地提取局部紋理特征, 更準確地將像素劃分至最相似的聚類中心, 因此在分割數(shù)較多時, 本文方法性能優(yōu)勢更明顯.

結合圖像的特性, 對不同算法結果的分析如下： 對于Pavia大學圖像, 其光譜特征豐富, 4種對比算法的輸入雖然使用了PCA算法進行降維, 但輸入的光譜特征仍具有較好的可判別性； 其次, 圖像中地物類別復雜, 且空間分辨率較小, 因此5種算法的性能差距并不明顯, 但本文算法仍表現(xiàn)出綜合性能最優(yōu). 對于油田廠區(qū)圖像, 包含的光譜信息較少(4個波段), 在這種條件下, 本文算法通過MSLBP算法提取了圖像中大量存在的紋理信息, 配合重新設計的像素聚類距離, 有效利用了圖像中的光譜、 空間、 紋理特征. 在迭代過程中, 更準確地將相似的像素分配至同一超像素塊內, 因此本文算法在該場景下的3個性能指標均較好. 雖然文獻[10]方法同樣利用紋理特征提高迭代聚類精度, 但其僅關注圖像的3個光譜通道, 仍然存在利用特征不足的問題. 仿真對比驗證結果表明, 在圖像光譜信息不充足的情形下, 利用圖像中的紋理信息可提升超像素分割的效果, 同時證明了本文算法可有效提升多光譜遙感圖像的超像素分割精度.

兩幅圖像的超像素分割結果分別如圖5和圖6所示, 其中圖5的超像素數(shù)量為800塊, 圖6為600塊. 由圖5可見, 本文應用的內容敏感超像素分割算法可在內容復雜且變化較大的區(qū)域生成數(shù)量更多、 尺寸更小的超像素, 更準確地捕捉到遙感圖像中地物的邊緣. 由圖6可見, 在光譜信息較少的情形下, 對比算法性能下降較嚴重, 對圖像中地物邊緣捕捉不準確. 如圖6中右上角的紅色框所示區(qū)域, 可觀察到相比于SLIC和MSLIC算法, 在相同超像素分割數(shù)量下, 本文算法可以捕捉到尺寸較小的地物輪廓. 同時, 在左上角和右下角方框區(qū)域內, 可觀察到對于尺寸較大的地物, 本文算法獲取的地物輪廓更清晰準確. 實驗結果表明, 相比于4種對比算法, 本文方法可以在多光譜遙感圖像上獲得更好的超像素分割結果.

圖5 Pavia大學遙感圖像分割結果Fig.5 Remote sensing image segmentation results of university of Pavia

綜上所述, 本文提出了一種基于MSLIC算法改進的多光譜遙感圖像超像素分割算法, 生成的內容敏感超像素可以兼顧算法的降維效果與分割精度. 在MSLIC算法中融合了多段光譜特征、 紋理特征、 空間特征, 增大了特征量, 提升了算法的分割精度； 并且在給出的MSLBP紋理特征提取方法、 流形空間映射和聚類距離度量中均考慮了遙感圖像的多光譜特性, 從而使算法不僅可以處理三通道圖像, 而且可以直接應用于多光譜圖像. 實驗結果表明, 改進算法在邊緣捕捉能力和分割精度等指標上均優(yōu)于對比算法, 可在多光譜遙感圖像上獲得較好的超像素分割結果.

圖6 某油田遙感圖像分割結果Fig.6 Remote sensing image segmentation results of oilfield

[1] 劉高天, 段錦, 范祺, 等. 基于改進RFBNet算法的遙感圖像目標檢測 [J]. 吉林大學學報(理學版), 2021, 59(5): 1188-1198. (LIU G T, DUAN J, FAN Q, et al. Target Detection for Remote Sensing Image Based on Improved RFBNet Algorithm [J]. Journal of Jilin University (Science Edition), 2021, 59(5): 1188-1198.)

[2] 王斌, 范冬林. 深度學習在遙感影像分類與識別中的研究進展綜述 [J]. 測繪通報, 2019(2): 99-102. (WANG B, FAN D L. Research Progress of Deep Learning in Classification and Recognition of Remote Sensing Images [J]. Bulletin of Surveying and Mapping, 2019(2): 99-102.)

[3] 孫瑋婕, 楊軍. 改進的簡單非迭代聚類的遙感影像分割研究 [J]. 計算機工程與應用, 2021, 57(13): 185-192. (SUN W J, YANG J. Research on Remote Sensing Image Segmentation Based on Improved Simple Non-iterative Clustering [J]. Computer Engineering and Applications, 2021, 57(13): 185-192.)

[4] 羅學剛, 呂俊瑞, 彭真明. 超像素分割及評價的最新研究進展 [J]. 激光與光電子學進展, 2019, 56(9): 53-63. (LUO X G, Lü J R, PENG Z M. Recent Research Progress of Superpixel Segmentation and Evaluation [J]. Laser & Optoelectronics Progress, 2019, 56(9): 53-63.)

[5] CUI B, XIE X, MA X, et al. Superpixel-Based Extended Random Walker for Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience & Remote Sensing, 2018, 56(6): 1-11.

[6] 張志龍, 李愛華, 李楚為. 基于密度峰值搜索聚類的超像素分割算法 [J]. 計算機學報, 2020, 43(1): 1-15. (ZHANG Z L, LI A H, LI C W. Superpixel Segmentation Based on Clustering by Finding Density Peaks [J]. Chinese Journal of Computers, 2020, 43(1): 1-15.)

[7] ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11): 2274-2282.

[8] 張永梅, 孫海燕, 胥玉龍. 一種改進的基于超像素的多光譜圖像分割方法 [J]. 國土資源遙感, 2019, 31(1): 58-64. (ZHANG Y M, SUN H Y, XU Y L. An Improved Multispectral Image Segmentation Method Based on Superpixels [J]. Romote Sensing for Land and Resources, 2019, 31(1): 58-64.)

[9] LU L, WANG C, YIN X. Incorporating Texture into SLIC Super-pixels Method for High Spatial Resolution Remote Sensing Image Segmentation [C]//2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics). Piscataway, NJ: IEEE, 2019: 1-5.

[10] 趙宇晴, 陳廣勝, 景維鵬. 對簡單線性迭代聚類算法改進的遙感影像超像素分割方法 [J]. 東北林業(yè)大學學報, 2020, 48(11): 66-71. (ZHAO Y Q, CHEN G S, JING W P. Improved SLIC Clustering Superpixels Segmentation Method on Remote Sensing Image [J]. Journal of Northeast Forestry University, 2020, 48(11): 66-71.)

[11] LIU Y, YU C, YU M, et al. Manifold SLIC: A Fast Method to Compute Content-Sensitive Superpixels [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ: IEEE, 2016: 651-659.

[12] SELLARS P, AVILES-RIVERO A I, SCHONLIEB C B. Superpixel Contracted Graph-Based Learning for Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(6): 4180-4193.

[13] 郭艷婕, 楊明, 侯宇超. 改進的SLIC算法在彩色圖像分割中的應用 [J]. 重慶理工大學學報(自然科學), 2020, 34(2): 158-164. (GUO Y J, YANG M, HOU Y C. Application of an Improved SLIC Algorithm in Color Image Segmentation [J]. Journal of Chongqing University of Technology (Natural Science), 2020, 34(2): 158-164.)

[14] 陶謙, 熊風光, 劉濤, 等. 多幅點云數(shù)據(jù)與紋理序列間的自動配準方法 [J]. 計算機工程, 2020, 46(10): 259-265. (TAO Q, XIONG F G, LIU T, et al. Automatic Registration Method Between Multiple Point Cloud Data and Texture Sequences [J]. Computer Engineering, 2020, 46(10): 259-265.)

[15] 施新嵐, 黃俊, 黃洋, 等. 基于Gabor紋理增強的人臉活體檢測算法 [J]. 重慶郵電大學學報(自然科學版), 2020, 32(6): 1023-1030. (SHI X L, HUANG J, HUANG Y, et al. Face Liveness Detection Using Gabor Texture Enhancement [J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2020, 32(6): 1023-1030.)

[16] 唐慧, 束鑫, 楊習貝, 等. 基于分塊彩色MB_LBP紋理的人臉反欺詐算法 [J]. 江蘇科技大學學報(自然科學版), 2020(3): 48-53. (TANG H, SHU X, YANG X B, et al. Face Anti-spoofing Algorithm Based on Block Color MB_LBP Texture [J]. Journal of Jiangsu University of Science and Technology (Natural Science Edition), 2020(3): 48-53.)

[17] POREBSKI A, VANDENBROUCKE N, MACAIRE L. Haralick Feature Extraction from LBP Images for Color Texture Classification [C]//2008 First Workshops on Image Processing Theory, Tools and Applications. Piscataway, NJ: IEEE, 2008: 1-8.

[18] CHOI J Y, RO Y M, PLATANIOTIS K N. Color Local Texture Features for Color Face Recognition [J]. IEEE Transactions on Image Processing, 2012, 21(3): 1366-1380.

[19] 宋以寧, 劉文萍, 駱有慶, 等. 基于線性譜聚類的林地圖像中枯死樹監(jiān)測 [J]. 林業(yè)科學, 2019, 55(4): 187-195. (SONG Y N, LIU W P, LUO Y Q, et al. Monitoring of Dead Trees in Forest Image Based on Linear Spectral Clustering [J]. Scientia Silvae Sinicae, 2019, 55(4): 187-195.)

[20] LI S, LU T, FANG L, et al. Probabilistic Fusion of Pixel-Level and Superpixel-Level Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(12): 7416-7430.