趙宗澤,方明源,高 釗,王雙亭

(1. 河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院,河南 焦作 454000;2. 自然資源部第一大地測(cè)量隊(duì),陜西 西安 710054)

影像分割是光學(xué)遙感影像解譯重要的基礎(chǔ)處理步驟[1]。超像素分割已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域中廣泛使用的預(yù)處理步驟,彩色圖像分割是圖像視覺領(lǐng)域的研究熱點(diǎn),利用遙感影像數(shù)據(jù)的光譜信息可以將影像分割成許多聚類區(qū)域[2-3]。由于超像素區(qū)域更能反映圖像的拓?fù)浣Y(jié)構(gòu),可以提供更好的局部空間信息。因此,超像素分割方法逐漸成為遙感影像區(qū)域分割或分類的初始預(yù)分割分析步驟[4-5]。分水嶺算法[6-7]將光學(xué)遙感影像灰度值視為地形表面高度值,建立灰度梯度等級(jí),因此,其對(duì)圖像強(qiáng)度變化較敏感,在對(duì)復(fù)雜場(chǎng)景的遙感影像進(jìn)行初始分割時(shí),對(duì)地物邊界的擬合不夠準(zhǔn)確,過分割現(xiàn)象較為嚴(yán)重。DBSCAN(density-based spatial clustering of applications with noise) 聚類算法[8]是一種基于密度的空間聚類算法。若樣本集密度不均勻,聚類間距相差較大時(shí),聚類質(zhì)量較差;若樣本數(shù)據(jù)集過大,將會(huì)影響到算法的處理效率。文獻(xiàn)[9]提出了SLIC(simple linear iterative clustering) 簡(jiǎn)單線性迭代聚類算法,該算法改進(jìn)了傳統(tǒng)K-means方法的全域搜索過程,僅搜索聚類中心周圍某一固定范圍內(nèi)的光譜特征,對(duì)特征相似的像元進(jìn)行聚類生成分割區(qū)域,可以獲取緊湊、準(zhǔn)確的分割處理結(jié)果。但以上傳統(tǒng)的超像素分割在遙感圖像分割方面僅考慮了地物的光譜信息,對(duì)具有一定高度的地物分割結(jié)果不夠準(zhǔn)確。

在對(duì)影像數(shù)據(jù)進(jìn)行超像素預(yù)分割后,可以建立鄰接區(qū)域相似性準(zhǔn)則和合并策略,對(duì)各種尺度對(duì)象進(jìn)行精確分割[10-11]。文獻(xiàn)[12]以紋理相似性和邊界連續(xù)性建立相似性準(zhǔn)則,通過融合彩色和深度信息,與流行的分割算法相比獲得了顯著的分割性能提升。文獻(xiàn)[13]提出一種聯(lián)合區(qū)域合并標(biāo)準(zhǔn),以加權(quán)方式結(jié)合區(qū)域同質(zhì)性和區(qū)域邊緣完整性標(biāo)準(zhǔn),在圖像分割方面的應(yīng)用取得了成功。文獻(xiàn)[14]對(duì)初始分割結(jié)果建立鄰接關(guān)系,區(qū)域鄰接圖的表示方法促進(jìn)了圖像分割的研究,在分割性能和執(zhí)行時(shí)間方面得到了令人滿意的結(jié)果,但由于是基于分水嶺算法整合的邊緣和區(qū)域的技術(shù),內(nèi)存需求相對(duì)較高且信噪比較低時(shí)可能表現(xiàn)不佳。以上區(qū)域合并方法均未考慮地物的高程信息,當(dāng)具有一定高差的地物區(qū)域間光譜特征相似時(shí),區(qū)域合并準(zhǔn)則的判定結(jié)果會(huì)出現(xiàn)錯(cuò)誤。

傳統(tǒng)的遙感影像分割算法僅考慮了光譜信息,在進(jìn)行后續(xù)分割區(qū)域合并時(shí),也僅通過光譜和空間相似性準(zhǔn)則進(jìn)行合并處理,會(huì)出現(xiàn)某些具有一定高度的地物的錯(cuò)分現(xiàn)象。針對(duì)此問題,本文基于SLIC分割算法,獲取影像每個(gè)像元的高程信息,并設(shè)置合適的高程權(quán)重,使分割邊界同時(shí)依賴高程梯度,達(dá)到更好的初始分割效果;在初始分割的基礎(chǔ)上,根據(jù)分割區(qū)域鄰接圖,采用鄰域數(shù)組的數(shù)據(jù)結(jié)構(gòu)[15],建立融入高程信息的光譜-高程相似性準(zhǔn)則進(jìn)行分割區(qū)域合并;另外,在合并過程中,根據(jù)不同分割區(qū)域之間的高程差別設(shè)置高程閾值,并設(shè)置不同的相似性權(quán)重,以獲取最優(yōu)的遙感影像地物分割結(jié)果。

1 研究方法

1.1 融合高程信息的SLIC分割算法

傳統(tǒng)SLIC算法根據(jù)光譜和平面空間特征向量在某個(gè)給定范圍內(nèi),統(tǒng)計(jì)每個(gè)像素與聚類中心的歐式距離,并與設(shè)定閾值進(jìn)行比較,將像素分配到特征相似的分割區(qū)域。由于最初的聚類中心是均勻分布的,且搜索范圍限制在聚類中心的固定半徑內(nèi),因此需進(jìn)行多次迭代以優(yōu)化聚類中心。遍歷全域去除尺寸過小的區(qū)域,有效地解決像素級(jí)分割策略帶來(lái)的“椒鹽噪聲”問題。雖然基于光譜閾值的SLIC分割方法簡(jiǎn)單有效,預(yù)設(shè)參數(shù)只有分割區(qū)域數(shù)量k和光譜權(quán)重m,但是該方法只考慮了光譜特征,沒有考慮地物高度特征,對(duì)噪聲比較敏感,同一高度地物的光譜距離可能大于設(shè)定閾值,穩(wěn)健性不高。針對(duì)該問題,本文提出了融合高程信息的低空遙感影像SLIC分割方法,在進(jìn)行距離計(jì)算時(shí),加權(quán)引入高程信息并設(shè)置合適的閾值,達(dá)到更加精確的分割效果。

融合高程信息的低空遙感影像SLIC分割方法在二維平面和光譜歐式距離的基礎(chǔ)上,增加高程信息建立6維特征向量[labxyz],其中,l、a、b為像元的光譜波段取值(假設(shè)為3個(gè)波段),x和y分別為像元行列號(hào),z為像元對(duì)應(yīng)高程值,因此,光譜、平面和高程距離分別表示為

(1)

(2)

dz=zi-zj

(3)

在特征相似度量Dz中引入高程距離度量,計(jì)算公式為

(4)

其中,m為光譜權(quán)重;s為步長(zhǎng);λ為高程權(quán)重。

圖1為不同權(quán)重情況下SLIC算法遙感影像分割結(jié)果對(duì)比。k值為分割區(qū)域數(shù)量,由圖1(b)、(c)可知,k越大,步長(zhǎng)s越小,區(qū)域尺寸越小;k值越小,步長(zhǎng)s越大,區(qū)域尺寸越大。m為光譜權(quán)重,m值越小,分割區(qū)域?qū)庾V的依賴程度越大,由圖1(c)可知,當(dāng)沒有引入高程特征,且光譜權(quán)重m=40時(shí),光譜等因素引起的影像灰度變化比較大,導(dǎo)致分割結(jié)果整體比較雜亂,超像素邊界在視覺上不夠平整光滑;當(dāng)m=80時(shí),整體上對(duì)地物邊界的擬合較準(zhǔn)確且超像素的邊界較平整,然而,位于陰影區(qū)域內(nèi)的建筑物邊界,很難利用光譜特征進(jìn)行區(qū)分;當(dāng)光譜權(quán)重m=120時(shí),部分地面和屋頂在較大的灰度梯度下卻被劃分為同一區(qū)域,對(duì)光譜信息不夠敏感。當(dāng)加入高程特征后,如圖1(f)所示,可以看出處于陰影區(qū)域的屋檐邊界的擬合是準(zhǔn)確的。因此,在高程差較大時(shí),光譜特征相差不大,可以利用高程差進(jìn)行像元的相似性判斷,引入高程特征向量后,對(duì)于具有一定規(guī)則高度的區(qū)域,可以克服灰度特征混淆產(chǎn)生的誤分割問題。

圖1 不同參數(shù)下的初始分割結(jié)果(局部)

1.2 融合高程信息的區(qū)域合并算法

在預(yù)分割結(jié)果的基礎(chǔ)上,建立相鄰超像素間的相似性指標(biāo),將過分割的大尺度地物進(jìn)行區(qū)域合并,可有效提高分割結(jié)果的視覺效果和地物的分割精度。

1.2.1 鄰域列表記錄相鄰區(qū)域

經(jīng)典的區(qū)域合并算法有區(qū)域鄰接圖(region adjacent graph,RAG)及鄰近圖(nearest neighbor graph,NNG)[14, 16],針對(duì)及時(shí)更新區(qū)域間的鄰接關(guān)系、提高合并效率這一關(guān)鍵點(diǎn),在全局優(yōu)化框架下考慮所有的鄰接關(guān)系是不必要的,因此本文采取了更高運(yùn)算效率的鄰域數(shù)組(neighborhood array,NA)的數(shù)據(jù)結(jié)構(gòu)[15]。如圖2、表1所示,針對(duì)每個(gè)區(qū)域單獨(dú)建立長(zhǎng)度可變的列表Li存儲(chǔ)相鄰區(qū)域標(biāo)簽。這種數(shù)據(jù)結(jié)構(gòu)僅需遍歷當(dāng)前區(qū)域,相比RAG需要遍歷全局,在長(zhǎng)度上有所降低。合并后,降低了某些區(qū)域列表的長(zhǎng)度和區(qū)域個(gè)數(shù),增加了區(qū)域合并算法的效率。通過設(shè)置合并閾值,在合并準(zhǔn)則判定時(shí),記錄每個(gè)區(qū)域鄰域的容器會(huì)不斷更新,具備較低的時(shí)間和空間復(fù)雜度。

表1 區(qū)域鄰接

圖2 合并前后的區(qū)域鄰接

1.2.2 高程分級(jí)雙閾值合并策略

(5)

(6)

(7)

(8)

圖3在預(yù)分割結(jié)果的基礎(chǔ)上,結(jié)合不同相似性指數(shù)的區(qū)域合并結(jié)果。當(dāng)分割方法中沒考慮高程信息,圖3(b)處于陰影部分的屋頂與地面由于灰度相似產(chǎn)生了誤合并;圖3(c)由于高程特征向量的權(quán)重較小,屋頂部分沒有完整合并;圖3(d)、(e)的合并能區(qū)分陰影中的屋頂與地面,但由于對(duì)高差梯度的權(quán)重較大,對(duì)具有高度不平整頂面的地物難以設(shè)置準(zhǔn)確的高差閾值,閾值過小則需進(jìn)行過多次數(shù)的合并,閾值過大,則忽略的信息較多;由圖3(f)可知,基于高程分級(jí)的雙閾值合并策略一定程度上兼顧了影像的光譜梯度和高程梯度,在具有復(fù)雜高度和光譜信息的區(qū)域具備較好的區(qū)域合并結(jié)果。

圖3 不同合并策略和不同合并參數(shù)的局部對(duì)比試驗(yàn)

2 結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)與平臺(tái)

試驗(yàn)數(shù)據(jù)集1為ISPRS的公開數(shù)據(jù)集中的Hessigheim 3D(H3D)激光點(diǎn)云和三維紋理網(wǎng)格[17]。該數(shù)據(jù)集點(diǎn)云的平均密度約為800點(diǎn)/m2,本文試驗(yàn)數(shù)據(jù)為2019年3月Hessigheim部分區(qū)域中含大量建筑物區(qū)域的點(diǎn)云數(shù)據(jù)。針對(duì)帶有光譜波段的點(diǎn)云數(shù)據(jù),通過點(diǎn)云網(wǎng)格化[18-19]輸出含有R、G、B和高程信息的4波段的遙感影像網(wǎng)格數(shù)據(jù),影像柵格大小為2519×2055 像素。試驗(yàn)數(shù)據(jù)集2為融合DSM的震后低空遙感影像數(shù)據(jù),每個(gè)像元的波段分別為R、G、B和高程波段,影像柵格大小為2377×3553 像素。試驗(yàn)數(shù)據(jù)如圖4所示。試驗(yàn)的平臺(tái)環(huán)境為Python 3.8.10;CPU為AMD Ryzen 7 5800H;16 GB內(nèi)存;Windows 10操作系統(tǒng)。

圖4 試驗(yàn)數(shù)據(jù)

2.2 試驗(yàn)結(jié)果與分析

分別利用傳統(tǒng)和融合高程信息的SLIC分割算法,對(duì)兩種試驗(yàn)數(shù)據(jù)進(jìn)行初始區(qū)域分割和對(duì)比分析,試驗(yàn)對(duì)比結(jié)果局部區(qū)域如圖5所示(A、C組為基于光譜信息的初始分割,B、D組為融合高程信息后的初始分割)。參數(shù)設(shè)置如下:光譜權(quán)重m=80,區(qū)域數(shù)量k=2000,高程權(quán)重λ=5。由初始分割試驗(yàn)結(jié)果可知,在分割方法中引入高程信息后,本文方法對(duì)于具有復(fù)雜光譜信息的建筑物,能避免由于光線明暗等問題引起的誤分割,準(zhǔn)確地?cái)M合建筑物邊界。對(duì)于陰影區(qū)域的地物,能避免僅依賴光譜難以劃分的情況,準(zhǔn)確識(shí)別出陰影區(qū)域內(nèi)具有一定高度的地物。對(duì)于某些僅進(jìn)行光譜特征相似性判斷,與其他地物相似的區(qū)域(如道路與淺色草地),能獲取更多的地物信息,準(zhǔn)確地進(jìn)行劃分。對(duì)于光譜相似的植被區(qū)域的樹木與草地,由樹木和草地的高程差等信息擬合樹木的邊界。對(duì)于震后影像中局部建筑物,即使區(qū)域具備復(fù)雜的光譜信息,依然能較好地?cái)M合建筑物邊界。因此,在面對(duì)具有復(fù)雜光譜信息和高程信息的大范圍區(qū)域,本文算法對(duì)地物邊界的擬合效果更好。

圖5 兩種試驗(yàn)數(shù)據(jù)初始分割結(jié)果局部

傳統(tǒng)的基于灰度梯度的遙感影像閾值分割,處于光線陰影的區(qū)域、具有復(fù)雜光譜信息的表面的地物和頂面不平整的地物會(huì)導(dǎo)致誤分割的產(chǎn)生。本文提出的融合高程信息的遙感影像閾值分割,一定程度上能克服光線陰影、亮度等帶來(lái)的影響。在高程差不是很大的情況下,光譜差異較小,屬于同一地物的可能性較大;在高程差較大時(shí),光譜特征相差不大,可以利用高程差進(jìn)行像元的相似性判斷。當(dāng)依賴光譜信息難以區(qū)分時(shí),有效利用了地物高程信息來(lái)進(jìn)行地物邊界的較精確擬合。由于最終的地物分割結(jié)果由預(yù)分割的超像素合并而成,因此,預(yù)分割步驟的分割質(zhì)量具有決定性的意義。預(yù)分割試驗(yàn)結(jié)果表明,本文引入高程信息的初始分割方法作為后續(xù)區(qū)域合并的基礎(chǔ)步驟是合適的。

圖6為兩個(gè)數(shù)據(jù)集局部典型地物分割合并結(jié)果,在傳統(tǒng)的基于光譜特征的相似性準(zhǔn)則中,引入高程特征后,當(dāng)建筑物頂面區(qū)域與地面區(qū)域在光譜上相似時(shí),可以通過區(qū)域之間高程屬性差進(jìn)行區(qū)分,對(duì)草地與水面的邊界均能較準(zhǔn)確地?cái)M合;在具有復(fù)雜光譜信息和高程信息的區(qū)域,同樣能較完整地保持建筑物區(qū)域的邊界。因此,在處理過程中,沒有產(chǎn)生誤合并現(xiàn)象,獲取了較好的分割結(jié)果。

圖6 區(qū)域合并試驗(yàn)結(jié)果局部

3 結(jié) 語(yǔ)

在光學(xué)遙感影像聚類分割與區(qū)域合并的基礎(chǔ)上,本文提出了一種融合高程信息的遙感影像超像素分割與區(qū)域合并方法。該方法首先在超像素預(yù)分割步驟中引入高程信息,有效地克服了僅依賴光譜信息產(chǎn)生的誤分割,提高了遙感影像分割的準(zhǔn)確性。然后在預(yù)分割時(shí),利用鄰域數(shù)組的數(shù)據(jù)結(jié)構(gòu),建立了加權(quán)結(jié)合高程特征的綜合相似性準(zhǔn)則。最后針對(duì)具有復(fù)雜高程的地物,根據(jù)相鄰聚類間高程差設(shè)置合并前的判定條件,依據(jù)判定結(jié)果在綜合相似性指數(shù)中設(shè)置不同大小的權(quán)重系數(shù)進(jìn)行區(qū)域合并。通過目視法對(duì)結(jié)果進(jìn)行對(duì)比分析,表明本文方法具備一定的泛化能力,相比傳統(tǒng)的僅基于光譜信息閾值的遙感影像分割與區(qū)域合并方法,對(duì)大面積的具有復(fù)雜光譜信息和高程信息的遙感影像分割結(jié)果較準(zhǔn)確。