基于超像素的高分遙感影像分割算法

向澤君，蔡怤晟，楚 恒，黃 磊

(1.重慶郵電大學 通信與信息工程學院，重慶 400065；2.重慶郵電大學 重慶高校市級光通信與網絡重點實驗室，重慶 400065；3.重慶郵電大學 泛在感知與互聯重慶市重點實驗室，重慶 400065；4.重慶市規劃局，重慶 401121；5.重慶市勘測院，重慶 400020)

0 引 言

影像分割在面向對象信息提取和分析中起著關鍵作用，也是遙感影像處理中極為重要的預處理步驟。其技術具有廣闊的應用前景，其分割結果的好壞將直接影響后續的面向對象提取和分析[1,2]。超像素分割是近年來快速發展的一種圖像分割方法。目前常用的超像素分割方法有：基于熵率[3]、SEEDS(superpixels extracted via energy-driven sampling)[4]、LSC(linear spectral clustering)[5]、MS(mean shift)[6]和SLIC[7](simple linear iterative clustering)等。董志鵬等[8]通過超像素與最小生成樹結合，以克服影像噪聲對分割結果的影響，并平衡影像分割中的過分割與欠分割現象，從而獲得整體良好的影像分割結果。肖明虹等[9]對影像進行分割，通過改變對象數目來獲取多個不同尺寸大小的超像素區域，再與多種方法融合疊加，能夠得到較好的檢測效果，但其只采用了單一的光譜特征。文獻[10]在初始超像素分割后，先通過光譜特征進行局部合并后，再結合形狀特征進一步合并分割區域，能夠得到不錯的分割效果，但是逐步的區域合并，仍然是通過單一特征信息單獨判斷，在單階段過程中存在誤差。文獻[11]結合了光譜和形狀特征對超像素分割圖像進行合并，但需要人工設定初始邊界值，自動化程度較低且易受到初始分割圖斑大小影響。

本文提出一種基于超像素的分割算法，通過計算初始分割圖斑的同質性和異質性，并結合紋理特征和光譜、形狀特征來對初始分割結果進行合并，以達到提高影像分割精度并保持穩定性的目的。

1 超像素分割

遙感影像有時存在顏色偏暗、對比度不高的問題，所以在圖像分割之前，先對獲取的影像進行預處理。

1.1 對比度拉伸

線性拉伸是比較常用的調節圖像對比度的方法，其通過計算圖像的像素值然后按照既定的比例變化來拉伸圖像，達到調整對比度的目的。先得到圖像的直方圖，然后將圖像亮度的閾值設定為2%，這樣就將圖像低于2%和高于98%的部分去掉以后再進行線性拉伸，絕大多數的異常值都能去除。

1.2 SLIC算法

SLIC具有運行速度快，像素塊緊湊整齊，輪廓保持良好，鄰域特征比較容易表達等特點。本文選用此方法進行超像素分割。其通過計算像素間的空間距離和色彩距離來進行聚類。

距離相似度根據lab空間和二維坐標計算，定義如下

(1)

(2)

(3)

其中，dc表示lab顏色空間中像素點之間的差異，dij表示兩點之間的位置差異。S是兩個種子點之間的距離。D表示像素之間的相似程度，其中m是一個常數，表示顏色和位置之間的重要程度，m越大，則超像素的分塊效果越均勻緊湊。

1.3 對象間的一致性

文獻[12]綜合對象間的同質性和異質性，通過光譜均值和標準差來計算其分割質量，以達到最優分割效果。

同質性：通過計算各個超像素內部的光譜標準差來表達其同質性

(4)

其中，Nk表示超像素k的內部所含像元個數；vk表示第k個超像素的標準差；n為初始影像分割時超像素的總個數，f表示超像素內部的同質性。

異質性：Moran’s 指數[13]是一種能夠表示超像素之間異質性的指數。通過計算鄰接超像素之間的光譜均值來判斷其相關性，計算公式如下

(5)

2 本文算法

2.1 特征提取

針對不同地物光譜具有很大的相似性，存在“同譜異物”和“同物異譜”的問題，本文在原一致性算法僅考慮光譜特征的基礎上，再加入紋理均值、標準差、形狀的長寬比和面積等4個特征信息作為評價標準。

2.1.1 紋理特征

灰度共生矩陣(grey level co-occurrence matrix，GLCM)是通過計算圖像灰度的空間相關性來描述紋理特征的。標準差是對影像的像素值和全局均值偏差的度量，能夠在一定程度上類似于對比度和非相似性。建立一個正方形矩陣P，公式如下

(6)

(7)

其中，Mi,j表示紋理特征的均值，S表示標準差；n表示影像的最大灰度級數；Pi,j表示在矩陣中的位置；m為影像的總像素個數。

2.1.2 形狀特征

長寬比：影像中道路表現具有明顯的形狀特征，使用長寬比能較好的描述道路與建筑之間的差異。通過計算區域對象的最小外接矩形的長度與寬度比R來近似區域對象的長寬比

(8)

其中，L為外接矩形的長；W為外接矩形的寬。

面積：不同超像素中包含的地物類別不同，像元個數也不同。在一幅影像圖中，默認一個像素的面積為1。越大的超像素所占比例越大，在合并時加入面積特征能夠增強不同超像素之間的穩定性

(9)

2.2 多特征綜合

將以上4種特征結合光譜均值和標準差，組成一個特征向量空間：CT=(v,y,S,M,R,A)。 為避免不同特征向量之間數值大小的影響，方便對比計算，對各特征分配相同的權重并進行歸一化處理，使結果位于 (0,100) 之間

(10)

其中，XN表示歸一化后的特征向量；x表示單一特征值；xmax為該類特征值的最大值，xmin為最小值。

2.3 改進對象一致性算法

將融合后的特征向量作為評價標準加入到式(4)和式(5)中

(11)

(12)

2.4 對象合并策略

根據文獻[12]，采用式(13)為分割質量評價函數，計算公式如下

F(f,I)=υF(f)+(1-υ)F(I)

(13)

其中，F(f) 表示超像素的同質性，F(I) 表示異質性。υ表示同質性所占權重，1-υ表示異質性所占權重，范圍在0到1之間。

將改進后的異質性和同質性評價函數代入式(13)中，作為全局評價標準。并對F(f) 和F(I) 進行歸一化處理，公式如下

(14)

(15)

其中，fmax和fmin表示超像素同質性的最大值和最小值；Imax和Imin表示異質性的最大值和最小值。

為了得到最優分割效果，理想情況下最優效果即對象間異質性較大，且對象內部同質性較大；以此為目標建立如下算法流程：①設置分割種子數，得到初始分割結果；②按照異質性最大的原則，計算相鄰超像素之間的異質性，合并異質性最小的兩個超像素；③每次合并后，計算合并后區域異質性與其內部同質性，得到新的F1(f,I)，若小于原始的F(f,I)，則保留合并區域，形成新的分割區域，反之返回步驟②；④第t+1次的合并是在第t次合并的基礎上進行的，直至合并后所有的全局最優尺度函數達到最大值，或者所有的區域都合并完畢，則停止合并。

3 實驗結果與分析

本文采用重慶某地的衛星遙感影像進行分割實驗，分辨率為1.0 m，像素為644×413，由R(630 nm-690 nm)、B(450 nm-510 nm)、G(510 nm-580 nm)組成的顏色空間表示。

本次實驗在CPU：Inter i7，內存：16 GB，操作系統：Window10，Matlab R2014a平臺上操作。在進行圖像預處理后，對影像進行SLIC超像素分割,得到初始分割結果如圖1所示。

圖1 SLIC超像素分割

該分割算法能夠較好的分割影像，形成邊緣清晰，同質性高的均勻像素塊，直觀體現了較為清晰的紋理特點。通過改進的策略對初始分割結果進行合并，調整υ的權重得到最優分割效果如圖2～圖4所示。

圖2 實驗一υ=0.5分割效果

圖3 實驗一υ=0.6分割效果

圖4 實驗一υ=0.7分割效果

圖1地物細節較少，且地物分布均勻規則。通過調整υ權重：如圖2所示，當異質性權重較大時，則分割尺度較小，地圖類別較為突顯，同類別地物易出現過分割現象；如圖4所示，當同質性占權重大時，異質性權重小，則影像分割尺度較大，不易產生過分割現象，類別區分較為清晰。

將本文算法與其它3種方法進行對比分析：圖5(b)多尺度分割方法；圖5(c)最優尺度算法；圖5(d)本文算法。其中圖5(b)中多尺度分割通過eCognition軟件實現，分割尺度=100，形狀因子=0.2，光譜因子=0.7。圖5(c)中最優分割數為64；本文算法權重參數υ為0.6。

圖5 不同方法實驗結果(一)

從直觀的視覺效果來分析，圖5(b)多尺度分割的方法的邊緣破碎較為嚴重，道路提取不完整，部分植被被錯分成了道路，部分房屋和土地相混淆，存在誤分錯分和過分割的現象。圖5(c)中通過計算對象的同質性和異質性，得到最優分割個數算法雖然取得的分割效果稍好，形狀基本完整但是在背景影像中存在一些過分割的現象，受光照因素影響，道路和土地中一些個體對象類別被突出表示，且道路和建筑存在過分割和誤分情況。而在圖5(d)本文方法中，分割效果明顯優于前兩項，分割邊緣較為清晰，細節丟失較少，將同一類別中因光譜異變點剔除，區域之間類別能夠明顯區分。且因加入紋理特征，對陰影和建筑接觸的位置也能達到較好的分割效果。

客觀評價：本文通過將分割圖像得到的圖斑進行分類對比，將分割區域進行標記，對實際分割所含像元個數與實驗分割圖中所含像素個數進行計算，求其混淆矩，計算其分類精度和Kappa系數來客觀地評估不同方法的優劣，計算結果見表1。本文算法總體分割精度達到95.8%，相比于多尺度分割算法和文獻[13]中最優尺度算法體分割精度分別提高7.13%和2.2%。

表1 實驗一分割方法綜合評價結果

表1為3種不同方法對兩幅影像的客觀評價結果，根據兩種評價可以得出：改進的超像素分割合并算法的分割效果要優于其它算法的，不但分割精度得到了提高，分割后損失的細節較少，邊緣更清晰，地物類別分割較為明確，直觀效果好。

為了進一步驗證本文算法的合理性和正確性，另選用重慶某城鄉區域像素為424×560的航天遙感影像作為實驗圖。相較于實驗一，實驗二影像所包含地物細節更多，受光照影響更嚴重，地物特點變化更大，實驗二SLIC分割效果如圖6所示。

圖6 SLIC超像素分割

本文算法不同尺度效果如圖7～圖9所示。

圖7 實驗二υ=0.4分割效果

圖8 實驗二υ=0.5分割效果

圖9 實驗二υ=0.6分割效果

實驗結果對比如圖10所示。

圖10 不同方法實驗結果(二)

從分割結果和表2的評價標準可以看出：本文方法比實驗中所用到的最優尺度評價方法和多尺度分割方法，分割精度分別提高了2.37%和6.88%，Kappa值也明顯高于其它兩種算法。由此可知，本文算法有較好的分割效果。

表2 實驗二分割方法綜合評價結果

4 結束語

本文針對超像素分割后的像斑合并問題進行改進，基于SLIC的超像素分割通過計算空間距離抑制了噪聲的影像，增加其分割的穩定性；并在考慮光譜信息的前提下加入紋理和形狀信息進行聯合判別，使其受光譜影響問題降低，算法更精確，分割區域之間的邊緣更清晰；相對于最優尺度分割算法的不可更改性，本文算法能夠通過調整少量參數，根據實驗需求和影像達到不同的分割效果。綜合實驗結果對比分析表明，本文方法分割效果更好，精度更高。但本文方法還存在一些問題，分割過程中易受小物體干擾，例如道路中的汽車或者樓頂的小建筑等；在計算中考慮光譜和紋理、形狀信息仍然不夠完善，某些道路和建筑因為空間位置關系存在錯分誤分的情況。如何解決這些問題還需要繼續研究。