融合譜聚類和多特征的遙感圖像分割

摘 要：為解決傳統譜聚類算法在圖像分割時計算量大、使用單一特征分割的局限性問題，設計一種融合譜聚類和多特征的圖像分割算法。首先進行超像素分割以減少計算量，分別提取每個超像素的顏色特征和紋理特征，構建超像素相似度矩陣;然后采用特征加權方法線性融合顏色和紋理特征的超像素相似度矩陣;最后采用譜聚類算法進行聚類分割。在UCMerced_LandUse和Berkeley數據集上進行實驗測試，并與現有方法進行比較。實驗結果表明，大多數實驗圖像IOU指標均在90%以上，相比于傳統方法有了顯著提高。

關鍵詞：譜聚類;超像素;圖像分割;特征提取

DOI：10. 11907/rjdk. 191657

中圖分類號：TP317.4?? 文獻標識碼：A??????????????? 文章編號：1672-7800（2020）003-0248-04

Fusion Spectral Clustering and Multi-feature Remote Sensing Image Segmentation

MAO Wei

（School of Optical-Electrical and Computer Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China）

Abstract： In order to solve the problems like large amount of computation and segmentation limitation based on single feature of traditional spectral clustering algorithm in image segmentation， this paper design a fusion spectral clustering and feature of image segmentation algorithm， first of all to pixel division to reduce amount of calculation， respectively to extract each pixel color features and texture features， build super pixel similarity matrix， and then adopt the method of feature weighted linear fusion of color and texture feature of pixel similarity matrix， then using spectral clustering algorithm for clustering segmentation. We performed experimental tests on the ucmercedes d_landuse and Berkeley data sets and compared them with the existing methods. The experimental results showed that for most experimental images， the IOU index of our method was above 90%， which was significantly improved compared with the traditional methods since multiple features of the images were considered simultaneously.

Key Words： spectral clustering; super pixel; image segmentation; feature extraction

0 引言

遙感圖像由于具有較強的地物特征表達能力，在地球科學中發揮著重要作用，廣泛應用于環境監測[1]、城市規劃[2]和國防[3]等多個領域。隨著遙感觀測技術的迅速發展，可獲得的遙感影像數量也急劇增加，如何自動處理和分析這些遙感圖像，從中提取有用信息是研究熱點。圖像分割作為一種自動提取特征和區分不同對象的方法[4]廣泛應用在遙感圖像處理中。

目前應用于遙感圖像分割的算法主要有監督學習和非監督學習方法。支持向量機（SVM）是一種典型的有監督學習方法[5]。有監督學習方法需要許多帶有已知類標簽的像素點作為訓練集。當有監督學習方法應用于高光譜或高分辨率圖像時非常耗時，而且許多情況下類標簽是未知的。與有監督學習方法不同，非監督學習方法利用觀察特征對圖像進行分割，不需要訓練集，當類標簽未知時，通常使用非監督學習方法。大多數非監督學習方法采用聚類算法，劃分方法和層次方法是常用的兩種聚類方法。典型的劃分方法包括最小生成森林、模糊C均值聚類FCM及其相關擴展算法、K-means及其相關變體算法、迭代自組織數據分析（ISODATA）和譜聚類技術等。層次聚類方法除要考慮圖像的基本光譜特征外，還要考慮空間信息[6]。Lee & Crawford[7]利用層次聚類和同一簇的像素在空間上相鄰的理論對超光譜數據進行分類;Bruzzone、Carlin[8]和Huo[9]將SVM與層次聚類相結合，對空間分辨率很高的圖像進行分類。以上聚類方法大多只考慮了圖像的單一特征，圖像分割結果有一定局限性。

本文提出融合譜聚類和多特征的遙感圖像分割方法。為解決以像素點為單位的分割方法計算量龐大問題，首先通過 SLIC 超像素算法對圖像預處理，然后分別提取每個超像素塊的顏色特征和紋理特征，對這兩個特征分別構建超像素的相似度矩陣，并對兩個矩陣進行加權線性組合成一個包含顏色和紋理特征的相似度矩陣，最后再使用譜聚類算法對超像素進行聚類，得到最終分割結果。

1 相關工作

1.1 SLIC超像素算法

超像素就是將一幅原本像素級的圖劃分成區域級的圖，將其看作是基本信息的抽象，可從這些區域級圖像中提取有效信息，如顏色、紋理信息等。簡單線性迭代聚類（SLIC）是一種邊界依附性非常好的超像素分割算法。SLIC類似于K-means算法，首先生成K個種子點，然后在每個種子點周圍空間搜索距離該種子點最近的若干像素，將它們歸為與該種子點一類，直到所有像素點都歸類完畢。然后計算這K個超像素里所有像素點的平均向量值，重新得到K個聚類中心。再以這K個中心去搜索周圍與其最為相似的若干像素，所有像素歸類完后重新得到K個超像素。更新聚類中心，再次迭代，如此反復直到收斂。實際上，SLIC計算類中心時可在10次迭代內收斂，時間復雜度為o（n）。

1.2 譜聚類

譜聚類是一種基于圖論的聚類方法，通過對樣本數據的拉普拉斯矩陣特征向量進行聚類。有一組數據點X= {x1，x2，…，xn}，可用無向圖G={V，E}表示這些數據點。圖的每個頂點表示一個數據點xi，頂點與頂點之間的邊表示兩數據之間的相似性。譜聚類將原始的數據集X聚類轉化為圖G的劃分問題。

Shi & Malik提出歸一化切割準則，定義為Ncut：

w（i，？j）為i和j點之間相似度函數，asso（A ， V）表示A中所有點與圖中所有點相連的權重。

2 算法描述

2.1 超像素分割

通過SLIC算法對圖像進行超像素分割，設置超像素大小為200，即將圖像分割成200個超像素塊。

2.2 超像素塊相似性計算

每個超像素作為一個頂點構造圖，用圖的邊權表示超像素之間的相似性關系，分別計算超像素之間的Lab顏色特征相似性和局部二值模式（LBP）紋理特征相似性;然后通過特征加權進行線性融合，最終獲得融合圖像顏色特征和紋理特征的相似度矩陣。

2.2.1 顏色相似性

計算每個超像素塊之間的Lab顏色相似性，定義顏色特征相似度矩陣為：

[W（color）i，j=||AVG（i）-AVG（j）||? 超像素i和j相鄰||mean（i）-mean（j）||??? 超像素i和j不相鄰]?? （5）

當第i個超像素和第j個超像素相鄰時，兩個超像素之間的差異主要集中在相鄰像素點上，AVG（i）表示第i個超像素與第j個超像素相鄰的所有像素點的Lab顏色向量平均值。

如果第i個超像素和第j個超像素不相鄰，則兩個超像素之間的相似性主要體現在超像素內的所有像素點上。對每個超像素內的所有像素點取Lab顏色向量平均值，盡可能保留每個像素點的Lab顏色信息，使用mean（i）表示。

2.2.2 紋理相似性

首先對每個超像素進行LBP特征向量提取：①將檢測窗口劃分為16×16的小區域（cell）;②對每個cell中的像素，將相鄰的8個像素灰度值與其進行比較。若周圍像素值大于中心像素值，則該像素點的位置標記為1，否則為0。這樣，3×3鄰域內的8個點經比較可產生8位二進制數，即得到該窗口中心像素點的LBP值;③計算每個cell的直方圖，即每個數字（假定是十進制數LBP值）出現的頻率，然后對該直方圖進行歸一化處理;④最后將得到的每個cell的統計直方圖進行連接成為一個特征向量，也就是一個超像素塊的LBP紋理特征向量。

提取每個超像素塊后，計算它們之間的紋理相似性。定義紋理特征相似度矩陣為：

lbp（i）表示第i個超像素塊的LBP紋理特征向量。

綜上得到超像素間的顏色相似度矩陣W（color）和紋理相似度矩陣W（texture）。通過加權線性融合方式繼而得到融合Lab顏色特征和LBP紋理特征的相似度矩陣W，如式（7）所示。

α為權重參數，通過調節α的大小可以控制顏色和紋理特征在相似度矩陣中所占的比重。

2.3 譜聚類分割

（1）使用下面公式計算度矩陣D，即相似度矩陣W的每一行元素之和D組成的對角矩陣。

（2）計算拉普拉斯矩陣。

（3）計算L特征值，將特征值從小到大排序，取前k個特征值并計算前k個特征值的特征向量。

（4）將上面的k個列向量組成矩陣。

（5）使用k-means算法將新樣本點聚類成簇。

（6）輸出類標簽。

2.4 算法流程

融合譜聚類和多特征的圖像分割算法流程：

輸入：圖像

輸出：最終的分割結果

通過 SLIC算法，分割得到超像素;

提取超像素塊的顏色和紋理特征，構建超像素顏色相似度矩陣W（color）和紋理相似度矩陣W（texture）;

通過調節權重alpha融合兩個特征的相似度矩陣W;

通過Ncut對超像素進行聚類;

得到聚類結果，輸出分割后的圖像。

3 實驗結果與分析

3.1 實驗對比方法

為驗證算法的有效性，評估算法對分割質量的改善，在遙感數據集UCMerced_LandUse和Berkeley數據集上進行測試。在0～1之間設置特征權重，迭代選取最優的分割結果作為最終分割結果。將實驗結果與單顏色特征Ncut算法、單紋理特征Ncut算法、FCM算法、FCM_S1算法進行比較。實驗環境為：CPU：Inter Core i5-4260U @1.40GHz 2.00GHz，內存：4GB， 操作系統：Windows。

[10]王丹，周錦程.基于聚類和NSCT的遙感圖像融合算法[J].計算機仿真，2012（6）：278-281.

[11]莫才健，田健榕，武鋒強，等. 基于加權小波分析的遙感圖像融合算法[J].吉林大學學報：理學版，2018，56（3）：617-624.

[12]羅群明，施霖. 圖像拼接方法綜述[J].傳感器與微系統，2017，36（12）：4-6.

[13]張小朋，錢海忠，岳輝麗，等. 基于模擬退火的空間聚類算法[J].測繪科學技術學報，2010（4）：158-163.

[14]郭玲玲，張立國，吳澤鵬，等.基于受限全變差正則化的遙感圖像去模糊方法[J]. 激光與光電子學進展，2013，50（11）：88-93.

[15]陳洪，陶超，鄒崢嶸，等. 一種新的高分辨率遙感影像城區提取方法[J]. 武漢大學學報：信息科學版，2013， 38（9）：1063-1067

[16]吳一全，孟天亮，吳詩婳，等. 基于二維倒數灰度熵的河流遙感圖像分割[J]. 華中科技大學學報：自然科學版，2014， 42（12）： 70-74， 80.

[17]陳愷，陳芳，戴敏，等. 基于螢火蟲算法的二維熵多閾值快速圖像分割[J]. 光學精密工程， 2014， 22（2）： 517-523.

[18]王樹亮，趙合計. 基于改進粒子群算法的多閾值灰度圖像分割[J]. 計算機應用，2012， 32（S2）： 147-150.

[19]陶新民，宋少宇，曹盼東，等. 一種基于流形距離核的譜聚類算法[J]. 信息與控制，2012，41（3）：307-313.

[20]葉青，胡昌標. 一種改進的基于圖論的圖像分割方法[J].? 計算機與現代化， 2016， 10（9）： 64-69.

[21]劉松濤，殷福亮.? 基于圖割的圖像分割方法及其新進展[J]. 自動化學報，2012， 38（6）： 911-922.

（責任編輯：杜能鋼）

收稿日期：2019-05-06

作者簡介：冒偉（1993-），男，上海理工大學光電信息與計算機工程學院碩士研究生，研究方向為機器學習、圖像識別。