基于聚類分析的航空圖像地物分類研究

盧云鵬 王建軍* 張薺勻 白崇岳 胡燕威

（山東理工大學，機械工程學院，山東 淄博255049）

1 概述

采用航空CCD 相機采集地面影像，對地物識別，廣泛應用于耕地面積、森林覆蓋率、城市建設規劃等領域。獲得的每一小幅圖像經平滑處理和匹配，可形成一幅完整圖像，以便于與三維地形圖匹配。由于航空攝影距離遠，圖像分辨率低，地物不明顯，采用人工對地物分類費時費力。因此，采用計算機對航空攝影地物自動分類和識別，具有重要現實意義。

目前常用聚類分析對彩色圖像進行處理，實現對地物的自動分類和識別[1]。聚類分析基本原理是把性質相似的對象歸于一類，而不同類之間則存在較大差異[2]。錢小燕等[3]對兩幅不同環境下的航空圖片進行聚類分析，產生若干聚類域，利用顏色實現匹配顏色聚類域實現分類。張斌等[4]提出了一種基于聚類分析的輪胎X 光圖像表面雜質檢測方法。周光華等[5]介紹了模糊聚類分析在醫學圖像分割、醫學圖像壓縮等的應用。王驍等[6]利用聚類分析分割管路區域，實現了管路圖像亞像素精度邊緣提取。

本文基于顏色聚類，對航空影像進行地物分類研究，并對地表破壞面積和綠植覆蓋率進行計算，可應用于土地流失、國土資源估算等方面。

2 原理描述

2.1 聚類分析

2.2 判別分析

3 實驗過程與結果

以圖1(a)航空圖像為例說明彩色圖像聚類分析和判別過程。首先從不同的地物區域取訓練樣本，共取15 個，取點如圖1(b)所示，其中1-12 點（綠色點）為進行聚類分析的實驗點，RGB 顏色值如表1 所示。而13-15 點是三個待判別點（紅色方塊點位置）。采用系統聚類法對12 個聚類實驗點聚類分析。圖2 是分類樹圖，可見，12 個點主要有三個明顯聚集區，采用k 均值聚類法進一步聚類。對12 個實驗點進一步采用k 均值聚類處理，聚類結果如表2 所示。3 個類的中心位置，即變量均值，分別為：m1(0.7892，0.7824，0.6941)；m2(0.3588，0.3941，0.3000)；m3(0.6059，0.6500，0.5578)。每一個類中所有點到聚類中心距離分別為：d1=0.0095; d2=0.0899; d3=0.0047。12 個樣本點中，每個點到每個聚類中心的距離如表3 所示。

圖1 航空攝影圖像及其樣本點

圖2 基于系統聚類法的聚類樹圖

表1 12 個樣本點顏色值

表2 12 個樣本實驗點的k 均值聚類結果

表3 12 個樣本點到每個聚類中心的距離

從圖1(b)所選樣本點分布看，特意選取三組點，即1、2、3、4為一組是屋頂面；5、6、7、8 為一組是樹木覆蓋區；9、10、11、12 為一組為道路面。從k 均值聚類結果，聚類將三類很好的分開了，結果符合實際地物狀況。取圖上三個待決策點（紅色點13-15）進行判決分類， 三個點的 RGB 值分別為：x13(0.4431，0.4824，0.3882)；x14 (0.7490，0.7412，0.6902)；x15(0.5804，0.6118，0.5216)。

采用歐氏距離公式進行判別分析：

x13 點的顏色向量值[0.4431,0.4824,0.3882]，到三個聚類中心的 距 離 分 別 為：dx13m1=0.3033；dx13m2=0.0227；dx13m3=0.0834。在三者中，dx13m2=0.0227 最小，故點x13 屬于第二類，看原圖點13 是樹叢中的取點，故判決符合實際情況。

x14 點顏色向量值[0.7490,0.7412,0.6902]，到三個聚類中心的距離分別為：dx14m1 =0.0033；dx14m2 =0.4250；dx14m3 =0.0463。在三者中，dx14m1= 0.0033 最小，故點x14 屬于第一類，看原圖點14 是空場地中的取點，故判決符合實際情況。

x15 點顏色向量值[0.5804,0.6118,0.5216]，到三個聚類中心的 距 離 分 別 為：dx15m1=0.1025；dx15m2=0.1456；dx15m3=0.0034。在三者中，dx15m3 =0.0034 最小，故點x15 屬于第三類，看原圖點15 是道路中的取點，故判決符合實際情況。

從以上實驗方法可見，首先通過預先獲得典型地物的樣本點的顏色值，進行K-means 聚類分析，然后對未分類的待判斷點進行距離判別分析，可成功的實現地物的分類和判別。

4 結論

通過對航攝彩色圖像進行聚類分析和判別分析，可以對圖像的地物進行較有效的分類，并用不同的顏色對圖像進行重新繪制，以突出我們感興趣的部分，實現信息的挖掘和整理。本文通過實例操作，證明聚類方法對地物識別可行。