基于改進超像素和標記分水嶺的高分辨率遙感影像分割方法

張銳，尤淑撐，杜磊，祿競，何蕓，胡勇

(1.自然資源部國土衛星遙感應用中心，北京 100048； 2.重慶市規劃和自然資源調查監測院，重慶 400120)

0 引言

隨著對地觀測衛星技術的發展，高分辨率遙感影像在地物目標提取、變化檢測等方面發揮著重要作用。影像分割是高分辨率遙感影像信息挖掘和目標識別的基礎，是實現從數據到信息轉變的重要環節。隨著影像空間分辨率的提高，使得地物輪廓和形狀信息更加清晰，色彩差異明顯[1]，提高了地物識別的精度，但同時也增加了影像分割的難度[2]。傳統的基于像元的分割方法如mean shift算法、分水嶺算法等易受到影像椒鹽噪聲和“同譜異物”、“同物異譜”等混合像元的影響，導致影像分割的精度和效率較低。面向對象分析方法的提出給影像分割和信息提取提供了新思路，這種方法可以充分考慮影像光譜統計特征，形狀、紋理、上下文關系等一系列因素[3-5]，分析的最小單元是由影像分割得到的同質對象塊，不再是單個像素。

分水嶺分割[6-9]作為一種有效的圖像分割方法，具有分割邊界明顯、連續且算法簡單的優點，在圖像處理領域得到廣泛應用。但該方法過渡依賴于影像中地物的邊界幅度效應，對于光譜差異較小的地物，常規的分水嶺算法由于圖像上噪聲和圖像局部不連續原因常常表現出過度分割，產生偽邊緣效果，導致分割不理想。超像素[10]是指具有相似紋理、顏色和亮度等特征的相鄰像素經過聚類形成的形狀不完全規則的圖像塊，在一定程度上，提高了影像處理效率，降低了高分辨率遙感影像局部信息的冗余度，且能夠充分利用影像中的相位一致性(phase congruency,PC)[11-12]幅度信息，原理對影像中地物邊緣梯度依賴較小，適合高分辨率遙感影像復雜地物類型的識別。其中利用相似紋理、顏色和亮度等特征的線性迭代聚類(simple linear iterative clustering, SLIC)超像素分割方法[13]，在圖像分割和目標識別領域得到廣泛應用。

針對以上問題，本文提出一種基于超像素和標記分水嶺的高分辨率遙感影像分割方法。首先對高分辨率影像進行灰度均衡化和高斯低通濾波，減少影像噪聲影響； 再利用改進的SLIC超像素分割算法對影像進行初分割，產生超像素對象塊并進行標記; 然后計算每個超像素斑塊的灰度值，完成影像重建，并對重建后影像進行高斯濾波來去除相鄰超像素邊界銜接效應影響; 最后使用自動標記分水嶺算法完成高分辨率影像分割。

1 基于改進超像素和標記分水嶺的分割方法

1.1 基于控制標記符的分水嶺分割算法

分水嶺分割[14-16]是根據地理學的分水嶺概念，將影像模擬成一幅高低起伏的地形圖，圖像中灰度變化可描述成地形圖的谷底、山脊和積水盆。該方法是基于區域的影像分割方法，算法簡單，運行快。Soille[17]利用數學形態學，對算法進行優化，提取局部極小值來自動控制分割區域的數量，具體步驟如下：

1)提取形態學梯度圖像，即

g=(f⊕b)-(f?b)。

(1)

根據圖像I(x,y)的膨脹(dilation)和腐蝕(erosion)算子可定義(f⊕b)表示形態學結構元素b對影像進行膨脹運算，即

(f⊕b)(x,y)=maxf(x+i,y+i)-b(i,j)|(x+i,j+y)∈Df,(i,j)∈Db。

(2)

(f?b)表示形態學結構元素b對影像進行腐蝕運算，即

(f?b)(x,y)=minf(x+i,y+i)-b(i,j)|(x+i,j+y)∈Df,(i,j)∈Db。

(3)

2)梯度圖像低通濾波。由于影像中地物的主要信息集中在圖像的低頻成分，直接對梯度圖像進行處理不能有效獲取低頻信息，通過對圖像進行低通濾波，增大噪聲與圖像信息的差異，從其低頻成分中提取到與目標相關的極小值。

3)基于擴展局部極小值變換的控制標記提取。分水嶺分割中標記的獲取至關重要，局部極小值變換通過設定閾值參數H，H的取值影響分割圖斑的數目，消除深度小于H的局部極小值，一定程度上減少過分割區域，過小或過大的H均不利于獲得較優的分割效果。

4)標記分水嶺分割。得到標記圖像后，將其二值化，用提取到的地物標記對原始梯度圖像進行修改，濾去原圖像中的所有局部極小值，局部極小值只存在于二值標記圖像中不為0的地方。在修改后的梯度圖像中應用標記分水嶺分割，得到最終的分割結果。

1.2 SLIC超像素分割方法

在遙感影像智能解譯和圖像分割等方面，超像素方法得到廣泛應用。常用的超像素算法主要包括熵率和斑塊的方法，SLIC是熵率方法中的一種典型算法，是根據顏色和距離2種類型特征對影像進行聚類[18]，主要包括3個關鍵步驟，初始化聚類中心、對象相似性度量以及聚類中心的迭代更新，計算方法簡單，時效性高，生成的對象塊大小均勻緊湊。

1)初始化聚類中心。首先通過將遙感影像從RGB顏色空間經過色彩變換操作，轉到Lab顏色空間。將Lab顏色空間的顏色特征分量l，a，b和對象塊的中心坐標x，y共同作為分割的初始聚類中心，即Ck=[lk,ak,bk,xk,yk]T。在對象塊中設定種子點，為防止種子點落在對象塊邊界位置，特采用3×3 移動窗口，將種子點設置在對象塊的梯度最小處，完成聚類中心的初始化。

2)對象塊的相似性度量。通過對Lab顏色空間特征向量之間的相似性和像素點x，y坐標之間的相似性進行聚類，計算每個像素與初始化種子點之間的距離測度，得到對象塊之間的相似性度量。距離測度表示為：

(4)

式中：m表示權重，取值大小根據地物邊緣與分割邊界的貼合程度決定；s為搜索步長；dLab和ds分別表示像素在顏色特征空間和坐標空間中的距離測度。其表達式可以分解為：

(5)

(6)

3)聚類中心迭代聚合。根據步驟1)確定初始聚類中心后，SLIC采用類簇所有像素點的平均值更新聚類中心，改進了K-means算法的搜索區域大小，聚類中心與像素之間采用2s×2s鄰域(圖1)，提高搜索效率。

1.3 改進超像素和標記分水嶺的高分辨率影像分割方法

邊緣特征的提取是高分辨率遙感影像分割的關鍵，從頻率域的角度來看，影像的相位譜比幅度譜包含更重要的信息[19]。本文主要是通過加入PC特征，提高超像素邊緣檢測的敏感性。對于空間域檢測，是利用影像的灰度和梯度等幅度信息，PC是基于一種特征感知模型的圖像特征算法檢測方法，與人類視覺系統相符，具有亮度和平移不變性，對于地物的高頻信息較為敏感，具有檢測弱邊緣的優點。

PC的基本原理是人類視覺感知的圖像特征會出現在圖像諧波分量疊合最大的相位處，而特征的類型由相位值決定。肖鵬峰等[20]發現相位信息在影像中地物的邊緣特征處具有高度一致性，并利用傅里葉重構函數對PC進行度量，即

(7)

式中：An(x)表示n次諧波分量的幅度值；(x)為傅里葉成分的局部相位值；表示所有傅里葉分量的加權平均局部相位角。式中的局部能量是相位偏離的余弦函數，可能會因余弦函數的峰值不夠尖銳而導致定位不準確。后來Kovesi利用Gabor小波的多尺度特征對算法進行改進，修正局部能量計算式，引入噪聲補償T來抑制噪聲干擾，并基于Gabor函數將PC模型的維度擴展到二維，即

(8)

式中：WO(x,y)為在O點時有效的頻譜值;ε為常數，通常設置為0.000 1；Δ(x,y)為靈敏相位偏差函數。其表達式為：

(9)

為了更好地在影像中提取地物邊界，消除影像灰度不均勻的影響，結合PC模型和光譜相似性測度，本文提出了一種基于改進SLIC超像素與分水嶺的高分辨率影像地物分割方法(PCSLIC-MW)。主要是在超像素分割階段，使用HSL顏色分量，并引入PC測度，新的相似性測度D可以表示為：

(10)

式中：ρ，ω和μ分別為新的相似度測度中的權重系數；Distc(j,i)為顏色距離，即像素點與超像素種子點間的顏色差異；Distxy(j,i)為像素點與超像素種子點之間的空間距離；DistPC(j,i)為像素點與超像素種子點間的PC差異。其表達式分別為:

(11)

(12)

DistPC(j,i)=PC(j)-PC(i)，

(13)

式中：H，S，L為顏色分量。在超像素分割計算過程中，Distc(j,i)，Distxy(j,i)和DistPC(j,i)均要歸一化到(0，1)之間，歸一化的最大值為局部區域的最大值。

綜上所述，基于SLIC的超像素方法優化過程可以歸納如下：

1)初始化。以步長s在以種子點為中心的3×3區域對原始影像進行初始化聚類中心； 對每一個像素x設置標簽l(i)=-1； 對每一個像素x設置距離d(i)=∞。

2)計算相似度。① RGB顏色空間的圖像轉換成HSL顏色空間，計算HSL顏色特征； ② 計算種子點與像素xi的位置大小作為空間特征； ③ 對輸入的圖像轉換為灰度圖像，使用PC算法計算圖像的PC特征； 對每一個像素在聚類中心i的2s×2s范圍內，計算像素間相似度距離D。

3)迭代更新聚類中心。針對每個聚類中心i與其對應2s×2s大小領域的每個像素pj，計算pj與i之間的相似度，然后更新l(i)和初始相似度D(i)，完成聚類過程。

4)終止優化直到滿足。距離最大，相似度最小。

本文核心算法步驟主要包括以下幾點：

1)高分辨率遙感影像預處理。利用直方圖均衡化和高斯濾波對原始影像進行預處理。

2)超像素初分割。通過顏色、空間位置、PC距離、紋理特征4個特征對影像進行超像素粗分割，并對超像素斑塊進行標記。

4)對重建的特征影像圖進行高斯濾波，最后采用控制標記符分水嶺算法對重建后的特征影像進行再分割，得到地物最終分割結果。具體流程見圖2。

圖2 PCSLIC-MW方法流程Fig.2 Procedure of PCSLIC-MW

2 實驗與分析

2.1 實驗結果

2.1.1 Worldview 2多光譜影像分割實驗

本實驗采用了Worldview 2 多光譜影像(圖3)。

圖3 0.5 m分辨率Worldview 2 多光譜影像Fig.3 Worldview 2 multispectral image of 0.5 m resolution

該影像空間分辨率為0.5 m，影像大小為1 000像素×1 000像素，有藍光(450～510 nm)、綠光(510～580 nm)、紅光(655～690 nm)和近紅外(780～920 nm)共4個波段。Worldview 2 多光譜影像選取的研究區主要以梯田、林地和村莊為主。首先計算不同空間尺度下超像素塊的紋理特征、顏色特征以及空間位置特征，并對特征進行融合處理，然后利用本文所提改進超像素方法對影像進行初分割，利用擴展局部極小值變換方法確定控制標記，進而利用標記分水嶺分割方法對影像進行再分割，根據變化曲線得到最優分割尺度，完成基于PCSLIC-MW方法的影像分割實驗。圖4為PCSLIC-MW方法分割結果，圖4(a)為超像素初分割的初始結果，圖4(b)為PCSLIC-MW分割結果，圖4(c)和(d)分別為耕地和居民點局部放大，從圖中可以看出，梯田和居民點的邊界被很好地分割出來。與分形網絡演化算法(fractal net evolution approach, FNEA)[21]不同尺度局部結果對比如圖5所示。

從圖5中可以看出，當尺度為100或80時，產生過分割，并隨著尺度參數的增加，整個影像的過分割仍比較嚴重，當尺度為60，40，25時，產生欠分割現象，分割對象過于破碎。植被和農田的光譜異質性較大，雖然也有了較好的合并，但仍然存在著過分割現象，進一步說明了本文方法的優越性。

表1為Worldview 2多光譜影像利用不同分割尺度的精度評價，從精確度和召回率2個指標可以看出，本文所提方法的精確度和召回率均在0.8以上，高于FNEA分割結果的精度。利用FNEA不同尺度分割的結果顯示，分割尺度過大或過小，精確度和召回率都呈現降低趨勢。

表1 Worldview 2多光譜影像分割實驗精度評價Tab.1 Accuracy evaluation of segmentationexperiment based on Worldview 2 image

2.1.2 ZY3-02多光譜影像分割實驗

本實驗使用的數據為ZY3-02多光譜影像，ZY3衛星是我國首顆高精度民用立體測繪衛星，影像數據為一種新型遙感影像數據源，具有高空間分辨率、大動態范圍和立體成像的特點，在建筑物等信息提取方面具有較大優勢。ZY3-02多光譜影像參數如表2所示。

表2 ZY3-02多光譜影像參數Tab.2 Parameters of ZY3-02 multispectral image

ZY3-02多光譜影像包括藍光、綠光、紅光和近紅外4個波段，幅寬為52 km。采用Flaash模型對影像進行大氣糾正，并利用二次多項式模型對多光譜和全色影像分別進行幾何糾正，最后采用Gram-Schmidt方法對影像進行融合處理。實驗采用影像大小為2 000像素×2 000像素，空間分辨率為2.1 m，該區域主要包括房屋、道路、耕地、水域等地物(圖6)，圖7(a)為影像的分割結果，建筑物和耕地分割結果的局部放大如圖7(b)和(c)所示，從分割結果可以看出，本文方法較好地區分了房屋和耕地的邊界，完整地保留了房屋、耕地、道路以及水域的邊界線，絕大部分地物被完整地區分出來。以房屋為例，本文方法與不同尺度FNEA的局部分割結果對比如圖8所示。

圖6 空間分辨率2.1 m的ZY3-02 多光譜影像Fig.6 ZY3-02 multispectral image of 2.1 m resolution

(a) 本文方法分割結果圖7-1 PCSLIC-MW方法分割結果Fig.7-1 Segmentation results of PCSLIC-MW method

從圖8中可以看出，當尺度為100或80時，存在欠分割現象，房屋邊界和周圍裸地邊界混淆，當尺度設為60,40或25時，存在過分割現象，房屋邊界不完整，對象斑塊破碎。分割精度評價如表3所示。

表3 ZY3-02多光譜影像分割實驗精度評價Tab.3 Accuracy evaluation of segmentationexperiment based on ZY3-02 image

從表3中可以看出，本文方法的精確度和召回率分別為0.86和0.90，和其他分割尺度相比，獲得了較好的效果。

2.2 結果評價與分析

對本文所提方法進行分割效果評價，將本文方法與傳統均值飄移方法[22](mean shift, MS)和FNEA進行比較，如圖9所示。從圖9中可以看出，本文方法能夠較好地將建筑物與陰影、裸地區分開，分割出較為清晰的邊界，MS方法容易產生過分割，建筑物邊界沒能很好的區分，FNEA分割方法中陰影和房屋產生了混淆。從表4中的精確度和召回率也可以看出，本文方法的精度高于MS以及FNEA分割方法。

表4 分割方法比較精度評價Tab.4 Accuracy evaluation of differentsegmentation methods

為分析影像空間分辨率差異對分割精度造成的影響，利用本文所提方法對Worldview 2 融合影像(0.5 m)、ZY3-02融合影像(2.1 m)以及ZY3-02多光譜影像(5.8 m)分別進行分割實驗，結果如表5所示。

表5 影像分辨率差異對分割精度的影響Tab.5 Effect of image resolution differenceon segmentation accuracy

通過精確度和召回率指標可以看出，當影像分辨率由5.8 m提升到2.1 m時，分割精度具有顯著提升。當影像分辨率為0.5 m時，分割精度并未隨著影像空間分辨率的提高而持續提高，說明此時應加入其他特征輔助分割，以改善分割精度。

3 結論與討論

本文針對常規面向對象分割方法存在的缺陷，提出一種改進超像素和標記分水嶺的高分辨率衛星遙感影像分割方法PCSLIC-MW，首先利用超像素方法對影像進行初分割，并結合HSL顏色空間、空間位置信息以及相位一致性紋理特征等信息，對傳統的SLIC超像素分割算法進行改進，再結合改進的標記分水嶺算法進行再分割，提取地物的邊界。通過選取Worldview 2和ZY3-02典型樣例影像進行分割實驗，說明本文提出方法的有效性和精度。

本文方法與MS和FNEA方法相比，能夠避免大量的欠分割導致的影像對象邊界不清和過分割造成的對象塊較多，與大的單尺度分割相比，能夠避免大量的欠分割影像對象，與小的單尺度分割相比，能夠避免大量的過分割影像對象。

實驗結果表明，針對不同衛星影像的最佳參數選擇可能存在差異，不同空間分辨率影像的分割精度也會有所差異。對某些特殊目標和地物類型復雜的分割問題，提高分割的泛化能力和分割效率是后續的研究目標。