基于聚類改進的河流水體遙感圖像處理算法

屈艷紅

摘要： 采用合適的圖像分割技術及數據模型，是準確解譯衛星遙感河流影像的關鍵環節。針對當前存在的技術問題，從提高遙感河流圖像分割的準確性與抗噪性出發，提出了一種基于煙花優化K-Means聚類與學生 t 分布混合模型（Student′s t-distribution Mixture Model，TMM）的遙感圖像分割新算法。該算法首先采用煙花算法（Fireworks Algorithm，FA）來求解K-Means聚類的初始聚類中心，提高了聚類效果，可獲得遙感圖像的初步分割結果。然后，以初步分割結果作為初始值，建立學生t分布混合模型（TMM），采用EM算法確定參數最終值，并借助Bayesian公式完成圖像二次分割。最后進行了算例驗證，驗證結果顯示新方法在分割精度和穩定性方面，都較現有算法表現更優，可更為有效地實現遙感河流影像的解譯。

關 鍵 詞： 遙感圖像; K-Means; 聚類原理; 學生 t 分布混合模型; 煙花算法

中圖法分類號： ?TV21

文獻標志碼： ?A

DOI： 10.16232/j.cnki.1001-4179.2022.03.031

0 引 言

中國水資源總量居世界前列，河流是儲存水資源的重要載體之一。中國西高東低的階梯狀地貌總體特征決定了主干河流的總體流向，此起彼伏的山川大地也形成了蜿蜒繞行的自然河道。為合理配置水資源、防治水旱災害、規劃涉水區生態環境保護，促進人水和諧，應當準確查明這些河道水網的分布范圍和地形特征? [1] ，獲取河流功能區建設開發現狀。受限于流域水體分布廣泛，涉及江河湖泊灘沼等多種水資源賦存形式，野外現場勘察的方式不僅費時耗力，而且效率也難以滿足實際需求。中國航天科技事業的快速進步極大促進了遙感測繪技術的發展，使其具有探測覆蓋區域廣、探測科目多、數據快速反饋且更新及時等多種優勢。目前，基于衛星遙測技術的水資源調查已成為國土資源調查的重要手段? [2-3] ，能夠有效提升效率，并且降低成本。

因此，采用合適的技術方法對衛星傳回的數據進行分析，成為解譯遙感河流影像的關鍵，主要包括圖像分割技術和圖像分析時的數據模型環節。圖像分割技術根據其實施原理可劃分為閾值、聚類和邊緣檢測等3種主要類型。其中，基于聚類原理的圖像分割技術中K-Means方法因原理簡單、可操作性強而被大量應用，但該方法存在需要事先人工設置并確定一系列參數值的缺點。許多學者進行了嘗試，提出了旨在改進優化K-Mean算法的思路，如群智能算法? [4-5] 。另外，對遙感圖像特征數據進行模擬時，涉及到數據模型的選用問題。Gauss模型作為常見的數據模型在實際中應用較廣，但噪聲的干擾無法消除，且對于樣本尾部的擬合度相對欠佳。針對上述遙感河流影像解譯過程中的技術問題，本文首先引入煙花算法（Fireworks Algorithm，FA）? [6] 對經典的K-Means算法進行改進，從而提高其聚類效果，獲得遙感圖像的初步分割結果。然后，引入學生 t 分布來替換Gauss分布? [7] ，形成學生 t 分布混合模型（Student′s t-distribution Mixture Model，TMM），并利用EM算法求解模型參數，從而得到遙感圖像的最終分割結果。實驗數據表明，本文所建立的算法可有效提高河流圖像檢測準確率、精確率，得到良好檢測結果。

1 基本方法

1.1 基于煙花算法的K-Means方法改進

1.1.1 K-Means聚類算法及其缺陷

K-Means聚類算法核心是通過 T次迭代將給定的n個對象劃分成g類 。主要步驟如下：

（1） 隨機選定 g個初始聚類中心C? j （t），將 X ={x? 1 ，x? 2 ，…，x? n }劃分為g個聚類W? j ，其中t=1，2，…，T，j=1，2，…，g 。

（2） 針對樣本集? X 中每個元素x? i ，計算其到每個聚類中心C? j （t）的距離Dist（x? i ，C? j （t）） 。

（3） 根據 C j（t+1）= 1 n j ???x j???? i ∈W j? x i 重新計算各聚類中心，其中 n j為第j個聚類W? j 的對象數目，x j i為W? j? 的數據對象。聚類目標函數可寫為

f（r + 1）=? g ?i=1???? w∈W j? |w-C j（t+1）| 2 （1）

式中， w表示聚類W? j? 中的元素。

（4） 若 |f（t+1）-f（t）|<δ ，運行結束，否則返回步驟（2），直到滿足條件。

K-Means聚類方法原理簡單，易于實現。實際應用過程中，需要人工設置初始聚類中心，不同的聚類中心對算法結果影響較大，本文采用群智能煙花算法來對此加以改進。

1.1.2 煙花算法的改進思路

本文采用煙花算法改進上述問題? [6] ，該算法是近年提出的群智能算法，主要由以下3部分組成。

（1） 爆炸算子。 令f（x）為目標函數，當f（x）取最小時為最優。令X（N）代表第N代種群，x i∈X（N） （i=1，2，…，n） 為種群所屬的個體，則每個x i有d維， 產生火花數目為

s i=m· y?? max? -f（x i）+ξ ??n ?i=1? （y?? max? -f（x i））+ξ? （2）

個體 x i 的爆炸半徑為

A i=A? ^ · f（x i）-y?? min ?+ξ ??n ?i=1? （f（x i）-y?? min? ）+ξ? （3）

式中： m為參數，可實現n個火花總數的控制;s i為個體x i產生煙花個數;A i為爆炸半徑。y?? min? = min f（x i），y?? max? = max f（x i） （i=1，2，…，n）分別對應n個煙花中目標函數的最小（最佳）與最大值（最差）。ξ 是機器能表示的最小整數? [10] 。

對于爆炸半徑，采用文獻[8]建議的方法做改進：

A i=A i/N?? iter?? （4）

式中： N? ?iter 表示當前算法進化的迭代次數。

爆炸火花按式（5） 計算產生

x k? ij =x k i+A irand（-1，1） （5）

其中， x i為個體i，k為維數，j為火花的序號。rand （ -1 ，1）為[-1，1]區間內的分布型式，屬于均勻分布。

（2） 變異算子。Gauss變異火花如式（6）所示：

x k i=x k i+（x k B-x k i）e （6）

式中： e=N（0，1） 為隨機數，服從標準正態分布， x B 為求得的當前最優個體位置。

（3） 選擇策略。在進行下一次爆炸之前，需要從煙花、火花以及變異這3個種群中（令 W（t） 表示這3個種群）選擇出優秀的 n 個個體，進入下一代種群，本文采用輪盤賭方式選擇。設被選中的概率為 p i ，公式如下：

L（w??? i）=?? W（t）?? j=1? ‖w i-w j‖ （7）

p（w i）= L（w i） ???j∈W（t）? L（w j）? （8）

式中： L（w i）為個體w i 與其他個體距離之和，此處采用歐氏距離。

本文首先運行煙花算法獲得一個初始解，作為K-Means算法的輸入，然后發揮K-Means算法的優點進行局部尋優，以此找到一個全局最優解 （C 1，C 2，…，C g） ，從而完成初步分割。

1.2 學生 t 分布混合模型及模型參數求解

1.2.1 圖像二次分割思路

以基于煙花算法的K-Means聚類改進方法的圖像初步分割結果為初始值，進一步建立學生 t 分布混合模型（TMM）? [7] ，并采用EM算法求解模型參數，獲得圖像的二次分割結果。

1.2.2 學生 t 分布混合模型

采用基于學生 t 分布混合模型時，待分類的河流遙感數據相當于是由多個單獨的 t 分布模型加權混合而成。采用文獻[9-10]的方法可得到數據具體歸屬的 t 分布模型的概率。

假設特征向量集? X = （x? T? 1，x? T? 2，…，x? T? n）?? T 長度為n，其中每個元素為d維，令β j 為混合系數（滿足?? g ?j=1? β j=1 ），則 g個t分布依據混合系數β j 混合而成的概率密度函數為

f（x i;Ψ）=? g ?j=1? β jφ j（x i;θ j） （9）

式中： x i為d維觀測值;θ j包含均值向量μ j、 方差矩陣???? j 、自由度參數 v j ，一般記作 θ j={μ j，? j，v j} ，代表未知參數向量集; Ψ=（β 1，…，β g，θ 1，…，θ g）;給定值φ j（x i;θ j）代表觀測值x i的概率密度函數（維度為d），該觀測值來自第j個t 分布混合成分，由式（10）給出：

φ j（x i;θ j）=t d（x i;μ j，??? j，v j） = Γ? v j+d 2? ??????j ???- 1 2 ????πv j ????d 2 ?Γ ?v j 2?? ??1+ δ x i，μ j;??? j? v j? ???- V j+d 2 ???（10）

式中： δ（x i，μ j;??? j）= （x i-μ j）?? T????? -1? j（x i-μ j），Γ（s） 為Gamima函數。

令? Y = （X? T ，z? T? 1，z? T? 2，…，z? T? n）?? T 為完全數據向量集，其中， X = （x? T? 1，x? T? 2，…，x? T? n）?? T 為給定不完全數據向量集（這些集合屬獨立同分布型）， z ?i= （z? i1 ，z? i2 ，…，z? ig ）?? T ， z ??ij? 為標記向量。則完全數據集的對數似然為

L（Ψ|Y）= lg f（Y|θ）=? n ?i=1??? g ?j=1? z? ij? lg [β jφ（x i;θ j）] （11）

1.2.3 基于EM算法的模型參數求解

采用EM算法獲得最大似然估計的混合參數。該方法主要由E步和M步2步組成，相應的參數估計過程為? [10-11] ：

E步，來自第 j個分量觀測樣本x i 后驗概率為

τ? （k）?? ij? = β? （k）? jφ j（x i;θ? （k）? j） ??g ?l=1? β? （k）? lφ l（x i;θ? （k）? l）

= β? （k）? jt d（x i;μ? （k）? j，???? （k）? j，v? （k）? j） ??g ?l=1? β? （k）? lt d（x i;μ? （k）? l，?? （k）? l，v? （k）? l）? （12）

M步，迭代 k+1 次后，混合參數的更新估計為

β? （k+1）? j= 1 n ??n ?i=1? τ? （k）?? ij? （13）

迭代 k+1 次后的均值向量的更新估計為

μ? （k+1）? j= ??n ?i=1? τ? （k）?? ij ω? （k）?? ij x i ??n ?i=1? τ? （k）?? ij ω? （k）?? ij? ?（14）

迭代 k+1 次后的方差矩陣的更新估計為

（k+1）? j= ??n ?i=1? τ? （k）?? ij ω? （k）?? ij （x i-μ? （k+1）? j） （x i-μ? （k+1）? j）?? T??? n ?i=1? τ? （k）?? ij? ?（15）

重復執行上述2步，直到收斂或者滿足退出要件時停止迭代，此時即確定了樣本的混合分布模型。然后，根據Bayesian公式求取像素后驗概率，實現像素 x i 歸屬類別的辨識，最終完成圖像的二次分割。

1.3 改進算法流程圖

以上提出的煙花優化K-Means 聚類與學生 t 分布混合模型算法的流程如圖1所示。

2 應用效果驗證與分析

2.1 評價方法及評價準則

以Matlab 為基本平臺進行效果應用評價，主要在添加噪聲的合成圖像以及真實河流遙感圖像上進行。實驗評價準則為信噪比（PSNR）和信息變化（VI）? [12] 。對比算法包括基于空間約束Students-T混合模型的模糊聚類圖像分割方法（FCM-SCSMM）? [13] 、文獻[14]提出的快速和魯棒性的學生 t 分布混合模型法（FR_SMM），以及本文提出的煙花K-Means聚類與 t 分布混合模型（KFA_TMM）算法。實驗將煙花算法改進后的K-Means算法（K-Means with FA，KFA）也作為對比算法（即僅引入煙花算法優化K-Means聚類劃分，但未考慮學生 t 分布混合模型的圖像二次分割）。

2.2 驗證算例

可見，本文方法能夠在噪聲環境下實現圖像分割，不但相鄰區域的邊界分割的非常清晰，每個區域內部圖像噪聲點也更少，更加接近原圖，這表明本文算法的抗噪性強。另外，為驗證本文算法的抗噪性，對合成圖像添加不同程度的噪聲進行污染，運行結果如圖3所示。其中，添加的Gauss噪聲均值為0，方差分別為 0.01 ，0.03，0.05，0.07，0.09，椒鹽噪聲密度分別為 0.05 ，0.10，0.15，0.20，0.25，0.30。

根據圖3（a），當Gauss噪聲方差量值遞增時，（VI）值也增大，這提示Gauss噪聲存在負面作用，會影響算法的分割效果。然而，從圖中曲線增幅不大這點可以看出這種影響不大。同理可以看出，噪聲對信噪比（PSNR）的量值影響不大，因此曲線降幅不大。這些結果表明本文算法具有較好的抗噪性。圖3（b）中椒鹽噪聲的情況類似。

2.3 應用實例及對比分析

為進一步驗證本文所提出的分割算法的有效性和泛化性，選取不同場景下的河流遙感圖像作為測試樣本，圖像大小為256×256像素，垂直和水平分辨率各為96，位深為24。圖4和圖5中的樣本圖像來自百度地圖，其中，圖4（a）為黑龍江省漠河市龍江第一灣風景區遙感圖像，圖5（a）為黃河鄭州段南裹頭景區附近河道遙感圖像。圖6中的測試樣本來自遙感圖像場景分類數據集NWPU-RESISC45? [15] ，編號為117河流圖像，場景數據集中的河流場景圖像在陸地和河流區域具有相近的灰度特征和復雜的紋理分布背景，增加了遙感圖像的分割難度，滿足驗證所提分割算法的準確性和魯棒性的需求。

實驗的測試結果顯示，4種算法都能達到圖像分割的目的，但具體的分割效果和精度存在較大差異。

KFA是基于K-means算法，陸地的干擾使得分割算法檢測丟失了大量的細節部分尤其是邊緣信息，出現了諸如將圖像中灰度值比較低的河流淺水區域判斷為陸地區域等過分割現象。

FCM-SCSMM算法在分割過程中引入了空間約束，FR_SMM算法將幾何先驗知識融入到水平集模型并采用Student′s-t混合模型對圖像的灰度分布進行建模以提高圖像分割的魯棒性和準確性，這2種分割算法較KFA算法應用效果改進較大，但是噪聲響應敏感性較高，容易導致孤島效應。同時，由于山脈和陸地等紋理的影響，這2種算法容易錯誤地將淺水區域判別為陸地區域，而陸地區域低灰度區域誤判為河流，導致分割結果不理想，在河流與陸地的灰度對比明顯的時候，分離結果較為理想。

本文所提出的算法分為2個步驟。首先，利用群智能煙花算法，對K-Means聚類的初始聚類中心進行優化來完成圖像的初始分割。然后，在初始分割的基礎上，建立Student′s-t混合模型完成圖像的二次精準分割。所提分割算法能夠解決遙感圖像分割存在的區域細節問題，較好地克服了圖像灰度不均、噪聲、地物邊緣混疊等現象所帶來的分割困難，能夠抑制淺水區域、陸地和山脈紋理對分割算法的干擾，分割結果中島嶼以及橋梁具有邊緣完整性。

3個河流遙感圖像樣本的分割結果評價指標如表1所列。表1統計評價指標顯示：本文方法的PSNR指標值分別為33.8，34.4和36.7，該指標遠遠高于其他3種算法的分割評價指標。本文方法的VI指標值分割為0.622，0.723和0.682，該指標遠遠低于其他3種算法的分割評價指標。由評價指標的含義來看，本文所提分割算法優于其余的3種算法，這一點與圖4～6中的分割結果基本一致。從運行時間來看，本文所提算法的運行時間分別為 11.27 ， 10.45 ?s和11.12 s，大于其他3種算法，但是在工程應用的實踐中，分割算法的準確性比消耗時間更重要。

3 結 語

針對河流遙感圖像的特點，本文提出了一種基于煙花優化K-Means聚類與學生 t 分布混合模型的圖像分割新方法，該方法以學生 t 分布有限混合模型為基礎，使用聚類算法對其進行優化。同時，采用群智能優化算法煙花算法來確定聚類初始值，以克服當前聚類算法的缺點。驗證算例和應用實例的結果都表明，本文方法具有更高的精度和更好的穩定性，可準確進行基于遙感圖像數據的河流數據識別，從而服務水文調查、水資源評估等實際應用場景，對水域情況勘察、水上航道規劃、洪澇隱患防范、水利設施建設等有著較好的現實意義。

參考文獻：

[1]? 劉晶，鮑振鑫，劉翠善，等.近20年中國水資源及用水量變化規律與成因分析[J].水利水運工程學報，2019（4）：31-41.

[2] 賀驥，王海鋒，郭利娜，等.遙感技術在水利強監管領域的應用研究[J].水利發展研究，2020，20（1）：14-17，38.

[3] 李昊，張穎，牛永生，等.利用遙感技術促進黃河水資源保護和管理[J].人民黃河，2009，31（3）：48-49.

[4] 戚娜，馬占文.基于萬有引力搜索算法圖像分割的實現[J].太赫茲科學與電子信息學報，2017，15（3）：475-479.

[5] KARAMI A，GUERRERO Z M.A fuzzy anomaly detection system based on hybrid PSO-Kmeans algorithm in content-centric networks[J].Neurocomputing，2015，149：1253-1269.

[6] TAN Y，ZHU Y.Fireworks algorithm for optimization[C]∥ Advances in Swarm Intelligence，First International Conference，Icsi，Beijing，Part I.Springer-Verlag，2010.

[7] 徐超，詹天明，孔令成，等.基于學生t分布的魯棒分層模糊算法及其在圖像分割中的應用[J].電子學報，2017，45（7）：1695-1700.

[8] 杜振鑫.基于種群進化速度的動態煙花算法[J].微電子學與計算機，2016，33（10）：24-27.

[9] 向日華，王潤生.一種基于高斯混合模型的距離圖像分割算法[J].軟件學報，2003，14（7）：1250-1257.

[10]? 盧印舉，段明義，李祖照，等.基于t分布混合模型改進的路面裂縫圖像分割方法[J].公路，2021（4）：40-46.

[11] PEEL D，MCLACHLAN G J.Robust mixture modeling using the t distribution[J].Stat. Comput.，2000（10）：339-348.

[12] 王曉君，甄云雙.寬帶干擾背景下的多陣元衛星導航信號模擬[J].太赫茲科學與電子信息學報，2020，18（2）：208-214.

[13] 趙泉華，李曉麗，趙雪梅，等.基于空間約束Students-T混合模型的模糊聚類圖像分割[J].控制與決策，2016，31（11）：2065-2070.

[14] GAO G，WEN C，WANG H.Fast and robust image segmentation with active contours and Student′s-t mixture model[J].Pattern Recognition，2017，63：71-86.

[15] CHENG G，HAN J W，LU X Q.Remote Sensing Image Scene Classification：Benchmark and State of the Art[C]∥Proceedings of the IEEE.105.1865-1883.10.1109/JPROC，2017：267599.

（編輯：鄭 毅）

Algorithm for remote sensing image processing of river water bodies ?based on improved clustering

QU Yanhong

（ Henan Water & Power Engineering Consulting Co.，Ltd.，Zhengzhou 450006，China ）

Abstract：

Using appropriate image processing techniques and data models is the key to accurately interprete satellite remotely sensed river images.Aiming at the current technical problems，this paper starts from improving the accuracy and noise resistance of remote sensing river image segmentation，and proposes a firework-based optimized K-Means clustering and students t-distribution Mixture Model （TMM）.The algorithm first uses the Fireworks Algorithm （FA） to solve the initial clustering center of K-Means clustering，which improves the clustering effect and can obtain the preliminary segmentation results of remote sensing images.By using the preliminary segmentation result as initial value，the TMM is established，the EM algorithm is used to determine the final value of the parameters，and the Bayesian formula is used to complete the secondary image segmentation.The validation results show that the proposed method is better than existing algorithms in terms of segmentation accuracy and stability，and can achieve the interpretation of remotely sensed river images more effectively.

Key words：

remote sensing image;K-Means;cluster method;students ?t ?distribution mixed model;fireworks algorithm