《测绘学 》
构建与学术的桥梁 拉近与权威的距离
董志鹏1, 王密1,2
1. 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079;”>
收稿日期：2016-10-24;”>
基金项目：国家自然科学基金（91438203）；国家973计划（2014CB744201）
A High Resolution Remote Sensing Image Segmentation Method by Combining Superpixels with Minimum Spanning Tree
DONG Zhipeng1, WANG Mi1,2, LI Deren1,2
Abstract: Image segmentation is the basic and key step of object-oriented remote sensing image analysis. Conventional image segmentation method is sensitive to image noise and hard to determine the correct segmentation scale. To solve these problems, a novel image segmentation method by combining superpixels with minimum spanning tree was proposed in this paper. First, the image is over-segmented by simple linear iterative clustering algorithm to obtain superpixels. Then, superpixels are firstly clustered by regionalization with dynamically constrained agglomerative clustering and partitioning algorithm using the initial segmentation number and the sum of squared deviations (SSD), local variance (LV), rate of LV change (ROC-LV) index of graphs corresponding to the segmentation number are obtained. So the suitable image segmentation number is determined according to the SSD, LV, ROC-LV index of graphs corresponding to segmentation number. Finally, superpixels are reclustered by regionalization with dynamically constrained agglomerative clustering and partitioning algorithm based on the suitable segmentation number. The experimental results showed that the proposed method can obtain good segmentation results.
Key words: high resolution remote sensing image remote sensing image segmentation superpixels clustering region merging
随着对地观测卫星技术的发展，高分辨率的遥感影像已经应用到城市规划、作物分类、灾害检测等领域[1]。影像分割作为高分辨率遥感影像信息提取与目标识别的前提和基础，是实现从数据到信息的对象化提取的过渡环节和关键步骤，具有十分重要的地位[2]。相对于中低分辨率遥感影像高分辨率遥感影像拥有更加丰富的地物信息，如清晰的地物轮廓形状信息、明显的纹理信息等，但也增加了影像噪声对影像分割的影响[3-4]。传统的基于像素的影像分割方法如mean-shift算法[5]、分水岭算法[6]等易受高分辨率影像中“椒盐”噪声的影响，难以得到理想的分割结果。面向对象的影像分割方法可以克服影像中“椒盐”噪声的影响[7]，并利用对象的结构、光谱信息等特征提高影像分割的精度，如文献[1]结合对象结构和光谱特征实现影像分割，文献[8]利用对象光谱、结构和纹理信息分割影像，文献[9]结合对象形状和光谱特征进行影像分割，文献[10]利用对象光谱和纹理实现影像分割，eCognition软件中的FNEA算法根据对象形状与光谱实现影像分割[11]，但面向对象的影像分割方法需要调整分割尺度来获得合适的影像分割结果，而合适的分割尺度又难以确定。
1 方法
图 1 分割流程图Fig. 1 The flow chart of the proposed approach
图选项
1.1 超像素的生成
文献[12]提出了超像素这一概念，所谓超像素是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。文献[13]提出SLIC算法生成超像素。该算法将彩色图像转换为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造度量标准，对图像像素进行局部聚类生成超像素[14]。相对于分水岭算法、区域增长算法、基于图的图像分割算法[15]等传统的影像过分割算法生成的超像素，SLIC算法生成的超像素具有更好的地物边界依附性、更加规则紧凑的形状，并且SLIC算法可以人为控制生成超像素的个数和具有良好的抗噪性[16]。SLIC算法的具体步骤为：
(1) 初始化种子点。假设影像中有N个像素点，预设将影像分为K个大小均匀超像素，则每个超像素的大小为N/K。将初始划分矩形格 中心处的像素作为超像素的种子点，且每个种子点间的距离近似为
。为了避免种子点被分配于影像的边缘位置，对后续的聚类过程造成干扰，将种子点在以它为中心的3×3的窗口内移动到梯度值最小的位置，并为每个种子分配一个标签。
(2) 相似性度量。计算影像中像素与种子点间的相似程度，将最相似种子点的标签赋给该像素。通过不断迭代相似性判断过程，直到收敛，则相似性的度量关系如下
(3)
式中，[lkakbkxkyk]为种子点的5维特征向量；[liaibixiyi]为待判断像素点的5维特征向量；dlab为像素点间的颜色差异；dxy为像素点间的空间距离；D为两个像素的相似度；S为种子点的间距；m为平衡参数，用来衡量颜色值与空间信息在相似度衡量中的比重。D取值越小，说明两个像素越相似。
对于影像中像素与种子点相似性判断时，只在以种子点为中心的2S×2S区域内搜索相似像素点，而不是在整张图像中寻找，如图 2所示。
图 2 像素搜索范围示意图Fig. 2 Pixel search scope
图选项
(3) 后续处理。SLIC算法有时会使属于同一标签的超像素内的像素不连通，会产生一些孤立的像素。对于这种现象在聚类分割结束后进行后续处理，使孤立像素被重新分配到距离它空间距离最近的超像素中，从而生成紧凑且连通的超像素。
1.2 超像素的合并
图 3 超像素合并流程示意图Fig. 3 Diagram of merging superpixles
图选项
(4)
(5)
(6)
相邻超像素之间的属性差异Ci,j计算公式如式(7) 所示
式中，ni为第i个超像素所包含的像素点的个数；Rk、Gk、Bk为第i个超像素中包含的第k个像素点的R、G、B属性值；Ci,j为超像素i与超像素j之间的光谱差异。
1.3 分割数的确定和超像素的重新合并
REDCAP算法唯一的参数设置是输入最终生成子树的个数即最终影像的分割数，当切割生成多少子树时能够得到合适的影像分割结果，这里涉及到尺度问题。关于研究空间格局的最佳尺度，文献[18]认为在某一空间分辨率水平下，若空间格局得以体现并且模型运行的结果能获得有重要意义的转变，那么这个空间分辨水平就是合适的，或者说对于研究该问题来说是最佳的。文献[19]提出用量测不同分辨率景观地物之间的相互关系，通过利用一个n×n像素的移动窗口，来计算窗口内像素光谱属性标准差的均值，即局部方差，最后形成局部方差曲线图得到最佳影像分辨率。其中包含的逻辑思想是“如果影像的空间分辨率优于场景中物体的大小，n×n窗口内像素相似性较高，求得的局部方差值较低。如果影像的空间分辨率与场景中物体大小相近，n×n窗口内像素相似性较低，求得的局部方差值较高。通过局部方差探索影像中像素间的自相关性”[20]。
文献[21]对局部方差法进行改进提出尺度参数评价(estimation of scale parameter，ESP)理论，用多尺度分割代替n×n窗口，求得不同分割尺度对应的LV值。根据不同尺度对应的LV值得到分割尺度-LV曲线图，在曲线图趋于平稳时对应的尺度能有效反应影像的空间结构，则影像有意义的分割尺度处于该尺度范围内。在有意义的尺度范围内求得不同尺度对应的ROC-LV值，画出分割尺度-ROC-LV曲线图，分割尺度-ROC-LV曲线图反映LV值从一种物体到另一种物体的改变，在曲线图中当ROC-LV值剧烈变化时对应的尺度是有意义的，根据得到的有意义尺度获得影像的多尺度分割结果。
根据得到的合适影像分割数用REDCAP算法对超像素重新聚类合并，得到最终的影像的分割结果。
对超像素进行聚类合并，每次合并的影像分割数对应的SSD、LV、ROC-LV的计算公式如下
(8)
(9)
式中，N为设定的分割数即分割得到的子树的个数；r为设定的N棵子树中第r棵子树的标签；i为标签为r的子树中第i个超像素的标签；j为标签为i的超像素属性j的标签；nr为标签为r的子树中所包含的超像素的个数；d为超像素的属性个数；xrij为子树r中i超像素的j属性值；xrj为子树r中所有超像素的j属性均值
(10)
式中，LN为分割数为N的LV值；LN+1为分割数为N+1的LV值；所求的ROC值即为分割数为N所对应的ROC-LV指标。
1.4 分割结果评价
2 试验结果与分析
2.1 试验1
2.1.1 试验数据
试验1使用的数据为美国佛罗里达州城区的QuickBird全色及红、绿、蓝多波段经PANSHARPEN融合后的影像，影像大小为512×512像素，各波段分辨率为0.61 m。该影像主要包括房屋、道路、湖泊、树林等地物如图 4(a)，影像过分割生成超像素的结果如图 4(b)。
图 4 试验1影像数据Fig. 4 Remote sensing image of test 1
图选项
2.1.2 影像分割数选择
用REDCAP算法对超像素进行聚类合并，初始设定把超像素合并为200个区域，根据每次合并的分割数对应的SSD值、LV值、ROC-LV值，画出分割数-SSD值、分割数-LV、分割数-ROC-LV指标图如图 5(a)、(b)、(c)。在图 5(a)、图 5(b)中当分割数大于100时走势图趋于平稳，则影像合适的分割数处于分割数大于100的范围内。在图 5(c)中，当分割数为106、119、150、160、176、192时ROC-LC值剧烈变化，则将超像素合并为106、119、150、160、176、192个区域时对应的分割结果是有意义的，经过目视判别当超像素合并为106个区域时整体分割效果最好，则将超像素合并为106个区域时作为影像的分割结果。
图 5 试验1指标图Fig. 5 The index chart of test 1
图选项
2.1.3 目视评价
图 6 试验1结果Fig. 6 The experimental results of test 1
图选项
2.1.4 定量评价
表 1 试验1分割测试结果Tab. 1 Segmentation results of test 1
表选项
2.2 试验2
2.2.1 试验数据
试验2使用的数据为美国佛罗里达州郊区的QuickBird全色及红、绿、蓝多波段经PANSHARPEN融合后的影像，影像大小为512×512像素，分辨率为0.61 m。影像中主要包括道路、河流、森林、草地、耕地等地物如图 7(a)。对影像过分割处理生成超像素结果如图 7(b)。
图 7 试验2影像数据Fig. 7 Remote sensing image of test 2
图选项
2.2.2 影像分割数选择
初始设定REDCAP算法把超像素合并为120个区域，得到每次合并的分割数对应的SSD值、LV值、ROC-LV值，根据得到的分割数对应的SSD值、LV值、ROC-LV值画出分割数-SSD、分割数-LV、分割数-ROC-LV指标图如图 8(a)、(b)、(c)。在分割数-SSD指标图、分割数-LV指标图中当分割数大于40时走势图基本趋于平稳，则影像合适的分割数处于分割数大于40的范围内。在分割数-ROC-LV指标图中，当分割数为44、52、56、72、82、87时ROC-LV值发生剧烈变化，则分割数为44、52、56、72、82、87时的分割结果是有意义的，经过目视对比观察当分割数为44时影像的整体分割结果最好，则影像合适的分割数为44。
图 8 试验2指标图Fig. 8 The index chart of test 2
图选项
2.2.3 目视评价
图 9 试验2结果Fig. 9 The experimental results of test 2
图选项
2.2.4 定量评价
表 2 试验2分割测试结果Tab. 2 Segmentation results of test 2
表选项
3 结论
【引文格式】董志鹏，王密，李德仁。 一种融合超像素与最小生成树的高分辨率遥感影像分割方法[J]. 测绘学 ，2017，46(6)：734-742. DOI:
10.11947/j.AGCS.2017.20160514
声明：本站部分文章内容及图片转载于互联 、内容不代表本站观点，如有内容涉及侵权，请您立即联系本站处理，非常感谢！