基于超像素的高分遥感影像分割算法

向泽君，蔡怤晟，楚 恒，黄 磊

(1.重庆邮电大学 通信与信息工程学院，重庆 400065；2.重庆邮电大学 重庆高校市级光通信与网络重点实验室，重庆 400065；3.重庆邮电大学 泛在感知与互联重庆市重点实验室，重庆 400065；4.重庆市规划局，重庆 401121；5.重庆市勘测院，重庆 400020)

0 引 言

影像分割在面向对象信息提取和分析中起着关键作用，也是遥感影像处理中极为重要的预处理步骤。其技术具有广阔的应用前景，其分割结果的好坏将直接影响后续的面向对象提取和分析[1,2]。超像素分割是近年来快速发展的一种图像分割方法。目前常用的超像素分割方法有：基于熵率[3]、SEEDS(superpixels extracted via energy-driven sampling)[4]、LSC(linear spectral clustering)[5]、MS(mean shift)[6]和SLIC[7](simple linear iterative clustering)等。董志鹏等[8]通过超像素与最小生成树结合，以克服影像噪声对分割结果的影响，并平衡影像分割中的过分割与欠分割现象，从而获得整体良好的影像分割结果。肖明虹等[9]对影像进行分割，通过改变对象数目来获取多个不同尺寸大小的超像素区域，再与多种方法融合叠加，能够得到较好的检测效果，但其只采用了单一的光谱特征。文献[10]在初始超像素分割后，先通过光谱特征进行局部合并后，再结合形状特征进一步合并分割区域，能够得到不错的分割效果，但是逐步的区域合并，仍然是通过单一特征信息单独判断，在单阶段过程中存在误差。文献[11]结合了光谱和形状特征对超像素分割图像进行合并，但需要人工设定初始边界值，自动化程度较低且易受到初始分割图斑大小影响。

本文提出一种基于超像素的分割算法，通过计算初始分割图斑的同质性和异质性，并结合纹理特征和光谱、形状特征来对初始分割结果进行合并，以达到提高影像分割精度并保持稳定性的目的。

1 超像素分割

遥感影像有时存在颜色偏暗、对比度不高的问题，所以在图像分割之前，先对获取的影像进行预处理。

1.1 对比度拉伸

线性拉伸是比较常用的调节图像对比度的方法，其通过计算图像的像素值然后按照既定的比例变化来拉伸图像，达到调整对比度的目的。先得到图像的直方图，然后将图像亮度的阈值设定为2%，这样就将图像低于2%和高于98%的部分去掉以后再进行线性拉伸，绝大多数的异常值都能去除。

1.2 SLIC算法

SLIC具有运行速度快，像素块紧凑整齐，轮廓保持良好，邻域特征比较容易表达等特点。本文选用此方法进行超像素分割。其通过计算像素间的空间距离和色彩距离来进行聚类。

距离相似度根据lab空间和二维坐标计算，定义如下

(1)

(2)

(3)

其中，dc表示lab颜色空间中像素点之间的差异，dij表示两点之间的位置差异。S是两个种子点之间的距离。D表示像素之间的相似程度，其中m是一个常数，表示颜色和位置之间的重要程度，m越大，则超像素的分块效果越均匀紧凑。

1.3 对象间的一致性

文献[12]综合对象间的同质性和异质性，通过光谱均值和标准差来计算其分割质量，以达到最优分割效果。

同质性：通过计算各个超像素内部的光谱标准差来表达其同质性

(4)

其中，Nk表示超像素k的内部所含像元个数；vk表示第k个超像素的标准差；n为初始影像分割时超像素的总个数，f表示超像素内部的同质性。

异质性：Moran’s 指数[13]是一种能够表示超像素之间异质性的指数。通过计算邻接超像素之间的光谱均值来判断其相关性，计算公式如下

(5)

2 本文算法

2.1 特征提取

针对不同地物光谱具有很大的相似性，存在“同谱异物”和“同物异谱”的问题，本文在原一致性算法仅考虑光谱特征的基础上，再加入纹理均值、标准差、形状的长宽比和面积等4个特征信息作为评价标准。

2.1.1 纹理特征

灰度共生矩阵(grey level co-occurrence matrix，GLCM)是通过计算图像灰度的空间相关性来描述纹理特征的。标准差是对影像的像素值和全局均值偏差的度量，能够在一定程度上类似于对比度和非相似性。建立一个正方形矩阵P，公式如下

(6)

(7)

其中，Mi,j表示纹理特征的均值，S表示标准差；n表示影像的最大灰度级数；Pi,j表示在矩阵中的位置；m为影像的总像素个数。

2.1.2 形状特征

长宽比：影像中道路表现具有明显的形状特征，使用长宽比能较好的描述道路与建筑之间的差异。通过计算区域对象的最小外接矩形的长度与宽度比R来近似区域对象的长宽比

(8)

其中，L为外接矩形的长；W为外接矩形的宽。

面积：不同超像素中包含的地物类别不同，像元个数也不同。在一幅影像图中，默认一个像素的面积为1。越大的超像素所占比例越大，在合并时加入面积特征能够增强不同超像素之间的稳定性

(9)

2.2 多特征综合

将以上4种特征结合光谱均值和标准差，组成一个特征向量空间：CT=(v,y,S,M,R,A)。 为避免不同特征向量之间数值大小的影响，方便对比计算，对各特征分配相同的权重并进行归一化处理，使结果位于 (0,100) 之间

(10)

其中，XN表示归一化后的特征向量；x表示单一特征值；xmax为该类特征值的最大值，xmin为最小值。

2.3 改进对象一致性算法

将融合后的特征向量作为评价标准加入到式(4)和式(5)中

(11)

(12)

2.4 对象合并策略

根据文献[12]，采用式(13)为分割质量评价函数，计算公式如下

F(f,I)=υF(f)+(1-υ)F(I)

(13)

其中，F(f) 表示超像素的同质性，F(I) 表示异质性。υ表示同质性所占权重，1-υ表示异质性所占权重，范围在0到1之间。

将改进后的异质性和同质性评价函数代入式(13)中，作为全局评价标准。并对F(f) 和F(I) 进行归一化处理，公式如下

(14)

(15)

其中，fmax和fmin表示超像素同质性的最大值和最小值；Imax和Imin表示异质性的最大值和最小值。

为了得到最优分割效果，理想情况下最优效果即对象间异质性较大，且对象内部同质性较大；以此为目标建立如下算法流程：①设置分割种子数，得到初始分割结果；②按照异质性最大的原则，计算相邻超像素之间的异质性，合并异质性最小的两个超像素；③每次合并后，计算合并后区域异质性与其内部同质性，得到新的F1(f,I)，若小于原始的F(f,I)，则保留合并区域，形成新的分割区域，反之返回步骤②；④第t+1次的合并是在第t次合并的基础上进行的，直至合并后所有的全局最优尺度函数达到最大值，或者所有的区域都合并完毕，则停止合并。

3 实验结果与分析

本文采用重庆某地的卫星遥感影像进行分割实验，分辨率为1.0 m，像素为644×413，由R(630 nm-690 nm)、B(450 nm-510 nm)、G(510 nm-580 nm)组成的颜色空间表示。

本次实验在CPU：Inter i7，内存：16 GB，操作系统：Window10，Matlab R2014a平台上操作。在进行图像预处理后，对影像进行SLIC超像素分割,得到初始分割结果如图1所示。

图1 SLIC超像素分割

该分割算法能够较好的分割影像，形成边缘清晰，同质性高的均匀像素块，直观体现了较为清晰的纹理特点。通过改进的策略对初始分割结果进行合并，调整υ的权重得到最优分割效果如图2～图4所示。

图2 实验一υ=0.5分割效果

图3 实验一υ=0.6分割效果

图4 实验一υ=0.7分割效果

图1地物细节较少，且地物分布均匀规则。通过调整υ权重：如图2所示，当异质性权重较大时，则分割尺度较小，地图类别较为突显，同类别地物易出现过分割现象；如图4所示，当同质性占权重大时，异质性权重小，则影像分割尺度较大，不易产生过分割现象，类别区分较为清晰。

将本文算法与其它3种方法进行对比分析：图5(b)多尺度分割方法；图5(c)最优尺度算法；图5(d)本文算法。其中图5(b)中多尺度分割通过eCognition软件实现，分割尺度=100，形状因子=0.2，光谱因子=0.7。图5(c)中最优分割数为64；本文算法权重参数υ为0.6。

图5 不同方法实验结果(一)

从直观的视觉效果来分析，图5(b)多尺度分割的方法的边缘破碎较为严重，道路提取不完整，部分植被被错分成了道路，部分房屋和土地相混淆，存在误分错分和过分割的现象。图5(c)中通过计算对象的同质性和异质性，得到最优分割个数算法虽然取得的分割效果稍好，形状基本完整但是在背景影像中存在一些过分割的现象，受光照因素影响，道路和土地中一些个体对象类别被突出表示，且道路和建筑存在过分割和误分情况。而在图5(d)本文方法中，分割效果明显优于前两项，分割边缘较为清晰，细节丢失较少，将同一类别中因光谱异变点剔除，区域之间类别能够明显区分。且因加入纹理特征，对阴影和建筑接触的位置也能达到较好的分割效果。

客观评价：本文通过将分割图像得到的图斑进行分类对比，将分割区域进行标记，对实际分割所含像元个数与实验分割图中所含像素个数进行计算，求其混淆矩，计算其分类精度和Kappa系数来客观地评估不同方法的优劣，计算结果见表1。本文算法总体分割精度达到95.8%，相比于多尺度分割算法和文献[13]中最优尺度算法体分割精度分别提高7.13%和2.2%。

表1 实验一分割方法综合评价结果

表1为3种不同方法对两幅影像的客观评价结果，根据两种评价可以得出：改进的超像素分割合并算法的分割效果要优于其它算法的，不但分割精度得到了提高，分割后损失的细节较少，边缘更清晰，地物类别分割较为明确，直观效果好。

为了进一步验证本文算法的合理性和正确性，另选用重庆某城乡区域像素为424×560的航天遥感影像作为实验图。相较于实验一，实验二影像所包含地物细节更多，受光照影响更严重，地物特点变化更大，实验二SLIC分割效果如图6所示。

图6 SLIC超像素分割

本文算法不同尺度效果如图7～图9所示。

图7 实验二υ=0.4分割效果

图8 实验二υ=0.5分割效果

图9 实验二υ=0.6分割效果

实验结果对比如图10所示。

图10 不同方法实验结果(二)

从分割结果和表2的评价标准可以看出：本文方法比实验中所用到的最优尺度评价方法和多尺度分割方法，分割精度分别提高了2.37%和6.88%，Kappa值也明显高于其它两种算法。由此可知，本文算法有较好的分割效果。

表2 实验二分割方法综合评价结果

4 结束语

本文针对超像素分割后的像斑合并问题进行改进，基于SLIC的超像素分割通过计算空间距离抑制了噪声的影像，增加其分割的稳定性；并在考虑光谱信息的前提下加入纹理和形状信息进行联合判别，使其受光谱影响问题降低，算法更精确，分割区域之间的边缘更清晰；相对于最优尺度分割算法的不可更改性，本文算法能够通过调整少量参数，根据实验需求和影像达到不同的分割效果。综合实验结果对比分析表明，本文方法分割效果更好，精度更高。但本文方法还存在一些问题，分割过程中易受小物体干扰，例如道路中的汽车或者楼顶的小建筑等；在计算中考虑光谱和纹理、形状信息仍然不够完善，某些道路和建筑因为空间位置关系存在错分误分的情况。如何解决这些问题还需要继续研究。