SLIC算法和OTSU算法结合的道路提取方法

吴激涛 刘 荣

(东华理工大学 测绘工程学院, 江西 南昌 330013)

0 引言

道路对于城市的治理和建设起着至关重要的作用,随着遥感影像分辨率越来越高,道路成了一种地物信息的重要获取源,因此寻求一种快速、精确的道路提取方法成为遥感影像处理的热门研究方向[1]。

传统的道路提取方法可分为模板匹配法、SNAKES模型法、边缘检测算子与光谱和纹理信息相结合的方法、根据影像纹理和影像光谱对影像分类后进行提取等[2]。上述方法都是基于影像像素的,因此,当目标道路周围的地物较为复杂，在处理分辨率较高的影像时会受到比较严重的噪声影响,提取的精度和效率也会随之降低。

本文使用的方法是基于超像素分割算法(Simple Linear Iterative Clustering, SLIC)和自适应阈值分割算法(OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法)相结合的道路提取方法。相比传统方法,使用本文方法对影像聚类时受到的图像中噪声的影响会更小,使K-means(K均值聚类算法)聚类后的影像更加准确,用绿色植被指数(Green Vegetation Index, GVI)将植被信息滤除,使用OTSU算法将过滤后影像进行分割，获取影像中的人工区域,通过面积特征指数将人工区域的非道路部分滤除,最后使用区域生长算法使提取的道路网更为完整。

1 SLIC与OTSU结合的道路提取方法

SLIC超像素分割与OTSU自适应阈值相结合的道路提取的主要步骤:

(1)对原影像使用SLIC超像素分割算法进行分割。

(2)使用改进的K-means聚类算法对分割后的超像素影像进行非监督分类。

(3)通过计算获得影像的GVI值,根据GVI值滤除分类后影像的植被和水体部分。

(4)使用OTSU算法对过滤后的影像进行基于自适应阈值的分割。

(5)再结合面积特征指数和数学形态学对影像进行处理。

(6)最后使用区域生长算法处理提取后的道路网以获取较为完整的道路网。

1.1 SLIC算法分割原始影像

ACHANTA等提出的SLIC算法[3]与现有的分割方法相比具有更加高效的记忆效率,其根据像素的颜色和距离进行聚类分割。算法的主要步骤:

(2)种子点变换,在n×n的领域内(通常n=3)对种子点和周围所有像素点的梯度值进行计算,并且将种子点移动至该领域内梯度最小的位置,以此可以避免种子点落在梯度值较大的边缘轮廓上,使之后的聚类效果更为准确。

(3)分配聚类标签,同标准的K-means聚类算法在整幅影像中搜索不同,SLIC算法的搜索范围为2S×2S的固定区域,以此加速聚类算法收敛,如图1所示。

图1 聚类搜索方式

(4)距离度量,针对每一个搜索到的像素点分别计算其与该种子点的欧式距离,其中距离分为颜色距离和空间距离两类,其计算公式如下[4]:

(1)

(2)

(3)

(4)

每一个像素点都会有一个相对于附近种子点的距离,通常情况下将其中最小距离所对应的种子点作为该像素点的聚类中心,从而避免每一个像素点同时被多个不同的种子点搜索到。

(5)迭代优化,重复步骤(1)到(4)直到误差收敛为止,一般迭代10次即可。

(6)连通性增强,SLIC算法在连接性上并不具有强制性,可能会保留一些孤立像素或是一些多连通像素,因此需要使用连通分量算法对分割后影像进行校正。

1.2 K-means算法对分割后影像聚类

针对传统K-means聚类算法,本文做出了相应的改进,将K-means算法中的颜色空间由RGB(Red，Green，Blue，红绿蓝)转换为HSV(色相(Hue)、饱和度(Saturation)、亮度(Value)),相比于RGB颜色空间,HSV色彩空间可以更好地模拟人眼对颜色的识别,从而使影像信息的分类更为精确[5]。在聚类之前先对影像进行去相关拉伸增强图像中的颜色差异[6],保证聚类结果更加符合要求。

K-means聚类的目标函数[7]为

(5)

K-means算法的步骤可以分为[8]

(1)选择K个对象作为初始聚类。

(2)以最近的聚类中心为基准分配每一个像素,然后计算出每个像素到集群中心的空间距离。

(3)计算每个聚类集群的颜色通道,第K个聚类集群的均值为[9]

(6)

(4)将聚类中心移动至计算所得的均值上。

(5)将像素分配至最近的聚类中心上。

(6)重复迭代(3)到(5)步,直至均值收敛。

1.3 根据GVI值过滤植被信息

通过绿色植被指数将影像中的植被信息滤除，保留目标区域中的人工区域[10]。

绿色植被指数的计算公式为

(7)

式中,G和R分别代表绿色波段和红色波段的反射值,V的值在-1～1之间,各类地物的V值分布区域如表1所示。

表1 绿色植被指数分布区域

根据其分布区间及影像中具体的地物信息,选择合适的阈值对影像中的植被区域进行过滤。

1.4 使用OTSU算法提取道路网

OTSU算法是基于图像的灰度特性,以自适应阈值为参照将图像分割成为背景部分和目标部分,两个部分之间的间类方差越大,则表示两部分之间的差异性越大,因此通过OTSU算法对图像进行分割的错分概率最小[11]。

OTSU算法的主要步骤:

(2)通过设置阈值T将图像分割为前景图像(道路)和背景图像(其他地物)[12]，则前景图像的像素灰度级别为[0,T],而背景图像的像素灰度级别为[T+1,L-1]。

因此对前后景像素的选择概率分别为

(8)

(3)前后景影像的平均灰度值分别为

(9)

由此可以计算出所有像素的灰度均值为:

μ=μ1×ω1+μ2×ω2

(10)

(4)确定最大间类方差:

g=ω1×(μ-μ1)2+ω2×(μ-μ2)2

(11)

对提取得到的人工区域使用最大间类方差法,可以将其分割为道路区域和其他离散区域,从而获得较为独立的道路网[13]。

1.5 提取后处理

经过OTSU分割得到的道路网仍然会存在一些非道路部分的噪点和一些间断路面,因此需要对其进行后处理。

(1)由于道路网面积要远大于非道路部分面积,因此可以使用面积特征指数对其进行降噪处理[14],对S

(2)再使用基于数学形态学的方法对降噪后的影像进行膨胀和腐蚀运算[15]。

(3)针对过滤后影像中的间断和镂空路面,本文采用区域生长算法对其处理[16],在区域内布下一个种子点作为生长起点,然后让种子点和它周围的像素点一一比对,将性质相似的像素点进行整合,且继续生长,直至包括满足条件的所有像素点,从而获得完整独立的道路网。

2 实验过程与结果分析

本文所有实验操作都基于MATLAB编程软件完成,选择的两幅影像均为高分辨率谷歌遥感影像,其各波段空间分辨率为0.3,通过两次实验的对比验证本文方法的可行性。

2.1 实验一

选取的影像中包含的主要地物有植被、土壤,水体,房屋和道路。首先使用SLIC超像素分割算法对原始影像进行分割聚类,超像素大小设置为10,超像素正交指数为0.085。

再对影像根据地物类别的不同进行分类,将地物分为五类,针对传统K-means聚类算法在道路提取中表现出的不足,本文提出使用了加以改进的K-means聚类算法,使其对真实色彩的分辨能力更加准确,在对色彩相似的地物进行分类时的精度有所提高。图2(a)为传统K-means算法聚类后的图像,图2(b)为改进的K-means算法聚类后的图像,图2(c)为改进的K-means算法对SLIC分割后影像聚类后的图像,与传统算法所聚类的结果相对比,改进后的算法聚类的结果明显更加准确且有较高的整体性,并且可以发现对SLIC分割后的影像进行聚类,各类别会有更好的完整性,相应的噪点也会更少。

图2 对影像聚类后的结果

接着计算影像的GVI指数,对影像中的非人工区域进行过滤,实验中GVI指数取0.1。再使用OTSU算法将过滤后影像区域分为道路和非道路两部分,并将非道路部分滤除,由于过滤后影像中仍然存在一些离散的噪点,因此使用中值滤波对影像进行平滑降噪处理,图3(a)是经过OTSU算法处理后所得到的结果,图3(b)是中值滤波平滑处理后所得的结果。

图3 OTSU提取道路结果

取面积特征指数Sk=1 000对提取后影像中的噪点加以去除以获得较为独立的道路图像,图4(a)是结合面积特征指数处理后的图像。由于获取的道路图像会存在一些间断和镂空处,因此需要结合使用膨胀算法和区域生长算法对提取后的影像进行处理,获得较为完整的道路图像;图4(b)是经过数学形态学膨胀处理后的图像,图4(c)是区域生长算法处理后的图像,图4(d)为目视解译获得的道路图像。

图4 道路提取结果

通过观察可以看出使用本文方法提取的道路信息在形态上与目视解译所获得的道路影像几乎吻合,并且有着一定的完整性,同时在道路周围几乎不存在干扰噪点,说明其还具备相对较强的独立性,因此可以说明本文提出的道路提取方法是可靠的。

2.2 实验二

选取高架路段的遥感影像,其包含的主要地物有房屋、土壤、植被、道路四类。路段附近有大量的树荫遮盖,在路段中央还有高架上层道路的阴影遮盖,因此提取的道路会有比较多的缺失和间断。本文使用的提取后处理方式可以较好地处理这样的情况从而获得更为准确的道路图像。图5(a)为实验二的原始影像,图5(b)为使用本文方法提取的道路图像,图5(c)为目视解译获取的道路图像。通过对比可以看出,使用本文方法提取的道路在保持独立性的前提下依然有着较高完整性和准确度,证明本文方法具有良好的道路提取能力。

图5 实验二提取结果

2.3 提取道路的定量评价及分析

本文对道路提取质量的定量评价采用完整度α和精确度β两个指标作为评价标准[17]。

(12)

α代表提取所得的道路影像面积与实际道路面积之间的比值,α越趋近于1说明提取道路的完整度越高;β表示提取所得道路缺失和多出的部分在实际道路面积中的占比,β越趋近于0说明提取的道路越精确。

表2中列出了实验一和实验二的评价结果,实验一的道路完整度为0.955 0,实验二的道路完整度为0.986 0,均有着较高的完整性,说明本文方法有着较高的道路提取效率;实验一与实验二提取道路的准确性分别为0.057 7和0.012 6,可以证明本文方法在道路提取时有着良好的可靠性。

表2 定量分析结果

3 结束语

本文使用了SLIC算法与OTSU算法相结合的道路提取方法,对原始影像进行超像素分割,从而获得超像素影像,使用改进的K-means聚类算法对超像素聚类,再根据GVI值过滤得到影像中的人工区域,对过滤后影像使用OTSU算法阈值分割从而获得较为独立的道路图像,最后结合面积特征指数,膨胀算法和区域生长算法对提取后的道路图像进行处理,去除图像中的离散区域,补全道路图像中的间断处和镂空处,获得完整且独立的道路网。通过两次实验的结果可以证明本文所用方法在提取高分辨率遥感影像中的道路信息时具有良好的表现。