网刊加载中。。。

使用Chrome浏览器效果最佳,继续浏览,你可能不会看到最佳的展示效果,

确定继续浏览么?

复制成功,请在其他浏览器进行阅读

融合层次聚类的高分辨率遥感影像超像素分割方法  PDF

  • 黄亮 1,2
  • 姚丙秀 1
  • 陈朋弟 1
  • 任爱萍 1
  • 夏炎 1
1.昆明理工大学 国土资源工程学院,云南 昆明 650093; 2.云南省高校高原山区空间信息测绘技术应用工程研究中心,云南 昆明 650093; 3.云南云天化股份有限公司,云南 昆明 650093

中图分类号: P237

最近更新:2020-04-23

DOI:10.11972/j.issn.1001-9014.2020.02.014

  • 全文
  • 图表
  • 参考文献
  • 作者
  • 出版信息
目录contents

摘要

为解决遥感影像分割尺度自动选取难的问题,提出了融合层次聚类的高分辨率遥感影像超像素分割方法。首先采用自适应形态重建的分水岭分割算法将影像分割成多个超像素;然后提取各超像素的灰度特征向量;最后利用层次聚类方法进行超像素合并,实现高分辨率遥感影像的精确分割。实验选用4组景遥感影像;采用定性和定量相结合的方法评价实验结果。实验结果表明,该方法有效提高了遥感影像分割精度,并取得了较好的分割视觉效果。

引言

随着对地观测卫星技术的不断发展,高空间分辨率遥感(High Spatial Resolution Remote Sensing, HSRRS)影像的地物纹理结构愈加丰富、轮廓和形状信息更加清晰、地物关系更为复杂,目前已在精准农业,环境监测,地质灾害调查等领域发挥着重要的作[

1]。图像分割方法基于内容可以分为低级、中级以及高级语[2]。低级语义主要有阈值[3]、边界检测[4]等,这些方法的实现原理有所不同,但基本利用图像像素的颜色、纹理和形状等信息来进行分割。结合图像中级、高级语义可很好的提升分割效果,因此成为近年来研究的热点。结合图像中级语义的分割方法,又称为超像素方[5],它利用具有相似特征的相邻像素构成的图像块所具有的像素以外的附加信息,如图像块的粗糙度、对比度、方向度、紧凑度等来确定图像中的区域划分,以此辅助图像分割并提升效[6]。另一种是利用非监督的聚类算法,根据单个像素的信息及像素间的相互关系将具有相似特征的相邻像素归并到同一个超像素。图像的高级语义是指图像或图像区域所包含的对象或实体的类别等语义信息,高级语义下的图像分割称为语义分[7]。语义分割旨在识别出每个前景目标的类别,主要利用有监督机器学习技[8],实现时需大量标注图像,但获取大量强标注样本是一件相当困难,且费时费力的工作。

尺度是分割的关键参数,尺度过小容易造成地物被过度分割,尺度过大则易造成欠分割使得地物分割错误。在后续的处理中,错误分割是无法逆转的和不可接受的,错误分割将直接影响后续处理的效果。因此,在无法确定最佳分割尺度的前提下,分割尺度的选择往往较小,在兼顾小尺度地物的同时,可通过后续区域合并实现大尺度地物的获取。目前,超像素分割已成为遥感影像分割的研究新热点,对小尺度地物可取得较好的分割效果。目前已有较多超像素生成算[

2],如Superpixel lattice方法、分水岭方法、Meanshift算法等。在影像分割中,为了获取各种尺度的地物,近些年许多学者利用超像素进行预分割,然后加入合并策略得到了很好的分割结果。如文献[9]提出了超像素区域增长图像分割方法。通过对输入图像进行初始轮廓约束,利用区域生长将相似的超像素迭代合并实现图像分割;文献[10] 提出融合分水岭与快速模糊C均值(Fast Fuzzy C Means, FFCM)的彩色图像分割方法。首先使用分水岭生成过分割结果;然后采用FFCM对超像素进行合并;文献[11]提出融合超像素与最小生成树的分割方法。首先用简单线性迭代聚类(Simple Linear Iterative Clustering, SLIC)算法对HSRRS影像分割;然后采用最小生成树对超像素进行合并;文献[12]提出了基于超像素的彩色地形图分割方法。首先采用边界检测法和分水岭得到最优分割。在此基础上,提出了一种约束的区域合并方法,防止了误合并;文献[13] 提出了一种快速有效的多尺度多特征层次图像分割框架。首先采用SLIC算法将HSRRS影像中像素聚类为少量的超像素;然后基于相邻超像素构造区域邻接图和最近邻图;最后利用多尺度层次分组算法完成分割。

综上所述,针对传统影像分割方法分割效果不理想的问题,采用超像素预分割和区域合并可提升分割质量。但现有方法仍面临着一些难题,如初始超像素分割尺度、合并策略等确定难的问题。为此,提出了一种融合层次聚类的高分辨率遥感影像超像素分割算法。

1 提出的方法

提出方法主要分为4个步骤:①对HSRRS影像进行自适应形态学重建;②采用分水岭算法对HSRRS影像进行过分割生成超像素;③提取各个超像素的灰度特征向量;④利用层次聚类方法进行区域合并,最终得到分割结果。提出方法的总体流程图如图1所示。

1.1 自适应多尺度重建分水岭分割算法

1.1.1 形态学重建

形态学重建能过滤种子(区域最小值)以减少过度分割,且对尺度不敏感,常用于梯度影像分[

14]。同时,还可以有效的保留对象的边界细[15]

首先输遥感影像fx,y,求影像梯度为gx,y(以下用g代替),如图2(b)和(e)所示。图2(c)和(f)是影像的梯度分布图。形态学重建通常被认为掩模影像的腐蚀或膨胀结果是标记影像,首先对输入梯度影像g进行膨胀操作或腐蚀操作,即fδx,y=δbigfεx,y=εbig,其中bi是一个盘状结构元素,bi的半径为i1in,in+),符号δε表示基本形态学膨胀和腐蚀;然后分别再进行形态学开和闭重建运算,表示为OBrec(g,fδ)CBrec(g,fε)DBrecEBrec分别表示形态学膨胀和腐蚀收敛时的结果,方法定义如下:

OBrec(g,fδ)=DBrecg,εbi
,
(1)
CBrec(g,fε)=EBrecg,δbi
.
(2)

图1 分割流程图

Fig.1 Flow chart of remote sensing image segmentation

图2 实验影像梯度分布图 (a) 遥感影像,(b) sobel梯度影像,(c) 梯度分布图,(d) 遥感影像,(e) sobel梯度影像,(f) 梯度分布图

Fig.2 Gradient distribution of experimental images(a) remote sensing image, (b) sobel gradient image, (c) gradient distribution, (d) remote sensing image, (e) sobel gradient image, (f) gradient distribution

1.1.2 自适应形态学重建

通常遥感影像中可以包括两种幅度和尺度噪声。因为开和闭运算可以极大程度地减轻尺度噪声对分水岭分割算法的影响。但是单一尺度的结构元素可能会错误地选择种子点,所以需要准确寻找有意义的种子点,因此研究一种自适应形态重建算法。首先,可以自适应地过滤无用的梯度信息,同时保存有意义的种子点;其次,采用了多尺度结构元素,它具有单调递增性和收敛性两个特性,这有助于梯度影像实现自适应分割。

虽然一些研究者提出了多尺度自适应形态学算[

16],但是大多数多尺度形态算子如形态梯度算子和形态过滤算子,输出的是所有尺度的形态运算平均结果,它会导致轮廓偏移和错误。无论是大结构元素还是小结构元素都会导致重建效果不佳,而中等大小的结构元素通过精确的轮廓来实现粗略平衡。所以使用多尺度结构元素在形态学重建的基础上,自适应完成大梯度大小的像素采用小的结构元素,小梯度大小的像素采用大的结构元素。在形态学开闭重建基础上,完成接下来的处理,具体方法如下:

φ(g,s,m)=sim{CBrecfεbi}
,
(3)

φ是一个自适应的形态重建算子,φ随着结构元素的规模不断增大,其中满足 fεx,y=εbi(g)fg,(∨代表形态学重建最大操作),这里∨表示影像像素点的最大值。设形态学重建结构元素为bs,bi,bi+1,bm,其中i是结构元素的尺度参数,1sim,其中s,i,mn+。然而大的s值会导致了小区域的合并,但物体轮廓的精度将降低。

需要注意的是逐像素点最大运算只适用于CBrecfεbi,不适用于OBrec(g,fδ)。因为 limmOBrecfεbi=maxg,及limmsim{OBrecfεbi}=maxgφ(g,s,m)是无法获得收敛的梯度影像。

自适应形态学重建在确定有意义的区域最小能量或区域最小值的过滤。提出算法包含两个参数sm,自适应形态学重建的计算效率受参数m的影响。较小的m表示计算复杂性较低。当φ(g,s,m)CBrecfεbi时,重建的梯度图像和相应的分割结果不变,但得到的m通常较大。由于本文的目的是利用自适应形态学重建对种子分割算法进行改进,故将收敛条件φ(g,s,m)CBrecfεbi替换为检查φ(g,s,m)φ(g,s,m-1)之间的差异。收敛性的目标函数如下定义:

Jg,s=maxφ(g,s,m)-φ(g,s,m-1)
,
(4)

其中m2mn+。很明显,当jηη是常数,是一个最小的阈值误差时,分割结果将保持不变,但mφ(g,s,m)的变量,因此只有参数s需要自适应形态学重建调整,使用了三个参数s、mη,因为可以根据mη停止迭代。自适应形态学重建的计算复杂度取决于mη的值。m的大值对应η的小值。m值越大,算法的执行时间越长。因此算法使用两个收敛条件mη来加速算法的收敛。

1.1.3 自适应多尺度形态学重建分水岭分割

分水岭分割是指获取最佳的分割区域像素的极小值点,从而得出集水盆的脊边界,脊边界形成的脊线即为分水岭脊线。针对分水岭算法过度分割及分割尺度难以选择的问题,在形态重建算法基础上,利用多尺度自适应形态学重建确定极小值。该方法在形态学重建基础上,采用多尺度自适应确定分割阈值,并完成影像的初始分割形成超像素,结果如图3所示。具体步骤如下:

图3 自适应多尺度形态学重建分水岭分割参数图(a) s = 1,m = 1;(b) s = 2,m = 1;(c) s = 3,m = 1;(d) s = 4,m = 1;(e)S1 s = 1,m =1;(f)S2 s = 1,m = 6;(g) s = 1,m = 12;(h) s = 1,m = 20

Fig.3 Segmentation results using AMR-WT by changing the value of s and m(a) s = 1, m = 1; (b) s = 2, m = 1; (c) s = 3, m = 1; (d) s = 4, m = 1; (e) S1 s = 1, m =1; (f) S2 s = 1, m = 6; (g) s = 1, m = 12; (h) s = 1, m = 20

1)生成梯度遥感影像g

2)对梯度影像进行自适应形态学重建。初始化设置参数sm(最小和最大结构元素的比例)和ηmη都是自适应形态学重建的收敛条件;

3)计算CBrecfεbi,其中fεx,y=εbi(g)

4)更新φ(g,s,m)Jg,s,m。若i=s,则φ(g,s,m)=CBrecfbiφ(g,s,m)=sim{CBrecfbi}J(g,s)=maxφ(g,s,i)-φ(g,s,i-1);若jηj是结构元素的半径,1jλ,j,λn+。满足以上条件分割结束,若不满足则返回步骤3)。

自适应多尺度形态学重建分水岭分割所有参数对于HSRRS影像需要通过其特征来适当地调节这些参数,其中有一些通用规则来指导这些参数的调整。本文提出了几个经验值来进行最优自适应多尺度形态学重建分水岭分[

10]。例如,如图3(a-d)所示,已知较大的s使影像更平滑的,但容易忽略影像细节,根据实验结果,1s3更加适合中等大小影像。较大的m可能会加速自适应多尺度形态学重建分水岭分割,但边界细节会被消除。此外,经过前人反复试验和本文实验,η= 10-4 的取值更加合适。

1.2 基于层次聚类的超像素分割方法

层次聚类无需预先设定聚类数目,对初始数据集不敏感,每次迭代都要更新距离矩阵,为了适应HSRRS影像分割的需要,采用凝聚层次聚类分割算法对相邻超像素进行合并和其它微小更[

17]。层次聚类将分水岭算法得到的超像素作为合并对象。令G是预分割处理后的影像。如前所述,在每一层的处理中,为每个超像素区域创建一个簇Ci,影像G被划分为{C1,C2,...,Ci,Cj}。算法按照某一相似测度把两个最相似的邻接超像素合并成一个区域以得到更高一层的聚类。算法初始时,将每个超像素点作为一个簇,每一步合并两个最接近的簇。定义如下:

Gci,cj=maxgci,cj,gmingci,cj,g
.
(5)

假设自适应分割后,每个超像素可以用xi表示;其中i=1,2,,n,则n个超像素构成输入预分割处理影像,首先构造一个最常见的正态分布,定义如下:

pxiμ,σ2=12πσ2e-xi-μ22σ2
,
(6)
σ2=i-x2+j-y2
.
(7)

正态分布px|µσ2|)pxiμ,σ2来表示簇中所有超像素点的概率分布信息,也是簇的概率分布,其中µ表示簇Ci 中所有像素点在每个超像素中的灰度均值特征,σ表示该簇Ci 簇中所有像素点在每个超像素点的标准差,在本文中可定义相关模型和相似性度量,令超像素数据集X={x1,x2,x3,,xi,xn},来表示影像G中所有超像素区域,生成概率模型的概率为:

LNμ,σ2=pXμ,σ2=i=1n12πσ2e-xi-μ22σ2
.
(8)

给定一个对象集,用最大似然方法度量所有对象形成的簇,C1,C2,...,Ck代表划分的分割区域数量集,k为最后分割的簇数。

Q({C1...Ck})=i=1kP(Ci)
.
(9)

按照正常的理解,如果两个区域的灰度规模相似度,它们就该有更大的可能在处理过程中被合并。

distCi,Cj=Ci-Cx2+Cj-Cy2
,
(10)
CiCj=argmaxlogP(CiCj)P(Ci)P(Cj)
,
(11)

式中distCi,Cj为簇Ci和 Cj的所在区域所有像素点的灰度平均值的最短距离。其中和Ci Cj为目标簇的所有像素点灰度平均值,重新计算使用平均距离法计算两个类之间的距离,取第一个簇内超像素点和第二个簇内超像素点之间的平均距离。以便使集群内所有点的概率和最大。重复进行上述步骤,直至收敛,既在每次迭代中参数改变小于某个阈值。当相邻的超像素相似度较大,距离相似值较小,意味着两个区域可能被合并。具体步骤如下:

1)影像包含n个超像素区域表示为xi,其中i=1,2,,n

2)接下来为每个超像素xi区域创建一个簇Ci{C1,...,Ci,Cj}

3)计算簇与簇之间的相似性,计算CiCj=argmaxlogP(CiCj)P(Ci)P(Cj)

4)如果满足logP(CiCj)P(Ci)P(Cj)大于0 ,则合并CiCj

5)否则重复2)∼4)直至所有超像素都被处理,输出聚类结果。

融合层次聚类的高分辨率遥感影像超像素分割方法步骤如下:

步骤1:超像素获取。对高分辨率影像进行自适应形态学重建,然后进行分水岭分割,生成超像素,根据本文实验经验所得,本组实验参数设置s=2,m=7,η=10-4

步骤2:超像素合并。基于凝聚层次聚类的思想,超像素进行初次聚类,选择每个超像素表示每个簇,选择每个超像素中心表示每个簇的中心,位于大小为ww=5)的窗口内,表示在超像素的每一行和每一列之外,得到5个中心像素;然后应用PCA对整体缩小尺寸,将其转换为灰度特征,每个簇由它自己和相邻超像素来表示。计算各候选簇的相似度,找出两个相似度最大且符合合并条件的簇进行合并,合并后的簇集,重复步骤2,直至得到符合需求的结果,获得预期的簇数且所有簇的簇相似度均小于合并的误差阈值;最小误差默认值为1。

步骤3:在步骤1和2的基础上,运用层次聚类算法对超像素进行合并,得到最终分割的结果,如图4所示。

图4 聚类仿真图(a)聚类仿真,(b)结果图,(c)聚类仿真,(d)结果图

Fig.4 Simulation graph of clustering(a)clustering simulation, (b)segmentation results, (c)clustering simulation, (d)segmentation results

2 实验结果与分析

2.1 实验数据

为验证提出方法的有效性,选取了4景HSRRS影像,如图5(a-d)所示。图5(e-h)为对应的参考影像。其中,2景是QuickBird影像,记作S1和S2,均包含近红外、红、绿和蓝4个波段。另外2景是无人机遥感影像,简称S3和S4,包含红、绿、蓝3个波段。其基本信息见表1

图5 实验数据集(a) S1参考影像,(b) S2参考影像,(c) S3参考影像,(d) S4参考影像,(e) S1参考影像,(f) S2参考影像,(g) S3参考影像,(h) S4参考影像

Fig.5 Test data sets (a) S1 imag, (b) S2 image, (c) S3 image, (d) S4 image, (e) S1 image, (f) S2 reference image, (g) S3 reference image, (h) S4 reference image

2.2 评价方法

为了更好的验证实验的分割效果,实验采用定性和定量方法进行精度评价。实验选用了两种分割算法与提出的方法进行对比,这两种方法分别为eCognition软件中的多尺度分割算法(即分形网络演化方法,FNEA)和基于SLIC算法的层次聚类(Hierarchical clustering)算法(记作SH方法),其中经过多次实验,设置初始超像素个数为300~500个。其中,FNEA算法进行了2组实验,形状异质度和紧致度固定为0.4和0.5。根据文献[

20]得到尺度100为最佳分割尺[18]。但为了进一步提升实验对比效果,选取了50和100两个尺度,记作FNEA(50)和FNEA(100)。根据HSRRS影像分辨率不同进行了两组对比实验。定性对比通过直接视觉对比;定量对比采用P-R[19]方法。在计算P-R时采用的实际地物边界均由目视解译获取。P-R方法具体计算公式为:

Presicion=TPTP+FP
,
(12)
Recall=TPTP+FN
,
(13)

式中:Precision为分割精度,值越大,精度越高;Recall为边界召回率,值越大,边界附着效果越好;TP为地物被正确分割的结果像素的样本个数;FP为背景像素被分为地物像素的分割结果的样本个数;FN为地物分割结果被分为背景像素的样本个数。

实验所使用的试验平台CPU为Inter(R)Pentium(R)四核,4GB内存,Windows10操作系统,软件为 matlab2018a和eCognition Developer进行实验。

2.3 超像素分割结果

采用提出的超像素算法、SLIC算法、LSC算法和MeanShift算法对原始影像S1 、S2 、S3和 S4进行超像素分割,并对四种算法的分割效率进行对比。利用代码循环进行实验,并对其时间消耗进行记录,耗时单位为秒,实验结果如图7所示。图6的分割结果中,在地物边界依附性方面,建筑物密集,分割难度较大,运用MeanShift算法难以区分复杂地物,边界的附着率效果也比较差。提出的超像素算法、LSC算[

20]与 SLIC 算[21]可以较好地表达地物之间的纹理信息,因此利用两种算法都较好的提高了地物边界的依附性。在分割数量选择方面,提出的超像素算法采用自适应方式确定分割尺度,MeanShift算法的分割数也难以人为设定,经试验将阈值设为0.4;SLIC算法和LSC算法设定影像分割为500个超像素作为实验结果。在时间消耗方面,提出的超像素算法时间消耗小于其他三种算法,是一种高效的影像过分割算法。

图7 过分割用时结果图

Fig.7 The time of over-segmentation

图6 影像过分割实验结果 (a) S1本文超像素算法,(b) S1 SLIC算法,(c) S1 LSC算法,(d) S1 MeanShift算法,(e) S2本文超像素算法,(f) S2 SLIC算法,(g) S2 LSC算法,(h) S2 MeanShift算法,(i) S3本文超像素算法,(j) S3 SLIC算法,(k) S3 LSC算法,(l) S3 MeanShift算法,(m) S4本文超像素算法,(n) S4 SLIC算法,(o) S4 LSC算法,(p) S4 MeanShift算法

Fig.6 Experimental results of over-segmentation(a) S1 proposed superpixel algorithm, (b) S1 SLIC algorithm, (c) S1 LSC algorithm, (d) S1 Meanshift algorithm, (e) S2 proposed superpixel algorithm, (f) S2 SLIC algorithm, (g) S2 LSC algorithm, (h) S2 MeanShift algorithm, (i) S3 proposed superpixel algorithm, (j) S3 SLIC algorithm, (k) S3 LSC algorithm, (l) S3 Meanshift algorithm, (m) S4 proposed superpixel algorithm, (n) S4 SLIC algorithm, (o) S4 LSC algorithm, (p) S4 MeanShift algorithm

2.4 实验分析

(1)第一组实验结果

将两景QuickBird影像数据作为第一组实验。为了便于视觉比较,在实验影像中标注了蓝色矩形框。S1为建筑区,建筑物类型多样,内部纹理结构丰富,具有一定的分割难度。从S1影像的实验分割结果可看出,在图8(a-d)中,FNEA(50)存在严重的过分割现象,SH方法算法的分割边界附着度较差;在蓝色矩形框所标定的房屋区域内,提出方法的分割形状最为规则和完整,FNEA(50)分割斑块破碎,在FNEA(100)结果中虽主要建筑物边界与分割边界契合性较好,但也存在道路与建筑物错误合并的情况;SH方法建筑物及植被区域分割破碎,并且分割呈现出不规则的矩形,同时一些地物密集区也被错误合并,道路分割效果也较差。从S1影像的所有分割结果中,提出方法的分割效果较其他三种分割方法都有所改善。提出方法在地物边界较清晰且地物尺寸较大情况下,边界很容易被识别出来,但对于光谱信息和纹理比较丰富的森林的地方,也出现了过度分割的情况。但整体上看获得比较满意的分割结果。

图8 实验1影像数据及实验结果-(a) S1 FNEA 50;(b) S1 FNEA 100;(c) S1 SH方法;(d) S1本文方法结果;(e) S2 FNEA 50;(f) S2 FNEA 100;(g) S2 SH方法;(h) S2 本文方法结果

Fig.8 Segmentation results of S1 and S2 (a) S1 FNEA 50, (b) S1 FNEA 100, (c) S1 SH method, (d) result of S1 by proposed method, (e) S2 FNEA 50, (f) S4 FNEA 100, (g) S2 SH method, (h) result of S2 by proposed method

S2覆盖了公园景观,较S1的面积更大;影像中主要包含道路、水体、绿地和建筑物等地物。在影像S2的分割结果中,使用FNEA(50)算法分割产生了严重的过分割;采用FNEA(100)算法减少了过分割,但影像过分割的问题仍未得到较好地解决,如水体还是不能被完整分割。图8(e-f)地物的交界处存在大量草地和水体被错误分割的现象,这是因为草地边界与水体的光谱十分接近,误分割状况明显,导致精度较低等情况;同样采用SH方法对绿地分割效果较差。提出方法得到的结果如图8(h)所示,通过精确拟合各地物的分布特征提高分割效果,相对于前两种方法分割精度进一步得到提高。

图9可看出,提出方法得到的结果其Precision和Recall大于其他三种分割结果,说明提出方法更加优越。综合图8图9来看,提出方法都得到了最优分割,在S1的实验分割结果中大多数建筑物表面内部区域的细节分割的很清晰,且分割呈现出规则的矩形;同时一些边界模糊的位置也被准确的分割出来,而不会出现多个分割块的情况,并完整地保留了房屋细小区域的边界。但是对于绿地和部分建筑的合并出现了错误的合并。总的来说,提出方法的分割结果与对应参考影像的边界吻合程度是最高的。

图9 第一组实验精度评价

Fig.9 Segmentation results of Test1

(2)第二组实验结果

将两景无人机遥感影像数据作为第二组实验。与第一组相比,S3和S4的分辨率更高,地物轮廓更加清晰,纹理信息更加丰富。分别在S3和S4分割结果中标定蓝色矩形框,如图10所示。采用FNEA(50)算法和FNEA(100)算法都产生了过分割现象,尺度越小地物分割越破碎,当地物分布越密集时过分割现象越严重;FNEA(100)虽然分割的效果比FNEA(50)要好,但是把一些建筑和非建筑区域错误的合并到了一起,分割线出现了严重的偏移;SH方法对建筑物和植被边界存在错误分割的情况,造成边界偏移效果比较明显,但植被得到了更好的合并。从图10(d)和(h)道路被完整分割出来,裸地也得到了很好的合并,说明提出方法有效地抑制了过分割现象,分割效果进一步得到提高。影像分割结果中密集居民房屋、道路、大块的绿地等均得到了比较理想的分割结果。分割的线条光滑自然,更加贴近地物的实际边界。

图10 实验2影像数据及实验结果 (a) S3 FNEA 50,(b) S3 FNEA 100,(c) S3 SH方法,(d) S3本文方法结果,(e) S4 FNEA 50,(f) S4 FNEA 100,(g) S4 SH方法,(h) S4 本文方法结果

Fig.10 Segmentation results of S3 and S4(a) S3 FNEA 50, (b) S3 FNEA 100, (c) S3 SH method, (d) S3 result by proposed method, (e) S4 FNEA 50, (f) S4 FNEA 100, (g) S4 SH method, (h) S4 result by proposed method

图11可看出,通过提出的方法对S3和S4影像进行分割,得到的结果其Precision精度得到了较大的提升。在S3和S4分割的评价结果中,与其他三种分割结果相比,采用提出方法得到的分割精度最高,分割结果最好。提出方法对建筑物、道路、绿地等进行了很好的分割,且避免了分割时产生大量伪边界的情况,较好地保留了重要的目标轮廓信息,分割精度得到了很大提高,有效地抑制了过度分割现象。结果表明提出方法可以正确地分割高分辨率遥感影像。

图11 第二组实验精度评价

Fig.11 Segmentation results of Test2

通过对比实验中两组分辨率不同的四景影像,提出方法都获得了最高的精度。相比于第一组分割结果,第二组获得了更好的分割结果,其中第二组选取的影像的分辨率更高,说明分割效果与分辨率有关,分辨率越高效果越佳。实验结果充分证实了提出方法的可行性和适用性,为下一步的遥感影像的识别或分类提供了很好的基础。

3 结论

提出了一种融合层次聚类的高分辨率遥感影像超像素分割方法。通过对4景不同分辨率和场景的HSRRS影像分割结果的实验对比,得出结论如下:

1) 利用自适应多尺度形态学重建分水岭分割生成超像素,通过自适应迭代自动选择确定分割尺度,并克服了噪声对影像分割的影响,获得整体分割效果良好的影像分割结果。

2) 采用融合层次聚类的合并方法,可以充分利用超像素区域的信息表达,从而可以较好的获得区域的分割结果,是一种较为有效的方法。

3) 当待分割影像中地物的内部特征相似性较弱时或者是对特殊地物的分割,提出的方法不能很好地分割相应区域及其边界。同时针对地物更加复杂且更大范围的遥感影像进行分割时精度和效率有小幅下降。接下来将在提出方法的基础上进一步提高算法性能,同时提高算法的泛化能力和效率。

References

1

Chehata N, Orny C, Boukir S, et al. Object-based change detection in wind storm-damaged forest using high-resolution multispectral images[J]. International Journal of Remote Sensing, 2014, 3513): 4758-4777. [百度学术

2

JIANG Feng, GU Qing, HAO Hui-Zheng, et al. Survey on content-based image segmentation methods [J]. Journal of Software (姜枫, 顾庆, 郝慧珍, . 基于内容的图像分割方法综述.软件学报), 2017, 2801): 160-183. [百度学术

3

Wang HY, Liang Y Y, Wang Z H. Otsu image threshold segmentation method based on new genetic algorithm[J]. Laser Technology, 2014, 383): 364-367. [百度学术

4

Deng X Y, Ma Y D. PCNN model analysis and its automatic parameters determination in image segmentation and edge detection[J]. Chinese Journal of Electronics, 2014, 231): 97-103. [百度学术

5

Ren X F, Fowlkes C C, Malik J. Learning probabilistic models for contour completion in natural images[J]. International Journal of Computer Vision, 2007,771-3): 47-63. [百度学术

6

Wang C, Wang Y, Li Y. Automatic choroidal layer segmentation using markov random field and level set method[J]. IEEE Journal of Biomedical and Health Informatics, 2017, 216): 1694-1702. [百度学术

7

Pablo A, Barath H, GU C, et al. Semantic segmentation using regions and parts[C]. 2012 IEEE Conference on Computer Vision and Pattern Recognition, 2012, 1: 3378-3385. [百度学术

8

SU T. Efficient paddy field mapping using landsat-8 imagery and object-based image analysis based on advanced fractel net evolution approach[J]. GIScience & Remote Sensing, 2017, 543):354-380. [百度学术

9

Chaibou M S, Conze P H, Kalti K, et al. Adaptive strategy for superpixel-based region-growing image segmentation[J]. Journal of Electronic Imaging, 2018, 266): 1-24. [百度学术

10

Lei T, Jia X, Zhang Y, et al. Superpixel-based fast fuzzy c-means clustering for color image segmentation[J]. IEEE Transactions on Fuzzy Systems, 2019, 279): 1753-1766. [百度学术

11

DONG Zhi-Peng, WANG Mi, LI De-Ren. A high resolution remote sensing image segmentation method by combining superpixels with minimum spanning tree[J]. Acta Geodaetica Et Cartographica Sinica(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. 测绘学报), 2017, 466):734-742. [百度学术

12

Liu T G, Miao Q G, Tian K, et al. SCTMS: Superpixel based color topographic map segmentation method[J]. Journal of Visual Communication and Image Representation, 2016, 35: 78-90. [百度学术

13

Fu Z, Sun Y, Fan L, et al. Multiscale and multifeature segmentation of high-spatial resolution remote sensing images using superpixels with mutual optimal strategy[J]. Remote Sensing, 2018, 108): 1289. [百度学术

14

Devkota B, Alsadoon A, Prasad P W C, et al. Image segmentation for early stage brain tumor detection using mathematical morphological reconstruction[J]. Procedia Computer Science, 2018, 125: 115-123. [百度学术

15

Zhou C, Liang D, Yang X, et al. Recognition of wheat spike from field based phenotype platform using multi-sensor fusion and improved maximum entropy segmentation algorithms[J]. Remote Sensing, 2018, 102): 246. [百度学术

16

Lei T, Jia X, Liu T, et al. Adaptive morphological reconstruction for seeded image segmentation[J]. IEEE Transactions on Image Process, 2019, 2811): 5510-5523. [百度学术

17

Zhou S, Xu Z, Liu F. Method for determining the optimal number of clusters based on agglomerative hierarchical clustering[J]. IEEE Transactions on Neural Networks & Learning Systems, 2017, 2812): 3007-3017. [百度学术

18

Dragu L, Tiede D, Levick S R. Esp: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010, 246): 859-871. [百度学术

19

Wang M, Liu X, Gao Y, et al. Superpixel segmentation: a benchmark[J]. Signal Processing Image Communication, 2017, 56: 28-39. [百度学术

20

Chen J, LI Z, Huang B. Linear spectral clustering superpixel[J]. IEEE Transactions on Image Processing, 2017, 267):3317-3330. [百度学术

21

Achanta R, Shaji A, Smith K, et al. Slic superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 3411): 2274-2282. [百度学术