FCM聚類算法協(xié)同Canny算子的遙感影像邊緣檢測方法

吳俐民，於雪琴，黃 亮

(1.昆明市測繪管理中心，云南 昆明 650500；2.昆明市測繪研究院，云南 昆明 650051；3.昆明理工大學(xué) 國土資源工程學(xué)院，云南 昆明 650093)

FCM聚類算法協(xié)同Canny算子的遙感影像邊緣檢測方法

吳俐民1，於雪琴2，黃 亮3

(1.昆明市測繪管理中心，云南 昆明 650500；2.昆明市測繪研究院，云南 昆明 650051；3.昆明理工大學(xué) 國土資源工程學(xué)院，云南 昆明 650093)

提出一種FCM聚類算法協(xié)同Canny算子的遙感影像邊緣檢測方法，算法采用中值濾波消除原始遙感影像中的非高斯噪聲；采用FCM(Fuzzy C-mean)聚類算法將濾波處理后的遙感影像中的像素分為兩類：邊緣類像素和非邊緣類像素，并得到聚類影像；最后采用 Canny算子對聚類影像進(jìn)行邊緣檢測得到遙感影像地物邊緣信息。實驗結(jié)果表明，文中提出的方法能有效消除遙感影像中的混合噪聲并準(zhǔn)確地檢測出地物目標(biāo)的邊緣，是一種有效的遙感影像邊緣檢測方法。

模糊C均值；邊緣檢測；遙感影像；Canny算子；中值濾波

隨著遙感技術(shù)的快速發(fā)展，遙感影像的應(yīng)用也越來越廣泛[1-3]。為了讓遙感技術(shù)更好地服務(wù)于各行各業(yè)，就需將遙感數(shù)據(jù)轉(zhuǎn)換為信息，即需從遙感影像中自動地提取大量專題信息來滿足各種應(yīng)用的需求，其中邊緣檢測便是提取遙感影像地物目標(biāo)空間結(jié)構(gòu)的關(guān)鍵技術(shù)之一。

目前，國內(nèi)外學(xué)者針對普通光學(xué)圖像邊緣檢測算法開展了大量研究，也取得了一定的成果，但這些算法卻難以直接應(yīng)用于遙感影像的邊緣信息檢測[4]。其中，針對高空間分辨率遙感影像的邊緣檢測算法則更少，且研究進(jìn)展較為緩慢，其主要原因在于高空間分辨率遙感影像更加復(fù)雜，具體體現(xiàn)在遙感影像具有豐富的紋理信息、數(shù)據(jù)量大且具有大量混合噪聲，這給遙感影像邊緣檢測帶來了很大的不確定性，易出現(xiàn)檢測結(jié)果不完整和不準(zhǔn)確的結(jié)果。在現(xiàn)有的研究中，對遙感影像邊緣信息檢測的研究主要是基于空域像元的梯度算子來進(jìn)行開展的，其主要算子包括Robert算子、Sobel算子、LOG算子、Canny算子等[5]。其中Canny是較有代表性的邊緣檢測算子，諸多學(xué)者利用Canny算子對遙感影像進(jìn)行邊緣檢測，如黃亮等(2011)結(jié)合Canny算子和eCognition平臺對遙感影像進(jìn)行分割[6]；李潤生等(2012)采用Canny算子對高分辨率遙感影像進(jìn)行目標(biāo)邊界提取[7]；但由于Canny算子對噪聲過于敏感，因而采用Canny算子直接對遙感影像進(jìn)行邊緣檢測難以達(dá)到較好的結(jié)果?；诖?，本文提出一種FCM聚類算法協(xié)同Canny算子的遙感影像邊緣檢測方法。

1 FCM聚類算法協(xié)同Canny算子的遙感影像邊緣檢測方法

1.1 FCM聚類算法

FCM聚類是模糊聚類分析方法中使用最為廣泛的聚類算法。FCM聚類算法最早由Dunn[8]于1973年提出，并由Bezdek[9]于1981年進(jìn)行改進(jìn)和推廣。FCM聚類算法采用誤差的平方和函數(shù)作為目標(biāo)函數(shù)[10]，即

(1)

Jm(U,V)的值所反映的是在某種異質(zhì)性定義下的類內(nèi)緊致及一致程度。Jm(U,V)越小，則聚類越緊湊，相應(yīng)地分割質(zhì)量也就越高[11]。為此，F(xiàn)CM聚類的核心便為求解式(1)的極小化問題，其中式(1)中的uji和vj可利用拉格朗日乘數(shù)法推導(dǎo)得到。

(2)

(3)

1.2 Canny算子

邊緣檢測算子是根據(jù)影像邊緣的突變性質(zhì)進(jìn)行邊緣信息檢測的，其主要可分為兩類：①以一階導(dǎo)數(shù)為理論基礎(chǔ)的邊緣檢測算子，其通過計算影像的梯度值來進(jìn)行影像邊緣檢測，如：Prewitt算子、Roberts算子和Sobel算子；②以二階導(dǎo)數(shù)為理論基礎(chǔ)的邊緣檢測算子，其通過尋求二階導(dǎo)數(shù)中的零交點來檢測影像邊緣，如：Canny算子、Laplacian算子和LOG算子[12]。陸興娟等(2010)對Prewitt算子、Roberts算子、Sobel算子、Canny算子以及LOG算子的性能及算法特點進(jìn)行了分析，并應(yīng)用MATLAB進(jìn)行仿真實驗，實驗結(jié)果表明Canny算子的邊緣檢測效果最佳，主要體現(xiàn)在：邊緣連接程度最好，景物的細(xì)節(jié)最為清晰，輪廓邊緣提取最為完備[13]。為此，選取Canny算子進(jìn)行邊緣信息檢測。

Canny算子[14]是由John Canny于1986年提出。Canny算子的基本思想為：首先采用高斯函數(shù)對原始影像進(jìn)行平滑處理；然后根據(jù)一階微分的極大值來確定影像的邊緣點，同時由二階導(dǎo)數(shù)的零交點來確定灰度變化劇烈的點(即強邊緣)和灰度變化緩慢的點(即弱邊緣)，并通過使用兩個檢測閾值來分別檢測影像中的強邊緣和弱邊緣[12]。其具體實現(xiàn)步驟如下[6]：

1)為了抑制噪聲，對原始影像進(jìn)行高斯(低通)平滑濾波；

2)計算方向?qū)?shù)及梯度；

3)抑制局部像素非最大梯度點；

4)根據(jù)梯度計算結(jié)果對經(jīng)過非最大值抑制后的結(jié)果設(shè)定閾值；

5)尋找邊界起點及跟蹤邊界。

1.3 結(jié)合FCM聚類和Canny算子的邊緣檢測方法

對于一般影像來說，Canny算子具有極好的邊緣檢測效果，且具有良好的魯棒性，因此Canny算子是目前應(yīng)用最為廣泛的邊緣檢測算子。但Canny算子對遙感影像的邊緣信息檢測效果則一般，其原因在于遙感影像包含了豐富的邊緣信息及大量的混合噪聲，且隨著其空間分辨率的不斷提高，其紋理細(xì)節(jié)會更為復(fù)雜，從而造成邊緣檢測難度更大[15]。利用Canny算子對遙感影像進(jìn)行邊緣檢測，易產(chǎn)生大量“虛假邊緣”，且在提取邊緣信息時易受到紋理信息的干擾，導(dǎo)致提取的邊緣不準(zhǔn)確[15]。為此，需消除大量混合噪聲及紋理細(xì)節(jié)對遙感影像邊緣信息檢測的影響?；诖?，本文提出一種FCM聚類算法協(xié)同Canny算子的遙感影像邊緣檢測方法。其流程如圖1所示，實現(xiàn)步驟如下：

圖1 流程

1)輸入原始遙感影像。

2)非高斯噪聲消除。由于遙感影像具有大量混合噪聲(高斯噪聲和非高斯噪聲)，而Canny算子采用高斯函數(shù)可消除遙感影像中的高斯噪聲，為此需先消除遙感影像中的非高斯噪聲。由于中值濾波可以在消除噪聲的同時，盡量保留遙感影像中的邊緣信息，因此本文采用中值濾波來消除非高斯噪聲。

3)聚類圖生成。在獲得濾波后的遙感影像后，為了消除地物內(nèi)部的紋理細(xì)節(jié)對地物輪廓邊緣信息提取造成的干擾，需首先消除地物內(nèi)部的紋理細(xì)節(jié)。由于FCM算法具有可以將聚類到同一簇的對象間相似度最大，而不同簇的對象間相似度最小的優(yōu)點，本文采用FCM聚類算法對遙感影像中地物內(nèi)部的紋理細(xì)節(jié)進(jìn)行聚類處理，從而減少其對地物輪廓邊緣信息檢測造成的干擾。

4)邊緣信息檢測。經(jīng)2)、3)處理之后，遙感影像的噪聲和紋理信息得到了較好的抑制，結(jié)合Canny算子具有極好的邊緣檢測效果，本文采用Canny算子對聚類圖進(jìn)行邊緣信息檢測。

5)精度評價。采用主觀和客觀的評價方法對邊緣檢測結(jié)果進(jìn)行分析和評價。

2 實驗結(jié)果與分析

為了驗證本文方法的可行性和有效性，進(jìn)行了兩組實驗。第1組實驗數(shù)據(jù)為安寧市某區(qū)域2009年成像的QuickBird全色波段影像，其分辨率為0.61 m，實驗區(qū)大小為1 013×1 146像元，如圖2(a)所示。第2組實驗數(shù)據(jù)為安寧市另一區(qū)域2009年成像的QuickBird全色波段影像，其分辨率為0.61 m，實驗區(qū)大小為669×606像元，如圖2(b)所示。本實驗采用MATLAB R2010b平臺進(jìn)行仿真實驗。

圖2 實驗圖

為了評價本文方法的效果和質(zhì)量，采用主觀評價和客觀評價兩種方法對邊緣檢測結(jié)果進(jìn)行精度評估。主觀評價是指對不同方法得到的結(jié)果進(jìn)行視覺比較。圖3(a)、圖3(b)以及圖4(a)、圖4(b)分別為采用基于傳統(tǒng)Canny算子和采用本文方法分別對第1組和第2組遙感影像進(jìn)行邊緣信息檢測得到的結(jié)果。對比圖3(a)、圖3(b)、圖4(a)、圖4(b)，以及4張結(jié)果圖中的紅色圈出部分的放大圖圖5和圖6可以看出：采用基于傳統(tǒng)Canny算子的邊緣檢測方法，由于受混合噪聲和紋理細(xì)節(jié)的影響，檢測出大量的偽邊緣；而本文提出的方法，由于采用中值濾波在降低了原始遙感影像中非高斯噪聲的同時，并未對地物邊緣造成影響，且通過FCM聚類減少了紋理細(xì)節(jié)造成的干擾，檢測出來的邊緣信息較為清晰，邊緣線型的連接程度好，邊緣提取完整，且偽邊緣數(shù)量少。為了定量分析減少的偽邊緣數(shù)量，實驗還對檢測后的地物邊緣像素進(jìn)行了統(tǒng)計：第1組實驗圖采用傳統(tǒng)Canny算子和本文方法得到的像素數(shù)分別為342 915像素和141 781像素；第2組實驗圖采用傳統(tǒng)Canny算子和本文方法得到的像素數(shù)分別為81 382像素和39 268像素。從兩組實驗結(jié)果可以看出，本文方法與傳統(tǒng)Canny算子相比減少了大量的偽邊緣數(shù)量。

圖3 第1組遙感影像實驗對比

圖4 第2組遙感影像實驗對比

圖5 第1組遙感影像實驗局部放大對比

圖6 第2組遙感影像實驗局部放大對比

為了進(jìn)一步評價兩組實驗結(jié)果的質(zhì)量，實驗還采用了敏感度[16]作為客觀評價因子。其中檢測出的偽邊緣越少，其敏感度就越小，說明邊緣檢測結(jié)果的質(zhì)量越好。兩組實驗結(jié)果的敏感度如表1所示，從表1可以看出本文方法的邊緣檢測結(jié)果明顯優(yōu)于基于傳統(tǒng)Canny算子的邊緣檢測結(jié)果。

表1 兩組實驗結(jié)果的敏感度

通過客觀評價方法和主觀評價方法得到的評價結(jié)果可以看出，本文提出的方法與傳統(tǒng)Canny算子相比，效果更好，說明本文方法具有可行性和有效性。

3 結(jié)束語

為了更好地提取遙感影像邊緣信息，提出一種FCM聚類算法協(xié)同Canny算子的遙感影像邊緣檢測方法。該方法采用中值濾波方法消除了遙感影像中的非高斯噪聲，降低了噪聲對邊緣信息提取造成的影響，并采用FCM聚類算法解決了地物內(nèi)部紋理信息對地物輪廓邊緣信息提取造成的干擾。實驗結(jié)果表明，本文提出的方法具有更好的檢測效果，減少了大量偽邊緣信息，對于遙感影像邊緣信息檢測具有一定的借鑒作用。但對于林地邊界提取還存在一定的問題，有待進(jìn)一步研究。

[1]吳俐民，左小清，倪曙，等. 衛(wèi)星遙感影像專題信息提取[M].成都：西南交通大學(xué)出版社，2013.

[2]周家香，朱建軍，梅小明，等. 多維特征自適應(yīng)MeanShift遙感圖像分割方法[J]. 武漢大學(xué)學(xué)報：信息科學(xué)版，2012，37(4)：419-422.

[3] 高燕，蘇奮振，周成虎，等. 面向?qū)ο蟮倪b感影像時空特征模型研究[J]. 測繪工程，2013，22(5)：29-33.

[4]孫根云，黃丙湖，朝旭軍. 遙感圖像邊緣檢測的不確定性及其處理方法探討[J]. 遙感信息，2010(6)：110-114.

[5]吳桂平，肖鵬峰，馮學(xué)智，等. 一種基于頻譜段能量的高分辨率遙感圖像邊緣特征檢測方法[J]. 測繪學(xué)報，2011，40(5)：587-591.

[6]黃亮，左小清，馮沖，等. 基于Canny算法的面向?qū)ο笥跋穹指頪J]. 國土資源遙感，2011(4)：26-30.

[7]向晶，周紹光，陳超.基于改進(jìn)高斯混合模型的遙感影像道路提取[J]. 測繪工程，2014，23(3)：42-45.

[8]DUANN J C. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters [J]. Journal of Cybernetics, 1973, (3): 32-57.

[9]BEZDEK J C. Pattern Recognition with Fuzzy Objective Function Algorithms [M]. New York: Plenum Press, 1981.

[10]苗京，黃紅星，程衛(wèi)生，等. 基于蟻群模糊聚類算法的圖像邊緣檢測[J]. 武漢大學(xué)學(xué)報：工學(xué)版，2005，38(5)：124-127.

[11]李巖，孫勁光，張新君. 一種基于FCM聚類的圖像快速分割算法研究[J]. 計算機(jī)與信息技術(shù)，2008(3)：7-11.

[12]徐獻(xiàn)靈，林弈水. 圖像邊緣檢測算法比較與分析[J]. 自動化與信息工程，2007(3)：44-46.

[13]陸興娟，吳震宇. 圖像邊緣檢測算法研究[J]. 現(xiàn)代電子技術(shù)，2010(6)：128-130.

[14]CANNY J. A Computational Approach to Edge Detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6): 679-698.

[15]HUANG L, FANG Y M, ZUO X Q, et al. Application of Markov Chain to Edge Information Extraction from High Resolution Remote Sensing Image [J]. Electronic Journal of Geotechnical Engineering, 2013, 18(P): 3237-3245.

[16]NASHAT S, ABDULLAH A, ABDULLAH M Z. Unimodal threshold for Laplacian-based Canny-Deriche Filter [J]. Pattern Recognition Letters, 2012(33): 1269-1285.

[責(zé)任編輯：劉文霞]

Edge detection method of remote sensing images based on FCM clustering algorithm and canny operator

WU Li-min1, YU Xue-qin2, HUANG Liang3

(1. Kunming Surveying and Mapping Management Center, Kunming 650500, China; 2. Kunming Surveying and Mapping Institute, Kunming 650051, China; 3. School of Land Resource Engineering, Kunming University of Science and Technology, Kunming 650093, China)

An edge detection method is based on FCM clustering and Canny operator for remote sensing image is proposed. In the algorithm, median filter is first used to eliminate non-Gaussian noise of original remote sensing image; then, FCM (Fuzzy C-mean) is used to divide pixels of image processed into two categories: edge pixels and non-edge pixels, and clustering image can be obtained; finally, Canny algorithm is used for clustering image to get ground objects edge information of remote sensing image by edge detection. The experiment results show that the proposed method can denoise effectively and accurately the edge of ground objects. Proposed method is an effective edge detection method for remote sensing.

fuzzy C-mean; edge detection; remote sensing image; Canny operator; median filtering

2013-10-21；補充更新日期：2014-08-12

云南省教育廳科學(xué)研究基金資助項目(2013J062)

吳俐民(1965-)，男，正高級工程師，注冊測繪師.

P237

：A

：1006-7949(2014)12-0001-04