k均值聚類引導的遙感影像多尺度分割優(yōu)化方法

王慧賢，靳惠佳，王嬌龍，江萬壽.武漢大學測繪遙感信息工程國家重點實驗室，湖北武漢40079；2.中國科學院電子學研究所空間信息處理與應用系統(tǒng)技術(shù)重點實驗室，北京0090；.河北省制圖院，河北石家莊0500

k均值聚類引導的遙感影像多尺度分割優(yōu)化方法

王慧賢1，2，靳惠佳1，王嬌龍3，江萬壽1
1.武漢大學測繪遙感信息工程國家重點實驗室，湖北武漢430079；2.中國科學院電子學研究所空間信息處理與應用系統(tǒng)技術(shù)重點實驗室，北京100190；3.河北省制圖院，河北石家莊050031

針對不同尺度地物的分割需求，提出了一種k均值聚類引導的多尺度分割優(yōu)化方法。首先對原始影像進行小尺度分割和k均值聚類，然后利用k均值聚類結(jié)果引導對象合并，在合并過程中利用Otsu閾值方法自動選擇k均值聚類的影響因子，最終得到適應不同尺度地物的分割結(jié)果。以FNEA多尺度分割方法為例，利用模擬數(shù)據(jù)和真實的GeoEye-1影像數(shù)據(jù)進行相關(guān)試驗，目視和定量評價表明本文方法能夠得到適宜不同尺度地物的高質(zhì)量分割結(jié)果。

多尺度分割；k均值聚類；引導優(yōu)化；FNEA；Otsu閾值法

1　引 言

隨著遙感技術(shù)的發(fā)展，高分辨率影像能夠提供越來越詳盡的地面特征，既有如水體、農(nóng)田等大尺度地物，又有如汽車、交通標記等小尺度地物，多尺度特征表現(xiàn)得更加明顯。單個像元已經(jīng)很難表達一個地物目標并且基于像元的分割結(jié)果往往不連續(xù)，而面向?qū)ο蟮姆指罘椒梢钥朔@些缺點，隨之應運而生。伴隨著多尺度特征的凸顯，于21世紀初多尺度概念在圖像分割領域得到了廣泛應用。多尺度分水嶺（watersheds）算法［1-2］、均值漂移算法（mean shift）［3］、統(tǒng)計區(qū)域合并算法［4］、小波域HMT模型［5］、基于圖的分割算法［6］以及分形網(wǎng)絡演化方法（fractal net evolution approach，F(xiàn)NEA）［7］等都是多尺度分割領域典型的算法。這類方法通常試圖采用特定的最優(yōu)尺度閾值參數(shù)來控制分割過程，以使地物高水平對象特征得到更好地表達［8］。目前最優(yōu)分割尺度的選擇方法可以歸為定性和定量兩種。定性方法主要是“試錯法”［9］，即根據(jù)研究者的需求通過反復試驗分割尺度，目視確定其值。這種方法具有一定的主觀性，受工作人員專業(yè)水平和感官差異的限制，很難得到最優(yōu)分割結(jié)果。另有一些研究者設計各種模型或算法來定量確定不同地物的最佳分割尺度，以增強對目標物的檢測與識別能力，如影像方差和空間自相關(guān)法［8］、局部方差法［10］、最大面積法［11］、矢量距離指數(shù)［12］以及建立圖斑顯著性變化曲線［13］，對最優(yōu)尺度的確定進行試驗，也取得了一定的成效。然而這些方法往往只針對某種特定地物類型，這時獲得的最佳分割尺度并非每種地物的最佳分割尺度。因為在一幅遙感圖像中，對于不同的地物，其適宜的分割尺度可能不同，如水體和汽車所需的分割尺度就不一樣。研究表明小的尺度閾值會得到詳盡的較小區(qū)域，大的尺度閾值產(chǎn)生較大的影像區(qū)域從而反映特征顯著的對象。這樣往往導致大尺度地物適合時，小尺度地物欠分割；小尺度地物適合時，大尺度地物過分割，很難得到一個滿足不同尺度地物需求的結(jié)果。

鑒于此，本文提出一種k均值聚類引導的多尺度分割優(yōu)化方法，該方法降低了對尺度參數(shù)的依賴，可以同時獲得適應不同地物類型的分割結(jié)果，下面以FNEA方法為例來說明該優(yōu)化方法的原理與流程。

2　基于FNEA的影像初分割

FNEA是文獻［7］在2000年提出的一種面向?qū)ο蟮亩喑叨葓D像分割方法，通過設置不同的尺度參數(shù)，并基于自下而上信息進行區(qū)域合并，最終得到對象的層次結(jié)構(gòu)。這種面向?qū)ο蟮乃枷刖C合考慮對象的光譜特征和形狀特征等優(yōu)點，使得其優(yōu)于其他的多尺度分割算法。

該方法的依據(jù)為合并前后單元的異質(zhì)度變化程度，合并規(guī)則要求合并前后對象的異質(zhì)度變化最小，合并后異質(zhì)度的增加量hdiff表示為

式中，Δhcolor為光譜異質(zhì)度增量，權(quán)重為wcolor；Δhshape為形狀異質(zhì)度增量，權(quán)重為wshape。Δhshape由緊致度增量Δhcomp和光滑度增量Δhsmooth兩部分組成，權(quán)重分別為wcomp和wsmooth，計算公式如式（2）

式中，wc表示每個波段c的權(quán)值；n1、n2、σ1c、σ2c、l1、l2、b1、b2分別為要合并的兩個對象的像素個數(shù)、方差、周長和最小外包矩形的周長；nm、σmc、lm、bm分別為合并后的對象的像素個數(shù)、方差、周長和最小外包矩形的周長。

FNEA方法采用局部最優(yōu)合并策略，與全局最優(yōu)策略相比，能夠顧及更多的細節(jié)和低對比度區(qū)域，而且執(zhí)行效率更高。FNEA對象的合并是一個迭代的過程，在每一次迭代中，若該對象與其鄰域?qū)ο蟮淖钚‘愘|(zhì)度增量小于閾值，則將它與該鄰域?qū)ο蠛喜⒊尚碌膶ο?，否則不進行任何操作。迭代終止的條件是在該次迭代中所有的對象都沒有與其鄰域?qū)ο筮M行合并，即該次迭代過程中異質(zhì)度的增加量超出了閾值。

在本文中，F(xiàn)NEA作為初分割，設置較小的尺度參數(shù)得到較小的分割對象，以便作為后續(xù)基于k均值聚類引導優(yōu)化合并過程的基礎。

3　k均值聚類引導的多尺度分割優(yōu)化方法

3.1 k均值聚類引導的優(yōu)化策略

k均值聚類［14］是一種非監(jiān)督分類方法，易于實現(xiàn)且效率較高，在所有聚類算法中應用最為廣泛。它以距離為相似性準則，認為兩個對象的距離越近，其相似度越大。利用k均值聚類對原始數(shù)據(jù)進行分類，能夠得到適合大尺度地物較好的分類結(jié)果。

將k均值聚類結(jié)果應用于初分割后的小尺度對象合并過程，包括以下3個步驟：

（1）判斷對象層中每個對象和其鄰域?qū)ο蟮念悇e。結(jié)合k均值聚類的結(jié)果，統(tǒng)計FNEA小尺度分割結(jié)果每個對象的類別直方圖。判定標準：如果該對象中絕大多數(shù)像素即第一主類的百分比大于k均值聚類影響控制因子α，則定義該對象為第一主類所屬類別；反之則不對該影像進行處理。

（2）計算當前對象與類別相同的鄰域?qū)ο蟮念悇e同質(zhì)度Hd，并得到最大的類別同質(zhì)度Hdmax。

（3）該對象與類別同質(zhì)度最大的鄰域?qū)ο蠛喜ⅰ?/p>

算法的具體流程參見圖1。

圖1　k均值聚類引導多尺度分割算法流程Fig.1 The flowchart of k-means clustering guiding multi-scale segmentation

這里合并中所用類別同質(zhì)度的定義為

式中，sum1和c11分別為當前處理對象像素數(shù)和第一主類百分比；sum2和c21分別為鄰域?qū)ο蟮南袼財?shù)和第一主類百分比。

3.2 基于Otsu自動閾值的k均值聚類影響控制因子α的確定

從圖1k均值聚類引導優(yōu)化流程可以看出，控制因子α的確定至關(guān)重要。為了保證該因子能夠自動的適應不同影像的需要，提出一種基于Otsu自動閾值選擇的確定方法。Otsu閾值選擇法［15］是一種比較流行的自動閾值選擇方法。該方法將閾值選擇看作一種二類分割問題，基于直方圖統(tǒng)計理論尋找類內(nèi)方差最小或類間方差最大的值。在分割合并過程中，k均值聚類結(jié)果的影響無非是判斷該對象類別的單純性和主導性，進而判斷是否要進行后面的引導處理，本質(zhì)上也是一種二類問題，所以在此應用二類分割方法來自動獲取控制因子是可行的。Otsu自動閾值分割方法的目標函數(shù)可以用類間方差最大求解，其形式為

表示滿足目標函數(shù)的最優(yōu)閾值；L為影像的灰度水平。

首先將原始影像的每個像素的波段值進行平方和相加再開平方獲得每個像素的亮度值，然后利用Otsu方法對亮度值影像按照式（5）進行二類分割獲得閾值T＊，求取T＊所對應的累積概率值，該值即為所求取的控制因子α。

4　試驗結(jié)果與分析

為了驗證本文方法的有效性，采用模擬影像和GeoEye-1遙感影像兩組數(shù)據(jù)進行試驗，如圖2所示。利用FNEA不同分割尺度與本文方法進行對比試驗，運用對象一致性誤差［16-17］（object-levelconsistency error，OCE），變化信息（variation of information，VI）［18］作為分割結(jié)果整體評價的定量評價指標。為了更好地體現(xiàn)面向?qū)ο蟮乃枷耄瑫r利用形狀指數(shù)（shape index，SI）［19］、完整性（completeness，CPS）和正確性（correctness，CRS）［20］來對分割結(jié)果進行對象級別的定量評價。

4.1 模擬影像分割試驗

第1組試驗數(shù)據(jù)是從GeoEye-1遙感影像中提取的樣本數(shù)據(jù)而組合的圖像，影像左上角為草地、右上角為森林、左下角為水體、右下角為耕地，在草地和林地中還零星有一些大小和顏色不同的房子，大小為512像素×512像素，如圖2（a）所示。圖3（a）是用來評價的參考分割圖像，分別選取3個不同尺度的對象（對象1、對象2和對象3）區(qū)域作定量評價。圖3（b）是經(jīng)k均值聚類得到的分類圖。利用FNEA不同尺度參數(shù)50、100、150以及本文方法（初分割尺度50）對圖2（a）進行分割，分割結(jié)果分別見圖3（c）、圖3（d）、圖3（e）、圖3（f），定量評價見表1、表2、表3。

表1　模擬影像各分割結(jié)果的定量評價Tab.1 The quantitative assessment of the segmentation results of simulated image

表2　對象1的詳細評估Tab.2 Detailed evaluations of reference object number 1

表3　3個參考對象的詳細評估Tab.3 Cumulated results of 3 reference areas

從圖3分割結(jié)果可以看出FNEA方法在較小尺度時存在過分割現(xiàn)象，如圖3（c）對象1區(qū)域內(nèi)的房子、對象2區(qū)域的房子和右下角耕地區(qū)域，而在較大尺度時誤分割嚴重，如圖3（e）中圓形區(qū)域內(nèi)小房子沒有被分割出來。主要原因在于FNEA分割過程中過度依賴尺度參數(shù)，尺度閾值越大，分割結(jié)果合并越嚴重，容易產(chǎn)生欠分割現(xiàn)象；反之則存在過分割現(xiàn)象。與FNEA各個尺度分割結(jié)果相比，本文方法分割結(jié)果能夠較好地滿足各種尺度地物的分割需要，分割效果均有很大提高。

定量評價指標中，VI是由實際分割結(jié)果的熵、參考分割圖像的熵以及實際分割結(jié)果與參考分割圖像的聯(lián)合熵這3個分量計算得出，用以衡量實際分割結(jié)果相對參考分割圖像的信息變化量，VI值越小分割效果越好。OCE綜合考慮對象的形狀和大小，能量化同一對象級別的分割圖像與地面真實圖像之間的差異，數(shù)值越小分割質(zhì)量越好。這兩個指標是分別從熵和對象的角度對整幅圖像進行評價。由表1可知，在模擬影像試驗中，與FNEA不同尺度參數(shù)分割結(jié)果相比，本文方法的VI值為0.063、OCE值為0.159，均最小，表明了本文方法得到的分割結(jié)果最接近參考分割圖像。

CPS和CRS越接近1，表明其分割結(jié)果與參考分割圖像越接近；分割對象的SI值與參考對象的SI值越接近，表明分割邊界越正確，區(qū)域一致性越好，分割效果越佳。由于篇幅限制，這里只展示了有代表性的3個不同尺度對象區(qū)域定量評價結(jié)果。從表2中可以看出，隨著分割尺度參數(shù)的增加，圖3（c）—圖3（e）中對象1的分割結(jié)果逐漸變好，尺度參數(shù)為50時得到6個子對象，尺度參數(shù)為150時得到3個子對象，其SI值也越來越接近參考分割圖像的SI值。結(jié)合圖3（c）、圖3（d）、圖3（e）可知，隨著分割尺度的增加，小尺度地物對象2消失了，存在嚴重的欠分割現(xiàn)象。相比之下，在本文方法的分割結(jié)果圖3（f）中對象1的SI值與參考分割圖像的SI值最接近，分割對象數(shù)目也相同。結(jié)合CPS和CRS可知，本文方法得到了較好的分割結(jié)果。為了驗證不同尺度地物的情況，選取對象1、對象2和對象3的平均情況來進行評價，如表3所示。從表3中可以看出，傳統(tǒng)FNEA不同尺度參數(shù)分割結(jié)果存在不同程度的過分割和欠分割現(xiàn)象，它們的SI值與參考分割圖像差異較大，相比之下本文方法得到的分割結(jié)果克服了過分割和欠分割問題，SI值與參考分割圖像SI值的差異最小。綜上所述，本文方法能夠較好地解決傳統(tǒng)FNEA分割結(jié)果過度依賴尺度參數(shù)的問題，能夠較快速得到一種適合多種尺度地物的分割結(jié)果。

4.2 真實GeoEye-1遙感圖像分割試驗

第2組試驗數(shù)據(jù)是澳大利亞塔斯馬尼亞州的首府霍巴特港口區(qū)域分辨率為0.5m的GeoEye-1影像，圖中主要有植被、水體、房屋和不透水層4類地物，為了清楚的展示結(jié)果，筆者選取大小為300像素×300像素局部影像塊。圖2（b）是待分割的影像，圖4（a）是參考分割圖，分別選取3個有代表性的對象（對象1、對象2和對象3）區(qū)域作定量碼評價，圖4（b）為圖2（b）經(jīng)k均值聚類得到的分類圖。同樣，作者采用傳統(tǒng)的FNEA不同尺度參數(shù)50、100、150與本文方法（初分割尺度50）進行對比，分割結(jié)果分別見圖4（c）、圖4（d）、圖4（e）、圖4（f）。定量評價見表4、表5、表6。

圖2　試驗數(shù)據(jù)Fig.2 The images of experiments

圖3　模擬影像分割結(jié)果Fig.3 Segmentation results of the simulated image

圖4　真實GeoEye-1影像分割結(jié)果Fig.4 Segmentation results of the real GeoEye-1image

表4　真實GeoEye-1影像各分割結(jié)果的定量評價Tab.4 The quantitative assessment of the segmentation results of real GeoEye-1 image

表5　對象1的詳細評估Tab.5 Detailed evaluations of reference object number 1

表6　3個參考對象的詳細評估Tab.6 Cumulated results of 3 reference areas

從圖4分割結(jié)果可以看出，F(xiàn)NEA方法在各種尺度下都存在明顯的誤分割現(xiàn)象，在較小分割尺度，存在明顯的過分割現(xiàn)象，如圖4中對象2區(qū)域內(nèi)的房子。隨著尺度參數(shù)的增加，房子分割效果明顯變好，但是較小尺度地物如圖4中對象1區(qū)域內(nèi)房子卻沒有分割出來，即存在欠分割現(xiàn)象。本文方法不僅糾正了誤分割現(xiàn)象，解決了FNEA小尺度參數(shù)的過分割現(xiàn)象和大尺度參數(shù)的欠分割現(xiàn)象，而且很大程度上保留了分割對象邊界的細節(jié)信息，分割精度得到了較大的提高。

在定量評價上，采取與模擬影像試驗一樣的評價策略。整體評價指標中，本文方法的VI值為0.497，低于FNEA各個尺度參數(shù)分割結(jié)果的最小值1.296，表明本文方法所得分割結(jié)果與理想分割結(jié)果相比，信息變化量較少。本文方法的OCE值為0.635，小于FNEA各個尺度參數(shù)分割結(jié)果的最小值0.676，表明本文方法所得分割結(jié)果與參考分割結(jié)果最為一致。表5是圖4中對象1（紅色圓形內(nèi)）各種分割方法的定量評價，顯然FNEA在尺度參數(shù)為50的時候，能夠?qū)⒃搶ο筝^好地分割出來，但是對于其他大尺度地物來說，卻存在明顯的過分割現(xiàn)象（如水體和植被）。隨著分割尺度的增加，在尺度參數(shù)為100和150的時候，過分割現(xiàn)象逐漸減小，但是小尺度地物卻存在欠分割現(xiàn)象如對象1沒有被分割出來。表6是選取3個有代表性的對象區(qū)域的平均情況進行定量評價結(jié)果，可以看出本文方法的SI值平均差異為21.135%，較FNEA各個尺度參數(shù)分割結(jié)果74.787%更接近0，同時各個對象平均分割數(shù)目是2也相對較好，不存在明顯的過分割現(xiàn)象。綜上可知，本文方法在FNEA小尺度分割結(jié)果的基礎上再進行一次對象合并，能較好地保持小尺度分割結(jié)果中的細節(jié)，如尺寸很小的房子（對象1），同時也得到了更加完整、規(guī)則的較大尺度地物，如水體、植被等。

5　結(jié) 論

針對傳統(tǒng)多尺度分割方法過分依賴尺度參數(shù)，大尺度地物和小尺度地物分割難以得到權(quán)衡的問題，本文提出一種k均值聚類引導的多尺度分割優(yōu)化方法。模擬影像和真實遙感影像的試驗結(jié)果表明與傳統(tǒng)FNEA方法相比，本文方法在分割精度和細節(jié)方面有較大的提高，能夠得到適合多種尺度地物較好的分割結(jié)果，無需進行多次嘗試得到最優(yōu)尺度參數(shù)，基本解決了傳統(tǒng)FNEA方法的分割結(jié)果對尺度參數(shù)過度依賴的問題。

本文僅以FNEA這種多尺度分割方法為例，下一步工作是將這種優(yōu)化策略擴展到其他的多尺度分割方法中，并利用其他更優(yōu)的非監(jiān)督分類算法進行引導，從而得到適應不同尺度地物的最優(yōu)分割結(jié)果。

致謝：感謝張靖博士在論文前期工作中給予的支持。

［1］ VANHAMEL I，PRATIKAKIS I，SAHLI H.Multiscale Gradient Watersheds of Color Images［J］.IEEE Transactions on Image Processing，2003，12（6）：617-626.

［2］ XIAO Pengfeng，F(xiàn)ENG Xuezhi，ZHAO Shuhe，et al. Segmentation of High Resolution Remotely Sensed Imagery Based on Phase Congruency［J］.Acta Geodaetica et Cartographica Sinica，2007，36（2）：146-151.（肖鵬峰，馮學智，趙書河，等.基于相位一致的高分辨率遙感圖像分割方法［J］.測繪學報，2007，36（2）：146-151.）

［3］ COMANICIU D，MEER P.Mean Shift：A Robust Approach toward Feature Space Analysis［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（5）：603-619.

［4］ NOCK R，NIELSEN F.Statistical Region Merging［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26（11）：1452-1458.

［5］ HAN Bing，ZHAO Yindi，GE Lele.Wavelet-domain in HMT Model Based on Iterative Context Fusion for Remote Sensing Image Segmentation［J］.Acta Geodaetica et Cartographica Sinica，2013，42（2）：233-237.（韓冰，趙銀娣，戈樂樂.遙感圖像分割的迭代上下文融合小波域HMT模型［J］.測繪學報，2013，42（2）：233-237.）

［6］ FELZENSZWALB P F，HUTTENLOCHER D P.Efficient Graph-based Image Segmentation［J］.International Journal of Computer Vision，2004，59（2）：167-181.

［7］ BAATZ M，SCH?PE A.Multiresolution Segmentation：An Optimization Approach for High Quality Multi-scale Image Segmentation［C］∥Angewandte Geographische Informationsverarbeitung XII：Beitr?ge zum AGITSymposium.Salzburg：Herbert Wichmann Verlag，2000：12-23.

［8］ IKOKOU G B，SMIT J.A Technique for Optimal Selection of Segmentation Scale Parameters for Object-oriented Classification of Urban Scenes［J］.South African Journal of Geomatics，2013，2（4）：358-369.

［9］ LI Qin，GAO Xizhang，ZHANG Tao，et al.Optimal Segmentation Scale Selection and Evaluation for Multi-layer Image Recognition and Classification［J］.Journal of Geo-Information Science，2011，13（3）：409-417.（李秦，高錫章，張濤，等.最優(yōu)分割尺度下的多層次遙感地物分類實驗分析［J］.地球信息科學學報，2011，13（3）：409-417.）

［10］ KIM M，MADDEN M，WARNER T.Estimation of Optimal Image Object Size for the Segmentation of Forest Stands with Multispectral IKONOS Imagery［M］∥Object-based Image Analysis.Berlin：Springer，2008：291-307.

［11］ HUANG Huiping.The Scale of the Problem of Objectoriented Image Analysis［D］.Beijing：Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences，2003，124-126.（黃慧萍.面向?qū)ο笥跋穹治鲋械某叨葐栴}研究［D］.北京：中國科學院遙感應用研究所，2003，124-126.）

［12］ YU Huan，ZHANG Shuqing，KONG Bo，et al.Selection of the Optimal Segmentation Scale in Object-oriented Remote Sensing Image Classification［J］.Journal of Image and Graphics，2010，15（2）：352-360.（于歡，張樹清，孔博，等.面向?qū)ο筮b感影像分類的最優(yōu)分割尺度選擇研究［J］.中國圖象圖形學報，2010，15（2）：352-360.）

［13］ CHEN Jianyu，PAN Delu，MAO Zhihua.High-resolution Remote Sensing Images Coastal Optimal Partition of Simple Objects-scale Problems［J］.Scientia Sinica Terrae，2006，36（11）：1044-1051.（陳建裕，潘德爐，毛志華.高分辨率海岸帶遙感影像中簡單地物的最優(yōu)分割尺度問題［J］.中國科學：地球科學，2006，36（11）：1044-1051.）

［14］ WANG Xiaojun，LEESER M.K-means Clustering for Multispectral Images Using Floating-point Divide［C］∥Proceedings of the 15th Annual IEEE Symposium on Field-programmable Custom Computing Machines.Napa， CA：IEEE，2007：151-162.

［15］ OTSU N.A Threshold Selection Method from Gray-level Histograms［J］.IEEE Transactions on Systems，Man and Cybernetics，1979，9（1）：62-66.

［16］ POLAK M，ZHANG Hong，PI Minghong.An Evaluation Metric for Image Segmentation of Multiple Objects［J］. Image and Vision Computing，2009，27（8）：1223-1227.

［17］ ZHOU Jiaxiang.Study on Mean Shift Segmentation and Application of Remotely Sensed Imagery［D］.Changsha：Central South University，2012.（周家香.Mean Shift遙感圖像分割方法與應用研究［D］.長沙：中南大學，2012.）［18］ MEILA M.Comparing Clusterings：An Information Based Distance［J］.Journal of Multivariate Analysis，2007，98（5）：873-895.

［19］ NEUBERT M，MEINEL G.Evaluation of Segmentation Programs for High Resolution Remote Sensing Applications［C］∥Proceedings of the Joint ISPRS/EARSel Workshop：High Resolution Mapping from Space.Hannover，Germany：［s.n.］，2003.

［20］ ROTTENSTEINER F，TRINDER J，CLODE S，et al.Using the Dempster-shafer Method for the Fusion of LiDAR Data and Multi-spectral Images for Building Detection［J］. Information Fusion，2005，6（4）：283-300.

（責任編輯：叢樹平）

E-maiI：jws@whu.edu.cn

Optimization Approach for MuIti-scaIe Segmentation of RemoteIy Sensed Imagery under k-means CIustering Guidance

WANG Huixian1，2，JIN Huijia1，WANG JiaoIong3，JIANG Wanshou1
1.State Key Laboratory of Information Engineering in Surveying，Mapping and Remote Sensing，Wuhan University，Wuhan 430079，China；2.Key Laboratory of TechnoIogy in Geo-spatiaI Information Processing and AppIication System，Institute of EIectronics，Chinese Academy of Sciences，Beijing100190，China；3.Hebei ProvinciaI Institute of Cartography，Shijiazhuang050031，China

In order to adapt different scaIe Iand cover segmentation，an optimized approach under the guidance of k-means cIustering for muIti-scaIe segmentation is proposed.At first，smaII scaIe segmentation and k-means cIustering are used to process the originaI images；then the resuIt of k-means cIustering is used to guide objects merging procedure，in which Otsu threshoId method is used to automaticaIIy seIect the impact factor of k-means cIustering；finaIIy we obtain the segmentation resuIts which are appIicabIe to different scaIe objects.FNEA method is taken for an exampIe and segmentation experiments are done using a simuIated image and a reaI remote sensing image from GeoEye-1 sateIIite，quaIitative and quantitative evaIuation demonstrates that the proposed method can obtain high quaIity segmentation resuIts.

muIti-scaIe segmentation；k-means cIustering；guidance optimization；FNEA；Otsu threshoId method

The NationaI Basic Research Program of China（973 Program）（No. 2011CB707105）；The NationaI High-tech Research and DeveIopment Program of China（863 Program）（No.2013AA12A301）；Program for Changjiang SchoIars and Innovative Research Team in University（No.IRT1278）

WANG Huixian（1985—），femaIe，assistant research feIIow，majors in remote sensing

JIANG Wanshou

P237

A

1001-1595（2015）05-0526-07

國家973計劃（2011CB707105）；國家863計劃（2013AA12A301）；長江學者和創(chuàng)新團隊發(fā)展計劃（IRT1278）

WANG Huixian，JIN Huijia，WANG Jiaolong，et al.Optimization Approach for Multi-scale Segmentation of Remotely Sensed Imagery under k-means Clustering Guidance［J］.Acta Geodaetica et Cartographica Sinica，2015，44（5）：526-532.（王慧賢，靳惠佳，王嬌龍，等.k均值聚類引導的遙感影像多尺度分割優(yōu)化方法［J］.測繪學報，2015，44（5）：526-532.）

10.11947/j.AGCS.2015.20130497

2013-12-26

王慧賢（1985—），女，助理研究員，研究方向為遙感影像處理與分析。

江萬壽

修回日期：2014-11-04

imagery processing and anaIysis.

E-maiI：hxwang@maiI.ie.ac.cn