基于無人機(jī)影像的快速分割方法

魯恒， 付蕭， 劉超， 郭加偉3,， 茍思， 劉鐵剛

(1．四川大學(xué)水力學(xué)與山區(qū)河流開發(fā)保護(hù)國家重點(diǎn)實(shí)驗(yàn)室,成都　610065； 2．四川大學(xué)水利水電學(xué)院,成都　610065； 3.成都理工大學(xué)國土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,成都　610059；4.西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院,成都　611756)

基于無人機(jī)影像的快速分割方法

魯恒1,2,3， 付蕭4， 劉超1,2， 郭加偉3,4， 茍思1,2， 劉鐵剛1,2

(1．四川大學(xué)水力學(xué)與山區(qū)河流開發(fā)保護(hù)國家重點(diǎn)實(shí)驗(yàn)室,成都610065； 2．四川大學(xué)水利水電學(xué)院,成都610065； 3.成都理工大學(xué)國土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,成都610059；4.西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院,成都611756)

摘要：為解決地震災(zāi)區(qū)震后空間數(shù)據(jù)難以及時(shí)獲取的問題，考慮到無人機(jī)(unmanned aerial vehicle,UAV)遙感影像自身特點(diǎn)，提出了一種改進(jìn)的均值漂移(Mean Shift)分割算法。按照影像特征將UAV影像劃分為紋理區(qū)和勻色區(qū)，對(duì)勻色區(qū)直接進(jìn)行Mean Shift算法分割得到初分結(jié)果； 對(duì)紋理區(qū)綜合提取顏色、紋理、形狀信息構(gòu)造高維特征空間，并根據(jù)歸一化分布密度值求得其合適的帶寬，再使用Mean Shift算法對(duì)特征空間進(jìn)行模式分類得到分割結(jié)果； 通過構(gòu)造代價(jià)函數(shù)進(jìn)行區(qū)域合并，消除過分割區(qū)域，得到最終分割結(jié)果。針對(duì)蘆山地震后獲取的高空間分辨率UAV影像進(jìn)行分割實(shí)驗(yàn)，并提出一種考慮到面積和光譜的分割匹配指數(shù)對(duì)分割結(jié)果進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明： 所提出的改進(jìn)的Mean Shift算法的分割精度優(yōu)于傳統(tǒng)的Mean Shift算法，為后續(xù)的震害信息提取提供了數(shù)據(jù)保障。

關(guān)鍵詞：地震災(zāi)區(qū)； 均值漂移； 影像分割； 區(qū)域合并； 無人機(jī)(UAV)影像

0引言

隨著空間信息技術(shù)的高速發(fā)展，傳感器、信息傳輸和數(shù)據(jù)存儲(chǔ)技術(shù)日新月異，所獲取的遙感影像的空間分辨率越來越高。其中，無人機(jī)(unmannedaerialvehicle,UAV)航空攝影所獲取的低空UAV影像的空間分辨率可達(dá)到cm級(jí)[1]。對(duì)這些高空間分辨率遙感影像進(jìn)行自動(dòng)分析以獲取地表覆蓋信息的需求也與日俱增。與低空間分辨率遙感影像相比，高空間分辨率遙感影像包含的地物類別信息更為豐富，地面目標(biāo)的紋理和形狀特征更為清晰，這對(duì)遙感影像的處理和識(shí)別提出了更高的要求[2-3]。影像分割是進(jìn)行影像分析和理解的重要步驟，因此針對(duì)高空間分辨率遙感影像的分割算法已成為當(dāng)前遙感應(yīng)用研究領(lǐng)域的重要課題之一[4-5]。

近年來，均值漂移(MeanShift)算法在計(jì)算機(jī)和醫(yī)學(xué)等領(lǐng)域得到廣泛應(yīng)用。該算法主要借助特征空間樣本點(diǎn)完成相應(yīng)的計(jì)算和分析，在應(yīng)用過程中不需要先驗(yàn)知識(shí)，收斂速度快。MeanShift的典型應(yīng)用包括目標(biāo)跟蹤、醫(yī)學(xué)影像處理等領(lǐng)域，均取得了良好效果； 但由于高空間分辨率遙感影像具有光譜信息較弱、紋理信息豐富等特點(diǎn)，所以將該算法直接應(yīng)用于高空間分辨率遙感影像分割并不能得到預(yù)期結(jié)果。因此，本文提出一種基于改進(jìn)的MeanShift的分割算法，以得到更理想的影像分割結(jié)果； 并通過實(shí)驗(yàn)對(duì)分割結(jié)果進(jìn)行評(píng)價(jià)。

1Mean Shift算法

當(dāng)前的聚類算法在應(yīng)用中都需要先驗(yàn)知識(shí)，同時(shí)在其特征空間分析時(shí)還需添加相應(yīng)的假設(shè)條件。例如，K均值聚類算法應(yīng)用中對(duì)聚類數(shù)的設(shè)定有相應(yīng)要求，模糊C均值聚類應(yīng)用中則需設(shè)定模糊隸屬度函數(shù)。相對(duì)于這些聚類算法，MeanShift算法有以下優(yōu)勢(shì)： ①不需要先驗(yàn)條件，初始點(diǎn)可以選擇數(shù)據(jù)集的所有點(diǎn)； ②算法執(zhí)行過程中，類別是根據(jù)收斂點(diǎn)確定的； ③對(duì)各種采樣點(diǎn)的分布和維度都能夠?qū)崿F(xiàn)聚類。MeanShift算法是一個(gè)基于密度函數(shù)的梯度估計(jì)和模式搜索的迭代過程，從數(shù)據(jù)集合的某個(gè)點(diǎn)出發(fā)，通過計(jì)算均值向量，不斷逼近數(shù)據(jù)集合分布的局部極值點(diǎn)。Fukunaga等[6]最早把MeanShift算法引入模式識(shí)別領(lǐng)域，近年來由Cheng[7]、Comaniciu等[8-9]就核函數(shù)、點(diǎn)權(quán)值等問題對(duì)該算法進(jìn)行了一般化推廣，并從理論上證明了該算法的收斂性和可靠性。

1.1Mean Shift算法原理

用Rd表示d維歐氏空間，x表示Rd中的點(diǎn)，并采用列向量的形式進(jìn)行標(biāo)注。x模的計(jì)算公式為

‖x‖2=xTx。

(1)

R代表一個(gè)實(shí)數(shù)域。若函數(shù)K： Rd→R有輪廓函數(shù)k: [0,∞]→R，則

K(x)=ckk(‖x‖2) ,

(2)

式中ckk>0為標(biāo)準(zhǔn)化常數(shù)，且滿足： ①k≥0； ②k為增函數(shù)，即如果a

若Rd空間存在n個(gè)采樣點(diǎn){xi,1≤i≤n}，即可借助核函數(shù)K(x)和正定d×d帶寬矩陣Hi估算核函數(shù)密度。其方法為

(3)

直觀地說，密度估計(jì)f(x)是每個(gè)采樣點(diǎn)處的核函數(shù)加權(quán)求和的結(jié)果。密度函數(shù)梯度估計(jì)等于密度函數(shù)估計(jì)的梯度[10]，即

(4)

式中：g(x)=-k′(x)； Mean Shift向量為MHi(x)=mHi(x)-x。

Mean Shift迭代公式為

(5)

(6)

對(duì)于二維特征空間中的采樣點(diǎn)，若給定核函數(shù)G(x)和誤差閾值ε，并任意選擇搜索圓O(其半徑為帶寬h)，則MeanShift算法的步驟如下： ①按式(6)求解圓O采樣點(diǎn)的均值mh(x)； ②若圓心O密度小于mh(x)密度，則可根據(jù)均值mh(x)和圓心O兩者求解差值,即可用來代表MeanShift向量mh(x)，實(shí)際上，分析獲得的向量方向與密度增加方向保持一致[11]； ③若MeanShift向量模小于誤差閾值ε，即‖mh(x)‖<ε，則迭代算法完成，若不滿足該條件，則執(zhí)行步驟④； ④若圓心O獲得均值mh(x)的賦值，則返回執(zhí)行步驟①。

經(jīng)迭代計(jì)算后搜索出密度極小值點(diǎn)。

1.2Mean Shift算法缺陷

遙感影像通常按照其影像特征劃分為紋理區(qū)和勻色區(qū)。直接將傳統(tǒng)MeanShift算法用于高空間分辨率彩色遙感影像分割，會(huì)存在2個(gè)缺陷：

1)在對(duì)影像進(jìn)行MeanShift濾波過程中，設(shè)定的帶寬為固定值，忽略了不同地貌的成像特點(diǎn)，會(huì)導(dǎo)致勻色區(qū)域出現(xiàn)過分割問題； 同時(shí)，還可能導(dǎo)致變化劇烈區(qū)域的地物區(qū)分較差，以致形成不完全分割,即欠分割問題。因此，全局最優(yōu)分割難度較大。

2)在過去所使用的MeanShift算法中，像元通過一定的函數(shù)關(guān)系與特征空間(L,U,V,x,y)保持對(duì)應(yīng)的關(guān)系，對(duì)空間樣本點(diǎn)就能夠借助像元位置分量(x,y)和色度分量(L,U,V)進(jìn)行表示，即可通過MeanShift算法分類所有的模式。但是，若分割區(qū)域內(nèi)的紋理相對(duì)豐富，則只通過空間和顏色就難以刻畫出不同地物間的差別，即特征空間本身的可分性較差，從而會(huì)影響MeanShift算法的分割效果。

2Mean Shift算法的改進(jìn)

通過分析傳統(tǒng)MeanShift算法的應(yīng)用特點(diǎn)，本文提出了新的MeanShift分割方法， 即采用方差檢測(cè)的方法分析彩色空間，并按照UAV影像特征將其劃分為紋理區(qū)和勻色區(qū)； 對(duì)勻色區(qū)直接進(jìn)行MeanShift分割得到初分結(jié)果； 對(duì)紋理區(qū)綜合提取顏色、紋理和形狀信息、構(gòu)造高維特征空間，并根據(jù)歸一化分布密度值求得其合適的帶寬，再使用MeanShift算法對(duì)特征空間進(jìn)行模式分類得到分割結(jié)果。該算法的技術(shù)流程見圖1。

圖1　改進(jìn)的Mean Shift分割方法流程

2.1影像預(yù)處理

由于遙感影像中存在的噪聲[8-9]會(huì)導(dǎo)致影像分割效果不佳，所以在影像分割前需要進(jìn)行濾波處理，以降低噪聲的影響。本文選擇自適應(yīng)平滑濾波方法，并按照行列順序完成整個(gè)濾波過程。其中，首先求解像元周圍3×3矩形窗內(nèi)8近鄰像元的3個(gè)彩色波段的方差和均值，相對(duì)于各個(gè)彩色波段，如果像元值減去均值的差的絕對(duì)值大于1.5倍方差，就認(rèn)為該像元為噪聲點(diǎn)； 同時(shí)，對(duì)像元8鄰域內(nèi)的像元值均采用均值代替； 再通過彩色空間變換處理濾波后的影像，并采用(L,U,V)模型表示色度值和亮度。

2.2影像區(qū)分類

性質(zhì)相同的遙感影像區(qū)表現(xiàn)平滑，灰度與色彩的一致性較好，故根據(jù)其一致性就能夠劃分遙感影像區(qū)，將其劃分成紋理區(qū)和勻色區(qū)； 同時(shí)，還可以采用簡單分類處理方法，即以x0點(diǎn)為中心，在寬度W的矩形窗口范圍內(nèi)，根據(jù)x0點(diǎn)像元彩色特征矢量(L,U,V)的分布密度判斷鄰域像元色彩的一致性。分布密度ω的計(jì)算公式為

(7)

式中： k為分布密度的核函數(shù)； h為核函數(shù)的帶寬。

核函數(shù)采用多元正態(tài)分布形式，即

(8)

2.3紋理區(qū)特征提取

紋理區(qū)在色度和亮度變化劇烈時(shí)，紋理分布較為明顯，同時(shí)在各種紋理模式下具有各自的地貌和地物特征。一般情況下，此種地貌和地物的面積相對(duì)較小，且形狀不規(guī)則，通過(L,U,V)空間變換獲得分割結(jié)果的精度偏低。因此，在考慮特征空間可分性的基礎(chǔ)上，需要在特征空間中融合形狀和紋理信息。

紋理特征能夠直接說明影像灰度分布在高階統(tǒng)計(jì)下的具體分布情況，通常將局部直方圖統(tǒng)計(jì)矩作為工具，測(cè)量區(qū)域紋理信息。紋理區(qū)像元pi在紋理特征向量分析過程中，通過窗寬w的矩形窗提取矩形鄰域空間Ωpi(該矩形中心為pi)。設(shè)Ωpi內(nèi)有K個(gè)灰度級(jí)，包含的像元數(shù)為N，歸一化直方圖為h(k),k=0,1,…,K-1，可定義4種紋理測(cè)度的統(tǒng)計(jì)矩(表1)。針對(duì)區(qū)域r中的n個(gè)像元，形狀特征主要用緊湊度c和光滑度s表示，其計(jì)算方法為

(9)

(10)

式(9)—(10)中：l為區(qū)域r的周長；b為區(qū)域r外接矩形的最短邊長。

表1　4種紋理測(cè)度的統(tǒng)計(jì)矩

因此，通過9維向量(L,U,V,μ,σ,Sk,Ku,s,c)就能夠直接描述影像紋理的所有像元； 在該向量中，前7維主要用來描述紋理、色度及亮度等特征，而第8維和第9維用來描述形狀特征。

2.4可變帶寬的Mean Shift聚類

(11)

式中h0為基準(zhǔn)Mean Shift帶寬，經(jīng)實(shí)驗(yàn)取h0=10。在所使用的9維特征空間中，根據(jù)前文敘述的Mean Shift算法確定紋理像元的模式類，從而完成紋理區(qū)的分割。

2.5區(qū)域合并

為了防止紋理區(qū)出現(xiàn)過分割問題，需對(duì)應(yīng)用區(qū)域進(jìn)行合并。具體過程如下：

1)構(gòu)造代價(jià)函數(shù)。通過進(jìn)行相鄰區(qū)域合并，生產(chǎn)新區(qū)域，改變前、后兩者的變化程度，并通過特征向量予以反映。若假設(shè)相鄰區(qū)域?yàn)閞i和rj，合并后為rij，則特征向量的變化為

Δij=nijcij-(nici+njcj) ,

(12)

式中nij為合并區(qū)域rij包含的像元數(shù)，nij=ni+nj。

采用加權(quán)平均方法計(jì)算出9維向量空間(L,U,V,μ,σ,Sk,Ku,s,c)中的合并代價(jià)，即

(13)

式中kf為各維向量的加權(quán)系數(shù)，且

(14)

2)合并鄰接圖。區(qū)域鄰接圖的合并需要根據(jù)所有鄰接圖進(jìn)行尋優(yōu)，確定最佳的合并區(qū)域，以保證合并代價(jià)最小。具體算法見參考文獻(xiàn)[12]，本文不再贅述。

3實(shí)驗(yàn)

北京時(shí)間2013年4月20日8時(shí)2分四川省雅安市蘆山縣(中心地理位置E102.95°，N30.3°)發(fā)生了7.0級(jí)地震，震中位于蘆山縣廟坪上，震源深度13 km。“4.20蘆山大地震”發(fā)生得很突然，其破壞強(qiáng)度超出人們的想象。重災(zāi)區(qū)路斷、橋斷、通信中斷，陷入了信息隔絕狀態(tài)。在這種情況下，衛(wèi)星遙感和UAV遙感技術(shù)成為快速獲取災(zāi)情的最佳途徑。面對(duì)突發(fā)的巨大地震災(zāi)害，如何快速有效地處理影像數(shù)據(jù)，提取震害信息，在震災(zāi)應(yīng)急調(diào)查、災(zāi)情評(píng)估及災(zāi)后重建中及時(shí)發(fā)揮應(yīng)有的作用，是對(duì)遙感技術(shù)應(yīng)用提出的重大挑戰(zhàn)，也是值得深入研究的問題。本文提出的改進(jìn)的Mean Shift分割算法為UAV影像的快速分割及震害信息提取提供了數(shù)據(jù)保障。

為驗(yàn)證本文所提出方法，在Matlab平臺(tái)下分別編程，實(shí)現(xiàn)改進(jìn)的Mean Shift算法及傳統(tǒng)的Mean Shift算法，將2種分割算法分別應(yīng)用于所獲取的蘆山縣震后UAV遙感影像(圖2)。

圖2　原始UAV影像

在Intel Core i5 2.4 GHz,2 G內(nèi)存、Windows 7環(huán)境下，采用傳統(tǒng)Mean Shift分割算法、使用帶寬為0.3時(shí)的分割結(jié)果如圖3(a)所示； 采用本文改進(jìn)的Mean Shift分割算法的分割結(jié)果如圖3(b)所示。

(a) 傳統(tǒng)Mean Shift分割結(jié)果 (b) 本文改進(jìn)算法分割結(jié)果

圖3不同算法UAV影像分割結(jié)果對(duì)比

Fig.3Comparison between results of UAV image segmented by different algorithms

對(duì)比圖3(a)和(b)可以看出，本文提出的改進(jìn)Mean Shift算法較之傳統(tǒng)的Mean shift算法對(duì)UAV影像右下部林地的分割結(jié)果更加清晰； UAV影像左側(cè)的耕地被分割得更加準(zhǔn)確，過分割和欠分割現(xiàn)象比傳統(tǒng)方法大大減少； 道路分割更為精細(xì)完整； 建筑用地分割更加清晰、完整，碎片較少?？傮w來看，采用本文改進(jìn)的Mean Shift算法的分割結(jié)果(圖3(b))與原始UAV影像(圖2)中的地物實(shí)體有很好的對(duì)應(yīng)關(guān)系。在實(shí)際應(yīng)用過程中，采用本文提出方法，在1 h內(nèi)完成了200景UAV影像的分割，為后續(xù)地震災(zāi)區(qū)影像信息快速提取提供了數(shù)據(jù)保障。

4實(shí)驗(yàn)結(jié)果分析

為了定量驗(yàn)證Mean Shift方法分割的精度，需要建立1種評(píng)價(jià)指標(biāo)來評(píng)判分割結(jié)果。于歡等[13]通過計(jì)算分割對(duì)象邊界與實(shí)際地物邊界的橫向和縱向矢量距離來評(píng)判分割結(jié)果的好壞，該評(píng)判方法主要考慮了分割對(duì)象與實(shí)際地物的形狀匹配度。Neubert等[14]則通過分割對(duì)象與實(shí)際地物的面積匹配度來判斷分割尺度是否合理。但上述匹配模型均忽略了分割對(duì)象與實(shí)際地物間的光譜匹配情況。本文從光譜匹配和面積匹配2種情況綜合考慮，建立了1種兼顧面積和光譜的分割匹配指數(shù)(segmentation fitting index,SFI)，即

(15)

式中：Alsi為最大分割對(duì)象的面積(如圖4所示，對(duì)于實(shí)際地物A，分割對(duì)象A1,A2,A3都占有實(shí)際地物A的部分像元，但A1所切割A(yù)的面積最大，因此A1為最大分割對(duì)象)；Aroi為作為參考的實(shí)際地物的面積；Gsi為最大分割對(duì)象的灰度均值；Gri為作為參考的實(shí)際地物的灰度均值。

在獲得參與評(píng)價(jià)對(duì)象的信息中，計(jì)算出所有SFI的均方根誤差MSFI，即

圖4　實(shí)際地物與分割對(duì)象關(guān)系

(16)

在所分割的對(duì)象接近實(shí)際地物的情況下，得到的MSFI值越小，對(duì)應(yīng)的分割算法越可靠。本文從UAV影像中隨機(jī)選取100個(gè)實(shí)際地物數(shù)據(jù)作為樣本參考數(shù)據(jù)，參考地物選擇建設(shè)用地、耕地和道路[15]。MSFI的計(jì)算結(jié)果見表2。

表2　不同算法計(jì)算出的MSFI值

從表2可以看出，針對(duì)UAV影像分割結(jié)果計(jì)算出來的MSFI值中，本文所提算法小于傳統(tǒng)Mean Shift算法，驗(yàn)證了本文所提出的算法的可靠性。

5結(jié)論

1)從地震災(zāi)區(qū)高空間分辨率UAV影像自身特點(diǎn)出發(fā)，對(duì)傳統(tǒng)Mean Shift算法進(jìn)行了改進(jìn)。由于地震后獲取的高分辨UAV影像紋理信息豐富，在使用傳統(tǒng)Mean Shift算法進(jìn)行影像分割時(shí)，容易產(chǎn)生過分割或欠分割現(xiàn)象。

2)改進(jìn)的分割算法將影像劃分為勻色區(qū)和紋理區(qū)，對(duì)不同性質(zhì)的區(qū)域使用帶寬可變的Mean Shift分割，從而顯著地改善了分割結(jié)果，保證了震后UAV遙感影像分割的準(zhǔn)確性，為震后災(zāi)情信息的提取及災(zāi)情評(píng)估提供了數(shù)據(jù)保障。

3)由于本文僅選取了UAV影像作為實(shí)驗(yàn)數(shù)據(jù)，對(duì)于其他傳感器獲取的高分辨遙感影像分割效果會(huì)如何，將是下一步需要繼續(xù)研究的問題。

參考文獻(xiàn)(References)：

[1]魯恒,李永樹,李何超,等.無人機(jī)影像數(shù)字處理及在地震災(zāi)區(qū)重建中的應(yīng)用[J].西南交通大學(xué)學(xué)報(bào),2010,45(4):533-538.

Lu H,Li Y S,Li H C,et al.Digital processing of unmanned aerial vehicle image and its application in reconstruction of Wenchuan earthquake-hit areas[J].Journal of Southwest Jiaotong University,2010,45(4):533-538.

[2]譚衢霖,劉正軍,沈偉.一種面向?qū)ο蟮倪b感影像多尺度分割方法[J].北京交通大學(xué)學(xué)報(bào),2007,31(4):111-114,119.Tan Q L,Liu Z J,Shen W.An algorithm for object-oriented multi-scale remote sensing image segmentation[J].Journal of Beijing Jiaotong University,2007,31(4):111-114,119.

[3]蔡紅玥,姚國清.基于分水嶺算法的高分遙感圖像道路提取優(yōu)化方法[J].國土資源遙感,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

Cai H Y,Yao G Q.Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm[J].Remote Sensing for Land and Resources,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

[4]林輝,莫登奎,熊育久,等.高分辨率遙感圖像均值調(diào)整法分割技術(shù)研究[J].地理研究,2006,26(4):85-88,95.

Lin H,Mo D K,Xiong Y J,et al.The method of segmenting high-resolution remote sensing images based on Mean-shift[J].Journal of Central South Forestry University,2006,26(4):85-88,95.

[5]賈春陽,李衛(wèi)華,李小春.基于自適應(yīng)權(quán)值FNEA算法的高分辨率遙感圖像分割[J].國土資源遙感,2013,25(4):22-25.doi:10.6046/gtzyyg.2013.04.04.

Jia C Y,Li W H,Li X C.High-resolution remote sensing image segmentation based on weight adaptive fractal net evolution approach[J].Remote Sensing for Land and Resources,2013,25(4):22-25,doi:10.6046/gtzyyg.2013.04.04.

[6]Fukunaga K,Hostetler L.The estimation of the gradient of a density function,with applications in pattern recognition[J].IEEE Transactions on Information Theory,1975,21(1):32-40.

[7]Cheng Y Z.Mean Shift, mode seeking,and clustering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1995,17(8):790-799.

[8]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.

[9]Comaniciu D,Meer P.Distribution free decomposition of multivariate data[J].Pattern Analysis and Applications,1999,2(1):22-30.

[10]肖鵬峰,馮學(xué)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(cè)繪學(xué)報(bào),2007,36(2):146-151,186.

Xiao P F,Feng X Z,Zhao S H,et al.Segmentation of high-resolution remotely sensed imagery based on phase Congruency[J].Acta Geodaetica et Cartographica Sinica,2007,36(2):146-151,186.

[11]李峰,彭嘉雄.基于Wold特征的遙感圖像的分割[J].測(cè)繪學(xué)報(bào),2003,32(4):330-333.

Li F,Peng J X.Wold-based remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2003,32(4):330-333.

[12]Tremeau A,Colantoni P.Regions adjacency graph applied to color image segmentation[J].IEEE Transactions on Image Processing,2000,9(4):735-744.

[13]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(xué)報(bào),2010,15(2):352-360.

Yu H,Zhang S Q Kong B,et al.Optimal segmentation scale selection for object-oriented remote sensing image classification[J].Journal of Image and Graphics,2010,15(2):352-360.

[14]Neubert M,Herold H.Assessment of remote sensing image segment ation quality[C]//International Society for Photogrammetry and Remote Sensing Commission IV,Working Group IV/3.2008.

[15]魯恒,李永樹,唐敏.面向?qū)ο蟮纳降貐^(qū)域多源遙感影像分割尺度選擇及評(píng)價(jià)[J].山地學(xué)報(bào),2011,29(6):688-694.

Lu H,Li Y S,Tang M.Evaluation and selection of segmentation scale with object-oriented method in multiple source remote sensing image of mountain areas[J].Journal of Mountain Science,2011,29(6):688-694.

(責(zé)任編輯： 劉心季)

Study of method for fast segmentation based on UAV image

LU Heng1,2,3， FU Xiao4, LIU Chao1,2， GUO Jiawei3,4， GOU Si1,2， LIU Tiegang1,2

(1.StateKeyLaboratoryofHydraulicsandMountainRiverEngineering，SichuanUniversity，Chengdu610065，China； 2.CollegeofHydraulicandHydroelectricEngineering，SichuanUniversity，Chengdu610065，China； 3.KeyLaboratoryofGeo-spatialInformationTechnology，MinistryofLandandResources，ChengduUniversityofTechnology，Chengdu610059，China；4.FacultyofGeosciencesandEnvironmentalEngineering，SouthwestJiaotongUniversity，Chengdu611756，China)

Abstract:In order to solve the problem that it is difficult to obtain spatial data in time in the earthquake stricken area, the authors propose in this paper a more efficient new segmentation algorithm on the basis of the own features of unmanned aerial vehicle(UAV) remote sensing images. Firstly, the image is divided into several homogeneous color areas and texture areas through variance detection on the color space. Secondly, preliminary partition of the homogeneous color area is directly achieved by Mean Shift method. Meanwhile, for the texture area, a high dimensional feature space is set up based on the color, texture, and shape information, and the proper bandwidth is calculated according to the normalized distribution density before applying Mean Shift algorithm on the feature space to model classification so as to reach the partition. Finally, an object function is set up to realize area merging and then reach the final partition results by smoothing over partitioned areas. Tests were conducted for high spatial resolution remote sensing image segmentation on UAV images of Lushan earthquake stricken area. A segmentation matching index which considers area and spectrum is proposed to evaluate the segmentation result. The experimental results show that the improved method performs better than the traditional method, and can provide data protection for subsequent damage information extraction.

Keywords:earthquake stricken area； Mean Shift； image segmentation； region merging； unmanned aerial vehicle(UAV)image

doi:10.6046/gtzyyg.2016.02.12

收稿日期：2014-11-24；

修訂日期：2015-03-04

基金項(xiàng)目：“十一五”國家科技支撐計(jì)劃項(xiàng)目“成都平原時(shí)空數(shù)據(jù)快速獲取”(編號(hào)： 2006BAJ05A13)、中央高?；究蒲袠I(yè)務(wù)費(fèi)資助項(xiàng)目“利用無人機(jī)影像進(jìn)行土地利用動(dòng)態(tài)監(jiān)測(cè)”(編號(hào)： 2013SCU11006)、數(shù)字制圖與國土信息應(yīng)用工程國家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室開放基金項(xiàng)目“基于地震災(zāi)區(qū)多源遙感影像震害信息提取”(編號(hào)： DM2014SC02)和國土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室開放基金項(xiàng)目“利用地震災(zāi)區(qū)多源遙感影像進(jìn)行震害信息動(dòng)態(tài)監(jiān)測(cè)方法研究”(編號(hào)： KLGSIT2015-04)共同資助。

中圖法分類號(hào)：TP 751.1; P 231

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-070X(2016)02-0072-07

第一作者簡介：魯恒(1984-),男,博士,主要從事“3S”技術(shù)在農(nóng)業(yè)水利工程中應(yīng)用研究。Email： luheng@scu.edu.cn。

通信作者：劉超(1975-),男,博士,副教授,主要從事農(nóng)業(yè)水利工程和水利水電工程研究。Email： liuchao@scu.edu.cn。

引用格式： 魯恒,付蕭,劉超,等.基于無人機(jī)影像的快速分割方法[J].國土資源遙感,2016,28(2)：72-78.(LuH,FuX,LiuC,etal.StudyofmethodforfastsegmentationbasedonUAVimage[J].RemoteSensingforLandandResources,2016,28(2)：72-78.)