一種高分遙感影像物體分割質(zhì)量評價方法

毛召武，程結(jié)海，袁占良

(河南理工大學(xué)測繪與國土信息工程學(xué)院，河南 焦作 454003)

?

一種高分遙感影像物體分割質(zhì)量評價方法

毛召武，程結(jié)海，袁占良

(河南理工大學(xué)測繪與國土信息工程學(xué)院，河南 焦作 454003)

影像分割是面向?qū)ο笥跋穹治龅闹匾h(huán)節(jié)，影像分割結(jié)果質(zhì)量影響著后續(xù)的影像信息提取。對影像分割結(jié)果進(jìn)行評價并從不同的分割結(jié)果中選出最優(yōu)分割結(jié)果十分重要。本文綜合考慮與參考對象相交的所有分割對象的影響，提出了一種高分遙感影像物體分割質(zhì)量評價方法。該方法用ESI和CDI兩個指標(biāo)來定量評價影像物體分割結(jié)果質(zhì)量，并用ESI和CDI指標(biāo)組合，確定影像物體的最優(yōu)分割結(jié)果。將該方法應(yīng)用于GeoEye-1高分遙感影像物體分割結(jié)果質(zhì)量評價，試驗結(jié)果證明了該評價方法的有效性。

高分遙感影像；分割質(zhì)量評價；面積差異；位置差異

目前，高分遙感影像已經(jīng)成為眾多行業(yè)的主要數(shù)據(jù)來源并發(fā)揮著重要作用，如土地利用監(jiān)測、交通規(guī)劃、環(huán)境監(jiān)測等領(lǐng)域[1-2]。高分遙感影像與中低分辨率遙感影像相比具有豐富的紋理信息和結(jié)構(gòu)信息[3-4]。大量應(yīng)用證明，與傳統(tǒng)的基于像元影像分析方法相比，面向?qū)ο笥跋穹治龇椒?OBIA)更有利于提取高分遙感影像信息[5]。影像分割是OBIA中的第一步，也是一個重要的環(huán)節(jié)[6-7]。影像分割是按照一定分割算法將遙感影像分解成連續(xù)的互不重疊的同質(zhì)性區(qū)域，且任意相鄰的區(qū)域具有一定的異質(zhì)性[2, 7-9]。良好的影像分割結(jié)果有利于后續(xù)的影像信息提取[10]。同一影像使用同一分割方法的不同分割參數(shù)組合進(jìn)行分割，其結(jié)果往往是存在差異的。為了能夠從不同的分割結(jié)果中選擇出合理有效的分割結(jié)果并從中選擇出最優(yōu)分割結(jié)果，需要對影像分割結(jié)果進(jìn)行質(zhì)量評價。

常用的定量評價遙感影像分割質(zhì)量的方法主要有非監(jiān)督評價和監(jiān)督評價[6,11]。其中監(jiān)督評價方法是最常用的影像分割質(zhì)量評價方法[6-7]。該方法主觀性相對較小，其評價結(jié)果具有較強的說服力。該方法在獲取遙感影像的部分地物作為參考對象的情況下，通過分析參考對象和分割對象之間的差異程度，根據(jù)差異程度來評價影像分割質(zhì)量[6]。參考對象和分割對象之間的差異越小則表明對應(yīng)的分割結(jié)果越好。為了選取最優(yōu)的分割結(jié)果，需要使用合理有效的評價方法對不同的分割結(jié)果進(jìn)行質(zhì)量評價。

目前，許多學(xué)者已經(jīng)提出各種影像分割質(zhì)量監(jiān)督評價方法。Lucieer等提出了AFI評價指標(biāo)[12]，M?ller等提出了RA評價指標(biāo)[13]，陳秋曉等提出了FSCP評價指標(biāo)[14]，Yang提出了SEI評價指標(biāo)[7]。這些評價方法的共同點是從與參考對象相交的分割對象中選擇一個分割對象，定量描述該分割對象與參考對象之間的面積差異，進(jìn)而評價分割結(jié)果質(zhì)量。實際中，與參考對象相交的分割對象往往不止一個。僅僅考慮其中一個分割對象與參考對象之間的關(guān)系來評價分割結(jié)果質(zhì)量并不客觀，有時會使得評價結(jié)果與實際情況不符[15]。因此，綜合考慮與參考對象相交的所有分割對象，用相應(yīng)的定量指標(biāo)來評價影像物體分割結(jié)果質(zhì)量是一項很有意義的研究工作。本文基于此思路展開研究。

一、研究方法

如圖1(a)所示，M代表參考對象，P1、P2、P3是相應(yīng)的分割對象。顧及與參考對象M相交的每個分割對象的影響，按照分割對象與參考對象之間的空間關(guān)系[5]及對分割結(jié)果的影響程度將分割對象分為兩大類：有效分割對象和無效分割對象。有效分割對象包含兩種：一種是分割對象完全在對應(yīng)參考對象內(nèi)部，如圖1(a)中P1所示；另一種是分割對象與參考對象相交，且相交面積占對應(yīng)分割對象面積的50%以上，如圖1(a)中P2所示。無效分割對象是指分割對象與參考對象相交，但相交面積占對應(yīng)分割對象面積的50%以下，如圖1(a)中P3所示。把與參考對象相交的所有有效分割對象進(jìn)行合并，生成一個新的多邊形P，如圖1(b)所示。通過評價P和M之間的差異程度來反映影像物體分割結(jié)果質(zhì)量。

圖1　參考對象和分割對象關(guān)系

Liu等將分割對象與參考對象之間的幾何關(guān)系分為3類：Overlap、Under-Segmentation和Over-Segmentation[16]。其中，Overlap是指參考對象和分割對象相交的區(qū)域，Under-Segmentation是指屬于分割對象但不屬于Overlap的區(qū)域，Over-Segmentation是指屬于參考對象但是不屬于Overlap的區(qū)域，如圖1(b)所示。本文提出錯誤分割指數(shù)(error segment index，ESI)評價影像物體分割質(zhì)量，公式為

(1)

式中，Area(UnderSegmentation)、Area(OverSegmentation)和Area(Ref)分別表示Under-Segmentation、Over-Segmentation和參考對象的面積。ESI值越小，表示分割對象和參考對象之間的面積差異越小，即對應(yīng)的分割結(jié)果越好。

影像分割結(jié)果質(zhì)量也可以用分割對象和參考對象之間的位置差異來度量[13, 17]。本文提出質(zhì)心之間的距離指數(shù)(centroids distance index，CDI)評價影像物體分割質(zhì)量，公式為

(2)

式中，XCP、XCM分別表示P和M質(zhì)心的橫坐標(biāo)；YCP、YCM分別表示P和M質(zhì)心的縱坐標(biāo)，CDI表示P和M質(zhì)心之間的距離。CDI越小，表明P和M之間的位置差異越小，即對應(yīng)的分割結(jié)果越好。

本文綜合考慮P和M之間的ESI指標(biāo)和CDI指標(biāo)來評價影像物體分割質(zhì)量。理想的分割結(jié)果是ESI=0且對應(yīng)的CDI=0。

二、試　驗

1. 數(shù)據(jù)

為了驗證本文提出的ESI和CDI兩個評價指標(biāo)能夠合理有效地評價影像物體分割質(zhì)量，采用的研究數(shù)據(jù)是新西蘭克賴斯特徹奇(Chirstchurch，New Zealand)地震前的GeoEye-1遙感影像(來源：www.digitalglobe.com)，如圖2所示。該影像包括紅、綠、藍(lán)3個波段，融合后空間分辨率為0.5 m。影像的主要地物類型為建筑物、道路、綠地及水體。

圖2　研究區(qū)高分遙感影像及參考邊界

2. 影像分割

本文使用eCognition軟件所提供的多尺度分割算法[18]對研究區(qū)高分遙感影像進(jìn)行分割。該算法包含3個參數(shù)：scale、compactness和shape。不同的參數(shù)組合會產(chǎn)生不同的分割結(jié)果，這些分割結(jié)果中存在與參考對象吻合程度較高的結(jié)果，即最優(yōu)分割結(jié)果。影像分割的最優(yōu)分割結(jié)果對應(yīng)的分割參數(shù)組合需要經(jīng)過多次的試驗獲取[13]。本文設(shè)置的scale、compactness和shape參數(shù)組合為{20，40，60，80}×{0.1，0.3，0.5，0.7，0.9}×{0.1，0.3，0.5，0.7，0.9}，見表1。同時，通過目視解譯的方法獲取影像地物的參考邊界，如圖2所示。

3. 試驗步驟

高分遙感影像物體分割質(zhì)量評價的主要流程如圖3所示。通過目視解譯的方法獲取參考對象；同時，利用多尺度分割算法(參數(shù)組合見表1)對研究區(qū)高分遙感影像進(jìn)行分割，獲取不同參數(shù)組合的影像分割結(jié)果；將分割對象分為無效分割對象和有效分割對象，并把有效分割對象合并為新的多邊形，即研究對象；分析計算出研究對象與對應(yīng)參考對象之間的面積差異指標(biāo)ESI和位置差異指標(biāo)CDI，ESI和CDI共同表達(dá)了對應(yīng)影像物體的分割質(zhì)量。理想的分割結(jié)果是ESI=0且對應(yīng)的CDI=0。實際中，由于分割算法、地物類型、影像質(zhì)量等因素的影響，這種情況幾乎是不存在的；而ESI和CDI同時達(dá)到最小的情況也較少出現(xiàn)。經(jīng)過反復(fù)試驗，較優(yōu)的分割結(jié)果滿足的條件為：ESI≤0.17且對應(yīng)的CDI≤0.7。運用面積和位置差異評價影像物體分割質(zhì)量，其中面積差異占主導(dǎo)作用[19-20]。因此，在較優(yōu)分割結(jié)果中選擇最小ESI對應(yīng)的分割結(jié)果作為最優(yōu)分割結(jié)果。

圖3　影像物體分割結(jié)果質(zhì)量評價流程

4. 結(jié)果與分析

本文隨機選擇第20號物體作為研究的參考對象。根據(jù)流程圖(如圖3所示)將研究區(qū)遙感影像進(jìn)行分割，得到不同的影像分割結(jié)果，獲取第20號物體各分割結(jié)果的有效分割對象，并根據(jù)式(1)和式(2)計算每組分割結(jié)果對應(yīng)的ESI和CDI指標(biāo)值，見表1。對比表1中的ESI和CDI指標(biāo)值，滿足ESI≤0.17且CDI≤0.7的參數(shù)組合有(20，0.1，0.3)、(20，0.7，0.1)、(20，0.7，0.5)，將這些參數(shù)組合對應(yīng)的分割結(jié)果作為較優(yōu)分割結(jié)果，如圖4所示。其中，參數(shù)組合(20，0.7，0.5)對應(yīng)的ESI=0.145最小，該參數(shù)組合對應(yīng)的分割結(jié)果被選取作為最優(yōu)分割結(jié)果，如圖4(c)所示。利用視覺分析判斷，3個較優(yōu)分割結(jié)果與對應(yīng)參考對象的邊界吻合程度都較高，但是彼此之間仍存在一定的差異，通過對比，分析出圖4(c)的分割結(jié)果優(yōu)于圖4(a)和圖4(b)的分割結(jié)果。說明該評價方法選取出的第20號物體最優(yōu)分割結(jié)果是合理有效的。

圖4　第20號物體的較優(yōu)分割結(jié)果

分割參數(shù)組合scalecompactnessshape參考對象面積/m2研究對象面積/m2相交面積/m2ESICDI/m200.10.1204.891270194.4880.4191.600200.10.3204.891219.75195.2040.1670.187200.10.5204.891252.5201.7560.2630.805200.10.7204.891237.5178.9070.4131.340200.10.9204.891290.5150.1580.9524.485200.30.1204.891230.5191.4460.2560.325200.30.3204.891234197.7680.2120.517200.30.5204.891225.25187.3580.2711.314200.30.7204.891242.5199.6980.2340.881200.30.9204.891224.25150.1690.6291.688????????

續(xù)表1

為了驗證本文評價方法的普遍適用性，選擇2號、36號、22號物體作為研究的參考對象。按照圖3的分析流程，分別計算各參數(shù)組合下對應(yīng)分割結(jié)果的ESI和CDI評價指標(biāo)，并根據(jù)本文提出的最優(yōu)分割結(jié)果評價準(zhǔn)則選取對應(yīng)的最優(yōu)分割結(jié)果。各物體的最優(yōu)分割參數(shù)組合及對應(yīng)的指標(biāo)值見表2，對應(yīng)的最優(yōu)分割結(jié)果如圖5所示。通過目視分析判斷，這3個物體各自的最優(yōu)分割結(jié)果與對應(yīng)參考對象的邊界吻合程度較高，說明本文的評價方法選取出的最優(yōu)分割結(jié)果是合理的。通過對20號、2號、36號、22號物體分割結(jié)果的評價，說明本文的評價方法可以有效地評價出影像物體的最優(yōu)分割結(jié)果，具有一定的普遍適用性。

表2不同參考對象的最優(yōu)分割結(jié)果參數(shù)組合及對應(yīng)的指標(biāo)值

編號scalecompactnessshapeESI/m2CDI/m22200.50.50.1750.62636200.70.70.1650.58622200.50.50.08240.212

同類型不同地物的最優(yōu)分割結(jié)果對應(yīng)的分割參數(shù)組合往往是不同的，見表2。試驗中選擇的建筑物36號和2號物體的最優(yōu)分割參數(shù)組合分別是(20，0.7，0.7)和(20，0.5，0.5)。出現(xiàn)這種現(xiàn)象是合理的，主要是因為同類型不同地物在形狀、大小、復(fù)雜程度及光譜等方面存在一定的差異。

圖5　不同參考對象的最優(yōu)分割結(jié)果

三、結(jié)　論

本文提出的影像物體分割質(zhì)量評價方法綜合考慮了與參考對象相交的所有分割對象可能對影像物體分割結(jié)果產(chǎn)生的影響；將分割對象分為兩大類：有效分割對象和無效分割對象；將與參考對象相交的所有有效分割對象進(jìn)行合并，形成新的研究對象；綜合考慮新的研究對象和對應(yīng)參考對象之間的面積和位置差異，提出了ESI和CDI兩個評價指標(biāo)評價影像物體分割質(zhì)量。試驗表明，本文提出的監(jiān)督評價方法能夠有效地評價影像物體分割質(zhì)量，并選取出最優(yōu)分割結(jié)果。目前，本文分割結(jié)果質(zhì)量評價僅針對單個影像物體，后續(xù)進(jìn)一步展開的研究工作是綜合利用ESI和CDI評價指標(biāo)評價影像中某類地物或整個影像分割結(jié)果質(zhì)量，并確定某類地物或整個影像的最優(yōu)分割結(jié)果，以進(jìn)一步證明該方法的有效性和實用性。

[1]宮鵬，黎夏，徐冰. 高分辨率影像解譯理論與應(yīng)用方法中的一些研究問題[J]. 遙感學(xué)報，2006,10(1)：1-5.

[2]劉建華，毛政元. 高空間分辨率遙感影像分割方法研究綜述[J]. 遙感信息, 2009(6)：95-101.

[3]祝振江. 基于面向?qū)ο蠓诸惙ǖ母叻直媛蔬b感影像礦山信息提取應(yīng)用研究[D]. 北京：中國地質(zhì)大學(xué)(北京), 2010.

[4]杜鳳蘭，田慶久，夏學(xué)齊，等. 面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評價[J]. 遙感技術(shù)與應(yīng)用,2004,19(1)：20-23.

[5]LANGS,SCHPFERE,LANGANKET.CombinedObject-basedClassificationandManualInterpretation-synergiesforaQuantitativeAssessmentofParcelsandBiotopes[J].GeocartoInternational, 2009,24(2)：99-114.

[6]ZHANGYJ.ASurveyonEvaluationMethodsforImageSegmentation[J].PatternRecognitionLetters，1996，29(8)：1335-1346.

[7]YANGJ,HEY,CASPERSENJ,etal.ADiscrepancyMeasureforSegmentationEvaluationfromthePerspectiveofObjectRecognition[J].ISPRSJournalofPhotogrammetryandRemoteSensing，2015(101)：186-192.

[8]ZHANGX,FENGX,XIAOP,etal.SegmentationQualityEvaluationUsingRegion-basedPrecisionandRecallMeasuresforRemoteSensingImages[J].ISPRSJournalofPhotogrammetryandRemoteSensing, 2015(102)：73-84.

[9]季松，張永生，楊靖宇，等. 基于微分形態(tài)學(xué)斷面的遙感影像分割方法[J]. 測繪通報,2008(3)：22-24.

[10]WEIDNERU.ContributiontotheAssessmentofSegmentationQualityforRemoteSensingApplications[J].InternationalArchivesofPhotogrammetry,RemoteSensingandSpatialInformationScience,2008, 37(B7)：479-484.

[11]ZHANGH,FRITTSJE，GOLDMANSA.ImageSegmentationEvaluation:ASurveyofUnsupervisedMethods[J].ComputerVisionandImageUnderstanding, 2008,110(2)： 260-280.

[12]LUCIEERA,STEINA.ExistentialUncertaintyofSpatialObjectsSegmentedfromSatelliteSensorImagery[J].TransactionsonGeoscienceandRemoteSensing,2002, 40(11)： 2518-2521.

[13]M?LLERM,LYMBURNERL,VOLKM.TheComparisonIndex:AToolforAssessingtheAccuracyofImageSegmentation[J].InternationalJournalofAppliedEarthObservationandGeoinformation，2007,9(3)：311-321.

[14]陳秋曉，陳述彭，周成虎. 基于局域同質(zhì)性梯度的遙感圖像分割方法及其評價[J].遙感學(xué)報,2006, 10(3)：357-365.

[15]CHENGJH,BOYC,ZHUYX,etal.ANovelMethodforAssessingtheSegmentationQualityofHigh-SpatialResolutionRemote-SensingImages[J].InternationalJournalofRemoteSensing,2014,35(10)：3861-3839.

[16]LIUY,BIANL,MENGYH,etal.DiscrepancyMeasuresforSelectingOptimalCombinationofParameterValuesinObject-basedImageAnalysis[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2012,68(2)：144-156.

[17]ZHANQ,MOLENAARM,TEMPFLIK,etal.QualityAssessmentforGeo-spatialObjectsDerivedfromRemotelySensedData[J].InternationalJournalofRemoteSensing, 2005,26(14)：2953-2974.

[18]BENZUC,HOFMANNP,WILLHAUCKG,etal.Multi-resolution,Object-orientedFuzzyAnalysisofRemoteSensingDataforGIS-readyInformation[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2004,58(3)：239-258.

[19]CLINTONN,HOLTA,SCARBOROUGHJ,etal.AccuracyAssessmentMeasuresforObject-basedImageSegmentationGoodness[J].PhotogrammetricEngineeringandRemoteSensing, 2010,76(3)：289-299.

[20]紀(jì)曉樂. 面向?qū)ο蟮倪b感影像分類精度評價方法研究[D]. 北京：北京師范大學(xué),2012.

A Method for Evaluating the Segmentation Quality of High-spatial Resolution Remote-sensing Image Objects

MAO Zhaowu,CHENG Jiehai,YUAN Zhanliang

10.13474/j.cnki.11-2246.2016.0150.

2015-08-20；

2015-10-16

國家自然科學(xué)基金(41301617)；河南省教育廳科學(xué)技術(shù)研究重點項目(14A420004)；河南省高?；究蒲袠I(yè)務(wù)費專項資金(NSFRF140114)；河南理工大學(xué)博士基金(B2014-014)

毛召武(1990—)，男，碩士生，研究方向為高分遙感信息提取。E-mail:mzhw1990@163.com

程結(jié)海

P237

B

0494-0911(2016)05-0036-05

引文格式： 毛召武，程結(jié)海，袁占良. 一種高分遙感影像物體分割質(zhì)量評價方法[J].測繪通報，2016(5)：36-40.