SLIC算法和OTSU算法結(jié)合的道路提取方法

吳激濤 劉 榮

(東華理工大學(xué) 測繪工程學(xué)院, 江西 南昌 330013)

0 引言

道路對于城市的治理和建設(shè)起著至關(guān)重要的作用,隨著遙感影像分辨率越來越高,道路成了一種地物信息的重要獲取源,因此尋求一種快速、精確的道路提取方法成為遙感影像處理的熱門研究方向[1]。

傳統(tǒng)的道路提取方法可分為模板匹配法、SNAKES模型法、邊緣檢測算子與光譜和紋理信息相結(jié)合的方法、根據(jù)影像紋理和影像光譜對影像分類后進行提取等[2]。上述方法都是基于影像像素的,因此,當(dāng)目標(biāo)道路周圍的地物較為復(fù)雜，在處理分辨率較高的影像時會受到比較嚴(yán)重的噪聲影響,提取的精度和效率也會隨之降低。

本文使用的方法是基于超像素分割算法(Simple Linear Iterative Clustering, SLIC)和自適應(yīng)閾值分割算法(OTSU算法是由日本學(xué)者OTSU于1979年提出的一種對圖像進行二值化的高效算法)相結(jié)合的道路提取方法。相比傳統(tǒng)方法,使用本文方法對影像聚類時受到的圖像中噪聲的影響會更小,使K-means(K均值聚類算法)聚類后的影像更加準(zhǔn)確,用綠色植被指數(shù)(Green Vegetation Index, GVI)將植被信息濾除,使用OTSU算法將過濾后影像進行分割，獲取影像中的人工區(qū)域,通過面積特征指數(shù)將人工區(qū)域的非道路部分濾除,最后使用區(qū)域生長算法使提取的道路網(wǎng)更為完整。

1 SLIC與OTSU結(jié)合的道路提取方法

SLIC超像素分割與OTSU自適應(yīng)閾值相結(jié)合的道路提取的主要步驟:

(1)對原影像使用SLIC超像素分割算法進行分割。

(2)使用改進的K-means聚類算法對分割后的超像素影像進行非監(jiān)督分類。

(3)通過計算獲得影像的GVI值,根據(jù)GVI值濾除分類后影像的植被和水體部分。

(4)使用OTSU算法對過濾后的影像進行基于自適應(yīng)閾值的分割。

(5)再結(jié)合面積特征指數(shù)和數(shù)學(xué)形態(tài)學(xué)對影像進行處理。

(6)最后使用區(qū)域生長算法處理提取后的道路網(wǎng)以獲取較為完整的道路網(wǎng)。

1.1 SLIC算法分割原始影像

ACHANTA等提出的SLIC算法[3]與現(xiàn)有的分割方法相比具有更加高效的記憶效率,其根據(jù)像素的顏色和距離進行聚類分割。算法的主要步驟:

(2)種子點變換,在n×n的領(lǐng)域內(nèi)(通常n=3)對種子點和周圍所有像素點的梯度值進行計算,并且將種子點移動至該領(lǐng)域內(nèi)梯度最小的位置,以此可以避免種子點落在梯度值較大的邊緣輪廓上,使之后的聚類效果更為準(zhǔn)確。

(3)分配聚類標(biāo)簽,同標(biāo)準(zhǔn)的K-means聚類算法在整幅影像中搜索不同,SLIC算法的搜索范圍為2S×2S的固定區(qū)域,以此加速聚類算法收斂,如圖1所示。

圖1 聚類搜索方式

(4)距離度量,針對每一個搜索到的像素點分別計算其與該種子點的歐式距離,其中距離分為顏色距離和空間距離兩類,其計算公式如下[4]:

(1)

(2)

(3)

(4)

每一個像素點都會有一個相對于附近種子點的距離,通常情況下將其中最小距離所對應(yīng)的種子點作為該像素點的聚類中心,從而避免每一個像素點同時被多個不同的種子點搜索到。

(5)迭代優(yōu)化,重復(fù)步驟(1)到(4)直到誤差收斂為止,一般迭代10次即可。

(6)連通性增強,SLIC算法在連接性上并不具有強制性,可能會保留一些孤立像素或是一些多連通像素,因此需要使用連通分量算法對分割后影像進行校正。

1.2 K-means算法對分割后影像聚類

針對傳統(tǒng)K-means聚類算法,本文做出了相應(yīng)的改進,將K-means算法中的顏色空間由RGB(Red，Green，Blue，紅綠藍)轉(zhuǎn)換為HSV(色相(Hue)、飽和度(Saturation)、亮度(Value)),相比于RGB顏色空間,HSV色彩空間可以更好地模擬人眼對顏色的識別,從而使影像信息的分類更為精確[5]。在聚類之前先對影像進行去相關(guān)拉伸增強圖像中的顏色差異[6],保證聚類結(jié)果更加符合要求。

K-means聚類的目標(biāo)函數(shù)[7]為

(5)

K-means算法的步驟可以分為[8]

(1)選擇K個對象作為初始聚類。

(2)以最近的聚類中心為基準(zhǔn)分配每一個像素,然后計算出每個像素到集群中心的空間距離。

(3)計算每個聚類集群的顏色通道,第K個聚類集群的均值為[9]

(6)

(4)將聚類中心移動至計算所得的均值上。

(5)將像素分配至最近的聚類中心上。

(6)重復(fù)迭代(3)到(5)步,直至均值收斂。

1.3 根據(jù)GVI值過濾植被信息

通過綠色植被指數(shù)將影像中的植被信息濾除，保留目標(biāo)區(qū)域中的人工區(qū)域[10]。

綠色植被指數(shù)的計算公式為

(7)

式中,G和R分別代表綠色波段和紅色波段的反射值,V的值在-1～1之間,各類地物的V值分布區(qū)域如表1所示。

表1 綠色植被指數(shù)分布區(qū)域

根據(jù)其分布區(qū)間及影像中具體的地物信息,選擇合適的閾值對影像中的植被區(qū)域進行過濾。

1.4 使用OTSU算法提取道路網(wǎng)

OTSU算法是基于圖像的灰度特性,以自適應(yīng)閾值為參照將圖像分割成為背景部分和目標(biāo)部分,兩個部分之間的間類方差越大,則表示兩部分之間的差異性越大,因此通過OTSU算法對圖像進行分割的錯分概率最小[11]。

OTSU算法的主要步驟:

(2)通過設(shè)置閾值T將圖像分割為前景圖像(道路)和背景圖像(其他地物)[12]，則前景圖像的像素灰度級別為[0,T],而背景圖像的像素灰度級別為[T+1,L-1]。

因此對前后景像素的選擇概率分別為

(8)

(3)前后景影像的平均灰度值分別為

(9)

由此可以計算出所有像素的灰度均值為:

μ=μ1×ω1+μ2×ω2

(10)

(4)確定最大間類方差:

g=ω1×(μ-μ1)2+ω2×(μ-μ2)2

(11)

對提取得到的人工區(qū)域使用最大間類方差法,可以將其分割為道路區(qū)域和其他離散區(qū)域,從而獲得較為獨立的道路網(wǎng)[13]。

1.5 提取后處理

經(jīng)過OTSU分割得到的道路網(wǎng)仍然會存在一些非道路部分的噪點和一些間斷路面,因此需要對其進行后處理。

(1)由于道路網(wǎng)面積要遠大于非道路部分面積,因此可以使用面積特征指數(shù)對其進行降噪處理[14],對S

(2)再使用基于數(shù)學(xué)形態(tài)學(xué)的方法對降噪后的影像進行膨脹和腐蝕運算[15]。

(3)針對過濾后影像中的間斷和鏤空路面,本文采用區(qū)域生長算法對其處理[16],在區(qū)域內(nèi)布下一個種子點作為生長起點,然后讓種子點和它周圍的像素點一一比對,將性質(zhì)相似的像素點進行整合,且繼續(xù)生長,直至包括滿足條件的所有像素點,從而獲得完整獨立的道路網(wǎng)。

2 實驗過程與結(jié)果分析

本文所有實驗操作都基于MATLAB編程軟件完成,選擇的兩幅影像均為高分辨率谷歌遙感影像,其各波段空間分辨率為0.3,通過兩次實驗的對比驗證本文方法的可行性。

2.1 實驗一

選取的影像中包含的主要地物有植被、土壤,水體,房屋和道路。首先使用SLIC超像素分割算法對原始影像進行分割聚類,超像素大小設(shè)置為10,超像素正交指數(shù)為0.085。

再對影像根據(jù)地物類別的不同進行分類,將地物分為五類,針對傳統(tǒng)K-means聚類算法在道路提取中表現(xiàn)出的不足,本文提出使用了加以改進的K-means聚類算法,使其對真實色彩的分辨能力更加準(zhǔn)確,在對色彩相似的地物進行分類時的精度有所提高。圖2(a)為傳統(tǒng)K-means算法聚類后的圖像,圖2(b)為改進的K-means算法聚類后的圖像,圖2(c)為改進的K-means算法對SLIC分割后影像聚類后的圖像,與傳統(tǒng)算法所聚類的結(jié)果相對比,改進后的算法聚類的結(jié)果明顯更加準(zhǔn)確且有較高的整體性,并且可以發(fā)現(xiàn)對SLIC分割后的影像進行聚類,各類別會有更好的完整性,相應(yīng)的噪點也會更少。

圖2 對影像聚類后的結(jié)果

接著計算影像的GVI指數(shù),對影像中的非人工區(qū)域進行過濾,實驗中GVI指數(shù)取0.1。再使用OTSU算法將過濾后影像區(qū)域分為道路和非道路兩部分,并將非道路部分濾除,由于過濾后影像中仍然存在一些離散的噪點,因此使用中值濾波對影像進行平滑降噪處理,圖3(a)是經(jīng)過OTSU算法處理后所得到的結(jié)果,圖3(b)是中值濾波平滑處理后所得的結(jié)果。

圖3 OTSU提取道路結(jié)果

取面積特征指數(shù)Sk=1 000對提取后影像中的噪點加以去除以獲得較為獨立的道路圖像,圖4(a)是結(jié)合面積特征指數(shù)處理后的圖像。由于獲取的道路圖像會存在一些間斷和鏤空處,因此需要結(jié)合使用膨脹算法和區(qū)域生長算法對提取后的影像進行處理,獲得較為完整的道路圖像;圖4(b)是經(jīng)過數(shù)學(xué)形態(tài)學(xué)膨脹處理后的圖像,圖4(c)是區(qū)域生長算法處理后的圖像,圖4(d)為目視解譯獲得的道路圖像。

圖4 道路提取結(jié)果

通過觀察可以看出使用本文方法提取的道路信息在形態(tài)上與目視解譯所獲得的道路影像幾乎吻合,并且有著一定的完整性,同時在道路周圍幾乎不存在干擾噪點,說明其還具備相對較強的獨立性,因此可以說明本文提出的道路提取方法是可靠的。

2.2 實驗二

選取高架路段的遙感影像,其包含的主要地物有房屋、土壤、植被、道路四類。路段附近有大量的樹蔭遮蓋,在路段中央還有高架上層道路的陰影遮蓋,因此提取的道路會有比較多的缺失和間斷。本文使用的提取后處理方式可以較好地處理這樣的情況從而獲得更為準(zhǔn)確的道路圖像。圖5(a)為實驗二的原始影像,圖5(b)為使用本文方法提取的道路圖像,圖5(c)為目視解譯獲取的道路圖像。通過對比可以看出,使用本文方法提取的道路在保持獨立性的前提下依然有著較高完整性和準(zhǔn)確度,證明本文方法具有良好的道路提取能力。

圖5 實驗二提取結(jié)果

2.3 提取道路的定量評價及分析

本文對道路提取質(zhì)量的定量評價采用完整度α和精確度β兩個指標(biāo)作為評價標(biāo)準(zhǔn)[17]。

(12)

α代表提取所得的道路影像面積與實際道路面積之間的比值,α越趨近于1說明提取道路的完整度越高;β表示提取所得道路缺失和多出的部分在實際道路面積中的占比,β越趨近于0說明提取的道路越精確。

表2中列出了實驗一和實驗二的評價結(jié)果,實驗一的道路完整度為0.955 0,實驗二的道路完整度為0.986 0,均有著較高的完整性,說明本文方法有著較高的道路提取效率;實驗一與實驗二提取道路的準(zhǔn)確性分別為0.057 7和0.012 6,可以證明本文方法在道路提取時有著良好的可靠性。

表2 定量分析結(jié)果

3 結(jié)束語

本文使用了SLIC算法與OTSU算法相結(jié)合的道路提取方法,對原始影像進行超像素分割,從而獲得超像素影像,使用改進的K-means聚類算法對超像素聚類,再根據(jù)GVI值過濾得到影像中的人工區(qū)域,對過濾后影像使用OTSU算法閾值分割從而獲得較為獨立的道路圖像,最后結(jié)合面積特征指數(shù),膨脹算法和區(qū)域生長算法對提取后的道路圖像進行處理,去除圖像中的離散區(qū)域,補全道路圖像中的間斷處和鏤空處,獲得完整且獨立的道路網(wǎng)。通過兩次實驗的結(jié)果可以證明本文所用方法在提取高分辨率遙感影像中的道路信息時具有良好的表現(xiàn)。