基于多特征的全色遙感影像區(qū)域化能量分割

馬占瑛，王 玉*，尤號(hào)田

(1.桂林理工大學(xué) 廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室,廣西 桂林 541004;2.桂林理工大學(xué) 測(cè)繪地理信息學(xué)院,廣西 桂林 541004)

0 引言

影像分割是影像處理的重點(diǎn)問題也是難點(diǎn)問題，其分割精度將直接影響后續(xù)分析和解譯任務(wù)的精度[1-2]。影像分割實(shí)質(zhì)上就是根據(jù)影像特征信息將影像域分割成互不重疊的區(qū)域的過程，且劃分得到的區(qū)域內(nèi)具有同質(zhì)性，區(qū)域間具有異質(zhì)性[3-5]。

傳統(tǒng)的全色遙感影像分割方法以像素為處理單元、依據(jù)像素的光譜特征實(shí)現(xiàn)分割[6-8]。這些全色遙感影像分割方法主要分為聚類分割[9]、統(tǒng)計(jì)分割[10]和閾值分割[11]等。隨著傳感器技術(shù)的不斷提高，全色遙感影像空間分辨率越來(lái)越高，與中、低分辨率全色遙感影像相比，高分辨率全色遙感影像細(xì)節(jié)變得更加清晰，但同時(shí)也使同質(zhì)區(qū)域內(nèi)差異性越來(lái)越大，異質(zhì)區(qū)域間差異性越來(lái)越小[12]，故僅依據(jù)傳統(tǒng)的全色遙感影像分割方法已無(wú)法滿足高分辨率全色遙感影像分割精度要求。

為了提高影像分割精度，研究者提出了2類不同的方法：第1類方法是以子區(qū)域代替像素作為處理單元，依據(jù)其光譜特征實(shí)現(xiàn)分割[13]。該類方法可有效提高同質(zhì)區(qū)域內(nèi)部分割精度，但由于部分子區(qū)域可能會(huì)跨越目標(biāo)邊界，且特征信息不足，導(dǎo)致不同同質(zhì)區(qū)域間的邊緣分割精度不甚理想。第2類方法是提取多個(gè)特征，以此為依據(jù)，以像素為處理單元實(shí)現(xiàn)分割[14]。該類方法可利用多特征有效識(shí)別不同目標(biāo)地物，對(duì)分割精度有所提高，但抗噪性較差。

為此，本文結(jié)合多特征和子區(qū)域的分割理念，以解決傳統(tǒng)分割方法特征信息不足及抗噪性較差等問題，提高高分辨率全色遙感影像分割精度。

1 算法描述

1.1 基于多特征的區(qū)域化能量分割模型建立

高分辨率全色遙感影像表示為f={fs=f(rs,cs);s=1,2,…,S}，其中，fs為像素s的光譜測(cè)度值；(rs,cs)為像素s所在位置；rs∈ {1,2,…,m1}，cs∈ {1,2,…,m2}，m1和m2分別為影像的行數(shù)和列數(shù)；S為影像總像素?cái)?shù)；影像中所有像素位置構(gòu)成影像域，記作P={(rs,cs);s=1,2,…,S}。

本文以光譜特征、紋理特征和邊緣特征作為分割依據(jù)，構(gòu)成特征集，記作x={xj;j=1,2,3}={xjs;j=1,2,3,s=1,2,…,S}；其中，x1為原有的光譜特征f，x2為邊緣特征，x3為紋理特征，x2和x3由曲波變換提取獲得。

邊緣特征提取步驟：利用曲波變換對(duì)高分辨率全色遙感影像f進(jìn)行多尺度分析，得到一系列曲波系數(shù)C(j,l,k)[15]:

(1)

式中，<>為內(nèi)積操作符；φ為曲波基；j，l，k分別為尺度參數(shù)、角度參數(shù)和位置參數(shù)。

然后，利用Sobel算子提取C(j,l,k)的邊緣系數(shù)，并令非邊緣系數(shù)為0；再利用曲波逆變換對(duì)其進(jìn)行重構(gòu):

(2)

得到高分辨率全色遙感影像的邊緣特征，記作x2={x2s;s=1,2,…,S}。

紋理特征：利用曲波變換對(duì)以像素s為中心的子影像進(jìn)行多尺度分析，得到一系列曲波變換系數(shù)；然后計(jì)算所有曲波變換系數(shù)絕對(duì)值的均值:

(3)

將其作為高分辨率全色遙感影像中像素s的紋理特征x3s[16]；進(jìn)而得到高分辨率全色遙感影像的紋理特征x3={x3s;s=1,2,…,S}。

在影像域P上，特征集也可表示為所有像素特征矢量的集合，記作x={xs;s=1,2,…,S}，其中，xs={xjs;j=1,2,3}為像素s的特征矢量值，xjs為像素s的第j個(gè)特征值。

為了有效解決抗噪性差的問題，本文以規(guī)則技術(shù)劃分的子塊為處理單元[17]，故影像域P也可表示為P={Pi;i=1,2,…,I}，其中，Pi為第i個(gè)子塊，子塊總個(gè)數(shù)I為隨機(jī)變量。

在劃分的影像域上，結(jié)合能量函數(shù)和非約束Gibbs概率密度函數(shù)構(gòu)建基于多特征的區(qū)域化能量分割模型，可表示為:

(4)

式中，Z為歸一化常數(shù);x={xi;i=1,2,…,I};y={yi;i=1,2，…,I}；Uy(y,I)由鄰域關(guān)系能量函數(shù)構(gòu)建，可表示為[18]:

(5)

式中，γ為鄰域子塊的空間作用參數(shù)；NPi為Pi的鄰域子塊Pr的集合；δ(·)為指示函數(shù)。

本文利用異質(zhì)性能量函數(shù)構(gòu)建Ux(x,y)，可表示為:

(6)

式中，xi={xs;s∈Pi} ={xjs;j=1,2,3,s∈Pi} ={xji;j=1,2,3}；Ux(xji)可表示為:

Ux(xji)=V(xji,xjyi)，

(7)

式中，xjyi={xji;i∈Pyi}，Pyi表示yi的所有子塊集合；V(xji,xjyi)為異質(zhì)性能量函數(shù)[19]，可利用K-S距離表示[20]。

將式(5)、式(6)和式(7)帶入到式(4)，基于多特征的區(qū)域化能量分割模型，可表示為:

(8)

1.2 基于多特征的區(qū)域化能量分割模型模擬

本文利用MCMC算法模擬基于多特征的區(qū)域化能量分割模型[21]。在MCMC算法中，根據(jù)式(8)設(shè)計(jì)以下兩個(gè)移動(dòng)操作。

(9)

式中，

(10)

(2)更新子塊個(gè)數(shù)。通過分裂和合并子塊這一對(duì)偶操作來(lái)實(shí)現(xiàn)。故合并操作的接受率為:

ahI+1(P,P*)=min{1,1/RfI}，

(11)

式中，RfI為分裂操作的接受率，可表示為:

(12)

式中，Θ*=(y*,I+1)，Θ=(y,I)；y*={yi*;i=1,2,…,I,I+1}，y={yi;i=1,2,…,I}。

1.3 提出算法流程

綜上所述，基于多特征的高分辨率全色遙感影像區(qū)域化能量分割算法的具體流程如下。

(1)建立基于多特征的區(qū)域化能量分割模型。具體步驟為：

① 利用曲波變換提取高分辨率全色遙感影像的邊緣和紋理特征，與原有的光譜特征構(gòu)成特征集；

② 利用規(guī)則劃分技術(shù)劃分影像域，并在此基礎(chǔ)上，利用能量函數(shù)建立Uy(y,I)和Ux(x,y)；

③ 結(jié)合非約束Gibbs概率密度函數(shù)和能量函數(shù)構(gòu)建基于多特征的區(qū)域化能量分割模型。

(2)模擬基于多特征的區(qū)域化能量分割模型。

① 初始化總參數(shù)矢量Θ0={y0,I0}；

② 在第1次迭代過程中，以Θ0為初始總參數(shù)矢量，利用MCMC算法求解Θ1。在迭代中，遍歷2個(gè)移動(dòng)操作，以獲得該次迭代的分割結(jié)果y1和子塊個(gè)數(shù)I1，故Θ1={y1,I1};

2 實(shí)驗(yàn)結(jié)果和討論

為了驗(yàn)證提出算法的可行性和有效性，對(duì)Worldview2全色遙感影像進(jìn)行分割實(shí)驗(yàn)。合成全色遙感影像如圖1所示。

(a)模板影像

圖1(a)為128 pixel×128 pixel的合成全色遙感影像模板，其編號(hào)1～4代表不同的同質(zhì)區(qū)域。圖1(b)是合成全色遙感影像，是將Worldview2全色遙感影像上截取的裸地、森林、農(nóng)田和人工建筑分別填充在圖1(a)編號(hào)為1～4的區(qū)域上而形成的。

圖2為圖1(b)提取的邊緣特征和紋理特征。

(a)邊緣特征

由圖2可以看出，曲波變換可較好地實(shí)現(xiàn)合成全色遙感影像的特征提取。將這2個(gè)特征與原有的光譜特征構(gòu)成特征集合，以此為分割依據(jù)，進(jìn)行分割實(shí)驗(yàn)。合成全色遙感影像的實(shí)驗(yàn)結(jié)果如圖3所示。

(a)規(guī)則劃分

圖3(a)為規(guī)則劃分結(jié)果，圖3(b)為分割結(jié)果。為了進(jìn)一步對(duì)分割結(jié)果進(jìn)行定性評(píng)價(jià)，提取分割結(jié)果的輪廓線，并將其疊加到原圖上，見圖3(c)。由圖3(b)和圖3 (c)可以看出，提出算法能較好地實(shí)現(xiàn)合成全色遙感影像分割。

為了對(duì)分割結(jié)果進(jìn)行定量評(píng)價(jià)，以圖1(a)為標(biāo)準(zhǔn)數(shù)據(jù)，求圖3(b)的混淆矩陣，并根據(jù)所求的混淆矩陣計(jì)算對(duì)應(yīng)的產(chǎn)品精度、用戶精度、總精度及Kappa值。其中，區(qū)域1～4的產(chǎn)品精度分別為100%,100%,99.1%和100%；區(qū)域1～4的用戶精度分別為100%,99.1%,100%和100%；產(chǎn)品精度和用戶精度均大于等于99.1%，總精度高達(dá)99.8%，而Kappa值高達(dá)0.997。進(jìn)一步說(shuō)明提出算法可高精度分割合成全色遙感影像。

圖4為2幅Worldview-2全色遙感影像，分辨率為0.5 m，尺寸均為128 pixel×128 pixel，類別數(shù)分別為3和4。

(a)Worldview-2影像

利用曲波變換提取圖4的邊緣特征和紋理特征，如圖5所示。

(a)邊緣特征

圖5(a)和圖5 (b)為對(duì)應(yīng)的邊緣特征，圖5(c)和圖5(d)為對(duì)應(yīng)的紋理特征。由圖5可以看出，曲波變換可以較好地提取Worldview-2全色遙感影像的邊緣特征和紋理特征。

以提取的特征與原有的光譜特征為分割依據(jù)進(jìn)行實(shí)驗(yàn)，對(duì)應(yīng)的結(jié)果如圖6所示。

(a)規(guī)則劃分

圖6(a)和圖6 (b)為對(duì)應(yīng)的規(guī)則劃分結(jié)果；圖6(c)和圖6(d)為對(duì)應(yīng)的分割結(jié)果。由圖6(c)和圖6 (d)可以看出，提出方法可較好地實(shí)現(xiàn)Worldview-2全色遙感影像分割。為了進(jìn)一步對(duì)其分割結(jié)果進(jìn)行定性評(píng)價(jià)，提取分割結(jié)果的輪廓線，并將其疊加到原影像上，其結(jié)果如圖7所示。

(a)疊加圖

由圖7可以看出，提取的分割結(jié)果的輪廓線可以較好地?cái)M合Worldview-2全色遙感影像中目標(biāo)地物的實(shí)際邊緣。

實(shí)驗(yàn)影像模板如圖8所示。

(a)模板

以圖8為標(biāo)準(zhǔn)數(shù)據(jù)，分別對(duì)分割結(jié)果(見圖6(c)和圖6(d))進(jìn)行定量評(píng)價(jià)。圖4(a)區(qū)域1～3的產(chǎn)品精度分別為93.6%、93.6%和96.0%，區(qū)域1～3的用戶精度分別為89.4%、93.7%和97.9%，總精度高達(dá)94.7，Kappa值為0.916；圖4(b)區(qū)域1～4的產(chǎn)品精度分別為91.3%、97.3%、96.4%和51.4%；區(qū)域1～4的用戶精度分別為93.0%、96.4%、93.7%和90.4%；總精度高達(dá)94.8，Kappa值為0.914。綜上所述，說(shuō)明提出算法可較好地實(shí)現(xiàn)Worldview-2全色遙感影像分割。通過圖3、圖6、圖7及其對(duì)應(yīng)的定量評(píng)價(jià)結(jié)果可以說(shuō)明提出算法可精確分割Worldview-2全色遙感影像，進(jìn)而驗(yàn)證提出算法在高分辨率全色遙感影像分割中的可行性及有效性。

3 結(jié)束語(yǔ)

本文提出一種基于多特征的區(qū)域化高分辨率全色遙感影像分割方法。提出方法以子區(qū)域?yàn)樘幚韱卧罁?jù)多個(gè)特征實(shí)現(xiàn)影像分割，合理地運(yùn)用了區(qū)域化分割和多特征分割思想，有效地提高了高分辨率全色遙感影像的分割精度。在提出算法中，假設(shè)每個(gè)特征在影像分割中作用相同，而實(shí)際上這種假設(shè)將可能降低高分辨率全色遙感影像的分割精度。因此，在未來(lái)的工作中，將在提出算法的基礎(chǔ)上考慮特征在高分辨率全色遙感影像分割中的作用規(guī)律，以更精確地實(shí)現(xiàn)高分辨率全色遙感影像分割。