一種改進(jìn)的多光譜遙感圖像超像素分割算法

任偉建, 劉澤宇, 霍鳳財(cái), 康朝海, 任 璐, 張永豐

(1. 東北石油大學(xué) 電氣信息工程學(xué)院, 黑龍江 大慶 163318；2. 黑龍江省網(wǎng)絡(luò)化與智能控制重點(diǎn)實(shí)驗(yàn)室, 黑龍江 大慶 163318;3. 海洋石油工程股份有限公司, 天津300450；4. 大慶油田有限責(zé)任公司 第二采油廠規(guī)劃設(shè)計(jì)研究所, 黑龍江 大慶 163318)

遙感圖像具有更豐富的特征信息和更清晰的地物特征及形狀輪廓, 在許多領(lǐng)域得到廣泛應(yīng)用[1]. 相比于包含3個(gè)波段的普通圖像, 遙感圖像蘊(yùn)含的光譜信息更豐富, 從三波段到幾十甚至幾百波段不等[2]. 更多的光譜信息提升了遙感圖像的使用價(jià)值, 同時(shí)也對(duì)圖像數(shù)據(jù)處理提出了新要求, 隨著遙感圖像的圖幅與空間、 光譜分辨率越來越大, 基于單個(gè)像素的圖像處理方法難以適應(yīng)龐大的數(shù)據(jù)規(guī)模. 對(duì)遙感圖像進(jìn)行分割可提取感興趣區(qū)域, 減小圖像數(shù)據(jù)規(guī)模, 是遙感圖像預(yù)處理的基本步驟之一. 遙感圖像的超像素分割是指將具有相似顏色、 亮度、 紋理等特征的相鄰像素劃分成一組, 構(gòu)成有一定視覺意義的不規(guī)則像素塊[3]. 超像素塊可將圖像分割為具有相似特征的子區(qū)域, 在保留圖像局部特征和結(jié)構(gòu)信息的同時(shí)減少圖像基元的數(shù)量, 減輕數(shù)據(jù)冗余. 利用超像素代替原始像素, 具有數(shù)據(jù)降維的作用, 有利于后續(xù)算法進(jìn)行特征提取并簡化運(yùn)算[4]. 同時(shí), 相比于單個(gè)像素, 從超像素塊中可提取更穩(wěn)固的特征, 產(chǎn)生更精準(zhǔn)的判別信息, 提高后續(xù)地物識(shí)別、 分類等任務(wù)的精度. 此外, Cui等[5]證明與單個(gè)像素的光譜相比, 超像素光譜信息更穩(wěn)定且受噪聲影響較小, 可以抵抗遙感圖像數(shù)據(jù)中存在的噪聲. 因此, 超像素分割算法在遙感圖像預(yù)處理領(lǐng)域受到廣泛關(guān)注[6].

簡單線性迭代聚類(simple linear iterative clustering, SLIC)[7]算法在組合顏色和像素位置的5維空間中對(duì)像素進(jìn)行迭代聚類, 能快速生成較緊湊和均勻的超像素, 分割結(jié)果準(zhǔn)確, 在傳統(tǒng)圖像超像素分割任務(wù)中應(yīng)用廣泛. 近年來, 對(duì)該方法在多光譜遙感圖像上的應(yīng)用已有許多研究成果： 張永梅等[8]提出首先使用SLIC算法與結(jié)構(gòu)張量進(jìn)行粗分割, 再使用分形網(wǎng)絡(luò)演化方法進(jìn)行細(xì)分割的兩段式分割方法對(duì)多光譜遙感圖像進(jìn)行分割, 但其僅在細(xì)分割階段考慮了圖像數(shù)據(jù)的多光譜特性； Lu等[9]將灰度共生矩陣提取的影像紋理特征與SLIC算法獲得的顏色特征相結(jié)合, 利用了圖像的紋理特征, 獲得了較好的分割結(jié)果, 但灰度共生矩陣的計(jì)算較復(fù)雜, 算法的運(yùn)行效率不高； 趙宇晴等[10]采用局部二進(jìn)制模式(local binary pattern, LBP)算法提取紋理特征, 并與SLIC算法相結(jié)合, 對(duì)LandSat8的多波段遙感圖像進(jìn)行分割, 該方法將多波段圖像合成為RGB圖像； Liu等[11]提出了流形-簡單線性迭代聚類(manifold SLIC, MSLIC)算法, 將SLIC算法擴(kuò)展為可以計(jì)算內(nèi)容敏感超像素的算法, 其生成的超像素可自適應(yīng)地調(diào)整尺寸和數(shù)量, 以適應(yīng)圖像中的內(nèi)容; Sellars等[12]基于MSLIC算法提出了HMS(hyper manifold SLIC)算法, 該方法針對(duì)多光譜遙感圖像對(duì)MSLIC算法進(jìn)行改進(jìn), 擴(kuò)展了MSLIC算法的維度, 具有高維圖像數(shù)據(jù)適應(yīng)性, 其可獲取圖像中任意數(shù)量的波段, 提升了超像素分割精度.

雖然在多光譜遙感圖像上使用SLIC算法進(jìn)行超像素分割目前取得了一定效果, 但仍存在如下問題： 1) 由于SLIC算法針對(duì)普通的三通道圖像設(shè)計(jì), 因此無法直接用于包含多個(gè)光譜帶的多光譜遙感圖像, 需要對(duì)圖像進(jìn)行降維或轉(zhuǎn)換操作, 導(dǎo)致特征信息丟失； 2) SLIC算法生成的超像素尺寸與數(shù)量依賴初始輸入?yún)?shù), 不具有內(nèi)容敏感性, 無法針對(duì)圖像中的內(nèi)容自適應(yīng)地調(diào)整超像素塊的尺寸； 3) 該算法在聚類過程中僅基于光譜和空間特征, 存在將紋理差異較大的地物錯(cuò)分至同一超像素塊的問題, 分割精度有待提高. 針對(duì)上述問題, 本文將MSLIC算法引入多光譜遙感圖像超像素分割任務(wù)中, 并將該算法由三波段擴(kuò)展至任意數(shù)量波段, 以達(dá)到充分利用光譜信息生成內(nèi)容敏感超像素的目的； 并且先給出一種針對(duì)多光譜遙感圖像的紋理特征提取方法, 然后在MSLIC算法的像素距離度量中融合多段光譜特征及紋理特征, 利用遙感圖像中的光譜、 空間、 紋理信息對(duì)圖像進(jìn)行超像素分割, 達(dá)到提高分割精度的目的.

1 MSLIC超像素分割算法

流形-簡單線性迭代聚類算法是一種快速計(jì)算內(nèi)容敏感超像素的方法, 其生成的內(nèi)容敏感超像素?cái)?shù)量與尺寸可根據(jù)圖像內(nèi)容密集程度(如顏色變化劇烈程度、 被分割目標(biāo)尺寸等)自適應(yīng)地進(jìn)行調(diào)整. 該方法具有兩種特性, 使其在遙感圖像超像素分割任務(wù)中廣泛應(yīng)用： 首先, 遙感圖像圖幅大、 內(nèi)容復(fù)雜, 圖中地物尺寸和分布位置相差較大, 內(nèi)容敏感超像素可兼顧算法的分割精度與數(shù)據(jù)降維作用； 其次, 超像素的最終數(shù)量不僅依賴于初始參數(shù)選擇, 且會(huì)根據(jù)圖像中的內(nèi)容結(jié)構(gòu)自適應(yīng)地發(fā)生變化, 降低了不當(dāng)初始值設(shè)置對(duì)算法分割精度產(chǎn)生影響的可能性.

MSLIC算法在SLIC的基礎(chǔ)上, 將圖像I映射到二維流形M中, 并測量M上的面積以衡量I中的內(nèi)容密度, 產(chǎn)生內(nèi)容敏感的超像素.該方法涉及流形M面積的快速近似計(jì)算和計(jì)算范圍參數(shù), 用以控制超像素的分割與合并.首先, 對(duì)每個(gè)像素p=(u,v), 用Zp表示以p為中心的1×1單位正方形, 如圖1所示.單位正方形的面積

Area(Zp)=△p1p2p3∪△p3p4p1,

MSLIC算法使用平面三角形Φ(△p1p2p3)的面積近似計(jì)算曲面三角形△Φ(p1)Φ(p2)Φ(p3)的面積, 計(jì)算方法為

(1)

以及超像素的范圍參數(shù)

在迭代過程中比較λi與設(shè)定閾值τ的大小, 控制超像素塊進(jìn)行分割和合并操作, 根據(jù)圖像I的內(nèi)容密集程度調(diào)整超像素塊的尺寸和數(shù)量, 生成內(nèi)容敏感的超像素.

圖1 計(jì)算嵌入在5中的2維流形面積Fig.1 Calculating area of two-dimensional manifold embedded in 5

對(duì)于像素p, MSLIC算法與SLIC算法相同, 在CIELAB顏色空間中表示像素的顏色c(p), 對(duì)于兩個(gè)給定的像素p1=(u1,v1)和p2=(u2,v2), MSLIC算法使用歸一化歐氏距離測量它們之間的相似程度：

(2)

其中Ns和Nc為常數(shù),

由式(2)可知, MSLIC算法使用了顏色和空間特征信息計(jì)算像素間的距離.初始時(shí), 在圖像I中給定一組均勻分布的種子點(diǎn){Si}, 在迭代過程中, 根據(jù)式(2)計(jì)算像素與周圍種子點(diǎn)的距離, 將像素劃分至最鄰近的聚類中, 并更新聚類中心{Si}與參數(shù)λi.重復(fù)上述過程, 直到達(dá)到迭代次數(shù)上限, 聚類結(jié)果即為超像素分割結(jié)果.因此, 迭代聚類過程的結(jié)果決定了算法的分割精度.

2 改進(jìn)的MSLIC算法

MSLIC算法可以在普通三通道圖像上快速生成內(nèi)容敏感的超像素, 有一定的優(yōu)勢. 但將該方法直接用于多光譜遙感圖像時(shí), 由于該算法在迭代聚類過程中使用了與SLIC算法相同的聚類距離度量公式, 沒有利用圖像中的紋理特征且只能利用3個(gè)光譜波段, 無法適應(yīng)高維圖像數(shù)據(jù), 對(duì)于圖幅大、 內(nèi)容復(fù)雜的多光譜遙感圖像的分割精度較低. 因此, 為充分利用圖像中的特征信息進(jìn)行迭代聚類, 提升分割效果, 本文首先給出一種針對(duì)多光譜遙感圖像的紋理特征提取方法, 以獲得高質(zhì)量的紋理特征； 然后對(duì)MSLIC算法的聚類距離度量進(jìn)行改進(jìn), 用圖像的多段光譜特征、 紋理特征及空間特征計(jì)算像素間的距離, 用特征融合的思想提高算法的聚類精度, 改善算法的分割效果.

2.1 基于CoLBP的多光譜遙感圖像紋理特征提取

紋理特征是圖像的一種重要特征, 其能表達(dá)影像對(duì)象的表面結(jié)構(gòu)及與周圍環(huán)境的聯(lián)系, 還能表達(dá)圖像中對(duì)象間的同質(zhì)現(xiàn)象, 廣泛應(yīng)用于圖像處理領(lǐng)域[13-14]. 局部二進(jìn)制模式(local binary pattern, LBP)算子能快速、 精細(xì)地反應(yīng)灰度圖像中局部像素之間的差異[15-16], 但傳統(tǒng)LBP算法基于單通道灰度圖像對(duì)紋理特征進(jìn)行提取, 無法直接應(yīng)用于三通道彩色圖像. Porebski等[17]為解決該問題, 提出了一種彩色局部二進(jìn)制模式(color local binary pattern, CoLBP)算法, 與傳統(tǒng)LBP算法基于灰度數(shù)值計(jì)算方式不同, CoLBP方法將像素的3個(gè)通道顏色分量視為一個(gè)向量, 并使用向量的二范數(shù)比較中心像素與相鄰像素的光譜強(qiáng)弱. 該方法融合了圖像的色彩和紋理信息, 因此得到的局部紋理信息更穩(wěn)固, 判別性強(qiáng), Choi等[18]證明了使用CoLBP方法提取的紋理特征可以改善圖像分類結(jié)果.

相比于普通的RGB圖像, 遙感圖像的光譜信息更豐富, 其光譜通道數(shù)量由三到幾百不等. 為從遙感圖像中提取高質(zhì)量的紋理特征, 本文將CoLBP算法由三通道顏色空間S∈3擴(kuò)展至任意通道數(shù)量的光譜空間S∈β, 其中β為輸入的圖像數(shù)據(jù)光譜帶數(shù)量, 使算法具有高維適應(yīng)性. 本文多光譜局部二進(jìn)制模式(multi-spectral local binary pattern, MSLBP)算法紋理描述符定義如下： 設(shè)點(diǎn)p為多光譜遙感圖像中的一個(gè)像素點(diǎn),p′是p的N鄰域中相鄰像素, 用表示位于光譜空間S中像素p的N鄰域局部二進(jìn)制編碼,S表示任意維度的光譜空間S∈β.將像素p的β維光譜通道Z(p)視為β維向量,即

Z(p)=(C1(p),C2(p),…,Cβ(p))T,

(3)

(4)

其中：p為中心像素相鄰像素的個(gè)數(shù), 一般取p=8, 即八鄰域；β為多光譜遙感圖像的波段數(shù),

2.2 多特征融合的多光譜遙感圖像超像素分割算法

首先, 為能充分利用圖像中的多個(gè)光譜波段, 本文使用與文獻(xiàn)[12]類似的方法, 擴(kuò)展MSLIC算法的映射空間, 將圖像I映射到二維流形M∈β+2(β維光譜與2維空間坐標(biāo)的聯(lián)合空間)而不是M∈5中, 使算法充分利用光譜信息的同時(shí)可以適應(yīng)高維圖像數(shù)據(jù).其次, 為充分利用圖像中大量存在的紋理特征提升分割效果, 用MSLBP算法從圖像中提取紋理特征, 并對(duì)式(2)進(jìn)行改進(jìn), 將光譜距離dc進(jìn)行擴(kuò)展, 引入紋理特征差異度量, 綜合考慮像素與周圍種子點(diǎn)在空間、 光譜、 紋理特征上的差別.這種特征組合能更有效地度量像素之間的相似程度, 更準(zhǔn)確地將像素劃分至最相似的種子點(diǎn), 從而提高算法的聚類精度, 改進(jìn)的聚類距離度量如下.

圖2 四波段圖像MSLBP紋理特征提取流程Fig.2 Extraction process of 4-band image MSLBP texture feature

設(shè)輸入的多光譜遙感圖像I有N個(gè)像素、β條光譜波段, 對(duì)于兩個(gè)給定的像素p1,p2∈I, 其在圖像中的坐標(biāo)為(u1,v1)和(u2,v2), 則多特征融合的像素距離定義為

(5)

其中：ds為像素間的歐氏空間距離, 即

(6)

dc為像素間的光譜距離, 定義為

(7)

式中Z(p)表示像素的光譜信息, 對(duì)于含有β條光譜通道的遙感圖像,Z(p)為β維向量,Ci表示像素的第i光譜通道強(qiáng)度.與式(2)中dc不同, 式(7)在計(jì)算過程中使用了像素的多個(gè)光譜通道, 融入多段光譜特征, 得到的像素間光譜距離更準(zhǔn)確, 也適應(yīng)了遙感圖像的多光譜特性.

(8)

2.3 算法流程

用改進(jìn)的MSLIC算法在多光譜遙感圖像中進(jìn)行超像素分割的流程如下：

輸入： 具有N個(gè)像素、β條光譜波段的遙感圖像I, 期望的超像素個(gè)數(shù)K, 最大迭代次數(shù)maxiter.

步驟3) 根據(jù)式(1)為每個(gè)像素計(jì)算Area(Φ(Zp)), 計(jì)算流形中的局部搜索區(qū)域

步驟5) 如果iter>0且λi小于分割閾值τ, 則分割該超像素;

步驟6) 根據(jù)式(5)對(duì)以si為中心的2λiS×2λiS區(qū)域中的每個(gè)像素p, 計(jì)算其與種子點(diǎn)si的聚類距離D=D(si,p), 如果D

步驟8) 如果迭代次數(shù)iter≥maxiter, 則結(jié)束, 否則返回步驟4), 迭代次數(shù)iter=iter+1;

步驟9) 算法結(jié)束, 輸出超像素分割結(jié)果.

3 算法驗(yàn)證與分析

3.1 紋理特征方法提取驗(yàn)證

由于LBP編碼的取值范圍為[0,255], 可以在計(jì)算機(jī)中使用圖像展示, 因此下面以圖像的方式展示傳統(tǒng)LBP算法與MSLBP算法的紋理特征提取效果. 實(shí)驗(yàn)數(shù)據(jù)為四波段多光譜遙感圖像, 實(shí)驗(yàn)結(jié)果如圖3所示. 傳統(tǒng)LBP算法只能基于灰度圖像計(jì)算紋理特征, MSLBP算法則可以使用任意數(shù)量的光譜波段. 利用多段光譜信息可以更準(zhǔn)確地捕捉圖像中的局部光譜變化, 對(duì)地物的邊緣更敏感. 如圖3中紅色框所示的地物, 可以觀察到相比于傳統(tǒng)LBP算法的提取結(jié)果(圖3(B)), 使用MSLBP算法提取的紋理特征(圖3(C))更準(zhǔn)確, 同一地物內(nèi)像素值較接近, 即LBP值接近, 噪點(diǎn)少, 且建筑、 道路等地物的邊緣清晰. 因此, MSLBP算法在多光譜遙感圖像中提取的局部紋理特征更具有判別性, 能反映出圖像局部空間內(nèi)不同地物間的差異, 可以較好地反映地物的內(nèi)部特征和輪廓.

圖3 LBP紋理特征提取結(jié)果Fig.3 Extraction results of LBP texture feature

3.2 超像素分割算法驗(yàn)證

3.2.1 評(píng)價(jià)指標(biāo)

作為圖像的密集過分割方法, 超像素應(yīng)該很好地保留圖像的真實(shí)分割邊界； 其次, 超像素分割常作為其他算法的預(yù)處理步驟, 應(yīng)具有良好的分割精度. 因此, 為驗(yàn)證本文算法的有效性, 采用邊緣召回率(boundary recall, BR)和欠分割錯(cuò)誤率(under segmentation, UE)驗(yàn)證算法的邊界識(shí)別能力, 用可達(dá)細(xì)分精度(achievable segmentation accuracy, ASA)驗(yàn)證算法的分割精度.

邊緣召回率(BR)： 該指標(biāo)測量地物真實(shí)邊界的哪一部分落在超像素邊界的至少兩個(gè)像素內(nèi), 其值越高表明越很少會(huì)漏掉真實(shí)邊緣, 計(jì)算公式為

(9)

其中S為超像素分割,G為地面真實(shí)分割, TP表示G中的邊緣像素出現(xiàn)在S邊界一定范圍內(nèi)的像素?cái)?shù)目, FN表示在G中的邊界真值沒有出現(xiàn)在S中的像素?cái)?shù)目.

欠分割錯(cuò)誤率(UE)： 該指標(biāo)描述了超出地物真實(shí)邊緣范圍的超像素塊個(gè)數(shù), 其計(jì)算公式為

(10)

其中g(shù)i為地面真實(shí)分割,si為超像素分割,ng為地面真實(shí)分割總數(shù).該指標(biāo)測量每個(gè)超像素僅與一個(gè)真實(shí)對(duì)象重疊的程度.該指標(biāo)越小, 證明超像素捕捉對(duì)象邊界的能力越強(qiáng).

可達(dá)細(xì)分精度(ASA)： 超像素可用于后續(xù)分割算法的預(yù)處理步驟, ASA被定義為使用超像素作為輸入單位(代替像素)進(jìn)行圖像分割時(shí)可達(dá)到的最高對(duì)象分割精度, 是分割精度的上限, 其計(jì)算公式為

(11)

3.2.2 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)

本文使用Python實(shí)現(xiàn), 并在AMD Ryzen 7 4800H 2.90 GHz CPU和8 GB RAM的計(jì)算機(jī)上進(jìn)行測試. 為驗(yàn)證算法的有效性, 將本文方法與SLIC算法[7]、 文獻(xiàn)[10]算法、 MSLIC算法[11]及線性譜聚類算法(linear spectral clustering, LSC)算法[19]進(jìn)行比較, 其中MSLIC算法在SLIC算法的基礎(chǔ)上引入了流形結(jié)構(gòu)； 文獻(xiàn)[10]算法在分割過程中融合使用傳統(tǒng)LBP方法提取的紋理特征； LSC通過核函數(shù)將圖像映射至高維空間進(jìn)行迭代聚類. 本文使用基準(zhǔn)遙感數(shù)據(jù)集圖像“Pavia大學(xué)”及我國某油田廠區(qū)內(nèi)的地面遙感圖像作為實(shí)驗(yàn)數(shù)據(jù). 其中Pavia大學(xué)遙感圖像有103條光譜帶, 大小為610×340像素. 另一張遙感圖像有4條光譜帶, 大小為946×834像素. 為適應(yīng)上述對(duì)比算法的輸入, 同時(shí)考慮計(jì)算成本, 參照文獻(xiàn)[20]的方法, 在輸入圖像上應(yīng)用主成分分析(PCA)算法進(jìn)行降維, 并表示成基本三通道圖像作為對(duì)比算法的輸入. 對(duì)于本文算法, 由于具有高維圖像數(shù)據(jù)適應(yīng)性, 對(duì)于Pavia大學(xué)圖像保留了20個(gè)主成分, 對(duì)于油田廠區(qū)遙感圖像則使用了所有的光譜信息.

3.2.3 運(yùn)行結(jié)果與分析

不同算法在3個(gè)指標(biāo)下的平均運(yùn)行結(jié)果如圖4所示, 其中(A)～(C)為Pavia大學(xué)的運(yùn)行結(jié)果, (D)～(F)為某油田廠區(qū)遙感圖像的運(yùn)行結(jié)果.

圖4 不同算法的性能比較Fig.4 Performance comparison of different algorithms

由圖4可見, 在Pavia大學(xué)場景中, SLIC算法與本文算法曲線相互交叉, 但隨著超像素分割數(shù)量的增加, 本文算法在BR上要優(yōu)于SLIC算法. 對(duì)于MSLIC算法, 其BR與本文算法接近, 尤其是在超像素?cái)?shù)目較少的情況下, 但與本文算法相比, MSLIC算法在UE和ASA指標(biāo)上較差. 對(duì)于文獻(xiàn)[10]的方法, 其UE和ASA在超像素?cái)?shù)量較少的情況下與本文方法相近, 甚至優(yōu)于本文算法, 但隨著超像素?cái)?shù)量增加, 在分割數(shù)較多的情況下, 本文算法的整體性能優(yōu)于文獻(xiàn)[10]算法. 而在某油田廠區(qū)遙感圖像場景下, 可用光譜特征較少, 但本文算法能充分挖掘圖像中的紋理特征, 可以觀察到本文算法的各項(xiàng)性能均優(yōu)于其他對(duì)比算法, 其中MSLIC算法與本文提出的算法性能最接近, 但本文算法仍然有所提升. 隨著超像素塊數(shù)增加, 單個(gè)超像素塊尺寸減小, 本文中給出的多光譜局部二進(jìn)制紋理特征提取方法能更有效地提取局部紋理特征, 更準(zhǔn)確地將像素劃分至最相似的聚類中心, 因此在分割數(shù)較多時(shí), 本文方法性能優(yōu)勢更明顯.

結(jié)合圖像的特性, 對(duì)不同算法結(jié)果的分析如下： 對(duì)于Pavia大學(xué)圖像, 其光譜特征豐富, 4種對(duì)比算法的輸入雖然使用了PCA算法進(jìn)行降維, 但輸入的光譜特征仍具有較好的可判別性； 其次, 圖像中地物類別復(fù)雜, 且空間分辨率較小, 因此5種算法的性能差距并不明顯, 但本文算法仍表現(xiàn)出綜合性能最優(yōu). 對(duì)于油田廠區(qū)圖像, 包含的光譜信息較少(4個(gè)波段), 在這種條件下, 本文算法通過MSLBP算法提取了圖像中大量存在的紋理信息, 配合重新設(shè)計(jì)的像素聚類距離, 有效利用了圖像中的光譜、 空間、 紋理特征. 在迭代過程中, 更準(zhǔn)確地將相似的像素分配至同一超像素塊內(nèi), 因此本文算法在該場景下的3個(gè)性能指標(biāo)均較好. 雖然文獻(xiàn)[10]方法同樣利用紋理特征提高迭代聚類精度, 但其僅關(guān)注圖像的3個(gè)光譜通道, 仍然存在利用特征不足的問題. 仿真對(duì)比驗(yàn)證結(jié)果表明, 在圖像光譜信息不充足的情形下, 利用圖像中的紋理信息可提升超像素分割的效果, 同時(shí)證明了本文算法可有效提升多光譜遙感圖像的超像素分割精度.

兩幅圖像的超像素分割結(jié)果分別如圖5和圖6所示, 其中圖5的超像素?cái)?shù)量為800塊, 圖6為600塊. 由圖5可見, 本文應(yīng)用的內(nèi)容敏感超像素分割算法可在內(nèi)容復(fù)雜且變化較大的區(qū)域生成數(shù)量更多、 尺寸更小的超像素, 更準(zhǔn)確地捕捉到遙感圖像中地物的邊緣. 由圖6可見, 在光譜信息較少的情形下, 對(duì)比算法性能下降較嚴(yán)重, 對(duì)圖像中地物邊緣捕捉不準(zhǔn)確. 如圖6中右上角的紅色框所示區(qū)域, 可觀察到相比于SLIC和MSLIC算法, 在相同超像素分割數(shù)量下, 本文算法可以捕捉到尺寸較小的地物輪廓. 同時(shí), 在左上角和右下角方框區(qū)域內(nèi), 可觀察到對(duì)于尺寸較大的地物, 本文算法獲取的地物輪廓更清晰準(zhǔn)確. 實(shí)驗(yàn)結(jié)果表明, 相比于4種對(duì)比算法, 本文方法可以在多光譜遙感圖像上獲得更好的超像素分割結(jié)果.

圖5 Pavia大學(xué)遙感圖像分割結(jié)果Fig.5 Remote sensing image segmentation results of university of Pavia

綜上所述, 本文提出了一種基于MSLIC算法改進(jìn)的多光譜遙感圖像超像素分割算法, 生成的內(nèi)容敏感超像素可以兼顧算法的降維效果與分割精度. 在MSLIC算法中融合了多段光譜特征、 紋理特征、 空間特征, 增大了特征量, 提升了算法的分割精度； 并且在給出的MSLBP紋理特征提取方法、 流形空間映射和聚類距離度量中均考慮了遙感圖像的多光譜特性, 從而使算法不僅可以處理三通道圖像, 而且可以直接應(yīng)用于多光譜圖像. 實(shí)驗(yàn)結(jié)果表明, 改進(jìn)算法在邊緣捕捉能力和分割精度等指標(biāo)上均優(yōu)于對(duì)比算法, 可在多光譜遙感圖像上獲得較好的超像素分割結(jié)果.

圖6 某油田遙感圖像分割結(jié)果Fig.6 Remote sensing image segmentation results of oilfield

[1] 劉高天, 段錦, 范祺, 等. 基于改進(jìn)RFBNet算法的遙感圖像目標(biāo)檢測 [J]. 吉林大學(xué)學(xué)報(bào)(理學(xué)版), 2021, 59(5): 1188-1198. (LIU G T, DUAN J, FAN Q, et al. Target Detection for Remote Sensing Image Based on Improved RFBNet Algorithm [J]. Journal of Jilin University (Science Edition), 2021, 59(5): 1188-1198.)

[2] 王斌, 范冬林. 深度學(xué)習(xí)在遙感影像分類與識(shí)別中的研究進(jìn)展綜述 [J]. 測繪通報(bào), 2019(2): 99-102. (WANG B, FAN D L. Research Progress of Deep Learning in Classification and Recognition of Remote Sensing Images [J]. Bulletin of Surveying and Mapping, 2019(2): 99-102.)

[3] 孫瑋婕, 楊軍. 改進(jìn)的簡單非迭代聚類的遙感影像分割研究 [J]. 計(jì)算機(jī)工程與應(yīng)用, 2021, 57(13): 185-192. (SUN W J, YANG J. Research on Remote Sensing Image Segmentation Based on Improved Simple Non-iterative Clustering [J]. Computer Engineering and Applications, 2021, 57(13): 185-192.)

[4] 羅學(xué)剛, 呂俊瑞, 彭真明. 超像素分割及評(píng)價(jià)的最新研究進(jìn)展 [J]. 激光與光電子學(xué)進(jìn)展, 2019, 56(9): 53-63. (LUO X G, Lü J R, PENG Z M. Recent Research Progress of Superpixel Segmentation and Evaluation [J]. Laser & Optoelectronics Progress, 2019, 56(9): 53-63.)

[5] CUI B, XIE X, MA X, et al. Superpixel-Based Extended Random Walker for Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience & Remote Sensing, 2018, 56(6): 1-11.

[6] 張志龍, 李愛華, 李楚為. 基于密度峰值搜索聚類的超像素分割算法 [J]. 計(jì)算機(jī)學(xué)報(bào), 2020, 43(1): 1-15. (ZHANG Z L, LI A H, LI C W. Superpixel Segmentation Based on Clustering by Finding Density Peaks [J]. Chinese Journal of Computers, 2020, 43(1): 1-15.)

[7] ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11): 2274-2282.

[8] 張永梅, 孫海燕, 胥玉龍. 一種改進(jìn)的基于超像素的多光譜圖像分割方法 [J]. 國土資源遙感, 2019, 31(1): 58-64. (ZHANG Y M, SUN H Y, XU Y L. An Improved Multispectral Image Segmentation Method Based on Superpixels [J]. Romote Sensing for Land and Resources, 2019, 31(1): 58-64.)

[9] LU L, WANG C, YIN X. Incorporating Texture into SLIC Super-pixels Method for High Spatial Resolution Remote Sensing Image Segmentation [C]//2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics). Piscataway, NJ: IEEE, 2019: 1-5.

[10] 趙宇晴, 陳廣勝, 景維鵬. 對(duì)簡單線性迭代聚類算法改進(jìn)的遙感影像超像素分割方法 [J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2020, 48(11): 66-71. (ZHAO Y Q, CHEN G S, JING W P. Improved SLIC Clustering Superpixels Segmentation Method on Remote Sensing Image [J]. Journal of Northeast Forestry University, 2020, 48(11): 66-71.)

[11] LIU Y, YU C, YU M, et al. Manifold SLIC: A Fast Method to Compute Content-Sensitive Superpixels [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ: IEEE, 2016: 651-659.

[12] SELLARS P, AVILES-RIVERO A I, SCHONLIEB C B. Superpixel Contracted Graph-Based Learning for Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(6): 4180-4193.

[13] 郭艷婕, 楊明, 侯宇超. 改進(jìn)的SLIC算法在彩色圖像分割中的應(yīng)用 [J]. 重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)), 2020, 34(2): 158-164. (GUO Y J, YANG M, HOU Y C. Application of an Improved SLIC Algorithm in Color Image Segmentation [J]. Journal of Chongqing University of Technology (Natural Science), 2020, 34(2): 158-164.)

[14] 陶謙, 熊風(fēng)光, 劉濤, 等. 多幅點(diǎn)云數(shù)據(jù)與紋理序列間的自動(dòng)配準(zhǔn)方法 [J]. 計(jì)算機(jī)工程, 2020, 46(10): 259-265. (TAO Q, XIONG F G, LIU T, et al. Automatic Registration Method Between Multiple Point Cloud Data and Texture Sequences [J]. Computer Engineering, 2020, 46(10): 259-265.)

[15] 施新嵐, 黃俊, 黃洋, 等. 基于Gabor紋理增強(qiáng)的人臉活體檢測算法 [J]. 重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版), 2020, 32(6): 1023-1030. (SHI X L, HUANG J, HUANG Y, et al. Face Liveness Detection Using Gabor Texture Enhancement [J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2020, 32(6): 1023-1030.)

[16] 唐慧, 束鑫, 楊習(xí)貝, 等. 基于分塊彩色MB_LBP紋理的人臉反欺詐算法 [J]. 江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2020(3): 48-53. (TANG H, SHU X, YANG X B, et al. Face Anti-spoofing Algorithm Based on Block Color MB_LBP Texture [J]. Journal of Jiangsu University of Science and Technology (Natural Science Edition), 2020(3): 48-53.)

[17] POREBSKI A, VANDENBROUCKE N, MACAIRE L. Haralick Feature Extraction from LBP Images for Color Texture Classification [C]//2008 First Workshops on Image Processing Theory, Tools and Applications. Piscataway, NJ: IEEE, 2008: 1-8.

[18] CHOI J Y, RO Y M, PLATANIOTIS K N. Color Local Texture Features for Color Face Recognition [J]. IEEE Transactions on Image Processing, 2012, 21(3): 1366-1380.

[19] 宋以寧, 劉文萍, 駱有慶, 等. 基于線性譜聚類的林地圖像中枯死樹監(jiān)測 [J]. 林業(yè)科學(xué), 2019, 55(4): 187-195. (SONG Y N, LIU W P, LUO Y Q, et al. Monitoring of Dead Trees in Forest Image Based on Linear Spectral Clustering [J]. Scientia Silvae Sinicae, 2019, 55(4): 187-195.)

[20] LI S, LU T, FANG L, et al. Probabilistic Fusion of Pixel-Level and Superpixel-Level Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(12): 7416-7430.