基于并行预分割的高分辨率遥感影像多尺度分割

李维良，王红平，范 鹏

（中国地质大学（武汉）信息工程学院，湖北武汉 430074）

一、引 言

在遥感信息计算体系中，作为高空间分辨率遥感影像信息提取与目标识别的前提和基础，多尺度影像分割方法是实现从数据到信息对象化提取的过渡环节和关键步骤，具有十分重要的地位［1］。但作为一种计算密集型算法，其存在计算时间较长、整体效率较低的问题。针对算法改进可以从计算机实现角度来进行，如将影像数据划分为若干数据分块进行数据并行化处理。在并行分割算法实现过程中，不管是采用均匀数据划分方法，还是不均匀数据划分方法［2-3］，合并分割结果时都会无法避免地产生“缝合线”［4］，使得分割结果不可靠。

针对这一问题，国内外已有一些研究。胡晓东等在并行分割结束后将分隔线与其两侧分割块轮廓的交点分为在分隔线交汇的a类交点与不在分隔线交汇的b类交点。两个相邻的a类交点间的线段称为A类线，其他为B类线段。对A类线两侧的分割块进行合并，对B类线两侧的分割块进行次分割，以此来消除分隔线对结果的影响［5］，但分隔线两侧的分割对象受影像内容的影响，大小具有不确定性。因此，分隔线消除过程对分割过程运行效率产生的影响也无法准确地估算，且直接合并A类线两侧的分割块，在某些情况下也显得主观因素过重，值得商榷，因为分隔线两侧接边能够很好衔接的分割对象在现实中不属于同一影像对象的情况是可能存在的。P.N.Happ等提出一种在并行分割过程中考虑各数据分区相邻分割块相互影响的方法［6］，但会导致分割过程中数据分区逐渐变得不规则，算法实施难度较大，且各计算节点会出现负载，会逐渐不均衡。

在总结前人研究的基础上，本文对现有的研究成果进行综合取舍，提出了一种基于并行预分割的高分辨率遥感影像多尺度分割方法，在保证分割结果准确性的前提之下避免了分隔线的产生，消除了分隔线所带来的种种问题，同时使得分割效率有了显著提升。

二、多尺度分割算法的并行处理

1.多尺度影像分割算法

多尺度分割算法是一种面向对象的高分辨率遥感影像分割方法，其关键在于两个影像对象异质度的描述。对于一个d维的特征空间，设两相邻对象的特征值分别为f1d和f2d，则异质度定义为［7］

影像对象的光谱特征及形状特征都可以作为特征空间的一维。通过式（2）对每一维特征求标准差来进一步标准化特征空间距离

式中，σfd为对象特征的标准差［7］。

高分辨率遥感影像多尺度分割是一个迭代地将相邻影像对象不断合并形成更大影像对象的过程［8］。分割过程中同时对影像对象的光谱特征和形状特征进行操作，具体步骤为［9］:首先设置分割参数，包括作为影像对象合并终止条件的尺度阈值及各个特征的权值；然后开始分割过程，每次进行分割时，搜寻邻域影像对象，遵循异质度最小的原则，把相邻影像对象合并为一个较大的影像对象。第一次分割过程中，单个像元被看做最小的影像对象；第二次及以后的分割过程中，以前一次分割过程中生成的影像对象为基础计算异质度，判断异质度h与尺度阈值的关系，若h≤尺度阈值，则继续进行第n（n＞2）次的分割，反之则分割结束。

2.传统多尺度影像分割算法的并行化

传统基于数据并行的多尺度分割，必须首先根据线程数对影像进行数据划分，然后各数据分区开始并行进行分割，分割过程相互独立，每一个计算单元对应处理一个数据分块。分割结束后，数据分区边缘会出现分隔线，影响分割结果的精度，需要采取分区合并算法进行处理，基于多核计算机的并行分割处理流程如图1所示。

图1 基于多核计算机的并行分割流程

三、影像并行分割结果拼接策略

基于数据并行的影像分割结束后合并各数据分区结果时，存在接边无法很好地衔接、数据分区之间存在明显分隔线的问题。分隔线往往会将本属于同一分割对象的像元集合分成两个对象，有时这两个分割对象的接边不能很好地衔接。更有甚者，即使是分隔线两侧接边能够很好衔接的分割对象在现实中也可能不属于同一影像对象。总之，分隔线的存在使得分割结果不可靠。

遥感影像多尺度分割算法运行时间较长，整体效率较低，但是算法的计算量主要集中在初始影像对象形成及后续若干次迭代分割过程中［10］。当分割过程进行若干次迭代后，随着影像对象的数量减少到一定程度，后续计算在整个计算过程中所占用的时间会越来越低，对整体分割效率的影响不大。因此，提升影像的分割效率的关键在于提升形成初始对象及后续的若干次迭代分割过程的运行效率。

基于上述思想，可以对现有的影像多尺度分割并行化方法进行改进，即只对形成初始对象及后续的若干次迭代分割过程进行并行化处理，当影像对象数量减少到指定阈值后，后续分割过程通过串行方式进行处理，如图2所示。在本文中，将形成初始对象及后续的若干次迭代分割过程称为影像的预分割过程。

这种方式与图2所示的处理方式相比，由于后续分割过程采用串行处理方式进行，分割过程不会产生分隔线，省去了并行分割结束后的分隔线消除处理，算法较为简单易行。阈值的设置既可以按照迭代分割的次数来进行，也可以按照影像对象数量的减少程度来进行。

图2 并行预分割过程与串行预分割过程对比

值得注意的是，通过合理设置阈值，经过并行预分割所形成的影像对象内部各个像素光谱特征基本一致，相邻影像对象之间的光谱特征和形状特征有较为显著的差异，在一定程度上保证了所得到影像对象的准确性，为后续的串行再分割提供了有利条件。基于并行预分割的多尺度分割流程如图3所示。

图3 基于并行预分割的多尺度分割流程

四、试验结果与分析

根据上述研究思路，笔者实现了基于并行预分割的遥感影像分割算法。试验基于多核CPU进行，硬件环境为:Intel i5双核CPU，2 GB内存；软件环境为:Windows 7操作系统，VC++2005编译器。预分割过程中，线程数量采用2，与CPU核数一致。

首先，为了验证所改进的分隔线消除算法的最终效果，对GeoEye-1全色影像与相应多光谱影像进行融合，取融合结果的真彩色合成影像作为试验影像进行分割，影像尺寸为600像素×600像素。试验中，尺度阈值设为5500，光谱特征权值设置为0.7，形状特征权值设置为0.3。

图4（a）、图4（b）、图4（c）、图4（d）分别为试验影像原图、串行分割结果、分隔线未消除情况下的并行分割结果，以及分隔线消除后的并行分割结果。从图4（c）可以看出，并行预分割过程所形成的影像对象的光谱特征和形状特征基本一致；由于各个数据分块之间独立进行并行预分割过程，数据分块之间存在分隔线，不过通过合理设置预分割迭代次数，使得分隔线两侧所形成的预分割影像对象基本准确。将图4（c）和图4（d）对比后可知，分隔线两侧所形成的准确的预分割影像对象，为后续的串行分割过程创造了有利条件，分隔线经过后续串行分割处理之后被完全消除，其两侧最终分割结果可信度得到较大提高，最终取得了理想的结果。

图4 数据分区合并结果

此外，为了验证并行预分割策略对提升最终分割效率的有效性，采用了多幅不同尺寸的遥感影像进行分割试验，这些影像的基本信息见表1。试验中预分割迭代次数可以根据影像数据的实际情况来设置，本文设置为分割全过程总迭代次数的1/3。试验结果见表2。

表1 影像基本信息

从表2可知，串行影像分割算法的计算量主要集中在初始影像对象形成及后续若干次迭代分割过程中，尽管预分割过程的迭代次数只占分割全过程迭代次数的1/3，其用时占整个分割过程用时的比例却达到了70%以上。因此，预分割过程的运行效率在很大程度上影响了整个分割过程的运行效率。

对比表2中串行预分割用时与并行预分割用时可知，通过对预分割过程进行并行化处理，该过程的运行效率有了显著提升。尽管预分割过程运算效率的提升会降低该过程用时在整个影像分割过程中所占的比例，使得后续分割过程对分割算法运行效率的影响有所增加，但是，由于预分割过程所用时间在整个分割过程中的决定性作用，针对多种尺寸与数据量的高分辨率遥感影像，基于并行预分割的影像分割相对于串行分割在效率上仍有显著提升。

表2 影像分割效率对照

五、结束语

基于数据并行的遥感影像多尺度分割由于各数据分块在并行处理过程中独立运行，没有考虑彼此之间的影响，因此，在并行分割结束后，各数据分块接边不能很好地吻合，存在明显的“分隔线”，使得分割结果不可靠。在总结前人研究的基础之上，本文提出了一种基于并行预分割的影像分割策略，在保证分割结果准确性的前提下，避免了分隔线的产生，消除了分隔线所带来的种种弊端。

本文重点从方法的角度论证了采用并行预分割策略来消除分隔线所带来的种种弊端的可行性与有效性，而对于策略实施过程中某些关键细节，如并行预分割结束阈值对最终分割结果的影响及如何合理地设置，则没有详细涉及。为进一步提升算法运行效率与结果的准确性，这些有待后续研究与探讨。

［1］ 骆剑承，周成虎，沈占锋.遥感信息计算研究进展［J］.遥感学报，2009，13（S0）:1-6.

［2］ 黄国满，郭建峰.分布式并行遥感图像处理中的数据划分［J］.遥感信息，2001（2）:9-12.

［3］ 沈占锋，骆剑承，陈秋晓，等.高分辨率遥感影像并行处理数据分配策略研究［J］.哈尔滨工业大学学报，2006，38（11）:1968-1971.

［4］ 沈占锋，骆剑承，吴炜，等.遥感影像均值漂移分割算法的并行化实现［J］.哈尔滨工业大学学报，2010，42（5）:811-815.

［5］ HU Xiaodong，LUO Jiancheng，SHEN Zhanfeng，et al.Data Sewing Algorithm for Parallel Segmentation of High-Resolution Remotely Sensed Image［J］.Journal of Remote Sensing，2010，14（5）:922-935.

［6］ HAPP P H，FERREIRA R S，BENTES C，et al.Multiresolution Segmentation:a Parallel Approach for High Resolution Image Segmentation in Multicore Architectures［C］∥Proceedings of 3rd International Conference on GeographicObject-based Image Analysis.Ghent:［s.n.］，2010.

［7］ BAATZ M，SCHAPE A.Multi-resolution Segmentation:an Optimization Approach for High Quality Multi-scale Image Segmentation［EB/OL］.［2000-04-13］.http:∥ www.ecognition.com/sites/default/files/405_baatz_fp_12.pdf.

［8］ 谭衢霖，刘正军，沈伟.一种面向对象的遥感影像多尺度分割方法［J］.北京交通大学学报，2007，31（4）:111-114.

［9］ 陈启浩.面向对象的多源遥感数据分类技术研究与实现［D］.武汉:中国地质大学，2007.

［10］ 高伟，刘修国，彭攀，等.一种改进的高分辨率遥感影像分割方法［J］.地球科学:中国地质大学学报，2010，35（3）:421-425.