一种高分遥感影像物体分割质量评价方法

毛召武，程结海，袁占良

(河南理工大学测绘与国土信息工程学院，河南 焦作 454003)



一种高分遥感影像物体分割质量评价方法

毛召武，程结海，袁占良

(河南理工大学测绘与国土信息工程学院，河南 焦作 454003)

影像分割是面向对象影像分析的重要环节，影像分割结果质量影响着后续的影像信息提取。对影像分割结果进行评价并从不同的分割结果中选出最优分割结果十分重要。本文综合考虑与参考对象相交的所有分割对象的影响，提出了一种高分遥感影像物体分割质量评价方法。该方法用ESI和CDI两个指标来定量评价影像物体分割结果质量，并用ESI和CDI指标组合，确定影像物体的最优分割结果。将该方法应用于GeoEye-1高分遥感影像物体分割结果质量评价，试验结果证明了该评价方法的有效性。

高分遥感影像；分割质量评价；面积差异；位置差异

目前，高分遥感影像已经成为众多行业的主要数据来源并发挥着重要作用，如土地利用监测、交通规划、环境监测等领域[1-2]。高分遥感影像与中低分辨率遥感影像相比具有丰富的纹理信息和结构信息[3-4]。大量应用证明，与传统的基于像元影像分析方法相比，面向对象影像分析方法(OBIA)更有利于提取高分遥感影像信息[5]。影像分割是OBIA中的第一步，也是一个重要的环节[6-7]。影像分割是按照一定分割算法将遥感影像分解成连续的互不重叠的同质性区域，且任意相邻的区域具有一定的异质性[2, 7-9]。良好的影像分割结果有利于后续的影像信息提取[10]。同一影像使用同一分割方法的不同分割参数组合进行分割，其结果往往是存在差异的。为了能够从不同的分割结果中选择出合理有效的分割结果并从中选择出最优分割结果，需要对影像分割结果进行质量评价。

常用的定量评价遥感影像分割质量的方法主要有非监督评价和监督评价[6,11]。其中监督评价方法是最常用的影像分割质量评价方法[6-7]。该方法主观性相对较小，其评价结果具有较强的说服力。该方法在获取遥感影像的部分地物作为参考对象的情况下，通过分析参考对象和分割对象之间的差异程度，根据差异程度来评价影像分割质量[6]。参考对象和分割对象之间的差异越小则表明对应的分割结果越好。为了选取最优的分割结果，需要使用合理有效的评价方法对不同的分割结果进行质量评价。

目前，许多学者已经提出各种影像分割质量监督评价方法。Lucieer等提出了AFI评价指标[12]，Möller等提出了RA评价指标[13]，陈秋晓等提出了FSCP评价指标[14]，Yang提出了SEI评价指标[7]。这些评价方法的共同点是从与参考对象相交的分割对象中选择一个分割对象，定量描述该分割对象与参考对象之间的面积差异，进而评价分割结果质量。实际中，与参考对象相交的分割对象往往不止一个。仅仅考虑其中一个分割对象与参考对象之间的关系来评价分割结果质量并不客观，有时会使得评价结果与实际情况不符[15]。因此，综合考虑与参考对象相交的所有分割对象，用相应的定量指标来评价影像物体分割结果质量是一项很有意义的研究工作。本文基于此思路展开研究。

一、研究方法

如图1(a)所示，M代表参考对象，P1、P2、P3是相应的分割对象。顾及与参考对象M相交的每个分割对象的影响，按照分割对象与参考对象之间的空间关系[5]及对分割结果的影响程度将分割对象分为两大类：有效分割对象和无效分割对象。有效分割对象包含两种：一种是分割对象完全在对应参考对象内部，如图1(a)中P1所示；另一种是分割对象与参考对象相交，且相交面积占对应分割对象面积的50%以上，如图1(a)中P2所示。无效分割对象是指分割对象与参考对象相交，但相交面积占对应分割对象面积的50%以下，如图1(a)中P3所示。把与参考对象相交的所有有效分割对象进行合并，生成一个新的多边形P，如图1(b)所示。通过评价P和M之间的差异程度来反映影像物体分割结果质量。

图1　参考对象和分割对象关系

Liu等将分割对象与参考对象之间的几何关系分为3类：Overlap、Under-Segmentation和Over-Segmentation[16]。其中，Overlap是指参考对象和分割对象相交的区域，Under-Segmentation是指属于分割对象但不属于Overlap的区域，Over-Segmentation是指属于参考对象但是不属于Overlap的区域，如图1(b)所示。本文提出错误分割指数(error segment index，ESI)评价影像物体分割质量，公式为

(1)

式中，Area(UnderSegmentation)、Area(OverSegmentation)和Area(Ref)分别表示Under-Segmentation、Over-Segmentation和参考对象的面积。ESI值越小，表示分割对象和参考对象之间的面积差异越小，即对应的分割结果越好。

影像分割结果质量也可以用分割对象和参考对象之间的位置差异来度量[13, 17]。本文提出质心之间的距离指数(centroids distance index，CDI)评价影像物体分割质量，公式为

(2)

式中，XCP、XCM分别表示P和M质心的横坐标；YCP、YCM分别表示P和M质心的纵坐标，CDI表示P和M质心之间的距离。CDI越小，表明P和M之间的位置差异越小，即对应的分割结果越好。

本文综合考虑P和M之间的ESI指标和CDI指标来评价影像物体分割质量。理想的分割结果是ESI=0且对应的CDI=0。

二、试　验

1. 数据

为了验证本文提出的ESI和CDI两个评价指标能够合理有效地评价影像物体分割质量，采用的研究数据是新西兰克赖斯特彻奇(Chirstchurch，New Zealand)地震前的GeoEye-1遥感影像(来源：www.digitalglobe.com)，如图2所示。该影像包括红、绿、蓝3个波段，融合后空间分辨率为0.5 m。影像的主要地物类型为建筑物、道路、绿地及水体。

图2　研究区高分遥感影像及参考边界

2. 影像分割

本文使用eCognition软件所提供的多尺度分割算法[18]对研究区高分遥感影像进行分割。该算法包含3个参数：scale、compactness和shape。不同的参数组合会产生不同的分割结果，这些分割结果中存在与参考对象吻合程度较高的结果，即最优分割结果。影像分割的最优分割结果对应的分割参数组合需要经过多次的试验获取[13]。本文设置的scale、compactness和shape参数组合为{20，40，60，80}×{0.1，0.3，0.5，0.7，0.9}×{0.1，0.3，0.5，0.7，0.9}，见表1。同时，通过目视解译的方法获取影像地物的参考边界，如图2所示。

3. 试验步骤

高分遥感影像物体分割质量评价的主要流程如图3所示。通过目视解译的方法获取参考对象；同时，利用多尺度分割算法(参数组合见表1)对研究区高分遥感影像进行分割，获取不同参数组合的影像分割结果；将分割对象分为无效分割对象和有效分割对象，并把有效分割对象合并为新的多边形，即研究对象；分析计算出研究对象与对应参考对象之间的面积差异指标ESI和位置差异指标CDI，ESI和CDI共同表达了对应影像物体的分割质量。理想的分割结果是ESI=0且对应的CDI=0。实际中，由于分割算法、地物类型、影像质量等因素的影响，这种情况几乎是不存在的；而ESI和CDI同时达到最小的情况也较少出现。经过反复试验，较优的分割结果满足的条件为：ESI≤0.17且对应的CDI≤0.7。运用面积和位置差异评价影像物体分割质量，其中面积差异占主导作用[19-20]。因此，在较优分割结果中选择最小ESI对应的分割结果作为最优分割结果。

图3　影像物体分割结果质量评价流程

4. 结果与分析

本文随机选择第20号物体作为研究的参考对象。根据流程图(如图3所示)将研究区遥感影像进行分割，得到不同的影像分割结果，获取第20号物体各分割结果的有效分割对象，并根据式(1)和式(2)计算每组分割结果对应的ESI和CDI指标值，见表1。对比表1中的ESI和CDI指标值，满足ESI≤0.17且CDI≤0.7的参数组合有(20，0.1，0.3)、(20，0.7，0.1)、(20，0.7，0.5)，将这些参数组合对应的分割结果作为较优分割结果，如图4所示。其中，参数组合(20，0.7，0.5)对应的ESI=0.145最小，该参数组合对应的分割结果被选取作为最优分割结果，如图4(c)所示。利用视觉分析判断，3个较优分割结果与对应参考对象的边界吻合程度都较高，但是彼此之间仍存在一定的差异，通过对比，分析出图4(c)的分割结果优于图4(a)和图4(b)的分割结果。说明该评价方法选取出的第20号物体最优分割结果是合理有效的。

图4　第20号物体的较优分割结果

分割参数组合scalecompactnessshape参考对象面积/m2研究对象面积/m2相交面积/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︙︙︙︙︙︙︙︙

续表1

为了验证本文评价方法的普遍适用性，选择2号、36号、22号物体作为研究的参考对象。按照图3的分析流程，分别计算各参数组合下对应分割结果的ESI和CDI评价指标，并根据本文提出的最优分割结果评价准则选取对应的最优分割结果。各物体的最优分割参数组合及对应的指标值见表2，对应的最优分割结果如图5所示。通过目视分析判断，这3个物体各自的最优分割结果与对应参考对象的边界吻合程度较高，说明本文的评价方法选取出的最优分割结果是合理的。通过对20号、2号、36号、22号物体分割结果的评价，说明本文的评价方法可以有效地评价出影像物体的最优分割结果，具有一定的普遍适用性。

表2不同参考对象的最优分割结果参数组合及对应的指标值

编号scalecompactnessshapeESI/m2CDI/m22200.50.50.1750.62636200.70.70.1650.58622200.50.50.08240.212

同类型不同地物的最优分割结果对应的分割参数组合往往是不同的，见表2。试验中选择的建筑物36号和2号物体的最优分割参数组合分别是(20，0.7，0.7)和(20，0.5，0.5)。出现这种现象是合理的，主要是因为同类型不同地物在形状、大小、复杂程度及光谱等方面存在一定的差异。

图5　不同参考对象的最优分割结果

三、结　论

本文提出的影像物体分割质量评价方法综合考虑了与参考对象相交的所有分割对象可能对影像物体分割结果产生的影响；将分割对象分为两大类：有效分割对象和无效分割对象；将与参考对象相交的所有有效分割对象进行合并，形成新的研究对象；综合考虑新的研究对象和对应参考对象之间的面积和位置差异，提出了ESI和CDI两个评价指标评价影像物体分割质量。试验表明，本文提出的监督评价方法能够有效地评价影像物体分割质量，并选取出最优分割结果。目前，本文分割结果质量评价仅针对单个影像物体，后续进一步展开的研究工作是综合利用ESI和CDI评价指标评价影像中某类地物或整个影像分割结果质量，并确定某类地物或整个影像的最优分割结果，以进一步证明该方法的有效性和实用性。

[1]宫鹏，黎夏，徐冰. 高分辨率影像解译理论与应用方法中的一些研究问题[J]. 遥感学报，2006,10(1)：1-5.

[2]刘建华，毛政元. 高空间分辨率遥感影像分割方法研究综述[J]. 遥感信息, 2009(6)：95-101.

[3]祝振江. 基于面向对象分类法的高分辨率遥感影像矿山信息提取应用研究[D]. 北京：中国地质大学(北京), 2010.

[4]杜凤兰，田庆久，夏学齐，等. 面向对象的地物分类法分析与评价[J]. 遥感技术与应用,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，张永生，杨靖宇，等. 基于微分形态学断面的遥感影像分割方法[J]. 测绘通报,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]MÖLLERM,LYMBURNERL,VOLKM.TheComparisonIndex:AToolforAssessingtheAccuracyofImageSegmentation[J].InternationalJournalofAppliedEarthObservationandGeoinformation，2007,9(3)：311-321.

[14]陈秋晓，陈述彭，周成虎. 基于局域同质性梯度的遥感图像分割方法及其评价[J].遥感学报,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]纪晓乐. 面向对象的遥感影像分类精度评价方法研究[D]. 北京：北京师范大学,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

国家自然科学基金(41301617)；河南省教育厅科学技术研究重点项目(14A420004)；河南省高校基本科研业务费专项资金(NSFRF140114)；河南理工大学博士基金(B2014-014)

毛召武(1990—)，男，硕士生，研究方向为高分遥感信息提取。E-mail:mzhw1990@163.com

程结海

P237

B

0494-0911(2016)05-0036-05

引文格式： 毛召武，程结海，袁占良. 一种高分遥感影像物体分割质量评价方法[J].测绘通报，2016(5)：36-40.