结合SLIC和模糊聚类的遥感图像分割方法

摘  要： 超像素分割是目前用于遥感影像分割的研究热点，但它易产生过度分割的问题。为解决过度分割问题，提出一种简单线性迭代聚类（SLIC）结合快速FCM聚类算法（Fast fuzzy C-means，FFCM）的遥感图像分割方法。该方法首先用SLIC算法对初始影像进行预分割;然后使用FFCM对获取的超像素进行合并。本文将分形网络演化方法（FNEA）作为对比实验方法。实验结果表明，本文提出方法的分割结果与实际地物的相似度更高，抗噪性更好。提出分割方法的精度较FNEA算法相比均有所提高。研究成果可为遥感影像分割提供有效借鉴。

关键词： 遥感图像;图像分割;超像素;过分割;分形网络演化方法

中图分类号： P237    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.12.015

本文著录格式：杨丽艳，赵玉娥，黄亮. 结合SLIC和模糊聚类的遥感图像分割方法[J]. 软件，2019，40（12）：6669

Remote Sensing Image Segmentation Method Based on SLIC and Fuzzy Clustering

YANG Li-yan1， ZHAO Yu-e1， HUANG Liang1，2*

（1. Faculty of Land Resource Engineering， Kunming University of Science and Technology， Kunming 650093， China; 2. Surveying and Mapping Geo-Informatics Technology Research Center on Plateau Mountains of Yunnan Higher Education， Kunming 650093， China）

【Abstract】： Superpixel segmentation is currently the research hotspot for remote sensing image segmentation， but it is prone to over-segmentation. In order to solve the problem of over-segmentation， a simple linear iterative clustering （SLIC） combined with fast FCM clustering algorithm （FFCM） is proposed. Firstly， the initial image is pre-segmented by the SLIC algorithm; then the FFCM is used to merge the acquired superpixels. In this paper， the fractal network evolution method （FNEA） is used as a comparative experimental method. The experimental results show that the segmentation results of the proposed method are more like the actual ground features and better anti-noise. The accuracy of the proposed segmentation method is improved compared with the FNEA algorithm. The research results can provide effective reference for remote sensing image segmentation.

【Key words】： Remote sensing; Image segmentation; Superpixels; Over-segmentation; Fractal network evolution method

0  引言

图像分割是指遵照一定的相似性准则把图像分割成具有特殊语义信息的若干不同子区域。遥感图像分割是遥感图像处理中一项非常重要的技术，在遥感图像处理中扮演着一个重要的角色，同时也是图像处理中的重点和难点[1-2]。随着摄影测量和遥感等技术的发展，对遥感图像的分割成为了一个研究热点。近年，遥感图像的分割方法层出不穷，超像素分割作为其中的一种方法，给遥感图像的分割也带来了极大的方便。超像素是由一系列空间位置相邻、光谱、亮度、纹理等特征相似的像元点所构成的图像子区域。超像素分割可將遥感图像划分为具有相似特征的图像子区域。

超像素发展至今，可将其主要分为基于图论与梯度下降两大类方法[3]。基于图论的方法主要包括图论方法[4]、超像素网格法[5]和伪布尔法[6];基于梯度下降方法主要包括分水岭法[7]、均值漂移法[8]、SLIC算法[9]、快速均值漂移法[10]、图切法[11]、涡轮像素法[12]和快速分水岭法[13]。但上述方法均容易造成地物分割破碎、过度分割等现象。

本文针对超像素过分割问题，提出了一种SLIC结合FFCM的遥感图像分割方法。该方法同时具有运算速度快、形成的超像素均匀且紧致性高、不需事先确定聚类数目等优点。本文算法的基本思想是先用SLIC超像素法对遥感图像进行分割;然后用FFCM进行合并。这种方法很好地解决了过分割问题，使得图像分割效果更好。

1  研究方法

本文提出的遥感图像分割方法主要包括以下4个步骤：① 用SLIC算法对初始影像进行超像素分割;② 使用FFCM对超像素进行初合并，③ 通过聚类有效性分析指标确定聚类数目，并确定合适的遥感图像分割数;④ 依据确定的合适图像分割数，采用FFCM算法对超像素进行再次合并。

图1  本文算法流程图

Fig.1  Flowchart of proposed method

1.1  超像素的生成

2003年Ren等人[14]提出超像素了的这一概念，并引起广泛的关注和成为了一个新的研究热点。超像素是指对具有相似特征的相邻像素进行聚类，特征主要包括纹理、颜色、亮度等，然后产生形状不完全规则和具有一定视觉意义的像素块。SLIC算法的实质是一种改进的K均值聚类算法。它将彩色图像转换为5维特征向量，根据CLELAB颜色空间和 XY坐标下的特征向量构造相似度量的标准，对相似的像素点聚类生成超像素。SLIC算法能有效解决“椒盐”噪声的问题，不但可以设置生成超像素的个数，而且能够生成形状规则的像素块和具有较好边界附着性。SLIC算法的具体步骤[15]为：

（1）初始化种子点。首先预设其有N个像素点，SLIC算法运行后分成了大小相同的K个超像素，每个超像素的尺寸大小用 N/K来表示。种子点间的距离可以表示为。为了避免影响后续的聚类结果，种子点在邻域内的3×3的窗口内移动，同时计算所有像素点的梯度值，并且保证移动到梯度值最小的位置上，防止种子点被分配到影像的边缘位置或噪声点的位置。并且分配标签到每个种子点上。

（2）相似性度量。对每个像素进行搜索，计算像素点与种子点之间的相似程度，包括颜色距离和空间距离，不断迭代直到收敛，关系如下：

（1）

（2）

（3）

其中：[lk ak bk xk yk]代表种子点的5维特征向量;[li ai bi xi yi]表示为待判断的像素点的特征向量;k是指种子点;i是图像中的搜索像素点;dlab指的是像素点间的颜色相似程度，dxy为图像中邻域内像素点的空间距离;s为种子点的间距大小，m是用来衡量颜色信息与空间信息的相似比重。D是代表两个像素点的相似度大小;两个像素越相似则D取值越大。SLIC算法是在2S×2S之间进行搜索，这个操作是为了为加快算法的收敛速度。

在分割实验测试中，SLIC算法参数的设置大小会直接影响到超像素分割的效果，不同的参数大小会产生不同的分割效果。

1.2  FFCM理论

模糊C均值算法（FCM）是由Dunn提出的一种模糊聚类方法[16]，一经提出便得到了广泛的关注。目前，FCM算法已被成功应用于数据挖掘、遥感影像非监督分类、机器学习、计算机视觉、遥感影像分割等诸多领域。FCM算法根据遥感图像中像元点到聚类中心的加权距离来实现遥感图像分割。FCM算法首先构建目标函数，具体计算公式如下：

（4）

式中，J表示为目标函数;表示为硬划分矩阵，取值区间为{0， 1};表示为一个聚类中心向量，，存在 ，其表示为第i类的聚类中心;dij表示为第j个样本点和第i类的聚类中心间的失真度，常采用距离函数对其进行度量;表示为聚类加权指数，用来控制矩阵U的模糊程度，通常m越大，分类的模糊程度越高。

然后利用拉格朗日乘法对式（4）进行求解，通过计算可以得到隶属度函数以及聚类中心的迭代公式：

（5）

（6）

FCM算法目前在遥感图像分割领域具有较为广泛的应用，但FCM方法过分地依赖初始聚类中心，此外还需事先确定聚类的数目。同时，FCM算法计算量大，造成图像分割速度慢。基于此，林开颜等（2004）[17]提出了FFCM算法，该算法首先对目标函数进行改进：

（7）

表示子集数。对应的，其聚类中心的公式为：

（8）

隶属度计算公式仍为（5），涉及距离计算时，用

（9）

A表示p×p的正定矩阵。

2  实验与分析

2.1  实验数据及平台

本次实验使用的数据为无人机平台获取的高空间分辨率遥感影像，具有红、绿、蓝3个波段，大小为726像素×468像素，空间分辨率为0.05 m。该影像主要包括房屋、道路、绿地等地物，如图2（a）所示;图2（b）是高空间分辨率遥感影像对应的参考影像。本文采用FNEA算法调整参数进行分割实验来与本文提出方法的分割结果进行对比。

（a） 原图                                  （b） 參考影像

（c） 本文提出方法结果

（d） FNEA（50）

（e） FNEA（100）

图2  实验结果

Fig.2  The results of experiment

本文所采用的实验平台为Inter Core i5，2G独显及4 GB内存，Windows 10操作系统。实验的程序通过Matlab R2016a编译实现。

2.2  精度评价

为把实验结果更直观地表示出来，本文采用P-R方法来评价实验输出结果的有效性。当两个指标的值均更接近1时，则说明实验效果符合需求，分割效果更好，具体计算公式如下：

（10）

（11）

式中：Precision為分割精度;Recall为边界召回率;TP为地物被正确分为分割结果像素的样本个数;FP为背景像素被分为地物像素分割结果的样本个数;FN为地物分割结果被分为背景像素的样本个数。

2.3  实验结果与分析

在图2中，图2（c）为采用本文提出方法得到的超像素分割图像，其中参数设置：Cluster=4，k=500;为了验证本文提出方法的有效性，本文选取了eCognition软件中的多尺度分割算法（FNEA）与提出方法进行对比，并进行了两组实验，参数设置为scale=50，scale=100，分别如图2（d）、图2（e）所示;FNEA技术的关键在于对两个影像图像间异质度的定义和描述。这种异质性是由两个对象的光谱和形状差异决定的。由图2可以看出，FNEA（50）产生严重过分割现象，而且其地物边缘很破碎，对具有同一光谱特征的道路尚且不能完整的分割。FNEA（100）的效果相对于FNEA（50）有了很大改善，但对道路还是产生了过分割。故FNEA算法对具有较大光谱异质性的相同地物无法进行有效辨别，容易出现过分割现象。而图2（c）本文提出的方法较好分割了道路、房屋，地物具有良好的完整性。综上，本文方法得到的超像素分割图像相似度更好，有更好的分割效果。

图3列出了3种不同分割方法对影像图2（a）分割结果的Precision和Recall的评价结果。FNEA（50）的Precision指标值为：0.7569，FNEA（100）的Precision指标值为0.7689，而本文方法的Precision指标值为0.7751，本文提出的方法对图2（a）分割得到的结果其Precision大于两种不同分割尺度的FNEA方法，说明本文方法对地物分割结果的精度优于FNEA算法。此外，本文提出方法的Recall指标值为0.8841，均高于FNEA（50）算法得到的0.8196和FNEA（100）算法得到的0.8792，说明本文提出方法边界吻合度较高，边界附着性较好。综上，说明本文方法对遥感图像分割的效果更好。

图3  分割结果精度

Fig.3  The accuracy of segmentation results

3  结论

针对超像素分割容易产生过分割，及难以得到相似度高的分割结果的问题，本文提出了一种SLIC结合FFCM算法的遥感图像分割方法。首先通过SLIC算法对遥感图像进行预分割，获取超像素，减少图像噪声对分割结果的影响;然后根据设定的初始聚类数，使用FFCM对超像素进行初始聚类合并;接着通过聚类有效性分析指标确定合适的聚类数目;最后根据确定的合适聚类数目采用FFCM算法对超像素进行最终聚类合并，得到最终的遥感图像分割结果。实验结果证明，本文提出的方法解决了易形成过分割的问题，提升了高空间分辨率遥感图像的分割精度，使超像素分割更加有效。但本文方法涉及的参数均通过人工设置，下一步将针对本文方法自动选取合适参数的问题进行研究。

参考文献

[1]杨玚， 谢华成. 基于马尔科夫随机场与模拟退火算法的图像分割[J]. 软件， 2015， 36（4）： 40-43.

[2]郭璇， 郑菲， 赵若晗， 等. 基于阈值的医学图像分割技术的计算机模拟及应用[J]. 软件， 2018， 39（3）： 12-15.

[3]王春瑶， 陈俊周， 李炜. 超像素分割算法研究综述[J]. 计算机应用研究， 2014， 31（1）： 6-12.

[4]Felzenszwalb P F， Huttenlocher D P.Efficient Graph-Based Image Segmentation[J]. International Journal of Computer Vision， 2004， 59（2）： 167-181.

[5]Moore A P， Prince S J D， Warrell J， et al. Superpixel lattices[C]// 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR 2008）， 24-26 June 2008， Anchorage， Alaska， USA.IEEE， 2008.

[6]Wang C， Guo Y， Zhu J， et al.Video Object Co-Segmentation via Subspace Clustering and Quadratic Pseudo-Boolean Optimization in an MRF Framework[J]. IEEE Transactions on Multimedia， 2014， 16（4）： 903-916.

[7]Vincent L， Soille P.Watersheds in Digital Spaces： An Efficient Algorithm Based on Immersion Simulations[J]. IEEE Trans. patt. anal.& Machine. Intell， 1991， 13（6）： 583-598.

[8]Fukunaga K， Hostetler L .The estimation of the gradient of a density function， with applications in pattern recognition[J]. IEEE Transactions on Information Theory， 1975， 21（1）： 32-40.

[9]Achanta R， Shaji A， Smith K， et al. SLIC Superpixels [R]， EPFL Technical Report 149300， 2010： 1-15.

[10]祝鵬飞， 冯伍法， 张斌， 等. 基于Quick Shift算法的高光谱影像分类[J]. 测绘科学技术学报， 2011， 28（1）： 54-57.

[11]Froyland G， Padberg-Gehle K.Normalized cuts and image segmentation[J]. Chaos An Interdisciplinary Journal of Nonlinear Science， 2015， 22（8）： 888-905.

[12]Levinshtein A， Stere A， Kutulakos K N， et al. TurboPixels： Fast Superpixels Using Geometric Flows[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2009， 31（12）： 2290-2297.

[13]杨卫莉.基于分水岭算法和图论的图像分割[J]. 计算机工程与应用， 2007， 43（7）： 28-30.

[14]REN Xiao-feng， MALIK J.Learning a classification model for segmentation[C]//Proc of the 9th IEEE International Con ference on Computer Vision.Washington DC： IEEE Computer Society， 2003： 10-17.

[15]ACHANTAR， SHAJI A， SMITH K， et al.SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2012， 34（11）： 2274-2282.

[16]Dunn， J.C. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters[J]. Journal of Cybernetics， 1973， 3（3）： 32-57.

[17]林开颜， 徐立鸿， 吴军辉. 快速模糊C均值聚类彩色图像分割方法[J]. 中国图象图形学报， 2004， 9（2）： 159-163.