基于聚类分析的航空图像地物分类研究

卢云鹏 王建军* 张荠匀 白崇岳 胡燕威

（山东理工大学，机械工程学院，山东 淄博255049）

1 概述

采用航空CCD 相机采集地面影像，对地物识别，广泛应用于耕地面积、森林覆盖率、城市建设规划等领域。获得的每一小幅图像经平滑处理和匹配，可形成一幅完整图像，以便于与三维地形图匹配。由于航空摄影距离远，图像分辨率低，地物不明显，采用人工对地物分类费时费力。因此，采用计算机对航空摄影地物自动分类和识别，具有重要现实意义。

目前常用聚类分析对彩色图像进行处理，实现对地物的自动分类和识别[1]。聚类分析基本原理是把性质相似的对象归于一类，而不同类之间则存在较大差异[2]。钱小燕等[3]对两幅不同环境下的航空图片进行聚类分析，产生若干聚类域，利用颜色实现匹配颜色聚类域实现分类。张斌等[4]提出了一种基于聚类分析的轮胎X 光图像表面杂质检测方法。周光华等[5]介绍了模糊聚类分析在医学图像分割、医学图像压缩等的应用。王骁等[6]利用聚类分析分割管路区域，实现了管路图像亚像素精度边缘提取。

本文基于颜色聚类，对航空影像进行地物分类研究，并对地表破坏面积和绿植覆盖率进行计算，可应用于土地流失、国土资源估算等方面。

2 原理描述

2.1 聚类分析

2.2 判别分析

3 实验过程与结果

以图1(a)航空图像为例说明彩色图像聚类分析和判别过程。首先从不同的地物区域取训练样本，共取15 个，取点如图1(b)所示，其中1-12 点（绿色点）为进行聚类分析的实验点，RGB 颜色值如表1 所示。而13-15 点是三个待判别点（红色方块点位置）。采用系统聚类法对12 个聚类实验点聚类分析。图2 是分类树图，可见，12 个点主要有三个明显聚集区，采用k 均值聚类法进一步聚类。对12 个实验点进一步采用k 均值聚类处理，聚类结果如表2 所示。3 个类的中心位置，即变量均值，分别为：m1(0.7892，0.7824，0.6941)；m2(0.3588，0.3941，0.3000)；m3(0.6059，0.6500，0.5578)。每一个类中所有点到聚类中心距离分别为：d1=0.0095; d2=0.0899; d3=0.0047。12 个样本点中，每个点到每个聚类中心的距离如表3 所示。

图1 航空摄影图像及其样本点

图2 基于系统聚类法的聚类树图

表1 12 个样本点颜色值

表2 12 个样本实验点的k 均值聚类结果

表3 12 个样本点到每个聚类中心的距离

从图1(b)所选样本点分布看，特意选取三组点，即1、2、3、4为一组是屋顶面；5、6、7、8 为一组是树木覆盖区；9、10、11、12 为一组为道路面。从k 均值聚类结果，聚类将三类很好的分开了，结果符合实际地物状况。取图上三个待决策点（红色点13-15）进行判决分类， 三个点的 RGB 值分别为：x13(0.4431，0.4824，0.3882)；x14 (0.7490，0.7412，0.6902)；x15(0.5804，0.6118，0.5216)。

采用欧氏距离公式进行判别分析：

x13 点的颜色向量值[0.4431,0.4824,0.3882]，到三个聚类中心的 距 离 分 别 为：dx13m1=0.3033；dx13m2=0.0227；dx13m3=0.0834。在三者中，dx13m2=0.0227 最小，故点x13 属于第二类，看原图点13 是树丛中的取点，故判决符合实际情况。

x14 点颜色向量值[0.7490,0.7412,0.6902]，到三个聚类中心的距离分别为：dx14m1 =0.0033；dx14m2 =0.4250；dx14m3 =0.0463。在三者中，dx14m1= 0.0033 最小，故点x14 属于第一类，看原图点14 是空场地中的取点，故判决符合实际情况。

x15 点颜色向量值[0.5804,0.6118,0.5216]，到三个聚类中心的 距 离 分 别 为：dx15m1=0.1025；dx15m2=0.1456；dx15m3=0.0034。在三者中，dx15m3 =0.0034 最小，故点x15 属于第三类，看原图点15 是道路中的取点，故判决符合实际情况。

从以上实验方法可见，首先通过预先获得典型地物的样本点的颜色值，进行K-means 聚类分析，然后对未分类的待判断点进行距离判别分析，可成功的实现地物的分类和判别。

4 结论

通过对航摄彩色图像进行聚类分析和判别分析，可以对图像的地物进行较有效的分类，并用不同的颜色对图像进行重新绘制，以突出我们感兴趣的部分，实现信息的挖掘和整理。本文通过实例操作，证明聚类方法对地物识别可行。