基于改进超像素和标记分水岭的高分辨率遥感影像分割方法

张锐，尤淑撑，杜磊，禄競，何芸，胡勇

(1.自然资源部国土卫星遥感应用中心，北京 100048； 2.重庆市规划和自然资源调查监测院，重庆 400120)

0 引言

随着对地观测卫星技术的发展，高分辨率遥感影像在地物目标提取、变化检测等方面发挥着重要作用。影像分割是高分辨率遥感影像信息挖掘和目标识别的基础，是实现从数据到信息转变的重要环节。随着影像空间分辨率的提高，使得地物轮廓和形状信息更加清晰，色彩差异明显[1]，提高了地物识别的精度，但同时也增加了影像分割的难度[2]。传统的基于像元的分割方法如mean shift算法、分水岭算法等易受到影像椒盐噪声和“同谱异物”、“同物异谱”等混合像元的影响，导致影像分割的精度和效率较低。面向对象分析方法的提出给影像分割和信息提取提供了新思路，这种方法可以充分考虑影像光谱统计特征，形状、纹理、上下文关系等一系列因素[3-5]，分析的最小单元是由影像分割得到的同质对象块，不再是单个像素。

分水岭分割[6-9]作为一种有效的图像分割方法，具有分割边界明显、连续且算法简单的优点，在图像处理领域得到广泛应用。但该方法过渡依赖于影像中地物的边界幅度效应，对于光谱差异较小的地物，常规的分水岭算法由于图像上噪声和图像局部不连续原因常常表现出过度分割，产生伪边缘效果，导致分割不理想。超像素[10]是指具有相似纹理、颜色和亮度等特征的相邻像素经过聚类形成的形状不完全规则的图像块，在一定程度上，提高了影像处理效率，降低了高分辨率遥感影像局部信息的冗余度，且能够充分利用影像中的相位一致性(phase congruency,PC)[11-12]幅度信息，原理对影像中地物边缘梯度依赖较小，适合高分辨率遥感影像复杂地物类型的识别。其中利用相似纹理、颜色和亮度等特征的线性迭代聚类(simple linear iterative clustering, SLIC)超像素分割方法[13]，在图像分割和目标识别领域得到广泛应用。

针对以上问题，本文提出一种基于超像素和标记分水岭的高分辨率遥感影像分割方法。首先对高分辨率影像进行灰度均衡化和高斯低通滤波，减少影像噪声影响； 再利用改进的SLIC超像素分割算法对影像进行初分割，产生超像素对象块并进行标记; 然后计算每个超像素斑块的灰度值，完成影像重建，并对重建后影像进行高斯滤波来去除相邻超像素边界衔接效应影响; 最后使用自动标记分水岭算法完成高分辨率影像分割。

1 基于改进超像素和标记分水岭的分割方法

1.1 基于控制标记符的分水岭分割算法

分水岭分割[14-16]是根据地理学的分水岭概念，将影像模拟成一幅高低起伏的地形图，图像中灰度变化可描述成地形图的谷底、山脊和积水盆。该方法是基于区域的影像分割方法，算法简单，运行快。Soille[17]利用数学形态学，对算法进行优化，提取局部极小值来自动控制分割区域的数量，具体步骤如下：

1)提取形态学梯度图像，即

g=(f⊕b)-(f⊖b)。

(1)

根据图像I(x,y)的膨胀(dilation)和腐蚀(erosion)算子可定义(f⊕b)表示形态学结构元素b对影像进行膨胀运算，即

(f⊕b)(x,y)=maxf(x+i,y+i)-b(i,j)|(x+i,j+y)∈Df,(i,j)∈Db。

(2)

(f⊖b)表示形态学结构元素b对影像进行腐蚀运算，即

(f⊖b)(x,y)=minf(x+i,y+i)-b(i,j)|(x+i,j+y)∈Df,(i,j)∈Db。

(3)

2)梯度图像低通滤波。由于影像中地物的主要信息集中在图像的低频成分，直接对梯度图像进行处理不能有效获取低频信息，通过对图像进行低通滤波，增大噪声与图像信息的差异，从其低频成分中提取到与目标相关的极小值。

3)基于扩展局部极小值变换的控制标记提取。分水岭分割中标记的获取至关重要，局部极小值变换通过设定阈值参数H，H的取值影响分割图斑的数目，消除深度小于H的局部极小值，一定程度上减少过分割区域，过小或过大的H均不利于获得较优的分割效果。

4)标记分水岭分割。得到标记图像后，将其二值化，用提取到的地物标记对原始梯度图像进行修改，滤去原图像中的所有局部极小值，局部极小值只存在于二值标记图像中不为0的地方。在修改后的梯度图像中应用标记分水岭分割，得到最终的分割结果。

1.2 SLIC超像素分割方法

在遥感影像智能解译和图像分割等方面，超像素方法得到广泛应用。常用的超像素算法主要包括熵率和斑块的方法，SLIC是熵率方法中的一种典型算法，是根据颜色和距离2种类型特征对影像进行聚类[18]，主要包括3个关键步骤，初始化聚类中心、对象相似性度量以及聚类中心的迭代更新，计算方法简单，时效性高，生成的对象块大小均匀紧凑。

1)初始化聚类中心。首先通过将遥感影像从RGB颜色空间经过色彩变换操作，转到Lab颜色空间。将Lab颜色空间的颜色特征分量l，a，b和对象块的中心坐标x，y共同作为分割的初始聚类中心，即Ck=[lk,ak,bk,xk,yk]T。在对象块中设定种子点，为防止种子点落在对象块边界位置，特采用3×3 移动窗口，将种子点设置在对象块的梯度最小处，完成聚类中心的初始化。

2)对象块的相似性度量。通过对Lab颜色空间特征向量之间的相似性和像素点x，y坐标之间的相似性进行聚类，计算每个像素与初始化种子点之间的距离测度，得到对象块之间的相似性度量。距离测度表示为：

(4)

式中：m表示权重，取值大小根据地物边缘与分割边界的贴合程度决定；s为搜索步长；dLab和ds分别表示像素在颜色特征空间和坐标空间中的距离测度。其表达式可以分解为：

(5)

(6)

3)聚类中心迭代聚合。根据步骤1)确定初始聚类中心后，SLIC采用类簇所有像素点的平均值更新聚类中心，改进了K-means算法的搜索区域大小，聚类中心与像素之间采用2s×2s邻域(图1)，提高搜索效率。

1.3 改进超像素和标记分水岭的高分辨率影像分割方法

边缘特征的提取是高分辨率遥感影像分割的关键，从频率域的角度来看，影像的相位谱比幅度谱包含更重要的信息[19]。本文主要是通过加入PC特征，提高超像素边缘检测的敏感性。对于空间域检测，是利用影像的灰度和梯度等幅度信息，PC是基于一种特征感知模型的图像特征算法检测方法，与人类视觉系统相符，具有亮度和平移不变性，对于地物的高频信息较为敏感，具有检测弱边缘的优点。

PC的基本原理是人类视觉感知的图像特征会出现在图像谐波分量叠合最大的相位处，而特征的类型由相位值决定。肖鹏峰等[20]发现相位信息在影像中地物的边缘特征处具有高度一致性，并利用傅里叶重构函数对PC进行度量，即

(7)

式中：An(x)表示n次谐波分量的幅度值；(x)为傅里叶成分的局部相位值；表示所有傅里叶分量的加权平均局部相位角。式中的局部能量是相位偏离的余弦函数，可能会因余弦函数的峰值不够尖锐而导致定位不准确。后来Kovesi利用Gabor小波的多尺度特征对算法进行改进，修正局部能量计算式，引入噪声补偿T来抑制噪声干扰，并基于Gabor函数将PC模型的维度扩展到二维，即

(8)

式中：WO(x,y)为在O点时有效的频谱值;ε为常数，通常设置为0.000 1；Δ(x,y)为灵敏相位偏差函数。其表达式为：

(9)

为了更好地在影像中提取地物边界，消除影像灰度不均匀的影响，结合PC模型和光谱相似性测度，本文提出了一种基于改进SLIC超像素与分水岭的高分辨率影像地物分割方法(PCSLIC-MW)。主要是在超像素分割阶段，使用HSL颜色分量，并引入PC测度，新的相似性测度D可以表示为：

(10)

式中：ρ，ω和μ分别为新的相似度测度中的权重系数；Distc(j,i)为颜色距离，即像素点与超像素种子点间的颜色差异；Distxy(j,i)为像素点与超像素种子点之间的空间距离；DistPC(j,i)为像素点与超像素种子点间的PC差异。其表达式分别为:

(11)

(12)

DistPC(j,i)=PC(j)-PC(i)，

(13)

式中：H，S，L为颜色分量。在超像素分割计算过程中，Distc(j,i)，Distxy(j,i)和DistPC(j,i)均要归一化到(0，1)之间，归一化的最大值为局部区域的最大值。

综上所述，基于SLIC的超像素方法优化过程可以归纳如下：

1)初始化。以步长s在以种子点为中心的3×3区域对原始影像进行初始化聚类中心； 对每一个像素x设置标签l(i)=-1； 对每一个像素x设置距离d(i)=∞。

2)计算相似度。① RGB颜色空间的图像转换成HSL颜色空间，计算HSL颜色特征； ② 计算种子点与像素xi的位置大小作为空间特征； ③ 对输入的图像转换为灰度图像，使用PC算法计算图像的PC特征； 对每一个像素在聚类中心i的2s×2s范围内，计算像素间相似度距离D。

3)迭代更新聚类中心。针对每个聚类中心i与其对应2s×2s大小领域的每个像素pj，计算pj与i之间的相似度，然后更新l(i)和初始相似度D(i)，完成聚类过程。

4)终止优化直到满足。距离最大，相似度最小。

本文核心算法步骤主要包括以下几点：

1)高分辨率遥感影像预处理。利用直方图均衡化和高斯滤波对原始影像进行预处理。

2)超像素初分割。通过颜色、空间位置、PC距离、纹理特征4个特征对影像进行超像素粗分割，并对超像素斑块进行标记。

4)对重建的特征影像图进行高斯滤波，最后采用控制标记符分水岭算法对重建后的特征影像进行再分割，得到地物最终分割结果。具体流程见图2。

图2 PCSLIC-MW方法流程Fig.2 Procedure of PCSLIC-MW

2 实验与分析

2.1 实验结果

2.1.1 Worldview 2多光谱影像分割实验

本实验采用了Worldview 2 多光谱影像(图3)。

图3 0.5 m分辨率Worldview 2 多光谱影像Fig.3 Worldview 2 multispectral image of 0.5 m resolution

该影像空间分辨率为0.5 m，影像大小为1 000像素×1 000像素，有蓝光(450～510 nm)、绿光(510～580 nm)、红光(655～690 nm)和近红外(780～920 nm)共4个波段。Worldview 2 多光谱影像选取的研究区主要以梯田、林地和村庄为主。首先计算不同空间尺度下超像素块的纹理特征、颜色特征以及空间位置特征，并对特征进行融合处理，然后利用本文所提改进超像素方法对影像进行初分割，利用扩展局部极小值变换方法确定控制标记，进而利用标记分水岭分割方法对影像进行再分割，根据变化曲线得到最优分割尺度，完成基于PCSLIC-MW方法的影像分割实验。图4为PCSLIC-MW方法分割结果，图4(a)为超像素初分割的初始结果，图4(b)为PCSLIC-MW分割结果，图4(c)和(d)分别为耕地和居民点局部放大，从图中可以看出，梯田和居民点的边界被很好地分割出来。与分形网络演化算法(fractal net evolution approach, FNEA)[21]不同尺度局部结果对比如图5所示。

从图5中可以看出，当尺度为100或80时，产生过分割，并随着尺度参数的增加，整个影像的过分割仍比较严重，当尺度为60，40，25时，产生欠分割现象，分割对象过于破碎。植被和农田的光谱异质性较大，虽然也有了较好的合并，但仍然存在着过分割现象，进一步说明了本文方法的优越性。

表1为Worldview 2多光谱影像利用不同分割尺度的精度评价，从精确度和召回率2个指标可以看出，本文所提方法的精确度和召回率均在0.8以上，高于FNEA分割结果的精度。利用FNEA不同尺度分割的结果显示，分割尺度过大或过小，精确度和召回率都呈现降低趋势。

表1 Worldview 2多光谱影像分割实验精度评价Tab.1 Accuracy evaluation of segmentationexperiment based on Worldview 2 image

2.1.2 ZY3-02多光谱影像分割实验

本实验使用的数据为ZY3-02多光谱影像，ZY3卫星是我国首颗高精度民用立体测绘卫星，影像数据为一种新型遥感影像数据源，具有高空间分辨率、大动态范围和立体成像的特点，在建筑物等信息提取方面具有较大优势。ZY3-02多光谱影像参数如表2所示。

表2 ZY3-02多光谱影像参数Tab.2 Parameters of ZY3-02 multispectral image

ZY3-02多光谱影像包括蓝光、绿光、红光和近红外4个波段，幅宽为52 km。采用Flaash模型对影像进行大气纠正，并利用二次多项式模型对多光谱和全色影像分别进行几何纠正，最后采用Gram-Schmidt方法对影像进行融合处理。实验采用影像大小为2 000像素×2 000像素，空间分辨率为2.1 m，该区域主要包括房屋、道路、耕地、水域等地物(图6)，图7(a)为影像的分割结果，建筑物和耕地分割结果的局部放大如图7(b)和(c)所示，从分割结果可以看出，本文方法较好地区分了房屋和耕地的边界，完整地保留了房屋、耕地、道路以及水域的边界线，绝大部分地物被完整地区分出来。以房屋为例，本文方法与不同尺度FNEA的局部分割结果对比如图8所示。

图6 空间分辨率2.1 m的ZY3-02 多光谱影像Fig.6 ZY3-02 multispectral image of 2.1 m resolution

(a) 本文方法分割结果图7-1 PCSLIC-MW方法分割结果Fig.7-1 Segmentation results of PCSLIC-MW method

从图8中可以看出，当尺度为100或80时，存在欠分割现象，房屋边界和周围裸地边界混淆，当尺度设为60,40或25时，存在过分割现象，房屋边界不完整，对象斑块破碎。分割精度评价如表3所示。

表3 ZY3-02多光谱影像分割实验精度评价Tab.3 Accuracy evaluation of segmentationexperiment based on ZY3-02 image

从表3中可以看出，本文方法的精确度和召回率分别为0.86和0.90，和其他分割尺度相比，获得了较好的效果。

2.2 结果评价与分析

对本文所提方法进行分割效果评价，将本文方法与传统均值飘移方法[22](mean shift, MS)和FNEA进行比较，如图9所示。从图9中可以看出，本文方法能够较好地将建筑物与阴影、裸地区分开，分割出较为清晰的边界，MS方法容易产生过分割，建筑物边界没能很好的区分，FNEA分割方法中阴影和房屋产生了混淆。从表4中的精确度和召回率也可以看出，本文方法的精度高于MS以及FNEA分割方法。

表4 分割方法比较精度评价Tab.4 Accuracy evaluation of differentsegmentation methods

为分析影像空间分辨率差异对分割精度造成的影响，利用本文所提方法对Worldview 2 融合影像(0.5 m)、ZY3-02融合影像(2.1 m)以及ZY3-02多光谱影像(5.8 m)分别进行分割实验，结果如表5所示。

表5 影像分辨率差异对分割精度的影响Tab.5 Effect of image resolution differenceon segmentation accuracy

通过精确度和召回率指标可以看出，当影像分辨率由5.8 m提升到2.1 m时，分割精度具有显著提升。当影像分辨率为0.5 m时，分割精度并未随着影像空间分辨率的提高而持续提高，说明此时应加入其他特征辅助分割，以改善分割精度。

3 结论与讨论

本文针对常规面向对象分割方法存在的缺陷，提出一种改进超像素和标记分水岭的高分辨率卫星遥感影像分割方法PCSLIC-MW，首先利用超像素方法对影像进行初分割，并结合HSL颜色空间、空间位置信息以及相位一致性纹理特征等信息，对传统的SLIC超像素分割算法进行改进，再结合改进的标记分水岭算法进行再分割，提取地物的边界。通过选取Worldview 2和ZY3-02典型样例影像进行分割实验，说明本文提出方法的有效性和精度。

本文方法与MS和FNEA方法相比，能够避免大量的欠分割导致的影像对象边界不清和过分割造成的对象块较多，与大的单尺度分割相比，能够避免大量的欠分割影像对象，与小的单尺度分割相比，能够避免大量的过分割影像对象。

实验结果表明，针对不同卫星影像的最佳参数选择可能存在差异，不同空间分辨率影像的分割精度也会有所差异。对某些特殊目标和地物类型复杂的分割问题，提高分割的泛化能力和分割效率是后续的研究目标。