基于多特征的全色遥感影像区域化能量分割

马占瑛，王 玉*，尤号田

(1.桂林理工大学 广西空间信息与测绘重点实验室,广西 桂林 541004;2.桂林理工大学 测绘地理信息学院,广西 桂林 541004)

0 引言

影像分割是影像处理的重点问题也是难点问题，其分割精度将直接影响后续分析和解译任务的精度[1-2]。影像分割实质上就是根据影像特征信息将影像域分割成互不重叠的区域的过程，且划分得到的区域内具有同质性，区域间具有异质性[3-5]。

传统的全色遥感影像分割方法以像素为处理单元、依据像素的光谱特征实现分割[6-8]。这些全色遥感影像分割方法主要分为聚类分割[9]、统计分割[10]和阈值分割[11]等。随着传感器技术的不断提高，全色遥感影像空间分辨率越来越高，与中、低分辨率全色遥感影像相比，高分辨率全色遥感影像细节变得更加清晰，但同时也使同质区域内差异性越来越大，异质区域间差异性越来越小[12]，故仅依据传统的全色遥感影像分割方法已无法满足高分辨率全色遥感影像分割精度要求。

为了提高影像分割精度，研究者提出了2类不同的方法：第1类方法是以子区域代替像素作为处理单元，依据其光谱特征实现分割[13]。该类方法可有效提高同质区域内部分割精度，但由于部分子区域可能会跨越目标边界，且特征信息不足，导致不同同质区域间的边缘分割精度不甚理想。第2类方法是提取多个特征，以此为依据，以像素为处理单元实现分割[14]。该类方法可利用多特征有效识别不同目标地物，对分割精度有所提高，但抗噪性较差。

为此，本文结合多特征和子区域的分割理念，以解决传统分割方法特征信息不足及抗噪性较差等问题，提高高分辨率全色遥感影像分割精度。

1 算法描述

1.1 基于多特征的区域化能量分割模型建立

高分辨率全色遥感影像表示为f={fs=f(rs,cs);s=1,2,…,S}，其中，fs为像素s的光谱测度值；(rs,cs)为像素s所在位置；rs∈ {1,2,…,m1}，cs∈ {1,2,…,m2}，m1和m2分别为影像的行数和列数；S为影像总像素数；影像中所有像素位置构成影像域，记作P={(rs,cs);s=1,2,…,S}。

本文以光谱特征、纹理特征和边缘特征作为分割依据，构成特征集，记作x={xj;j=1,2,3}={xjs;j=1,2,3,s=1,2,…,S}；其中，x1为原有的光谱特征f，x2为边缘特征，x3为纹理特征，x2和x3由曲波变换提取获得。

边缘特征提取步骤：利用曲波变换对高分辨率全色遥感影像f进行多尺度分析，得到一系列曲波系数C(j,l,k)[15]:

(1)

式中，<>为内积操作符；φ为曲波基；j，l，k分别为尺度参数、角度参数和位置参数。

然后，利用Sobel算子提取C(j,l,k)的边缘系数，并令非边缘系数为0；再利用曲波逆变换对其进行重构:

(2)

得到高分辨率全色遥感影像的边缘特征，记作x2={x2s;s=1,2,…,S}。

纹理特征：利用曲波变换对以像素s为中心的子影像进行多尺度分析，得到一系列曲波变换系数；然后计算所有曲波变换系数绝对值的均值:

(3)

将其作为高分辨率全色遥感影像中像素s的纹理特征x3s[16]；进而得到高分辨率全色遥感影像的纹理特征x3={x3s;s=1,2,…,S}。

在影像域P上，特征集也可表示为所有像素特征矢量的集合，记作x={xs;s=1,2,…,S}，其中，xs={xjs;j=1,2,3}为像素s的特征矢量值，xjs为像素s的第j个特征值。

为了有效解决抗噪性差的问题，本文以规则技术划分的子块为处理单元[17]，故影像域P也可表示为P={Pi;i=1,2,…,I}，其中，Pi为第i个子块，子块总个数I为随机变量。

在划分的影像域上，结合能量函数和非约束Gibbs概率密度函数构建基于多特征的区域化能量分割模型，可表示为:

(4)

式中，Z为归一化常数;x={xi;i=1,2,…,I};y={yi;i=1,2，…,I}；Uy(y,I)由邻域关系能量函数构建，可表示为[18]:

(5)

式中，γ为邻域子块的空间作用参数；NPi为Pi的邻域子块Pr的集合；δ(·)为指示函数。

本文利用异质性能量函数构建Ux(x,y)，可表示为:

(6)

式中，xi={xs;s∈Pi} ={xjs;j=1,2,3,s∈Pi} ={xji;j=1,2,3}；Ux(xji)可表示为:

Ux(xji)=V(xji,xjyi)，

(7)

式中，xjyi={xji;i∈Pyi}，Pyi表示yi的所有子块集合；V(xji,xjyi)为异质性能量函数[19]，可利用K-S距离表示[20]。

将式(5)、式(6)和式(7)带入到式(4)，基于多特征的区域化能量分割模型，可表示为:

(8)

1.2 基于多特征的区域化能量分割模型模拟

本文利用MCMC算法模拟基于多特征的区域化能量分割模型[21]。在MCMC算法中，根据式(8)设计以下两个移动操作。

(9)

式中，

(10)

(2)更新子块个数。通过分裂和合并子块这一对偶操作来实现。故合并操作的接受率为:

ahI+1(P,P*)=min{1,1/RfI}，

(11)

式中，RfI为分裂操作的接受率，可表示为:

(12)

式中，Θ*=(y*,I+1)，Θ=(y,I)；y*={yi*;i=1,2,…,I,I+1}，y={yi;i=1,2,…,I}。

1.3 提出算法流程

综上所述，基于多特征的高分辨率全色遥感影像区域化能量分割算法的具体流程如下。

(1)建立基于多特征的区域化能量分割模型。具体步骤为：

① 利用曲波变换提取高分辨率全色遥感影像的边缘和纹理特征，与原有的光谱特征构成特征集；

② 利用规则划分技术划分影像域，并在此基础上，利用能量函数建立Uy(y,I)和Ux(x,y)；

③ 结合非约束Gibbs概率密度函数和能量函数构建基于多特征的区域化能量分割模型。

(2)模拟基于多特征的区域化能量分割模型。

① 初始化总参数矢量Θ0={y0,I0}；

② 在第1次迭代过程中，以Θ0为初始总参数矢量，利用MCMC算法求解Θ1。在迭代中，遍历2个移动操作，以获得该次迭代的分割结果y1和子块个数I1，故Θ1={y1,I1};

2 实验结果和讨论

为了验证提出算法的可行性和有效性，对Worldview2全色遥感影像进行分割实验。合成全色遥感影像如图1所示。

(a)模板影像

图1(a)为128 pixel×128 pixel的合成全色遥感影像模板，其编号1～4代表不同的同质区域。图1(b)是合成全色遥感影像，是将Worldview2全色遥感影像上截取的裸地、森林、农田和人工建筑分别填充在图1(a)编号为1～4的区域上而形成的。

图2为图1(b)提取的边缘特征和纹理特征。

(a)边缘特征

由图2可以看出，曲波变换可较好地实现合成全色遥感影像的特征提取。将这2个特征与原有的光谱特征构成特征集合，以此为分割依据，进行分割实验。合成全色遥感影像的实验结果如图3所示。

(a)规则划分

图3(a)为规则划分结果，图3(b)为分割结果。为了进一步对分割结果进行定性评价，提取分割结果的轮廓线，并将其叠加到原图上，见图3(c)。由图3(b)和图3 (c)可以看出，提出算法能较好地实现合成全色遥感影像分割。

为了对分割结果进行定量评价，以图1(a)为标准数据，求图3(b)的混淆矩阵，并根据所求的混淆矩阵计算对应的产品精度、用户精度、总精度及Kappa值。其中，区域1～4的产品精度分别为100%,100%,99.1%和100%；区域1～4的用户精度分别为100%,99.1%,100%和100%；产品精度和用户精度均大于等于99.1%，总精度高达99.8%，而Kappa值高达0.997。进一步说明提出算法可高精度分割合成全色遥感影像。

图4为2幅Worldview-2全色遥感影像，分辨率为0.5 m，尺寸均为128 pixel×128 pixel，类别数分别为3和4。

(a)Worldview-2影像

利用曲波变换提取图4的边缘特征和纹理特征，如图5所示。

(a)边缘特征

图5(a)和图5 (b)为对应的边缘特征，图5(c)和图5(d)为对应的纹理特征。由图5可以看出，曲波变换可以较好地提取Worldview-2全色遥感影像的边缘特征和纹理特征。

以提取的特征与原有的光谱特征为分割依据进行实验，对应的结果如图6所示。

(a)规则划分

图6(a)和图6 (b)为对应的规则划分结果；图6(c)和图6(d)为对应的分割结果。由图6(c)和图6 (d)可以看出，提出方法可较好地实现Worldview-2全色遥感影像分割。为了进一步对其分割结果进行定性评价，提取分割结果的轮廓线，并将其叠加到原影像上，其结果如图7所示。

(a)叠加图

由图7可以看出，提取的分割结果的轮廓线可以较好地拟合Worldview-2全色遥感影像中目标地物的实际边缘。

实验影像模板如图8所示。

(a)模板

以图8为标准数据，分别对分割结果(见图6(c)和图6(d))进行定量评价。图4(a)区域1～3的产品精度分别为93.6%、93.6%和96.0%，区域1～3的用户精度分别为89.4%、93.7%和97.9%，总精度高达94.7，Kappa值为0.916；图4(b)区域1～4的产品精度分别为91.3%、97.3%、96.4%和51.4%；区域1～4的用户精度分别为93.0%、96.4%、93.7%和90.4%；总精度高达94.8，Kappa值为0.914。综上所述，说明提出算法可较好地实现Worldview-2全色遥感影像分割。通过图3、图6、图7及其对应的定量评价结果可以说明提出算法可精确分割Worldview-2全色遥感影像，进而验证提出算法在高分辨率全色遥感影像分割中的可行性及有效性。

3 结束语

本文提出一种基于多特征的区域化高分辨率全色遥感影像分割方法。提出方法以子区域为处理单元，依据多个特征实现影像分割，合理地运用了区域化分割和多特征分割思想，有效地提高了高分辨率全色遥感影像的分割精度。在提出算法中，假设每个特征在影像分割中作用相同，而实际上这种假设将可能降低高分辨率全色遥感影像的分割精度。因此，在未来的工作中，将在提出算法的基础上考虑特征在高分辨率全色遥感影像分割中的作用规律，以更精确地实现高分辨率全色遥感影像分割。