基于無人機影像的快速分割方法

魯恒， 付蕭， 劉超， 郭加偉3,， 茍思， 劉鐵剛

(1．四川大學水力學與山區河流開發保護國家重點實驗室,成都　610065； 2．四川大學水利水電學院,成都　610065； 3.成都理工大學國土資源部地學空間信息技術重點實驗室,成都　610059；4.西南交通大學地球科學與環境工程學院,成都　611756)

基于無人機影像的快速分割方法

魯恒1,2,3， 付蕭4， 劉超1,2， 郭加偉3,4， 茍思1,2， 劉鐵剛1,2

(1．四川大學水力學與山區河流開發保護國家重點實驗室,成都610065； 2．四川大學水利水電學院,成都610065； 3.成都理工大學國土資源部地學空間信息技術重點實驗室,成都610059；4.西南交通大學地球科學與環境工程學院,成都611756)

摘要：為解決地震災區震后空間數據難以及時獲取的問題，考慮到無人機(unmanned aerial vehicle,UAV)遙感影像自身特點，提出了一種改進的均值漂移(Mean Shift)分割算法。按照影像特征將UAV影像劃分為紋理區和勻色區，對勻色區直接進行Mean Shift算法分割得到初分結果； 對紋理區綜合提取顏色、紋理、形狀信息構造高維特征空間，并根據歸一化分布密度值求得其合適的帶寬，再使用Mean Shift算法對特征空間進行模式分類得到分割結果； 通過構造代價函數進行區域合并，消除過分割區域，得到最終分割結果。針對蘆山地震后獲取的高空間分辨率UAV影像進行分割實驗，并提出一種考慮到面積和光譜的分割匹配指數對分割結果進行評價。實驗結果表明： 所提出的改進的Mean Shift算法的分割精度優于傳統的Mean Shift算法，為后續的震害信息提取提供了數據保障。

關鍵詞：地震災區； 均值漂移； 影像分割； 區域合并； 無人機(UAV)影像

0引言

隨著空間信息技術的高速發展，傳感器、信息傳輸和數據存儲技術日新月異，所獲取的遙感影像的空間分辨率越來越高。其中，無人機(unmannedaerialvehicle,UAV)航空攝影所獲取的低空UAV影像的空間分辨率可達到cm級[1]。對這些高空間分辨率遙感影像進行自動分析以獲取地表覆蓋信息的需求也與日俱增。與低空間分辨率遙感影像相比，高空間分辨率遙感影像包含的地物類別信息更為豐富，地面目標的紋理和形狀特征更為清晰，這對遙感影像的處理和識別提出了更高的要求[2-3]。影像分割是進行影像分析和理解的重要步驟，因此針對高空間分辨率遙感影像的分割算法已成為當前遙感應用研究領域的重要課題之一[4-5]。

近年來，均值漂移(MeanShift)算法在計算機和醫學等領域得到廣泛應用。該算法主要借助特征空間樣本點完成相應的計算和分析，在應用過程中不需要先驗知識，收斂速度快。MeanShift的典型應用包括目標跟蹤、醫學影像處理等領域，均取得了良好效果； 但由于高空間分辨率遙感影像具有光譜信息較弱、紋理信息豐富等特點，所以將該算法直接應用于高空間分辨率遙感影像分割并不能得到預期結果。因此，本文提出一種基于改進的MeanShift的分割算法，以得到更理想的影像分割結果； 并通過實驗對分割結果進行評價。

1Mean Shift算法

當前的聚類算法在應用中都需要先驗知識，同時在其特征空間分析時還需添加相應的假設條件。例如，K均值聚類算法應用中對聚類數的設定有相應要求，模糊C均值聚類應用中則需設定模糊隸屬度函數。相對于這些聚類算法，MeanShift算法有以下優勢： ①不需要先驗條件，初始點可以選擇數據集的所有點； ②算法執行過程中，類別是根據收斂點確定的； ③對各種采樣點的分布和維度都能夠實現聚類。MeanShift算法是一個基于密度函數的梯度估計和模式搜索的迭代過程，從數據集合的某個點出發，通過計算均值向量，不斷逼近數據集合分布的局部極值點。Fukunaga等[6]最早把MeanShift算法引入模式識別領域，近年來由Cheng[7]、Comaniciu等[8-9]就核函數、點權值等問題對該算法進行了一般化推廣，并從理論上證明了該算法的收斂性和可靠性。

1.1Mean Shift算法原理

用Rd表示d維歐氏空間，x表示Rd中的點，并采用列向量的形式進行標注。x模的計算公式為

‖x‖2=xTx。

(1)

R代表一個實數域。若函數K： Rd→R有輪廓函數k: [0,∞]→R，則

K(x)=ckk(‖x‖2) ,

(2)

式中ckk>0為標準化常數，且滿足： ①k≥0； ②k為增函數，即如果a

若Rd空間存在n個采樣點{xi,1≤i≤n}，即可借助核函數K(x)和正定d×d帶寬矩陣Hi估算核函數密度。其方法為

(3)

直觀地說，密度估計f(x)是每個采樣點處的核函數加權求和的結果。密度函數梯度估計等于密度函數估計的梯度[10]，即

(4)

式中：g(x)=-k′(x)； Mean Shift向量為MHi(x)=mHi(x)-x。

Mean Shift迭代公式為

(5)

(6)

對于二維特征空間中的采樣點，若給定核函數G(x)和誤差閾值ε，并任意選擇搜索圓O(其半徑為帶寬h)，則MeanShift算法的步驟如下： ①按式(6)求解圓O采樣點的均值mh(x)； ②若圓心O密度小于mh(x)密度，則可根據均值mh(x)和圓心O兩者求解差值,即可用來代表MeanShift向量mh(x)，實際上，分析獲得的向量方向與密度增加方向保持一致[11]； ③若MeanShift向量模小于誤差閾值ε，即‖mh(x)‖<ε，則迭代算法完成，若不滿足該條件，則執行步驟④； ④若圓心O獲得均值mh(x)的賦值，則返回執行步驟①。

經迭代計算后搜索出密度極小值點。

1.2Mean Shift算法缺陷

遙感影像通常按照其影像特征劃分為紋理區和勻色區。直接將傳統MeanShift算法用于高空間分辨率彩色遙感影像分割，會存在2個缺陷：

1)在對影像進行MeanShift濾波過程中，設定的帶寬為固定值，忽略了不同地貌的成像特點，會導致勻色區域出現過分割問題； 同時，還可能導致變化劇烈區域的地物區分較差，以致形成不完全分割,即欠分割問題。因此，全局最優分割難度較大。

2)在過去所使用的MeanShift算法中，像元通過一定的函數關系與特征空間(L,U,V,x,y)保持對應的關系，對空間樣本點就能夠借助像元位置分量(x,y)和色度分量(L,U,V)進行表示，即可通過MeanShift算法分類所有的模式。但是，若分割區域內的紋理相對豐富，則只通過空間和顏色就難以刻畫出不同地物間的差別，即特征空間本身的可分性較差，從而會影響MeanShift算法的分割效果。

2Mean Shift算法的改進

通過分析傳統MeanShift算法的應用特點，本文提出了新的MeanShift分割方法， 即采用方差檢測的方法分析彩色空間，并按照UAV影像特征將其劃分為紋理區和勻色區； 對勻色區直接進行MeanShift分割得到初分結果； 對紋理區綜合提取顏色、紋理和形狀信息、構造高維特征空間，并根據歸一化分布密度值求得其合適的帶寬，再使用MeanShift算法對特征空間進行模式分類得到分割結果。該算法的技術流程見圖1。

圖1　改進的Mean Shift分割方法流程

2.1影像預處理

由于遙感影像中存在的噪聲[8-9]會導致影像分割效果不佳，所以在影像分割前需要進行濾波處理，以降低噪聲的影響。本文選擇自適應平滑濾波方法，并按照行列順序完成整個濾波過程。其中，首先求解像元周圍3×3矩形窗內8近鄰像元的3個彩色波段的方差和均值，相對于各個彩色波段，如果像元值減去均值的差的絕對值大于1.5倍方差，就認為該像元為噪聲點； 同時，對像元8鄰域內的像元值均采用均值代替； 再通過彩色空間變換處理濾波后的影像，并采用(L,U,V)模型表示色度值和亮度。

2.2影像區分類

性質相同的遙感影像區表現平滑，灰度與色彩的一致性較好，故根據其一致性就能夠劃分遙感影像區，將其劃分成紋理區和勻色區； 同時，還可以采用簡單分類處理方法，即以x0點為中心，在寬度W的矩形窗口范圍內，根據x0點像元彩色特征矢量(L,U,V)的分布密度判斷鄰域像元色彩的一致性。分布密度ω的計算公式為

(7)

式中： k為分布密度的核函數； h為核函數的帶寬。

核函數采用多元正態分布形式，即

(8)

2.3紋理區特征提取

紋理區在色度和亮度變化劇烈時，紋理分布較為明顯，同時在各種紋理模式下具有各自的地貌和地物特征。一般情況下，此種地貌和地物的面積相對較小，且形狀不規則，通過(L,U,V)空間變換獲得分割結果的精度偏低。因此，在考慮特征空間可分性的基礎上，需要在特征空間中融合形狀和紋理信息。

紋理特征能夠直接說明影像灰度分布在高階統計下的具體分布情況，通常將局部直方圖統計矩作為工具，測量區域紋理信息。紋理區像元pi在紋理特征向量分析過程中，通過窗寬w的矩形窗提取矩形鄰域空間Ωpi(該矩形中心為pi)。設Ωpi內有K個灰度級，包含的像元數為N，歸一化直方圖為h(k),k=0,1,…,K-1，可定義4種紋理測度的統計矩(表1)。針對區域r中的n個像元，形狀特征主要用緊湊度c和光滑度s表示，其計算方法為

(9)

(10)

式(9)—(10)中：l為區域r的周長；b為區域r外接矩形的最短邊長。

表1　4種紋理測度的統計矩

因此，通過9維向量(L,U,V,μ,σ,Sk,Ku,s,c)就能夠直接描述影像紋理的所有像元； 在該向量中，前7維主要用來描述紋理、色度及亮度等特征，而第8維和第9維用來描述形狀特征。

2.4可變帶寬的Mean Shift聚類

(11)

式中h0為基準Mean Shift帶寬，經實驗取h0=10。在所使用的9維特征空間中，根據前文敘述的Mean Shift算法確定紋理像元的模式類，從而完成紋理區的分割。

2.5區域合并

為了防止紋理區出現過分割問題，需對應用區域進行合并。具體過程如下：

1)構造代價函數。通過進行相鄰區域合并，生產新區域，改變前、后兩者的變化程度，并通過特征向量予以反映。若假設相鄰區域為ri和rj，合并后為rij，則特征向量的變化為

Δij=nijcij-(nici+njcj) ,

(12)

式中nij為合并區域rij包含的像元數，nij=ni+nj。

采用加權平均方法計算出9維向量空間(L,U,V,μ,σ,Sk,Ku,s,c)中的合并代價，即

(13)

式中kf為各維向量的加權系數，且

(14)

2)合并鄰接圖。區域鄰接圖的合并需要根據所有鄰接圖進行尋優，確定最佳的合并區域，以保證合并代價最小。具體算法見參考文獻[12]，本文不再贅述。

3實驗

北京時間2013年4月20日8時2分四川省雅安市蘆山縣(中心地理位置E102.95°，N30.3°)發生了7.0級地震，震中位于蘆山縣廟坪上，震源深度13 km。“4.20蘆山大地震”發生得很突然，其破壞強度超出人們的想象。重災區路斷、橋斷、通信中斷，陷入了信息隔絕狀態。在這種情況下，衛星遙感和UAV遙感技術成為快速獲取災情的最佳途徑。面對突發的巨大地震災害，如何快速有效地處理影像數據，提取震害信息，在震災應急調查、災情評估及災后重建中及時發揮應有的作用，是對遙感技術應用提出的重大挑戰，也是值得深入研究的問題。本文提出的改進的Mean Shift分割算法為UAV影像的快速分割及震害信息提取提供了數據保障。

為驗證本文所提出方法，在Matlab平臺下分別編程，實現改進的Mean Shift算法及傳統的Mean Shift算法，將2種分割算法分別應用于所獲取的蘆山縣震后UAV遙感影像(圖2)。

圖2　原始UAV影像

在Intel Core i5 2.4 GHz,2 G內存、Windows 7環境下，采用傳統Mean Shift分割算法、使用帶寬為0.3時的分割結果如圖3(a)所示； 采用本文改進的Mean Shift分割算法的分割結果如圖3(b)所示。

(a) 傳統Mean Shift分割結果 (b) 本文改進算法分割結果

圖3不同算法UAV影像分割結果對比

Fig.3Comparison between results of UAV image segmented by different algorithms

對比圖3(a)和(b)可以看出，本文提出的改進Mean Shift算法較之傳統的Mean shift算法對UAV影像右下部林地的分割結果更加清晰； UAV影像左側的耕地被分割得更加準確，過分割和欠分割現象比傳統方法大大減少； 道路分割更為精細完整； 建筑用地分割更加清晰、完整，碎片較少?？傮w來看，采用本文改進的Mean Shift算法的分割結果(圖3(b))與原始UAV影像(圖2)中的地物實體有很好的對應關系。在實際應用過程中，采用本文提出方法，在1 h內完成了200景UAV影像的分割，為后續地震災區影像信息快速提取提供了數據保障。

4實驗結果分析

為了定量驗證Mean Shift方法分割的精度，需要建立1種評價指標來評判分割結果。于歡等[13]通過計算分割對象邊界與實際地物邊界的橫向和縱向矢量距離來評判分割結果的好壞，該評判方法主要考慮了分割對象與實際地物的形狀匹配度。Neubert等[14]則通過分割對象與實際地物的面積匹配度來判斷分割尺度是否合理。但上述匹配模型均忽略了分割對象與實際地物間的光譜匹配情況。本文從光譜匹配和面積匹配2種情況綜合考慮，建立了1種兼顧面積和光譜的分割匹配指數(segmentation fitting index,SFI)，即

(15)

式中：Alsi為最大分割對象的面積(如圖4所示，對于實際地物A，分割對象A1,A2,A3都占有實際地物A的部分像元，但A1所切割A的面積最大，因此A1為最大分割對象)；Aroi為作為參考的實際地物的面積；Gsi為最大分割對象的灰度均值；Gri為作為參考的實際地物的灰度均值。

在獲得參與評價對象的信息中，計算出所有SFI的均方根誤差MSFI，即

圖4　實際地物與分割對象關系

(16)

在所分割的對象接近實際地物的情況下，得到的MSFI值越小，對應的分割算法越可靠。本文從UAV影像中隨機選取100個實際地物數據作為樣本參考數據，參考地物選擇建設用地、耕地和道路[15]。MSFI的計算結果見表2。

表2　不同算法計算出的MSFI值

從表2可以看出，針對UAV影像分割結果計算出來的MSFI值中，本文所提算法小于傳統Mean Shift算法，驗證了本文所提出的算法的可靠性。

5結論

1)從地震災區高空間分辨率UAV影像自身特點出發，對傳統Mean Shift算法進行了改進。由于地震后獲取的高分辨UAV影像紋理信息豐富，在使用傳統Mean Shift算法進行影像分割時，容易產生過分割或欠分割現象。

2)改進的分割算法將影像劃分為勻色區和紋理區，對不同性質的區域使用帶寬可變的Mean Shift分割，從而顯著地改善了分割結果，保證了震后UAV遙感影像分割的準確性，為震后災情信息的提取及災情評估提供了數據保障。

3)由于本文僅選取了UAV影像作為實驗數據，對于其他傳感器獲取的高分辨遙感影像分割效果會如何，將是下一步需要繼續研究的問題。

參考文獻(References)：

[1]魯恒,李永樹,李何超,等.無人機影像數字處理及在地震災區重建中的應用[J].西南交通大學學報,2010,45(4):533-538.

Lu H,Li Y S,Li H C,et al.Digital processing of unmanned aerial vehicle image and its application in reconstruction of Wenchuan earthquake-hit areas[J].Journal of Southwest Jiaotong University,2010,45(4):533-538.

[2]譚衢霖,劉正軍,沈偉.一種面向對象的遙感影像多尺度分割方法[J].北京交通大學學報,2007,31(4):111-114,119.Tan Q L,Liu Z J,Shen W.An algorithm for object-oriented multi-scale remote sensing image segmentation[J].Journal of Beijing Jiaotong University,2007,31(4):111-114,119.

[3]蔡紅玥,姚國清.基于分水嶺算法的高分遙感圖像道路提取優化方法[J].國土資源遙感,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

Cai H Y,Yao G Q.Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm[J].Remote Sensing for Land and Resources,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

[4]林輝,莫登奎,熊育久,等.高分辨率遙感圖像均值調整法分割技術研究[J].地理研究,2006,26(4):85-88,95.

Lin H,Mo D K,Xiong Y J,et al.The method of segmenting high-resolution remote sensing images based on Mean-shift[J].Journal of Central South Forestry University,2006,26(4):85-88,95.

[5]賈春陽,李衛華,李小春.基于自適應權值FNEA算法的高分辨率遙感圖像分割[J].國土資源遙感,2013,25(4):22-25.doi:10.6046/gtzyyg.2013.04.04.

Jia C Y,Li W H,Li X C.High-resolution remote sensing image segmentation based on weight adaptive fractal net evolution approach[J].Remote Sensing for Land and Resources,2013,25(4):22-25,doi:10.6046/gtzyyg.2013.04.04.

[6]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.

[7]Cheng Y Z.Mean Shift, mode seeking,and clustering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1995,17(8):790-799.

[8]Comaniciu D,Meer P.Mean Shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[9]Comaniciu D,Meer P.Distribution free decomposition of multivariate data[J].Pattern Analysis and Applications,1999,2(1):22-30.

[10]肖鵬峰,馮學智,趙書河,等.基于相位一致的高分辨率遙感圖像分割方法[J].測繪學報,2007,36(2):146-151,186.

Xiao P F,Feng X Z,Zhao S H,et al.Segmentation of high-resolution remotely sensed imagery based on phase Congruency[J].Acta Geodaetica et Cartographica Sinica,2007,36(2):146-151,186.

[11]李峰,彭嘉雄.基于Wold特征的遙感圖像的分割[J].測繪學報,2003,32(4):330-333.

Li F,Peng J X.Wold-based remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2003,32(4):330-333.

[12]Tremeau A,Colantoni P.Regions adjacency graph applied to color image segmentation[J].IEEE Transactions on Image Processing,2000,9(4):735-744.

[13]于歡,張樹清,孔博,等.面向對象遙感影像分類的最優分割尺度選擇研究[J].中國圖象圖形學報,2010,15(2):352-360.

Yu H,Zhang S Q Kong B,et al.Optimal segmentation scale selection for object-oriented remote sensing image classification[J].Journal of Image and Graphics,2010,15(2):352-360.

[14]Neubert M,Herold H.Assessment of remote sensing image segment ation quality[C]//International Society for Photogrammetry and Remote Sensing Commission IV,Working Group IV/3.2008.

[15]魯恒,李永樹,唐敏.面向對象的山地區域多源遙感影像分割尺度選擇及評價[J].山地學報,2011,29(6):688-694.

Lu H,Li Y S,Tang M.Evaluation and selection of segmentation scale with object-oriented method in multiple source remote sensing image of mountain areas[J].Journal of Mountain Science,2011,29(6):688-694.

(責任編輯： 劉心季)

Study of method for fast segmentation based on UAV image

LU Heng1,2,3， FU Xiao4, LIU Chao1,2， GUO Jiawei3,4， GOU Si1,2， LIU Tiegang1,2

(1.StateKeyLaboratoryofHydraulicsandMountainRiverEngineering，SichuanUniversity，Chengdu610065，China； 2.CollegeofHydraulicandHydroelectricEngineering，SichuanUniversity，Chengdu610065，China； 3.KeyLaboratoryofGeo-spatialInformationTechnology，MinistryofLandandResources，ChengduUniversityofTechnology，Chengdu610059，China；4.FacultyofGeosciencesandEnvironmentalEngineering，SouthwestJiaotongUniversity，Chengdu611756，China)

Abstract:In order to solve the problem that it is difficult to obtain spatial data in time in the earthquake stricken area, the authors propose in this paper a more efficient new segmentation algorithm on the basis of the own features of unmanned aerial vehicle(UAV) remote sensing images. Firstly, the image is divided into several homogeneous color areas and texture areas through variance detection on the color space. Secondly, preliminary partition of the homogeneous color area is directly achieved by Mean Shift method. Meanwhile, for the texture area, a high dimensional feature space is set up based on the color, texture, and shape information, and the proper bandwidth is calculated according to the normalized distribution density before applying Mean Shift algorithm on the feature space to model classification so as to reach the partition. Finally, an object function is set up to realize area merging and then reach the final partition results by smoothing over partitioned areas. Tests were conducted for high spatial resolution remote sensing image segmentation on UAV images of Lushan earthquake stricken area. A segmentation matching index which considers area and spectrum is proposed to evaluate the segmentation result. The experimental results show that the improved method performs better than the traditional method, and can provide data protection for subsequent damage information extraction.

Keywords:earthquake stricken area； Mean Shift； image segmentation； region merging； unmanned aerial vehicle(UAV)image

doi:10.6046/gtzyyg.2016.02.12

收稿日期：2014-11-24；

修訂日期：2015-03-04

基金項目：“十一五”國家科技支撐計劃項目“成都平原時空數據快速獲取”(編號： 2006BAJ05A13)、中央高?；究蒲袠I務費資助項目“利用無人機影像進行土地利用動態監測”(編號： 2013SCU11006)、數字制圖與國土信息應用工程國家測繪地理信息局重點實驗室開放基金項目“基于地震災區多源遙感影像震害信息提取”(編號： DM2014SC02)和國土資源部地學空間信息技術重點實驗室開放基金項目“利用地震災區多源遙感影像進行震害信息動態監測方法研究”(編號： KLGSIT2015-04)共同資助。

中圖法分類號：TP 751.1; P 231

文獻標志碼：A

文章編號：1001-070X(2016)02-0072-07

第一作者簡介：魯恒(1984-),男,博士,主要從事“3S”技術在農業水利工程中應用研究。Email： luheng@scu.edu.cn。

通信作者：劉超(1975-),男,博士,副教授,主要從事農業水利工程和水利水電工程研究。Email： liuchao@scu.edu.cn。

引用格式： 魯恒,付蕭,劉超,等.基于無人機影像的快速分割方法[J].國土資源遙感,2016,28(2)：72-78.(LuH,FuX,LiuC,etal.StudyofmethodforfastsegmentationbasedonUAVimage[J].RemoteSensingforLandandResources,2016,28(2)：72-78.)