基于紋理特征與區域生長的高分辨率遙感影像分割算法

蘇騰飛， 張圣微， 李洪玉

(內蒙古農業大學水利與土木建筑工程學院,呼和浩特 010018)

基于紋理特征與區域生長的高分辨率遙感影像分割算法

蘇騰飛， 張圣微， 李洪玉

(內蒙古農業大學水利與土木建筑工程學院,呼和浩特 010018)

影像分割是面向對象影像分析中的重要步驟。為了提高高分辨率遙感影像(high-resolution remote sensing image,HRI)分割算法的性能，提出一種新的影像分割算法，包含種子確定、基于種子區域生長(seeded region growing,SRG)的過分割(advanced SRG,ASRG)和層次區域生長(hierarchical region growing,HRG)3個步驟。利用Gabor紋理特征定義紋理均勻性，將種子自動放置在HRI中同一紋理組成區域的中心位置； 在SRG階段，將HRI光譜信息與斑塊形狀信息相結合，提出了一種新的合并規則，以提高SRG過分割的精度與分割結果中各個斑塊排列的緊湊性； 在HRG階段，提出了一種自適應的閾值，可以更好地保持多尺度分割的特性； 在實驗部分，采用3景HRI驗證了上述方法。利用監督的影像分割評價方法定量評價了該方法的分割精度，并與另外2種主流的遙感影像分割算法進行了對比。結果表明，該方法可以得到令人滿意的分割效果。

紋理特征； 種子區域生長(SRG)； 層次區域生長(HRG)； 高分遙感影像(HRI)； 影像分割

0 引言

隨著遙感技術的不斷進步，越來越多的傳感器可提供高分辨率遙感影像(high-resolution remote sensing image，HRI)，如QuickBird,IKONOS,GeoEye,OrbView等[1-2]。影像分割是HRI解譯的關鍵步驟[3-6]。HRI分割算法可大致分為基于邊界的分割和基于區域的分割2類。第一類算法主要利用邊緣檢測算法提取影像中的區域邊界，例如Sobel,Prewitt和Canny算子[7]，這類方法運算較快，但難以直接提取閉合的邊界線。主動輪廓線模型[8]將邊界提取與曲線演化理論相結合，以期克服上述困難； 但其代價是較大的計算負擔和難以同時獲取多個區域的輪廓線，且其精度也易受初始化的影響。與第一類算法相比，第二類算法受到更多學者的青睞，近年來也出現了較多的相關研究，包括區域生長[1,3,4-6,9-12]、馬爾科夫場[12-14]、模糊C均值聚類[14-15]、正規化分割[16]、均值漂移[16-17]、多主體[1]以及基于直方圖與線性回歸的影像分割[18-19]等。雖然基于區域生長的影像分割歷史較長，卻在近年來受到更多關注，其中，種子區域生長(seeded region growing,SRG)和層次區域生長(hierarchical region growing,HRG)是2個重要分支。

SRG最初被當作一種半自動的影像分割算法[20]，因其主要包括種子確定和種子生長2個步驟。在第一步中，種子的數目和位置通常需要人為給出，這極大地降低了SRG的自動化程度。為了消除這一弊端，Lee[21]采用了等間隔放置種子的方法首先獲取過分割，再合并過分割的區域。若種子被放置在影像的邊界處，則相鄰的區域可能被錯誤地合并。Fan等[22]利用影像邊界信息來優化種子位置； Evans等[23]利用正則變換從Landsat“農田”影像中提取種子的數目和位置。以上方法的1個隱含假設是： 影像中的各個區域應至少包含1個種子，并且種子應該被放置在區域的中心位置。但對于一些具有較大尺度紋理的區域，僅利用影像邊界信息難以達到這一目的，因為影像邊界對應的是影像中灰度變化較大的區域，而一些紋理區域(尤其是尺度較大的紋理)也具有較大的灰度變化。例如，HRI中的一片茂密的森林本應被完整地分割出來，但因其灰度變化較大，基于邊界的種子確定方法難以將種子放置在森林區域中，會造成亞分割錯誤。針對上述問題，本文提出了一種基于紋理特征的種子確定方法。

除了種子位置的確定，種子數目的確定也是較為困難的。種子數目過多易導致過分割； 反之易導致亞分割。在區域生長中，過分割可通過區域合并來消除； 亞分割則可通過區域分裂來減少。但在實現上，區域合并比區域分裂更為簡單。因此，本文首先過多地設置種子數目，再通過區域合并消除過分割。實際上，種子數目的確定與HRG尺度的選擇有相似之處： HRG中較大的分割尺度對應較大尺度的地物，反之對應較小尺度的地物。

HRG一般采用自底向上的策略，通過合并將地物分割出來。為了保證分割的準確性，優先合并最為相似的區域。HRG中的尺度參數與其合并標準的閾值是對應的。大閾值會產生更多合并，得到大尺度的分割結果，但易導致錯誤的合并(即亞分割錯誤)； 反之，小閾值會限制合并次數，使大尺度的地物被過分割。綜上，HRG的合并標準和尺度選擇是關鍵。Martain等[11]基于HRG提出了分形網演化算法(fractal net evolution algorithm,FNEA)，它將影像的灰度和形狀異質性作為合并標準。FNEA的另一個重要貢獻是，在合并規則中引入了“相互最適合(mutual best fit,MBF)”，顯著提高了分割精度。Zhong等[1]利用多主體進一步改進了FNEA的合并規則； Zhang等[3]借鑒了FNEA實現的細節，并將邊界信息加入到合并標準中。在基于FNEA的算法中，灰度和緊致異質性都被簡單地相加，這是缺少理論依據的。因此，本文在設計合并標準時提出了更為合理的方法。

1 算法原理

本文算法包含3個步驟： ①基于紋理特征的種子確定； ②基于SRG的過分割； ③HRG。圖1示出本文方法的流程圖。

圖1 本文算法流程圖

1.1 基于紋理特征的種子提取

1.1.1 紋理特征提取

紋理特征是影像中的重要信息。描述紋理特征的方法有很多，其中最常用的有基于統計的和基于結構的紋理特征描述方法。前者由Haralick等[24]提出，后者則基于Gabor濾波[25]。本文采用Gabor濾波方法提取HRI中的紋理特征。

基于Gabor的紋理特征提取是通過多通道濾波實現的。二維Gabor核函數包括實數部分Greal和虛數部分Gimag，其計算公式[25]為

(1)

式中：σ和θ分別為核函數的尺度和方向；i和j分別為二維核函數中水平和垂直方向的位置。

分別利用Greal和Gimag對原影像進行卷積運算，得到濾波結果R和I，則對應尺度σ和方向θ的紋理特征T(σ,θ)的計算公式[25]為

T(σ,θ)=R2(σ,θ)+I2(σ,θ)。

(2)

影像中往往包含不同尺度和不同方向的紋理，為了將其區分開，需要利用多個尺度和方向計算出Gabor核函數，得到多個紋理特征。需要的Gabor濾波器數目等于Nθ·lb(Nwidth/2)[25]，其中Nθ為方向θ的數目，Nwidth為影像的寬度。對于1景寬度為512的HRI，若選用6個方向(各方向的間隔為π/6)，則需42個Gabor濾波器。

在計算出各個尺度和方向的紋理特征量后，還需對其進行平滑濾波； 平滑濾波可以提取Gabor濾波結果中的對比度和強度信息，并消除灰度變化較大的信息。值得注意的是，平滑濾波器的尺度越大，其濾波結果中不同紋理特征量的對比度越明顯，但也會降低不同紋理區域的邊界信息。因此，選用合適尺度的平滑濾波器是非常重要的。

1.1.2 種子確定

從HRI中可清晰地捕捉地物細節，其中一些尺度較大的紋理會被一般的邊界檢測算法確定為邊界，從而難以準確地提取紋理區域的種子位置。本文試圖將紋理區域的種子放置在靠近區域中心的位置。為了實現這一目的，首先定義了紋理均勻性(textural homogeneity)，即

(3)

式中：HT(pi,j)為像素pi,j的紋理均勻性，表示在以像素pi,j為中心的區域內其紋理特征的均勻程度；i和j分別為像素的行和列號；W為以像素pi,j為中心的窗口大小；w為該窗口中像素的索引值；NT為紋理特征數目；t為紋理特征的索引值；σwt為第t個紋理特征圖像中以像素w為中心、大小為W的窗口的圖像區域的標準差。根據式(3)的定義，本文種子位置的計算公式為

(4)

式中：W為滑動窗口；x和y分別為種子位置的行和列號； argmin為取最小值函數。

在SRG中，種子之間應具有盡量大的間隔，以保證分割結果中各個區域的緊致性。本文對式(4)進行改進，使種子的位置盡量靠近滑動窗口W的中心，即

(5)

式中： (i0,j0)為滑動窗口中心的位置；D為距離系數，其值與像素和滑動窗口中心的距離大小成正比，定義為

Di0,j0(i,j)=exp[-(d/d0)-1],

(6)

d=[(i-i0)2+(j-j0)2]1/2

(7)

式中：d為像素(i,j)到(i0,j0)的距離;d0為滑動窗口中像素與窗口中心距離的最大值。

從HRI中提取紋理特征需要經過大量計算。為了在保證精度的前提下降低計算量，可利用主成分分析[26](principle component analysis,PCA)降低紋理特征的維度。因此，在本文的種子確定計算之前，先利用PCA降低紋理特征的維度。

圖2示出本文方法利用和未利用PCA降維所提取的種子位置。該圖大小為200像素×200像素。選取的滑動窗口的大小為20像素×20像素，從5個尺度、8個方向分別提取3個波段(RGB)的紋理特征，共得到120個特征量，對其進行PCA變換。PCA結果中最大的8個分量占據了全部特征量的90%。圖2(b)和(c)分別是未利用和利用PCA的種子確定結果，對比后可看出，2個結果基本一致。這說明采用PCA降維可在保證精度的前提下，大大降低計算量。

(a) 紋理圖像(b) 未利用PCA的種子確定(c) 利用了PCA的種子確定

1.2 改進合并規則的SRG

1.2.1 SRG算法流程

利用1.1節中的方法獲取的種子，執行SRG算法來獲取過分割結果。與傳統SRG不同的是，本文優先合并在光譜上更為相似的區域，以進一步保證分割的正確性。本文SRG算法的流程如下：

1)設定閾值TSRG，輸入種子列表；

2)按照1.2.2節的合并規則，為每一個種子找到最適合合并的像素，將其輸入到隊列中；

3)對隊列中的元素進行排序，光譜異質性變化量小的排在隊列的前面；

4)按照隊列的順序，將像素與其所對應的種子進行合并；

5)若影像中沒有其他像素，則輸出過分割結果； 否則返回到步驟2)。

其中步驟2)可能發生的情況是： 某一像素被同時確定為2個不同種子的最適合合并的像素，這會導致步驟4)合并操作出錯。因此需要每次合并前檢查該像素是否已被合并； 若已被合并，則放棄合并。在初始階段，由于各個種子相距較遠，這種情況不會發生； 隨著種子生長，一些像素可能同時與2個種子所在的區域相鄰接，才可能導致上述情況。

1.2.2 SRG合并規則

好的合并規則能有效地避免錯誤合并。FNEA的合并規則不僅考慮了光譜灰度，還考慮了形狀信息，以得到視覺上更為優越的分割結果。其合并標準CFNEA的計算公式[11]為

CFNEA=(1-wshape)△Hspec+wshape△Hshape,

(8)

式中：wshape為形狀異質性的權重，其值在[0, 1]之間； △Hspec和△Hshape分別為光譜異質性的變化量和形狀異質性的變化量，其定義[11]為

(9)

式中：n為斑塊包含的像素數目；σ為斑塊內所有像素光譜值得標準差；l為斑塊周長；b為斑塊外接矩形的寬度； 下標1，2，m分別表示斑塊1、斑塊2和它們合并后產生的斑塊。

本文在構建新的合并規則時，首先考慮光譜異質性，其次考慮形狀異質性，即在確保灰度相似的前提下，利用形狀信息指導合并，以產生視覺上優越的分割結果。本文SRG合并規則的步驟為：

1)設區域sa是當前待處理的區域(或種子)，找到與sa相鄰的所有像素，組成集合Na；

2)在Na中，計算所有像素與sa合并后的△Hspec，從中挑選在閾值TSRG以下的像素，并將其組成集合Na*；

3)在Na*中，計算所有像素與sa合并后的△Hcomp，從中選出其值最小的設為sb，即是與sa最適合合并的像素。

步驟3)中△Hcomp的計算公式[11]為

(10)

式中：l為區域周長；n為區域的像素個數；i和j分別為待合并的2個區域；m為合并后的區域。

步驟2)中的TSRG是SRG的閾值。若TSRG較小，每次合并時得到的集合Na*就會包含很少的區域(甚至是空集)，從而會降低計算速度； 反之可能導致錯誤的合并。

1.3 基于GMBF的HRG算法

全局相互最適合(global mutual best fit,GMBF)的合并規則最早由Martain等[11]提出，包含2部分內容： ①相互最適合，即2個區域在其各自的鄰域中，都是對方最適合合并的區域； ②全局最適合，即在圖像內的所有鄰域中，找出一對最符合合并標準的鄰域。GMBF的目的是得到符合某個合并標準的最佳分割結果。本文中GBMF利用的合并標準是光譜異質性。

在基于GMBF的HRG區域合并中，只有2個區域的光譜異質性變化量小于一個閾值時才允許其合并，本文將該閾值與區域大小相關聯，其計算公式為

THRG(i,j)=γ2log(ni+nj),

(11)

式中：i和j分別為2個待合并的區域；γ為調節系數；n為區域的像素數目；THRG為一個局部動態閾值，對于尺度較大的區域，THRG較大。

式(11)采用對數函數是為了使THRG隨區域增大而增大的速度較小。用戶可通過調節γ來得到合適尺度的分割結果。

2 實例驗證

為了驗證本文算法，共采用3景OrbView3 HRI進行分割實驗(表1)。將3景影像分別簡稱為S1,S2和S3。

表1 OrbView3分割實驗數據

3景影像各具特點，要將其中所有地物都完整分割出來是較為困難的。為了定量地評價本文算法的分割精度，利用了一種監督的影像分割評價方法[5]。該方法需要將本文算法的分割結果與專家手動分割得到的參考分割結果(圖3(d)(e)(f))進行對比，計算出查準precision(p)和召回recall(r)值。當且僅當p和r都接近1時，分割結果和參考結果最相似。該方法還定義了變量f=pr/(p+r)，以消除p不能反映過分割錯誤和r不能反映亞分割錯誤的弊端。f越接近1，分割效果越好。

本文算法需要的參數有： Gabor濾波參數、種子間隔ls、主成分分析(PCA)降維數、SRG合并閾值TSRG以及HRG合并閾值γ。其中，Gabor濾波參數的設置參考了文獻[25]； PCA降維數被自動設置為最大分量占總變化90%時的個數； 其余的參數均需根據不同的影像來設置。

本文方法主要分為種子確定、SRG和HRG等3個階段，前2個階段可被視為基于SRG的過分割算法，第3階段是在過分割的基礎上利用HRG對相似區域進行合并的過程。為了充分驗證本文方法，分別進行了本文過分割算法(advanced SRG,ASRG)和整體分割算法的實驗。實驗采用的3景HRI影像與專家手動分割結果見圖3。S1(圖3(a))是城市地區的HRI，其中包含建筑、操場、道路、植被、陰影等多種地物，各種地物具有不同的尺度、形狀和紋理特征。S2(圖3(b))是鄉村地區的HRI，主要包含多片尺度相差較大的農田。S3(圖3(c))是海岸帶HRI，與S1和S2不同的是，它包含了海水和農田。

(a) S1(城市) (b) S2(鄉村)(c) S3(海岸帶)

(d) S1分割結果 (e) S2分割結果(f) S3分割結果

2.1 對過分割算法的驗證實驗

這一實驗考察的是本文基于SRG的過分割算法ASRG，主要有2個目的： ①驗證ASRG中基于紋理特征的種子確定方法； ②驗證ASRG中改進的合并規則。對于目的①，將ASRG與基于邊界強度設置種子位置的ESRG(edge-strength SRG)[27]進行了對比； 對于目的②，對比了利用FNEA合并規則的FSRG(FNEA-SRG)。ASRG與FSRG的種子設置方法相同，但合并規則不同。

由于這一實驗是驗證過分割算法，因此只需計算分割結果的p值，以定量評價算法性能。對于S1和S2，3種算法都將種子間隔ls設置為15； S3的尺度相對較大，所以3種算法都將ls設置為20。對于本文方法，3景實驗影像的TSRG都設置為30。

圖4是ASRG與ESRG的種子確定結果。

(a) S1(ASRG)(b) S2(ASRG) (c) S3(ASRG)

(d) S1(ESRG)(e) S2(ESRG) (f) S3(ESRG)

從圖4中ASRG的結果可以看出，在區域邊緣，種子點是較為稀疏的(如圖4(c)中的海陸邊界)； 大部分種子都在靠近區域中心的位置(如圖4(a)中央的操場)。由于本文方法考慮了Gabor紋理特征，一些種子在紋理區域得到了較好的設置(如圖4(c)西北部的村莊)。雖然ESRG也得到了與ASRG較為相似的結果，但其種子位置的排列明顯不規則，且一些種子并未很好地設置在區域中心(如圖4(a)中的操場和圖4(e)中的西南部農田)。

圖5顯示了3景影像的過分割結果。

(a) S1(ASRG)(b) S1(ESRG) (c) S1(FSRG)

(d) S2(ASRG)(e) S2(ESRG) (f) S2(FSRG)

(g) S3(ASRG)(h) S3(ESRG) (i) S3(FSRG)

從圖 5可以看出，ASRG可得到視覺上更為優越的過分割。ESRG僅考慮了邊界信息，因此對于一些紋理尺度較大的區域(如圖5(h)北部的農田)，種子位置排列在視覺上較為散亂，其過分割的各個斑塊也難以反映農田區域的結構。反之，圖5(b)和(e)的結果與(a)和(d)相差較小，這也在表2定量精度評價中得到了體現： 對于3景影像的p值，ASRG最高，ESRG次之，FSRG最低。雖然FSRG在合并規則中考慮了光譜與形狀信息，但該算法只是將二者進行了簡單的加和； 所以在FSRG的結果中，各區域的邊界之間出現了錯誤的斑塊(如圖5(c)中的操場與周圍區域被錯誤地合并)。

表2 3種過分割方法結果的p

ASRG的優勢可被歸納為2個方面： ①得益于基于紋理特征的種子確定方法，過分割結果中各個區域的邊界被很好地保持下來； ②由于ASRG的合并標準較FSRG更為合理地整合了灰度與形狀異質性，ASRG分割結果中各個斑塊的形狀美觀、排列整齊，這便于后續處理。實驗表明，ASRG的種子確定方法和改進的合并規則都有利于提高過分割算法的精度和視覺效果。

2.2 對整體分割算法的驗證實驗

為了驗證本文整體分割算法(advanced HRG,AHRG)的精度，進行了分割實驗，主要有2個目的： ①驗證AHRG中的動態閾值方法； ②對AHRG與其他主流遙感影像分割算法進行對比。針對目的①，采用了固定閾值的基于GMBF的方法(simple thresholding HRG,SHRG)進行對比實驗(需說明的是，AHRG與SHRG均是在本文ASRG的基礎上開展HRG的)； 對于目的②，采用了FNEA進行對比。FNEA的初始階段以各個像素作為單獨區域。

圖6為AHRG分割結果的p,r,f隨γ的變化。

(a) S1(b) S2(c) S3

選擇γ的標準是f最高時所對應的值，所以S1,S2和S3的γ分別為35,30和130。通過實驗確定，SHRG對于S1,S2和S3的尺度參數分別為50,40和150。對于FNEA，3景影像的形狀參數均為0.1，緊致性參數均為0.5； 對于尺度參數，3景影像分別為50,45和100。

圖7是3種算法對S1,S2和S3的分割結果。由圖7可以看出，3種算法都將3景實驗影像中的主要區域分割出來了。對比AHRG與SHRG，后者的分割結果中出現了更多過分割現象，如圖7(e)中西南部較大的農田被分割成許多小區域，類似的還有圖7(h)南部的海水。

(a) S1(AHRG)(b) S1(SHRG) (c) S1(FNEA)

(d) S2(AHRG)(e) S2(SHRG) (f) S2(FNEA)

(g) S3(AHRG)(h) S3(SHRG) (i) S3(FNEA)

表3也定量地反映了這一情況： SHRG的p值對于3景影像都是最高的，而r值卻最低。這主要是因為SHRG中固定的閾值容易限制很多可能正確的合并，導致過分割。

表3 3種分割算法的分割精度

由表3可知，FNEA也得到了較好的分割結果，其f值較SHRG高一些，但卻低于AHRG。仔細對比AHRG和FNEA的結果可以看出，對于S1和S2，AHRG相比FNEA產生了過分割，但S3的情況卻相反。這可能是因為S1和S2中各個區域的大小相差較小，但S3中水塘的尺度遠小于海水和農田區域。FNEA的合并規則使分割結果中各個區域的大小更為均勻。由于AHRG采用了動態閾值的方法，使光譜相似度高、尺度較大的區域也可能被合并，所以AHRG對S3分割結果的r值也較高，雖然導致一些水塘區域被錯誤地合并，但是從整體精度f來說，本文的分割算法更為優越。

以上實驗分析均是以專家手動分割為基準的，而對3景影像的仔細觀察可以發現，專家手動分割對一些尺度較大的區域進行了簡化(如S3中的農田)。為了更客觀地評價本文算法，將分割結果與原始影像進行了詳細對比。對于S1： 圖3(d)將S1中的操場西北部劃分為一個完整的區域，而實際上其中的植被使得該區域的灰度出現了較大變化； 因此，圖7(a)(b)(c)中在該區域的過分割，可能更接近實際情況。對于S2： 南部較大農田中間有一條道路將其分為2個區域，而圖3(e)卻將其歸并為一個區域； 圖6(d)(e)(f)中，只有(e)保留了這2個區域，因此表5的評價結果可能低估了HSRG。對于S3： 西北部的大片農田在專家解譯結果中被簡化為一個區域，因此表5可能高估了3種算法的性能。

綜上，根據圖6最高的f來選取尺度參數γ，可能并不會得到最理想的分割結果。實際上，若利用較小的γ來分割S2和S3，可能結果更為理想，很多影像細節(如S2南部的農田、S3西南的水塘等)都能被較為完整地保留下來。因此，建議用戶根據實際需要來選擇更為合適的γ參數。

3 結論

本文發展了一種高分遙感影像(HRI)分割算法。該方法首先利用紋理特征優化種子的確定，然后結合種子區域生長(SRG)和層次區域生長(HRG)，得到不同尺度的分割結果。通過3景HRI分割實驗，說明本文方法具有令人滿意的分割精度。本文的主要貢獻體現在：

1)在SRG部分，利用Gabor紋理特征設置種子的位置，提高了SRG的分割精度與視覺效果； 利用PCA降低紋理特征的維度，顯著減少了計算量。

2)在合并標準中，采用了一種更為合理的方法整合灰度異質性和緊致異質性，從而抑制了錯誤合并的產生。

3)在HRG階段，采用了動態閾值的方法，提高了HRG的分割精度。

雖然本文利用紋理特征提高了種子位置確定的效果，但尚未涉及種子數目的確定方法。在今后的研究中，將利用更多特征去除冗余的種子，以提高SRG的分割精度和速度。

[1] Zhong Y F,Zhao B,Zhang L P.Multiagent object-based classifier for high spatial resolution imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(2):841-857.

[2] Bouziani M,Goita K,He D C.Rule-based classification of a very high resolution image in an urban environment using multispectral segmentation guided by cartographic data[J].IEEE Transactions on Geosciences and Remote Sensing,2010,48(8):3198-3211.

[3] Zhang X L,Xiao P F,Song X Q,et al.Boundary-constrained multi-scale segmentation method for remote sensing images[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,78(2):15-25.

[4] Tilton J C,Tarabalka Y,Montesano P M,et al.Best merge region-growing segmentation with integrated nonadjacent region object aggregation[J].IEEE Transactions on Geosciences and Remote Sensing,2012,50(11):4454-4467.

[5] Yi L N,Zhang G F,Wu Z C.A scale-synthesis method for high spatial resolution remote sensing image segmentation[J].IEEE Transactions on Geosciences and Remote Sensing,2012,50(10):4062-4070.

[6] Blaschke T,Hay G J,Kelly M,et al.Geographic object-based image analysis:Towards a new paradigm[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,87:180-191.

[7] Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.

[8] Wu Q G,An J B.An active contour model based on texture distribution for extracting inhomogeneous insulators from aerial images[J].IEEE Transaction on Geosciences and Remote Sensing,2014,52(6):3613-3626.

[9] Johnson B,Xie Z X.Unsupervised image segmentation evaluation and refinement using a multi-scale approach[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(3):473-483.

[10]Beaulieu J M,Goldberg M.Hierarchy in picture segmentation:A stepwise optimization approach[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1989,11(2):150-163.

[11]Baatz M,Sch?pe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[C]//Strobl J,Blaschke T,Griesebner G.Angewandte Geographische Informationsverarbeitung XII.Karlsruhe:Wichmann Verlag,2000:12-23.

[12]Yu Q Y,Clausi D A.IRGS:Image segmentation using edge penalties and region growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2008,30(12):2126-2139.

[13]Wang F,Wu Y,Zhang Q,et al.Unsupervised SAR image segmentation using higher order neighborhood-based triplet Markov fields model[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(8):5193-5205.

[14]Zhang P,Li M,Wu Y,et al.Unsupervised multi-class segmentation of SAR images using fuzzy triplet Markov fields model[J].Pattern Recognition,2012,45(11):4018-4033.

[15]Bitam A,Ameur S.A local-spectral fuzzy segmentation for MSG multispectral images[J].International Journal of Remote Sensing,2013,34(23):8360-8372.

[16]Tao W B,Jin H,Zhang Y M.Color image segmentation based on mean shift and normalized cuts[J].IEEE Transactions on Systems,Man,and Cybernetics,Part B:Cybernetics,2007,37(5):1382-1389.

[17]Michel J,Youssefi D,Grizonnet M.Stable mean-shift algorithm and its application to the segmentation of arbitrarily large remote sensing images[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(2):952-964.

[18]Yuan J Y,Wang D L,Li R X.Remote sensing image segmentation by combining spectral and texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(1):16-24.

[19]Yuan J Y,Wang D L,Li R X.Image segmentation using local spectral histograms and linear regression[J].Pattern Recognition Letters,2012,33(5):615-622.

[20]Adams R,Bischof L.Seeded region growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6):641-647.

[21]Lee T C M.Some Models and Methods for Image Segmentation[D].Macquarie:Macquarie University,1997.

[22]Fan J P,Yau D K Y,Elmagarmid A K,et al.Automatic image segmentation by integrating color-edge extraction and seeded region growing[J].IEEE Transactions on Image Processing,2001,10(10):1454-1466.

[23]Evans C,Jones R,Svalbe I,et al.Segmenting multispectral Landsat TM images into field units[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(5):1054-1064.

[24]Haralick R M,Shanmugam K,Dinstein I.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybernetics,1973,3(6):610-621.

[25]Sivalingamaiah M,Reddy B D V.Texture segmentation using multichannel Gabor filtering[J].IOSR Journal of Electronics and Communication Engineering,2012,2(6):22-26.

[26]Farrell M D,Mersereau R M.On the impact of PCA dimension reduction for hyperspectral detection of difficult targets[J].IEEE Geosciences and Remote Sensing Letters,2005,2(2):192-195.

[27]Levinshtein A,Stere A,Kutulakos K N,et al.TurboPixels:Fast superpixels using geometric flows[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(12):2290-2297.

(責任編輯： 邢宇)

Segmentation algorithm based on texture feature and region growing for high-resolution remote sensing image

SU Tengfei， ZHANG Shengwei， LI Hongyu

(WaterConservancyandCivilEngineeringInstitute，InnerMongoliaAgriculturalUniversity，Hohhot010018，China)

Image segmentation plays an important role in object-based image analysis. In order to enhance the performance of segmentation method for hierarchical region growing (HRG)，this paper proposes a new image segmentation algorithm. The new method consists of three steps： seed determination, seeded region growing (SRG)based over-segmentation (advanced SRG, ASRG) and HRG. To improve the automation and precision of seeds determination, the authors used Gabor texture feature and defined textural homogeneity, attempting to place the seeds at the center of the regions composed of the same texture. At the stage of SRG, spectral information of HRI was combined with shape cues to form a new merging rule to raise the segmentation accuracy and segments compactness of SRG over-segmentation. At the HRG step, an adaptive threshold was used to better retain the multi-scale segmentation property. In the experiment, three scenes of HRI were utilized to validate the proposed method. A supervised segmentation evaluation method was adopted to quantitatively assess the segmentation accuracy of the proposed algorithm, and two state-of-the-art segmentation methods were compared with the proposed method. The experimental results show that the new algorithm proposed in this paper can produce satisfying segmentation.

texture feature； seeded region growing (SRG)； hierarchical region growing (HRG)； high-resolution remote sensing image(HRI)； image segmentation

10.6046/gtzyyg.2017.02.11

蘇騰飛,張圣微,李洪玉.基于紋理特征與區域生長的高分辨率遙感影像分割算法[J].國土資源遙感,2017,29(2)：72-81.(Su T F,Zhang S W,Li H Y.Segmentation algorithm based on texture feature and region growing for high-resolution remote sensing image[J].Remote Sensing for Land and Resources,2017,29(2)：72-81.)

2015-05-05；

2015-06-24

國家自然科學基金項目“科爾沁沙地典型生態系統水熱通量傳輸機理及其與植被耦合關系試驗和模擬研究”(編號： 51569017)、“內蒙古典型草原水文過程及其擾動與觸發草地退化的水文臨界條件實驗與模擬研究”(編號： 51269014)和中國博士后科學基金面上資助“西部地區博士后人才資助計劃”(編號： 2015M572630XB)共同資助。

蘇騰飛(1987-),男,碩士,實驗師,主要從事面向對象的遙感圖像分析算法方面的研究。Email： stf1987@126.com。

張圣微(1979-),男,博士,教授,碩士研究生導師,主要從事定量遙感、生態水文及氣候變化等方面的研究。Email： zsw_imau@163.com。

TP 751.1

A

1001-070X(2017)02-0072-10