結合SLIC和模糊聚類的遙感圖像分割方法

摘 ?要： 超像素分割是目前用于遙感影像分割的研究熱點，但它易產生過度分割的問題。為解決過度分割問題，提出一種簡單線性迭代聚類（SLIC）結合快速FCM聚類算法（Fast fuzzy C-means，FFCM）的遙感圖像分割方法。該方法首先用SLIC算法對初始影像進行預分割;然后使用FFCM對獲取的超像素進行合并。本文將分形網絡演化方法（FNEA）作為對比實驗方法。實驗結果表明，本文提出方法的分割結果與實際地物的相似度更高，抗噪性更好。提出分割方法的精度較FNEA算法相比均有所提高。研究成果可為遙感影像分割提供有效借鑒。

關鍵詞： 遙感圖像;圖像分割;超像素;過分割;分形網絡演化方法

中圖分類號： P237 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.12.015

本文著錄格式：楊麗艷，趙玉娥，黃亮. 結合SLIC和模糊聚類的遙感圖像分割方法[J]. 軟件，2019，40（12）：6669

Remote Sensing Image Segmentation Method Based on SLIC and Fuzzy Clustering

YANG Li-yan1， ZHAO Yu-e1， HUANG Liang1，2*

（1. Faculty of Land Resource Engineering， Kunming University of Science and Technology， Kunming 650093， China; 2. Surveying and Mapping Geo-Informatics Technology Research Center on Plateau Mountains of Yunnan Higher Education， Kunming 650093， China）

【Abstract】： Superpixel segmentation is currently the research hotspot for remote sensing image segmentation， but it is prone to over-segmentation. In order to solve the problem of over-segmentation， a simple linear iterative clustering （SLIC） combined with fast FCM clustering algorithm （FFCM） is proposed. Firstly， the initial image is pre-segmented by the SLIC algorithm; then the FFCM is used to merge the acquired superpixels. In this paper， the fractal network evolution method （FNEA） is used as a comparative experimental method. The experimental results show that the segmentation results of the proposed method are more like the actual ground features and better anti-noise. The accuracy of the proposed segmentation method is improved compared with the FNEA algorithm. The research results can provide effective reference for remote sensing image segmentation.

【Key words】： Remote sensing; Image segmentation; Superpixels; Over-segmentation; Fractal network evolution method

0 ?引言

圖像分割是指遵照一定的相似性準則把圖像分割成具有特殊語義信息的若干不同子區域。遙感圖像分割是遙感圖像處理中一項非常重要的技術，在遙感圖像處理中扮演著一個重要的角色，同時也是圖像處理中的重點和難點[1-2]。隨著攝影測量和遙感等技術的發展，對遙感圖像的分割成為了一個研究熱點。近年，遙感圖像的分割方法層出不窮，超像素分割作為其中的一種方法，給遙感圖像的分割也帶來了極大的方便。超像素是由一系列空間位置相鄰、光譜、亮度、紋理等特征相似的像元點所構成的圖像子區域。超像素分割可將遙感圖像劃分為具有相似特征的圖像子區域。

超像素發展至今，可將其主要分為基于圖論與梯度下降兩大類方法[3]。基于圖論的方法主要包括圖論方法[4]、超像素網格法[5]和偽布爾法[6];基于梯度下降方法主要包括分水嶺法[7]、均值漂移法[8]、SLIC算法[9]、快速均值漂移法[10]、圖切法[11]、渦輪像素法[12]和快速分水嶺法[13]。但上述方法均容易造成地物分割破碎、過度分割等現象。

本文針對超像素過分割問題，提出了一種SLIC結合FFCM的遙感圖像分割方法。該方法同時具有運算速度快、形成的超像素均勻且緊致性高、不需事先確定聚類數目等優點。本文算法的基本思想是先用SLIC超像素法對遙感圖像進行分割;然后用FFCM進行合并。這種方法很好地解決了過分割問題，使得圖像分割效果更好。

1 ?研究方法

本文提出的遙感圖像分割方法主要包括以下4個步驟：① 用SLIC算法對初始影像進行超像素分割;② 使用FFCM對超像素進行初合并，③ 通過聚類有效性分析指標確定聚類數目，并確定合適的遙感圖像分割數;④ 依據確定的合適圖像分割數，采用FFCM算法對超像素進行再次合并。

圖1 ?本文算法流程圖

Fig.1 ?Flowchart of proposed method

1.1 ?超像素的生成

2003年Ren等人[14]提出超像素了的這一概念，并引起廣泛的關注和成為了一個新的研究熱點。超像素是指對具有相似特征的相鄰像素進行聚類，特征主要包括紋理、顏色、亮度等，然后產生形狀不完全規則和具有一定視覺意義的像素塊。SLIC算法的實質是一種改進的K均值聚類算法。它將彩色圖像轉換為5維特征向量，根據CLELAB顏色空間和 XY坐標下的特征向量構造相似度量的標準，對相似的像素點聚類生成超像素。SLIC算法能有效解決“椒鹽”噪聲的問題，不但可以設置生成超像素的個數，而且能夠生成形狀規則的像素塊和具有較好邊界附著性。SLIC算法的具體步驟[15]為：

（1）初始化種子點。首先預設其有N個像素點，SLIC算法運行后分成了大小相同的K個超像素，每個超像素的尺寸大小用 N/K來表示。種子點間的距離可以表示為。為了避免影響后續的聚類結果，種子點在鄰域內的3×3的窗口內移動，同時計算所有像素點的梯度值，并且保證移動到梯度值最小的位置上，防止種子點被分配到影像的邊緣位置或噪聲點的位置。并且分配標簽到每個種子點上。

（2）相似性度量。對每個像素進行搜索，計算像素點與種子點之間的相似程度，包括顏色距離和空間距離，不斷迭代直到收斂，關系如下：

（1）

（2）

（3）

其中：[lk ak bk xk yk]代表種子點的5維特征向量;[li ai bi xi yi]表示為待判斷的像素點的特征向量;k是指種子點;i是圖像中的搜索像素點;dlab指的是像素點間的顏色相似程度，dxy為圖像中鄰域內像素點的空間距離;s為種子點的間距大小，m是用來衡量顏色信息與空間信息的相似比重。D是代表兩個像素點的相似度大小;兩個像素越相似則D取值越大。SLIC算法是在2S×2S之間進行搜索，這個操作是為了為加快算法的收斂速度。

在分割實驗測試中，SLIC算法參數的設置大小會直接影響到超像素分割的效果，不同的參數大小會產生不同的分割效果。

1.2 ?FFCM理論

模糊C均值算法（FCM）是由Dunn提出的一種模糊聚類方法[16]，一經提出便得到了廣泛的關注。目前，FCM算法已被成功應用于數據挖掘、遙感影像非監督分類、機器學習、計算機視覺、遙感影像分割等諸多領域。FCM算法根據遙感圖像中像元點到聚類中心的加權距離來實現遙感圖像分割。FCM算法首先構建目標函數，具體計算公式如下：

（4）

式中，J表示為目標函數;表示為硬劃分矩陣，取值區間為{0， 1};表示為一個聚類中心向量，，存在 ，其表示為第i類的聚類中心;dij表示為第j個樣本點和第i類的聚類中心間的失真度，常采用距離函數對其進行度量;表示為聚類加權指數，用來控制矩陣U的模糊程度，通常m越大，分類的模糊程度越高。

然后利用拉格朗日乘法對式（4）進行求解，通過計算可以得到隸屬度函數以及聚類中心的迭代公式：

（5）

（6）

FCM算法目前在遙感圖像分割領域具有較為廣泛的應用，但FCM方法過分地依賴初始聚類中心，此外還需事先確定聚類的數目。同時，FCM算法計算量大，造成圖像分割速度慢。基于此，林開顏等（2004）[17]提出了FFCM算法，該算法首先對目標函數進行改進：

（7）

表示子集數。對應的，其聚類中心的公式為：

（8）

隸屬度計算公式仍為（5），涉及距離計算時，用

（9）

A表示p×p的正定矩陣。

2 ?實驗與分析

2.1 ?實驗數據及平臺

本次實驗使用的數據為無人機平臺獲取的高空間分辨率遙感影像，具有紅、綠、藍3個波段，大小為726像素×468像素，空間分辨率為0.05 m。該影像主要包括房屋、道路、綠地等地物，如圖2（a）所示;圖2（b）是高空間分辨率遙感影像對應的參考影像。本文采用FNEA算法調整參數進行分割實驗來與本文提出方法的分割結果進行對比。

（a） 原圖 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（b） 參考影像

（c） 本文提出方法結果

（d） FNEA（50）

（e） FNEA（100）

圖2 ?實驗結果

Fig.2 ?The results of experiment

本文所采用的實驗平臺為Inter Core i5，2G獨顯及4 GB內存，Windows 10操作系統。實驗的程序通過Matlab R2016a編譯實現。

2.2 ?精度評價

為把實驗結果更直觀地表示出來，本文采用P-R方法來評價實驗輸出結果的有效性。當兩個指標的值均更接近1時，則說明實驗效果符合需求，分割效果更好，具體計算公式如下：

（10）

（11）

式中：Precision為分割精度;Recall為邊界召回率;TP為地物被正確分為分割結果像素的樣本個數;FP為背景像素被分為地物像素分割結果的樣本個數;FN為地物分割結果被分為背景像素的樣本個數。

2.3 ?實驗結果與分析

在圖2中，圖2（c）為采用本文提出方法得到的超像素分割圖像，其中參數設置：Cluster=4，k=500;為了驗證本文提出方法的有效性，本文選取了eCognition軟件中的多尺度分割算法（FNEA）與提出方法進行對比，并進行了兩組實驗，參數設置為scale=50，scale=100，分別如圖2（d）、圖2（e）所示;FNEA技術的關鍵在于對兩個影像圖像間異質度的定義和描述。這種異質性是由兩個對象的光譜和形狀差異決定的。由圖2可以看出，FNEA（50）產生嚴重過分割現象，而且其地物邊緣很破碎，對具有同一光譜特征的道路尚且不能完整的分割。FNEA（100）的效果相對于FNEA（50）有了很大改善，但對道路還是產生了過分割。故FNEA算法對具有較大光譜異質性的相同地物無法進行有效辨別，容易出現過分割現象。而圖2（c）本文提出的方法較好分割了道路、房屋，地物具有良好的完整性。綜上，本文方法得到的超像素分割圖像相似度更好，有更好的分割效果。

圖3列出了3種不同分割方法對影像圖2（a）分割結果的Precision和Recall的評價結果。FNEA（50）的Precision指標值為：0.7569，FNEA（100）的Precision指標值為0.7689，而本文方法的Precision指標值為0.7751，本文提出的方法對圖2（a）分割得到的結果其Precision大于兩種不同分割尺度的FNEA方法，說明本文方法對地物分割結果的精度優于FNEA算法。此外，本文提出方法的Recall指標值為0.8841，均高于FNEA（50）算法得到的0.8196和FNEA（100）算法得到的0.8792，說明本文提出方法邊界吻合度較高，邊界附著性較好。綜上，說明本文方法對遙感圖像分割的效果更好。

圖3 ?分割結果精度

Fig.3 ?The accuracy of segmentation results

3 ?結論

針對超像素分割容易產生過分割，及難以得到相似度高的分割結果的問題，本文提出了一種SLIC結合FFCM算法的遙感圖像分割方法。首先通過SLIC算法對遙感圖像進行預分割，獲取超像素，減少圖像噪聲對分割結果的影響;然后根據設定的初始聚類數，使用FFCM對超像素進行初始聚類合并;接著通過聚類有效性分析指標確定合適的聚類數目;最后根據確定的合適聚類數目采用FFCM算法對超像素進行最終聚類合并，得到最終的遙感圖像分割結果。實驗結果證明，本文提出的方法解決了易形成過分割的問題，提升了高空間分辨率遙感圖像的分割精度，使超像素分割更加有效。但本文方法涉及的參數均通過人工設置，下一步將針對本文方法自動選取合適參數的問題進行研究。

參考文獻

[1]楊玚， 謝華成. 基于馬爾科夫隨機場與模擬退火算法的圖像分割[J]. 軟件， 2015， 36（4）： 40-43.

[2]郭璇， 鄭菲， 趙若晗， 等. 基于閾值的醫學圖像分割技術的計算機模擬及應用[J]. 軟件， 2018， 39（3）： 12-15.

[3]王春瑤， 陳俊周， 李煒. 超像素分割算法研究綜述[J]. 計算機應用研究， 2014， 31（1）： 6-12.

[4]Felzenszwalb P F， Huttenlocher D P.Efficient Graph-Based Image Segmentation[J]. International Journal of Computer Vision， 2004， 59（2）： 167-181.

[5]Moore A P， Prince S J D， Warrell J， et al. Superpixel lattices[C]// 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR 2008）， 24-26 June 2008， Anchorage， Alaska， USA.IEEE， 2008.

[6]Wang C， Guo Y， Zhu J， et al.Video Object Co-Segmentation via Subspace Clustering and Quadratic Pseudo-Boolean Optimization in an MRF Framework[J]. IEEE Transactions on Multimedia， 2014， 16（4）： 903-916.

[7]Vincent L， Soille P.Watersheds in Digital Spaces： An Efficient Algorithm Based on Immersion Simulations[J]. IEEE Trans. patt. anal.& Machine. Intell， 1991， 13（6）： 583-598.

[8]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.

[9]Achanta R， Shaji A， Smith K， et al. SLIC Superpixels [R]， EPFL Technical Report 149300， 2010： 1-15.

[10]祝鵬飛， 馮伍法， 張斌， 等. 基于Quick Shift算法的高光譜影像分類[J]. 測繪科學技術學報， 2011， 28（1）： 54-57.

[11]Froyland G， Padberg-Gehle K.Normalized cuts and image segmentation[J]. Chaos An Interdisciplinary Journal of Nonlinear Science， 2015， 22（8）： 888-905.

[12]Levinshtein A， Stere A， Kutulakos K N， et al. TurboPixels： Fast Superpixels Using Geometric Flows[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2009， 31（12）： 2290-2297.

[13]楊衛莉.基于分水嶺算法和圖論的圖像分割[J]. 計算機工程與應用， 2007， 43（7）： 28-30.

[14]REN Xiao-feng， MALIK J.Learning a classification model for segmentation[C]//Proc of the 9th IEEE International Con ference on Computer Vision.Washington DC： IEEE Computer Society， 2003： 10-17.

[15]ACHANTAR， SHAJI A， SMITH K， et al.SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2012， 34（11）： 2274-2282.

[16]Dunn， J.C. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters[J]. Journal of Cybernetics， 1973， 3（3）： 32-57.

[17]林開顏， 徐立鴻， 吳軍輝. 快速模糊C均值聚類彩色圖像分割方法[J]. 中國圖象圖形學報， 2004， 9（2）： 159-163.