結合L0平滑和超像素的高空間遙感影像非監督分類

楊澤楠,黃亮,2,王梟軒,方留楊,宋晶

(1.昆明理工大學 國土資源工程學院,云南 昆明 650093;2.云南省高校高原山區空間信息測繪技術應用工程研究中心,云南 昆明 650093;3.云南省交通規劃設計研究院有限公司,云南 昆明 650093)

0 引 言

高空間遙感影像的目標細節信息特征豐富,使其在大規模精準地物目標分類中應用前景與優勢十分顯著,目前已廣泛應用于地表分類、目標探測、農業監測、環境管理和國防建設等多個領域,影像分類是圖像解譯的關鍵步驟[1],能否實現高分辨率遙感影像精準分類,直接影響到后期定性、定量分析和專題信息的有效提取和運用[2]．因此,對高空間遙感影像進行高效、自動化的信息提取、分析、分類和運用是當前遙感科學研究的重點和亟待突破的瓶頸．

高分辨率遙感影像分類方法主要集中在監督分類、半監督分類和非監督分類三類．采用監督分類和半監督分類的方法,往往存在預先獲取大量訓練樣本難的問題,且樣本訓練復雜度較高、時間長,難以推廣使用．因此本文采用非監督分類方法對高空間遙感影像進行分類．目前,國內外大量學者對高空分辨率影像非監督分類已開展了一定的研究,如余熊等[3]提出了一種基于顏色特征的非監督分類方法;劉娜娜等[4]提出了一種基于圖論分割的非監督分類方法;Huang等[5]提出了一種特征加權的K-means分類方法;楊玉梅[6]提出了基于信息熵改進的K-means動態聚類算法;Xue等[7]提出來一種貪婪算法改進K-means分類的方法;熊霖等[8]提出了一種隨機森林、支持向量機(SVM)和AdaBoost三種算法改進的K-means分類方法;Renato Cordeiro de Amorim等[9]提出了一種Minkowski metric度量結合加權特征的K-means分類方法．上述方法分類后影像中具有大量斑點噪聲和混合噪聲,為減少噪聲對分類精度的影像,國內外學者在影像分類之前就進行去噪處理,如楊杰等[10]提出一種極化白化濾波結合Cloude-Pottier分解分類方法;劉峰等[11]提出了一種多通道Gabor濾波器的分監督分類方法．Arsalan Ghorbanian等[12]提出了一種波段聚類的非監督方法;朱騰等[13]提出了一種超像素與Span-Pauli分解的合成孔徑雷達(SAR)影像分類方法;Chen Yang等[14]提出了一種超像素結合波段選擇的非監督分類．上述方法雖然有效減少了圖像的噪聲,但是對高空間分辨率的遙感影像分類,精度是無法滿足的．

綜上所述,雖然國內外大部分學者對高空間分辨率影像進行了非監督分類研究,但分類后影像受到椒鹽噪聲和冗余信息的影響,使得分類精度不高．基于此,本文提出一種結合L0平滑和超像素的非監督分類方法實現了對高空間分辨率影像的分類,該方法能夠有效去除冗余信息和椒鹽噪聲的影響,較傳統非監督分類方法,速度快、分類精度高,能獲取較好的地物分類結果圖．

1 實驗原理與方法

1.1 L0范數平滑原理

為了解決非監督分類后產生大量的椒鹽噪聲和各個地物分類類別邊界不清晰,造成分類精度不高的問題[15]．在對高空間影像非監督分類之前進行L0范數平滑處理．通過限制相鄰區域間強度變化的離散數,有效去除部分噪聲,甚至是輕微的模糊的結構．然后利用S卷積進行多樣化的邊緣增強顯著性處理,提高復雜紋理表面的分類精度．具體步驟如下:首先采用式(1)計算影像梯度，然后將梯度最小化,如式(2)所示，最后用hP代替?xUP和vP代替?yUP,并建立最優目標函數,如式(3)所示．

(1)

(2)

(3)

式中:f為輸入影像;U為平滑處理后影像;E(U)為影像梯度;?xUP和?yUP為平滑處理后影像U在P處沿x方向的偏導數和沿y方向的偏導數;#{}表示梯度不為零的像素個數;λ為平滑權重大小；β為參數用于約束hP和vP兩者對應的影像梯度相似性．

1.2 SLIC超像素聚類原理

簡單的線性迭代聚類(SLIC)超像素分割方法是一種原理簡單,實現便捷的方法,該方法能夠去除圖像中的冗余信息從而降低后續圖像分類處理任務的復雜度．因此,本文采用顏色和空間信息特征的超像素方法．首先進行初始化種子點,確定影像像素點的距離近似值[16],如式(4)所示．

(4)

式中:S為每個像素點的距離近似值;N為影像的像素個數;K為聚類個數．

然后計算影像每個像素點的顏色空間距離和平面空間距離,并用于衡量相似度,計算公式為式(5)～(7)[17],最后將各地物有效聚合,將顏色和空間信息充分融合．

(5)

(6)

(7)

式中:lj、aj和bj是像素j的值;li、ai和bi是像素i的值;xj和yj是超像素中心j的坐標;xi和yi是像素點i的坐標;s是聚類區域邊長;m是顏色空間的權重系數．dc和ds分別為顏色空間距離和平面空間距離.D越大表示兩個像素特征越相近．

2 實驗結果與分析

2.1 實驗數據

為了驗證提出方法的有效性,本文選取云南省三景高空間分辨率影像作為實驗數據,如圖1(a)、圖2(a)和圖3(a)所示．圖1為第一景影像,其中圖1(a)選用云南省德馬村某局部區域無人機影像,大小為979×586像素,空間分辨率為0.05 m,有紅、綠、藍3個波段,圖1(b)通過目視解譯獲取的地物分類圖,圖1(c)為地物分類類別示意圖,影像中主要有房屋、道路、植被和裸地等四類地物;圖 2為第二景影像,其中圖 2(a)選用云南省安寧市某局部區域無人機原始影像,大小為726×468像素,空間分辨率為0.1 m,有紅、綠、藍3個波段,圖2(b)通過目視解譯獲取的地物分類圖,圖2(c)為地物分類類別示意圖,影像中主要有蔬菜大棚、耕地、植被和田埂等四類地物;圖 3為第三景影像,其中圖 3(a)選用云南省尋甸縣某局部區域原始Quick Bird影像,大小為507×277像素,空間分辨率為0.61 m,有藍、綠、紅、近紅外4個波段,圖3(b)為通過目視解譯獲取的地物分類圖,圖3(c)為地物分類類別示意圖,影像中主要有水體、植被、裸地和道路等四類地物．

(a)原始影像圖 (b)目視解譯分類圖 (c)類別示意圖圖1 第一景影像圖

(a)原始影像圖 (b)目視解譯分類圖 (c)類別示意圖圖2 第二景影像圖

(a)原始影像圖 (b)目視解譯分類圖 (c)類別示意圖圖3 第三景影像圖

2.2 實驗結果

2.2.1 L0平滑和超像素分析

本次實驗對三景實驗數據分別進行L0平滑濾波和超像素聚類處理,為了得到地物光譜相對均質、邊緣保持顯著、分類更加貼切、精度高的最佳聚類結果[18],經多次實驗,分別設置第一景平滑參數為0.05、超像素分割尺度為40;第二景平滑參數為0.01、超像素分割尺度為6;第三景平滑參數為0.03、超像素分割尺度為10．圖4和圖5分別為L0平滑處理后影像和超像素聚類后影像．

(a)第一景影像圖 (b)第二景影像圖 (c)第三景影像圖圖4 L0平滑后影像

(a)第一景影像圖 (b)第二景影像圖 (c)第三景影像圖圖5 平滑后超像素影像

由圖4可知,三景L0平滑后圖像在一定程度上減少了噪聲點對圖像平滑效果的影響,同時,圖像的顏色及結構信息保留完整,從而獲得了較好的平滑效果．由圖5可知,三景超像素聚類后影像,能充分考慮到圖像中各個地物的顏色和形狀特征,有效地減少了圖像的冗余信息．

2.2.2 K-means非監督分類分析

為了驗證提出方法的有效性,本文設計了三組對比實驗．第一組采用傳統K-means對影像進行非監督分類;第二組采用L0和K-means進行非監督分類;第三組為本文提出的方法,實驗結果如圖6～8所示．

(a)原圖非監督分類圖 (b)L0平滑后非監督分類圖 (c)本文方法分類圖圖6 第一景非監督分類圖

(a)原圖非監督分類圖 (b)L0平滑后非監督分類圖 (c)本文方法分類圖圖7 第二景非監督分類圖

(a)原圖非監督分類圖 (b)L0平滑后非監督分類圖 (c)本文方法分類圖圖8 第三景非監督分類圖

由圖6可知,對于裸地的分類,3種方法分類效果基本一致;對于道路的分類,圖6(a)有部分錯分成了白色房屋,這主要是由于圖像中存在同物異譜和異物同譜的現象,以及基于像元的分類會產生椒鹽噪聲的影響,但圖6(b)、(c)均能正確劃分;對于植被而言,圖6(a)、(b)大部分被錯分成深色房屋,但圖6(c)能完整地將植被與其他地物區分;對于房屋而言,本次實驗分為淺色房屋、深色房屋和小白房屋,圖6(a)、(b)分類整體性不高,使得3種房屋邊界不明確,但圖6(c)基本能夠區分3種房屋的邊界．

由圖7可知,蔬菜大棚和田埂混合在一起,較難區分,3種方法分類效果基本一致,都有部分田埂被分到蔬菜大棚中;由于植被和耕地有部分混雜,對于植被和耕地的分類難度較大,圖7(a)、(b)都有部分植被被錯分成了耕地,圖7(a)還有部分植被被錯分成了蔬菜大棚,但圖7(c)基本沒有錯分現象,而且兩者邊界明確．

由圖8可知：對于水體的分類,3種方法分類效果基本一致;而對于裸地的分類3者都有被錯分成了水體的部分,圖8(a)、(b)還有一部分被錯分成了植被,圖8(c)沒有此錯分現象出現;建筑物與道路相連接,周邊有植被和水體包圍,很難區分,圖8(a)、(b)中幾乎無法分清道路和建筑物,還有部分被錯分成裸地,但圖8(c)能準確區分建筑物和道路,并與周圍的水體和植被分類邊界明確;植被包圍水體,圖8(a)、(b)有錯分成水體的現象,但圖8(c)植被邊界與水體邊界明確．綜上所述,本文提出的方法能使地物邊界區域誤分像素顯著減少,整體分類質量得到很大程度提高．

2.3 精度評定

本次研究為了更加真實可靠地評價結合L0平滑和超像素的高空間遙感影像非監督分類．本文采用了總體分類精度和Kappa系數[18-20]來評定分類結果,如式(8)、(9)和(10)所示．

(8)

式中:n為像元總個數;xi+和x+i分別為混淆矩陣各行、個列之和;xii為混淆矩陣對角線元素．

Kappa系數公式:

(9)

總體精度公式:

(10)

式中:p0為分類的總體精度,表示對每一個隨機樣本分類結果與地面調查數據類型一致的概率;pe表示由于偶然機會造成的分類結果與地面調查數據類型相一致的概率;n為分類的類型數量;N為樣本總數;pii為第i類型的被正確分類的樣本數目．當分類結果與實際類型完全吻合時,Kappa系數的值即為1．本次實驗所采取的三景高空間遙感數據的分類精度如表1所示.

表1 精度評價分析表

由表1可知,三景影像數據中,文中提出方法的分類結果在總體精度和Kappa系數兩項精度評價指標中,均高于傳統K-means非監督分類和L0+K-means非監督分類方法．實驗結果表明,提出方法的分類能有效地對高空分辨率影像進行分類．

3 結束語

本文針對利用基于像元的高空間分辨率影像非監督分類存在椒鹽噪聲的問題,提出來一種結合L0平滑和超像素的高空間分辨率遙感影像的非監督分類方法．首先采用L0平滑對高空間遙感影像進行濾波處理,有效地減少大量的噪聲和冗余信息,使圖像更加清晰;然后采用超像素聚類與圖像中顏色和平面空間特征有機結合,使圖像中各個地物有效聚合,并結合K-means非監督分類,有效地解決錯分漏分以及選取樣本難的問題,有效提高了高空間分辨率影像分類效率和精度問題．實驗結果表明,所提出的方法能有效改善高空分辨率影像分類中的椒鹽噪聲和大量錯分、漏分的問題．但本次實驗受到了影像中同物異譜和異物同譜的影響及部分椒鹽噪聲的干擾,使得分類后影像仍有錯分和漏分的現象,未來將繼續圍繞這一方面進一步研究．