融合高程信息的低空遙感影像SLIC分割和區(qū)域合并方法

趙宗澤,方明源,高 釗,王雙亭

(1. 河南理工大學(xué)測繪與國土信息工程學(xué)院,河南 焦作 454000;2. 自然資源部第一大地測量隊(duì),陜西 西安 710054)

影像分割是光學(xué)遙感影像解譯重要的基礎(chǔ)處理步驟[1]。超像素分割已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域中廣泛使用的預(yù)處理步驟,彩色圖像分割是圖像視覺領(lǐng)域的研究熱點(diǎn),利用遙感影像數(shù)據(jù)的光譜信息可以將影像分割成許多聚類區(qū)域[2-3]。由于超像素區(qū)域更能反映圖像的拓?fù)浣Y(jié)構(gòu),可以提供更好的局部空間信息。因此,超像素分割方法逐漸成為遙感影像區(qū)域分割或分類的初始預(yù)分割分析步驟[4-5]。分水嶺算法[6-7]將光學(xué)遙感影像灰度值視為地形表面高度值,建立灰度梯度等級,因此,其對圖像強(qiáng)度變化較敏感,在對復(fù)雜場景的遙感影像進(jìn)行初始分割時,對地物邊界的擬合不夠準(zhǔn)確,過分割現(xiàn)象較為嚴(yán)重。DBSCAN(density-based spatial clustering of applications with noise) 聚類算法[8]是一種基于密度的空間聚類算法。若樣本集密度不均勻,聚類間距相差較大時,聚類質(zhì)量較差;若樣本數(shù)據(jù)集過大,將會影響到算法的處理效率。文獻(xiàn)[9]提出了SLIC(simple linear iterative clustering) 簡單線性迭代聚類算法,該算法改進(jìn)了傳統(tǒng)K-means方法的全域搜索過程,僅搜索聚類中心周圍某一固定范圍內(nèi)的光譜特征,對特征相似的像元進(jìn)行聚類生成分割區(qū)域,可以獲取緊湊、準(zhǔn)確的分割處理結(jié)果。但以上傳統(tǒng)的超像素分割在遙感圖像分割方面僅考慮了地物的光譜信息,對具有一定高度的地物分割結(jié)果不夠準(zhǔn)確。

在對影像數(shù)據(jù)進(jìn)行超像素預(yù)分割后,可以建立鄰接區(qū)域相似性準(zhǔn)則和合并策略,對各種尺度對象進(jìn)行精確分割[10-11]。文獻(xiàn)[12]以紋理相似性和邊界連續(xù)性建立相似性準(zhǔn)則,通過融合彩色和深度信息,與流行的分割算法相比獲得了顯著的分割性能提升。文獻(xiàn)[13]提出一種聯(lián)合區(qū)域合并標(biāo)準(zhǔn),以加權(quán)方式結(jié)合區(qū)域同質(zhì)性和區(qū)域邊緣完整性標(biāo)準(zhǔn),在圖像分割方面的應(yīng)用取得了成功。文獻(xiàn)[14]對初始分割結(jié)果建立鄰接關(guān)系,區(qū)域鄰接圖的表示方法促進(jìn)了圖像分割的研究,在分割性能和執(zhí)行時間方面得到了令人滿意的結(jié)果,但由于是基于分水嶺算法整合的邊緣和區(qū)域的技術(shù),內(nèi)存需求相對較高且信噪比較低時可能表現(xiàn)不佳。以上區(qū)域合并方法均未考慮地物的高程信息,當(dāng)具有一定高差的地物區(qū)域間光譜特征相似時,區(qū)域合并準(zhǔn)則的判定結(jié)果會出現(xiàn)錯誤。

傳統(tǒng)的遙感影像分割算法僅考慮了光譜信息,在進(jìn)行后續(xù)分割區(qū)域合并時,也僅通過光譜和空間相似性準(zhǔn)則進(jìn)行合并處理,會出現(xiàn)某些具有一定高度的地物的錯分現(xiàn)象。針對此問題,本文基于SLIC分割算法,獲取影像每個像元的高程信息,并設(shè)置合適的高程權(quán)重,使分割邊界同時依賴高程梯度,達(dá)到更好的初始分割效果;在初始分割的基礎(chǔ)上,根據(jù)分割區(qū)域鄰接圖,采用鄰域數(shù)組的數(shù)據(jù)結(jié)構(gòu)[15],建立融入高程信息的光譜-高程相似性準(zhǔn)則進(jìn)行分割區(qū)域合并;另外,在合并過程中,根據(jù)不同分割區(qū)域之間的高程差別設(shè)置高程閾值,并設(shè)置不同的相似性權(quán)重,以獲取最優(yōu)的遙感影像地物分割結(jié)果。

1 研究方法

1.1 融合高程信息的SLIC分割算法

傳統(tǒng)SLIC算法根據(jù)光譜和平面空間特征向量在某個給定范圍內(nèi),統(tǒng)計(jì)每個像素與聚類中心的歐式距離,并與設(shè)定閾值進(jìn)行比較,將像素分配到特征相似的分割區(qū)域。由于最初的聚類中心是均勻分布的,且搜索范圍限制在聚類中心的固定半徑內(nèi),因此需進(jìn)行多次迭代以優(yōu)化聚類中心。遍歷全域去除尺寸過小的區(qū)域,有效地解決像素級分割策略帶來的“椒鹽噪聲”問題。雖然基于光譜閾值的SLIC分割方法簡單有效,預(yù)設(shè)參數(shù)只有分割區(qū)域數(shù)量k和光譜權(quán)重m,但是該方法只考慮了光譜特征,沒有考慮地物高度特征,對噪聲比較敏感,同一高度地物的光譜距離可能大于設(shè)定閾值,穩(wěn)健性不高。針對該問題,本文提出了融合高程信息的低空遙感影像SLIC分割方法,在進(jìn)行距離計(jì)算時,加權(quán)引入高程信息并設(shè)置合適的閾值,達(dá)到更加精確的分割效果。

融合高程信息的低空遙感影像SLIC分割方法在二維平面和光譜歐式距離的基礎(chǔ)上,增加高程信息建立6維特征向量[labxyz],其中,l、a、b為像元的光譜波段取值(假設(shè)為3個波段),x和y分別為像元行列號,z為像元對應(yīng)高程值,因此,光譜、平面和高程距離分別表示為

(1)

(2)

dz=zi-zj

(3)

在特征相似度量Dz中引入高程距離度量,計(jì)算公式為

(4)

其中,m為光譜權(quán)重;s為步長;λ為高程權(quán)重。

圖1為不同權(quán)重情況下SLIC算法遙感影像分割結(jié)果對比。k值為分割區(qū)域數(shù)量,由圖1(b)、(c)可知,k越大,步長s越小,區(qū)域尺寸越小;k值越小,步長s越大,區(qū)域尺寸越大。m為光譜權(quán)重,m值越小,分割區(qū)域?qū)庾V的依賴程度越大,由圖1(c)可知,當(dāng)沒有引入高程特征,且光譜權(quán)重m=40時,光譜等因素引起的影像灰度變化比較大,導(dǎo)致分割結(jié)果整體比較雜亂,超像素邊界在視覺上不夠平整光滑;當(dāng)m=80時,整體上對地物邊界的擬合較準(zhǔn)確且超像素的邊界較平整,然而,位于陰影區(qū)域內(nèi)的建筑物邊界,很難利用光譜特征進(jìn)行區(qū)分;當(dāng)光譜權(quán)重m=120時,部分地面和屋頂在較大的灰度梯度下卻被劃分為同一區(qū)域,對光譜信息不夠敏感。當(dāng)加入高程特征后,如圖1(f)所示,可以看出處于陰影區(qū)域的屋檐邊界的擬合是準(zhǔn)確的。因此,在高程差較大時,光譜特征相差不大,可以利用高程差進(jìn)行像元的相似性判斷,引入高程特征向量后,對于具有一定規(guī)則高度的區(qū)域,可以克服灰度特征混淆產(chǎn)生的誤分割問題。

圖1 不同參數(shù)下的初始分割結(jié)果(局部)

1.2 融合高程信息的區(qū)域合并算法

在預(yù)分割結(jié)果的基礎(chǔ)上,建立相鄰超像素間的相似性指標(biāo),將過分割的大尺度地物進(jìn)行區(qū)域合并,可有效提高分割結(jié)果的視覺效果和地物的分割精度。

1.2.1 鄰域列表記錄相鄰區(qū)域

經(jīng)典的區(qū)域合并算法有區(qū)域鄰接圖(region adjacent graph,RAG)及鄰近圖(nearest neighbor graph,NNG)[14, 16],針對及時更新區(qū)域間的鄰接關(guān)系、提高合并效率這一關(guān)鍵點(diǎn),在全局優(yōu)化框架下考慮所有的鄰接關(guān)系是不必要的,因此本文采取了更高運(yùn)算效率的鄰域數(shù)組(neighborhood array,NA)的數(shù)據(jù)結(jié)構(gòu)[15]。如圖2、表1所示,針對每個區(qū)域單獨(dú)建立長度可變的列表Li存儲相鄰區(qū)域標(biāo)簽。這種數(shù)據(jù)結(jié)構(gòu)僅需遍歷當(dāng)前區(qū)域,相比RAG需要遍歷全局,在長度上有所降低。合并后,降低了某些區(qū)域列表的長度和區(qū)域個數(shù),增加了區(qū)域合并算法的效率。通過設(shè)置合并閾值,在合并準(zhǔn)則判定時,記錄每個區(qū)域鄰域的容器會不斷更新,具備較低的時間和空間復(fù)雜度。

表1 區(qū)域鄰接

圖2 合并前后的區(qū)域鄰接

1.2.2 高程分級雙閾值合并策略

(5)

(6)

(7)

(8)

圖3在預(yù)分割結(jié)果的基礎(chǔ)上,結(jié)合不同相似性指數(shù)的區(qū)域合并結(jié)果。當(dāng)分割方法中沒考慮高程信息,圖3(b)處于陰影部分的屋頂與地面由于灰度相似產(chǎn)生了誤合并;圖3(c)由于高程特征向量的權(quán)重較小,屋頂部分沒有完整合并;圖3(d)、(e)的合并能區(qū)分陰影中的屋頂與地面,但由于對高差梯度的權(quán)重較大,對具有高度不平整頂面的地物難以設(shè)置準(zhǔn)確的高差閾值,閾值過小則需進(jìn)行過多次數(shù)的合并,閾值過大,則忽略的信息較多;由圖3(f)可知,基于高程分級的雙閾值合并策略一定程度上兼顧了影像的光譜梯度和高程梯度,在具有復(fù)雜高度和光譜信息的區(qū)域具備較好的區(qū)域合并結(jié)果。

圖3 不同合并策略和不同合并參數(shù)的局部對比試驗(yàn)

2 結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)與平臺

試驗(yàn)數(shù)據(jù)集1為ISPRS的公開數(shù)據(jù)集中的Hessigheim 3D(H3D)激光點(diǎn)云和三維紋理網(wǎng)格[17]。該數(shù)據(jù)集點(diǎn)云的平均密度約為800點(diǎn)/m2,本文試驗(yàn)數(shù)據(jù)為2019年3月Hessigheim部分區(qū)域中含大量建筑物區(qū)域的點(diǎn)云數(shù)據(jù)。針對帶有光譜波段的點(diǎn)云數(shù)據(jù),通過點(diǎn)云網(wǎng)格化[18-19]輸出含有R、G、B和高程信息的4波段的遙感影像網(wǎng)格數(shù)據(jù),影像柵格大小為2519×2055 像素。試驗(yàn)數(shù)據(jù)集2為融合DSM的震后低空遙感影像數(shù)據(jù),每個像元的波段分別為R、G、B和高程波段,影像柵格大小為2377×3553 像素。試驗(yàn)數(shù)據(jù)如圖4所示。試驗(yàn)的平臺環(huán)境為Python 3.8.10;CPU為AMD Ryzen 7 5800H;16 GB內(nèi)存;Windows 10操作系統(tǒng)。

圖4 試驗(yàn)數(shù)據(jù)

2.2 試驗(yàn)結(jié)果與分析

分別利用傳統(tǒng)和融合高程信息的SLIC分割算法,對兩種試驗(yàn)數(shù)據(jù)進(jìn)行初始區(qū)域分割和對比分析,試驗(yàn)對比結(jié)果局部區(qū)域如圖5所示(A、C組為基于光譜信息的初始分割,B、D組為融合高程信息后的初始分割)。參數(shù)設(shè)置如下:光譜權(quán)重m=80,區(qū)域數(shù)量k=2000,高程權(quán)重λ=5。由初始分割試驗(yàn)結(jié)果可知,在分割方法中引入高程信息后,本文方法對于具有復(fù)雜光譜信息的建筑物,能避免由于光線明暗等問題引起的誤分割,準(zhǔn)確地?cái)M合建筑物邊界。對于陰影區(qū)域的地物,能避免僅依賴光譜難以劃分的情況,準(zhǔn)確識別出陰影區(qū)域內(nèi)具有一定高度的地物。對于某些僅進(jìn)行光譜特征相似性判斷,與其他地物相似的區(qū)域(如道路與淺色草地),能獲取更多的地物信息,準(zhǔn)確地進(jìn)行劃分。對于光譜相似的植被區(qū)域的樹木與草地,由樹木和草地的高程差等信息擬合樹木的邊界。對于震后影像中局部建筑物,即使區(qū)域具備復(fù)雜的光譜信息,依然能較好地?cái)M合建筑物邊界。因此,在面對具有復(fù)雜光譜信息和高程信息的大范圍區(qū)域,本文算法對地物邊界的擬合效果更好。

圖5 兩種試驗(yàn)數(shù)據(jù)初始分割結(jié)果局部

傳統(tǒng)的基于灰度梯度的遙感影像閾值分割,處于光線陰影的區(qū)域、具有復(fù)雜光譜信息的表面的地物和頂面不平整的地物會導(dǎo)致誤分割的產(chǎn)生。本文提出的融合高程信息的遙感影像閾值分割,一定程度上能克服光線陰影、亮度等帶來的影響。在高程差不是很大的情況下,光譜差異較小,屬于同一地物的可能性較大;在高程差較大時,光譜特征相差不大,可以利用高程差進(jìn)行像元的相似性判斷。當(dāng)依賴光譜信息難以區(qū)分時,有效利用了地物高程信息來進(jìn)行地物邊界的較精確擬合。由于最終的地物分割結(jié)果由預(yù)分割的超像素合并而成,因此,預(yù)分割步驟的分割質(zhì)量具有決定性的意義。預(yù)分割試驗(yàn)結(jié)果表明,本文引入高程信息的初始分割方法作為后續(xù)區(qū)域合并的基礎(chǔ)步驟是合適的。

圖6為兩個數(shù)據(jù)集局部典型地物分割合并結(jié)果,在傳統(tǒng)的基于光譜特征的相似性準(zhǔn)則中,引入高程特征后,當(dāng)建筑物頂面區(qū)域與地面區(qū)域在光譜上相似時,可以通過區(qū)域之間高程屬性差進(jìn)行區(qū)分,對草地與水面的邊界均能較準(zhǔn)確地?cái)M合;在具有復(fù)雜光譜信息和高程信息的區(qū)域,同樣能較完整地保持建筑物區(qū)域的邊界。因此,在處理過程中,沒有產(chǎn)生誤合并現(xiàn)象,獲取了較好的分割結(jié)果。

圖6 區(qū)域合并試驗(yàn)結(jié)果局部

3 結(jié) 語

在光學(xué)遙感影像聚類分割與區(qū)域合并的基礎(chǔ)上,本文提出了一種融合高程信息的遙感影像超像素分割與區(qū)域合并方法。該方法首先在超像素預(yù)分割步驟中引入高程信息,有效地克服了僅依賴光譜信息產(chǎn)生的誤分割,提高了遙感影像分割的準(zhǔn)確性。然后在預(yù)分割時,利用鄰域數(shù)組的數(shù)據(jù)結(jié)構(gòu),建立了加權(quán)結(jié)合高程特征的綜合相似性準(zhǔn)則。最后針對具有復(fù)雜高程的地物,根據(jù)相鄰聚類間高程差設(shè)置合并前的判定條件,依據(jù)判定結(jié)果在綜合相似性指數(shù)中設(shè)置不同大小的權(quán)重系數(shù)進(jìn)行區(qū)域合并。通過目視法對結(jié)果進(jìn)行對比分析,表明本文方法具備一定的泛化能力,相比傳統(tǒng)的僅基于光譜信息閾值的遙感影像分割與區(qū)域合并方法,對大面積的具有復(fù)雜光譜信息和高程信息的遙感影像分割結(jié)果較準(zhǔn)確。