摘 ?要： 超像素分割是目前用于遙感影像分割的研究熱點(diǎn)，但它易產(chǎn)生過(guò)度分割的問(wèn)題。為解決過(guò)度分割問(wèn)題，提出一種簡(jiǎn)單線性迭代聚類（SLIC）結(jié)合快速FCM聚類算法（Fast fuzzy C-means，F(xiàn)FCM）的遙感圖像分割方法。該方法首先用SLIC算法對(duì)初始影像進(jìn)行預(yù)分割;然后使用FFCM對(duì)獲取的超像素進(jìn)行合并。本文將分形網(wǎng)絡(luò)演化方法（FNEA）作為對(duì)比實(shí)驗(yàn)方法。實(shí)驗(yàn)結(jié)果表明，本文提出方法的分割結(jié)果與實(shí)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(guān)鍵詞： 遙感圖像;圖像分割;超像素;過(guò)分割;分形網(wǎng)絡(luò)演化方法

中圖分類號(hào)： P237 ? ?文獻(xiàn)標(biāo)識(shí)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(jié)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(zhǔn)則把圖像分割成具有特殊語(yǔ)義信息的若干不同子區(qū)域。遙感圖像分割是遙感圖像處理中一項(xiàng)非常重要的技術(shù)，在遙感圖像處理中扮演著一個(gè)重要的角色，同時(shí)也是圖像處理中的重點(diǎn)和難點(diǎn)[1-2]。隨著攝影測(cè)量和遙感等技術(shù)的發(fā)展，對(duì)遙感圖像的分割成為了一個(gè)研究熱點(diǎn)。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(lái)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(diǎn)所構(gòu)成的圖像子區(qū)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(qū)域。

超像素發(fā)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]?；趫D論的方法主要包括圖論方法[4]、超像素網(wǎng)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(guò)度分割等現(xiàn)象。

本文針對(duì)超像素過(guò)分割問(wèn)題，提出了一種SLIC結(jié)合FFCM的遙感圖像分割方法。該方法同時(shí)具有運(yùn)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(shù)目等優(yōu)點(diǎn)。本文算法的基本思想是先用SLIC超像素法對(duì)遙感圖像進(jìn)行分割;然后用FFCM進(jìn)行合并。這種方法很好地解決了過(guò)分割問(wèn)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(gè)步驟：① 用SLIC算法對(duì)初始影像進(jìn)行超像素分割;② 使用FFCM對(duì)超像素進(jìn)行初合并，③ 通過(guò)聚類有效性分析指標(biāo)確定聚類數(shù)目，并確定合適的遙感圖像分割數(shù);④ 依據(jù)確定的合適圖像分割數(shù)，采用FFCM算法對(duì)超像素進(jìn)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(guān)注和成為了一個(gè)新的研究熱點(diǎn)。超像素是指對(duì)具有相似特征的相鄰像素進(jìn)行聚類，特征主要包括紋理、顏色、亮度等，然后產(chǎn)生形狀不完全規(guī)則和具有一定視覺(jué)意義的像素塊。SLIC算法的實(shí)質(zhì)是一種改進(jìn)的K均值聚類算法。它將彩色圖像轉(zhuǎn)換為5維特征向量，根據(jù)CLELAB顏色空間和 XY坐標(biāo)下的特征向量構(gòu)造相似度量的標(biāo)準(zhǔn)，對(duì)相似的像素點(diǎn)聚類生成超像素。SLIC算法能有效解決“椒鹽”噪聲的問(wèn)題，不但可以設(shè)置生成超像素的個(gè)數(shù)，而且能夠生成形狀規(guī)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(diǎn)。首先預(yù)設(shè)其有N個(gè)像素點(diǎn)，SLIC算法運(yùn)行后分成了大小相同的K個(gè)超像素，每個(gè)超像素的尺寸大小用 N/K來(lái)表示。種子點(diǎn)間的距離可以表示為。為了避免影響后續(xù)的聚類結(jié)果，種子點(diǎn)在鄰域內(nèi)的3×3的窗口內(nèi)移動(dòng)，同時(shí)計(jì)算所有像素點(diǎn)的梯度值，并且保證移動(dòng)到梯度值最小的位置上，防止種子點(diǎn)被分配到影像的邊緣位置或噪聲點(diǎn)的位置。并且分配標(biāo)簽到每個(gè)種子點(diǎn)上。

（2）相似性度量。對(duì)每個(gè)像素進(jìn)行搜索，計(jì)算像素點(diǎn)與種子點(diǎn)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(guān)系如下：

（1）

（2）

（3）

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

在分割實(shí)驗(yàn)測(cè)試中，SLIC算法參數(shù)的設(shè)置大小會(huì)直接影響到超像素分割的效果，不同的參數(shù)大小會(huì)產(chǎn)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(jīng)提出便得到了廣泛的關(guān)注。目前，F(xiàn)CM算法已被成功應(yīng)用于數(shù)據(jù)挖掘、遙感影像非監(jiān)督分類、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、遙感影像分割等諸多領(lǐng)域。FCM算法根據(jù)遙感圖像中像元點(diǎn)到聚類中心的加權(quán)距離來(lái)實(shí)現(xiàn)遙感圖像分割。FCM算法首先構(gòu)建目標(biāo)函數(shù)，具體計(jì)算公式如下：

（4）

式中，J表示為目標(biāo)函數(shù);表示為硬劃分矩陣，取值區(qū)間為{0， 1};表示為一個(gè)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(gè)樣本點(diǎn)和第i類的聚類中心間的失真度，常采用距離函數(shù)對(duì)其進(jìn)行度量;表示為聚類加權(quán)指數(shù)，用來(lái)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(duì)式（4）進(jìn)行求解，通過(guò)計(jì)算可以得到隸屬度函數(shù)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(lǐng)域具有較為廣泛的應(yīng)用，但FCM方法過(guò)分地依賴初始聚類中心，此外還需事先確定聚類的數(shù)目。同時(shí)，F(xiàn)CM算法計(jì)算量大，造成圖像分割速度慢。基于此，林開(kāi)顏等（2004）[17]提出了FFCM算法，該算法首先對(duì)目標(biāo)函數(shù)進(jìn)行改進(jìn)：

（7）

表示子集數(shù)。對(duì)應(yīng)的，其聚類中心的公式為：

（8）

隸屬度計(jì)算公式仍為（5），涉及距離計(jì)算時(shí)，用

（9）

A表示p×p的正定矩陣。

2 ?實(shí)驗(yàn)與分析

2.1 ?實(shí)驗(yàn)數(shù)據(jù)及平臺(tái)

本次實(shí)驗(yàn)使用的數(shù)據(jù)為無(wú)人機(jī)平臺(tái)獲取的高空間分辨率遙感影像，具有紅、綠、藍(lán)3個(gè)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(duì)應(yīng)的參考影像。本文采用FNEA算法調(diào)整參數(shù)進(jìn)行分割實(shí)驗(yàn)來(lái)與本文提出方法的分割結(jié)果進(jìn)行對(duì)比。

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

（c） 本文提出方法結(jié)果

（d） FNEA（50）

（e） FNEA（100）

圖2 ?實(shí)驗(yàn)結(jié)果

Fig.2 ?The results of experiment

本文所采用的實(shí)驗(yàn)平臺(tái)為Inter Core i5，2G獨(dú)顯及4 GB內(nèi)存，Windows 10操作系統(tǒng)。實(shí)驗(yàn)的程序通過(guò)Matlab R2016a編譯實(shí)現(xiàn)。

2.2 ?精度評(píng)價(jià)

為把實(shí)驗(yàn)結(jié)果更直觀地表示出來(lái)，本文采用P-R方法來(lái)評(píng)價(jià)實(shí)驗(yàn)輸出結(jié)果的有效性。當(dāng)兩個(gè)指標(biāo)的值均更接近1時(shí)，則說(shuō)明實(shí)驗(yàn)效果符合需求，分割效果更好，具體計(jì)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(jié)果像素的樣本個(gè)數(shù);FP為背景像素被分為地物像素分割結(jié)果的樣本個(gè)數(shù);FN為地物分割結(jié)果被分為背景像素的樣本個(gè)數(shù)。

2.3 ?實(shí)驗(yàn)結(jié)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(shù)設(shè)置：Cluster=4，k=500;為了驗(yàn)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(jìn)行對(duì)比，并進(jìn)行了兩組實(shí)驗(yàn)，參數(shù)設(shè)置為scale=50，scale=100，分別如圖2（d）、圖2（e）所示;FNEA技術(shù)的關(guān)鍵在于對(duì)兩個(gè)影像圖像間異質(zhì)度的定義和描述。這種異質(zhì)性是由兩個(gè)對(duì)象的光譜和形狀差異決定的。由圖2可以看出，F(xiàn)NEA（50）產(chǎn)生嚴(yán)重過(guò)分割現(xiàn)象，而且其地物邊緣很破碎，對(duì)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(duì)于FNEA（50）有了很大改善，但對(duì)道路還是產(chǎn)生了過(guò)分割。故FNEA算法對(duì)具有較大光譜異質(zhì)性的相同地物無(wú)法進(jìn)行有效辨別，容易出現(xiàn)過(guò)分割現(xiàn)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(duì)影像圖2（a）分割結(jié)果的Precision和Recall的評(píng)價(jià)結(jié)果。FNEA（50）的Precision指標(biāo)值為：0.7569，F(xiàn)NEA（100）的Precision指標(biāo)值為0.7689，而本文方法的Precision指標(biāo)值為0.7751，本文提出的方法對(duì)圖2（a）分割得到的結(jié)果其Precision大于兩種不同分割尺度的FNEA方法，說(shuō)明本文方法對(duì)地物分割結(jié)果的精度優(yōu)于FNEA算法。此外，本文提出方法的Recall指標(biāo)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(shuō)明本文提出方法邊界吻合度較高，邊界附著性較好。綜上，說(shuō)明本文方法對(duì)遙感圖像分割的效果更好。

圖3 ?分割結(jié)果精度

Fig.3 ?The accuracy of segmentation results

3 ?結(jié)論

針對(duì)超像素分割容易產(chǎn)生過(guò)分割，及難以得到相似度高的分割結(jié)果的問(wèn)題，本文提出了一種SLIC結(jié)合FFCM算法的遙感圖像分割方法。首先通過(guò)SLIC算法對(duì)遙感圖像進(jìn)行預(yù)分割，獲取超像素，減少圖像噪聲對(duì)分割結(jié)果的影響;然后根據(jù)設(shè)定的初始聚類數(shù)，使用FFCM對(duì)超像素進(jìn)行初始聚類合并;接著通過(guò)聚類有效性分析指標(biāo)確定合適的聚類數(shù)目;最后根據(jù)確定的合適聚類數(shù)目采用FFCM算法對(duì)超像素進(jìn)行最終聚類合并，得到最終的遙感圖像分割結(jié)果。實(shí)驗(yàn)結(jié)果證明，本文提出的方法解決了易形成過(guò)分割的問(wèn)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(shù)均通過(guò)人工設(shè)置，下一步將針對(duì)本文方法自動(dòng)選取合適參數(shù)的問(wèn)題進(jìn)行研究。

參考文獻(xiàn)

[1]楊玚， 謝華成. 基于馬爾科夫隨機(jī)場(chǎng)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(yī)學(xué)圖像分割技術(shù)的計(jì)算機(jī)模擬及應(yīng)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(jì)算機(jī)應(yīng)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(cè)繪科學(xué)技術(shù)學(xué)報(bào)， 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(wèi)莉.基于分水嶺算法和圖論的圖像分割[J]. 計(jì)算機(jī)工程與應(yīng)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(kāi)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(guó)圖象圖形學(xué)報(bào)， 2004， 9（2）： 159-163.