唐曉芳，詹總謙，丁久婕，劉佳輝，熊子柔

武漢大學測繪學院，湖北 武漢 430079

無人機(unmanned aerial vehicle,UAV)低空遙感已經(jīng)成為國家自然資源快速調(diào)查[1]、應急測繪[2]與災害監(jiān)測[3]的重要技術(shù)手段。但高空間分辨率特性帶來的地物類別繁雜、紋理細節(jié)豐富、輪廓邊界錯綜復雜等問題，給自動化影像分割識別帶來了巨大挑戰(zhàn)[4]。如何實現(xiàn)無人機影像的高精度智能化分割已成為當前的研究熱點之一[5]。

理想影像分割是一個綜合考慮各種信息和視覺效果來模擬人類視覺系統(tǒng)解譯影像的過程[6]。分形網(wǎng)絡演化[7](fractal net evolution approach,FNEA)憑借其結(jié)合形狀、光譜、紋理信息的優(yōu)勢廣泛應用于影像分析領(lǐng)域，但該分割方法需要設置多種參數(shù)，利用手動試錯的方式才能得到較好的分割效果，難以滿足當前分割任務需要。在實際應用中，模糊C均值聚類[8](fuzzy C-means,FCM)是各領(lǐng)域最常用的分割方法之一，相對于其他方法主要有3個明顯的優(yōu)勢：FCM是一種無監(jiān)督無標簽的聚類分割，減少了人為干預[9]；FCM分割模型參數(shù)少且穩(wěn)定性好；FCM具有較強的空間約束能力，能夠有效的挖掘并融合影像特征信息，易于與其他方法相結(jié)合[10-11]。越來越多的FCM方法應用到影像分割領(lǐng)域中，文獻[12]將直方圖和遺傳算法融入FCM算法，對高分辨率無人機航拍影像進行分割和車輛提??；文獻[13]利用FCM對無人機航拍影像進行顏色分類，估算出各主色調(diào)相似的分布圖，最后進行水平集方法分割；文獻[14]提出一種對數(shù)函數(shù)FCM算法分割無人機影像。這些試驗均表明FCM推動了無人機影像分割的發(fā)展。

超像素的出現(xiàn)也為FCM聚類分割提供了新思路[15]，文獻[16]提出了一種用于彩色圖像分割的超像素的快速FCM聚類算法,該算法利用自適應形態(tài)學重建[17]生成超像素，將超像素引入FCM目標函數(shù)，避免像素點的重復運算。文獻[18]在快速FCM聚類的基礎上提出一種改進的FCM算法，將原始超像素算法替換成簡單線性迭代聚類[19](simple linear iterative clustering,SLIC)來生成超像素，達到更佳的分割效果。針對地物復雜，目標多樣的高分辨率遙感影像，文獻[20]提出了一種高分辨率遙感影像分割方法，該方法應用形態(tài)學重建分水嶺得到超像素影像，融合光譜特征的FCM合并超像素，得到了很好的高分辨影像分割效果。

上述方法不可避免地存在一些問題：①大多方法僅適用于背景簡單、目標單一的彩色圖像，不能直接用于無人機影像分割，否則會出現(xiàn)嚴重的錯分誤分現(xiàn)象；②無人機影像分辨率高，現(xiàn)有聚類分割方法難以提取精細的地物信息，無法準確捕捉邊界細節(jié)輪廓，分割結(jié)果邊界依附能力弱；③由于沒有充分考慮超像素之間的不確定性，沒有在分割過程中引入超像素間相互影響的信息，導致現(xiàn)有的基于超像素的模糊聚類方法分割結(jié)果不穩(wěn)定，即在相同參數(shù)設置的情況下產(chǎn)生不同的分割結(jié)果；④當前聚類分割方法大都需要手動設置聚類數(shù)目，無法實現(xiàn)全自動聚類分割。

針對上述問題，本文采用邊界推進分水嶺超像素算法(boundary marching watershed super-pixels,BMWS)來有效貼合地物真實邊界，以解決分割結(jié)果邊界依附能力弱這一問題，利用隱式馬爾可夫隨機場(hidden Markov random field,HMRF)和重縮放密度峰值(rescaled density peak,RDP)算法來克服現(xiàn)有流行FCM分割不穩(wěn)定、需要手動設置聚類數(shù)目等難點，提出了一種顧及超像素光譜特征的無人機影像自動模糊聚類分割方法(boundary marching watershed super-pixels based rescaled density peak M-FCM,BWRM-FCM)，該方法不僅可以生成具有精確邊界、形狀規(guī)則緊湊的超像素，構(gòu)造自適應鄰域信息，還能自動獲取聚類數(shù)目，并利用融合超像素區(qū)域光譜特征與隱式馬爾可夫隨機場的FCM聚類，獲得比現(xiàn)有方法更穩(wěn)定精確的分割結(jié)果。

1 方法原理

本文方法主要包括兩個部分：第1部分采用邊界推進分水嶺超像素算法，得到邊界依附性強同時緊湊性高的超像素子區(qū)域；第2部分提取超像素子區(qū)域光譜特征，在此基礎上利用重縮放密度峰值算法自動獲取聚類數(shù)目，最后采用隱式馬爾可夫隨機場FCM聚類(hidden Markov random field FCM，M-FCM)合并超像素，實現(xiàn)無人機高分辨率影像高精度分割。本文方法的整體流程如圖1所示。

圖1 本文分割算法整體流程Fig.1 The flowchart of the proposed segmentation algorithm

1.1 邊界推進分水嶺超像素(BMWS)

超像素是由相鄰像素構(gòu)成的具有相似顏色、紋理、亮度或其他屬性的子塊[19]。分水嶺超像素[21](watershed superpixels,WP)因其處理速度快、所需參數(shù)少被廣泛應用，但WP算法生成的超像素邊界依附和形狀緊湊相互抑制，因此在相對較弱的真實邊緣上往往表現(xiàn)不佳[22]。同時，其他常用超像素包括SLIC和線性譜聚類[23](linear spectral clustering,LSC)也存在這樣的問題。

為了解決這個問題，本文借鑒了分水嶺超像素全局和局部邊界兩步推進準則(watershed-based superpixels with global and local boundary marching，WSGL)[24]來生成超像素，這兩準則分別關(guān)注全局邊界依附性和局部邊界形狀規(guī)則性，可以在短時間內(nèi)獲取邊界依附性強同時形狀規(guī)則緊湊的無人機高分辨率影像超像素，克服了大多超像素邊界依附性和緊湊性必然互相抑制的缺點。

本文得到的超像素算法步驟描述如下。

第1步：獲得無人機原始影像sobel梯度圖。

第2步：分水嶺初分割。在具有N個超像素的影像中，分水嶺變換從種子點像素開始擴展到主邊界像素，使用顏色同質(zhì)性和尺寸約束條件的總和作為優(yōu)先級度量，優(yōu)先級較低的像素作為邊界像素推入最后一個隊列(圖2(a))，第3步將重新檢查邊界像素。

第3步：全局邊界推進。取出最后一個隊列中所有邊界像素，檢查其鄰近超像素，并對邊界像素重新貼標簽(圖2(b))。然后對具有不同標簽的像素進行標記，新的未確定標記的邊界像素被推送到下一個隊列進行push和pop操作，重復處理直到所有相鄰邊界像素被重新標記，或者直到下一個隊列到達M1隊列時停止(圖2(c))。

第4步：局部邊界推進。為了保證同質(zhì)或顏色漸變區(qū)域的超像素是規(guī)則緊湊的，通過檢查細節(jié)相對不豐富區(qū)域的平均梯度來選擇邊界像素，并再次推進，這個過程稱為局部邊界推進。這一步利用同質(zhì)區(qū)域梯度較低這一特性，將滿足條件(邊界像素平均梯度小于梯度閾值)的像素推入第一個隊列(圖2(d))，重復彈出并標記直到所有邊界像素被標記或達到M2隊列(圖2(e))時停止。

圖2 邊界推進Fig.2 Illustration of boundary marching

圖3是超像素的生成過程示例圖。第1步得到梯度圖像；第2步生成的初始超像素缺乏邊界依附性；第3步全局邊界推進后，超像素邊界依附性得到改善，但形狀變得極為不規(guī)則；第4步局部邊界推進后，超像素邊界依附性高同時邊界的輪廓形狀規(guī)則緊湊。該方法僅對邊界像素進行多次處理，因此具有時間效率。

1.2 全自動模糊聚類分割算法(RM-FCM)

FCM是一種依賴于全局特征的無監(jiān)督方法，而超像素的生成依賴于局部特征[25]，二者結(jié)合用于影像分割，能顯著提升分割效果；但現(xiàn)有結(jié)合超像素的FCM分割方法受到分割不穩(wěn)定，需人工設定聚類數(shù)目的限制。為了克服這些限制，本文基于超像素光譜特征，將重縮放密度峰值算法自動獲取的聚類數(shù)融入隱式馬爾可夫隨機場FCM(rescaled density peak M-FCM,RM-FCM)算法中，從而實現(xiàn)全自動分割。

圖3 超像素生成過程Fig.3 Process of superpixel generation

1.2.1 超像素子區(qū)域光譜特征

本文采用區(qū)域光譜均值的統(tǒng)計直方圖來描述超像素的光譜特征。原始影像經(jīng)超像素算法獲得了N個超像素，每個超像素均視為一個子區(qū)域，子區(qū)域?i(i=1,2,…,N)光譜均值表示為ζi={Ri,Gi,Bi}。其中

(1)

(2)

(3)

式中，Rj、Gj、Bj分別表示超像素子區(qū)域?i中某一像素j的R、G、B顏色空間的向量值；hi表示?i中的像素點個數(shù)。令S={ζi|i=1,2,…,N}為影像所有超像素在R、G、B顏色空間中的光譜特征集合，特征直方圖H={hi|i=1,2,…,N}為對應光譜特征ζi的像素個數(shù)。圖4為顏色光譜特征分布及其特征直方示例圖。

圖4 超像素光譜特征示例Fig.4 Illustration of superpixel spectrum features

1.2.2 重縮放密度峰值算法

聚類所提供的影像分割結(jié)果往往取決于聚類的數(shù)目?？焖倜芏确逯邓惴╗26](clustering by fast search and find of density peaks,CFSFDP/DP)可以自動識別潛在的聚類中心數(shù)目，但將該方法直接用于無人機高分辨率影像分割會增加計算復雜度。利用超像素子區(qū)域的光譜特征分布及其特征直方圖，可以有效提高DP算法的計算效率。根據(jù)超像素光譜特征和DP算法原理，用ρi表示的局部密度,δi表示的最小距離如式(4)、式(5)所示

(4)

(5)

式中，Dij表示第i個和第j個超像素之間的歐氏距離；dc是截止距離，通常取2%；δi表示區(qū)域i與任何其他密度更高的區(qū)域之間的最小距離，具有最高局部密度超像素區(qū)域的δi=maxρj(Dij)。結(jié)合超像素光譜特征，Dij定義為

Dij=‖ζi-ζj‖

(6)

建立一個水平軸ρ和垂直軸δ的分布圖(圖5(a))，選擇同時滿足較高ρ和δ的超像素作為聚類中心。為了簡化聚類中心的選擇，DP算法單獨計算γi=ρiδi，可以得到圖5(b)所示的初始決策圖。

盡管可以根據(jù)歸一化排序后的γi決策圖(圖5(c))設置閾值選擇聚類數(shù)目，但很難為不同的影像自動提供合適的閾值。

直接利用DP算法獲取的決策圖只能夠?qū)崿F(xiàn)粗略的自動影像分割，無法精確提取出聚類中心。文獻[27]提出一種基于密度比的尋找不同密度聚類中心算法：將原始數(shù)據(jù)按其密度分布進行重縮放，即把密度高的區(qū)域進行擴張，密度低的區(qū)域繼續(xù)收縮。利用這種思想對DP算法進行處理，可以得到一個更加合理穩(wěn)定的決策圖。重縮放密度峰值算法目的是將原來的決策圖γi映射到一個新的決策圖φi中，尋找歸一化并降序排列的φi(圖5(d))的最大間隔以輸出聚類數(shù)目c

c=argmaxi(φi-φi+1)

(7)

輸入為歸一化γi，φi為映射結(jié)果，定義為

(8)

可以通過式(9)—式(10)計算ψ(χe)

(9)

(10)

式中，E={χ1,χ2,χ3,…,χa+1}為一組數(shù)據(jù)間隔，χ1=0,χ2=1/a,χ3=2/a,…,χa+1=1,a為范圍[0,1]內(nèi)的間隔數(shù)，通常設置為a=1000，1≤e≤a+1，η′為鄰域半徑，默認設置為0.1。

通過圖5可以看出，重縮放密度峰值算法能夠有效地區(qū)分聚類和非聚類中心，找到最佳聚類數(shù)以實現(xiàn)全自動聚類。

圖5 RDP算法結(jié)果Fig.5 Illustration of RDP results

1.2.3 隱式馬爾可夫隨機場模糊聚類(M-FCM)

傳統(tǒng)的FCM算法需要計算每個像素點到聚類中心的距離，當影像分辨率較高時，計算復雜度很高。增強FCM[28]通過在灰度級而不是像素上進行聚類來提高計算效率，在此基礎上，文獻[20]將超像素光譜特征融入FCM進行高分辨率影像分割，不僅降低了計算復雜度，還將自適應局部空間信息引入目標函數(shù)來提高影像分割效果，其目標函數(shù)J定義為

(11)

上述方法僅使用歐氏距離來度量不同超像素區(qū)域之間的相似性，沒有考慮超像素間相互影響的信息，這些會導致復雜影像分割結(jié)果不佳。為此，引入隱式馬爾可夫隨機場[15,29]來提高影像分割效果，本文將FCM算法的靈活性與HMRF模型[30-31]的空間模式建模能力相結(jié)合，利用超像素和RDP提供的聚類數(shù)，提出的目標函數(shù)如下

(12)

在式(12)中，多元高斯分布Φ(ζl|vk,Σk)定義為

Φ(ζl|vk,Σk)=ln(-ρ(ζl|vk,Σk))

(13)

式中，ρ(ζl|vk,Σk)是高斯密度函數(shù)，定義為

(14)

式中，D代表影像數(shù)據(jù)的維數(shù)；Σk是一個D×D的對角矩陣；|Σk|為Σk的行列式，于是可以得到

ln|Σk|+Dln(2π))

(15)

(16)

式中，λ1和λ2是拉格朗日乘子，通過求解，可以得到

(17)

(18)

(19)

(20)

根據(jù)式(17)—式(20)，得到結(jié)果矩陣U=[μlk]N×c，聚類中心矩陣V=[vlk]D×c，協(xié)方差矩陣Σ=[Σk]D×D×c和先驗概率π=[πk]1×c。為了獲得最優(yōu)解，設置迭代次數(shù)t，不斷迭代至max{Ut-Ut+1}<η(最小誤差閾值)時停止。

總結(jié)上述算法流程，得到用于無人機影像的顧及超像素光譜特征的自動模糊聚類分割算法(BWRM-FCM)，如算法1所示。

算法1：BWRM-FCM

輸入:原始影像(Image),N

初始化:U0,V0,Σ0,π0,t=50,η=10-5

通過邊界推進分水嶺超像素(BMWS)算法得到S和H，即

(S,H)=BMWS(Image,N)

S={ζi|i=1,2,3,…,N}

H={hi|i=1,2,3,…,N}

通過重縮放密度峰值(RDP)算法得到c，即

c=argmaxi(φi-φi+1)

Repeat

通過式(17)更新Ut+1

通過式(18)更新Vt+1

通過式(19)更新Σt+1

通過式(20)更新πt+1

if max{Ut-Ut+1}<ηthen

Break;

else

t←t+1

else if

Until達到最大迭代次數(shù)

通過ResImage=display(U,V)得到ResImage

輸出:結(jié)果影像ResImage

2 試驗與分析

2.1 試驗數(shù)據(jù)

本文選取了兩組數(shù)據(jù)(表1)進行試驗：第1組試驗數(shù)據(jù)記作A，包含紅、綠、藍3個波段的地物簡單的無人機影像；第2組試驗數(shù)據(jù)記作B，包含3幅地物較為復雜的影像，其中2幅是包含紅、綠、藍3個波段的無人機影像，另外1幅是ISPRS提供的高分辨率航空正射影像，包含近紅外、紅、綠3個波段。

表1 試驗數(shù)據(jù)介紹

2.2 超像素試驗效果與穩(wěn)定性分析

2.2.1 超像素試驗效果對比

采用SLIC、LSC、WP、WSGL和本文方法對第1組圖像進行超像素分割，證明本文采用的超像素生成方法的有效性，圖6分別給出了獲得的超像素示例圖。根據(jù)原文選擇最優(yōu)參數(shù)，超像素個數(shù)設置N=1500。由圖6可以看出，SLIC結(jié)果為規(guī)則多邊形，但沒有充分遵守邊界；LSC和WSGL這兩種方法可以很好地依附邊界，但是形狀不夠緊湊，很難區(qū)分復雜地物細節(jié)；WP邊界依附能力弱且形狀不規(guī)則。這4種方法生成的超像素沒有辦法同時滿足邊界依附性和形狀規(guī)則性。結(jié)合表2，本文方法在兼顧效率的情況下，實現(xiàn)了邊界強依附性及細節(jié)不豐富區(qū)域超像素的規(guī)則和緊湊。

圖6 超像素結(jié)果對比Fig.6 Comparison of superpixel results

表2 超像素運行時間

2.2.2 算法穩(wěn)定性分析

本文提出的是一種穩(wěn)定準確的分割算法流程，為了驗證該方法的穩(wěn)定性，即聚類分割結(jié)果和設置的超像素個數(shù)無關(guān)。選擇第1組數(shù)據(jù)，分別設置超像素個數(shù)為800、1000、1200、1400進行試驗，模糊聚類分割結(jié)果如圖7所示。結(jié)果表明：在合適的范圍內(nèi)，對不同個數(shù)的超像素聚類后的分割結(jié)果幾乎一致，因此改進的聚類算法穩(wěn)定性較高，超像素數(shù)目對分割結(jié)果影響很小。

圖7 聚類穩(wěn)定性分析Fig.7 Analysis of cluster stability

2.3 影像分割試驗分析

為了充分驗證本文方法的優(yōu)越性，本文采用定性和定量兩種方式進行試驗結(jié)果精度評價。選用8種分割方法進行定性比較，為了方便，簡化了8種方法的名稱，見表3。FNEA是分形網(wǎng)絡演化算法，M-IFCM是文獻[20]提出的分割算法，BWRM-FCM是本文方法。方法M-RFCM、S-RFCM、L-RFCM、W-RFCM與BWRM-FCM對比試驗的目的是分析超像素對分割結(jié)果的影響，B-IFCM和BWRM-FCM對比試驗用于揭示不同聚類合并算法對分割效果的影響。

2.3.1 第1組試驗結(jié)果

除FNEA以外，其余對比方法和本文方法都需設置3個必要參數(shù)，即加權(quán)指數(shù)，最小誤差閾值和最大迭代次數(shù)，分別設為2、10-5和50。對比方法選擇最優(yōu)參數(shù)或遵循原文：FNEA經(jīng)過多次手動調(diào)整參數(shù)(包括形狀權(quán)重S，緊湊度權(quán)重C，分割尺度SP)選擇最佳分割結(jié)果進行展示；M-IFCM和B-IFCM需對不同影像手動設置不同的聚類數(shù)目c；M-RFCM無參數(shù)設置；方法S-RFCM、L-RFCM、W-RFCM、B-IFCM和BWRM-FCM超像素個數(shù)N統(tǒng)一設置為800。圖8—圖10展示出了分割視覺效果，為了更加方便地目視比較試驗結(jié)果，在結(jié)果圖中標注黃色矩形框來表示分割結(jié)果較差的區(qū)域。

表3 對比方法及其描述

圖8 A1試驗結(jié)果Fig.8 Experimental results of A1

圖9 A2試驗結(jié)果Fig.9 Experimental results of A2

圖10 A3試驗結(jié)果Fig.10 Experimental results of A3

A1包含了簡單建筑物、道路、片狀植被和獨立成排樹木，主要驗證算法對植被特別是單個樹木的提取效果。圖8中，F(xiàn)NEA無法清晰提取出單個樹木和道路的輪廓；M-IFCM可以提取出單個樹木的具體輪廓，但產(chǎn)生了輕微道路欠分割和房屋過分割；M-RFCM、S-RFCM和W-RFCM可以將光譜信息明顯的植被識別出來，但仍存在獨立樹木未分割出來或與道路錯誤分割現(xiàn)象；L-RFCM植被區(qū)域個別位置出現(xiàn)分割線極不規(guī)則；B-IFCM在紋理、光譜信息豐富的植被部分，無法有效合并多余超像素區(qū)域，導致分割過度破碎。A1分割結(jié)果中，本文方法BWRM-FCM的分割結(jié)果輪廓清晰、邊界附著效果好，保留了單個樹木及其他地物細節(jié)信息，取得了更接近目視解譯結(jié)果的分割效果。

A2為建筑區(qū)，顯著的細節(jié)信息和紋理結(jié)構(gòu)增加了分割難度。在圖9中，F(xiàn)NEA、M-IFCM和M-RFCM均存在欠分割現(xiàn)象；S-RFCM道路和植被分割邊界與參考邊界整體契合程度較高，但細節(jié)捕捉能力稍有不足。W-RFCM的分割效果最差，難以區(qū)分道路、植被和建筑物的邊界輪廓。B-IFCM無法提取道路邊界，建筑物內(nèi)部分割線過于扭曲。BWRM-FCM則能合理分割出道路、建筑物和植被，有效提取了細節(jié)信息，雖然在建筑物內(nèi)部也出現(xiàn)了分割線不規(guī)則現(xiàn)象，但整體上能達到較為滿意的視覺效果。

A3覆蓋了一個交通路口，如圖10所示。FNEA、M-IFCM和W-RFCM結(jié)果圖中，存在人行道和植被誤分割，地物的交界處的分割效果不理想；M-RFCM圖中三角區(qū)的植被無法識別，說明該方法難以實現(xiàn)對光譜特征差異不明顯的地物進行分割；B-IFCM產(chǎn)生了過分割；S-RFCM和L-RFCM的分割效果優(yōu)于前5種方法，仍存在些許的分割邊界線不規(guī)則現(xiàn)象。BWRM-FCM通過精確的擬合地物光譜和分布特征，達到了良好的目視分割結(jié)果。

2.3.2 第2組試驗結(jié)果

相較于第1組試驗，第2組試驗數(shù)據(jù)分辨率降低，包含的地物目標更加豐富，紋理結(jié)構(gòu)更加復雜，分割難度也隨之增加。圖11—圖13為第2組試驗結(jié)果，參數(shù)設置(除超像素個數(shù)N=1200外)與第1組試驗相同。

圖11 B1試驗結(jié)果Fig.11 Experimental results of B1

B1影像主要用來測試分割方法的邊界提取效果，如分割結(jié)果圖11所示，對于前景與背景明顯不同的影像，所有算法都能有效分割。在結(jié)果圖中標注白色矩形框來表示分割局部細節(jié)區(qū)域。局部細節(jié)圖中，由于方法S-RFCM和W-RFCM使用的超像素的邊緣附著能力弱，分割邊界提取效果明顯較差；雖然FNEA、M-IFCM、M-RFCM和L-RFCM獲得了比前2種方法好的邊界附著結(jié)果，但是仍存在植被提取不完整的情況；由于B-IFCM和BWRM-FCM使用了本文的邊界推進分水嶺超像素算法，該算法能有效依附邊界，最終獲得良好的分割結(jié)果。

B2覆蓋了住宅區(qū)，包括規(guī)則建筑物、道路以及大面積植被，紋理信息相對復雜，主要測試各分割算法對顏色亮度對比度不高的區(qū)域的目標識別能力。由圖12可以看出，M-IFCM和M-RFCM出現(xiàn)了欠分割現(xiàn)象，遺漏了部分細節(jié)信息；雖然S-RFCM、L-RFCM和W-RFCM改善了欠分割，由于SLIC、LSC和WP超像素算法的邊界捕捉能力不足，這3種方法在房屋與道路顏色對比度不高的區(qū)域分割不理想；W-RFCM將色彩相近的建筑和道路錯誤地合并在一起，植被區(qū)域存在過分割；在B2影像中，方法FNEA分割總體效果較好，但在植被和道路顏色差異特征不明顯的地方出現(xiàn)了輕微的誤分割現(xiàn)象；本文方法能在顏色亮度對比度不高的區(qū)域合理識別出房屋與道路，完整地保留了道路、房屋，植被等區(qū)域的具體細節(jié)。

圖12 B2試驗結(jié)果Fig.12 Experimental results of B2

為了驗證本文方法的穩(wěn)健性和泛化能力，選擇一幅ISPRS提供的航空正射影像，影像整體偏向于紋理特征的呈現(xiàn)，分辨率高，包含道路、裸土、植被和建筑物，地物細節(jié)豐富且復雜。在圖13中，所有算法都能大體提取出地物輪廓。除了M-IFCM、M-RFCM和本文方法BWRM-FCM外，其余方法生成了包含大量孤立小區(qū)域的分割結(jié)果；此外，所有對比方法都無法正確分割建筑物內(nèi)部復雜區(qū)域，說明本文所提方法不僅可以抑制過分割，還能捕捉必要的地物細節(jié)。本文算法考慮了超像素子區(qū)域光譜特征和類屬的不確定性情況，使得影像分割結(jié)果更理想，邊界定位更準確，分割線更加自然光滑，分割形狀大小相對于地物實際邊界更一致。

2.3.3 定量評價方法

定性分析通過視覺效果直接對比分析；定量評價則通過精度(presicion，P)，邊界召回率(recall，R)以及F1score[5]來對比評價，具體計算公式為

(21)

(22)

(23)

式中，TP為地物目標被正確分割得到的結(jié)果像素個數(shù)；FP為背景被分為地物目標的像素個數(shù)；FN為地物目標被分為背景的像素個數(shù)。這3個指標的取值范圍均在[0,1]之間，P為分割的精確程度，值越大分割精度越高；R為邊界的召回效果，值越大邊界依附性越好；由于P和R是相互制約的，F(xiàn)1可以實現(xiàn)了二者的權(quán)衡，代表整體的分割精度，值越大整體分割效果越好。計算所采用的實際地物邊界均使用ArcGIS軟件目視解譯獲取。

表4列出了本文方法和其余對比方法的定量評估結(jié)果，提供了對分割效果的總體評價，每種方法中定量指標的最佳結(jié)果用粗體標記，第2個最好的結(jié)果用下劃線標記。由表4可以看出，在第1組試驗中，F(xiàn)NEA的精度和邊界召回率以及F1普遍低，說明FNEA方法分割效果最差；M-IFCM和W-RFCM的指標值較低，說明這些算法在無人機影像分割方面效果不佳；M-RFCM算法的精度高，召回低，與定量分析M-RFCM欠分割結(jié)果一致；由于B-IFCM的聚類算法難以實現(xiàn)對無用區(qū)域的合并，導致精度低，召回高，呈現(xiàn)過分割狀態(tài)。S-RFCM和L-RFCM評價指標值相似，略高于前面幾種算法；由于BWRM-FCM采用的邊界推進分水嶺總是比SLIC和LSC生成更好的超像素區(qū)域，因此BWRM-FCM比S-RFCM和L-RFCM取得了更好的精度。根據(jù)表4，在大多數(shù)情況下，本文方法獲得最高的精度和邊界召回率及F1，說明本文方法的結(jié)果最接近對應參考影像邊界。全自動的模糊聚類過程使得該方法在無人機高分辨率影像分割中的效果更好。

表4 第1組試驗分割結(jié)果評價

表5為所有方法對第2組試驗數(shù)據(jù)的定量評價結(jié)果。由表5可以看出在第2組試驗中，F(xiàn)NEA精度評價值有所提高，較好地保留了復雜地物的紋理特征信息；M-RFCM的F1明顯降低，說明該方法難以實現(xiàn)對復雜場景影像的準確分割；采用本文方法BWRM-FCM進行分割試驗，能同時滿足較高的精度和召回率，獲得最高的F1，這表明本文方法能兼顧更多地物特征，在分割尺度難以把握的影像中也能夠自動獲取聚類數(shù)目，達到很好的分割效果。

兩組試驗證明了在不同分辨率和復雜度的影像中，本文方法都能獲得最佳的視覺效果和分割精度，表明該方法在邊界依附性，形狀緊湊度、抑制過分割和避免欠分割等方面具有明顯優(yōu)勢。相對而言，第1組試驗數(shù)據(jù)分辨率更高，地物數(shù)量較少、分布特征明顯且邊界清晰，所有方法的分割效果更優(yōu)，說明影像的分割精度受原始影像的分辨率、覆蓋范圍、地物分布及邊界復雜程度等難度因素的影響。第2組試驗增加了分割難度，但對本文方法影響不大，其分割結(jié)果與對應的精度評價顯著高出其他方法，充分證明了該方法的適用性。

3 結(jié) 論

本文提出了一種針對無人機高分辨率遙感影像，顧及超像素光譜特征的自動模糊聚類分割方法。綜合兩組試驗結(jié)果對比分析，該方法具有以下優(yōu)點。

表5 第2組試驗分割結(jié)果評價

(1) 針對現(xiàn)有方法邊界依附能力弱的缺點，利用邊界推進分水嶺超像素生成方法，生成具有精確邊界、形狀規(guī)則緊湊的超像素，提取超像素子區(qū)域光譜特征以構(gòu)造自適應鄰域信息的影像分割，有效貼合影像目標真實邊界，獲得理想的分割結(jié)果。

(2) 為克服現(xiàn)有流行FCM分割不穩(wěn)定、需要手動設置聚類數(shù)目等難點，首先采用重縮放密度峰值算法來自動獲取準確的聚類數(shù)目，然后為提高聚類的穩(wěn)定性，引入超像素區(qū)域特征和HMRF思想以改進模糊聚類合并算法，所提的自動模糊聚類不僅提高了影像分割的穩(wěn)定性，還獲得了更好整體分割效果，是一種簡單有效的全自動聚類分割方法。

由于本文方法只使用了超像素顏色光譜特征，沒有考慮紋理特征及其他信息的有效提取，今后工作將探索更多特征信息，實現(xiàn)多特征融合的自動化分割。