留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

结合光谱和纹理的高分辨率遥感图像分水岭分割

张建廷 张立民

张建廷, 张立民. 结合光谱和纹理的高分辨率遥感图像分水岭分割[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 449-455,467. doi: 10.13203/j.whugis20150097
引用本文: 张建廷, 张立民. 结合光谱和纹理的高分辨率遥感图像分水岭分割[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 449-455,467. doi: 10.13203/j.whugis20150097
ZHANG Jianting, ZHANG Limin. A Watershed Algorithm Combining Spectral and Texture Information for High Resolution Remote Sensing Image Segmentation[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 449-455,467. doi: 10.13203/j.whugis20150097
Citation: ZHANG Jianting, ZHANG Limin. A Watershed Algorithm Combining Spectral and Texture Information for High Resolution Remote Sensing Image Segmentation[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 449-455,467. doi: 10.13203/j.whugis20150097

结合光谱和纹理的高分辨率遥感图像分水岭分割

doi: 10.13203/j.whugis20150097
基金项目: 

泰山学者工程专项 No.ts201511020

详细信息
    作者简介:

    张建廷,博士,主要从事遥感图像处理和系统仿真技术研究。changjianting@hotmail.com

    通讯作者: 张立民,博士,教授。 E-mail:iamzlm@163.com
  • 中图分类号: P237

A Watershed Algorithm Combining Spectral and Texture Information for High Resolution Remote Sensing Image Segmentation

Funds: 

The Taishan Scholar Special Foundation No.ts201511020

More Information
    Author Bio:

    ZHANG Jianting, PhD, specializes in the theories of remote sensing image analysis and system simulation technology. E-mail:changjianting@hotmail.com

    Corresponding author: ZHANG Limin, PhD, professor. E-mail:iamzlm@163.com
图(7) / 表(3)
计量
  • 文章访问数:  923
  • HTML全文浏览量:  117
  • PDF下载量:  843
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-07-21
  • 刊出日期:  2017-04-05

结合光谱和纹理的高分辨率遥感图像分水岭分割

doi: 10.13203/j.whugis20150097
    基金项目:

    泰山学者工程专项 No.ts201511020

    作者简介:

    张建廷,博士,主要从事遥感图像处理和系统仿真技术研究。changjianting@hotmail.com

    通讯作者: 张立民,博士,教授。 E-mail:iamzlm@163.com
  • 中图分类号: P237

摘要: 针对遥感图像分割时仅利用光谱信息容易造成过分割和边缘定位不准的问题,提出一种结合光谱强度和纹理信息的遥感图像分水岭分割算法。首先分别提取图像的光谱梯度和纹理梯度,提出一种改进双边滤波模型,滤除图像中的噪声的周时,采用了一种局部的平滑尺度,能够有效消除纹理信息,借助于滤波算法,分别对原图像和Gabor纹理特征图像进行平滑处理,利用边缘检测算子得到光谱梯度和纹理梯度。最后利用形态学膨胀方法进行融合融合,使用分水岭变换对图像分割。用三幅高分辨率彩色遥感图像数据进行实验,并与JSEG(Joint Systems Engineering Group)和多分辨率分割方法进行比较,结果表明该方法具有较高的边界定位准确性,同时降低了过分割和欠分割现象。

English Abstract

张建廷, 张立民. 结合光谱和纹理的高分辨率遥感图像分水岭分割[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 449-455,467. doi: 10.13203/j.whugis20150097
引用本文: 张建廷, 张立民. 结合光谱和纹理的高分辨率遥感图像分水岭分割[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 449-455,467. doi: 10.13203/j.whugis20150097
ZHANG Jianting, ZHANG Limin. A Watershed Algorithm Combining Spectral and Texture Information for High Resolution Remote Sensing Image Segmentation[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 449-455,467. doi: 10.13203/j.whugis20150097
Citation: ZHANG Jianting, ZHANG Limin. A Watershed Algorithm Combining Spectral and Texture Information for High Resolution Remote Sensing Image Segmentation[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 449-455,467. doi: 10.13203/j.whugis20150097
  • 高分辨率遥感图像能够提供丰富的地面物体细节,但也增加了同质区域的内部光谱差异,并呈现出多样的纹理特性,再加上传感器在成像过程中会引入噪声,增加了遥感图像准确分割的难度。近年来,高分辨率遥感图像主要采用基于面向地理对象的图像分析(geographic object-oriented image analysis,GEOBIA)方法。首先将图像分割为互不重叠的区域,称为对象,对象边界的准确性决定了后续特征提取和分类的质量[1]。为了产生对象,需要借助于图像分割方法,当前在GEOBIA中多采用多分辨率分割(multi-resolution segmentation,MS)算法[2],其本质是一种综合考虑对象形状和光谱信息的区域生长方法。这种方法的缺点是尺度相关,需要多种尺度参数综合选优[3],并且分割过程没有考虑纹理因素,难以得到准确的对象边界描述。

    图像分割的理想方法是模拟人类视觉系统(human vision system,HVS)对图像的解译过程,综合考虑各种视觉信息,如边缘、光谱强度、纹理和空间关系属性等,将图像分割为与现实物体相对应的不重叠子区域[4]。如何在算法层面更好地模拟HVS系统对图像信息的处理,是一个亟待研究的问题。为了改善高分辨率遥感图像分割只考虑光谱信息的不足,当前的研究趋势是尝试将更多的视觉信息引入到分割过程,如加入边缘信息来改善区域合并效果[5],利用边缘信息进行分水岭标记和分割[1],在分割时考虑纹理信息[6],提取纹理特征、融合光谱信息的混合特征表示和区域生长合并等,并加入极化、统计和几何特征增强分割抗噪性能[7]等。因为高分辨率的遥感图像中相邻物体间既有光谱强度差异产生的边界也有纹理边界,过多考虑纹理容易在光谱强度边界产生纹理边界效应[8];而且图像中的噪声很容易造成过分割现象和边界定位不准,因此本文研究的主要目的是降低噪声对分割的影响,同时,模拟HVS系统的图像解译过程,利用算法分别提取光谱强度信息和纹理信息,在分水岭[9]变换方法的基础上实现对高分辨率遥感图像的分割。

    分水岭变换方法的关键是获得准确的梯度图,为了在分割过程中加入光谱和纹理信息,本文分别提取遥感图像的光谱强度梯度和纹理梯度,然后将二者融合形成最终的梯度图像。为了得到光谱梯度信息,本文提出一种新的基于双边滤波的图像平滑算法,能够有效滤除图像的纹理和噪声信息,并在纹理特征图的处理中消除纹理泄露效应。本文的创新性在于通过一种新的滤波器技术将遥感图像中的光谱强度和纹理信息分别提取出来,然后通过梯度提取技术和分水岭变换将将两种信息融合到图像分割中,这样可以很好地模拟HVS对图像的解译过程。技术路线如图 1所示。

    图  1  技术路线图

    Figure 1.  Flowchart of Proposed Method

    • 边缘保持平滑算法能够在平滑去噪过程中保留图像中的主要边缘[10],这类方法有非线性扩散、全变分流与双边滤波等种类。这三种方法的共同点是均假设图像本身是分段光滑的二维函数,前两种方法基于迭代求解离散偏微分方程,缺点是迭代停止条件难以确定,参数估计困难。而双边滤波方法不需要迭代,这里采用双边滤波方法进行图像的平滑。按照本文的设计需求,双边滤波器要求既能够去除噪声,也要平滑纹理区域。

    • 从统计分析的角度看,图像可以看作含有噪声的分段函数,而边缘作为异常值,图像平滑问题用稳健回归的方法[11]分析,目标是找到一幅图像I,其误差能量函数E(I)最小:

      (1)

      式中,ηs是像素s的邻域;ω(x)是空间距离权值函数;σ是平滑尺度参数;ρ(x)是误差函数。为求式(1)的解,采用牛顿梯度下降方法,可得到:

      (2)

      式中,影响函数ψ(x)=ρ′(x);t表示离散迭代时间。式(2)与非线性扩散离散化[12]表示相同。梯度下降方法的缺陷是收敛速度慢。

      为了在求解过程中得到超线性的收敛速度和稳定解,对式(2)求导数,并令导数为0,进而得到极小值作为解,假设ψ(x)=g(x)x,则可以得到:

      (3)

      式(3)与双边滤波器有相同的表示形式,由式(2)和式(3)可知,非线性扩散与双边滤波方法有相同的统计基础。因此,一些在非线性扩散中的图像平滑改进方法同样可以被引入到双边滤波器方法中,如对平滑尺度参数的解释等。传统的双边滤波方法不适合自然图像中纹理和噪声信息的消除。这是由于其使用的影响函数ψ(x)为Gauss函数,不具备稳健性;同时单一的平滑尺度在纹理或噪声变化剧烈的地方失去作用,也即图像不同区域的局部梯度差异性需要在平滑过程中加以考虑。

    • 影响函数ψ(x)测量邻域像素之间的差异并计算中心像素的强度值。传统上有Lorentzian函数、Gauss函数、Tukey’s biweight函数和Huber函数4种影响函数。图 2为4种影响函数的曲线图,经过归一化并设置尺度参数σ=0.2。

      图  2  4种影响函数曲线

      Figure 2.  Curves of Four Influence Funtions

      图 2中,Huber、Lorenzian和Gauss函数会在边缘位置持续平滑图像,而Turkey’s biweight函数曲线有较快的下降率,并在差异值增加到一定值时停止平滑,有更好的边缘保持特性,相比其他三种函数更加“稳健”。这里采用Tukey’s biweight函数代替原模型中的Gauss影响函数,其表达式为:

      (4)

      Tukey’s biweight函数对应的误差函数ρ是非凸函数,只能保证式的解为局部极小值,为求得全局最优解,引入渐进非凸优化(gradual non-convexity,GNC)[13]方法,可以将非凸优化问题转化为一系列的松弛函数求解问题。

      为实现GNC方法,本文采用一种膨胀近似方法,引入一个控制参数序列{γ(k),k=0,…,N},使得当初始值γ(0)足够大时,松弛后的ργ(x,σ)为凸函数:

      (5)

      通过将式(3)中的高斯函数替换为新的gγ(x,σ),可以得到新的双边滤波模型。gγ(x,σ)表示为:

      (6)

      参数γ控制松弛速度从γ(0)到1,由于GNC在后期极小值求解过程对参数扰动更为敏感,因此γ序列在开始时应快速下降,但当接近1时,应当缩小步长。故此,提出式(7)和式(8)所示的指数序列方法。

      (7)

      式中,

      (8)
    • 平滑尺度参数σ是梯度阈值,该阈值用于区分噪声和边缘,文献[14]提出中位数绝对偏差(median absolute deviation,MAD)表示图像的全局平滑尺度σg,若为相邻像素灰度值的差,则σg表示为:

      (9)

      式中,MAD为离差中位数算子;median为中值算子;medianI表示在整幅图像区域进行中值计算。采用全局平滑尺度参数会忽略遥感图像中区域间的局部差异,尤其是在纹理与非纹理交界的边缘处。如图 3(a)中的水体与树林的交汇边界处,从图 3(b)中白线经过的像素强度图可以看出,边缘的梯度明显低于树林区域内部梯度变化。如果边缘梯度小于与其相邻的纹理区域内部梯度,边缘将被平滑,而纹理区域将会增强,因此需要局部的平滑尺度来避免这一问题。

      图  3  光谱强度在纹理与非纹理边界变化

      Figure 3.  Spectral Intensity Variation Across Texture and Intensity Regions

      MAD表示尺度将边缘看作异常值进行识别。遥感图像中由于纹理的影响,不能简单将图像看作含有相同统计特性噪声的分段平滑函数;并且局部尺度应当能够反映像素邻域内大多数的梯度信息,以便于能够平滑纹理区域,并保持光谱强度边缘。为此,本文引入一个n×n的窗,在窗口邻域使用梯度中值来表示尺度,由于处理的是彩色遥感图像,应当考虑不同波段图像之间的相互影响。同时计算3个波段的梯度信息并累加来表示位置(x,y)处的梯度。本文提出的局部尺度σl表示为:

      (10)

      式中,m=1、2、3,代表图像的波段。在平滑过程中分别对图像的3个波段进行平滑,中值局部尺度与σgm取最大值是为了保证非纹理区域的噪声也能够得到有效平滑。

    • 为了合理利用图像的光谱强度信息和纹理信息,需要从图像中将这两种信息分别提取出来。图像的光谱强度信息可以从双边滤波平滑后的图像中得到,然后使用彩色图像边缘检测算子[15]得到图像的梯度幅值。图像的纹理信息使用Gabor滤波器组在彩色变换后的L通道中获得。

      Gabor滤波器组是一种多通道滤波技术,能够提取图像中不同尺度和不同方向的纹理信息,从空间域来看,Gabor函数是经过高斯调幅的正弦波。为了提取纹理能量信息,使用滤波器组的实部[16],其冲激响应函数为:

      (11)

      由于人类视觉皮质细胞具有1倍频程的频率响应和π/6的角带宽[17],高分辨率遥感图像的纹理和噪声通常集中在高频区域,因此本文使用滤波器组的前三个高频波长λ={22,42,82},滤波器方向为θ={0,π/6,π/3,π,π/2,5π/6}。为了提高运算效率,Gabor滤波器组与图像的卷积在本文中通过空间域的近似来计算,设计滤波器的空间域宽度为6σ,这样可以覆盖滤波函数99.7%的有效区域。Gabor滤波器的直接输出结果不适合进行纹理梯度的提取,主要是因为这些纹理特征图像存在泄露效应[16],会产生类似噪声和波纹的现象,不适合梯度提取。为此,使用本文提出的双边滤波方法依次对各个尺度和方向的Gabor纹理特征图像进行平滑,平滑处理后的纹理特征图相加得到最终的纹理能量图,之后利用Sobel算子获得纹理梯度图像。

    • 光谱强度梯度图能够准确定位物体的边缘。但是纹理作为一种空间结构特征,具有不确定性,难以准确表示物体的边缘。若简单将光谱强度梯度和纹理梯度相加,会导致多边缘效应。为避免这一问题,本文采用文献[18]中的形态学膨胀方法对纹理特征图像进行处理,然后与光谱强度梯度进行融合。形态学膨胀方法扩展了纹理梯度的范围,使得使用分水岭变换分割的过程中,如果强度梯度和纹理梯度同时存在,则分水线可以定位到光谱强度边缘;如果不存在强度梯度,则分水线会定位到膨胀前的纹理边缘处。假设光谱强度梯度图为Gi,纹理梯度为Gt,则得到最终的混合梯度G表示为:

      (12)

      在得到混合梯度G后,可以使用分水岭变换的方法得到图像的分割结果。通常,使用分水岭方法会得到不需要的过分割效果,因为梯度图像中存在大量的区域极小值,尽管在混合梯度中这些极小值得到了很大的抑制,但仍然无法避免这种现象。本文采用H-minima标记分水岭变换[9]方法,进行图像的分割,通过设定阈值h来减少分水岭分割产生的冗余区域。

    • 使用本文方法对多幅高分辨率彩色遥感图像进行分割实验,均能取得较好的结果,现取3幅具有代表性的图像,验证本文算法的有效性,一幅图像用于验证本文的算法的中间过程和结果,另两幅图像用于算法比较。

    • 本文选择的高分辨率彩色遥感图像数据为美国佛罗里达州坦帕湾区域的某一部分,分辨率为0.32 m,尺寸为800像素×600像素。该图具有不透水层、植被和水体等地物。根据本文提出的方法,首先求出双边滤波的平滑尺度,得到的局部尺度如图 4(a)所示,3个波段的全局尺度按式(9)计算为[7.78,2.35,3.67]。从图 4(a)中可以看出,本文的局部尺度计算方法在纹理区域尺度值较大,在光谱强度均匀区域尺度值小,这样能够有效降低纹理区域的梯度影响,平滑纹理区域。

      图  4  本文方法分割结果

      Figure 4.  Results of Proposed Segmentation Method

      对图像进行分水岭分割,统一采用极小值抑制阈值h=0.015,双边滤波的空间滤波模板大小设为9,而局部尺度统计窗口大小设为15。对图像分别使用光谱强度梯度、纹理梯度以及混合梯度进行分割,从视觉定性角度和评价指数定量角度对结果进行分析。

      图 4为三种梯度的最终分割结果。图 4 (b)为经过双边滤波平滑后得到的梯度图像,噪声和纹理得到有效抑制,得到光谱强度梯度。分割结果如图 4 (f)所示,图中非纹理区域如不透水层等的边界得到有效分割,边界定位准确;而在纹理区域,如树林、草地等,不能有效分割。图 4 (c)为经过形态学膨胀后的纹理梯度。图 4 (g)为在纹理梯度上实现的分水岭分割。从图 4(g)中可以看出,纹理边缘识别效果好,但是对建筑物、道路等非纹理区域边缘定位差。图 4(d) 为将光谱强度梯度和纹理梯度融合得到的混合梯度,利用该梯度图使用分水岭变换得到的分割结果结合了光谱强度梯度和纹理梯度的优点,对物体的边缘识别分割效果好,如图 4 (h)所示,明显优于只采用一种视觉信息的梯度分割方法。

      表 1比较了三种方法产生的对象数量,同时采用文献[3]提出的GS(global scare)指数对分割结果进行评价。GS指数反映了对象内部均质性和对象间异质性,该值越小,表明分割结果越好。从表 1中可以看出,三种方法产生的对象数量均在500左右。GS指数表明混合梯度在分割结果上优于单一梯度信息,说明本文算法能将两种视觉信息有效融合,能够准确定位纹理区域边界和光谱强度区域边界。

      表 1  三种梯度分割结果

      Table 1.  Segmentation Results of the Three Gradients

      光谱梯度 纹理梯度 混合梯度
      对象数量 476 543 560
      GS指数 0.852 0.731 0.671

      本文方法是对传统分水岭方法的改进,同样采用H-minima标记分水岭方法,直接从原图像中利用彩色梯度算子得到梯度图,进行分割,结果如图 5所示。

      图  5  传统分水岭方法结果

      Figure 5.  Results of Traditional Watershed Transform

      图 5中可以看出,在设置相同h值时,图 5 (a)存在严重的过分割现象;而当控制对象个数与图 4 (h)相同时,图 5 (b)只能对图像光谱差异大的物体(人造建筑等)进行分割,对树木草地等纹理对象不能识别,说明传统分水岭方法在处理噪声和纹理区域方面效果差,而本文的方法可以取得较好的效果。

    • 将本文方法与传统方法进行对比,使用的实验数据包括:①美国San Diego居民区,分辨率为0.3 m,截取区域为512像素×512像素,特点是光谱强度信息显著;②苏黎世的Hoenggerberg城区,分辨率0.07 m,截取的区域尺寸为800像素×600像素,特点是分辨率高,纹理信息显著。JSEG方法[19]是计算机视觉领域经典的彩色图像分割方法,多分辨率分割(multiresolution segmentation,MS)方法是当前面向对象的图像分析方法使用最为普遍的遥感图像预分割方法,在eCognition软件及国内外遥感领域中广泛应用。下面将本文方法与这两种方法进行结果比较。

      图  6  三种方法在SanDiego居民区的分割结果

      Figure 6.  Segmentation Results of the Three Methods in Sandiego Residential Area

      分别使用三种方法对两幅遥感图像进行分割,控制分割参数以产生相同数量的对象或区域,使用边界命中率(boundary recall,BR)[20]来衡量方法分割的边界定位准确性。参考数据采用基于人工分割的结果,BR值越高,分割效果越好。使用文献[3]提出的GS指标对图像的过分割和欠分割进行评价,该指标值越低,说明过分割与欠分割效应越小,分割效果越好。

      图 6为三种方法分别生成250和500个分割区域(对象)的分割结果。从图 6中可以看出,多分辨率方法容易在地物边缘处产生过分割;JSEG方法在增加分割区域后也会在非纹理区域产生过分割现象;本文方法在分割区域增加时,会增加纹理区域的分割。从表 2的评价指标可以看出,本文方法的边界命中率明显高于MS和JSEG方法,且过分割和欠分割效应在三种方法中最低。

      表 2  SanDiego居民区分割评价指标

      Table 2.  Evaluation Index for Segmentation Results of the Sandiego Residential Aera

      区域数 MS JSEG 本文
      BR GS BR GS BR GS
      250 0.837 0.803 0.744 0.785 0.852 0.762
      500 0.923 0.834 0.816 0.821 0.941 0.809

      图 7中的遥感图像分辨率高,增加了地物的细节,使得地物更偏向于呈现纹理特性,从表 3的评价指标可以看出,JSEG方法的边界命中率较图 5的结果提高,说明JSEG方法更适合分割彩色纹理图像。在改变分割对象数量时,MS和JSEG方法的分割对象尺度改变,明显的地物如屋顶的烟囱等,会被更大尺度对象合并,说明方法是尺度相关的;而本文方法在改变分割对象数时,能够保持这些地物不被合并,减少了尺度相关性,与HVS分析过程和结果更加相符合。

      图  7  三种方法在Hoenggerberg城区的分割结果

      Figure 7.  Segmentation Results of the Three Methods in Hoenggerberg Urban Area

      表 3  Hoenggerberg城区分割评价指标

      Table 3.  Evaluation Index for Segmentation Results of the Hoenggerberg Residential Aera

      区域数 MS JSEG 本文
      BR GS BR GS BR GS
      250 0.876 0.963 0.883 0.816 0.879 0.757
      500 0.930 0.978 0.932 0.911 0.951 0.846
    • 本文提出了一种针对高分辨率彩色遥感图像的分割方法,综合利用高分辨率图像的光谱强度信息和纹理信息,与HVS系统分析图像的过程相近,减少了图像分割过程中的尺度依赖性,在增强边界定位准确性的同时,减少图像的过分割和欠分割效应。本文方法提出的改进双边滤波模型,能够针对高分辨率图像中的纹理和噪声进行有效平滑和处理。

      虽然该方法能够提高遥感图像的分割效果,但仍然存在需要改进之处,例如算法的运算效率受到Gabor纹理提取的影响,如何提高纹理信息的提取效率,如何自动选取分水岭分割的区域数量,如何针对不同图像改变滤波的窗口尺寸等,都是需要继续研究和解决的问题。

参考文献 (20)

目录

    /

    返回文章
    返回