一种改进迭代条件模型的遥感影像语义分割方法

黄亮 宋晶

摘 要：随着遥感影像空间分辨率的提高，地物纹理细节更加丰富，采用传统的语义分割方法使分割结果过于细碎，整体性不强。针对该问题，提出一种改进迭代条件模型的遥感影像语义分割方法。首先采用L0梯度最小化模型对遥感影像去噪，然后采用迭代条件模型，通过更新影像中每个点的标记完成影像分割，最后采用Kappa指数对实验结果进行精度评价。实验结果表明，该方法是一种有效的遥感影像语义分割方法。

关键词：语义分割;遥感影像;迭代条件模型;精度评价

DOI：10. 11907/rjdk. 181846

中图分类号：TP317.4文献标识码：A文章编号：1672-7800（2019）001-0183-03

Abstract： With the improvement of spatial resolution of remote sensing images， the details of ground texture are more abundant， and the traditional semantic segmentation method will make the segmentation result too fine and the integrity is not strong. To solve this problem， an improved iterative conditional model for semantic segmentation of remote sensing image is proposed. Firstly， the L0 gradient minimization model is used to denoise the remote sensing image， and then the image segmentation is completed by updating the mark of each point in the image by using the iterative conditional model. Finally， the accuracy of the experimental results is evaluated by the Kappa index. Experimental results show that the proposed method is an effective method for semantic segmentation of remote sensing image.

0 引言

随着航空航天平台和遥感技术的不断发展，越来越多的纹理细节清晰、光谱特征丰富的高空间分辨率遥感影像[1-2]成为经济建设、国防安全、地理信息服务等重要的空间信息源[3]，而高空间分辨率遥感影像分析与处理也成为遥感领域研究的热点。语义分割有助于遥感影像的准确分析和理解[4-6]，在分割的同时确定分割区域的语义类别，对于影像分析和处理更加准确有着深远意义。

为实现图像语义分割，很多学者开展了大量研究：首先是基于深度学习的方法[7]，如陈鸿翔[8]提出的基于卷积神经网络的图像语义分割方法;刘丹等[9]提出一种多尺度CNN的图像语义分割算法;魏云超和赵耀[10]对基于DCNN的图像语义分割方法中存在的困难和挑战进行了分析和描述;Long J等[11]提出基于全卷积网络的语义分割方法;邓国徽等[12]研究了基于改进的全卷积神经网络高分辨率遥感影像语义分割方法;Hong S等[13]提出一种解耦深度神经网络的半监督语义分割方法。其次是基于概率的方法，如毛凌和解梅[4]提出了一种基于高阶CRF模型的图像语义分割;张晓雪[14]提出基于概率图模型的图像语义分割方法;左向梅等[15]提出基于交互式条件随机场的RGB-D图像语义分割方法。

基于深度学习的语义分割方法对计算机性能及算法效率要求高，且要求进行样本采集，实现较为困难。而基于概率的方法相较于基于深度学习的方法实现较为简单，为此本文采用基于概率的方法实现高空间分辨率遥感影像语义分割。其中，迭代条件模型（iterative condition model，简称ICM）[16]是一个基于局部条件概率的“贪婪算法”，通过更新影像中每个点的标记完成影像分割。但该方法受到纹理细节的影响，使得语义分割结果过于细碎，整体性不强。为此，提出一种改进的迭代条件模型语义方法，使用L0梯度最小化模型降低噪声带来的影响。

1 L0梯度最小化模型

徐立等[17]提出L0梯度最小化模型，以一個优化框架为基础，统计稀疏梯度也就是L0范数，通过增加影像过渡部分的陡度，进而增强边缘显著性效果。与此同时减弱噪声影响，通过去除低振幅部分，弱化高分辨率遥感影像丰富的细节信息。L0梯度最小化模型通过控制非零梯度数目增强边缘部分[18-20]。

[f]为输入影像，[U]为平滑处理后的影像，[？xUp]表示处理后影像[U]在[p]处沿[x]方向的偏导数，[？yUp]表示处理后的影像[U]在[p]处沿[y]方向的偏导数，则影像中任意一点处的像素梯度可表示为：

2 迭代条件模型

迭代条件模型（iterative condition model，简称ICM）是一个基于局部条件概率的“贪婪算法”，Besag等于1986年提出这一算法，通过更新影像中每个点的标记完成影像分割。

条件迭代模式分割方法，需要预先设定分类数目、势函数和最大迭代次数。首先对影像进行初始聚类，常采用K-均值聚类算法获取初始分割结果;然后根据聚类分割结果使用高斯混合模型，通过计算像素均值和方差计算概率矩阵，建模特征场数据;考虑二阶邻域系统，采用Potts模型用二阶邻域势函数表示模型的局部概率，建模标记场数据;最后根据能量最小原则，当所有像素点全局能量变化量总和最小时，满足终止条件则停止迭代，得到最终分割结果并标注类别信息，图1为算法流程。

3 实验结果与精度分析

3.1 实验数据

为验证本文方法的可靠性和有效性，本文采用昆明市宜良县九乡彝族回族乡阿棚村部分影像，如图2所示。影像大小为979×586像素，地面分辨率为0.05m，是一幅无人机高空间分辨率遥感影像。图3为参考图像，图4为类别示意图，包括道路、植被、深石棉瓦房屋、浅石棉瓦房屋和裸地5个类别，设置分类数目为5、势函数为0.5和迭代次数200。

3.2 实验结果

4 结语

为提高遥感影像语义分割质量，提出一种改进迭代条件模型的遥感影像语义分割方法。该方法首先采用L0梯度最小化模型對遥感影像去噪，然后采用迭代条件模型，通过更新影像中每个点的标记完成影像分割。通过改进，语义分割精度提高了2.7%，整体精度达到84.98%，结果表明改进方法行之有效。但采用改进方法还存在椒盐情况，需要针对该问题进行深入研究。

参考文献：

[1] 丛铭. 基于视觉感知原理的高分辨率遥感影像分割与人工目标提取研究[D]. 武汉： 武汉大学， 2015.

[2] 唐伟， 赵书河， 王培法. 面向对象的高空间分辨率遥感影像道路信息的提取[J]. 地球信息科学学报， 2008，10（2）：257-262.

[3] 王江涛，邓喀中，吴国富. 高分辨率遥感影像地物阴影去除算法研究[J]. 测绘与空间地理信息，2018（5）：14，142-146.

[4] 毛凌，解梅. 基于高阶CRF模型的图像语义分割[J]. 计算机应用研究，2013， 30（11）：3514-3517.

[5] 张新明，祝晓斌，蔡强，等. 图像语义分割深度学习模型综述[J]. 高技术通讯，2017（9）：808-815.

[6] 魏云超，赵耀. 基于DCNN的图像语义分割综述[J]. 北京交通大学学报，2016，40（4）：82-91.

[7] 蒋子源. 用深度学习技术解决图像语义分割问题[J]. 电子制作， 2017（20）：39-40.

[8] 陈鸿翔. 基于卷积神经网络的图像语义分割[D]. 杭州： 浙江大学，2016.

[9] 刘丹，刘学军，王美珍. 一种多尺度CNN的图像语义分割算法[J]. 遥感信息，2017， 32（1）：57-64.

[10] 魏云超，赵耀. 基于DCNN的图像语义分割综述[J]. 北京交通大学学报，2016，40（4）：82-91.

[11] LONG J，SHELHAMER E，DARRELL T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2017，39（4）：640-651.

[12] 邓国徽，高飞，罗志鹏. 基于改进的全卷积神经网络高分遥感数据语义分割研究[C].高分辨率对地观测学术年会，2017.

[13] HONG S，NOH H，HAN B. Decoupled deep neural network for semi-supervised semantic segmentation[J]. NIPS，2015（1）：1495-1503.

[14] 张晓雪. 基于概率图模型的图像语义分割技术研究[D]. 厦门：厦门大学， 2014.

[15] 左向梅， 赵振， 苟婷婷. 基于交互式条件随机场的RGB-D图像语义分割[J]. 计算机应用与软件，2017，34（3）：174-180.

[16] 唐丽焕， 陈辉， 吕小倩，等. 基于迭代条件模型算法的图像超分辨率重建[J]. 计算机工程与应用，2010，46（12）：153-154.

[17] XU L， LU C， XU Y， et al. Image smoothing via L0 gradient minimization[J]. Acm Transactions on Graphics，2011，30（6）：1-12.

[18] 庞学舜. 基于L0梯度最小化的图像平滑方法研究[D]. 天津：天津理工大学， 2016.

[19] NGUYEN R M H， BROWN M S. Fast and effective L0 gradient minimization by region fusion[C]. IEEE International Conference on Computer Vision. IEEE Computer Society， 2015：208-216.

[20] ZHANG W， CAO Y， ZHANG R， et al. Image denoising via L 0 gradient minimization with effective fidelity term[J]. Mathematical Problems in Engineering， 2015（2）：1-11.

（责任编辑：杜能钢）