一种改进的多光谱遥感图像超像素分割算法
2022-05-30任伟建刘泽宇霍凤财康朝海张永丰
任伟建, 刘泽宇, 霍凤财, 康朝海, 任 璐, 张永丰
(1. 东北石油大学 电气信息工程学院, 黑龙江 大庆 163318;2. 黑龙江省网络化与智能控制重点实验室, 黑龙江 大庆 163318;3. 海洋石油工程股份有限公司, 天津300450;4. 大庆油田有限责任公司 第二采油厂规划设计研究所, 黑龙江 大庆 163318)
遥感图像具有更丰富的特征信息和更清晰的地物特征及形状轮廓, 在许多领域得到广泛应用[1]. 相比于包含3个波段的普通图像, 遥感图像蕴含的光谱信息更丰富, 从三波段到几十甚至几百波段不等[2]. 更多的光谱信息提升了遥感图像的使用价值, 同时也对图像数据处理提出了新要求, 随着遥感图像的图幅与空间、 光谱分辨率越来越大, 基于单个像素的图像处理方法难以适应庞大的数据规模. 对遥感图像进行分割可提取感兴趣区域, 减小图像数据规模, 是遥感图像预处理的基本步骤之一. 遥感图像的超像素分割是指将具有相似颜色、 亮度、 纹理等特征的相邻像素划分成一组, 构成有一定视觉意义的不规则像素块[3]. 超像素块可将图像分割为具有相似特征的子区域, 在保留图像局部特征和结构信息的同时减少图像基元的数量, 减轻数据冗余. 利用超像素代替原始像素, 具有数据降维的作用, 有利于后续算法进行特征提取并简化运算[4]. 同时, 相比于单个像素, 从超像素块中可提取更稳固的特征, 产生更精准的判别信息, 提高后续地物识别、 分类等任务的精度. 此外, Cui等[5]证明与单个像素的光谱相比, 超像素光谱信息更稳定且受噪声影响较小, 可以抵抗遥感图像数据中存在的噪声. 因此, 超像素分割算法在遥感图像预处理领域受到广泛关注[6].
简单线性迭代聚类(simple linear iterative clustering, SLIC)[7]算法在组合颜色和像素位置的5维空间中对像素进行迭代聚类, 能快速生成较紧凑和均匀的超像素, 分割结果准确, 在传统图像超像素分割任务中应用广泛. 近年来, 对该方法在多光谱遥感图像上的应用已有许多研究成果: 张永梅等[8]提出首先使用SLIC算法与结构张量进行粗分割, 再使用分形网络演化方法进行细分割的两段式分割方法对多光谱遥感图像进行分割, 但其仅在细分割阶段考虑了图像数据的多光谱特性; Lu等[9]将灰度共生矩阵提取的影像纹理特征与SLIC算法获得的颜色特征相结合, 利用了图像的纹理特征, 获得了较好的分割结果, 但灰度共生矩阵的计算较复杂, 算法的运行效率不高; 赵宇晴等[10]采用局部二进制模式(local binary pattern, LBP)算法提取纹理特征, 并与SLIC算法相结合, 对LandSat8的多波段遥感图像进行分割, 该方法将多波段图像合成为RGB图像; Liu等[11]提出了流形-简单线性迭代聚类(manifold SLIC, MSLIC)算法, 将SLIC算法扩展为可以计算内容敏感超像素的算法, 其生成的超像素可自适应地调整尺寸和数量, 以适应图像中的内容; Sellars等[12]基于MSLIC算法提出了HMS(hyper manifold SLIC)算法, 该方法针对多光谱遥感图像对MSLIC算法进行改进, 扩展了MSLIC算法的维度, 具有高维图像数据适应性, 其可获取图像中任意数量的波段, 提升了超像素分割精度.
虽然在多光谱遥感图像上使用SLIC算法进行超像素分割目前取得了一定效果, 但仍存在如下问题: 1) 由于SLIC算法针对普通的三通道图像设计, 因此无法直接用于包含多个光谱带的多光谱遥感图像, 需要对图像进行降维或转换操作, 导致特征信息丢失; 2) SLIC算法生成的超像素尺寸与数量依赖初始输入参数, 不具有内容敏感性, 无法针对图像中的内容自适应地调整超像素块的尺寸; 3) 该算法在聚类过程中仅基于光谱和空间特征, 存在将纹理差异较大的地物错分至同一超像素块的问题, 分割精度有待提高. 针对上述问题, 本文将MSLIC算法引入多光谱遥感图像超像素分割任务中, 并将该算法由三波段扩展至任意数量波段, 以达到充分利用光谱信息生成内容敏感超像素的目的; 并且先给出一种针对多光谱遥感图像的纹理特征提取方法, 然后在MSLIC算法的像素距离度量中融合多段光谱特征及纹理特征, 利用遥感图像中的光谱、 空间、 纹理信息对图像进行超像素分割, 达到提高分割精度的目的.
1 MSLIC超像素分割算法
流形-简单线性迭代聚类算法是一种快速计算内容敏感超像素的方法, 其生成的内容敏感超像素数量与尺寸可根据图像内容密集程度(如颜色变化剧烈程度、 被分割目标尺寸等)自适应地进行调整. 该方法具有两种特性, 使其在遥感图像超像素分割任务中广泛应用: 首先, 遥感图像图幅大、 内容复杂, 图中地物尺寸和分布位置相差较大, 内容敏感超像素可兼顾算法的分割精度与数据降维作用; 其次, 超像素的最终数量不仅依赖于初始参数选择, 且会根据图像中的内容结构自适应地发生变化, 降低了不当初始值设置对算法分割精度产生影响的可能性.
MSLIC算法在SLIC的基础上, 将图像I映射到二维流形M中, 并测量M上的面积以衡量I中的内容密度, 产生内容敏感的超像素.该方法涉及流形M面积的快速近似计算和计算范围参数, 用以控制超像素的分割与合并.首先, 对每个像素p=(u,v), 用Zp表示以p为中心的1×1单位正方形, 如图1所示.单位正方形的面积
Area(Zp)=△p1p2p3∪△p3p4p1,
MSLIC算法使用平面三角形Φ(△p1p2p3)的面积近似计算曲面三角形△Φ(p1)Φ(p2)Φ(p3)的面积, 计算方法为
(1)
以及超像素的范围参数
在迭代过程中比较λi与设定阈值τ的大小, 控制超像素块进行分割和合并操作, 根据图像I的内容密集程度调整超像素块的尺寸和数量, 生成内容敏感的超像素.
图1 计算嵌入在5中的2维流形面积Fig.1 Calculating area of two-dimensional manifold embedded in 5
对于像素p, MSLIC算法与SLIC算法相同, 在CIELAB颜色空间中表示像素的颜色c(p), 对于两个给定的像素p1=(u1,v1)和p2=(u2,v2), MSLIC算法使用归一化欧氏距离测量它们之间的相似程度:
(2)
其中Ns和Nc为常数,
由式(2)可知, MSLIC算法使用了颜色和空间特征信息计算像素间的距离.初始时, 在图像I中给定一组均匀分布的种子点{Si}, 在迭代过程中, 根据式(2)计算像素与周围种子点的距离, 将像素划分至最邻近的聚类中, 并更新聚类中心{Si}与参数λi.重复上述过程, 直到达到迭代次数上限, 聚类结果即为超像素分割结果.因此, 迭代聚类过程的结果决定了算法的分割精度.
2 改进的MSLIC算法
MSLIC算法可以在普通三通道图像上快速生成内容敏感的超像素, 有一定的优势. 但将该方法直接用于多光谱遥感图像时, 由于该算法在迭代聚类过程中使用了与SLIC算法相同的聚类距离度量公式, 没有利用图像中的纹理特征且只能利用3个光谱波段, 无法适应高维图像数据, 对于图幅大、 内容复杂的多光谱遥感图像的分割精度较低. 因此, 为充分利用图像中的特征信息进行迭代聚类, 提升分割效果, 本文首先给出一种针对多光谱遥感图像的纹理特征提取方法, 以获得高质量的纹理特征; 然后对MSLIC算法的聚类距离度量进行改进, 用图像的多段光谱特征、 纹理特征及空间特征计算像素间的距离, 用特征融合的思想提高算法的聚类精度, 改善算法的分割效果.
2.1 基于CoLBP的多光谱遥感图像纹理特征提取
纹理特征是图像的一种重要特征, 其能表达影像对象的表面结构及与周围环境的联系, 还能表达图像中对象间的同质现象, 广泛应用于图像处理领域[13-14]. 局部二进制模式(local binary pattern, LBP)算子能快速、 精细地反应灰度图像中局部像素之间的差异[15-16], 但传统LBP算法基于单通道灰度图像对纹理特征进行提取, 无法直接应用于三通道彩色图像. Porebski等[17]为解决该问题, 提出了一种彩色局部二进制模式(color local binary pattern, CoLBP)算法, 与传统LBP算法基于灰度数值计算方式不同, CoLBP方法将像素的3个通道颜色分量视为一个向量, 并使用向量的二范数比较中心像素与相邻像素的光谱强弱. 该方法融合了图像的色彩和纹理信息, 因此得到的局部纹理信息更稳固, 判别性强, Choi等[18]证明了使用CoLBP方法提取的纹理特征可以改善图像分类结果.
相比于普通的RGB图像, 遥感图像的光谱信息更丰富, 其光谱通道数量由三到几百不等. 为从遥感图像中提取高质量的纹理特征, 本文将CoLBP算法由三通道颜色空间S∈3扩展至任意通道数量的光谱空间S∈β, 其中β为输入的图像数据光谱带数量, 使算法具有高维适应性. 本文多光谱局部二进制模式(multi-spectral local binary pattern, MSLBP)算法纹理描述符定义如下: 设点p为多光谱遥感图像中的一个像素点,p′是p的N邻域中相邻像素, 用表示位于光谱空间S中像素p的N邻域局部二进制编码,S表示任意维度的光谱空间S∈β.将像素p的β维光谱通道Z(p)视为β维向量,即
Z(p)=(C1(p),C2(p),…,Cβ(p))T,
(3)
(4)
其中:p为中心像素相邻像素的个数, 一般取p=8, 即八邻域;β为多光谱遥感图像的波段数,
2.2 多特征融合的多光谱遥感图像超像素分割算法
首先, 为能充分利用图像中的多个光谱波段, 本文使用与文献[12]类似的方法, 扩展MSLIC算法的映射空间, 将图像I映射到二维流形M∈β+2(β维光谱与2维空间坐标的联合空间)而不是M∈5中, 使算法充分利用光谱信息的同时可以适应高维图像数据.其次, 为充分利用图像中大量存在的纹理特征提升分割效果, 用MSLBP算法从图像中提取纹理特征, 并对式(2)进行改进, 将光谱距离dc进行扩展, 引入纹理特征差异度量, 综合考虑像素与周围种子点在空间、 光谱、 纹理特征上的差别.这种特征组合能更有效地度量像素之间的相似程度, 更准确地将像素划分至最相似的种子点, 从而提高算法的聚类精度, 改进的聚类距离度量如下.
图2 四波段图像MSLBP纹理特征提取流程Fig.2 Extraction process of 4-band image MSLBP texture feature
设输入的多光谱遥感图像I有N个像素、β条光谱波段, 对于两个给定的像素p1,p2∈I, 其在图像中的坐标为(u1,v1)和(u2,v2), 则多特征融合的像素距离定义为
(5)
其中:ds为像素间的欧氏空间距离, 即
(6)
dc为像素间的光谱距离, 定义为
(7)
式中Z(p)表示像素的光谱信息, 对于含有β条光谱通道的遥感图像,Z(p)为β维向量,Ci表示像素的第i光谱通道强度.与式(2)中dc不同, 式(7)在计算过程中使用了像素的多个光谱通道, 融入多段光谱特征, 得到的像素间光谱距离更准确, 也适应了遥感图像的多光谱特性.
(8)
2.3 算法流程
用改进的MSLIC算法在多光谱遥感图像中进行超像素分割的流程如下:
输入: 具有N个像素、β条光谱波段的遥感图像I, 期望的超像素个数K, 最大迭代次数maxiter.
步骤3) 根据式(1)为每个像素计算Area(Φ(Zp)), 计算流形中的局部搜索区域
步骤5) 如果iter>0且λi小于分割阈值τ, 则分割该超像素;
步骤6) 根据式(5)对以si为中心的2λiS×2λiS区域中的每个像素p, 计算其与种子点si的聚类距离D=D(si,p), 如果D 步骤8) 如果迭代次数iter≥maxiter, 则结束, 否则返回步骤4), 迭代次数iter=iter+1; 步骤9) 算法结束, 输出超像素分割结果. 由于LBP编码的取值范围为[0,255], 可以在计算机中使用图像展示, 因此下面以图像的方式展示传统LBP算法与MSLBP算法的纹理特征提取效果. 实验数据为四波段多光谱遥感图像, 实验结果如图3所示. 传统LBP算法只能基于灰度图像计算纹理特征, MSLBP算法则可以使用任意数量的光谱波段. 利用多段光谱信息可以更准确地捕捉图像中的局部光谱变化, 对地物的边缘更敏感. 如图3中红色框所示的地物, 可以观察到相比于传统LBP算法的提取结果(图3(B)), 使用MSLBP算法提取的纹理特征(图3(C))更准确, 同一地物内像素值较接近, 即LBP值接近, 噪点少, 且建筑、 道路等地物的边缘清晰. 因此, MSLBP算法在多光谱遥感图像中提取的局部纹理特征更具有判别性, 能反映出图像局部空间内不同地物间的差异, 可以较好地反映地物的内部特征和轮廓. 图3 LBP纹理特征提取结果Fig.3 Extraction results of LBP texture feature 3.2.1 评价指标 作为图像的密集过分割方法, 超像素应该很好地保留图像的真实分割边界; 其次, 超像素分割常作为其他算法的预处理步骤, 应具有良好的分割精度. 因此, 为验证本文算法的有效性, 采用边缘召回率(boundary recall, BR)和欠分割错误率(under segmentation, UE)验证算法的边界识别能力, 用可达细分精度(achievable segmentation accuracy, ASA)验证算法的分割精度. 边缘召回率(BR): 该指标测量地物真实边界的哪一部分落在超像素边界的至少两个像素内, 其值越高表明越很少会漏掉真实边缘, 计算公式为 (9) 其中S为超像素分割,G为地面真实分割, TP表示G中的边缘像素出现在S边界一定范围内的像素数目, FN表示在G中的边界真值没有出现在S中的像素数目. 欠分割错误率(UE): 该指标描述了超出地物真实边缘范围的超像素块个数, 其计算公式为 (10) 其中gi为地面真实分割,si为超像素分割,ng为地面真实分割总数.该指标测量每个超像素仅与一个真实对象重叠的程度.该指标越小, 证明超像素捕捉对象边界的能力越强. 可达细分精度(ASA): 超像素可用于后续分割算法的预处理步骤, ASA被定义为使用超像素作为输入单位(代替像素)进行图像分割时可达到的最高对象分割精度, 是分割精度的上限, 其计算公式为 (11) 3.2.2 实验环境及数据 本文使用Python实现, 并在AMD Ryzen 7 4800H 2.90 GHz CPU和8 GB RAM的计算机上进行测试. 为验证算法的有效性, 将本文方法与SLIC算法[7]、 文献[10]算法、 MSLIC算法[11]及线性谱聚类算法(linear spectral clustering, LSC)算法[19]进行比较, 其中MSLIC算法在SLIC算法的基础上引入了流形结构; 文献[10]算法在分割过程中融合使用传统LBP方法提取的纹理特征; LSC通过核函数将图像映射至高维空间进行迭代聚类. 本文使用基准遥感数据集图像“Pavia大学”及我国某油田厂区内的地面遥感图像作为实验数据. 其中Pavia大学遥感图像有103条光谱带, 大小为610×340像素. 另一张遥感图像有4条光谱带, 大小为946×834像素. 为适应上述对比算法的输入, 同时考虑计算成本, 参照文献[20]的方法, 在输入图像上应用主成分分析(PCA)算法进行降维, 并表示成基本三通道图像作为对比算法的输入. 对于本文算法, 由于具有高维图像数据适应性, 对于Pavia大学图像保留了20个主成分, 对于油田厂区遥感图像则使用了所有的光谱信息. 3.2.3 运行结果与分析 不同算法在3个指标下的平均运行结果如图4所示, 其中(A)~(C)为Pavia大学的运行结果, (D)~(F)为某油田厂区遥感图像的运行结果. 图4 不同算法的性能比较Fig.4 Performance comparison of different algorithms 由图4可见, 在Pavia大学场景中, SLIC算法与本文算法曲线相互交叉, 但随着超像素分割数量的增加, 本文算法在BR上要优于SLIC算法. 对于MSLIC算法, 其BR与本文算法接近, 尤其是在超像素数目较少的情况下, 但与本文算法相比, MSLIC算法在UE和ASA指标上较差. 对于文献[10]的方法, 其UE和ASA在超像素数量较少的情况下与本文方法相近, 甚至优于本文算法, 但随着超像素数量增加, 在分割数较多的情况下, 本文算法的整体性能优于文献[10]算法. 而在某油田厂区遥感图像场景下, 可用光谱特征较少, 但本文算法能充分挖掘图像中的纹理特征, 可以观察到本文算法的各项性能均优于其他对比算法, 其中MSLIC算法与本文提出的算法性能最接近, 但本文算法仍然有所提升. 随着超像素块数增加, 单个超像素块尺寸减小, 本文中给出的多光谱局部二进制纹理特征提取方法能更有效地提取局部纹理特征, 更准确地将像素划分至最相似的聚类中心, 因此在分割数较多时, 本文方法性能优势更明显. 结合图像的特性, 对不同算法结果的分析如下: 对于Pavia大学图像, 其光谱特征丰富, 4种对比算法的输入虽然使用了PCA算法进行降维, 但输入的光谱特征仍具有较好的可判别性; 其次, 图像中地物类别复杂, 且空间分辨率较小, 因此5种算法的性能差距并不明显, 但本文算法仍表现出综合性能最优. 对于油田厂区图像, 包含的光谱信息较少(4个波段), 在这种条件下, 本文算法通过MSLBP算法提取了图像中大量存在的纹理信息, 配合重新设计的像素聚类距离, 有效利用了图像中的光谱、 空间、 纹理特征. 在迭代过程中, 更准确地将相似的像素分配至同一超像素块内, 因此本文算法在该场景下的3个性能指标均较好. 虽然文献[10]方法同样利用纹理特征提高迭代聚类精度, 但其仅关注图像的3个光谱通道, 仍然存在利用特征不足的问题. 仿真对比验证结果表明, 在图像光谱信息不充足的情形下, 利用图像中的纹理信息可提升超像素分割的效果, 同时证明了本文算法可有效提升多光谱遥感图像的超像素分割精度. 两幅图像的超像素分割结果分别如图5和图6所示, 其中图5的超像素数量为800块, 图6为600块. 由图5可见, 本文应用的内容敏感超像素分割算法可在内容复杂且变化较大的区域生成数量更多、 尺寸更小的超像素, 更准确地捕捉到遥感图像中地物的边缘. 由图6可见, 在光谱信息较少的情形下, 对比算法性能下降较严重, 对图像中地物边缘捕捉不准确. 如图6中右上角的红色框所示区域, 可观察到相比于SLIC和MSLIC算法, 在相同超像素分割数量下, 本文算法可以捕捉到尺寸较小的地物轮廓. 同时, 在左上角和右下角方框区域内, 可观察到对于尺寸较大的地物, 本文算法获取的地物轮廓更清晰准确. 实验结果表明, 相比于4种对比算法, 本文方法可以在多光谱遥感图像上获得更好的超像素分割结果. 图5 Pavia大学遥感图像分割结果Fig.5 Remote sensing image segmentation results of university of Pavia 综上所述, 本文提出了一种基于MSLIC算法改进的多光谱遥感图像超像素分割算法, 生成的内容敏感超像素可以兼顾算法的降维效果与分割精度. 在MSLIC算法中融合了多段光谱特征、 纹理特征、 空间特征, 增大了特征量, 提升了算法的分割精度; 并且在给出的MSLBP纹理特征提取方法、 流形空间映射和聚类距离度量中均考虑了遥感图像的多光谱特性, 从而使算法不仅可以处理三通道图像, 而且可以直接应用于多光谱图像. 实验结果表明, 改进算法在边缘捕捉能力和分割精度等指标上均优于对比算法, 可在多光谱遥感图像上获得较好的超像素分割结果. 图6 某油田遥感图像分割结果Fig.6 Remote sensing image segmentation results of oilfield [1] 刘高天, 段锦, 范祺, 等. 基于改进RFBNet算法的遥感图像目标检测 [J]. 吉林大学学报(理学版), 2021, 59(5): 1188-1198. (LIU G T, DUAN J, FAN Q, et al. Target Detection for Remote Sensing Image Based on Improved RFBNet Algorithm [J]. Journal of Jilin University (Science Edition), 2021, 59(5): 1188-1198.) [2] 王斌, 范冬林. 深度学习在遥感影像分类与识别中的研究进展综述 [J]. 测绘通报, 2019(2): 99-102. (WANG B, FAN D L. Research Progress of Deep Learning in Classification and Recognition of Remote Sensing Images [J]. Bulletin of Surveying and Mapping, 2019(2): 99-102.) [3] 孙玮婕, 杨军. 改进的简单非迭代聚类的遥感影像分割研究 [J]. 计算机工程与应用, 2021, 57(13): 185-192. (SUN W J, YANG J. Research on Remote Sensing Image Segmentation Based on Improved Simple Non-iterative Clustering [J]. Computer Engineering and Applications, 2021, 57(13): 185-192.) [4] 罗学刚, 吕俊瑞, 彭真明. 超像素分割及评价的最新研究进展 [J]. 激光与光电子学进展, 2019, 56(9): 53-63. (LUO X G, LÜ J R, PENG Z M. Recent Research Progress of Superpixel Segmentation and Evaluation [J]. Laser & Optoelectronics Progress, 2019, 56(9): 53-63.) [5] CUI B, XIE X, MA X, et al. Superpixel-Based Extended Random Walker for Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience & Remote Sensing, 2018, 56(6): 1-11. [6] 张志龙, 李爱华, 李楚为. 基于密度峰值搜索聚类的超像素分割算法 [J]. 计算机学报, 2020, 43(1): 1-15. (ZHANG Z L, LI A H, LI C W. Superpixel Segmentation Based on Clustering by Finding Density Peaks [J]. Chinese Journal of Computers, 2020, 43(1): 1-15.) [7] ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11): 2274-2282. [8] 张永梅, 孙海燕, 胥玉龙. 一种改进的基于超像素的多光谱图像分割方法 [J]. 国土资源遥感, 2019, 31(1): 58-64. (ZHANG Y M, SUN H Y, XU Y L. An Improved Multispectral Image Segmentation Method Based on Superpixels [J]. Romote Sensing for Land and Resources, 2019, 31(1): 58-64.) [9] LU L, WANG C, YIN X. Incorporating Texture into SLIC Super-pixels Method for High Spatial Resolution Remote Sensing Image Segmentation [C]//2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics). Piscataway, NJ: IEEE, 2019: 1-5. [10] 赵宇晴, 陈广胜, 景维鹏. 对简单线性迭代聚类算法改进的遥感影像超像素分割方法 [J]. 东北林业大学学报, 2020, 48(11): 66-71. (ZHAO Y Q, CHEN G S, JING W P. Improved SLIC Clustering Superpixels Segmentation Method on Remote Sensing Image [J]. Journal of Northeast Forestry University, 2020, 48(11): 66-71.) [11] LIU Y, YU C, YU M, et al. Manifold SLIC: A Fast Method to Compute Content-Sensitive Superpixels [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ: IEEE, 2016: 651-659. [12] SELLARS P, AVILES-RIVERO A I, SCHONLIEB C B. Superpixel Contracted Graph-Based Learning for Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(6): 4180-4193. [13] 郭艳婕, 杨明, 侯宇超. 改进的SLIC算法在彩色图像分割中的应用 [J]. 重庆理工大学学报(自然科学), 2020, 34(2): 158-164. (GUO Y J, YANG M, HOU Y C. Application of an Improved SLIC Algorithm in Color Image Segmentation [J]. Journal of Chongqing University of Technology (Natural Science), 2020, 34(2): 158-164.) [14] 陶谦, 熊风光, 刘涛, 等. 多幅点云数据与纹理序列间的自动配准方法 [J]. 计算机工程, 2020, 46(10): 259-265. (TAO Q, XIONG F G, LIU T, et al. Automatic Registration Method Between Multiple Point Cloud Data and Texture Sequences [J]. Computer Engineering, 2020, 46(10): 259-265.) [15] 施新岚, 黄俊, 黄洋, 等. 基于Gabor纹理增强的人脸活体检测算法 [J]. 重庆邮电大学学报(自然科学版), 2020, 32(6): 1023-1030. (SHI X L, HUANG J, HUANG Y, et al. Face Liveness Detection Using Gabor Texture Enhancement [J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2020, 32(6): 1023-1030.) [16] 唐慧, 束鑫, 杨习贝, 等. 基于分块彩色MB_LBP纹理的人脸反欺诈算法 [J]. 江苏科技大学学报(自然科学版), 2020(3): 48-53. (TANG H, SHU X, YANG X B, et al. Face Anti-spoofing Algorithm Based on Block Color MB_LBP Texture [J]. Journal of Jiangsu University of Science and Technology (Natural Science Edition), 2020(3): 48-53.) [17] POREBSKI A, VANDENBROUCKE N, MACAIRE L. Haralick Feature Extraction from LBP Images for Color Texture Classification [C]//2008 First Workshops on Image Processing Theory, Tools and Applications. Piscataway, NJ: IEEE, 2008: 1-8. [18] CHOI J Y, RO Y M, PLATANIOTIS K N. Color Local Texture Features for Color Face Recognition [J]. IEEE Transactions on Image Processing, 2012, 21(3): 1366-1380. [19] 宋以宁, 刘文萍, 骆有庆, 等. 基于线性谱聚类的林地图像中枯死树监测 [J]. 林业科学, 2019, 55(4): 187-195. (SONG Y N, LIU W P, LUO Y Q, et al. Monitoring of Dead Trees in Forest Image Based on Linear Spectral Clustering [J]. Scientia Silvae Sinicae, 2019, 55(4): 187-195.) [20] LI S, LU T, FANG L, et al. Probabilistic Fusion of Pixel-Level and Superpixel-Level Hyperspectral Image Classification [J]. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(12): 7416-7430.3 算法验证与分析
3.1 纹理特征方法提取验证
3.2 超像素分割算法验证