融合高程信息的低空遥感影像SLIC分割和区域合并方法

赵宗泽,方明源,高 钊,王双亭

(1. 河南理工大学测绘与国土信息工程学院,河南 焦作 454000;2. 自然资源部第一大地测量队,陕西 西安 710054)

影像分割是光学遥感影像解译重要的基础处理步骤[1]。超像素分割已经成为计算机视觉领域中广泛使用的预处理步骤,彩色图像分割是图像视觉领域的研究热点,利用遥感影像数据的光谱信息可以将影像分割成许多聚类区域[2-3]。由于超像素区域更能反映图像的拓扑结构,可以提供更好的局部空间信息。因此,超像素分割方法逐渐成为遥感影像区域分割或分类的初始预分割分析步骤[4-5]。分水岭算法[6-7]将光学遥感影像灰度值视为地形表面高度值,建立灰度梯度等级,因此,其对图像强度变化较敏感,在对复杂场景的遥感影像进行初始分割时,对地物边界的拟合不够准确,过分割现象较为严重。DBSCAN(density-based spatial clustering of applications with noise) 聚类算法[8]是一种基于密度的空间聚类算法。若样本集密度不均匀,聚类间距相差较大时,聚类质量较差;若样本数据集过大,将会影响到算法的处理效率。文献[9]提出了SLIC(simple linear iterative clustering) 简单线性迭代聚类算法,该算法改进了传统K-means方法的全域搜索过程,仅搜索聚类中心周围某一固定范围内的光谱特征,对特征相似的像元进行聚类生成分割区域,可以获取紧凑、准确的分割处理结果。但以上传统的超像素分割在遥感图像分割方面仅考虑了地物的光谱信息,对具有一定高度的地物分割结果不够准确。

在对影像数据进行超像素预分割后,可以建立邻接区域相似性准则和合并策略,对各种尺度对象进行精确分割[10-11]。文献[12]以纹理相似性和边界连续性建立相似性准则,通过融合彩色和深度信息,与流行的分割算法相比获得了显著的分割性能提升。文献[13]提出一种联合区域合并标准,以加权方式结合区域同质性和区域边缘完整性标准,在图像分割方面的应用取得了成功。文献[14]对初始分割结果建立邻接关系,区域邻接图的表示方法促进了图像分割的研究,在分割性能和执行时间方面得到了令人满意的结果,但由于是基于分水岭算法整合的边缘和区域的技术,内存需求相对较高且信噪比较低时可能表现不佳。以上区域合并方法均未考虑地物的高程信息,当具有一定高差的地物区域间光谱特征相似时,区域合并准则的判定结果会出现错误。

传统的遥感影像分割算法仅考虑了光谱信息,在进行后续分割区域合并时,也仅通过光谱和空间相似性准则进行合并处理,会出现某些具有一定高度的地物的错分现象。针对此问题,本文基于SLIC分割算法,获取影像每个像元的高程信息,并设置合适的高程权重,使分割边界同时依赖高程梯度,达到更好的初始分割效果;在初始分割的基础上,根据分割区域邻接图,采用邻域数组的数据结构[15],建立融入高程信息的光谱-高程相似性准则进行分割区域合并;另外,在合并过程中,根据不同分割区域之间的高程差别设置高程阈值,并设置不同的相似性权重,以获取最优的遥感影像地物分割结果。

1 研究方法

1.1 融合高程信息的SLIC分割算法

传统SLIC算法根据光谱和平面空间特征向量在某个给定范围内,统计每个像素与聚类中心的欧式距离,并与设定阈值进行比较,将像素分配到特征相似的分割区域。由于最初的聚类中心是均匀分布的,且搜索范围限制在聚类中心的固定半径内,因此需进行多次迭代以优化聚类中心。遍历全域去除尺寸过小的区域,有效地解决像素级分割策略带来的“椒盐噪声”问题。虽然基于光谱阈值的SLIC分割方法简单有效,预设参数只有分割区域数量k和光谱权重m,但是该方法只考虑了光谱特征,没有考虑地物高度特征,对噪声比较敏感,同一高度地物的光谱距离可能大于设定阈值,稳健性不高。针对该问题,本文提出了融合高程信息的低空遥感影像SLIC分割方法,在进行距离计算时,加权引入高程信息并设置合适的阈值,达到更加精确的分割效果。

融合高程信息的低空遥感影像SLIC分割方法在二维平面和光谱欧式距离的基础上,增加高程信息建立6维特征向量[labxyz],其中,l、a、b为像元的光谱波段取值(假设为3个波段),x和y分别为像元行列号,z为像元对应高程值,因此,光谱、平面和高程距离分别表示为

(1)

(2)

dz=zi-zj

(3)

在特征相似度量Dz中引入高程距离度量,计算公式为

(4)

其中,m为光谱权重;s为步长;λ为高程权重。

图1为不同权重情况下SLIC算法遥感影像分割结果对比。k值为分割区域数量,由图1(b)、(c)可知,k越大,步长s越小,区域尺寸越小;k值越小,步长s越大,区域尺寸越大。m为光谱权重,m值越小,分割区域对光谱的依赖程度越大,由图1(c)可知,当没有引入高程特征,且光谱权重m=40时,光谱等因素引起的影像灰度变化比较大,导致分割结果整体比较杂乱,超像素边界在视觉上不够平整光滑;当m=80时,整体上对地物边界的拟合较准确且超像素的边界较平整,然而,位于阴影区域内的建筑物边界,很难利用光谱特征进行区分;当光谱权重m=120时,部分地面和屋顶在较大的灰度梯度下却被划分为同一区域,对光谱信息不够敏感。当加入高程特征后,如图1(f)所示,可以看出处于阴影区域的屋檐边界的拟合是准确的。因此,在高程差较大时,光谱特征相差不大,可以利用高程差进行像元的相似性判断,引入高程特征向量后,对于具有一定规则高度的区域,可以克服灰度特征混淆产生的误分割问题。

图1 不同参数下的初始分割结果(局部)

1.2 融合高程信息的区域合并算法

在预分割结果的基础上,建立相邻超像素间的相似性指标,将过分割的大尺度地物进行区域合并,可有效提高分割结果的视觉效果和地物的分割精度。

1.2.1 邻域列表记录相邻区域

经典的区域合并算法有区域邻接图(region adjacent graph,RAG)及邻近图(nearest neighbor graph,NNG)[14, 16],针对及时更新区域间的邻接关系、提高合并效率这一关键点,在全局优化框架下考虑所有的邻接关系是不必要的,因此本文采取了更高运算效率的邻域数组(neighborhood array,NA)的数据结构[15]。如图2、表1所示,针对每个区域单独建立长度可变的列表Li存储相邻区域标签。这种数据结构仅需遍历当前区域,相比RAG需要遍历全局,在长度上有所降低。合并后,降低了某些区域列表的长度和区域个数,增加了区域合并算法的效率。通过设置合并阈值,在合并准则判定时,记录每个区域邻域的容器会不断更新,具备较低的时间和空间复杂度。

表1 区域邻接

图2 合并前后的区域邻接

1.2.2 高程分级双阈值合并策略

(5)

(6)

(7)

(8)

图3在预分割结果的基础上,结合不同相似性指数的区域合并结果。当分割方法中没考虑高程信息,图3(b)处于阴影部分的屋顶与地面由于灰度相似产生了误合并;图3(c)由于高程特征向量的权重较小,屋顶部分没有完整合并;图3(d)、(e)的合并能区分阴影中的屋顶与地面,但由于对高差梯度的权重较大,对具有高度不平整顶面的地物难以设置准确的高差阈值,阈值过小则需进行过多次数的合并,阈值过大,则忽略的信息较多;由图3(f)可知,基于高程分级的双阈值合并策略一定程度上兼顾了影像的光谱梯度和高程梯度,在具有复杂高度和光谱信息的区域具备较好的区域合并结果。

图3 不同合并策略和不同合并参数的局部对比试验

2 结果与分析

2.1 试验数据与平台

试验数据集1为ISPRS的公开数据集中的Hessigheim 3D(H3D)激光点云和三维纹理网格[17]。该数据集点云的平均密度约为800点/m2,本文试验数据为2019年3月Hessigheim部分区域中含大量建筑物区域的点云数据。针对带有光谱波段的点云数据,通过点云网格化[18-19]输出含有R、G、B和高程信息的4波段的遥感影像网格数据,影像栅格大小为2519×2055 像素。试验数据集2为融合DSM的震后低空遥感影像数据,每个像元的波段分别为R、G、B和高程波段,影像栅格大小为2377×3553 像素。试验数据如图4所示。试验的平台环境为Python 3.8.10;CPU为AMD Ryzen 7 5800H;16 GB内存;Windows 10操作系统。

图4 试验数据

2.2 试验结果与分析

分别利用传统和融合高程信息的SLIC分割算法,对两种试验数据进行初始区域分割和对比分析,试验对比结果局部区域如图5所示(A、C组为基于光谱信息的初始分割,B、D组为融合高程信息后的初始分割)。参数设置如下:光谱权重m=80,区域数量k=2000,高程权重λ=5。由初始分割试验结果可知,在分割方法中引入高程信息后,本文方法对于具有复杂光谱信息的建筑物,能避免由于光线明暗等问题引起的误分割,准确地拟合建筑物边界。对于阴影区域的地物,能避免仅依赖光谱难以划分的情况,准确识别出阴影区域内具有一定高度的地物。对于某些仅进行光谱特征相似性判断,与其他地物相似的区域(如道路与浅色草地),能获取更多的地物信息,准确地进行划分。对于光谱相似的植被区域的树木与草地,由树木和草地的高程差等信息拟合树木的边界。对于震后影像中局部建筑物,即使区域具备复杂的光谱信息,依然能较好地拟合建筑物边界。因此,在面对具有复杂光谱信息和高程信息的大范围区域,本文算法对地物边界的拟合效果更好。

图5 两种试验数据初始分割结果局部

传统的基于灰度梯度的遥感影像阈值分割,处于光线阴影的区域、具有复杂光谱信息的表面的地物和顶面不平整的地物会导致误分割的产生。本文提出的融合高程信息的遥感影像阈值分割,一定程度上能克服光线阴影、亮度等带来的影响。在高程差不是很大的情况下,光谱差异较小,属于同一地物的可能性较大;在高程差较大时,光谱特征相差不大,可以利用高程差进行像元的相似性判断。当依赖光谱信息难以区分时,有效利用了地物高程信息来进行地物边界的较精确拟合。由于最终的地物分割结果由预分割的超像素合并而成,因此,预分割步骤的分割质量具有决定性的意义。预分割试验结果表明,本文引入高程信息的初始分割方法作为后续区域合并的基础步骤是合适的。

图6为两个数据集局部典型地物分割合并结果,在传统的基于光谱特征的相似性准则中,引入高程特征后,当建筑物顶面区域与地面区域在光谱上相似时,可以通过区域之间高程属性差进行区分,对草地与水面的边界均能较准确地拟合;在具有复杂光谱信息和高程信息的区域,同样能较完整地保持建筑物区域的边界。因此,在处理过程中,没有产生误合并现象,获取了较好的分割结果。

图6 区域合并试验结果局部

3 结 语

在光学遥感影像聚类分割与区域合并的基础上,本文提出了一种融合高程信息的遥感影像超像素分割与区域合并方法。该方法首先在超像素预分割步骤中引入高程信息,有效地克服了仅依赖光谱信息产生的误分割,提高了遥感影像分割的准确性。然后在预分割时,利用邻域数组的数据结构,建立了加权结合高程特征的综合相似性准则。最后针对具有复杂高程的地物,根据相邻聚类间高程差设置合并前的判定条件,依据判定结果在综合相似性指数中设置不同大小的权重系数进行区域合并。通过目视法对结果进行对比分析,表明本文方法具备一定的泛化能力,相比传统的仅基于光谱信息阈值的遥感影像分割与区域合并方法,对大面积的具有复杂光谱信息和高程信息的遥感影像分割结果较准确。