CN106971397A - 基于改进jseg算法的城市高分辨率遥感影像分割方法 - Google Patents

Abstract

针对高分辨率遥感影像分割时所面临的过分割、欠分割及对象边界难以准确定位等问题，本发明公开了一种基于改进JSEG算法的城市高分辨率遥感影像分割方法。首先，采用基于信息熵的多波段融合策略获得统一的多尺度J‑image序列，以避免过于粗糙的影像量化所造成的细节信息损失。在此基础上，利用局部同质性指标J‑value进行多尺度的极小值标记以合理确定种子区域，最后采用JSEG进行区域分割及合并。实验选取高分辨率IKONOS与WorldViewII影像，并与JSEG及WJSEG进行了比较。结果表明，所提出方法能够准确定位对象的真实边界，有效抑制欠分割及过分割问题，具有更高的分割精度及可靠性。

Description

基于改进JSEG算法的城市高分辨率遥感影像分割方法

技术领域

本发明涉及一种基于改进JSEG算法的城市高分辨率遥感影像分割方法，属于图像处理技术领域。

背景技术

随着遥感影像空间分辨率的不断提高，面向对象的图像分析(OBIA，Object-BasedImage Analysis)技术已经在遥感影像解译中得到了广泛应用。图像分割是进行OBIA的基础，其负责提取场景中具有地理意义的对象，分割的质量的高低对分类及变化检测等后续影像处理的精度有直接影响。

与中、低分辨率遥感影像相比，高分辨遥感影像具有更加丰富的光谱、纹理及空间上下文信息，有助于更加精细的描述地物的轮廓特征。但另一方面，更加显著的空间细节信息也导致传统遥感影像分割方法在高分辨率遥感影像分割中面临着突出的过分割、欠分割及对象边界的不确定性等问题。特别是在城市场景中，形态各异的人造目标与多样的自然地物混杂分布，且容易受到地物阴影、云层遮盖等大量干扰因素的影响，这些因素都给实现高精度、高可靠的影像分割造成了困难。与此同时，尽管目前针对中、低遥感影像分辨率遥感影像的分割算法众多且可靠性、分割精度较高，但针对高分辨率遥感影像特别是城市场景中的影像分割研究依然在系统性与针对性中存在诸多不足。

Deng等人提出的JSEG是一种目前非常流行的彩色影像分割算法，其提出的局部同质性指标J-value对局部光谱同质性具有强大的检测能力。与此同时，JSEG算法也存在着定位对象边缘不准确、容易产生过分割等固有局限。为此，已有学者开展了一些研究工作，如Komati等人提出了三种改进JSEG算法，包括Fractal-JSEG、Fractal-only和Local FractalDimension，Fractal-JSEG和Fractal-only方法主要针对对象间边界的细节特征提取，而Local Fractal Dimension主要针对背景区域与前景目标具有相似光谱与纹理特征的应用场合，但这三种改进策略仅适用于普通图像分割。而在高分辨率遥感影像分割领域，目前仅有少量的学者展开了相关研究。例如，Li等提出在分割时采用增量的生长方式来探测图像细节，同时在合并过程，使用颜色和形状的综合信息来计算合并距离以便更好的反映地物的边界，但这种算法存在较为突出的欠分割现象。Wang等提出了一种基于小波变换的改进JSEG算法(WJSEG)，能够较为准确的定位对象的边界，同时较好的保持了大尺寸对象的轮廓完整性。尽管如此，这些算法在进行区域分割之前均采用了过于粗糙的量化，忽略了多波段影像间的互补信息，造成了有助于定位对象边界的光谱及纹理信息的损失；同时，这些方法在提取初始种子区域时的阈值均是在单一尺度下确定的，难以有效标识城市场景中形态、尺寸复杂多样的各类地物。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于改进JSEG算法的城市高分辨率遥感影像分割方法。

技术方案：一种基于改进JSEG算法的城市高分辨率遥感影像分割方法，主要包括：

步骤1，依据各波段J-image影像间J-value差值的信息熵来进行特征级融合。

首先确定一系列尺度参数M_i(i＝1,2…N)的值，并以此分别计算原始影像中各波段所对应的J-image序列J-image_ij，其中j为波段编号。定义某个像素所对应的J-value在两波段间的灰度差值为d，则为d所出现的概率，则波段j₁和波段j₂间的信息熵为：

则波段j与其他波段的信息熵之和为由于H_j越大则包含的信息量更多，因此波段j在特征融合时所占的比重可表示为：

令尺度i下每个像素对应的J-value值为：

其中，为像素z在第j波段中的J-value值。据此可以对所有波段中所有尺度的J-image进行融合，从而得到统一的多尺度J-image序列，即J-image_i(i＝1,2…N)。

步骤2，在J-image中采用多尺度的极小值标记法来检测尺寸及内部纹理复杂程度各异的人造目标及自然地物。

在最粗糙尺度J-image中，首先设定J-value的最大阈值与最小阈值对应内部纹理均质程度最高的对象，而对应内部纹理复杂程度最高的区域。令标记阈值T_m从到以0.1为间隔逐渐增大，从而获得不同的标记尺度。在不同尺度中，令所有J-value值小于T_m的联通区域为初始种子区域(即标记区域)。对于两个相邻标记尺度，将T_m大的尺度作为上层父标记，T_m小的则作为下层子标记。具有“父与子”关系的两个标记区域中，下层子标记区域的质心坐标应当在上次父标记区域中。在此基础上，采用SSIM对可能具有“父与子”关系的标记区域进行进一步筛选，即SSIM应大于0.6。在J-image中计算两个标记区域R_x与R_y的结构相似性，公式如下：

μ_x，μ_y，σ_x，σ_y，σ_xy分别是x与y的均值、标准差、方差和协方差。C₁，C₂是为了防止当分母接近零时产生不稳定现象所添加的常数。若具有“父与子”关系，则用上层标记区域代替下层标记区域；否则，保留下层标记区域，从而获得多尺度的种子区域。

步骤3，基于所提取的种子区域，采用与JSEG算法相同的区域分割及合并策略获得最终的分割结果。

附图说明

图1为IKONOS影像；

图2为WorldView-II影像；

图3为IKONOS影像分割结果图，其中(a)为本发明方法分割结果图，(b)为WJSEG算法分割结果图，(c)为JSEG算法分割结果图；

图4为WorldView-II影像分割结果图，其中(a)为本发明方法分割结果图，(b)为WJSEG算法分割结果图，(c)为JSEG算法分割结果图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于改进JSEG算法的城市高分辨率遥感影像分割方法，主要包括三个步骤：基于信息熵的多波段影像融合；基于J-value的多尺度极小值标记提取；多尺度区域分割及合并。

JSEG原理及局限性分析

传统JSEG算法在分割之前，首先需要对多波段影像进行颜色量化，从而获得单一波段灰度影像。影像量化是在LUV彩色空间中进行的，对经过同等滤波器组平滑后的影像再采用类似FCM的聚类方法来实现灰度级压缩，其目的主要是为了降低计算复杂度。

在量化影像的基础上，Deng等人提出了一种局部同质性指标J-value，能够综合反映局部区域所包含的光谱、纹理及尺度特征。其计算过程为：在量化影像中，采用每一个像素z的位置z(x,y)来代表该像素所对应的像素值。对所有像素构建特定尺寸窗口Z，尺寸为M×M像素，z为该窗口的中心像素。令m_p为Z中所有灰度级为p的像素均值，Z_p为这些像素的集合，P为量化后的灰度级总数。定义S_W为Z中所有灰度级为p的像素方差：

定义S_T为Z中所有像素的方差：

则J-value为：

J＝(S_T-S_W)/S_W (3)

遍历所有像素，并用J-value代替原始灰度值，可以获得单一尺度的J-image影像，通过改变尺度参数M，可以获得多尺度J-image序列。根据J-value的定义可以看出，J-image事实上是一幅梯度影像，J-value越大则该像素越有可能位于对象的边缘。

在多尺度分割时，首先在最大尺寸窗口对应的J-image中，小于阈值T_J＝μ_J+aσ_J的联通区域被确定为种子区域。其中，μ_J和σ_J分别为J-image的均值与方差，a∈[-0.2，0.2]。计算所有非种子区域像素的均值，所有小于该均值的像素按照由近到远的原则逐个并入相邻的种子区域。在下一个精细尺度中，采用相同的策略重新进行区域增长，直到最精细尺度计算完毕。最后，基于相邻区域的欧氏距离最小准则进行区域合并，从而获得最终的分割结果。

通过分析JSEG的原理我们发现，JSEG在高分辨率遥感影像中所存在两个主要局限。首先，尽管影像量化有助于减少计算量，但经过量化后的影像通常仅包含几个或者十几个灰度级，随之而来的是大量影像细节信息的丢失，必然给准确定位对象边界产生不良影响。另外，阈值T_J的合理选取对改善分割结果中的过分割或欠分割现象起着关键作用，而单一尺度下提取的单一阈值显然无法应对城市场景中尺寸、形状各异的各种人造目标，导致突出的过分割及欠分割问题的。因此，本发明将主要围绕JSEG在这两方面的局限性加以改进。

基于信息熵的多波段影像融合

为了尽量避免影像量化所造成的影像细节损失，同时又能够充分利用多波段影像间的互补信息，本发明依据各波段J-image影像间J-value差值的信息熵来进行特征级融合。信息熵越大，说明该波段与其他波段的可分性越高，即包含的信息量越大，因此在融合时应当占有更大的权重。

首先确定一系列尺度参数M_i(i＝1,2…N)的值，并以此分别计算原始影像中各波段所对应的J-image序列J-image_ij，其中j为波段编号。定义某个像素所对应的J-value在两波段间的灰度差值为d，则为d所出现的概率，则波段j₁和波段j₂间的信息熵为：

则波段j与其他波段的信息熵之和为由于H_j越大则包含的信息量更多，因此波段j在特征融合时所占的比重可表示为：

∑H_j为所有波段的信息熵之和。

令尺度i下每个像素对应的J-value值为：

其中，为像素z在第j波段中的J-value值。据此可以对所有波段中所有尺度的J-image进行融合，从而得到统一的多尺度J-image序列，即J-image_i(i＝1,2…N)。由于所得到J-image_i并没有进行灰度级的压缩，同时综合了各波段的互补信息，因此能够较好的保留原始影像中细节信息，从而可为后续影像分割提供可靠的多尺度分析平台。

基于J-value的多尺度极小值标记提取

在提取种子区域过程中，为了尽可能避免过分割及欠分割现象，在J-image中采用多尺度的极小值标记法来检测尺寸及内部纹理复杂程度各异的人造目标及自然地物。

在最粗糙尺度J-image中，首先设定J-value的最大阈值与最小阈值对应内部纹理均质程度最高的对象，而对应内部纹理复杂程度最高的区域。令标记阈值T_m从到以0.1为间隔逐渐增大，从而获得不同的标记尺度。在不同尺度中，令所有J-value值小于T_m的联通区域为初始种子区域(即标记区域)。对于两个相邻标记尺度，将T_m大的尺度作为上层父标记，T_m小的则作为下层子标记。具有“父与子”关系的两个标记区域中，下层子标记区域的质心坐标应当在上次父标记区域中。在此基础上，采用SSIM对可能具有“父与子”关系的标记区域进行进一步筛选，即SSIM应大于0.6。在J-image中计算两个标记区域R_x与R_y的结构相似性，公式如下：

μ_x，μ_y，σ_x，σ_y，σ_xy分别是x与y的均值、标准差、方差和协方差。C₁，C₂是为了防止当分母接近零时产生不稳定现象所添加的常数。若具有“父与子”关系，则用上层标记区域代替下层标记区域；否则，保留下层标记区域，从而获得多尺度的种子区域。

最后，基于所提取的种子区域，采用与JSEG算法相同的区域分割及合并策略获得最终的分割结果。

实验与分析

实验数据

为验证所提出方法的精度及可靠性，选取两幅不同传感器类型的高分辨率遥感影像进行分割实验。实验一选取空间分辨率为1m的Pan-Sharpened IKONOS影像，多光谱波段由为红、绿、蓝及近红外波段组成，所在地区为中国重庆，影像尺寸为512×512像素，如图1所示。实验二选取空间分辨率为1.8m的WorldView-II影像，多光谱波段由为红、绿、蓝及近红外波段组成，所在地区为中国江苏南京，影像尺寸为512×512像素，如图2所示。

由图1、图2可以看出，两幅影像均为典型的城市场景，包括房屋、道路等人造目标，以及植被、荒地等自然地物，且不同种类地物混杂分布，造成了影像背景非常复杂，有助于准确评价所提出算法性能。

实验结果与目视分析

除了本发明所提出方法外，我们还选择了传统JSEG算法以及Wang等人提出的WJSEG算法进行比较实验。实验中，为了更加客观的评价不同算法的性能，三种算法所采用的尺度参数均设定为M∈[5,7,9,12]，其余参数均按照文献X与文献Y建议的取值设定。本发明所提出方法中，根据试错法择优设定 三种算法的实验结果如图3、图4所示。

如图所示，为便于目视分析，我们对影像中的典型地物或位置用字母进行了标注。通过对比三种分割算法的实验结果可以看出，本发明所提出的方法与WJSEG算法的分割效果明显优于JSEG算法，如位置A、C、G等都出现了明显的误分割。这也证明了在普通影像分割中性能良好的JSEG算法难以直接应用于高分辨率遥感影像的分割；通过对比所提出算法与WJSEG算法可以看出，对于内部纹理特征单一的大尺寸对象，如位置B、C、G、H的建筑物屋顶以及位置D的普通地面区域，尽管两种算法都能够准确定位对象的边界，但WJSEG算法存在较为突出的过分割问题，如在位置G、H尤为显著；而对于相邻地物的边界不是非常显著的情况，如位置B、J、L，本发明所提出的方法显然对影像中的细节信息更加敏感，能够准确定位这类弱边缘，而WJSEG算法则出现了欠分割问题；对于城市道路，如位置I、E，三种算法均存在一定的过分割问题；对于植被区域，如位置F、K，三种算法取得了类似的分割效果。

综上所述，三种算法中JSEG的分割效果最差；本发明所提出的方法在抑制过分割、欠分割方面显著优于WJSEG算法；本发明所提出的方法对于弱边缘的具有良好的检测能力，能够有效保持和准确提取影像中的细节信息，但对于城市道路的提取还存在一定的过分割问题；在两组不同传感器类型的高分辨率遥感影像实验中，本发明所提出的方法表现出了相近的分割能力，具有良好的可靠性。

精度评价

为了进一步定量评价三种算法的分割精度，我们通过目视解译选取了1000个像素作为真实边界的样本集，对实验提取的边界进行精度评价。评价标准为：分割结果与真实边界差异在1个像素以内，评价为“非常准确”；差异在2个像素以内评价为“比较准确”；差异在3个像素以内评价为“一般”；其他评价为“较差”。精度评价结果如表1、表2所示。

表1 IKONOS影像分割实验精度评价

表2 WorldView-II影像分割实验精度评价

通过上表可以看出，本发明所提出的方法在两组实验的分割结果中被判定为“非常准确”及“比较准确”的边界比例分别达到了95.8％及97.4％，显著优于其他两种算法，与目视分析结果一致。

Claims (3)

1.一种基于改进JSEG算法的城市高分辨率遥感影像分割方法，其特征在于，包括：

步骤1，依据各波段J-image影像间J-value差值的信息熵来进行特征级融合；

步骤2，在J-image中采用多尺度的极小值标记法来检测尺寸及内部纹理复杂程度各异的人造目标及自然地物；

步骤3，基于所提取的种子区域，采用与JSEG算法相同的区域分割及合并策略获得最终的分割结果。

2.如权利要求1所述的基于改进JSEG算法的城市高分辨率遥感影像分割方法，其特征在于，所述步骤1中：

首先确定一系列尺度参数M_i(i＝1,2…N)的值，并以此分别计算原始影像中各波段所对应的J-image序列J-image_ij，其中j为波段编号；定义某个像素所对应的J-value在两波段间的灰度差值为d，则为d所出现的概率，则波段j₁和波段j₂间的信息熵为：

$H_{j_1{j}_2}=-{\∫}_{-1}^1{P}_{j_1{j}_2}\left(d\right){\mathrm{logP}}_{j_1{j}_2}\left(d\right)---\left(4\right)$

则波段j与其他波段的信息熵之和为由于H_j越大则包含的信息量更多，因此波段j在特征融合时所占的比重可表示为：

${\mathrm{\ω}}_j=\frac{H_j}{{\mathrm{\ΣH}}_j}---\left(5\right)$

令尺度i下每个像素对应的J-value值为：

$J_{z_i}={\mathrm{\Σw}}_j{J}_{z_j}---\left(6\right)$

其中，为像素z在第j波段中的J-value值；据此可以对所有波段中所有尺度的J-image进行融合，从而得到统一的多尺度J-image序列，即J-image_i(i＝1,2…N)。

3.如权利要求1所述的基于改进JSEG算法的城市高分辨率遥感影像分割方法，其特征在于，所述步骤2中：在最粗糙尺度J-image中，首先设定J-value的最大阈值与最小阈值对应内部纹理均质程度最高的对象，而对应内部纹理复杂程度最高的区域；令标记阈值T_m从到以0.1为间隔逐渐增大，从而获得不同的标记尺度；在不同尺度中，令所有J-value值小于T_m的联通区域为初始种子区域；对于两个相邻标记尺度，将T_m大的尺度作为上层父标记，T_m小的则作为下层子标记；具有“父与子”关系的两个标记区域中，下层子标记区域的质心坐标应当在上次父标记区域中；在此基础上，采用SSIM对可能具有“父与子”关系的标记区域进行进一步筛选，即SSIM应大于0.6；在J-image中计算两个标记区域R_x与R_y的结构相似性，公式如下：

$S(x,y)=\frac{(2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+)(2{\mathrm{\σ}}_{xy}+C_2)}{({\mathrm{\μ}}_x^2+{\mathrm{\μ}}_y^2+C_1)({\mathrm{\σ}}_x^2+{\mathrm{\σ}}_y^2+C_2)}---\left(7\right)$

μ_x，μ_y，σ_x，σ_y，σ_xy分别是x与y的均值、标准差、方差和协方差；C₁，C₂是为了防止当分母接近零时产生不稳定现象所添加的常数；若具有“父与子”关系，则用上层标记区域代替下层标记区域；否则，保留下层标记区域，从而获得多尺度的种子区域。