CN109086776A - 基于超像素区域相似性检测的典型地震灾害信息提取算法 - Google Patents

Abstract

本发明公开了基于超像素区域相似性检测的典型地震灾害信息提取算法，包括以下步骤：a、利用简单线性迭代聚类算法对原始遥感影像分割得到超像素；b、利用视觉显著性算法对步骤a得到的超像素进行显著性检测，得到显著超像素；c、修正步骤b得到的显著超像素，作为显著目标提取的训练样本；d、分别构造超像素的特征向量子集和训练样本的特征向量子集；e、根据图像特征对目标的描述能力，对特征向量子集进行层次化处理；f、经过多层次的区域相似度检测，分别逐层次计算超像素的对训练样本的隶属度值；g、根据步骤f得到的隶属度值，利用自适应阈值大津法计算隶属度阈值，将小于该隶属度阈值的超像素予以剔除，从而最终得到目标结果。

Description

基于超像素区域相似性检测的典型地震灾害信息提取算法

技术领域

本发明涉及地震灾害信息提取算法，尤其涉及一种基于超像素区域相似性检测的典型地震灾害信息提取算法。

背景技术

近年来，显著性检测、超像素分割、图像区域相似性度量等方法已被广泛应用到模式识别领域中，并且在自然图像处理中取得了很好的应用效果。图像显著性检测主要基于视觉注意力选择，通过对输入的原始图像进行显著性检测得到显著图，显著图中像元的DN值表示该像元的显著性大小。显著性较大的图像区域称之为图像的显著区域，是视觉注意的焦点也是图像信息提取的首要关注区域。目前已有多种较成熟的显著性检测算法，包括基于纯生物模型的方法，以Itti算法为代表；基于纯数学计算的方法，以全分辨率算法(AC算法)以及频域调整算法(FT算法)等为代表；融合生物模型和数学计算的方法，以基于图论的视觉显著性算法(Graph-based Visual Saliency，GBVS)为代表。而超像素分割多用于图像预处理阶段，根据图像中各个像元之间的相似性程度将相似度较高的邻域像元进行合并，得到一系列超像素。超像素分割可以降低图像处理的复杂度，加快图像处理速度，是面向对象图像处理的常用手段之一。代表性的算法主要有Ncut(normalized cuts)、分水岭(watersheds)、MeanShift、SLIC(Simple Linear Iterative Clustering)等。

图像区域相似性度量是针对标准图像区域和待检测图像区域，通过计算区域间的相似性对其做出一定的判识。标准图像区域一般为用户感兴趣区域或特定的目标区域，通常由用户指定或依据某种规则得到。待检测图像常利用图像分割将原始影像分割成若干个区域，后续处理基于区域或对象进行。国内外学者基于图像区域相似性度量的研究多见于图像匹配和检索中。地震滑坡和泥石流是两种典型的地震次生地质灾害类型，属于震后新发育的地物，在遥感影像上显著性较高。由于地震滑坡体沿着软弱面下滑，形成明显的滑动面，在滑坡体下部有新的岩土体堆积，因而其相较于周围岩土体、植被、水体等亮度值更高，在震后遥感影像上呈现灰白或白色调。同时，滑坡体在遥感影像上呈现出特殊的空间形态和纹理特征，使得震后滑坡体在遥感影像上具有较高的显著性。泥石流跟滑坡类似，在遥感影像上一般呈现浅色调。泥石流形成区，岩石风化严重，松散固体物质丰富、杂乱，色调极不均匀。泥石流流通区夹杂有大量泥沙，两侧堆积成垄岗状地形，其色调较浅，相较于周围地物易于区别。经对震后灾区高分辨率遥感影像解译发现，灾害体的亮度特征以及同周围地物较强的对比度特征是其准确解译的重要依据。因此，地震滑坡、泥石流在遥感影像上具有较高的显著性，可以利用显著性分析对其进行提取。

目前主流的显著性检测算法仅对背景简单的自然图像检测效果较好，在复杂多目标的遥感图像检测中能力不足。主要表现在，直接应用现有的显著性检测算法往往只检测到图像中显著目标的部分，破坏了显著目标的整体性，对显著目标整体一致性要求较高。图像区域相似性度量仅从图像灰度层次对不同图像区域间的相似性进行计算，从统计角度衡量图像区域间的相似性大小。该方法对图像区域的选择要求较高，同时仅仅使用了图像的亮度信息，并未利用高分辨率遥感影像中的形状、纹理等信息。

发明内容

本发明旨在解决显著性检测算法对复杂多目标遥感图像检测能力不足问题，同时充分利用高分辨率遥感影像的光谱、形状和纹理信息，提出一种基于超像素区域相似性检测的典型地震灾害信息提取算法。

为了解决以上技术问题，本发明采用的技术方案是：基于超像素区域相似性检测的典型地震灾害信息提取算法，包括以下步骤：

a、利用简单线性迭代聚类算法对原始遥感影像分割得到超像素；

b、利用视觉显著性算法对步骤a得到的超像素进行显著性检测，得到显著超像素；

c、修正步骤b得到的显著超像素，得到更加准确的目标区域，作为显著目标提取的训练样本；

d、分别构造超像素的特征向量子集和训练样本的特征向量子集；

e、根据图像特征对目标的描述能力，对特征向量子集进行层次化处理；

f、根据超像素和训练样本的特征向量，经过多层次的区域相似度检测，分别逐层次计算超像素的对训练样本的隶属度值；

g、根据步骤f得到的隶属度值，利用自适应阈值大津法计算隶属度阈值，将小于该隶属度阈值的超像素予以剔除，从而最终得到目标结果。

进一步地,所述步骤c中，显著超像素的修正方法为：

通过统计显著区域超像素到变异系数R：

其中，Std表示显著区域超像素标准差，Mean表示显著区域超像素均值，以显著性值域的85％为阈值，剔除R值大于阈值的部分显著区域边缘超像素。

进一步地，所述步骤d中，超像素的特征向量子集和训练样本的特征向量子集为开放的向量子集，分别包括超像素和训练样本的灰度均值、中值、标准差、极差、协方差、LBP值以及的显著性最高的图像中心点坐标。

进一步地，所述步骤d中，定义特征向量子集为：

式中：β₁,β₂,β₃,β₄,β₅,β₆,x_R,y_R分别表示区域i的均值、标准差、中值、极差、协方差、LBP值以及显著性最高的图像中心点坐标(x_R,y_R)；其中，超像素的特征向量子集和训练样本的特征向量子集的分别表示为和

进一步地，所述步骤e中，层次化处理具体为，将超像素或训练样本区域的亮度均值和中值作为第一主特征向量将超像素或训练样本区域的标准差、极差、协方差以及LBP值作为第二主特征向量将超像素或训练样本的区域中心点到最显著中心点之间的距离作为辅助特征向量具体表示如下：

进一步地，所述步骤e中，逐层次计算超像素的对训练样本的隶属度值的方法为：

Step1.第一主相似度检测，得到区域I_i的隶属度为：

Step2.第二主相似度检测，得到区域I_i的隶属度为：

Step3.加入距离辅助相似度检测，得到区域I_i的最终隶属度为：

其中，s_i表示特征β_i与β_i ^*之间的差异，并转化为两者之间的相似度，可以由式

计算所得；

D_i表示区域I_i的距离相似度，其计算公式为：

式中，d_i表示区域I_i中心距离显著性最高的超像素中心的距离，d_max表示每个超像素块中心点到最显著超像素中心点的距离中的最大值，其中d_i由式

计算所得，(x_i,y_i)和(x_R,y_R)分别表示图像区域I_i中心点坐标和显著性最高的超像素中心点坐标。

本发明将显著性检测算法GBVS(视觉显著性算法)与超像素分割SLIC(简单线性迭代聚类算法)相结合，对超像素分割后的区域进行GBVS检测，得到显著性较高的超像素区域，可以作为后续超像素区域相似性度量的训练区域；在进行超像素区域相似性度量时，采用主层次计算区域隶属度的策略，充分利用了超像素区域的光谱、纹理信息，同时考虑了视觉影响因子等，得到的区域相似性更加合理；综上所述，本发明对复杂多目标的遥感影像，显著目标检测效果较好。

附图说明

图1为GBVS得到的显著区域像元。

图2为图1修正后的结果。

图3-6分别为4幅测试图像显著目标提取的结果，其中，a为原始遥感图像P、b为第一主相似度检测结果、c为第二主相似度检测结果、d为加入距离辅助因子后的显著目标最终提取结果。

图7-10分别为4幅测试图像利用集中算法显著区域提取结果对照，其中，(a)原图、(b)Itti方法、(c)GBVS方法、(d)FT方法、(e)AC方法、(f)本发明方法。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

基于超像素区域相似性检测的典型地震灾害信息提取算法，包括以下步骤：

a、利用简单线性迭代聚类算法对原始遥感影像分割得到超像素。

b、利用视觉显著性算法对步骤a得到的超像素进行显著性检测，得到显著超像素。

c、修正步骤b得到的显著超像素，得到更加准确的目标区域，作为显著目标提取的训练样本；

GBVS得到的显著区域像元具有高亮度、低离散的特点，反映在统计信息上即显著区域像元亮度均值较高，方差较小。因此，通过统计显著区域超像素亮度均值和方差得到变异系数R，利用Otsu算法计算R阈值，剔除R值大于阈值的部分显著区域边缘超像素来优化GBVS显著区域。

式中：R表示显著区域特征统计量，Std表示显著区域超像素标准差，Mean表示显著区域超像素均值。本实施例的算法中，算法以显著性值域的85％为阈值。修正前，显著超像素如图1所示，根据图像显示，显著区域边缘仍然包含了部分非目标区域，一些超像素亮度较低，遥感解译发现该类地物可能是水体、植被等，直接以图1作为显著目标提取的训练样本并构造特征向量存在一定的误差。图2为图1经过修正后的结果，其中，的深灰色部分即为修正区域，修正后的显著区域同质性更高，可以作为显著目标提取的训练样本。

d、分别构造超像素的特征向量子集和训练样本的特征向量子集。

一、构造超像素区域特征向量：在得到训练样本后，需要对全体超像素与训练样本之间的相似性做出衡量。本发明算法首先统计了全体超像素与训练样本的部分底层特征，并将其转化为特征向量子集。然后对特征向量子集进行层次化处理，最后通过构造相似性联合概率得到全体超像素的隶属度值，进而得到显著目标的提取结果。

算法通过统计超像素区域的多种底层特征并构造特征向量子集来对图像区域进行描述。算法主要选取的图像区域特征包括：均值、标准差、中值、极差、协方差以及LBP纹理特征描述子，并将其表示成向量形式。同时，由于人眼视觉注意中距离显著目标越远的目标关注程度较低，因而将显著性最高的超像素中心点坐标(x_R,y_R)也纳入到特征向量子集中，将该特征向量记作本文构造的图像区域特征向量子集是一种开放的向量模式，不局限于本文算法所使用的这些特征。

式中：β₁,β₂,β₃,β₄,β₅,β₆,x_R,y_R——分别表示区域i的均值、标准差、中值、极差、协方差、LBP值以及显著性最高的图像中心点坐标(x_R,y_R)。

二、区域相似性度量：分别构造全体超像素和训练样本的特征向量后，需要对全体超像素与训练样本之间的相似性做出度量。训练样本各维特征向量均取显著区域统计量的均值，以此作为训练样本的标准特征向量。

假设超像素I_i与训练样本I^*的特征向量分别表示为和其中β_i和β_i ^*分别为图像区域I_i和I^*第i维的特征描述子。本文算法通过计算对应特征描述子之间的差异，来衡量特征向量之间的相似度大小，具体见公式(3)。

其中，S_i表示超像素区域I_i与训练样本I^*之间的相似度，N为特征向量的维度，w_i表示特征β_i的权重。一般地，特征描述子之间是线性无关的，因此w_i可以由式

计算所得。s_i表示特征β_i与β_i ^*之间的差异，并转化为两者之间的相似度，可以由式

计算所得。特征β_i与β_i ^*之间差异越大，则s_i越小，即特征向量和的第i维特征描述子相似度较低，反之则较高。依次计算所有特征描述子之间的相似度，就可由式(12)可以得到超像素I_i与训练样本I^*之间的相似度大小。

本文算法对图像区域相似度的衡量中纳入了区域中心与显著性最高的超像素中心之间的距离测度，同样将其转化为距离相似度，如公式(10)。

式中，D_i表示区域I_i的距离相似度，d_i表示区域I_i中心距离显著性最高的超像素中心的距离，可以由公式(11)计算得到，d_max表示每个超像素块中心点到最显著超像素中心点的距离中的最大值。距离最显著超像素中心越远，则该区域的距离相似度越小，反之则越大。

式中(x_i,y_i)和(x_R,y_R)分别表示图像区域I_i中心点坐标和显著性最高的超像素中心点坐标。

e、根据图像特征对目标的描述能力，对特征向量子集进行层次化处理。

图像区域特征具有一定的差异性，不同特征对目标的描述能力不同。如区域灰度均值和中值反映了图像区域整体的亮度水平，而标准差、极差、协方差以及LBP值反映了区域内部像元灰度之间的差异。为了提高算法的显著目标检测能力，本文算法对特征向量做了层次化处理。以区域亮度均值和中值作为第一主特征向量以标准差、极差、协方差以及LBP值作为第二主特征向量同时，将各个区域中心点到最显著超像素中心点之间的距离作为辅助特征向量具体表示如公式(3-5)。

式中：β₁,β₂,β₃,β₄,β₅,β₆,d分别表示超像素灰度均值、中值、标准差、极差、协方差、LBP值以及超像素中心和最显著超像素中心之间的距离。

f、根据超像素和训练样本的特征向量，经过多层次的区域相似度检测，分别逐层次计算超像素的对训练样本的隶属度值。

将特征向量层次化分解后，可以依据不同层次分别处理，逐层次计算超像素I_i的相似度，并转化为I_i与训练样本间的隶属度值。各层次下的区域隶属度计算如下：

Step1.第一主相似度检测，得到区域I_i的隶属度为：

Step2.第二主相似度检测，得到区域I_i的隶属度为：

Step3.加入距离辅助相似度检测，得到区域I_i的最终隶属度为：

g、根据步骤f得到的隶属度值，利用自适应阈值大津法计算隶属度阈值，将小于该隶属度阈值的超像素予以剔除，从而最终得到目标结果。

基于超像素I_i的隶属度值，利用Otsu算法计算其阈值，逐层次剔除隶属度较低的区域，最终得到层次化的显著目标提取结果。

实验结果与分析：

(1)实验结果

目前尚没有公开的用于显著性检测的遥感测试数据集，为了测试本文算法的检测效果，实验分别采用了2008年汶川地震后第一时间获取的四川省北川县陈家坝地区的ADS40航拍数据，以及2015年12月20日广东省深圳市光明新区泰裕工业园区发生泥石流后第一时间获取的Pleidades遥感数据。由于该算法基于显著性检测理论，要求所选数据具有较为明显且类型一致或差异较小的显著目标，因此对测试图像进行裁剪得到具有明显灾害体的4幅测试图像。

针对ADS40航拍数据分割尺度为200，针对Pleidades遥感数据分割尺度为300。利用提出的图像区域相似性度量方法对4幅测试图像分别进行显著目标提取实验，图3-6分别为4幅测试图像显著目标提取的过程，其中，a为原始遥感图像P、b为第一主相似度检测结果、c为第二主相似度检测结果、d为加入距离辅助因子后的显著目标最终提取结果。

(2)分析评价

以固定阈值85％作为显著区域提取标准，将本文算法提取结果分别与经典的Itti方法、GBVS方法、FT方法和AC方法提取结果进行对比，如图7-10分别为4幅图像利用集中算法显著区域提取结果对照，其中，(a)原图、(b)Itti方法、(c)GBVS方法、(d)FT方法、(e)AC方法、(f)本发明方法。从图中可以看出，Itti方法和GBVS方法均可以较精确地提取出部分显著目标，但目标形状完整性保持较差，该类方法属于局部特征显著性检测方法。相反地，FT方法和AC方法提取出的显著目标较完整，形状保持较好，但最显著目标受到抑制，容易受噪声影响，该类方法属于全局特征显著性检测方法。而本文方法提取结果显著目标完整性更高，形状保持更好，受噪声干扰小，一定程度上弥补了前述2类方法的不足。

上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (6)

1.基于超像素区域相似性检测的典型地震灾害信息提取算法，其特征在于：包括以下步骤：

a、利用简单线性迭代聚类算法对原始遥感影像分割得到超像素；

b、利用视觉显著性算法对步骤a得到的超像素进行显著性检测，得到显著超像素；

c、修正步骤b得到的显著超像素，得到更加准确的目标区域，作为显著目标提取的训练样本；

d、分别构造超像素的特征向量子集和训练样本的特征向量子集；

e、根据图像特征对目标的描述能力，对特征向量子集进行层次化处理；

f、根据超像素和训练样本的特征向量，经过多层次的区域相似度检测，分别逐层次计算超像素的对训练样本的隶属度值；

g、根据步骤f得到的隶属度值，利用自适应阈值大津法计算隶属度阈值，将小于该隶属度阈值的超像素予以剔除，从而最终得到目标结果。

2.根据权利要求1所述的典型地震灾害信息提取算法，其特征在于：所述步骤c中，显著超像素的修正方法为：

通过统计显著区域超像素到变异系数R：

其中，Std表示显著区域超像素标准差，Mean表示显著区域超像素均值；以显著性值域的85％为阈值，剔除R值大于阈值的部分显著区域边缘超像素。

3.根据权利要求1所述的典型地震灾害信息提取算法，其特征在于：所述步骤d中，超像素的特征向量子集和训练样本的特征向量子集为开放的向量子集，分别包括超像素和训练样本的灰度均值、中值、标准差、极差、协方差、LBP值以及的显著性最高的图像中心点坐标。

4.根据权利要求1所述的典型地震灾害信息提取算法，其特征在于：所述步骤d中，定义特征向量子集为：

式中：β₁,β₂,β₃,β₄,β₅,β₆,x_R,y_R分别表示区域i的均值、标准差、中值、极差、协方差、LBP值以及显著性最高的图像中心点坐标(x_R,y_R)；其中，超像素的特征向量子集和训练样本的特征向量子集的分别表示为和

5.根据权利要求1所述的典型地震灾害信息提取算法，其特征在于：所述步骤e中，层次化处理具体为，将超像素或训练样本区域的亮度均值和中值作为第一主特征向量将超像素或训练样本区域的标准差、极差、协方差以及LBP值作为第二主特征向量将超像素或训练样本的区域中心点到最显著中心点之间的距离作为辅助特征向量具体表示如下：

6.根据权利要求1所述的典型地震灾害信息提取算法，其特征在于：所述步骤e中，逐层次计算超像素的对训练样本的隶属度值的方法为：

Step1.第一主相似度检测，得到区域I_i的隶属度为：

Step2.第二主相似度检测，得到区域I_i的隶属度为：

Step3.加入距离辅助相似度检测，得到区域I_i的最终隶属度为：

其中，s_i表示特征β_i与β_i ^*之间的差异，并转化为两者之间的相似度，可以由式

计算所得；

D_i表示区域I_i的距离相似度，其计算公式为：

其中，d_i表示区域I_i中心距离显著性最高的超像素中心的距离，d_max表示每个超像素块中心点到最显著超像素中心点的距离中的最大值，其中d_i由式

计算所得，(x_i,y_i)和(x_R,y_R)分别表示图像区域I_i中心点坐标和显著性最高的超像素中心点坐标。