結(jié)合L0平滑和超像素的高空間遙感影像非監(jiān)督分類

楊澤楠,黃亮,2,王梟軒,方留楊,宋晶

(1.昆明理工大學(xué) 國土資源工程學(xué)院,云南 昆明 650093;2.云南省高校高原山區(qū)空間信息測繪技術(shù)應(yīng)用工程研究中心,云南 昆明 650093;3.云南省交通規(guī)劃設(shè)計(jì)研究院有限公司,云南 昆明 650093)

0 引 言

高空間遙感影像的目標(biāo)細(xì)節(jié)信息特征豐富,使其在大規(guī)模精準(zhǔn)地物目標(biāo)分類中應(yīng)用前景與優(yōu)勢十分顯著,目前已廣泛應(yīng)用于地表分類、目標(biāo)探測、農(nóng)業(yè)監(jiān)測、環(huán)境管理和國防建設(shè)等多個(gè)領(lǐng)域,影像分類是圖像解譯的關(guān)鍵步驟[1],能否實(shí)現(xiàn)高分辨率遙感影像精準(zhǔn)分類,直接影響到后期定性、定量分析和專題信息的有效提取和運(yùn)用[2]．因此,對(duì)高空間遙感影像進(jìn)行高效、自動(dòng)化的信息提取、分析、分類和運(yùn)用是當(dāng)前遙感科學(xué)研究的重點(diǎn)和亟待突破的瓶頸．

高分辨率遙感影像分類方法主要集中在監(jiān)督分類、半監(jiān)督分類和非監(jiān)督分類三類．采用監(jiān)督分類和半監(jiān)督分類的方法,往往存在預(yù)先獲取大量訓(xùn)練樣本難的問題,且樣本訓(xùn)練復(fù)雜度較高、時(shí)間長,難以推廣使用．因此本文采用非監(jiān)督分類方法對(duì)高空間遙感影像進(jìn)行分類．目前,國內(nèi)外大量學(xué)者對(duì)高空分辨率影像非監(jiān)督分類已開展了一定的研究,如余熊等[3]提出了一種基于顏色特征的非監(jiān)督分類方法;劉娜娜等[4]提出了一種基于圖論分割的非監(jiān)督分類方法;Huang等[5]提出了一種特征加權(quán)的K-means分類方法;楊玉梅[6]提出了基于信息熵改進(jìn)的K-means動(dòng)態(tài)聚類算法;Xue等[7]提出來一種貪婪算法改進(jìn)K-means分類的方法;熊霖等[8]提出了一種隨機(jī)森林、支持向量機(jī)(SVM)和AdaBoost三種算法改進(jìn)的K-means分類方法;Renato Cordeiro de Amorim等[9]提出了一種Minkowski metric度量結(jié)合加權(quán)特征的K-means分類方法．上述方法分類后影像中具有大量斑點(diǎn)噪聲和混合噪聲,為減少噪聲對(duì)分類精度的影像,國內(nèi)外學(xué)者在影像分類之前就進(jìn)行去噪處理,如楊杰等[10]提出一種極化白化濾波結(jié)合Cloude-Pottier分解分類方法;劉峰等[11]提出了一種多通道Gabor濾波器的分監(jiān)督分類方法．Arsalan Ghorbanian等[12]提出了一種波段聚類的非監(jiān)督方法;朱騰等[13]提出了一種超像素與Span-Pauli分解的合成孔徑雷達(dá)(SAR)影像分類方法;Chen Yang等[14]提出了一種超像素結(jié)合波段選擇的非監(jiān)督分類．上述方法雖然有效減少了圖像的噪聲,但是對(duì)高空間分辨率的遙感影像分類,精度是無法滿足的．

綜上所述,雖然國內(nèi)外大部分學(xué)者對(duì)高空間分辨率影像進(jìn)行了非監(jiān)督分類研究,但分類后影像受到椒鹽噪聲和冗余信息的影響,使得分類精度不高．基于此,本文提出一種結(jié)合L0平滑和超像素的非監(jiān)督分類方法實(shí)現(xiàn)了對(duì)高空間分辨率影像的分類,該方法能夠有效去除冗余信息和椒鹽噪聲的影響,較傳統(tǒng)非監(jiān)督分類方法,速度快、分類精度高,能獲取較好的地物分類結(jié)果圖．

1 實(shí)驗(yàn)原理與方法

1.1 L0范數(shù)平滑原理

為了解決非監(jiān)督分類后產(chǎn)生大量的椒鹽噪聲和各個(gè)地物分類類別邊界不清晰,造成分類精度不高的問題[15]．在對(duì)高空間影像非監(jiān)督分類之前進(jìn)行L0范數(shù)平滑處理．通過限制相鄰區(qū)域間強(qiáng)度變化的離散數(shù),有效去除部分噪聲,甚至是輕微的模糊的結(jié)構(gòu)．然后利用S卷積進(jìn)行多樣化的邊緣增強(qiáng)顯著性處理,提高復(fù)雜紋理表面的分類精度．具體步驟如下:首先采用式(1)計(jì)算影像梯度，然后將梯度最小化,如式(2)所示，最后用hP代替?xUP和vP代替?yUP,并建立最優(yōu)目標(biāo)函數(shù),如式(3)所示．

(1)

(2)

(3)

式中:f為輸入影像;U為平滑處理后影像;E(U)為影像梯度;?xUP和?yUP為平滑處理后影像U在P處沿x方向的偏導(dǎo)數(shù)和沿y方向的偏導(dǎo)數(shù);#{}表示梯度不為零的像素個(gè)數(shù);λ為平滑權(quán)重大??；β為參數(shù)用于約束hP和vP兩者對(duì)應(yīng)的影像梯度相似性．

1.2 SLIC超像素聚類原理

簡單的線性迭代聚類(SLIC)超像素分割方法是一種原理簡單,實(shí)現(xiàn)便捷的方法,該方法能夠去除圖像中的冗余信息從而降低后續(xù)圖像分類處理任務(wù)的復(fù)雜度．因此,本文采用顏色和空間信息特征的超像素方法．首先進(jìn)行初始化種子點(diǎn),確定影像像素點(diǎn)的距離近似值[16],如式(4)所示．

(4)

式中:S為每個(gè)像素點(diǎn)的距離近似值;N為影像的像素個(gè)數(shù);K為聚類個(gè)數(shù)．

然后計(jì)算影像每個(gè)像素點(diǎn)的顏色空間距離和平面空間距離,并用于衡量相似度,計(jì)算公式為式(5)～(7)[17],最后將各地物有效聚合,將顏色和空間信息充分融合．

(5)

(6)

(7)

式中:lj、aj和bj是像素j的值;li、ai和bi是像素i的值;xj和yj是超像素中心j的坐標(biāo);xi和yi是像素點(diǎn)i的坐標(biāo);s是聚類區(qū)域邊長;m是顏色空間的權(quán)重系數(shù)．dc和ds分別為顏色空間距離和平面空間距離.D越大表示兩個(gè)像素特征越相近．

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證提出方法的有效性,本文選取云南省三景高空間分辨率影像作為實(shí)驗(yàn)數(shù)據(jù),如圖1(a)、圖2(a)和圖3(a)所示．圖1為第一景影像,其中圖1(a)選用云南省德馬村某局部區(qū)域無人機(jī)影像,大小為979×586像素,空間分辨率為0.05 m,有紅、綠、藍(lán)3個(gè)波段,圖1(b)通過目視解譯獲取的地物分類圖,圖1(c)為地物分類類別示意圖,影像中主要有房屋、道路、植被和裸地等四類地物;圖 2為第二景影像,其中圖 2(a)選用云南省安寧市某局部區(qū)域無人機(jī)原始影像,大小為726×468像素,空間分辨率為0.1 m,有紅、綠、藍(lán)3個(gè)波段,圖2(b)通過目視解譯獲取的地物分類圖,圖2(c)為地物分類類別示意圖,影像中主要有蔬菜大棚、耕地、植被和田埂等四類地物;圖 3為第三景影像,其中圖 3(a)選用云南省尋甸縣某局部區(qū)域原始Quick Bird影像,大小為507×277像素,空間分辨率為0.61 m,有藍(lán)、綠、紅、近紅外4個(gè)波段,圖3(b)為通過目視解譯獲取的地物分類圖,圖3(c)為地物分類類別示意圖,影像中主要有水體、植被、裸地和道路等四類地物．

(a)原始影像圖 (b)目視解譯分類圖 (c)類別示意圖圖1 第一景影像圖

(a)原始影像圖 (b)目視解譯分類圖 (c)類別示意圖圖2 第二景影像圖

(a)原始影像圖 (b)目視解譯分類圖 (c)類別示意圖圖3 第三景影像圖

2.2 實(shí)驗(yàn)結(jié)果

2.2.1 L0平滑和超像素分析

本次實(shí)驗(yàn)對(duì)三景實(shí)驗(yàn)數(shù)據(jù)分別進(jìn)行L0平滑濾波和超像素聚類處理,為了得到地物光譜相對(duì)均質(zhì)、邊緣保持顯著、分類更加貼切、精度高的最佳聚類結(jié)果[18],經(jīng)多次實(shí)驗(yàn),分別設(shè)置第一景平滑參數(shù)為0.05、超像素分割尺度為40;第二景平滑參數(shù)為0.01、超像素分割尺度為6;第三景平滑參數(shù)為0.03、超像素分割尺度為10．圖4和圖5分別為L0平滑處理后影像和超像素聚類后影像．

(a)第一景影像圖 (b)第二景影像圖 (c)第三景影像圖圖4 L0平滑后影像

(a)第一景影像圖 (b)第二景影像圖 (c)第三景影像圖圖5 平滑后超像素影像

由圖4可知,三景L0平滑后圖像在一定程度上減少了噪聲點(diǎn)對(duì)圖像平滑效果的影響,同時(shí),圖像的顏色及結(jié)構(gòu)信息保留完整,從而獲得了較好的平滑效果．由圖5可知,三景超像素聚類后影像,能充分考慮到圖像中各個(gè)地物的顏色和形狀特征,有效地減少了圖像的冗余信息．

2.2.2 K-means非監(jiān)督分類分析

為了驗(yàn)證提出方法的有效性,本文設(shè)計(jì)了三組對(duì)比實(shí)驗(yàn)．第一組采用傳統(tǒng)K-means對(duì)影像進(jìn)行非監(jiān)督分類;第二組采用L0和K-means進(jìn)行非監(jiān)督分類;第三組為本文提出的方法,實(shí)驗(yàn)結(jié)果如圖6～8所示．

(a)原圖非監(jiān)督分類圖 (b)L0平滑后非監(jiān)督分類圖 (c)本文方法分類圖圖6 第一景非監(jiān)督分類圖

(a)原圖非監(jiān)督分類圖 (b)L0平滑后非監(jiān)督分類圖 (c)本文方法分類圖圖7 第二景非監(jiān)督分類圖

(a)原圖非監(jiān)督分類圖 (b)L0平滑后非監(jiān)督分類圖 (c)本文方法分類圖圖8 第三景非監(jiān)督分類圖

由圖6可知,對(duì)于裸地的分類,3種方法分類效果基本一致;對(duì)于道路的分類,圖6(a)有部分錯(cuò)分成了白色房屋,這主要是由于圖像中存在同物異譜和異物同譜的現(xiàn)象,以及基于像元的分類會(huì)產(chǎn)生椒鹽噪聲的影響,但圖6(b)、(c)均能正確劃分;對(duì)于植被而言,圖6(a)、(b)大部分被錯(cuò)分成深色房屋,但圖6(c)能完整地將植被與其他地物區(qū)分;對(duì)于房屋而言,本次實(shí)驗(yàn)分為淺色房屋、深色房屋和小白房屋,圖6(a)、(b)分類整體性不高,使得3種房屋邊界不明確,但圖6(c)基本能夠區(qū)分3種房屋的邊界．

由圖7可知,蔬菜大棚和田埂混合在一起,較難區(qū)分,3種方法分類效果基本一致,都有部分田埂被分到蔬菜大棚中;由于植被和耕地有部分混雜,對(duì)于植被和耕地的分類難度較大,圖7(a)、(b)都有部分植被被錯(cuò)分成了耕地,圖7(a)還有部分植被被錯(cuò)分成了蔬菜大棚,但圖7(c)基本沒有錯(cuò)分現(xiàn)象,而且兩者邊界明確．

由圖8可知：對(duì)于水體的分類,3種方法分類效果基本一致;而對(duì)于裸地的分類3者都有被錯(cuò)分成了水體的部分,圖8(a)、(b)還有一部分被錯(cuò)分成了植被,圖8(c)沒有此錯(cuò)分現(xiàn)象出現(xiàn);建筑物與道路相連接,周邊有植被和水體包圍,很難區(qū)分,圖8(a)、(b)中幾乎無法分清道路和建筑物,還有部分被錯(cuò)分成裸地,但圖8(c)能準(zhǔn)確區(qū)分建筑物和道路,并與周圍的水體和植被分類邊界明確;植被包圍水體,圖8(a)、(b)有錯(cuò)分成水體的現(xiàn)象,但圖8(c)植被邊界與水體邊界明確．綜上所述,本文提出的方法能使地物邊界區(qū)域誤分像素顯著減少,整體分類質(zhì)量得到很大程度提高．

2.3 精度評(píng)定

本次研究為了更加真實(shí)可靠地評(píng)價(jià)結(jié)合L0平滑和超像素的高空間遙感影像非監(jiān)督分類．本文采用了總體分類精度和Kappa系數(shù)[18-20]來評(píng)定分類結(jié)果,如式(8)、(9)和(10)所示．

(8)

式中:n為像元總個(gè)數(shù);xi+和x+i分別為混淆矩陣各行、個(gè)列之和;xii為混淆矩陣對(duì)角線元素．

Kappa系數(shù)公式:

(9)

總體精度公式:

(10)

式中:p0為分類的總體精度,表示對(duì)每一個(gè)隨機(jī)樣本分類結(jié)果與地面調(diào)查數(shù)據(jù)類型一致的概率;pe表示由于偶然機(jī)會(huì)造成的分類結(jié)果與地面調(diào)查數(shù)據(jù)類型相一致的概率;n為分類的類型數(shù)量;N為樣本總數(shù);pii為第i類型的被正確分類的樣本數(shù)目．當(dāng)分類結(jié)果與實(shí)際類型完全吻合時(shí),Kappa系數(shù)的值即為1．本次實(shí)驗(yàn)所采取的三景高空間遙感數(shù)據(jù)的分類精度如表1所示.

表1 精度評(píng)價(jià)分析表

由表1可知,三景影像數(shù)據(jù)中,文中提出方法的分類結(jié)果在總體精度和Kappa系數(shù)兩項(xiàng)精度評(píng)價(jià)指標(biāo)中,均高于傳統(tǒng)K-means非監(jiān)督分類和L0+K-means非監(jiān)督分類方法．實(shí)驗(yàn)結(jié)果表明,提出方法的分類能有效地對(duì)高空分辨率影像進(jìn)行分類．

3 結(jié)束語

本文針對(duì)利用基于像元的高空間分辨率影像非監(jiān)督分類存在椒鹽噪聲的問題,提出來一種結(jié)合L0平滑和超像素的高空間分辨率遙感影像的非監(jiān)督分類方法．首先采用L0平滑對(duì)高空間遙感影像進(jìn)行濾波處理,有效地減少大量的噪聲和冗余信息,使圖像更加清晰;然后采用超像素聚類與圖像中顏色和平面空間特征有機(jī)結(jié)合,使圖像中各個(gè)地物有效聚合,并結(jié)合K-means非監(jiān)督分類,有效地解決錯(cuò)分漏分以及選取樣本難的問題,有效提高了高空間分辨率影像分類效率和精度問題．實(shí)驗(yàn)結(jié)果表明,所提出的方法能有效改善高空分辨率影像分類中的椒鹽噪聲和大量錯(cuò)分、漏分的問題．但本次實(shí)驗(yàn)受到了影像中同物異譜和異物同譜的影響及部分椒鹽噪聲的干擾,使得分類后影像仍有錯(cuò)分和漏分的現(xiàn)象,未來將繼續(xù)圍繞這一方面進(jìn)一步研究．