博文

基于局部空间信息的可变类模糊阈值光学遥感图像分割

已有 1616 次阅读 2022-6-24 14:02 |系统分类:博客资讯

引用本文

杨蕴, 李玉, 赵泉华. 基于局部空间信息的可变类模糊阈值光学遥感图像分割. 自动化学报,

2022, 48(2): 582−593 doi: 10.16383/j.aas.c190412

Yang Yun, Li Yu, Zhao Quan-Hua. Fuzzy threshold optical remote sensing image segmentation with variable class number based on local spatial information. Acta Automatica Sinica, 2022, 48(2): 582−593 doi: 10.16383/j.aas.c190412

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190412

关键词

遥感图像分割, 局部模糊阈值, 可变类, 隶属度域, 标号场

摘要

阈值法分割在光学遥感图像分析中被得到广泛的应用, 然而传统阈值法也存在诸多局限性, 如对噪声敏感, 需人为设定类别数, 计算复杂度高等. 针对传统阈值法的局限性, 提出一种基于局部空间信息的可变类模糊阈值光学遥感图像分割方法. 首先, 以图像光谱的一阶矩为初始类中心, 利用二分法原理和区域间最大相似度准则来快速确定类别数及其中心. 然后, 通过岭形模糊隶属函数计算各像素点对不同类的隶属程度, 同时考虑到像素点的隶属度局部空间信息, 在隶属度域中定义一个模糊加权滤波器对各类的隶属度矩阵进行滤波, 以滤波后的隶属度集合为依据, 按照最大隶属原则确定图像的标号场. 最后, 对标号场中的局部异常标号进行替换, 将修正后的标号场由对应的类中心赋色得到分割图像. 视觉和统计分析评价结果表明, 与传统阈值法相比, 该方法能在减少计算时间的同时获得更好的分割结果, 可适用于光学遥感图像的多阈值分割.

文章导读

随着遥感图像分辨率的提高, 其在人们生活中的使用比例越来越大, 如何快速、精确地从其中提取目标信息已成为遥感领域的一个重要研究课题[1]. 分辨率的提高在带来信息丰富的同时也给目标分析带来巨大困难, 而图像分割技术通过给每个像素分配标签, 使同一标签的像素具有相同的视觉特性, 可提高图像分析的效率[2]. 因此执行图像分割用于更好描述图像是由图像处理到图像分析的关键步骤, 对于遥感图像目标的高效分析具有重要意义.

现有图像分割方法大致可分为四类: 基于区域[3]、边缘[4]、学习分类[5]和阈值[6] 的方法. 其中, 区域法的优点是对噪声不敏感, 但需要制定合适且高效的相似性准则, 易造成图像过分割; 而单纯基于边缘检测的方法往往不能提供较好的区域结构; 学习分类法利用大量的训练样本能较好地解决图像中的噪声和均匀问题, 但目前存在网络模型难以确定, 易出现欠学习和局部最优等问题[7-8]; 阈值法具有简单易行、性能稳定等优点[9], 目前流行的阈值方法有Otsu法[10]、最大熵法[11]和聚类法[12]等, 这些方法基于不同准则来选取阈值, 都具有各自的优点, 但也有自身的缺点. Otsu和最大熵法分别以分割后图像的类间方差和熵最大为目标函数, 穷举选取使目标函数获得最大值的阈值, 但其仅考虑像素本身对分割结果的影响, 对噪声和异常值敏感[13]. 为此, 人们引入邻域像素进行二维阈值化, 在一定程度上减弱了噪声和异常值对分割结果的影响, 但存在信息损失严重、耗时过长等缺点, 特别是在多阈值图像分割中更为突出[14]. 聚类法是一种不依赖于分类的先验知识, 遵循同质性准则对像素划分的方法, 能够有效分离具有全局特征的数据[15], 其中最具代表是Kmeans和模糊C 均值(Fuzzy C-means, FCM)算法. Kmeans算法以欧氏距离作为相似度测度, 以误差平方和为聚类准则函数, 迭代计算使得准则函数收敛为止[16]. 它具有简单、计算快速等优点, 但其强制图像的各个像素属于特定的类别, 使得对具有复杂场景的遥感图像的分割结果很差. FCM 方法利用模糊集理论中的隶属函数对每个像素点进行划分, 考虑了模糊性和不确定性, 可对纹理和背景简单的图像取得良好的效果[17], 但FCM仅考虑像素光谱信息, 对噪声较敏感. 为此常将图像局部空间信息引入目标函数, 如文献[18-19] 中, 通过迭代计算像素邻域和聚类中心之间的距离来提高FCM算法对图像分割的鲁棒性. 然而, 局部空间信息的引入会导致算法复杂度升高, 降低了该算法的实际应用价值.

为了克服传统阈值法需人为设定类别数、对噪声敏感、计算复杂度高等局限性, 提出了一种基于局部空间信息的可变类模糊阈值遥感图像分割方法. 首先, 以图像中待定类像素点的光谱一阶矩和二阶矩为初始类中心和自适应阈值, 利用二分法原理来初始化类别数目. 对于任意待定类别, 当相邻两次迭代得到类别的像素光谱均值差小于规定值时, 该类查找结束, 并以此均值作为该类的中心. 并在确定各类的迭代过程中, 计算与其二阶邻域系统间的相似度, 以最大相似度准则进行类别区域合并. 由确定的类别数和类中心为输入, 通过岭形模糊隶属函数计算图像中各像素点对于不同类别的隶属程度. 考虑图像中属于同一类别的像素具有一定程度的连通性, 即各像素与其邻域之间关系紧密, 不可能存在孤立的像素, 而隶属度和标号场是各像素属性的映射, 因此也满足此局部空间关系. 为了利用此局部空间信息同时降低计算复杂度, 在隶属度域中定义一个加权模糊滤波器对每一类别中像素点的隶属度进行滤波, 以滤波后的隶属度集合为依据, 按照最大隶属原则确定图像的标号场. 最后, 对标号场中局部异常标号进行替换, 将修正后的标号场由对应的类中心赋色得到分割图像.