胡 琳, 李 岩

(华南师范大学 计算机学院, 广州 510631)

基于显著图的遥感图像多分辨区域生长分割算法

胡 琳, 李 岩

(华南师范大学 计算机学院, 广州 510631)

针对传统区域生长算法对噪声敏感和初始种子过度依赖的问题, 本文提出一种基于显著图的遥感图像多分辨区域生长分割方法. 该方法利用亮度、颜色、方向三个特征金字塔生成显著图, 通过视觉选择注意模型自动选择注意区域作为种子区域. 从能分辨种子区域的最大尺度开始区域生长, 直到0尺度, 从而分割出对遥感图像中感兴趣的区域. 实验结果表明该方法能有效地从遥感图像中分割出视觉注意的区域, 且有较快的速度.

图像分割; 区域生长; 视觉选择注意模型; 高斯金字塔

人类视觉系统对复杂场景的识别的过程是一个多特征融合的过程, 综合亮度、颜色、纹理、形状等多个方面分析选择容易引起注意的区域, 即注意焦点(FOA, Focus Of Attention). Koch和Ullman1985年提出的视觉选择注意模型模拟人类主动视觉选择机制, 提出显著图(Saliency Map)的概念以及赢者全取和返回抑制的注意转移机制. 其后, Itti与Koch模拟人类视觉注意阶段的神经学研究成果, 根据视觉“自底向上”注意机制建立定量计算模型(Itti模型)获得图像的注意焦点[6], 将人类视觉认知理论的研究成果运用于遥感图像处理. 国内外学者开展的研究多集中于目标提取及变化检测.

本文针对区域生长算法对噪声敏感和初始种子过度依赖的问题, 提出一种通过Itti模型获取的注意焦点作为区域生长的种子, 在多个分辨率上进行区域生长的遥感图像分割算法.

1 Itti模型的显著图

在Itti模型中获取显著图的过程如图1所示. 首先用输入图像生成高斯金字塔, 并分别提取金字塔每层上的亮度特征、颜色特征(包括“红/绿”和“蓝/黄”两个色彩对比通道)和方向特征(包括0°、45°、90°和135°四个通道). 然后对各个特征通道进行“center-surround”运算, 每个特征通道都可得到6个不同分辨率的特征图. 7个特征通道(亮度1个、颜色2个、纹理方向4个)共有42个特征图. 最后将所有特征图归一化后进行线性组合得到显著性图[6].

图1 显著图生成流程

该模型在没有先验知识指导的情况下, 综合考虑图像的颜色、亮度及方向特征, 可有效获取图像中的显著点,并且有较好的鲁棒性, 特别是当目标以它自己的独特方向、颜色、亮度或尺寸和大量的周围干扰物不同时, 显著点的获取更具有稳定性.

2 一种图像分割方法

区域生长算法中种子点的选取和合并准则直接影响到分割的结果. 本文使用人类视觉注意模型获取的显著点作为种子点, 融合亮度、颜色及方向三种特征进行提高区域生长的能力. 并通过从获取种子点的分辨率上依次进行区域生长直到最高分辨率来提高区域生长的速度, 同时也可减少噪声的影响.

2.1 特征提取

由高斯金字塔产生的N个尺度图中,个倍频程中范围分别是从1: 1(0尺度)到1:(N-1尺度).对于第k尺度, 其亮度特征记为颜色特征两个, “红/绿”对比通道记为,“蓝/黄”对比通道; 方向特征四个, 包括0°、45°、90°和135°四个方向通道, 记为构建特征向量如下:

2.2 种子选取

显著图中值最大的位置标识了当前视觉注意焦点的位置. 每张特征图都为显著图的注意焦点的选取做出贡献. 显著位置贡献最大的特征图必然在显著点最突出的表达了对应地物的特点, 该特征图位于高斯金字塔的某尺度k上. 通过显著点坐标在1k-尺度显著图上可以得到相应的注意区域. 本文将该注意区域作为进行区域生长的种子区域Gk.

2.3 区域生长算法

当获取到尺度为k的种子区域Gk后, 把Gk作为一类总体对象, 并在尺度为k的特征向量上按照8领域方法搜索与总体Gk相邻的样本, 并计算其与总体的马氏距离:

3 仿真实验

为了验证本文算法的有效性, 以广东省东莞市横岗水库的SPOT(10m)遥感图像进行仿真实验. 实验环境为3.0GHz, Pentium双核处理器, 内存2G. 由于图像具有4个波段, 在预处理时采用主成份分析, 获取3个主要成份进行处理. 实验中阈值delta取区域内部样本点到该总体的马氏距离标准差的1.5倍, 阈值会随着区域内样本的变化而自动发生改变.

图2为不同尺度下的亮度特征, 由于在大尺度上, 数据量少, 区域生长法能很快确定对象的范围, 逐步转向细尺度时, 只需要在边缘上进行判别, 因此计算量可以大大减少. 同时在建立不同尺度上的特征图时经过了滤波, 抑制了大部分噪声, 因此该方法受噪声的影响较小.

图2 不同尺度下的亮度特征图

分割的结果如图3所示. (a)为原始的彩色图像; (b)为人眼分割结果, (c)为显著图; (d)为本文算法分割的结果叠加至原图的效果.

图3 实验结果

从图中可以看出, 水体(图3(d)上标识1)具有较好的同质性, 分割的边缘合理, 结果较好. 而大片草地区域(图3(d)上标识2)和深林区域(图3(d)上标识3)也能得到较好的区分. 城市区域由于(图3(d)上标识4)分割效果稍差.

4 结论

本文提出了一种结合空间显著性的基于金字塔分割的遥感图像分割方法. 在空间显著图的基础上,自动获取显著点作为种子区域, 具有良好的描述同类地物特征的能力, 在此基础上进行区域生长, 可以较好的将图中的同质区域进行划分, 且划分结果基本符合人眼分割的结果. 与传统的基于种子的区域生长法相比, 能更好的描述区域特征. 在分割过程中利用了方向、颜色、亮度金字塔层对显著图生成做出主要贡献的特征图层, 从粗尺度指导最细尺度的区域生长方式既抑制了噪声的影响, 又避免了算法的冗余, 且分割结果更为合理. 为基于区域的遥感图像的纹理及形状特征的提取奠定了基础, 也为进一步基于多尺度的遥感图像尺度问题研究提供了较好的讨论单元.

[1] 章毓晋. 图像工程[M]. 第2版. 北京: 清华大学出版社, 2007

[2] 刘永学. 基于边缘的多光谱遥感图像分割方法[J]. 遥感学报, 2006, 10 (3): 350～356

[3] Zucker S.W.Region Growing: Childhood and adolescence[J]. Computeer Graphics Image Processing, 1976: 5382～5399

[4] 陈 忠. 基于区域生长的多尺度遥感图像分割算法[J]. 计算机工程与应用, 2005, 35: 7～9

[5] Desimone R. Duncan.Neural mechanisms of selective visual attention[J]．Annual Reviews of Neuroscience, 1995(18): 193～222

[6] L.Itti, C.Koch.A saliency-based search mechanism for overt and covert shifts of visual attention[J]. Vision Research, 2000, 40(10～12): 1489～1506

[7] F. Baluch, L. Itti.Mechanisms of Top-Down Attention[J]. Trends in Neurosciences, 2011, 34: 210～224

The Multi-scale Region Growing Method Based on Saliency Map for Image Segmentation

HU Lin, LI Yan
(College of Computer Science, South China Normal University, Guangzhou 510631, China)

Traditional region growing segmentation algorithm has some problems such as too sensitive to image noise and over-dependence to the initial seed points. In order to solve these problems, a region growing segmentation algorithm is proposed based on the significant map and Gaussian pyramids. By creating the intensity, color and orientation pyramids, significant map which is used to extract seed regions is created. Then map the seed region to the corresponding scale of the pyramids and growing in a regular way. Reserve the edge pixel of region and determine if they are belonged to the same segmented area or not in another fine scale of Gaussian pyramids. The approach can realize the automatic selection of threshold and seed area, and extract meaningful object. The experiment results show that the algorithm is effective.

image segmentation; seed region growing; visual selective attention model; Gaussian Pyramid

TP751

A

1672-5298(2012)02-0030-04

引言

利用特征把遥感图像分解成一系列有意义的目标区域的过程称为遥感图像分割[1]. 在遥感图像的解译过程中, 遥感图像的分割是遥感图像解译的基本处理过程, 是遥感图像处理到图像分析过程中的一个关键步骤.

遥感图像分割方法主要分为两类, 一类基于地物边缘检测的非连续性分割方法. 大致包括以下几种:多尺度方法、多分辨率方法、基于局部图像函数的方法、基于边界曲线拟合的方法. 另一类基于相似性的区域分割方法. 主要有基于幅度的阈值分割(如直接固定阈值法、直方图分割法、最小误差分割、自适应阈值选取法), 以及基于区域的图像分割方法(如区域生长法、分裂合并法). 这些方法对分割灰度图像效果较好. 然而对多光谱的遥感图像往往达不到理想的分割效果. 因为遥感图像具有多波段、“同质异谱”和“同谱异质”的特点, 必须结合图像的各个波段所表现出来的地物信息才能准确地反映出地物的特征. 边缘检测的缺点在于边缘检测和边缘的连接相互独立, 边缘检测的错误无法在边缘连接的过程中得到更正. 阈值方法仅考虑图像的灰度信息, 而没有考虑图像的空间信息. 当图像目标与背景或目标与目标总体之间信息差异较小时, 用阈值方法进行分割难得到满意的结果[2]. 而区域生长法在没有先验知识时, 可以取得最佳的性能, 并且可以用来分割比较复杂的图象, 如自然景物[3]. 但区域生长法本身依赖于初始点(种子点)的选取及生长准则与终止条件的制定, 且传统区域生长法仅以一个像素作为种子进行相似判别, 不能很好的表征地物整体特点, 对噪声敏感, 在区域增长中容易出现过分割的情况. 遥感图像由于分辨率的提高, 图像的噪声也随之提高, 因此仅仅利用颜色信息进行区域生长方法分割图像会导致分割区域的边缘不准确. 而采用区域生长算法容易结合多种特征进行生长, 关键是种子点的选择. 文献[4]中采用Sobel算子先进行边缘检测, 然后在闭合边界内随机一点作为种子. 事实上对于复杂的遥感图像往往很难得到闭合的边界.

2012-02-25

国家自然科学基金项目 (41171288)

胡 琳(1981- ), 女, 湖南岳阳人, 华南师范大学计算机学院硕士研究生. 主要研究方向: 遥感图像处理