胡 琳, 李 巖

(華南師范大學(xué) 計算機學(xué)院, 廣州 510631)

基于顯著圖的遙感圖像多分辨區(qū)域生長分割算法

胡 琳, 李 巖

(華南師范大學(xué) 計算機學(xué)院, 廣州 510631)

針對傳統(tǒng)區(qū)域生長算法對噪聲敏感和初始種子過度依賴的問題, 本文提出一種基于顯著圖的遙感圖像多分辨區(qū)域生長分割方法. 該方法利用亮度、顏色、方向三個特征金字塔生成顯著圖, 通過視覺選擇注意模型自動選擇注意區(qū)域作為種子區(qū)域. 從能分辨種子區(qū)域的最大尺度開始區(qū)域生長, 直到0尺度, 從而分割出對遙感圖像中感興趣的區(qū)域. 實驗結(jié)果表明該方法能有效地從遙感圖像中分割出視覺注意的區(qū)域, 且有較快的速度.

圖像分割; 區(qū)域生長; 視覺選擇注意模型; 高斯金字塔

人類視覺系統(tǒng)對復(fù)雜場景的識別的過程是一個多特征融合的過程, 綜合亮度、顏色、紋理、形狀等多個方面分析選擇容易引起注意的區(qū)域, 即注意焦點(FOA, Focus Of Attention). Koch和Ullman1985年提出的視覺選擇注意模型模擬人類主動視覺選擇機制, 提出顯著圖(Saliency Map)的概念以及贏者全取和返回抑制的注意轉(zhuǎn)移機制. 其后, Itti與Koch模擬人類視覺注意階段的神經(jīng)學(xué)研究成果, 根據(jù)視覺“自底向上”注意機制建立定量計算模型(Itti模型)獲得圖像的注意焦點[6], 將人類視覺認(rèn)知理論的研究成果運用于遙感圖像處理. 國內(nèi)外學(xué)者開展的研究多集中于目標(biāo)提取及變化檢測.

本文針對區(qū)域生長算法對噪聲敏感和初始種子過度依賴的問題, 提出一種通過Itti模型獲取的注意焦點作為區(qū)域生長的種子, 在多個分辨率上進行區(qū)域生長的遙感圖像分割算法.

1 Itti模型的顯著圖

在Itti模型中獲取顯著圖的過程如圖1所示. 首先用輸入圖像生成高斯金字塔, 并分別提取金字塔每層上的亮度特征、顏色特征(包括“紅/綠”和“藍(lán)/黃”兩個色彩對比通道)和方向特征(包括0°、45°、90°和135°四個通道). 然后對各個特征通道進行“center-surround”運算, 每個特征通道都可得到6個不同分辨率的特征圖. 7個特征通道(亮度1個、顏色2個、紋理方向4個)共有42個特征圖. 最后將所有特征圖歸一化后進行線性組合得到顯著性圖[6].

圖1 顯著圖生成流程

該模型在沒有先驗知識指導(dǎo)的情況下, 綜合考慮圖像的顏色、亮度及方向特征, 可有效獲取圖像中的顯著點,并且有較好的魯棒性, 特別是當(dāng)目標(biāo)以它自己的獨特方向、顏色、亮度或尺寸和大量的周圍干擾物不同時, 顯著點的獲取更具有穩(wěn)定性.

2 一種圖像分割方法

區(qū)域生長算法中種子點的選取和合并準(zhǔn)則直接影響到分割的結(jié)果. 本文使用人類視覺注意模型獲取的顯著點作為種子點, 融合亮度、顏色及方向三種特征進行提高區(qū)域生長的能力. 并通過從獲取種子點的分辨率上依次進行區(qū)域生長直到最高分辨率來提高區(qū)域生長的速度, 同時也可減少噪聲的影響.

2.1 特征提取

由高斯金字塔產(chǎn)生的N個尺度圖中,個倍頻程中范圍分別是從1: 1(0尺度)到1:(N-1尺度).對于第k尺度, 其亮度特征記為顏色特征兩個, “紅/綠”對比通道記為,“藍(lán)/黃”對比通道; 方向特征四個, 包括0°、45°、90°和135°四個方向通道, 記為構(gòu)建特征向量如下:

2.2 種子選取

顯著圖中值最大的位置標(biāo)識了當(dāng)前視覺注意焦點的位置. 每張?zhí)卣鲌D都為顯著圖的注意焦點的選取做出貢獻. 顯著位置貢獻最大的特征圖必然在顯著點最突出的表達了對應(yīng)地物的特點, 該特征圖位于高斯金字塔的某尺度k上. 通過顯著點坐標(biāo)在1k-尺度顯著圖上可以得到相應(yīng)的注意區(qū)域. 本文將該注意區(qū)域作為進行區(qū)域生長的種子區(qū)域Gk.

2.3 區(qū)域生長算法

當(dāng)獲取到尺度為k的種子區(qū)域Gk后, 把Gk作為一類總體對象, 并在尺度為k的特征向量上按照8領(lǐng)域方法搜索與總體Gk相鄰的樣本, 并計算其與總體的馬氏距離:

3 仿真實驗

為了驗證本文算法的有效性, 以廣東省東莞市橫崗水庫的SPOT(10m)遙感圖像進行仿真實驗. 實驗環(huán)境為3.0GHz, Pentium雙核處理器, 內(nèi)存2G. 由于圖像具有4個波段, 在預(yù)處理時采用主成份分析, 獲取3個主要成份進行處理. 實驗中閾值delta取區(qū)域內(nèi)部樣本點到該總體的馬氏距離標(biāo)準(zhǔn)差的1.5倍, 閾值會隨著區(qū)域內(nèi)樣本的變化而自動發(fā)生改變.

圖2為不同尺度下的亮度特征, 由于在大尺度上, 數(shù)據(jù)量少, 區(qū)域生長法能很快確定對象的范圍, 逐步轉(zhuǎn)向細(xì)尺度時, 只需要在邊緣上進行判別, 因此計算量可以大大減少. 同時在建立不同尺度上的特征圖時經(jīng)過了濾波, 抑制了大部分噪聲, 因此該方法受噪聲的影響較小.

圖2 不同尺度下的亮度特征圖

分割的結(jié)果如圖3所示. (a)為原始的彩色圖像; (b)為人眼分割結(jié)果, (c)為顯著圖; (d)為本文算法分割的結(jié)果疊加至原圖的效果.

圖3 實驗結(jié)果

從圖中可以看出, 水體(圖3(d)上標(biāo)識1)具有較好的同質(zhì)性, 分割的邊緣合理, 結(jié)果較好. 而大片草地區(qū)域(圖3(d)上標(biāo)識2)和深林區(qū)域(圖3(d)上標(biāo)識3)也能得到較好的區(qū)分. 城市區(qū)域由于(圖3(d)上標(biāo)識4)分割效果稍差.

4 結(jié)論

本文提出了一種結(jié)合空間顯著性的基于金字塔分割的遙感圖像分割方法. 在空間顯著圖的基礎(chǔ)上,自動獲取顯著點作為種子區(qū)域, 具有良好的描述同類地物特征的能力, 在此基礎(chǔ)上進行區(qū)域生長, 可以較好的將圖中的同質(zhì)區(qū)域進行劃分, 且劃分結(jié)果基本符合人眼分割的結(jié)果. 與傳統(tǒng)的基于種子的區(qū)域生長法相比, 能更好的描述區(qū)域特征. 在分割過程中利用了方向、顏色、亮度金字塔層對顯著圖生成做出主要貢獻的特征圖層, 從粗尺度指導(dǎo)最細(xì)尺度的區(qū)域生長方式既抑制了噪聲的影響, 又避免了算法的冗余, 且分割結(jié)果更為合理. 為基于區(qū)域的遙感圖像的紋理及形狀特征的提取奠定了基礎(chǔ), 也為進一步基于多尺度的遙感圖像尺度問題研究提供了較好的討論單元.

[1] 章毓晉. 圖像工程[M]. 第2版. 北京: 清華大學(xué)出版社, 2007

[2] 劉永學(xué). 基于邊緣的多光譜遙感圖像分割方法[J]. 遙感學(xué)報, 2006, 10 (3): 350～356

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

[4] 陳 忠. 基于區(qū)域生長的多尺度遙感圖像分割算法[J]. 計算機工程與應(yīng)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

利用特征把遙感圖像分解成一系列有意義的目標(biāo)區(qū)域的過程稱為遙感圖像分割[1]. 在遙感圖像的解譯過程中, 遙感圖像的分割是遙感圖像解譯的基本處理過程, 是遙感圖像處理到圖像分析過程中的一個關(guān)鍵步驟.

遙感圖像分割方法主要分為兩類, 一類基于地物邊緣檢測的非連續(xù)性分割方法. 大致包括以下幾種:多尺度方法、多分辨率方法、基于局部圖像函數(shù)的方法、基于邊界曲線擬合的方法. 另一類基于相似性的區(qū)域分割方法. 主要有基于幅度的閾值分割(如直接固定閾值法、直方圖分割法、最小誤差分割、自適應(yīng)閾值選取法), 以及基于區(qū)域的圖像分割方法(如區(qū)域生長法、分裂合并法). 這些方法對分割灰度圖像效果較好. 然而對多光譜的遙感圖像往往達不到理想的分割效果. 因為遙感圖像具有多波段、“同質(zhì)異譜”和“同譜異質(zhì)”的特點, 必須結(jié)合圖像的各個波段所表現(xiàn)出來的地物信息才能準(zhǔn)確地反映出地物的特征. 邊緣檢測的缺點在于邊緣檢測和邊緣的連接相互獨立, 邊緣檢測的錯誤無法在邊緣連接的過程中得到更正. 閾值方法僅考慮圖像的灰度信息, 而沒有考慮圖像的空間信息. 當(dāng)圖像目標(biāo)與背景或目標(biāo)與目標(biāo)總體之間信息差異較小時, 用閾值方法進行分割難得到滿意的結(jié)果[2]. 而區(qū)域生長法在沒有先驗知識時, 可以取得最佳的性能, 并且可以用來分割比較復(fù)雜的圖象, 如自然景物[3]. 但區(qū)域生長法本身依賴于初始點(種子點)的選取及生長準(zhǔn)則與終止條件的制定, 且傳統(tǒng)區(qū)域生長法僅以一個像素作為種子進行相似判別, 不能很好的表征地物整體特點, 對噪聲敏感, 在區(qū)域增長中容易出現(xiàn)過分割的情況. 遙感圖像由于分辨率的提高, 圖像的噪聲也隨之提高, 因此僅僅利用顏色信息進行區(qū)域生長方法分割圖像會導(dǎo)致分割區(qū)域的邊緣不準(zhǔn)確. 而采用區(qū)域生長算法容易結(jié)合多種特征進行生長, 關(guān)鍵是種子點的選擇. 文獻[4]中采用Sobel算子先進行邊緣檢測, 然后在閉合邊界內(nèi)隨機一點作為種子. 事實上對于復(fù)雜的遙感圖像往往很難得到閉合的邊界.

2012-02-25

國家自然科學(xué)基金項目 (41171288)

胡 琳(1981- ), 女, 湖南岳陽人, 華南師范大學(xué)計算機學(xué)院碩士研究生. 主要研究方向: 遙感圖像處理