基于边界信息的多尺度遥感影像分割质量非监督评价方法
苏腾飞
内蒙古农业大学水利与土木建筑工程学院,呼和浩特 010018
摘要:
多尺度分割是高分辨率遥感影像信息提取的关键步骤,但是如何评价分割质量、量化分割错误一直是具有挑战性的课题。本文在边界强度信息的基础上,构建了一种非监督的分割评价方法,用于多尺度遥感影像分割的最优尺度参数选择与局部分割质量评价。分割错误包括过分割与亚分割2种,该文利用归一化边界梯度特征,分别对2类分割错误进行了建模。对过分割错误的估计考虑了斑块边缘的梯度信息,而对亚分割错误的评估运用了斑块内部梯度信息。为了验证所提出的方法,利用2景高分辨率遥感影像,开展了多尺度分割结果的评价实验,所提出方法的分割评价与实际分割效果吻合度较高。结果表明,该文方法可以有效反映斑块的过分割与亚分割错误。
0 引言
影像分割是遥感影像解译的基础步骤[1-2]。近年来,多种遥感影像分割算法应运而生[3⇓⇓-6],其中分型网演化算法(fractal net evolution approach,FNEA)[7⇓-9]在多种遥感影像解译中成功应用,然而其分割错误依旧难以避免[10]。因此,发展分割错误评价方法具有重要意义。
遥感影像分割评价可大致分为监督与非监督2类方法。前者需输入实际地物(ground truth,GT)数据,该类方法包括二重欧式距离[11]、精确率与召回率[3,12]、局部与全局分割评估[13]。然而,GT的准备需要繁重的人工解译。非监督评价不需GT,该类算法包括光谱方差与Moran指数[14]、光谱变化率评价策略[15]、亚分割与过分割意识(under- and over-segmentation aware,UOA)[16-17]。然而,以上非监督评价未能明确提供局部斑块的质量。此外,以上算法主要是基于光谱信息的,而光谱会随影像场景发生变化。边界强度是一种基础的影像信息,与影像场景变化的关系较小。本文以边界强度为基础,对过分割与亚分割错误进行了估计方法建模。
1 算法原理
本文的非监督分割评价算法包含3部分: ①边界强度特征提取; ②基于边界强度的过分割评估模型; ③基于边界强度的亚分割评估模型。
1.1 边界强度特征提取
目前已存在很多遥感影像边界强度的提取方法,它们大多是基于影像的滤波操作实现的。由于遥感影像中各类地物及其背景的光谱是多样的,地物边缘的梯度大小存在很高的任意性。为了克服该问题,本文提出了一种自适应双阈值的归一化边界强度提取方法,使较为模糊的地物边界具有较高的归一化梯度值,从而强化模糊边界的信息。该方法包含5个步骤:
1.2 基于边界强度的过分割估计
影像分割的错误包含过分割与亚分割2种[10,13]。过分割通常被定义为分割结果斑块小于所对应的地物,使地物不能被完整表示。在过分割发生时,斑块的边界与地物边界的吻合度较低; 进一步而言,对于过分割的斑块,其一部分或全部边界是位于地物内部的。
1.3 基于边界强度的亚分割估计
与过分割相反,亚分割一般被定义为分割结果斑块大于所对应的地物,使地物形状不能被分割结果准确描述。在亚分割发生时,斑块内部包含了一部分或全部的地物边界像素,鉴于此,笔者利用了斑块内部像素的梯度信息来反映亚分割错误。
2 实验
2.1 实验数据
本文采用了2景高空间分辨率影像来开展多尺度分割精度评价实验。两景影像分别由高分2号、GeoEye-1卫星获取,下文分别将其简称为T1和T2。表1列出了两景影像数据的基本信息,且图1的(a)(b)为原始影像。图1(c)(d)分别显示了T1和T2的GT提取结果,其所提取地物的数目分别为105和97。图1(e)(f)为边界信息提取结果,从中可见,T1和T2里主要地物的边界都具有较高的数值。本文采用了主流的FNEA算法[7]生成多尺度分割结果。表2列出了本实验所采用的对比方法,表中除了Σ以外指标的数值越高,表示所对应的分割错误越严重; Σ的数值越接近0,其所对应的总分割错误越低; UOA与改进UOA的φ的定义是相同的。
表1 两景高空间分辨率遥感影像的基本信息
图1 两景影像数据与实验准备所提取的信息
表2 5种分割评价方法中用于反映分割错误种类的指标
2.2 T1实验结果
对T1的多尺度分割进行评价,其结果由图2展示。容易发现,在5种评价方法的结果中,随着尺度参数的增大,用于反映过分割的指标(见表2)均呈现逐渐降低的变化,而亚分割的指标逐渐上升。用△符号标识各个总分割错误指标最优时的位置可见,5种方法的△位置差异较大; SZ监督方法的△位置与尺度参数40对应,只有本文方法的结果(尺度参数为30)与其最为接近。为了进一步分析本文评价算法对T1分割错误的描述效果,在图3绘制了本文方法对2个尺度参数分割结果的局部评价结果,即绘制了各个斑块eOSE,eUSE值的分布图。从图3(a),(b)可以看出,尺度参数在30时,大部分农田被完整分割出来,但依旧有一部分农田存在较为明显的过分割错误; 对于尺度参数为70的分割结果,虽然很多斑块较为完整地对应了其覆盖的斑块,但存在不少斑块与背景合并,导致亚分割现象。通过对比图3(c),(d),大部分含有过分割的斑块具有较高的EOSE值,且一些过分割错误不明显的斑块也具有较高的EOSE值。通过对该类斑块的进一步分析发现,其原因是斑块的边界位于农田实际边界的内部,这使得斑块边界像素的归一化梯度值较小。
图2 对T1多尺度分割的评价结果
图3 对T2多尺度分割的评价结果
图3(a)显示了各斑块的EUSE分布。当尺度参数为30时,大部分农田都具有较低的亚分割错误,而乡村建筑、道路等一些斑块,其EUSE较高。当尺度参数为70时,一些与背景合并的农田斑块具有较高的EUSE值。
2.3 T2实验结果
图3展示了5种方法对T2多尺度分割结果的整体分割质量评价。5种算法的过分割、亚分割,以及总分割错误指标随尺度参数的变化趋势是相近的,即随着尺度增加,过分割降低、亚分割升高,总分割错误先降低后升高。值得注意的是,各方法所确定的最优尺度位置(由△表示)具有一定差异: 本文方法确定的最优尺度为30,而SZ监督方法的结果是70,另外3种非监督评价方法的结果都是60。T2局部分割评价结果与T1类似,为节省篇幅,此处不再赘述。
3 结论
本文提出了一种非监督的多尺度遥感影像分割评价算法,该方法是基于边界强度信息来实现的。通过对2景高分辨率遥感影像的多尺度分割结果进行评价实验发现,本文方法的评价结果与实际分割错误的吻合程度较高,得出结论如下:
1)本文方法不仅可以估算出某个分割结果的总体评价数值,还可以量化每个斑块的分割质量,从而为用户生成分割错误分布图;
2)本文方法是非监督的,因此可用于估算多尺度分割算法的最优尺度参数,从而为优化多尺度分割算法的性能提供重要参考;
3)本文的实验是基于2景高分辨率遥感影像取得的,且唯一参数ρ被设置为1,用户可根据实际情况来调节参数ρ,来得到最佳效果。
（原文有删减）
【作者简介】苏腾飞(1987-),男,硕士,主要研究方向为面向对象图像分析算法及农田遥感应用。Email: stf1987imau.edu.cn。
【】内蒙古自治区高等学校科学研究项目“对象级主动学习的河套灌区遥感作物分类算法研究”(NJZY22495);与国家自然科学基金项目“面向对象的河套灌区遥感作物分类算法研究”(61701265)
【】苏腾飞. 基于边界信息的多尺度遥感影像分割质量非监督评价方法[J]. 自然资源遥感, 2023, 35(1): 35-40.
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
