CC BY
71
СЕГМЕНТАЦИЯ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ ВЫСОКОГО РАЗРЕШЕНИЯ ПО СПЕКТРАЛЬНЫМ И ТЕКСТУРНЫМ ПРИЗНАКАМ
Игорь Алексеевич Пестунов
Институт вычислительных технологий СО РАН, 630090, Новосибирск, просп. Академика Лаврентьева, 6, заведующий лабораторией обработки данных, тел. (383)334-91-55, e-mail: [email protected]
Сергей Александрович Рылов
Новосибирский государственный университет, магистрант, 630090, г. Новосибирск, ул. Пирогова, 2, e-mail: [email protected]
Предлагается вычислительно эффективный алгоритм сегментации спутниковых изображений, основанный на совместном использовании спектральных и текстурных характеристик. Результаты экспериментов на модельных и реальных изображениях подтверждают эффективность предложенного алгоритма.
Ключевые слова: спутниковые изображения высокого разрешения, сегментация изображений, спектральные и текстурные признаки.
SEGMENTATION OF SATELLITE IMAGES WITH HIGH SPATIAL RESOLUTION BY SPECTRAL AND TEXTURAL FEATURES
Igor A. Pestunov
Institute of Computational Technologies SB RAS, 6 Acad. Lavrentjev ave., Novosibirsk, 630090, laboratory chief of data processing, tel. (383)334-91-55, e-mail: [email protected]
Sergey A. Rylov
Novosibirsk State University, 2 Pirogova st., Novosibirsk, 630090, undergraduate, tel. (383)334-91-55, e-mail: [email protected]
Effective algorithm for multispectral image segmentation based on joint use of spectral and textural features is proposed. Results on the model data and real images confirming its efficiency are presented.
Key words: satellite images with high spatial resolution, image segmentation, spectral and textural features.
1. Введение
Сегментация является одним из важнейших этапов анализа цифровых изображений [1]. Она заключается в разбиении изображения на непересекающиеся области на основе однородности (похожести) их спектральных и (или) пространственных (текстура, форма, контекст и т.п.) характеристик. Методы сегментации изображений нашли широкое применение во многих прикладных областях, включая дистанционное зондирование Земли из космоса [2].
С каждым годом растет число запускаемых спутников, обеспечивающих поставку многоспектральных изображений высокого пространственного
разрешения (1-10 м) [3]. Их особенность состоит в том, что значительная часть информации о представленных на них объектах заключена в текстуре изображения. Применительно к таким изображениям, традиционные методы сегментации, учитывающие лишь спектральные характеристики, оказываются непригодными, поскольку приводят к чрезмерной фрагментации однородных по текстуре областей. Не являются исключением и методы, реализованные в известных пакетах программ обработки спутниковых изображений (ERDAS Imagine, ENVI и др.).
В связи с этим разработка методов и программно-алгоритмических средств так называемой спектрально-текстурной сегментации многоспектральных изображений в настоящее время является весьма актуальной задачей [4].
В данной работе предлагается метод спектрально-текстурной сегментации спутниковых изображений, основанный на непараметрических алгоритмах кластеризации и свободный от проблемы введения единой метрики в пространстве спектральных и текстурных признаков.
2. Краткое описание метода
Основная идея предлагаемого метода заключается в разделении процесса сегментации на два этапа. На первом этапе производится сегментация исходного изображения по спектральным признакам, а на втором - сегментация картосхемы, полученной на первом этапе, по текстурным признакам. Такой подход позволяет избежать традиционных трудностей, связанных с введением единой метрики, которая необходима при кластеризации данных в пространстве разнородных признаков.
На первом этапе для сегментации изображения по спектральным признакам предлагается использовать разработанный ранее с участием авторов вычислительно эффективный алгоритм ECCA [5]. Алгоритм ECCA основан на ансамбле сеточных (grid-based) алгоритмов кластеризации и позволяет выделять кластеры со сложными границами, различающиеся размером, формой и плотностью (в том числе при наличии «шума»).
Алгоритм кластеризации ECCA позволяет разбить изображение на однородные лишь по спектральным признакам области без какого-либо учета их текстурных характеристик. Поэтому картосхема, получаемая после первого этапа обработки спутникового изображения высокого пространственного разрешения, представляет собой, как правило, чрезмерно раздробленную картину. На ней присутствует множество спектральных классов, которым нет соответствия среди реальных (информационных) классов, интересных пользователю.
На втором этапе производится сегментация полученной картосхемы по текстурным признакам и снижение ее раздробленности.
Для описания соответствующего этому этапу алгоритма введем необходимые обозначения.
Пусть картосхема, полученная в результате применения алгоритма ECCA , состоит из Nr х Nc = N элементов. Разобьем ее на квадратные фрагменты
размером k х k элементов. Для простоты положим, что числа Nr и Nc кратны k . Каждому из таких фрагментов f і = \,...,Nr It, j = \,...,NC ¡к, сопоставим
вектор zy = (z1,...,zM) єRM. Здесь zly = Nljk2, где Nl - число элементов фрагмента fl}, относящихся к кластеру с номером /, I = 1,...,М.
Вектор Zy фактически содержит в себе информацию о текстурной композиции элементов картосхемы в пределах фрагмента f . Поэтому кластеризация векторов z приведет к сегментации картосхемы по текстуре.
В качестве меры близости между двумя такими векторами x = (x1,...,xM) и
M
y = (y1,...,yM) є RM примем метрику ju(x,y) = 1 min(x',y1).
г=і
Процедура кластеризации векторов zt. выполняется в три этапа. На первом
этапе осуществляется поиск центров кластеров с помощью простого алгоритма DINA [6]. На втором этапе полученные центры анализируются на предмет близости друг к другу. Если какие-либо два центра находятся на расстоянии меньше r (заданный радиус сферы), то они объединяются в один центр, соответствующий центру тяжести их внутренних точек. На третьем этапе осуществляется классификация векторов путем отнесения их к ближайшему центру, лежащему на расстоянии не превышающем r .
Кластеры, число элементов которых меньше порога т (задаваемого в процентах от общего числа фрагментов картосхемы), относятся к «шуму». Попавшие в «шум» фрагменты обрабатываются поэлементно. Каждый элемент «шумового» фрагмента относится к тому из соседних расклассифицированных фрагментов, в котором чаще встречаются представители спектрального кластера, содержащего обрабатываемый элемент.
Границы однородных текстурных областей, выделенных на картосхеме в ходе второго этапа сегментации, являются очень грубыми. Для их уточнения последовательно рассматриваются пограничные элементы всех выделенных текстурных областей и содержащие их фрагменты. Рассматриваемый пограничный элемент может либо остаться в текущей области, либо переместиться в смежную (если спектральный кластер, к которому он отнесен, чаще встречается в текстурном кластере смежного фрагмента, чем в содержащем его). После этого рассматриваемый элемент считается частью границы той области, к которой он отнесен. Процесс продолжается до тех пор, пока все пограничные элементы всех текстурных областей не будут рассмотрены.
Предложенный алгоритм текстурной сегментации картосхемы реализован на языке Java в виде модуля STSA с входными параметрами k, г,т.
2. Результаты экспериментальных исследований
В данном разделе представлены результаты сегментации модельных и реальных изображений с использованием модулей ECCA и STSA,
подтверждающие вычислительную эффективность предложенного метода. Обработка проводилась на ПЭВМ с тактовой частотой 3.3 ГГц.
Во всех экспериментах при работе алгоритма ЕССА использовался ансамбль из восьми элементов, а для модуля 8Т8А значения параметров г и т полагались равными 0.4 и 1 соответственно.
На рисунке 1 представлены результаты сегментации цветного изображения размером 600 х 450 пикселей. При работе модуля БТБА параметр к = 15. Общее время обработки 0.3 с.
а б в
Рис. 1. а - исходное изображение; б, в - результаты сегментации поспектральным и спектрально-текстурным признакам соответственно
На рис. 2 и 3 представлены примеры сегментации двух модельных RGB-изображений размером 800 х 800 и 627 х 311 пикселей соответственно. Картосхемы, полученные в ходе выполнения алгоритма ЕССА, разбивались на фрагменты размером 12 х12 пикселей для первого и 35 х 35 пикселей для второго изображения.
а б в
Рис. 2. а - исходное изображение; б, в - результаты сегментации до и после
коррекции границ соответственно
На рис. 4 представлены результаты сегментации фрагмента снимка новосибирского Академгородка размером 2701 х 2458 пикселей, полученного со спутника QшckBird 22 октября 2008 г. Для обработки использовались три
спектральных канала (2, 3 и 4). Картосхема, полученная в результате применения ЕССА, разбивалась на фрагменты размером 12 х12 пикселей. Общее время обработки 2.6 с.
Рис. 3. Исходное изображение (слева) и результаты сегментации (справа)
Рис. 4. Слева - фрагмент синтезированного изображения QuickBird, построенного по 4, 3 и 2 каналам; справа - результаты сегментации. Выделено 6 кластеров (1 - песок; 2 - здания, сооружения, дороги; 3 - травянистая растительность; 4 - лиственные насаждения; 5 - сосновые насаждения; 6 -
вода)
2. Заключение
В работе предложены двухэтапный метод и созданный на его основе алгоритм спектрально-текстурной сегментации изображений. Приведены результаты экспериментов на модельных и реальных изображениях, подтверждающие вычислительную эффективность предложенного алгоритма и высокое качество получаемых картосхем.
1. Zhang D., Islam M.M., Lu G. A review on automatic image annotation techniques // Pattern Recognition. - 2012. - Vol. 45. - P. 346-362.
2. Dey V., Zhang Y., Zhong M. A review on image segmentation techniques with remote sensing perspective // ISPRS TC VII Symposium - 100 Years ISPRS, Vienna, Austria, July 5-7 2010. IAPRS. - Vol. XXXVIII. - Part 7A. - P. 31-42.
3. Болсуновский М.Л., Дворкин Б.А. Развитие систем ДЗЗ и информационноаналитического обеспечения данными космической съемки: ближайшие перспективы // Геоинформатика. - 2010. - № 4. - С. 11-17.
4. Ilea D.E., Whelan P.F. Image segmentation based on the integration of colour-texture descriptors. - A review // Pattern Recognition. - 2011. - Vol. 44. - P. 2479-2501.
5. Пестунов И.А., Бериков В.Б., Куликова Е.А., Рылов С.А. Ансамблевый алгоритм кластеризации больших массивов данных // Автометрия. - 2011. - Т. 47. - № 3. - С. 49-58.
6. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд-во Ин-та математики. - 1999. - С. 45.
© И.А. Пестунов, С.А. Рылов, 2012
