基于HSI和K均值聚類的多波段遙感圖像自動分割
蔡新霞
(福建經濟管理干部學院，福建福州350002)
摘要：圖像分割是對遙感圖像進行分析處理的一個重要內容。本文針對遙感圖像的特征，首先根據多波段合成RGB圖像，并轉換成和HSI顏色空間，進而運用多信息的K-均值聚類
算法，選擇適當的初始聚類中心，實現了對圖像中目標區域的有效快速分割，為遙感圖像識別
與計算提供了可靠的基礎。研究實例表明了算法的有效性。
關鍵詞：多波段遙感圖像；自動分割;HIS;K-均值聚類；直方圖統計
中圖分類號:TP7文獻標識碼:A文章編號:1008-7346(2005)02-0058-02
一、引言
遙感圖像具有數據量大、模糊性較強、紋理細節豐富等特點，這就決定了無論在分割效率還是分割效果上都對遙感圖像的分割提出了較高的要求。在遙感技術中，圖像處理一般有監督分類和非監督分類兩大
類[1]。監督分類需要已知所屬類別的的訓練樣本集。非監督分類不需要樣本集的先驗知識，只根據給定象元間的相似性進行分類，即在特征空間上把具有類似特征的簇作為一個聚類來加以識別，非監督分類的方法在圖像處理上有很多的優點。一般的方法有K-均值算法、ISODA T A算法、模糊聚類算法等。研究證明，僅通過原始圖像信息聚類，進行分割的方法，沒有充分利用遙感圖像的整體信息，分割效果并不理想。
遙感圖像作為多波段信息，是用多個不同的光譜傳感器獲得的。一般來說可把多個波段圖像中對應各個波段中光的圖像分別處理，從而把一組多波段圖像分解為多幅灰度圖像進行處理。但是灰度圖像由于信息量相對較少，在處理一些遙感圖像時不可避免地存在一些困難，有可能導致分割結果的不可靠和不準確。彩色圖像由于提供了更多的色彩信息，則可以避免信息不足的問題，但同時又帶來信息量大且有一定冗余的問題。如何有效利用彩色信息又成了新問題。
本文提出一個有效的算法，針對多波段的遙感圖像，利用RGB通道合成彩色圖像，并轉換為HSI顏色空間，將HSI通道的信息作為K均值聚類的原始數據，再利用改進的K均值算法聚類。實驗證明該方法能夠快速準確地分割出各個地物。
二、圖像顏色空間轉換
1.波段選擇
根據目視判讀，將研究區分為水體、林地、居民地、道路和陰影5種典型地物[2]。對每一種地物選取一定的樣本，測定各波段的光譜值，進行最大值、最小值、均值和均方差統計。根據地物的波段響應關系，選取第三，四，七波段作為合成RGB圖像的三個通道。
2.RGB模型至HSI模型的轉換
目前有多種表示數字圖像色彩信息的顏色模型，每種模型是針對特定應用問題而提出來的，都有其特定的應用環境。HSI模型[3]描述顏色的三個基本特征：色調、飽和度、亮度，各分量與人眼能夠感知的顏色特性一一對應，尤其適合用來表達不同色彩間的差異。在該系統中，我們采用HSI色彩模型來對目標圖像進行彩色分割。為了進行分割，我們需要將合成圖像從RGB 顏色空間轉換到HSI空間，再在HSI空間內進行色彩分析。從RGB空間轉化至HSI空間的公式如下:
H=
a rccos
0.5[(R-G)+(R-B)]
(R-B)2+(R-B)(G-B)
BΕG 2π-a rccos
0.5[(R-G)+(R-B)]
(R-B)2+(R-B)(G-B)
其他
I=(R+G+B)/3
S=I-
min(R,G,B)
I
收稿日期:2004-10-25
作者簡介：蔡新霞(1976-)，女，福建仙游人，福建經濟管理干部學院信息管理系助教。
58
59
式中,H 表示色度,S 表示飽和度,I 表示亮度。在H 公式中,B 分量和G 分量之間的大小關系將決定H 值的范圍。如果B ≥G ,H 將落在[0,180]，反之將位于[0,360]。
HSI 空間是RGB 空間的非線性變換，它將原本相關性很強的RGB 值轉換為相關性較弱的HSI 值,H 和S 分量與人感受色彩的方式相一致。在HSI 空間中彩色圖像的每一個均勻性色彩區域都對應一個相對一致的色調，使得色調能夠單獨用來進行彩色區域的分割。HSI 變換比較容易計算，并且是可逆的，同時HSI 空間也能最好地滿足顏色空間的均勻性、緊致性、完整性和自然性等屬性。
三、多信息K 均值聚類自動分割
1.k -均值聚類算法
[1]
(1)選取K 個聚類中心:Z 1
1,Z 1
2,ΛZ k 1
,(上角標記
為聚類中的迭代次數)
(2)對于樣本X (設進行到第K 次迭代)
如果X -Z j k <X -Z i k
則X ∈S j
k (1)
其中S j k
是以Z j k
為聚類中心的樣本集。
(3)計算各聚類中心的新向量值
Z j k
+1
=
1n j
∑
x ∈S j
k
X (j =1,2,Λ,k )(2)
式中n j 為Z j k
包含的樣本數。
(4)如果
Z j k +1
≠Z j k +1
,
j =1,2,Λk
則回到第二步，將全部樣品重新分類，重新迭代計算。
如果Z j k +1=Z j k +1
,j =1,2,Λk 則結束。
K 均值聚類算法的優點是：它能夠動態聚類，具有一定的自適應性。但是,K 均值聚類的結果易受聚類中心的個數K 及初始聚類中心的影響，同時也受樣本的幾何形狀及排列次序的影響。因此，算法能否收斂取決于樣本的特性和其能夠形成不同區域的個數。
2.多信息K-均值聚類算法
根據遙感圖像特點，可分為水體、林地、居民地、道路、和陰影5種典型地物，即5個區域，因此K-均值聚類能夠收斂。
為了充分利用彩色圖像HSI 通道信息，分別重組彩色圖像的HSI 三個通道信息為二維向量。具體方法如下：設圖像大小是M *N ，圖像數據X k 通過運算規整為一維向量，即X k ∈R p p ，其中p =1。有C 個通道，即X k ∈R p ，其P =C 中，做為K-均值聚類的輸入數據。
通常K -均值聚類中心可任意選定，但這種隨機選取初始聚類中心可能會得到錯誤的分割結果。因此本文對K-均值算法加以改進。通過直方圖統計法[4]獲取聚類中心，這樣，既減少了迭代次數，降低了計算復雜度，又提高了計算結果的精確性。具體方法如下：設
彩色通道H 或S 或I 直方圖用H (k )表示,k =0
ΛL -1，為最大灰度級為L -1,H (k )表示具有灰度級k 的像素個數。H (k )除以總的像素個數則為灰度級分布的概
率。引入直方圖以實現快速計算，確定初始聚類中心。
在考慮多信息情形下，通過引入直方圖統計特性，大大提高了快速聚類分割，實現了地物目標的有效分割。
四、實驗結果分析1.實驗結果
圖1為利用第7波段為R 通道，第4波段為G 通道，第3波段為B 通道合成的彩色圖像。圖2-4為變化色彩空間得到HSI 圖像。圖5為本文算法的分割效果圖(K=5)，可以看出水體、林地、居民地、道路、和陰影等地物得到了很好的分離。圖6為采用原始第七，四，三波段進行聚類結果，效果并不明顯。
(圖1)由第743波段合成的RGB 圖像
(圖2)
H 通道
(圖3)S 通道
(下轉封三)
四、通過心率來調控運動強度
心率可以幫助了解和控制體育鍛煉過程中的運動強度，它可以準確地告訴你運動強度是需要增加還是需要減少。觸壓橈動脈和頸動脈就可以測量心率。觸壓脈博時不要用力太大，以便保證血液的正常流動。為了準確地測量運動時的心率，必須在運動結束后的5秒鐘內開始進行測量，測量10秒鐘的心率再乘以6，做為運動時1分鐘的心率。
心率監控的作用:(1)估計體溫升高。當人體患病時伴有體溫升高，體溫升高1℃，少年兒童脈搏增加15～20次/分；成人增加10～15次/分。因此，在人感到不適時，可通過測量安靜脈搏是否增加來判斷身體是否發熱。(2)評定心臟功能。人體做同樣的活動，如上樓梯、做廣播體操等，心臟功能好的人心率低、恢復到安靜心率的速度快；反之，心率高，恢復到安靜心率的速度慢。(3)判斷運動疲勞。運動后第二天的晨脈沒有恢復到前一天的晨脈，則表示出現了運動疲勞，應減少運動量。(4)確定運動強度。在一定范圍內，心率與運動強度成正比。
結合運動負荷評定心功能。如臺階實驗。最高心率：是指人體做極限運動時的心搏頻率。無論人們年
齡的大小還是性別有所差異都可以采用下列的公式來估計出自己的最大心率：最大心率=220-年齡。靶心率：是指通過有氧運動提高人體心血管系統機能時有效而且安全的運動心率范圍，常用它來調節運動負荷。下列公式可以幫助你計算或測運動時自己適宜的心率范圍。靶心率為：最大心率×60%和最大心率×80%之間的范圍。成年人靶心率的上限為最大心率×80%；青少年靶心率的上限為最大心率×85%。
靶心率為人們提供了運動時安全有效的心率范圍。學會如何根據靶心率來調控自己鍛煉時的運動強度，就應該利用這種方法指導自己的實踐活動。
五、體育鍛煉的主要安全性原則
安全性原則要求你在體育鍛煉的過程中始終注意保護自己，做到安全第一。其主要內容包括:(1)不要盲目參加超過你的能力的活動，應該通過力所能及的體育活動來鍛煉身體。
(2)在有條件的情況下，請體育教練員或運動學專家根據你的體質健康狀況給你開運動處方，它可以指導你有目的、有計劃地進行安全、科學的鍛煉。(3)每次鍛煉前必須做好充分的準備活動，克服內臟器的生理惰性，預防運動損傷的發生。(4)飯后、饑餓或疲勞時應暫緩鍛煉；生病剛愈不宜進行較大強度的鍛煉。(5)對于不熟悉的水域，不要隨便入水游泳或潛水，以免發生意外。(6)每次鍛煉后要注意做好整理、放松活動。這樣有利于促進身體的恢復，以便迅速投入到學習活動中去。(7
)
在
鍛煉的過程中不要大量飲水、以免加重心臟的負擔或引起身
體及腸胃的不適反應。運動后不宜即刻洗冷水澡。(8)在制定
或實施自己的鍛煉計劃前，一定要經過體驗和醫生的認可。如
果你患有某種疾病或有家庭遺傳病史，需要找大夫咨詢，在有
醫務監督的情況下按照體育教練員和醫生的建議進行鍛煉。
參考文獻:
[1]王鎮興.如何安排學校體育課的學生運動負荷[J].
福建廣播電視大學學報,2001,(4).
[2]運動生理學[M].人民體育出版社,1978.
[3]學生體質健康標準[M].北京：人民教育出版社,
2002.
(上接第59頁)
2.結束語
這種非監督算法同時利用了遙感圖像的多個波段的信
息對圖像進行聚類分割。整個過程快速準確，全部自動完成,
不需人工干預，完全可以滿足實用要求。對于進一步提取特
定的地物信息有重要的意義。
參考文獻:
[1]朱述龍，張占睽.遙感分割獲取與分析[M].北京:
科學出版社,2000,153～164.
[2]周虎成等.遙感影像地學理解與分析[M].北京：科
學出版社,1999,92-141.
[3]章毓晉.圖像分割[M].北京：科學出版社,2001,
116～120.
[4]葉秀清，顧偉康，肖強.快速模糊分割算法[J].模
式識別與人工智能,1996,(1):66～70.
(圖6)RGB圖像K均值聚類
(圖4)I通道(圖5)HSI圖像K均值聚類
