基于HSI和K均值聚类的多波段遥感图像自动分割
蔡新霞
(福建经济管理干部学院，福建福州350002)
摘要：图像分割是对遥感图像进行分析处理的一个重要内容。本文针对遥感图像的特征，首先根据多波段合成RGB图像，并转换成和HSI颜色空间，进而运用多信息的K-均值聚类
算法，选择适当的初始聚类中心，实现了对图像中目标区域的有效快速分割，为遥感图像识别
与计算提供了可靠的基础。研究实例表明了算法的有效性。
关键词：多波段遥感图像；自动分割;HIS;K-均值聚类；直方图统计
中图分类号:TP7文献标识码:A文章编号:1008-7346(2005)02-0058-02
一、引言
遥感图像具有数据量大、模糊性较强、纹理细节丰富等特点，这就决定了无论在分割效率还是分割效果上都对遥感图像的分割提出了较高的要求。在遥感技术中，图像处理一般有监督分类和非监督分类两大
类[1]。监督分类需要已知所属类别的的训练样本集。非监督分类不需要样本集的先验知识，只根据给定象元间的相似性进行分类，即在特征空间上把具有类似特征的簇作为一个聚类来加以识别，非监督分类的方法在图像处理上有很多的优点。一般的方法有K-均值算法、ISODA T A算法、模糊聚类算法等。研究证明，仅通过原始图像信息聚类，进行分割的方法，没有充分利用遥感图像的整体信息，分割效果并不理想。
遥感图像作为多波段信息，是用多个不同的光谱传感器获得的。一般来说可把多个波段图像中对应各个波段中光的图像分别处理，从而把一组多波段图像分解为多幅灰度图像进行处理。但是灰度图像由于信息量相对较少，在处理一些遥感图像时不可避免地存在一些困难，有可能导致分割结果的不可靠和不准确。彩色图像由于提供了更多的色彩信息，则可以避免信息不足的问题，但同时又带来信息量大且有一定冗余的问题。如何有效利用彩色信息又成了新问题。
本文提出一个有效的算法，针对多波段的遥感图像，利用RGB通道合成彩色图像，并转换为HSI颜色空间，将HSI通道的信息作为K均值聚类的原始数据，再利用改进的K均值算法聚类。实验证明该方法能够快速准确地分割出各个地物。
二、图像颜色空间转换
1.波段选择
根据目视判读，将研究区分为水体、林地、居民地、道路和阴影5种典型地物[2]。对每一种地物选取一定的样本，测定各波段的光谱值，进行最大值、最小值、均值和均方差统计。根据地物的波段响应关系，选取第三，四，七波段作为合成RGB图像的三个通道。
2.RGB模型至HSI模型的转换
目前有多种表示数字图像色彩信息的颜色模型，每种模型是针对特定应用问题而提出来的，都有其特定的应用环境。HSI模型[3]描述颜色的三个基本特征：色调、饱和度、亮度，各分量与人眼能够感知的颜色特性一一对应，尤其适合用来表达不同色彩间的差异。在该系统中，我们采用HSI色彩模型来对目标图像进行彩色分割。为了进行分割，我们需要将合成图像从RGB 颜色空间转换到HSI空间，再在HSI空间内进行色彩分析。从RGB空间转化至HSI空间的公式如下:
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
作者简介：蔡新霞(1976-)，女，福建仙游人，福建经济管理干部学院信息管理系助教。
58
59
式中,H 表示色度,S 表示饱和度,I 表示亮度。在H 公式中,B 分量和G 分量之间的大小关系将决定H 值的范围。如果B ≥G ,H 将落在[0,180]，反之将位于[0,360]。
HSI 空间是RGB 空间的非线性变换，它将原本相关性很强的RGB 值转换为相关性较弱的HSI 值,H 和S 分量与人感受色彩的方式相一致。在HSI 空间中彩色图像的每一个均匀性色彩区域都对应一个相对一致的色调，使得色调能够单独用来进行彩色区域的分割。HSI 变换比较容易计算，并且是可逆的，同时HSI 空间也能最好地满足颜色空间的均匀性、紧致性、完整性和自然性等属性。
三、多信息K 均值聚类自动分割
1.k -均值聚类算法
[1]
(1)选取K 个聚类中心:Z 1
1,Z 1
2,ΛZ k 1
,(上角标记
为聚类中的迭代次数)
(2)对于样本X (设进行到第K 次迭代)
如果X -Z j k <X -Z i k
则X ∈S j
k (1)
其中S j k
是以Z j k
为聚类中心的样本集。
(3)计算各聚类中心的新向量值
Z j k
+1
=
1n j
∑
x ∈S j
k
X (j =1,2,Λ,k )(2)
式中n j 为Z j k
包含的样本数。
(4)如果
Z j k +1
≠Z j k +1
,
j =1,2,Λk
则回到第二步，将全部样品重新分类，重新迭代计算。
如果Z j k +1=Z j k +1
,j =1,2,Λk 则结束。
K 均值聚类算法的优点是：它能够动态聚类，具有一定的自适应性。但是,K 均值聚类的结果易受聚类中心的个数K 及初始聚类中心的影响，同时也受样本的几何形状及排列次序的影响。因此，算法能否收敛取决于样本的特性和其能够形成不同区域的个数。
2.多信息K-均值聚类算法
根据遥感图像特点，可分为水体、林地、居民地、道路、和阴影5种典型地物，即5个区域，因此K-均值聚类能够收敛。
为了充分利用彩色图像HSI 通道信息，分别重组彩色图像的HSI 三个通道信息为二维向量。具体方法如下：设图像大小是M *N ，图像数据X k 通过运算规整为一维向量，即X k ∈R p p ，其中p =1。有C 个通道，即X k ∈R p ，其P =C 中，做为K-均值聚类的输入数据。
通常K -均值聚类中心可任意选定，但这种随机选取初始聚类中心可能会得到错误的分割结果。因此本文对K-均值算法加以改进。通过直方图统计法[4]获取聚类中心，这样，既减少了迭代次数，降低了计算复杂度，又提高了计算结果的精确性。具体方法如下：设
彩色通道H 或S 或I 直方图用H (k )表示,k =0
ΛL -1，为最大灰度级为L -1,H (k )表示具有灰度级k 的像素个数。H (k )除以总的像素个数则为灰度级分布的概
率。引入直方图以实现快速计算，确定初始聚类中心。
在考虑多信息情形下，通过引入直方图统计特性，大大提高了快速聚类分割，实现了地物目标的有效分割。
四、实验结果分析1.实验结果
图1为利用第7波段为R 通道，第4波段为G 通道，第3波段为B 通道合成的彩色图像。图2-4为变化色彩空间得到HSI 图像。图5为本文算法的分割效果图(K=5)，可以看出水体、林地、居民地、道路、和阴影等地物得到了很好的分离。图6为采用原始第七，四，三波段进行聚类结果，效果并不明显。
(图1)由第743波段合成的RGB 图像
(图2)
H 通道
(图3)S 通道
(下转封三)
四、通过心率来调控运动强度
心率可以帮助了解和控制体育锻炼过程中的运动强度，它可以准确地告诉你运动强度是需要增加还是需要减少。触压桡动脉和颈动脉就可以测量心率。触压脉博时不要用力太大，以便保证血液的正常流动。为了准确地测量运动时的心率，必须在运动结束后的5秒钟内开始进行测量，测量10秒钟的心率再乘以6，做为运动时1分钟的心率。
心率监控的作用:(1)估计体温升高。当人体患病时伴有体温升高，体温升高1℃，少年儿童脉搏增加15～20次/分；成人增加10～15次/分。因此，在人感到不适时，可通过测量安静脉搏是否增加来判断身体是否发热。(2)评定心脏功能。人体做同样的活动，如上楼梯、做广播体操等，心脏功能好的人心率低、恢复到安静心率的速度快；反之，心率高，恢复到安静心率的速度慢。(3)判断运动疲劳。运动后第二天的晨脉没有恢复到前一天的晨脉，则表示出现了运动疲劳，应减少运动量。(4)确定运动强度。在一定范围内，心率与运动强度成正比。
结合运动负荷评定心功能。如台阶实验。最高心率：是指人体做极限运动时的心搏频率。无论人们年
龄的大小还是性别有所差异都可以采用下列的公式来估计出自己的最大心率：最大心率=220-年龄。靶心率：是指通过有氧运动提高人体心血管系统机能时有效而且安全的运动心率范围，常用它来调节运动负荷。下列公式可以帮助你计算或测运动时自己适宜的心率范围。靶心率为：最大心率×60%和最大心率×80%之间的范围。成年人靶心率的上限为最大心率×80%；青少年靶心率的上限为最大心率×85%。
靶心率为人们提供了运动时安全有效的心率范围。学会如何根据靶心率来调控自己锻炼时的运动强度，就应该利用这种方法指导自己的实践活动。
五、体育锻炼的主要安全性原则
安全性原则要求你在体育锻炼的过程中始终注意保护自己，做到安全第一。其主要内容包括:(1)不要盲目参加超过你的能力的活动，应该通过力所能及的体育活动来锻炼身体。
(2)在有条件的情况下，请体育教练员或运动学专家根据你的体质健康状况给你开运动处方，它可以指导你有目的、有计划地进行安全、科学的锻炼。(3)每次锻炼前必须做好充分的准备活动，克服内脏器的生理惰性，预防运动损伤的发生。(4)饭后、饥饿或疲劳时应暂缓锻炼；生病刚愈不宜进行较大强度的锻炼。(5)对于不熟悉的水域，不要随便入水游泳或潜水，以免发生意外。(6)每次锻炼后要注意做好整理、放松活动。这样有利于促进身体的恢复，以便迅速投入到学习活动中去。(7
)
在
锻炼的过程中不要大量饮水、以免加重心脏的负担或引起身
体及肠胃的不适反应。运动后不宜即刻洗冷水澡。(8)在制定
或实施自己的锻炼计划前，一定要经过体验和医生的认可。如
果你患有某种疾病或有家庭遗传病史，需要找大夫咨询，在有
医务监督的情况下按照体育教练员和医生的建议进行锻炼。
参考文献:
[1]王镇兴.如何安排学校体育课的学生运动负荷[J].
福建广播电视大学学报,2001,(4).
[2]运动生理学[M].人民体育出版社,1978.
[3]学生体质健康标准[M].北京：人民教育出版社,
2002.
(上接第59页)
2.结束语
这种非监督算法同时利用了遥感图像的多个波段的信
息对图像进行聚类分割。整个过程快速准确，全部自动完成,
不需人工干预，完全可以满足实用要求。对于进一步提取特
定的地物信息有重要的意义。
参考文献:
[1]朱述龙，张占睽.遥感分割获取与分析[M].北京:
科学出版社,2000,153～164.
[2]周虎成等.遥感影像地学理解与分析[M].北京：科
学出版社,1999,92-141.
[3]章毓晋.图像分割[M].北京：科学出版社,2001,
116～120.
[4]叶秀清，顾伟康，肖强.快速模糊分割算法[J].模
式识别与人工智能,1996,(1):66～70.
(图6)RGB图像K均值聚类
(图4)I通道(图5)HSI图像K均值聚类
