For the image segmentation task, deep features-based deep learning methods have strict data requirements on the quality and quantity, which limits their application in irregular scenes, such as the villages subjected to geological hazards in the complex mountains. However, traditional algorithms with shallow and middle features are unable to utilize the complex information of unmanned aerial vehicle (UAV) remote sensing images effectively. To address this issue, we proposed a new image segmentation algorithm by using the RGB component difference clustering (RGBCDC). In this method, after dimensionality reduction of RGB color space from three dimensions to two dimensions, the distance between similar objects would be diminished and the distance between disturbance areas would be enlarged. Two different UAV data sets (3,000 in total) have been used to compare the proposed algorithm with the traditional segmentation algorithms and the deep learning-based methods. Results show that the average pixel accuracy is 13.11%, 11.86%, 13.84%, 8.00%, and 9.86% higher than Octree Quantization clustering algorithm, Region Growing algorithm, Watershed algorithm, K-Means algorithm, and SLIC superpixel segmentation algorithm, respectively. When facing insufficient samples, the new method performed better than deep learning algorithms, such as Deeplabv3, PSPnet, UNET, and UISBB. In general, the proposed algorithm for building segmentation shows a better potential for use in uncommon situations, especially for rapid emergency rescue after serious mountain hazards.

中文翻译：

---

一种利用RGB分量差异从航空图像建立分割的新聚类算法

对于图像分割任务，基于深度特征的深度学习方法对数据的质量和数量都有严格的要求，这限制了它们在不规则场景中的应用，例如复杂山区遭受地质灾害的村庄。然而，具有浅中特征的传统算法无法有效利用无人机（UAV）遥感图像的复杂信息。为了解决这个问题，我们提出了一种新的图像分割算法，该算法使用 RGB 分量差异聚类（RGBCDC）。该方法将RGB色彩空间从三维降维到二维后，相似物体之间的距离会缩小，干扰区域之间的距离会扩大。两个不同的无人机数据集（3, 000）已被用来将所提出的算法与传统的分割算法和基于深度学习的方法进行比较。结果表明，平均像素精度分别比八叉树量化聚类算法、区域生长算法、分水岭算法、K-Means算法和SLIC超像素分割算法高13.11%、11.86%、13.84%、8.00%和9.86%。当面对样本不足​​时，新方法的表现优于 Deeplabv3、PSPnet、UNET 和 UISBB 等深度学习算法。总的来说，所提出的用于建筑物分割的算法在不常见的情况下显示出更好的潜力，特别是在严重山灾后的快速应急救援中。结果表明，平均像素精度分别比八叉树量化聚类算法、区域生长算法、分水岭算法、K-Means算法和SLIC超像素分割算法高13.11%、11.86%、13.84%、8.00%和9.86%。当面对样本不足​​时，新方法的表现优于 Deeplabv3、PSPnet、UNET 和 UISBB 等深度学习算法。总的来说，所提出的用于建筑物分割的算法在不常见的情况下显示出更好的潜力，特别是在严重山灾后的快速应急救援中。结果表明，平均像素精度分别比八叉树量化聚类算法、区域生长算法、分水岭算法、K-Means算法和SLIC超像素分割算法高13.11%、11.86%、13.84%、8.00%和9.86%。当面对样本不足​​时，新方法的表现优于 Deeplabv3、PSPnet、UNET 和 UISBB 等深度学习算法。总的来说，所提出的用于建筑物分割的算法在不常见的情况下显示出更好的潜力，特别是在严重山灾后的快速应急救援中。当面对样本不足​​时，新方法的表现优于 Deeplabv3、PSPnet、UNET 和 UISBB 等深度学习算法。总的来说，所提出的用于建筑物分割的算法在不常见的情况下显示出更好的潜力，特别是在严重山灾后的快速应急救援中。当面对样本不足​​时，新方法的表现优于 Deeplabv3、PSPnet、UNET 和 UISBB 等深度学习算法。总的来说，所提出的用于建筑物分割的算法在不常见的情况下显示出更好的潜力，特别是在严重山灾后的快速应急救援中。