《基于植被似然建模与阴影的建筑物提取》由会员分享，可在线阅读，更多相关《基于植被似然建模与阴影的建筑物提取（9页珍藏版）》请在金锄头文库上搜索。
1、基于植被似然建模与阴影的建筑物提取 谢明鸿 张亚运 高春霞 郑星星 黄冰晶 昆明理工大学信息工程与自动化学院 摘 要： 提出了一种基于植被似然建模与阴影的彩色遥感影像建筑物提取方法。采用三原色 (RGB) 色彩空间中的高斯混合模型 (GMM) 对植被进行离线色彩特征建模, 剔除植被信息的影响;采用 Mean-Shift 分割算法对图像进行过分割, 在此基础上提取出建筑物阴影区域, 然后对提取结果进行适当的后处理;通过计算阴影区域像素距离确定候选区域, 并采用二次判别分析 (QDA) 分类器对图像进行分类, 实现建筑物的提取。实验证明:方法能有效提高建筑物提取的精度。关键词： 植被似然建模; 阴
2、影; 建筑物提取; 过分割; 作者简介：谢明鸿 (1976-) , 男, 高级工程师, 主要从事图像处理、模式识别工作, E-mail:。作者简介：张亚运 (1989-) , 男, 通讯作者, 硕士研究生, 主要研究方向为图像处理, E-mail:。收稿日期：2016-10-13基金：云南省教育厅重点资助项目 (KKJD201403003) Building extraction based on vegetation likelihood modeling and shadowsXIE Ming-hong ZHANG Ya-yun GAO Chun-xia ZHENG Xing-xing H
3、UANG Bing-jing Faculty of Information Engineering and Automation, Kunming University of Science and Technology; Abstract： A color remote image building extraction method is proposed based on vegetation likelihood modeling and shadow. Gaussian mixture model (GMM) is used to model offline vegetation c
4、olor features to eliminate the effect of vegetation in RGB color space; mean-shift algorithm is used to extract building shadow areas on the basis of over-segmenting the image, and appropriate post-processing is used to optimize the extraction results; candidate regions are determined by calculating
5、 the shadow area pixel. After that, quadratic discriminant analysis (QDA) classifier is used to classify images to implement extracting building ultimately. Experiment results show that the proposed method can improve the accuracy of building extraction effectively.Keyword： vegetation likelihood mod
6、eling; shadows; building extraction; over-segmentation; Received： 2016-10-130 引言随着遥感技术的发展, 利用高分辨率遥感影像提取建筑物具有重要的意义, 因此, 如何实现建筑物的快速、高精和自动化的提取成为目前研究的热点。由于建筑物结构和光谱的多样性, 多年来, 众多的学者对高分辨率遥感影像建筑物提取做了很多的相关研究, 提出了很多有价值的方法:Chaudhuri D 和 Kushwaha N K 等人1提出了在高分辨率目标影像中利用空间和光谱特征提取建筑物;Drgut, L 等人6研究了多尺度分割的自动化参数, 并应
7、用于建筑物分割和提取中。上述方法在建筑物提取中存在建筑物密度较大时提取不精确、不能提取部分植被遮挡的建筑物、较小建筑物漏提、过度依靠参数等问题。鉴于此, 本文结合植被似然建模, 提出了基于植被似然建模与阴影的彩色遥感影像建筑物提取方法。降低了树木等大量植被阴影区域对提取建筑物阴影带来的干扰, 且对较小建筑物提取结果较理想。实验表明, 其能够有效地提取出建筑物。1 建筑物提取算法建筑物提取方法具体流程如图 1 所示。图 1 建筑物提取流程 下载原图1.1 植被似然建模本文采用彩色遥感影像将植被作为主要背景, 通过离线监督学习进行似然建模, 实现对植被的提取。主要原因有:植被目标的纹理和色彩在不同
8、的场景中基本保持一致, 可以离线地学习植被的统计模型;植被目标与其它目标具有比较明显的色彩和纹理差异, 很容易区分来;树木等植被对建筑物信息的提取干扰最严重。1.1.1 高斯混合模型高斯混合模型7 (Gaussian mixture model, GMM) 在图像处理中的具体应用是对背景进行建模采用最大期望 (EM) 迭代算法获得高斯混合模型的未知参数。1.1.2 EM 参数估计EM 算法8过程分 2 步实现:E 步骤:在给定参数和不完整数据 x 的条件下, 对 y 进行估计, 获得该数据对 (x, y) 的似然度;M 步骤:重新估计参数, 使得似然度最大, 得到模型参数值。通过不断地 EM
9、迭代, 最终获得模型参数。根据上述的分析理解, 高斯混合模型EM 参数估计如下7:1) 初始化:设置初始的2) E 步:计算响应3) M 步:令4) 重新估计参数1.1.3 似然图像实现通过对植被模型离线学习, 利用 EM 参数估计方法, 可以容易地得到植被色彩的高斯混合模型。由 EM 聚类可得每个 GMM 分量的先验概率, 因此, 计算植被似然图像, 可以先通过概率推导的方式获得每个像素点属于植被的隶属度。本文中的植被区域视为背景, 其似然图像应该变为前景似然图像, 即当前点指“非植被”的似然度。RGB 色彩值用 c 表示在像素点处, GMM 分布个数用 K 表示, i表示 i 分量的权重,
10、 色彩值 x 隶属于 i 分量的概率用 pi (c) 表示。则每个像素点属于植被的隶属度为似然图像的实现流程如图 2 所示。图 2 似然图像产生流程 下载原图1.2 建筑物阴影提取采用 mean-shift 算法9在过分割的基础上提取建筑物阴影。根据遥感影像中阴影具有色度增强和亮度降低的特性, 采用色调与亮度的比值提取阴影。前提为将获取的遥感图像的 RGB 值转换成 HIS 方可进行计算10。主要实现过程如下:1) 进行 RGB 与 HSI 色彩空间转换;2) 从 HIS 中获取 H 和 I 的值, 并计算 H/I11, 将得到的新图像用 Ostu 阈值法12分割, 结果呈现出一个仅含阴影的二
11、值图像;3) 除去树木阴影后剩余部分即为建筑物阴影。1.3 建筑物提取1.3.1 最近阴影区域通过计算阴影区域像素距离确定候选区域, 首先需确定阴影扩张区域。为了判读结果更精确, 仅考虑与光照方向相反的区域, 例如假设光照方向为北向, 那么候选区域只可能存在阴影的南、东南和西南方向。像素距离计算实现原理如图 3 所示。图 3 距离计算图解说明 下载原图从图 3 (a) 可知, 光照方向为结构元素 10 的方向, 即阴影扩张区域就在结构元素为 1 的位置。图 3 (b) 黑色区域表示阴影, 灰色区域表示阴影扩张区域, 仅在扩张区域内计算像素到阴影的距离, 将离阴影最近的区域设为 1, 根据像素距
12、离计算公式可知, 与紧邻的像素距离为 1.4, 依次为 2.2, 2.8 等, 扩展区域外像素距离设置为无穷大, 具体如图 3 (c) 所示。在每个阴影区域内均进行上述计算, 发现大部分像素具有多个距离值, 为了确保距离最近的阴影区域, 将最小值设为像素距离。1.3.2 确定候选区域在剔除植被干扰的前提下借鉴文献13候选区域确定方法。对于每个阴影区域在光照的方向处均有 2 个端点, 该端点由光照方向决定, 如图 4 (a) 所示, 位于阴影区域的最右边最下方和最下方最右边两处。将该连通区域绕其端点旋转180后形成一个封闭的区域, 即可获得图 4 (b) 中候选区域。通过计算候选区域内部的面积百
13、分比即得到一个真正存在的区域, 如图 4 (c) 所示。图 4 候选区域的判定 下载原图1.3.3 形态学后处理由于各种干扰因素的存在或是研究方法本身存在的弊端, 上会出现部分图像误检、漏检、孔洞以及边缘不够清晰等问题, 需要数学形态学处理:对图像实施开运算, 消除图像上的斑点、去噪;再对图像实施闭运算, 填补孔洞、连接临近物体以及平滑边界。最终获得精确的地物区域。2 实验结果与分析选取 2 幅相同分辨率、不同区域的彩色 Quick Bird 卫星影像进行实验, 采集时间为夏季。2.1 数据 1 实验结果与分析数据 1 为某地区分辨率为 0.61 m 的遥感影像, 如图 5 (a) 所示。为城
14、区低矮建筑物影像, 植被和阴影为建筑物提取的主要干扰特征。1) 似然建模:读入原图像, 由于背景统计模型用 K 分量的 GMM 表示, 植被似然图像因 K 值的不同而不同, 因此, 需要针对不同的 K 值进行实验, 由实验结果找到对似然图像干扰最小的 K 值 (本文选取 K=5) 。然后根据 1.1 节得到植被区域, 如图 5 (b) 所示。比较图 (a) 与 (b) , 可以看到植被提取比较完整, 误检、漏检的植被区域较少。2) 阴影提取:对图像进行过分割, 使得同一区域内具有同质性, 不同区域间具有异质性, 在此基础上进行阴影提取, 利于大面积阴影提取的实现。在过分割的过程中, 对于不同的
15、带宽参数取值, 将影响分割的结果。当参数值较大时, 过分割严重, 当参数较小时, 图像很多信息将被漏掉, 导致欠分割现象。经过多次试验证明:带宽取值在 0.513 范围内时, 分割结果较好。本文带宽为 9 时实现过分割 (经过大量试验证明, 如果两幅图像的色彩比较相近, 此步骤具有通用性, 可以直接省略) 。结果如图 5 (c) 所示。分别计算出样本在 HSI 颜色空间的 H, S, I 值, 将 H/I 作为阈值, 进行 Otsu 阈值分割可以得出阴影区域, 目标区域范围全部表示成白色, 非目标区域直接设为 0, 如图 5 (d) 所示结果。3) 形态学处理由:提取结果看出:图像中仍有零星斑
16、点, 这是由于部分树木阴影造成的, 为了不影响下面的实验, 对提取结果进行数学形态学优化处理, 最终提取结果如图 5 (e) 所示。与直接进行阴影提取相比较, 如图 5 (f) 所示, 此方法降低了树木阴影的误检, 提取形状、大小较完整, 更接近实际情况。4) 建筑物提取:从图 5 (e) 中可以看出:经过植被似然建模, 阴影提取和形态学后处理之后, 得到了较好的建筑物阴影提取结果, 最后通过计算最小阴影像素距离确定候选区域, 结合 QDA 分类法提取出最终的建筑物, 如图 5 (g) 所示。与原图像相比, 图像中大部分建筑物被完整的提, 但是仍然存在部分漏提和误提现象 (图 5 (g) 圆圈标记) , 特别是足球场被误提, 原因主要是足球场与周围建筑物颜色信息比较接近, 仅靠色彩信息无法有效提取, 可通过结合 DSM 数据排除足球场等类似场景的干扰。图 5 数据 1 提取结果 下载原图2.2 数
