《高分辨率遥感影像上居民地半自动提取研究》由会员分享，可在线阅读，更多相关《高分辨率遥感影像上居民地半自动提取研究（6页珍藏版）》请在金锄头文库上搜索。
1、高分辨率遥感影像上居民地半自动提取研究苏俊英1辉1张剑清1曹(1 武汉大学遥感信息工程学院 ,武汉市珞喻路 129 号 ,430079)摘摘 要要 :设计了一种基于 3 3 区域灰度方差纹理特征的高分辨率遥感影像居民地特征分析算法 ,通过高斯模糊处理提高影像上居民地区域纹理特征一致性的同时 ,加大了其同背景地物纹理特征值的差异 ,并设计了相 应的居民地自适应分割阈值求取算法 ,提出了针对居民地与道路提取分离的骨架化分析算法 。关关键词键词 :高分辨率遥感影像 ;居民地 ;纹理分析 ;高斯模糊 ;骨架化中中图图法分法分类类号号 : TP751灰度共生矩阵及傅立叶功率谱纹理特征分析5针对高分辨率遥
2、感影像上地物自动提取的研究多集中在道路 、 河流 、 电力线 、 排水管道等线性 地物上 ,在所有的具有几何形状的地物中 ,线性地 物是形状较简单的一种 ,通过线检测或跟踪技术比较容易实现 。对高分辨率遥感影像上居民地这 类复杂面状地物的提取的研究尚处于初步阶段 ,针对不同比例尺 ( 影像分辨率) 、 不同区域 ( 乡村 、 城市) 影像上居民地的提取精度都受到影像质量的影响 ,满足不了实际应用的需求 。文献 1 3 从遥感图像中提取居民地的方法多为目视判读提 取 ,难以满足诸如灾害评估等方面的实时要求 。 利用计算机提取地物特征 ,包括识别和量测两部分 ,其中识别对于人来说比较简单 ,而对于
3、计算机 却十分困难 ; 量测即精确定位 , 计算机较易于实。对于中心像素 ( i , j) 的灰度值为 g ( i , j) 的一影像窗口 w w , 其方差特征影像 vg ( i , j) 的计算 式为 :w/ 2 w/ 21vg ( i , j) = g ( i + k , j + l) -2wk = - w/ 2 l = - w/ 2m g ( i , j) 2( 1)式中 , m g为相应窗口内的均值 , 本文计算中选取窗口大小为 3 3 :w/ 2 w/ 21mg ( i , j) =g ( i + k , j + l) (2)w2k = - w/ 2 l = - w/ 2 灰度共生
4、矩阵选取纹理二阶矩即能量作为特征值 , 即WM = P2 ( i , j)( 3)现1。利用计算机和人各自的优点进行半自动特式中 , W 对应图像的均匀性或平滑性 ; P2 ( i , j) 为M 征提取和识别 ,是目前研究的主要方向 。灰度共生矩阵 , 本文灰度共生矩阵的计算窗口为7 7 , 方向取 45、135、225和 315四个方向的平 均值 。傅立叶功率谱纹理采用环形能量特征计算 , 图像 f ( i , j) 的傅立叶变换 F ( u , v) 的功率谱定义 为 :1 高高分分辨辨率率遥遥感感影影像像居居民民地地提提取取1. 1居民地影像居民地影像纹纹理特征分析理特征分析通过对影像
5、进行纹理分析 ,将影像变换到纹 理特征空间 ,进行影像分割 、 识别是影像理解的一种主要技术途径 ,其关键是纹理特征的选取 。纹 理的选择必须结合具体的应用 ,特别是影像分割 , 选取的纹理特征要使得通过纹理特征变换后 ,特 征空间中待分割地物的影像与背景影像的某个统计特征值如方差 、 均值要有显著变化 ,以利于分割 阈值的确定 。经典的纹理分析有基于方差特征 、P ( u , v) = | F ( u , v) | 2(4)其值表示空间频率 ( u , v) 的强度 。把它用极坐标的形式表示出来并设为 P ( r ,) 后 , 可求出 : p ( r) = 2 P ( r ,)( 5) =
6、0 式中 , p ( r) 为在功率谱空间以原点为中心的环形区域内的能量之和作为傅立叶功率谱纹理特征 。图 1 为其中的试验影像在不同纹理空间中的特征影像 。图 1 ( b) 所示的方差纹理特征影像具有 较大反差 ,居民区与其他区域对比明显 ;傅立叶纹 理特征影像 (图 1 (c) ) 变换前后同原始影像较为接近 (图 1 (a) ) ,灰度变化较小 ,整幅影像看起来偏灰 ; 灰度共生矩阵纹理特征影像 (图 1 (d) ) 反差偏小 ,这是因为灰度共生矩阵统计的纹理具有很强的规律性和空间分布要求 ,而原始影像上居民地影像灰度 大多数为混合像元 ,特征的空间分布规律受到影 响 。从目视分析的结果
7、看 ,使用最简单的方差特征进行纹理分析相对而言效果较好 ,傅立叶特征其 次 ,灰度共生矩阵纹理特征分析的效果最差 。图 1 不同纹理特征影像比较Fig. 1 Comparison Between Different Texture Images特征空间影像与原始影像上人工选择的居民区 (目标) 和整幅影像 (可视为背景) 的统计特征数 据 ,如均值 、 方差 、 熵等 ,其差值反映了居民区和背 景区域影像的差异 ,差值越大 ,影像分割阈值越易选择 ,分割效果会越好 。分别统计不同特征空间中人工选择的居民区和整幅影像统计特征数据 等 ,其结果如表 1 所示 。表表 1 不同特征空不同特征空间间中
8、居民区和整幅影像的中居民区和整幅影像的统计值统计值比比较较Tab. 1 Comparison Between Statistic Values of Residential Area and T otal Image in Different Feature Domains特征值最大值最小值方差均值熵方差差值均值差值熵差值 全区域 居民区 全区域 居民区 全区域 居民区 全区域 居民区2552552552552552512552550000030045 . 8849 . 9029 . 1141 . 1836 . 8042 . 0620 . 3418 . 60127 . 1124 . 957 .
9、 073 . 7149 . 7145 . 533 . 327 . 37 . 437 . 456 . 327 . 077 . 127 . 325 . 144 . 95原始影像4 . 02- 2 . 2- 0 . 02方差影像12. 0716. 70 . 75傅立叶纹理 特征影像 灰度共生矩阵 纹理特征影像5 . 26- 4 . 20 . 20- 1. 74- 6 . 0- 0 . 19由表 1 中数据可见 ,原始影像在没有进行特征变换前 ,方差 、 均值 、 熵的差值都很小 (方差差值 为 4 . 02 ,均值相差 2 . 2 ,熵差值仅为 0 . 026) ,说明 单纯依靠区域的直方图特征很难
10、将居民区从试验 区影像中提取出来 ,而将其变换到方差特征空间后 ,方差 、 均值 、 熵的差值都有较大程度的提高 ,这 样 ,利用直方图统计特征可以较容易地确定阈值 , 将居民区从试验区影像中提取出来相对容易实现 ; 其他特征空间中的方差 、 均值 、 熵的差值也都有所 变化 ,但统计差值变化不明显 。总的说来 ,基于方差特征影像最接近本文进行纹理分析的目的 ,傅 立叶特征影像其次 ,灰度共生矩阵最差 ,这一点与 本文特征影像的目视效果分析 、 评价相符 。1. 2 基于高斯模糊的自适基于高斯模糊的自适应应分割分割阈值阈值 居民区构成的复杂性使得居民区内部的纹理特征差别很大 ,单纯地应用纹理特
11、征影像难以给定合适的阈值来对整个的居民区进行分割 。考虑到 所关心的是对居民区边界的提取 ,而不太注重其内部的细节构成 ,但内部的细节却对区域增长的结果 有很大的影响 ,因此 ,有必要采用某种方法对居民区进行内部细节的忽略或 “模糊” 。高斯模糊具有 去除高频噪声的平滑功能 ,在提取较大的目标特征前 ,可利用高斯模糊滤除噪声与太小或不必要的细节等 ,或将目标内的小间断连接起来6 。设 f ( x , y) 表示灰度图像 , g ( x , y ) 表示高斯 平滑模糊图像 , 则有 :2 2NMx + y-2eg ( x , y) =2f ( x , y)(6) y = 1 x = 1 式中 ,
12、 M 、N 为模糊窗口的长和宽 ;为高斯平滑参数的大小决定了模糊程度的强弱 。利用高斯模糊这一特性 , 对特征影像进行高斯模糊 , 可使得特征空间影像上对应居民区的纹 理较一致 , 从而有利于自适应确定阈值 。图 2 分 别为原始影像 、 方差特征影像经高斯模糊后的结果对比 。 通过高斯模糊 , 高分辨率遥感影像上对应居 民区的纹理特征影像得到平滑 , 局部灰度变得均 匀单一 , 为适应性阈值的自动获取提供了条件 。 为了验证上述的目视效果 , 分别对原始影像 、 原始影像的高斯模糊影像及方差影像的高斯模糊影像 进行直方图分析 , 并分别统计了三种影像上人工图 2 不同高斯模糊影像比较Fig.
13、 2 Comparison of Gauss Blur Image选择的居民区 (目标) 和全区域 ( 背景) 的均值 、 方 差 、 熵 、 最大值 、 最小值等 ,其结果见表 2 。表表 2 三种影像上人工三种影像上人工选择选择的居民区与全区域的灰度的居民区与全区域的灰度统计值统计值比比较较Fig. 2 Comparison Between Statistic Values of Residential Area and T otal Image after Gauss Blur特征值最大值最小值方差均值熵方差差值均值差值熵差值全区域 居民区 全区域 居民区全区域 居民区255255180
14、16210095005864387441 . 2749 . 7319 . 0314 . 4012 . 044. 74128 . 7126 . 9128 . 9120 . 857. 483. 97 . 306 . 826 . 535 . 836 . 274 . 22原始影像8 . 46- 1 . 8- 0 . 48原始高斯模糊影像- 4. 63- 8 . 1- 0 . 70方差高斯模糊影像- 7. 3026. 5- 2 . 05由表 2 可见 ,原始影像上全区域与居民区的方差 、 均值 、 熵的差值都很小 ,说明单纯依靠区域 直方图特征很难将居民区从试验区影像中提取出 来 。将其进行高斯模糊后
15、,虽然方差绝对差值减 少 ,但此时灰度值的范围也变小 ,相对灰度值范围 而言 ,方差差值的变化还是比原始影像的方差差 值变化大 。同时 ,高斯模糊后均值差值为 8 . 1 ,此 时 ,选择均值进行分割会得到比直接应用原始影 像要好的结果 。进一步对方差影像进行高斯模糊 后 ,尽管灰度值的范围变得更小 ,但方差 、 均值 、 熵 的差 值 都 有 较 大 程 度 的 提 高 , 其 中 方 差 差 值 为7 . 30 ,均值相差 26 . 5 ,熵差值为 2 . 05 ,综合利用这 三个特征值进行阈值选择会得到更好的结果 。需 要指出的是 ,将方差影像进行高斯模糊后 ,居民地 影像中像元的灰度值
16、变得更集中 ,从灰度值的范 围74 ,95 和方差绝对数值 (仅为 4 . 74) 可见 ,经过 高斯模糊后 ,居民区内部分像元的灰度更一致 ,相 应的分割阈值容易确定 ,分割效果会更好 。 上述 差值反映了影像上居民区和背景的差 异 ,差值越大 ,影像分割的阈值越好选择 ,同时 ,高 斯模糊影像上居民区的方差越小 ,越能说明居民 区内部具有较一致的灰度 。在经过高斯模糊后的 方差影像上选取方差 、 均值 、 熵进行阈值迭代 ,以 类间距离最大作为收敛条件 ,可确定分割阈值 。1. 3 高分辨率遥感影像居民地提取的算法高分辨率遥感影像居民地提取的算法 通过计算的自适应阈值可以进行居民地的有有道路与居民地相连 ,使得分割后的居民地还包含着部分道路 。可利用居民地和道路的骨架线在 形态上的差别去除道路特征 。道路
