《面向建筑三维重建的多光谱影像树木遮挡分割研究.doc》由会员分享，可在线阅读，更多相关《面向建筑三维重建的多光谱影像树木遮挡分割研究.doc（71页珍藏版）》请在金锄头文库上搜索。
1、 论文作者：马浩华中师范大学数学与统计学学院 作者张弓；色学位论文版权使用授权书导师签名：日期砂导师签名：日期：伊月多日 本论文的研究得到了以下项目的资助： 树木图像提取是将地面摄影图像中的单株树木与其周围景物分离的技术，可为建筑物的三维重建和影像中的植被检测提供基础数据和技术支撑。提取在自然场景中拍摄的背景具有不确定性的树木图像，是一项探索性很强的工作，具有重要的实用价值和现实意义。本文以建筑物影像树木遮挡分割为研究背景，结合软件编程，进行树木图像提取的分割技术研究。该研究综合性较强，涉及到阂值分割、边缘检测、区域分割等基础分割方法以及综合各种去噪和优化方法得到的一种新颖的树木图像分割方法，
2、这种方法利用了颜色特征、空间拓扑关系和关键特征比值，并使用无边缘活动轮廓模型优化树木提取效果，其中空间拓扑关系和关键特征比值是本文提出的一种适用于树木分割和提取的新的去噪方法。本文的研究内容主要有以下三个方面：基于模型优化树木提取方法的研究。模型通过寻找使能量泛函取得最小值时对应的闭合曲线，来找到划分内部区域和外部区域的轮廓。单独使用模型提取树木图像，最终将图像分成两部分区域，由于不能有效地区分出树木和背景，也就不可避免的将非树木区域归并到树木所在区域。因此，仅使用模型并不能成功提取影像中的树木区域，效果很差。本文通过基于颜色特征、空间拓扑关系和关键特征比值方法的结合，得到影像中树木所在的大致
3、区域，在此基础上，利用来精确提取树木的轮廓线，通过实验结果可以看到这是可行的。，凳琁 琣瑃甅，琣谀綾瑂， 基于纹理的树木图像分割赼特征的冠层提取一本章小结 选题依据及研究意义图像分割是将图像分成各具特性的区域并将感兴趣的目标提取出来的技术。在底层图像处理与中间层的图像分析与识别中，图像分割是一个非常基础和至关重要的步骤，几乎是所有计算机视觉和人工智能技术的研究基础，为众多高层应用如人脸识别、车辆和车牌检测等提供了非常重要的数据信息。图像分割技术首先提取图像的底层特征，如灰度、颜色、纹理、形状等，然后根据一定的相似性准则将图像和世界坐标系。仅利用单视图的三维重建由于已有信息是不完善的，因此需要利
4、用经验知识。而多视图类似人的双目定位，因此进行三维重建相对比较容易，具体实现方法是先计算出上述两个坐标系的关系炊陨阆窕斜甓，然后利用已有的多个二维图像中的信息重建出三维信息。自然场景中拍摄的建筑影像，通常会遇到树木的遮挡，给建筑物的三维重建带来不便，如果能够有效地分割遮挡物，恢复遮挡部分的纹理，场景就会变得单一，为获取二维影像中的信息进行三维重建做好铺垫。建筑物影像中树木遮挡分割具有重要的研究意义，这主要体现在以下两个方 首先，建筑物三维重建在数字城市中是一项十分重要的工作，同时也是街道场对植被、云层和其它目标的识别是受到广泛应用的。到广泛的应用。 修正参数同时减少背景和大气的作用嘲。国内研究
5、现状程磊【坷萌死嗍泳醯奶匦裕岢隽嘶贖颜色空间的树木图像分割方法。首先将占涞牟噬枷褡;晃狧空间。然后，按照色度、饱和度、亮度的顺序进行树冠、树干的初步分割。接下来，选择综合纹理度量矩阵进行树冠的纹理分割。最后，运用数学形态学方法滤除噪声修正后得到最终的分割结果。为了提取树干的主轴可以采用形态学的骨架化算法。此方法对于树干密度较大的单株树木分割效果较好，但当图像中出现多株树木时分割不理想。另外，当树冠的密度较小的时候，仅仅结合颜色和纹理特征，很难得到理想的分割结果。同年，葛玉峰【刀利用颜色对树木图像进行分割，提出了基于相对色彩因子的树 稍微复杂时，人工设定阈值的效果并不理想。而且，这种方法对其他外
6、界因素特别敏感，很容易受到干扰，在分割具体的树木时误差较大。蔡世捷】在葛玉峰的研究基础上，提取可见光树木图像中的绿色通道信息，然近年来，分形理论得到深入的研究，学者开始把分形理论应用在自然图像分割。赵茂程等【在分析了分形维数和自然图像特点的基础上，基于分形维数和颜色对树木图像进行了分割，分割时用双毯法计算分形维数，用颜色、强度、局部分维、边界边缘等特征组合的方法进行区域生长。该方法针对图像中任一像素点，考察在其局部领域内的自相似性，利用分形图像自相似特征与图像灰度梯度变化相结合进行图像边缘检测，能有效地提取图像的边缘，且在含有噪声的图像中提取丰富的边缘细节，具有较强的抗噪声性能，识别精度高。但
7、该方法在分割时耗时长，不能满足树木图像的实时处理需求，而且当目标树木面积不占优势的情况下，往往会出现误分割。有些树木图像中，像素点经常包含了前景物体和背景物体的色彩。在这种情况 前景和背景的轮廓线。并依此划分前景、背景和未知区域三个部分。已有的研究工基于三分图的自然图像抠图技术 基于线条的自然图像抠图技术椒的用户交互量很少。这种方法旨在寻找一种全局最优的分割效果。它需要用户标记出目标和背景的部分像素点肿拥，作为接下来分割过程的硬性约束，这些硬性的约束条件对某些应用而言也可以自动获取。自动获取的过程可以使用基于滤波的识别技术，尽管这种滤波方法在边界处效果不好，但是在前景和背景中选取种子点还是可以
8、的。另外，增加的软约束包括区域和边界的信息。 算法【】通过处理一个二次代价函数来求解未知像素点的颜色值。这种代价函数同基于谱理论的图像分割算法中的代价函数是类似的，不同之处在于这种代价函数使用的是抠图问题中得到的一种新的隶属度函数。全局最优近年来，针对植被本身特征，文献岢隽嘶贑 仅仅利用分割方法得到的结果存在很多的噪声区域。而使用数学形态学往域，结合其他的分割方法进一步提高提取精度是本文的一个研究内容。本文的重点和难点问题 图像分割的基本理论图像分割的基础方法即最大类间方差法由日本大津在年提出，是一种全局阈值分割技术， 则：浦，芇獁靠：恍：恍痺。骸芁，同时定义类间方差分别为：是最大类间方差时所
9、对应的魑W罴雁兄担俏猣牛，则：图是对图像使用全局阈值和局部阈值的结果。使用单阈值即全局阈值分割 一采用方法对单通道图像进行阈值分割，以期提取出影像中的冠层信息。 原图像直方圉局部阐值分割圈单阈值和局部阐值分割效果边缘检测的数学基础 为了简化运算，降低处理的工作量，通常在实际应用中将上式的梯度幅值简化为： 其 图撇力的截面图因此它得到了广泛的。另外，其他边缘检测算子得到的边缘像素点是不连续的，不规则的，而且还需要进行连接，而阕用挥姓飧鋈钡恪贚算子中，盯是高斯函数标准偏差，可以用来调整边缘检测的结果。其值较小时，边缘定位精度高，但是图像的信噪比不理想，会留有太多的噪声：其值较大时，对噪声有平滑作用
10、，滤波效果越好，但是边缘定位精度受到影响。因此，如果不知道物体的尺度和位置，结果，能够检测出图像的最佳边缘。虽然数学上已证明，在按零交叉检测阶跃状边 利用边缘检测算法分割含有树木遮挡的建筑物影像，如图。各种算子都能够检测出大量的边缘信息，包括树叶、树干还有建筑物包含的边缘信息。由于对图像的细节过于敏感，影像中树木内部区域的纹理也视为了图像的边缘，因此检测结果含有大量的树木内部的细小轮廓线；同时，检测出的树木的外轮廓线也不是连续的，无法得到树木图像的形状、面积等【州。另外，由于建筑物本身拥有大量的复杂 模型基本理论 名称之为模型。实际上，其基本思想与传统的基于区域的图像分割方法是一致的。，坞篔皔
11、籷胃曲肌蝗”姗固定虲喽杂凇白钚 通常取五，采用半隐式方案：“砖 胧鹀，专喜布一百这里万和石表示每个通道图像的参数，并且：了，室籐占閥陬琘即分别是对应分量图像厶。，在当前零水平集定义的内部和外部区域的灰度对此同样可采用与上述类似的半隐式方案求解。是一幅人工数据的彩色图像，图是按照公式：占计算得到的灰度图像。此时由于最下方的“物体”与背景在灰度上完全相同而 树木区域。 忌均值聚类算法方和最小。其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。作为初始聚类中心。一刁脚騲渲蠸是以刁”为中心的类。 甀随机预选龀跏季劾嘀行膡，鬰鬰可不必等于所要求的聚类的数指定的迭代运算的最大次数；取消该类，并需要将该类的样本重新分配到其他的聚类；第二步继续迭代，对各个样本重新聚类。 第六步：根据上步所得结果进一步计算总平均距离：面如果是最后一次迭代，即迭代运算次数已达，次，置良，跳到第十一步。其中第九步：求每一标准差向量，札械淖畲蠓至浚詑一， 第十二步：比较氚担獶包的值按最小距离次序递增排列，即式中，。公越为真正的平均向量。并转至第一步绻枰V匦碌髡淙氩问；或转至第二步。是需要设置多个参数，聚类结果存在较大的不确定性。：鼵均值聚类 蔍是一个加权指数。琧。，九琧。：。啤啊
