影像提取（精选九篇）
影像提取 篇1
城市绿地不仅具有改善城市生态环境和文教游憩功能,而且具有景观功能。传统的绿地资源调查方法不仅投入的人力、物力大,而且调查的数据准确性低,耗时,也不便于综合分析评价。遥感技术能够快速、准确地提取城市绿地信息,为城市绿地的规划建设提供基础资料。
1 研究区概况及数据源
1.1 研究区概况
太原市是山西省省会城市,整体地形北高南低,东西横跨为144 km,南北纵跨约为107 km。全市区辖古交、清徐、阳曲、娄烦四个县及万柏林区、迎泽区、杏花岭区、尖草坪区、小店区和晋源区六个主城区,全市区总面积为6 959 km2,总人口425.65万人(2012年)。太原地区于2010年获“全国优秀旅游城市”“国家园林城市”称号。太原市绿地面积为6 434 m2,其中公共绿地面积约2 270 m2。
1.2 数据源
本研究选用2013年5月28日的TM5影像。多光谱波段的分辨率为30 m,热红外波段的分辨率为120 m。太原市第18级Google地图、太原市Auto CAD图。
2 数据预处理
2.1 影像的几何校正与配准
利用ENVI4.8对TM影像几何校正与配准。受传感器高度和运行姿态的变化、地球曲率、地形起伏、大气折光以及传感器介质的均匀程度等因素影响,在获取遥感影像信息时会使得获取的遥感信息变形。本研究采用2008年TM影像图为基准影像对2013年TM影像进行几何配准。选取明显地物特征点作为地面控制点。依据选好的控制点,对2013年遥感影像进行空间数据变换。
2.2 辐射大气校正
本研究采用遥感数据处理软件ENVI4.8中的FLAASH功能进行大气校正。经大气校正后,很好地消除大气对影像数据的影响。
2.3 影像增强
原始影像的清晰度不是很好,我们可以通过一些技术措施来提高清晰度。比如对比度拉伸、波段组合等。
1)对比度拉伸。
影像的清晰度影响着解译的效果。线性、非线性拉伸是提高对比度的两种方法,本研究用线性拉伸[1]。
2)波段组合。
多光谱遥感数据最佳波段选择是色彩增强的重要部分,波段组合应选择信息量大的,波段间相关性小,使地物之间容易区分。研究表明145波段组合信息量最为丰富,其波段间相关性小,可以把它作为提取绿地信息的波段组合[2]。
2.4 研究数据的裁剪
在ENVI4.8中利用太原市的矢量边界图切割影像数据,首先要将矢量边界作为感兴区域,然后切割影像图。
3 城市绿地信息提取
3.1 非监督与监督分类
非监督分类是不需要先验理论,通过计算机对图像进行集聚统计分析的方法,把有相似性的像元归为一类。其中比较成熟的是K-means和ISODATA算法。它们的优点是聚类比其他方法准确、客观[3]。
监督分类事先需要样本训练区。即根据训练区的特征,计算机自己建立判别规则,然后对影像进行分类。这就要求训练区清晰可辨。比较常用的算法有最大相似法等。
3.2 主成分分变换
遥感多光谱影像的波段多信息量大,图像处理时,常常耗费大量内存,实际上存在很多冗余信息。主成分分析法就是要去除多余的信息。主成分分变换(PCA)是一种线性变换,是建立在统计特征基础上的变换。主成分分变换是利用坐标轴的旋转使得数据的方差达到最大,通过变换矩阵进行线性组合,进而输出互不相关的波段,即重新产生具有相同波段的多光谱影像[4]。变换的表达式如下:
其中,X为原始影像的DN值;Y为新生成的影像DN值;A为n×n阶的变换矩阵。
3.3 缨帽变换
缨帽变换也被称为K-T变换。其变换公式如下:
其中,X为原始多光谱空间的像元值;Y为新坐标空间的像元值;A为变换矩阵。
3.4 归一化差异水体指数
归一化差异水体指数MNDWI能很好的将水体提取出来,其表达式为MNDWI=(GREEN-MIR)/(Green+MIR)。其中,MIR为中红外波段的灰度值[5]。
3.5 归一化植被指数
归一化植被指数能很好的提取出植被信息。研究表明可以利用影像波段计算来提取信息,其表达式如下:NDVI=(band4-band3)/(band4+band3)。其中band3,band4分别为对应TM影像的第三波段和第四波段。
3.6 归一化差异建筑指数
归一化差异建筑指数NDBI是以杨山提出的归一化植被指数为基础,硬化建筑与指数之间有密切联系。计算公式如下:NDBI=(band5-band4)/(band5+band4)。其中,band5为TM影像第五波段;band4为影像的第四波段。
3.7 决策树
决策树算法可以处理不同空间尺度的数据,被广泛应用于遥感影像的分类中。决策树方法建立在对训练样本进行归纳学习的基础上。根据训练样本进行决策学习建立决策树,然后依据属性的取值对样本进行分类[4]。
3.8 城市绿地分类及遥感特征
城市中的绿地被分为六大类,分别为公园绿地、生产绿地、防护绿地、居住区绿地、附属绿地、生态景观绿地,其中每类大类中又包括许多小类[6]。在遥感影像中,公园绿地的颜色主要为棕绿色,种植植物集中的绿地颜色呈绿色,居住区、附属绿地等一般是碎片化的点状。从纹理特征来说,公园绿地纹理较复杂,因为植被比较复杂;纹理均匀的是防护绿地、生产绿地,因为它们结构比较单一[7]。
3.9 各类用地特征分析
在ENVI中利用位置、纹理特征提取各类用地的特征,然后绘制了图1的波段信息曲线。从图1中可以看出PC1,PC2,PC3可以很好的将各类地物区别开来。
3.1 0 提取绿地信息
1)非监督提取绿地。用非监督分类把绿地和非绿地区分开来。王延飞研究表明对遥感影像进行归一化植被指数后,通过无监分类后提取绿地信息是一种有效而快速的方法。
2)决策树分类法提取绿地。依据地物光谱曲线图构建决策树规则,然后执行决策树,将提取出的绿地信息导入gis中,绘制城市绿地信息。
4 结语
利用基于归一化植被指数的非监督分类法和决策树分类法分别提取了太原市的城市绿地信息。前者比较简单、易操作,后者花费的时间较长,但准确度较好。后者提取的绿地占整个用地30.70%,最接近2008年的城市绿地率。从空间分布上来说,也更能体现城市绿地格局的水平。
摘要：介绍了太原市的基本情况,通过选取某遥感影像,分析了数据预处理技术,并探讨了基于遥感影像的城市绿地信息提取方法,指出遥感技术能够快速准确地提取城市绿地信息。
关键词：遥感影像,城市绿地信息,数据源,决策树
参考文献
[1]赵鹏祥.基于RS的绿地信息提取方法的研究——以延安市及环城地区为例[J].西北林学院学报,2003,18(2):91-94.
[2]郭娜.TM遥感影像植被信息提取的最佳波段组合选择——以福建省松溪至建瓯高速公路为例[J].福建师范大学学报(自然科学版),2012,28(1):103-107.
[3]赵春霞.遥感影像监督分类与非监督分类的比较[J].河南大学学报(自然科学版),2004,34(3):90-93.
[4]王飞红.基于决策树和混合像元分解的城市绿地信息的提取[D].太原:中北大学,2014:64.
[5]徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报,2005(5):589-595.
[6]Wang,X..城市园林绿地规划[M].北京:气象出版社,2009.
影像提取 篇2
基于高分辨率遥感影像的农村聚落信息的提取
传统的房屋提取方法一般基于像素的提取,无法利用影像的空间信息.本文提出了一种面向对象的卫星影像房屋提取方法.利用影像对象的光谱特征、几何特征和空间关系建立知识库.利用知识库中的则来提取影像中的`房屋.
作 者：罗震 杨存建 李小文 LUO Zhen YANG Cunjian Li Xiaowen 作者单位：电子科技大学地表空间信息技术研究所,四川成都,610054 刊 名：地理空间信息 英文刊名：GEOSPATIAL INFORMATION 年，卷(期)：2009 7(2) 分类号：P237.9 关键词：遥感 面向对象 聚落提取 影像分割 eCognition VC影像提取 篇3
关键词：MODIS；比值植被指数；归一化植被指数
引言
洪水灾害是我国常见的一种自然灾害，其发生一般具有突发性的特点，洪涝灾害的预警预报、救灾减灾以及灾后重建工作都需要对洪灾时空演变过程信息进行及时反馈和精准分析[1]。遥感，作为采集地球数据及其变化信息的重要技术手段，得到了包括我国在内世界各国政府部门、科研单位和公司的广泛应用。随着航空、航天技术的飞速发展，遥感技术大面积同步观测、时效性、数据的综合性和可比性、经济性等特点日益显现，已成为研究地质灾害防治、全球环境变化重要的科学技术手段。
根据遥感数据对水体进行提取的技术如今已在水资源变化检测、洪水淹没范围判读和海岸线变化识别等领域得到了广泛的应用。国内相关研究已经展开，肖干广等[2]利用AVHRR的通道2（近红外波段）和通道1（可见光波段）的差值法，水体得到了有效的识别。盛永伟等[3]利用AVHRR的信道2和信道1的比值法，从而使薄云覆盖下的水体得到了很好的识别。都永康等[4]利用SPOT卫星信息，采用决策树分类方法，山区中的水体信息得到了有效识别。Jun Li等[5]利用MODIS信息能够有效监测清澈水体。赵书河等[6]采用迭代混合分析方法，对中巴资源一号卫星的遥感数据进行分析，把水体与山区阴影进行了有效分离。
1.水的提取原理
遥感影像记录的是地物的光谱特征，不同地物在部分波段呈现较大的反射率特征差异，通过定量化分析和比较这些差异可以达到识别地物的目的。在大部分遥感传感器的波长范围内，由于水体对入射能量具有强吸收性的特点，导致水体的反射率总体上较弱，并具跟波普长度长成反比。水体对蓝光波段（CH3），绿光波段（CH4）的反射率较强，并且水体在蓝光波段有明显的散射，与其他地物在此波段的反射率特征差异不明显；相比于红光波段（CH1），水体在近红波段（CH2）的吸收性要更强烈一些，几乎吸收了全部的入射能量，吸收率较高、反射率较低；而土壤、植被在这个波段内的反射率较高、吸收率较低。这种明显的差异使得水体在近红外波段上很容易与植被、土壤形成鲜明的对比，易于区分。在MODIS影像上，水体在近红外波段上呈现暗色调，而土壤和植被则呈现亮色调。同时，在山区由于受山体阴影的影响，使得阴坡面的地物在近红外波段反射能量降低，因此阴影中的地物在近红外波段影像上呈现为明显的暗色调；在城市建筑物密集地区，由于高层建筑物阴影的影响，也存在同样的问题，因此通过单一阈值（近红外波段）来区分水体和阴影中的地物存在一定的难度。
在一定条件下，植被指数能够定量地说明植物的生长状况，其原理是根据在可见光波段植物叶面有很强的吸收特性，在近红外波段植物叶面有很强的反射特性，通过不同波段的组合，植被指数能够将植物与其他地物有效区分开来。常用的植被指数包括比值植被指数和归一化植被指数等。
2.MODIS的光谱特点及当前主要应用范围
2.1MODIS的数据特点
与之前常用的几种遥感数据相比，美国国家航天局（NASA）最新的数据主要有三个特点：一是数据涉及波段范围比较广（36个波段，0.4-14.4um）；二是空间分辨率较之前有了更大的进展（250 m、500m、1000m）；三是数据更新频率快，对实时监测有较高的应用价值。
2.2MODIS影响上的水体表现特征
根据已有研究表明的水体波普特征和MODIS有感数据36个通道的波长分布，可以分析并确定适合于水体信息提取的波段。在MODIS遥感数据的36个通道中，1、3、4、8～15通道在可见光范围内，水体与其它地物的反射率差别不大，即从水体到陆地的过度特性不明显。2、5、6、7、16～19、26通道处于近红外波段范围，水体吸收率高、反射率低，而对土壤、植被的吸收率低、反射率高，水体在影像上表现为比其他地物都暗的色调，其边界轮廓十分清楚。故在这些通道的单波段影像上，水陆界线比通道1、3、4、8～15影像更加清晰可辨。20～25、27～36为热红外通道，主要反映地物自身的热辐射效应，应用MODIS数据进行水体提取，对于小水域范围，通道2是最佳波段，有着仅0.03m的波段宽度和250m的空间分辨率[8]。
3.MODIS影像水体提取方法及研究
3.1MODIS影像水體提取模型
单波段阈值法和多波段阈值法是目前利用遥感信息提取水体信息最常见的两种方法。
单波段阈值法主要是选取近红外波段并利用阈值来提取水体信息，它是提取水体的最简单易行的方法，基本原理是利用水体在近红外波段上吸收率高、反射率低，其他地物吸收率低、反射率高的特点，经过多次试验确定一个灰度值，作为区分水体与其它地物的阈值，其缺点是水体与山区的阴影难以区分，提取的水体往往比实际要多。部分文献叙述由于遥感影像的时空性变化较大，且时常因为时空的变化，阈值变化的不确定性使得该方法具有局限性，但在特定时相和区域里，对于非山区水体信息的提取，因为MODIS光谱的细分已经将上述问题大大减弱，首先应选取阈值法进行试验。
单纯使用单波段阈值法无法有效区分地物时，需引入多波段法，常见方法包括：谱间关系法和多光谱分析法。利用谱间关系建立的模型很多，比如对波段进行如下运算CH7/CH6、CH7/CH5，从而找出组合图像上水陆分界非常明显的影响。以CH7/CH6为例，可以采用如下方法剔出非水体：在ENVI软件下输入CH7/CH6波段，运算波段计算功能，将公式CH7/CH6输入，载入影像，在放大窗口中，手工裁取明水水域范围，生成多边形，对各种多边形赋予一个感兴趣区（AOI）文件，并将其输出为ENVI等矢量文件即可。
nlc202309012145
采用基于多波段分析原理的植被指数法，能有效增强水体与陆表的差异，从而能后有效区分和识别水体。
植被指数最早是1969年Jordan为了估计热带雨林的叶面积指数而提出来的比值植被指数（RVI）为了提高对地面植被指数检测效果，又有人提出了将比值限定在（-1，1）之间的归一化植被指数（NDVI）[9]，其原理是通过遥感光谱通道间组合运算获得的无量纲数据，是对地面植被状况的一种经验或半经验的观测。
NDVI广泛用于检测植被生长状态、植被覆盖度和消除部分辐射误差等，-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大，根据此特点便可进行水体信息提取。
MODIS数据第一波段是红光区（0.62～0.67μm），水体的反射率高于植被，波段2是近红外区（0.841～0.867μm），植被的反射率明显高于水体，因此，采用归一化植被指数NDVI来进行处理可以增强水陆反差，其计算公式是
NDVI=（CH2-CH1）/（CH2+CH 1）（1）
（1）式中CH1、CH2分别是MODIS数据波段1，2的地标反射率。在NDVI图像中，水体的NDVI值很低，为负值，而植被、土壤的NDVI值较高，为正值。在此基础上，通过选一个合适的取阈值范围，即可构建区分水体和植被、土壤的模型。
比值植被指数（RVI）也能增强水陆分界差异，其计算公式为
RVI=CH2/CH1（2）
由于水体在MODIS第二通道（CH2）上的地标反射率很低，而其他地物相对较高，而在第一通道上，水体的地标反射率虽然比在第二通道上高，但土壤、植被等地物的地标反射率比水体更高，利用RVI可以增强这种差异，然后设定一个阈值，也可构建一个能够有效区分植被、土壤的模型。
多光谱混合分析法主要针对所研究区域及其周围的典型地物（如草地、林地、阴影、城镇等）进行分析，标出他们在各个波段上的光谱亮度值，查找同一波段地物的异同，必要时对个别波段进行加、减、乘、除等运算，找出唯有水体满足的关系，由此构建水体的提取模型。
4.实验结果及精度分析
为了验证NDVI和RVI进行水体提取的有效性，分别选取了河流、湖泊、海洋这三种主要水体对NDVI和RVI指数进行了水体信息提取试验。为了使试验结果具有代表性，选取的试验区的背景地物有的以植物为主，有的以建筑物为主；以保证客观的评价性。遥感影像处理采用的是ENVI软件。
试验区的水体以河流、湖泊、海洋为主，用公式（1）和公式（2）分别生成了RVI和NDVI影像。
此外NDVI和RVI指数影像更能详细的表现遥感影像的信息，反应影像上的细微差别。如河流的细小分支、植被覆盖等在原始遥感影像上表现得并不明显，而在NDVI和RVI指数影像上表现得很详细。同时NDVI和RVI影像还能达到去除云层的效果，在图四中这种效果表现的最为明显。这是由于在CH2中云层的地标反射率比在CH1中的较高，水体在CH2中的地表反射率比在CH1中的较低，在CH2上两者的地标反射率差别不大，但用比值法能使这种差别扩大，因此达到较好的去除云层的效果。
5.结论
MODIS采用一系列低轨道卫星对地球进行连续综合观测的计划，在保证大范围获取地物信息的同时大大缩短了卫星的重访周期，为突发性洪水灾害的检测和评价提供了有力支撑。利用MODIS的1，、2通道遥感数據计算归一化植被指数、比值植被指数，对影像进行水体自动提取得到以下结论：
（1）本文利用RVI和NDVI指数对MODIS影像进行水体的自动提取，并以河流、湖泊、海洋水体为试验区，结果发现NDVI和RVI指数提取的水体的轮廓很清晰，且较窄的河流也能清晰的表现出来，漏提的水体较少，且没有发现将阴影、云、居民地等误当水体提取出来。
（2）在MODIS遥感数据的36个通道中，进行水体提取的优先选取波段是2、5、6、7通道，其中最佳波段是通道2。很多复杂的地物都可以通过MODIS光谱数据细分出来，单波段阈值法从而成为首选方法。
（3）在采用单波段阈值法对水体进行提取研究时，其准确性取决于阈值的大小，如果选取的阈值大，当然可以减少云，阴影等造成的误差，但可能会造成部分水体的漏提；如果选取的阈值过小，会有可能将阴影、云、居民地等当做水体提取出来，采用单一通道法无法将水体像元有效地提取出来。
参考文献：
[1]徐冠华，田国良，王超，等.遥感信息科学的进展和展望[J].地理学报，1996，51（5）：397-406.
[2]肖乾广，陈秀英，王葳.气象卫星影像用于松花江洪水检测[J]，遥感信息，1987，（4）：26-27.
[3]盛永伟，肖乾广.应用气象卫星识别薄云覆盖下的水体[J]，环境遥感，1994，9（4）：247-255.
[4]都永康，黄永胜，冯学智.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报，2001，5（3）：214-219.
[5]赵书河，冯学智，都永康，中把资源一号卫星水体信息提取方法研究[J].南京大学学报（自然科学），2003，39（1）：106-112.
[6]刘玉洁，杨忠东等编著.MODIS遥感信息处理及算法[M].北京：科学出版社，2004.1-4，185-192，233-260.
作者简介：李晓星（1990-），男，山东平度人。硕士研究生，研究方向为土地利用与遥感监测。
通讯作者：王周龙（1959-），男，陕西杨凌人人。博士，硕士生导师，2002年8月至今，在鲁东大学地理与规划学院从事遥感、地理信息系统研究与教学工作。先后承担国家科技攻关项目、973基础研究项目、国家自然科学基金项目、国际合作研究项目等。作为主要科研骨干，曾获中国科学院科学技术进步一等奖、二等奖各一项。在《科学通报》、《遥感学报》、《遥感技术与应用》、《遥感信息》、《国土资源遥感》、《计算机应用研究》等学术期刊上发表论文60余篇。
影像提取 篇4
目前提取道路的方法分为基于辐射特征、几何特征、拓扑特征、背景特征等几类提取方法[1]。文献[2]提出了结合领域总变分分割方法和基于变分几何准则的心态学分析方法来进行航空影像道路自动提取,该方法具有较好的鲁棒性及稳定性; 但是对于和较宽道路连在一起的建筑物难以有效去除。文献[3]提出一种新颖的跟踪道路“脚印”的方法来提取道路网和道路交叉口; 并应用贝叶斯判定模型对过度提取的道路进行修整。文献[4]提出了在道路追踪起始位置和追踪中断时采用人工方式指导完成道路的提取工作。文献[5]提出了基于分割方法的道路种子点提取方法。文献[6]提出了一种基于遗传算法的SAR图像道路目标自动提取方法。该方法首先通过Frost滤波器去相干斑,然后利用乘性Duda线特征检测算子进行线特征检测,接着利用Radon变换进行线基元提取,再利用遗传算法进行线基元连接,最后利用蛇模型调整道路位置并进行道路鉴别。文献[7]基于影像中道路段中心线位置的像素灰度比其周围像素的灰度更明亮这一特征,提出一种快速提取道路网中心线的方法,但是对于灰度变化不明显的区域道路提取有一定难度。文献[8]提出基于波谱角和梯度信息提取道路边缘的模型算法,该算法能够提取多波段影像的道路模型,效率高,但是存在事先难以选择参考像素; 在高分辨率遥感影像上,一些区域存在“异物同谱”现象等等。随着分辨率的提高,道路形状、亮度等信息复杂多变; 且与建筑物和其他地面等区域相似,仅依靠分析几何关系无法准确检测和提取遥感影像中的道路。针对上述问题,结合道路的形状信息和光谱特征,提出了一种基于遥感影像快速提取道路的方法。
在前人的基础上提出了一种改进直线检测算法。线段分割检 测 ( LSD) 是Rafael[9]等人基于Burns、Hanson和Riseman等人的算法,于2010年提出的一种图像直线边缘检测方法,其重要因子之一是梯度,算法的输入是灰度图像,输出是一系列直线分割结果。通过HSV彩色空间求出彩色遥感影像梯度,运用到LSD检测中检测直线。然而经过LSD检测出来的直线是不连续的,而道路是相互连接而成的,因此直线需要合并; 而且还需要判断直线是否为道路。针对这一系列复杂且判断准确率低等问题。在以上检测基础上,运用区域生长的方法自动提取道路。思想是: 在改进LSD提取直线基础上,根据一定的判断准则合并直线( 道路的线性特征) ,并判断两条直线间的区域( 道路的面性特征) 是否为道路; 然后以这个区域为种子点生长,道路生长;最后再选择新的种子区域,直到所有道路生长。实现了道路线面特征的结合。
1 遥感影像直线检测
1. 1 改进 LSD 线段检测
LSD是以梯度特征为基础,使用称为直线支撑域的结构对图像中的直线边缘进行建模。检测时遍历图像中的矩形区域,通过角度容差和a contrario等方法对边缘区域进行确认。该方法无需要参数调节,可以自动调节错检率,能提供亚像素级的检测精度。
LSD算法的输入是灰度图,输出是一系列的直线分割结果,如果修改了其中的梯度算法将会导致LSD算法的一种变种[9]。将LSD算法运用彩色遥感影像上,对其重要的因子梯度,在HSV彩色空间内利用矢量求导方法计算彩色图像梯度。HSV彩色空间直接反映了人眼视觉对彩色的感知方式,因此在彩色图像梯度计算中利用HSV彩色空间更加有利于彩色图像的处理。
HSV彩色模型的坐标系统是圆柱坐标系统,但是一般用六棱锥来表示。则HSV彩色模型的3个分量可以表示为
设: Max = max( R,G,B) ,Min = min( R,G,B) 。
则
基于HSV彩色空间的梯度[10]计算:
则梯度方向:
梯度值:
式( 8) 中利用直方图均方误差来确定αH、αS、αV的大小,
式( 10) 中,h表示彩色图像单分量的直方图,ω =MN /256,M和N分别表示直方图的长和宽,x = H、S、V。
将新的梯度计算方法运用到LSD算法中,对彩色遥感影像直线的检测更有利,通过实验进一步得到验证( 详见实验分析) 。
1. 2 直线生长及合并
由于LSD算法在检测过程中会对错检率和准确率进行自动调节等其他原因,通过LSD检测出的直线常常都是不连续的。同时直线方向由于各种原因也不一致,因而需要对检测出的直线设定一定规则来合并。两条直线是否合并生长取决于三个参数: 法向距离阈值dV、切向距离阈值dH和两直线方向与坐标轴的夹角的差值θα。其中dV和dH的值是由图像的分辨率大小决定,θα= 2. 0o[11]。图1所示两条相邻直线的关系。
直线合并 生长的条件:
( 1) 两条直线方向一致,法向距离为0,切向间距为d1,当d1≤dH时,直线L1和L2合并生长。
( 2) 两条直线平行,法向距离为d2,切向距离为0,当d2≤dV时,直线L3和L4合并生长。
( 3) 两条直线方向有一定的夹角,角度为θ0,当θ0≤θα时,直线L5和L6平行或者一致,再根据( 1) 、( 2) 的其中一种判断是否合并生长。
( 4) 两条直线平行,法向距离为d2,切向距离为d1,当d1≤dH& & d2≤dV时,直线L7和L8合并生长。
( 5) 两条直线平行,法向距离为d2,切向距离为d1( 为负值) ,当d2≤dV时直线L9和L10合并生长。
( 6) 两条直线方向有一定的夹角,角度为θ0,当θ0≤θα时,再根据( 4) ,( 5) 的其中一种判断是否合并生长。
2 基于遥感影像直线检测的道路检测
2. 1 道路特征描述
虽然遥感影像信息相对比较复杂,但道路特征在遥感影像中表现很突出。通过对相关文献的分析及比较,高分辨率遥感影像中道路有以下特征:
( 1) 道路是由有限道路段相互连接而成,多数为正交和平行两种状态,且道路边缘可近似为两条平行直线;
( 2) 道路区域灰度比较均匀一致;
( 3) 道路灰度与背景灰度相比有很大差异;
( 4) 遥感影像中的道路有一定的长度和宽度,且长度远大于其宽度;
( 5) 道路的方向变化缓慢,局部没有剧烈的曲率变化。
2. 2 自动提取道路
LSD提取直线后,同时经过直线的合并,然后如何快速又准确的自动提取道路,基本思想: 在两条平行的直线间选择区域,经过一定的规则判断是否为候选道路区域,若是,则作为种子点,区域生长( 生长区域为平行线间的区域) 直到生长结束; 返回上一步,重新选择新的种子点( 道路区域) ,区域生长。道路提取流程图如图2。
2. 2. 1 直线及区域的选取
直线选取: 根据道路特征,选定一条直线1作为基准线,同时找出与之相邻距离平行的两条直线2和3,计算其与直线1的间距d1、d2( 如图3) ,直线的长度D1、D2、D3。由于直线的宽度要远小于其长度,选择的直线要满足min( d1,d2) < < min( D1、D2、D3) ,否则重新选择。
区域的确定: 以间距min ( d1,d2) 的直线与基准线之间的区域; 以长度min ( D1,D2) 为边界,如图所示的区域Q0。计算该区域内平均 像素灰度 值Pa,以及标准偏差Sa( a =R、G、B) 。
计算道路区域内平均像素灰度值和标准偏差:
式中,n为区域内像素的个数,Pai为第i个像素的( R、G、B) 值。
2. 2. 2 候选道路区域自动选取
为了进一步确定区域Q0是否为道路,与其4邻域以及两个间隔域对比。直线1相邻最近同一个方向的直线3和4以及平行的直线5,同理直线2相邻的直线6、7、8。这些直线之间的区域是其4邻域以及Q0分别与Q1和Q3之间的区域Q6、Q7如图所示,并计算区域内平均灰度值。根据道路的特性,判断区域Q0能否作为道路区域:
( 1) 区域Q2和Q4与区域Q0的平均灰度值应相差很大( 特征3) ,若| P2- P0|≤Sa或| P4- P0|≤Sa,则区域Q0不能作为初始道路区域,则需要重新选择直线,确定新的区域Q0;
( 2) 满足条件( 1) 后,对区域Q1和Q3进行判断,则需要满足| P1- P0|≤Sa或| P3- P0|≤Sa,否则返回重新选择直线;
( 3) 进一步判 断区域Q0,则需满足 { | P1P5|≤Sa&& | P0- P5|≤Sa} 或 { | P3- P6|≤Sa) &&| P0- P6|≤Sa} ,否则区域Q0不能作为初始区域,需要重新选择直线。
候选道路的选取,确定了该区域为种子区域,从而省略了人工选取的步骤。
2. 2. 3 面状道路自动提取
候选道路区域的选定,为自动提取面状道路的奠定了基础。
Step1: 遍历还未标记为道路的区域,判断未标记的区域是否符合候选道路区域,若符合则以该区域为种子点( 区域像素的平均灰度值最为初始种子点P0) ,标准偏差作为阈值。否则继续遍历。
Step2: 对未标记为区域进行生长,计算其像素的平均灰度值P1,判断| P1- P0|≤Sa,符合,则该区域为道路,否则继续下一个区域。
Step3: 遍历完备选区域,重新选择新的初始道路区域,返回Step1,直到不再满足道路条件为止,生长终止。
道路的提取实现了从线到面,从面到点,再到面的结合,从而使道路的提取更准确。
2. 2. 4 交叉路口提取
传统的交叉道路口[11]模型为“十”、“Y”、“T”,如图6所示。针对这些传统的路口某型设置不同的规则: 在面状道路提取的基础上,首先根据直线在确定道路时,路口被确定的次数,对于“十”形路口应该被确定4次,“Y”形3次,“T”形2次; 对于“十”形路口处有八条直线且相邻两条直线的夹角( 4个夹角) 约为90°,“Y”形路口处有六条直线且相邻两条直线的夹角应满足两个大于90°,一个小于90°,“T”形路口处有五条直线且相邻两条直线的夹角( 2个夹角) 应约为90°。
3 实验结果及分析
为了验证本 文方法的 有效性,利用C++ 和Open CV图像处理库实现了LSD线段检测和区域生长算法。
用某地的高分辨率遥感影像验证提出算法的有效性及使用性。选取三幅不同区域、大小、复杂性的影像进行实验。实验环境如图7所示。图7( a) 是农村的道路,大小631×397,分辨率为1 m,农村道路相对简单、光谱特性单一,而且道路上的车辆、行人以及两旁的建筑物等干扰较少。图7( b) 是相对复杂的城区1道路,大小为538×452,分辨率为0. 2 m,道路光谱多样。图7 ( c) 是复杂的城区2道路,大小为798×791,分辨率为0. 5 m,道路光谱多样、建筑、车辆等干扰多。
为了表明运用HSV彩色空间求梯度的优越性,表1给出了HSV彩色空间和RGB三分量之间的相关性,如表1所示。
从表1可以看出,RGB三分量间的相关性很强,而HSV彩色模型的各分量之间的相关性较小、相对独立。从而较容易检测到彩色遥感影像的细节梯度,为LSD能准确检测出彩色影像中的直线奠定了基础。
同时将彩色遥感影像通过转化为灰度影像、RGB彩色空间、HSV彩色空间求梯度,运用到LSD算法中,检测直线结果如图8所示,表2给出了检测直线的数量。
从图8和表2可以看出,相比灰度图像而言,彩色图像包含了更加丰富的信息,因而RGB彩色空间的梯度计算运用到LSD中检测的直线较多;而相对RGB三分量间的相关性很强,采用HSV模型计算出的梯度运用到LSD中,检测出来的直线相比更多。
道路面状提取,分别运用本文和经典区域生长算法两种算法获得。其中经典算法( 区域生长) 利用Open CV库函数实现。如图9所示。
为了评估这些道路提取的效果,采用人工判读方法。定义参考图10,并参考文献[1,3,12—15]做下列统计: 1参考道路长度; 2检出的道路长度;3检出的错误道路长度。采用以下三个指标进行评估道路,检测率PD= 检出的正确道路长度 / 参考道路长度; 虚警率PF= 检出的错误道路长度 / 参考道路长度; 检测质量θ = 检出的正确道路长度/( 参考道路中未检测出的长度 + 检出的道路长度) 。道路交叉点的评估指标: 1完整性 = 正确匹配的参考道路交叉点数目/参考道路交叉点数目; 2正确性 = 正确匹配的提取道路交叉点数目 /提取的道路交叉点数目。得到表3、表4数据。
由表3可以看出: 运用本文方法提取的道路,在检测率上,不论是农村还是城区道路都远远高于经典算法。在虚警率上,不论是农村还是城市道路都远远低于经典算。重要评价参数检测质量θ,本文算法在农村道路上θ = 89. 41% 、城区道路分别为θ = 84. 79% 、81. 19% ,而经典区域生长算法在这三种道路上的θ分别为72. 91% 、66. 83% 、61. 70% 。本文算法不论是农村道路,还是城市道路各方面指标都明显优于经典算法。特别在道路比较复杂、干扰较多的情况下,本文算法的优势更加明显。从表4可以看出本文对于交叉路口提取有 较高的准确性。
4 结论
高分辨率遥感影像道路提取是遥感信息处理研究的热点,而如何快速准确提取道路是目前研究的重点和难点。在前人的基础上,运用目前最新算法LSD直线自动检测,将彩色图像梯度应用到LSD中,对彩色遥感影像道路直线提取,同时为避免了前人在直线判断为道路时遇到的难题; 然后利用检测出的直线确定候选道路区域,以候选区域为种子点,自动生长道路区域,可以较快速较准确的提取道路。
由于在高分辨率遥感影像上,确定道路的“面状特征”远比“线性特征、点特征”要容易得多,因此在基于传统的“基于点”、“基于线”的自动提取道路基础上,再基于面状特征将为自动提取道路开辟一条新的途径。
摘要：针对传统的高分辨率遥感影像中提取道路精度低问题,提出了一种基于改进直线检测道路的方法。首先将彩色图像梯度计算运用到经典的直线段检测(LSD)算法中,实现遥感影像直线提取。根据相邻两条直线关系设置6个直线合并规则,然后判断直线间的区域是否为候选道路区域。以候选区域为种子点,生长其他直线间的区域。最后提取面状道路及优化,同时也对道路交叉路口进行提取。实验结果表明使用提出方法所提取道路区域更加完整。
影像提取 篇5
随着航空航天和电子科技等水平的发展,获取遥感影像数据的方式变得多样化,获得数据变得越来越容易,同时影像的分辨率也越来越高,影像中的地物信息也越来越丰富,因此对于遥感影像数据的应用研究也越来越多。从遥感影像中提取道路信息是遥感影像数据应用研究的一个热点和难点,已产生的方法大多是针对某种特定区域的道路进行提取。从遥感影像中提取道路信息的方法主要分为半自动和自动两种方法,且以半自动的提取方法居多,自动化程度较高的方法的研究相对较滞后,但是也产生了一些较优秀的算法[1]。最近一年国内产生的道路提取方法主要有:阙昊懿等[2]提出了基于双阈值的序贯相似性检测算法(SSDA)的模板匹配算法来提取道路的边缘信息。谭仁龙等[3]提出一种基于圆形模板的半自动道路提取方法,采用圆形模板来搜索道路的中心点,再结合形态学梯度和道路中心点夹角得到道路中心线。周绍光等[4]首选对遥感影像进行滤波得到待分割特征矢量,然后采用图割理论从特征矢量中检测道路候选点,再采用直线匹配方法对道路候选点进行处理得到初始道路段,最后集合图割、形状先验和动态外推的方法连接道路段得到道路。
本文采用结合阈值分割和Canny算子边缘检测的方法对遥感影像中道路的边缘信息进行提取。首先根据遥感影像灰度图像的灰度直方图中灰度值的分布特点,采用直方图阈值分割的方法分割遥感影像,得到道路的初始信息,然后对初始道路信息进行面积统计,根据面积的分布,选择非道路信息的最大面积值,以此为面积阈值滤波处理的阈值,经过面积阈值滤波之后,再采用Canny算子检测所得道路的边缘,最后将得到的道路边缘叠加到原图像中显示。
1 基本原理
1.1 阈值分割
直方图阈值分割适用于在图像中目标和背景的灰度级别区别明显的情况下分割图像。令输入图像为f,输出图像为g,阈值分割的变换为[8]:
式中阈值T位于区间[0,255]之内,当g(i,j)表示目标时,其值为1,表示背景时,其值为0,反之亦然。
1.2 Canny算子边缘检测
边缘是图像最基本的特征,是其周围像素灰度急剧变化的像素集合。边缘存在于目标、背景和区域之间,是所要提取目标和背景的分界线,是进行分割的重要依据,提取出边缘才能将目标和背景区分开。边缘一般分为两种:边缘两边像素的灰度值明显不同的阶跃状边缘和边缘处于灰度值由小到大再到小变化的转折点处的屋顶状边缘。边缘检测的基本思想是先检测图像中的边缘点,然后根据某种策略将边缘点连接成轮廓,得到分割的区域[9]。
常用的边缘检测算子[10]为:一阶微分算子和二阶微分算子。一阶微分算子也称为梯度边缘检测算子,其利用图像在边缘处的阶跃性,即图像梯度在边缘取得极大值的特性进行边缘检测。梯度是一个矢量,它具有方向θ和模|ΔI|:
梯度模值的大小指出了边缘的强度信息,由于梯度方向垂直于边缘的方向,因此梯度的方向指出了边缘的走向信息[10]。
在实际使用中,梯度矢量利用有限差分进行梯度近似表示为:
常用的一阶微分边缘检测算子有Sobel算子、Prewitt算子和Roberts算子。一阶边缘检测算子具有实现简单、运算速度快等特点,但由于受噪声的影响很大,同时由于实际边缘灰度与理想灰度值之间存在差异,可能会检测出多个边缘,算子尺度固定不利于检测出不同尺度的边缘,使得不能准确地确定边缘的位置[10]。
二阶微分边缘检测算子是利用图像在边缘处的阶跃性导致图像二阶微分在边缘处出现零值这一特性进行边缘检测的。图像的二阶微分可用拉普拉斯算子表示为[10]:
将上式的右边两项进行近似可得:
由此可进一步得出:
二阶微分算子检测边缘的方法简单,但对噪声较敏感,同时不能提供边缘的方向信息。为了实现对噪声的抑制,Marr等提出了高斯拉普拉斯(Lo G)的方法,首先使用高斯函数对图像进行低通滤波平滑,然后进行过零点检测,通过设定的判断规则产生边缘点。Lo G算子抗噪能力较好,其检测的边缘比较完整,位置较精确。
Canny边缘检测算子是在原一阶微分算子的基础上增加了可以抑制多响应边缘,提高边缘定位精度的非最大值抑制和可以减少边缘漏检率的双阈值。
采用Canny算子进行边缘提取主要分为4个步骤[10]:
首先,去除噪声,一般采用高斯函数对图像进行平滑;
其次,计算梯度值和方向角,分别计算去除噪声后的图像在x方向和y方向的梯度ΔI和梯度方向角θ。将0°到360°的梯度方向角归并为0°、45°、90°和135°四个方向θ′。对于所有边缘,定义方向180°=0°,225°=45°等,这样方向角在[-22.5°~22.5°]和[157.5°~202.5°]范围内的角都被归并到0°方向角,其他的角度归并以此类推;
再次,非最大值抑制,将那些在梯度方向具有最大梯度值的像元作为边缘像元保留,将其他像元删除。梯度最大值一般位于边缘的中心,沿梯度方向随着距离的增加逐渐减小。结合在第2步中得到的梯度值和方向角,检查围绕点(x,y)的3×3范围内的像元:
如果θ′=0°,则检查像元(x+1,y)、(x,y)和(x-1,y);
如果θ′=90°,则检查像元(x,y+1)、(x,y)和(x,y-1);
如果θ′=45°,则检查像元(x+1,y+1)、(x,y)和(x-1,y-1);
如果θ′=135°,则检查像元(x+1,y-1)、(x,y)和(x-1,y+1);
将被检查的三个像元比较梯度值的大小,如果点(x,y)的梯度值都大于其他两个点,则点(x,y)为边缘中心点并被标记为边缘,否则,点(x,y)不是边缘中心点。
最后,滞后阈值化,由于噪声的影响,经常会在本应该连续的边缘出现断裂的问题。滞后阈值化设定一个高阈值和一个低阈值。如果任何像素对边缘算子的影响超过高阈值,将标记为边缘;响应位于高、低阈值之间的像素,如果与已经标为边缘的像素1-邻接或8-邻接,则标记为边缘。这个过程反复迭代,将其余的像素则视为噪声。具体过程如下:
(1)如果像元的梯度值小于低阈值,则为非边缘像元;
(2)如果像元的梯度值大于高阈值,则为边缘像元;
(3)如果像元的梯度值位于低阈值和高阈值之间,则进一步检查像元的3×3邻域内像元的梯度是否大于高阈值,如果大于高阈值,则为边缘像元;
(4)如果在像元的3×3邻域内,没有像元的梯度值大于高阈值,进一步扩大搜索范围,查看在5×5邻域内的像元是否存在梯度值大于高阈值,如果有,则为边缘像元,否则,为非边缘像元。
在非最大值抑制的基础上,方法的实现将当前像素的梯度方向近似为4个方向,然后将梯度方向对应到以当前点为中心的3×3邻域上,通过比较邻域上对角线方向三个像元梯度值的大小,判断是否为边缘点。这一近似方法的优点是计算速度快,但精度相对较差。
2 方法流程图
提取道路边缘的流程如图1所示:
3 实验与结果分析
实验的软件环境为MATLAB R2012a,所采用的数据1为大小为207×348的光学彩色遥感影像,数据的原始影像及其灰度图像如图2所示:
原始影像灰度图像的灰度直方图如图3所示:
从灰度直方图中可以看出,影像的灰度图像中灰度值的分布呈现一定的特点,即直方图中存在两个较明显的峰,在两个峰之间存在一个较明显的谷,从原始影像中可以看出,影像中的道路与其他地物区别较明显,同时道路的纹理分布相对比较均匀,所以可以推出在直方图中以谷的最低点为分界灰度值的两侧必然有一侧含有的道路信息较多,非道路信息较少。经过观察分析灰度直方图,选择的分割阈值T=149,其位置如灰度直方图中红色线所标记,进行直方图阈值分割所得的结果如图4所示:
从图4(a)中可看出,经过直方图阈值分割处理后得到的二值图像中道路信息丰富,也存在一些与道路同谱异物的干扰,但是面积相对较小,可以采用面积阈值滤波的方法进行去除,对图4(a)图进行面积统计,所得的面积分布结果如图5所示:
从图中可以看出,道路的面积比干扰地物的面积要大的多,图中长度最长的矩形线即对应于图中的道路面积,其他一些相对很短的矩形线对应于图中的非道路干扰信息,通过纵向对比,选择一个干扰面积最大的线,其对应的面积大小为116,其位置如图中红色箭头和竖线所标记,因此只要选择大于116且小于道路总面积的阈值进行面积滤波即可去除所有非道路信息的干扰,保留道路信息,本文中选择的面积阈值为117,经过面积阈值滤波处理之后的结果如图4(b)所示,从图中可看出处理后的道路信息完整性较好。
将图6(b)中的道路段采用边缘检测算子进行边缘检测,采用Canny算子,选择的阈值为0.01,其它参数为默认值,进行边缘检测的结果如图6所示。
从结果发现使用Canny算子检测的边缘在保持道路边缘完整度的同时具有较好的平滑性。
将本文中的方法应用于其他数据,数据2的大小为236×343,其原图像及其边缘检测结果如图7所示:
从实验数据的结果可以看出,结合阈值分割和Canny算子边缘检测的方法对于遥感影像中地物分布较简单,同时道路的地物特征明显的情况有较好的边缘检测效果。
4 总结
采用结合直方图阈值分割和Canny边缘检测算子结合的方法来提取遥感影像中道路的边缘信息,对于影像的灰度直方图中灰度值的分布特征明显的情况下,可以通过手动选择分割的阈值进行直方图阈值分割得到初始道路信息,然后通过面积阈值滤波去除干扰信息,得到最终的道路,再通过边缘检测得到道路的边缘信息。但是当影像的灰度直方图中灰度值的分布特征不明显的情况下,由于不能够合理的选择阈值分割的阈值,进而不能够得到相应的初始道路信息,因此方法在这种情况下的适用性不理想。同时当通过阈值分割得到的初始道路信息所受的干扰信息中存在较严重的对道路的粘连干扰时,仅仅通过面积阈值滤波处理并不能很好的去除粘连干扰信息,因此需要采用其他更多的后处理操作进行处理以得到最终道路信息。
参考文献
[1]吴亮,胡云安.遥感图像自动道路提取方法综述[J].自动化学报,2010,36(7):912-922.
[2]阙昊懿,黄辉先,徐建闽.基于双阈值SSDA模板匹配的遥感图像道路边缘检测研究[J].国土资源遥感,2014,26(4):29-33.
[3]谭仁龙,万幼川,袁芳,等.基于圆形模板的高分辨率遥感影像道路半自动提取[J].测绘通报,2014(10):63-66.
[4]周绍光,陈超,岳建平.形状先验和图割的高分辨率遥感影像道路段提取[J].测绘学报,2014,43(1):60-65.
[5]张璐璐,何宁,徐成,等.基于K-means聚类的遥感影像半自动提取方法[J].北京联合大学学报,2015,29(1):47-52.
[6]张采芳,田岩,郑毓勇.基于最优尺度的高分辨率遥感影像道路提取[J].测绘通报,2015(1):90-94.
[7]江中亮,杨敏华,杨德地.快速提取城市道路中心线[J].测绘与空间地理信息,2015,38(1):153-154.
[8]Gonzalez R.C.,Woods R.E.,Eddins S.L..数字图像处理(MATLAB版)[M].阮秋琦,等,译.北京:电子工业出版社,2009.
[9]Sonka M.,Hlavac V.,Boyle R..图像处理、分析与机器视觉[M].3版.艾海舟,苏延超,等,译.北京:清华大学出版社,2011.
基于LSD的低空影像线特征提取 篇6
影像中的直线特征是视觉感知的重要线索和解释图像的基本依据[1]。结合计算机视觉, 使用直线简化表达的影像是目标识别、轮廓提取、特征匹配及运动估计等多种应用的基本素材。直线特征的表示虽然简单, 但由于许多人工地物都具有直线特征, 直线可作为一个基本特征用于描述和检测复杂的形状, 因此线特征提取是特征提取的基础[2]。现阶段对直线提取的算法研究并不十分深入, 算法较少且缺乏比较。现阶段的线特征提取方法大致有三类:第一类是基于变换域的方法[3], 此类算法具有算法简单、受噪声影响小的优点, 但存在计算量大、检测精度低等缺陷;第二类是基于梯度相位特征的方法[4], 该类算法内存消耗小, 原理简单易行, 且在场景比较复杂时也能保持较好的提取效果, 但是该算法对影像亮度变化较为敏感, 且当分组误差大时极易产生分裂的短直线;第三类是分割边缘的方法[5], 此类算法原理简单, 能够检测影像局部的直线段, 从而得到直线段的端点坐标、长度和对比度等属性, 易于理解, 但不足之处是其结果依赖影像边缘跟踪算法的性能, 当选择的边缘跟踪算法性能不佳时, 结果会受到很大影响, 且运行时间较长。
而LSD是由Rafael Grompone von Gioi等人[6]在2012年提出的一种局部直线快速提取的算法, 它能在线性时间内得出亚像素级精度的检测结果。LSD算法较为稳定且存在错误控制, 可以在无人工调节任何参数的情况下快速得到满意的线特征提取结果。但是观察其低空影像线特征提取结果可以发现, 这种算法提取出的直线较多是短线段, 这是因为当直线相交时, 对于直线上的任何一点只能存在于一条直线上, 且边缘交点的梯度值比较小, 这就导致了LSD提取的线中不包含相交直线, 尤其是对纹理复杂的地物。基于这个特点, 若当出现两条直线相交时, 在交点两条直线就会被截断成四条直线段, 再加上由于长直线局部模糊、遮挡等原因, LSD所应用的局部检测区域自增长算法会将长直线段截断为多条线段。相较于近景影像低空影像的像幅较大, 单幅影像需要处理的数据量多, 需要对传统LSD算法进行改进, 针对于LSD算法的特点, 进行LSD提取线特征过程优化, 使之更适用于低空影像的线特征提取, 并最大程度上提高其速度和稳定性。
1 影像分块
影像分块线特征提取有以下几个特点:第一, 对于大影像的线特征提取, 若按照传统LSD方法, 以整幅影像为处理对象, 将整幅影像一次性读入内存, 进行线特征提取处理后, 再将提取的线段数据输出, 这样的操作需要占用大量内存, 可能导致内存的溢出, 效率较低, 且存续可执行性差, 分块处理速度快效率高, 内存要求较低, 且运算量不会增加, 耗时较整幅影像处理要少;第二, 图像的尺度在分块前后有所区别, 分块后的尺度较大, 可以对影像的细节进行更好的提取, 并且分块处理可能更适合并行运算, 有进一步提高线特征提取效率的可能。
图一和图二分别显示了测试影像是否分块处理的结果, 其中整幅影像使用LSD提取了2855条直线, 耗时2.521秒, 影像分块使用LSD提取了3521条直线, 耗时1.987秒。
2 线段优化
LSD算法的特点导致了无论是对整幅测试影像进行LSD还是分块进行LSD, 得到的直线段均有3000条左右, 在此数量庞大的直线中, 存在许多如图三所示短直线段, 这些短直线段数量多且分布十分杂乱, 若不对这些短直线段进行处理, 则会给后续工作带来许多干扰和不确定性。为了得到具有几何约束性的有效直线段, 我们需要对影像分块提取的线特征进行筛选与合并。
影像分块后, 运用LSD提取线特征, 得到线段两端点的坐标。
(1) 初步筛选:删除过于短的线段, 应先删除线段长度小于5个像素的线段。
(2) 考察两条线段的方向夹角, 当夹角大于一定的阈值时不进行合并。如图四所示。
设提取线段L1的方向角为α1, 线段L2的方向角为α2, 则判断线段夹角:
若满足条件, 两条线段即可合并, 反之, 不能合并。
(3) 计算线段两端点到另一线段的垂距, 如果线段之间相互的垂距都较大, 则不合并, 如图五所示。
设a、b、c、d为两条线段的四个端点, a到线段cd所在直线的距离为a2cd, b到线段cd所在直线的距离为b2cd, c到线段ab所在直线的距离为c2ab, d到线段ab所在直线的距离为d2ab, 点 (xi, yi) 到直线Ax+By+B=0的距离为:
计算:
满足ab2cd<1且cd2ab<1的两条子线段才进行合并。
(4) 计算两线段最近端点间距, 若间距超过阈值则不合并。
如图六所示, 分别求解a、b、c、d四点间的距离, 最短距离bc<dL=5的线段可以合并。
(5) 将符合合并条件的线段重新最小二乘拟合, 合并线段, 标记被合并的线段为从属性线段, 标记后的线段不参与其他的线段优化操作, 如图七所示。
最小二乘拟合过程如下[7]:
直线的一般形式方程为ax+by+c=0, 可化为:
根据最小二乘原理, 存在P函数:
其中, N为参与最小二乘的总点数, 当P函数取最小值时, A、B的值即为所求直线参数。根据极值理论, 有函数极值方程:由此可得下列方程组:
求解方程组, 得A、B的值, 即可确定拟合直线的表达式。
(6) 最后清除合并后线段长度仍然较短的线段。由于较长线段的结构性较短线段结构性约束强, 统计合并后的线段长度, 小于45像素大小的线段舍弃。最终得到线段优化后的LSD线特征提取结果, 如图八所示。
由于直线段的端点隐含了线段的长度位置等多种属性, 所以取最小二乘拟合优化后的线段的两端点 (线段的起点和终点) 进行记录, 这样不但便于后续的数据读取访问, 而且节省了储存空间, 便于快速存取。基于LSD的提取线段优化, 大大减少了LSD提取线段的数量, 便于后续进行快速高效的线特征匹配。较长的直线对边缘的几何结构性约束更强, 在后续的处理, 如重建三维线段精化DSM边缘时, 可以更加有效的对不精确的边缘进行精化。
3 结束语
该方法可以有效地提高低空影像LSD线特征提取的效率, 从而获得高质量的提取结果, 但是本文中线段优化策略有待进一步优化改进来提高线特征提取速度。此外, 采用GPU并行处理分块影像的方法可以进一步提高LSD线特征提取效率。
参考文献
[1]张祖勋, 吴军, 张剑清.一种基于线空间的直线抽取算法研究[J].武汉大学学报 (信息科学版) , 2004, 29 (03) :189-194.
[2]Grompone Von Gioi R, Jakubowicz JMorel JM, et al.LSD:a fast line segment detector with a false detection control[J].IEEE Trans Pattern Analysis and Machine Intelligence, 2010, 32 (04) :722-732.
[3]杨全银.基于Hough变换的图像形状特征检测[D].济南:山东大学, 2009.
[4]倪翠, 叶勤, 李博峰, 等.基于相位编组的高分辨率遥感影像道路信息提取[J].遥感信息, 2008, 23 (04) :45-49, 60.
[5]徐元柳.遥感图像多尺度边缘分割的方法研究[D].乌鲁木齐:新疆大学, 2005.
[6]Grompone Von Gioi R, Jakubowicz J, Morel J M, et al.LSD:a Line Segment Detector[J].Image Processing On Line, 2012, (02) :35-55.
影像提取 篇7
1 研究区概况
郑州市是河南省的省会和政治、经济、文化中心,京广铁路和陇海铁路的交汇点,是中国铁路交通的重要枢纽,地处中华腹地,九州之中,十省通衢。北临万里黄河,西依中岳嵩山,东南接黄淮海平原,位于东经112°42′～114°14′,北纬34°16′～34°58′之间。境内大小河流35条,分属于黄河和淮河两大水系,其中黄河郑州段长150.4 km。
2 研究方法及数据处理
2.1 研究方法
目前经常用来进行城市建筑用地信息提取的方法主要有以下几种:光谱阈值法、NDBI指数法、监督分类和非监督分类方法。尽管在某些情况下,使用以上几种方法进行信息提取均能获得一定的精度,但是却不能同时满足客观、准确、快捷的信息提取要求。因此,笔者研究使用NDBI和NDVI指数相结合的建筑用地信息提取方法。
2.1.1 NDBI指数
NDBI指数的前身是杨山提出的仿归一化植被指数,后来被查勇等人改称为归一化建筑指数(Normalized Difference Buildup Index),指数表达式为
式中,TM5是地物在短波红外波段的亮度值,TM4是地物在近红外波段的亮度值。一般来说,地物反射率随波长变化呈现一定的规律性,这样就为遥感影像的判读和信息的提取提供了科学的依据[8]。其取值范围为-1～1,在得到的NDBI指数影像中像元值>0的代表建筑信息,<0的代表非建筑信息。
2.1.2 NDVI指数
自从Rouse等人在1973年提出了归一化差异植被指数(NDVI:Normalized Difference Vegetation Index)以来[9],NDVI已经成为了植被遥感影像中应用最为广泛的指数。基于Landsat ETM影像的ND-VI的公式如下
式中,TM4是地物在近红外波段的亮度值,TM3是在红光波段的亮度值。在NDVI图像上,植被为>0的部分,<0的部分则为其他地物,所以可以根据NDVI值是否>0,提取出比较准确的植被信息。
使用NDBI和NDVI指数相结合的方法,进行建筑用地信息提取的思路如下:首先分别提取出研究区的NDBI和NDVI影像;然后,对得到的指数影像进行二值化,得到二值化图像;再利用叠加分析的方法对二值化图像进行逻辑判别,从而得到建筑用地信息。
2.2 数据处理
2.2.1 数据获取
选择郑州市landsat ETM影像,选用了1～5波段,影像的空间分辨率为30 m。利用郑州市行政边界shape文件,对遥感影像进行掩膜处理,获得研究区域的遥感影像。
2.2.2 NDVI影像及二值化
利用式(2),在ERDAS软件中,用空间建模工具即可创建植被指数影像。植被为NDVI>0的部分,数值越大表明植被覆盖度越好;NDVI值≤0反映的是非植被信息。进一步利用ERDAS的建模工具对NDVI图进行二值化处理。在建模工具中将条件判别函数设为NDVI≥0的值赋为0,NDVI<0的值赋为1,保存并运行模型即可得NDVI二值化图像,见图1。
在二值化后的图像中,像元值为0的部分表示的是植被信息,以黑色表示,主要包括林地、耕地、草地、沼泽地、低密度植被覆盖区等;像元值为1的表示非植被信息,以白色表示,主要包括水体和建筑用地等信息。
2.2.3 NDBI影像及二值化
利用式(1),在ERDAS软件中,用空间建模工具即可生成建筑指数影像。NDBI<0的表示非建筑用地的信息,而NDBI>0表示建筑用地信息。然后,使用建模工具对NDBI影像进行二值化处理,将条件判别函数设为NDBI>0的像元赋值为1,NDBI<0的像元赋值为0,保存并运行模型,即可得NDBI二值化图像,见图2。
在二值化后的NDBI图像中,林地、耕地、沼泽地、农田、水体的像元值为0,以黑色表示;而建筑用地和低密度植被覆盖区的像元值为1,以白色表示。
2.3 城市建筑用地信息提取
在NDBI二值化图像上,低密度植被覆盖区和建筑用地的像元值为1,而水体、耕地、草地和林地的像元值为0;在NDVI二值化图像上,水体和建筑用地的像元值为1,而低密度植被覆盖区、林地、草地,沼泽和耕地像元值则为0。因此,可以利用叠加分析功能来实现建筑用地信息的提取。取栅格计算中的和(&)运算对两幅二值化图像进行计算,计算结果为将两幅影像值均为1像元赋值为1,且以白色表示;否则赋值为0,以黑色表示。在叠加分析得到的影像中,像元值为1的就只有建筑用地,也就是白色显示的均为建筑用地,这样,就可以看得到城市建筑用地信息。然而,由于分类后图像中存在小图斑的干扰,因此还应该进行图像分类后处理工作。在ERDAS中,通过去除分析(E-liminate),设定合适的数值大小,对小图斑进行删除处理,并将其合并到相邻的最大的分类当中,即可获得更加精确的郑州市建筑用地信息影像图,见第96页图3。
3 精度验证
精度评价指标主要有用户精度和生产者精度等精度,笔者选择用户精度(user’s accuracy)来进行建筑用地信息提取精度评价。用户精度表示从分类结果图中任取一个随机样本,其所具有的类型与地面实际类型相同的条件概率,为分类的可信度,即信息的可靠性,表示的是实际任一个随机样本与分类图上同一地点的分类结果相一致的条件概率。对100个点进行随机抽样的结果显示在混淆矩阵中,通过精度计算可得,建筑用地分类的用户精度为91.23%,非建筑用地分类的用户精度为88.37%,总体分类精度为90.00%,见表1。
(%)
根据上面计算所得的精度,可以发现建筑用地被误分为非建筑用地的概率比非建筑用地被误分为建筑用地的概率要低,主要是因为在非建筑用地中与建筑用地类似的地物比建筑用地中和非建筑用地相似的地物多。
4 结论
研究表明,使用NDVI和NDBI相结合的方法进行城市建筑用地信息提取,不仅可以克服监督分类方法和光谱阈值法中人为因素的干扰;而且当谱间差异较小时,也获得比较理想的分类效果,这就弥补了非监督分类的不足,同时也能够弥补单一利用NDBI指数法进行建筑用地信息提取所不完善的地方。总之,使用两种指数相结合的方法进行信息提取不仅简单易行,而且具有唯一、客观、准确、快捷的特点。
摘要：以郑州市landsat ETM影像为数据源,进行建筑用地信息提取。首先,提取出归一化植被指数(NDVI)和归一化建筑指数(NDBI)影像,然后分别对所得的指数影像进行二值化,获得二值化图像,再利用叠加分析的方法对两幅指数图像进行逻辑判别,从而提取出建筑用地信息,再进行精度验证。结果表明,利用NDBI和NDVI相结合的方法弥补了单一利用归一化建筑指数的不足,同时人为干扰因素较少,是一种比较客观、准确、快捷的城市建筑用地信息提取方法。
关键词：遥感影像,建筑用地信息,植被指数,建筑指数,郑州市
参考文献
[1]Welch R.Monitoring urban population and energy utiliza-tion patterns from satellite[J].Remote Sensing Environment,1980(9):1-9.
[2]Masek J G,Lindsay F E,Goward S N.Dynamics of urbangrowth in Washington D C metropolitan area 1973—1996[J].International Journal of Remote Sensing,2000,20(18):220-223.
[3]Gong P,Howarth P J.The use of structrucal information forimproving land-cover classification accuracies at the ruralurban fringe[J].Photogrammetric Engineering and RouseSensing,1990,56(5):67-68.
[4]杨山.发达地区城乡聚落形态的信息提取与分形研究——以无锡市为例[J].地理学报,2000,55(6):671-678.
[5]查勇,倪绍祥,杨山.一种利用TM图像自动提取城镇用地信息的有效方法[J].遥感学报,2003,7(1):37-40.
[6]周成虎,杨存建.TM影像的居民地信息提取方法研究[J].遥感学报,2000,4(2):25-28.
[7]徐涵秋.福清市城镇化进程综合评估及其驱动力分析[J].遥感技术与应用,2002,17(3):86-92.
[8]徐涵秋.基于压缩数据维的城市建筑用地遥感信息提取[J].中国图象图形学报,2005(10):223-229.
影像提取 篇8
城市植被是区域植被中的一部分, 是城市生态系统非常重要的组成因素, 对于构建生态城市起着举足轻重的作用, 因此开展城市植被生态研究具有重要的现实意义。在目前的城市植被调查中主要有人工调查和基于遥感影像的调查两种方式。与人工调查相比, 遥感技术具有视域范围广、宏观性强、图像清晰逼真、信息量多、重复周期短、资料收集方便等优势, 无论是在人力、物力还是财力上都非常经济, 因而基于遥感的城市植被调查逐渐成为城市植被调查的主要手段。
2 城市植被遥感影像光谱反射特征
2.1 城市植被遥感影像光谱反射特征
由于一般植物都能进行光合作用, 因此城市中各种植被之间具有极为类似的反射波谱特征。一般阔叶乔、灌木和草地在0.8μm—1.1μm这个波段之间具有很高的反射率, 而针叶树的反射率也有10%~20%的涨落, 其中四季会影响植物反射率的高低, 春末或夏初时反射率高, 秋季反射率就很低。对于同一植物而言, 反射率也会不一样, 环境污染、病虫害等影响会导致反射率降低, 而健康植物的反射率都比较高, 并且健康植被的反射波谱具有以下很相似的特征: (1) 在可见光0.55μm (绿光) 附近有一个反射率为10%—20%的波峰; (2) 在0.45μm (蓝) 和0.65μm (红) 附近有两个吸收带, 这是由于叶绿素对蓝光和红光吸收作用强, 而对绿光反射作用强而造成的; (3) 在近红外波段0.8μm—1.3μm之间形成了一个反射率可达到40%的反射峰, 峰值在1.1 m附近; (5) 在近红外波段1.3μm—2.5μm由于受到含水量的影响, 反射率大大下降, 其中1.45μm、1.95μm和2.6μm~2.7μm处由于是水的吸收带形成3个吸收谷。植被的这些反射波谱特征为城市植被信息提取提供了分析依据。
2.2 植被指数的种类
由于不同的光谱通道所获得的植被信息与植被的不同要素或某种特征状态有不同的相关性, 不同的波段对植物特性各有敏感, 所以仅用个别波段或多个单波段数据分析对比来提取植被信息是十分局限的, 因而往往使用多光谱数据经分析运算, 产生对植被长势、生物量等有一定指示意义的数值, 以增强遥感图像解译力, 这就是“植被指数”。目前主要的植被指数有:
(1) 比值植被指数 (RVI) ;
(2) 归一化植被指数 (NDVI) ;
(3) 修正植被指数, 也称为转换植被指数 (TNDVI) 。
目前来说, NDVI的应用最为广泛, 是区域植被分类与提取的最佳指数。由于植被光谱特性受到植被本身、环境条件、大气状况等多种因素的影响, 因此植被指数都存在一定的地域性和时效性。
3 植被信息提取方法
3.1 面向对象方法的IKONOS影像城市植被信息提取
高空间分辨率遥感影像IKONOS使得植被的空间形状、结构、纹理等细节表现得更为清晰, 像元混杂程度大为减小, 可以较容易地分离植被与非植被。但是由于较低的光谱分辨率, 很难识别具体的植被类型, 因此可以采用面向对象的方法, 利用分割技术把地物分割成单个实体, 充分利用地物的光谱、纹理、几何形状和位置信息对植被进行分类, 提高分类效果。
具体步骤为:
(1) 对图像采用二级分割方案, 获取植被处理单元:对象。具体分为基于阈值的一级分割:利用各地物在IKONOS影像上的光谱响应特征将研究区域分成植被和非植被区域, 反复试验确定NDVI或者某一特定波段光谱响应值的阈值。基于区域增长算法的二级分割:针对植被区利用区域增长算法根据光谱、形状、纹理等特征进行二级分割, 生成植被对象。
(2) 构建特征空间:根据植被在IKONOS上的响应特征, 构建由光谱、纹理、几何和位置信息的特征空间。参考文献[5]提出一种基于多分类器联合起来进行分类决策的方法, 例如运用ISODATA法、马氏距离分类法、最大似然法、神经网络法和专家系统法进行分类。为了保证分类结果最大程度上相互独立, 各分类算法应该采用不同的特征和样本。如ISODATA算法采用形状指数、亮度值、绿波段的比率、近红外波段的标准差4个特征值, 马氏距离算法采用面积、形状指数、亮度值、绿波段的最大差值、近红外波段的标准差5个特征等。
(3) 基于大多数投票规则分类:当某一对象x有大于等于3票的结果一致时, x属于该类别。
(4) 融入专家知识的后处理:针对误分类别运用专家知识对分类结果进行再处理。
面向对象方法进行城市植被分类的方案解决了利用传统的基于像元的分类方法无法解决的城市植被分类问题, 取得了较好的结果, 较大的提高了分类精度。而采用多分类器决策分类的改进方法又很好地解决了单分类器误分类的问题, 提高了性能。在今后的研究中, 特征空间的优化与分类器的选择是着重需要解决的问题。
3.2 基于高光谱遥感技术的植被信息提取
高光谱遥感技术能获得整个可见光、近红外、短波红外、热红外波段的连续光谱, 波段数多至几十甚至数百个, 光谱分辨率达到纳米级, 实现了地物空间信息、辐射信息、光谱信息的同步获取。利用高光谱遥感进行植被信息提取解决了传统的多光谱遥感由于受到波谱分辨率限制难以区分地物独特光谱信息的问题。技术路线如图1所示。
关键步骤为:
(1) 混合像元分解:文献[2]提出基于“纯净像元指数”方法进行分解, 首先进行最小噪声分离变换 (MNF) , 根据MNF特征值提取出前m组包含大部分有用信息的组分 (m值小于总波段数) , 然后将变换结果运行快速PPI, 寻找所有的极值像元, 以建立“像元纯度图”, 再以PPI的计算结果为基础, 提取端元波谱, 绘制波谱图, 最后根据要素的波谱特征对它们进行识别, 对未知波谱与波谱库中要素的匹配由最好到最差进行排序。文献[6]给出了采用线性光谱分解技术和支持向量机相结合的方法进行混合像元分解, 提取精度得到大幅提高。
(2) 高光谱植被分类:主要有基于光谱特征方法和基于特征空间方法。基于光谱特征的分类主要是波谱角填图分类, 它是通过计算波谱间的角度来判定两个波谱间的类似度。而基于特征空间的分类主要是非监督法和监督法分类。普遍来说, 监督分类的精度高于非监督分类, 基于波谱特征的分类精度高于基于特征空间的分类精度。具体选取哪种方法还要视试验区的情况具体分析。
3.3 基于NDVI与原始波段组合的植被信息提取
将NDVI作为波段合成的一个分量与原始波段组合进行植被信息提取可以有效抑制由于地形起伏造成地表光照条件不一致, 导致误分类的问题。一般需要把植被光谱特征、各个波段的用途和波段的相关性三者结合进行考虑来选取最佳波段组合。
因为NDVI对地表植被变化反应灵敏, 是区域植被分类与提取的最佳指数, 由NDVI参与的波段组合对于提取植被信息效果优于其余波段。参考文献[3]指出采用这种方法提取的精度均要优于原始波段合成法和差值法。
4 总结
本文所列三种方法都很好地解决植被信息提取问题, 克服了由于数据源分辨率不高、混合像元、地形起伏造成误分类等问题, 取得了较好效果。但是这三种方法又各自存在一定缺陷, 在今后利用高空间分辨率和高光谱分辨率的融合影像以及更加成熟的分类算法进行信息提取可以得到更加满意的效果。
摘要：针对目前利用遥感影像进行城市植被信息提取的研究现状, 对面向对象方法的IKONOS影像、基于高光谱遥感技术、基于NDVI与原始波段组合的植被信息提取这三种方法的关键步骤进行描述、比较。
关键词：遥感影像,城市植被,信息提取
参考文献
[1]朱继蕤, 侯宇丹.基于遥感影像的城市植被信息提取研究[J].仪器仪表与分析监测, 2010 (1) .
[2]邹卓阳, 杨武年, 陈颖.高光谱遥感技术在植被信息提取中的应用[J].测绘, 2010, 33 (2) .
[3]赵丽丽, 赵云升, 张建辉, 董贵华.基于ETM+的深圳市绿地信息提取方法研究[J].遥感技术与应用, 2005 (12) .
[4]张秀英, 冯学智, 丁晓东, 王珂.基于面向对象方法的IKONOS影像城市植被信息提取[J].浙江大学学报 (农业与生命科学版) , 2007, 33 (5) .
[5]张秀英, 冯学智, 刘伟.基于多分类器结合的IKONOS影像城市植被类型识别[J].东南大学学报 (自然科学版) , 2007, 37 (3) .
影像提取 篇9
关键词：遥感影像,道路提取,DLG,平行线对
随着计算机技术的日臻成熟和遥感技术的飞速发展,遥感影像记录的大量地表信息是更新GIS最主要、最有效的数据来源[1]。道路网数据的更新是GIS空间数据更新的重要组成部分,其快速提取、更新技术的研究成为当前的重要课题。20世纪70年代中期,国内外就开展了大量关于直接从遥感影像中提取道路信息的研究工作,但是到目前为止,该技术在完整性和正确性方面尚未取得令人满意的成果。Quick Bird等高分辨率影像的商业化使用,为利用遥感影像快速更新地图,实现变化检测[2]提供了可能。为更方便准确地从遥感影像中识别道路,本文拟研究基于旧有的栅格化DLG和最新精确配准的遥感影像图,提取遥感影像中发生延伸及拓宽道路的新算法,实现DLG的快速更新。
1 道路提取前的准备工作
1.1数据格式转换与配准
整个道路提取算法是在MATLAB环境下运行的,需将DLG与遥感影像转化为MATLAB可以读取的格式。遥感影像为金字塔格式,利用ArcGIS软件对其做适当处理,并将DLG中的道路边缘线图层栅格化[3],以文本文档的格式输出。在栅格化DLG的过程中,设置边缘线的颜色属性为黑白渐变色,使得每条线都具有唯一的灰度值,以便利用DLG中的道路信息作为先验数据。由于格式的转化,两者失去了地理坐标信息,需要将其重新配准,可以选择线性正投影、仿射变换、投影变换等几种方法。
1.2道路边缘线提取并截断
如图1(a)(b)所示,矩形框所包围的道路边缘线上各点具有统一的编号12121。由之前的操作可知,该线属于同一道路的边缘,显而易见,无法将其视为一条直线。本文所提出的方法适用于处理近似直线的道路线边缘,因此,利用唯一灰度值信息自动提取出边缘线段后,需使用曲线离散化[4]的方法将其截断为短直线,直至打断后的每段边缘线都接近于直线为止,图1(c)为截断边缘线的示意图。截断后,斜率小于1的直线段定义为近水平道路边缘线,并存放在近水平道路边缘线数组中,其他道路线存放在近竖直道路边缘线数组中。
1.3线对的匹配
两条源于同一条道路双边缘的短直线包围着一段平直的道路,寻找这样一对短直线的过程称为线对匹配[5,6]。设两条短直线为l1,l2,线段长度l1>l2,l1与l2匹配需满足以下条件:①基本平行;②距离在最小道路宽度和最大道路宽度之间;③平移l2至l1处,重叠度不小于阈值70%;④满足前三个条件的情况下,l1与l2距离最近。线对的匹配在近水平及近竖直道路边缘线数组中分别进行,流程基本相同。匹配前,将所有线段按长度排序,依次选择现有最短的道路边缘线作为当前匹配线段,若匹配成功则置空当前线段,防止重复匹配。细化匹配成功的双边缘线对的类别为水平道路上边缘、水平道路下边缘,竖直道路左边缘、竖直道路右边缘,线对明确的相对位置关系能够有效地提高后续实验的运算效率。
2 改扩建道路的提取及更新
道路为典型的线状地物,其特征可归纳为辐射、几何、拓扑、功能以及关联和上下文约束[7]等。由于利用DLG数据作为先验信息,道路提取成果的可靠性得到显著提高,在道路的提取过程中,主要依据道路均匀带状分布的几何特性及灰度辐射特性,采用了一种易实现但非常有效的判断方法,即是边缘线灰度梯度均值最大法[8]。将道路边缘线两侧像素灰度差值的平均值作为该线的灰度梯度均值,沿竖直方向移动近水平的道路边缘线,沿水平方向移动近竖直的道路边缘线,以平移到每个位置的灰度梯度均值作为判定该位置是否为边缘线的指标。
在提取出拓宽及延伸的道路边缘线后,即将更新后的栅格地图转化为文本文件输出。随后,使用ArcGIS软件进行栅格地图的矢量化操作,重新生成CAD图像,以替换原有图层。DLG的更新为分层处理,处理了主要道路边缘线图层后,其他道路边缘线图层的处理可以此作为参照。
2.1判断道路边缘是否拓宽
对于水平道路段而言,上边缘线以上和下边缘线以下是道路的外部;类似地,左边缘线的左侧和右边缘线的右侧是竖直道路的外部。将边缘线向道路外侧平移距离d1,接着向道路内部平移距离d2,其中,d1>2d2,在此范围内寻找平均灰度梯度t(k)的最大值tmax(k),记录tmax(k)对应边缘线距原有边缘线的格网单位值k。设平均灰度梯度的阈值为tmax,道路拓宽阈值为kmax,判断道路是否拓宽的准则包括:①tmax(k)≥tmax&k≤kmax,产生最大平均灰度梯度的直线距原有道路边缘线很近,认定道路没有发生变化;②tmax(k)≥tmax&k>kmax,判断道路拓宽;③tmax(k)<tmax,在整个平移过程中,无明显边缘特征存在,认为道路很有可能消失。
2.2提取延伸道路
延伸道路的提取是在道路拓宽判断后进行的,以防道路存在拓宽并延伸的现象。通常情况下,拓宽判断的前提是要保证相邻两条平行道路的间隔超过各自路面的宽度。另外,道路双边缘线沿同一方向延伸时,道路才判定为延伸。近水平与近竖直道路边缘线的延伸过程类似,以竖直道路的延伸为例,提取步骤如下。
(1)利用道路边缘线截断前栅格化的DLG,寻找不靠近图像边界的悬挂点,其所在线段即为可能延伸的道路边缘线。
(2)根据每条边缘线唯一的灰度值信息,寻找经拓宽判断后对应的可能延伸的边缘线对及悬挂点。通过悬挂点与所在线段的相对位置关系,确定该线对可能延伸的方向。
(3)依次取出一对悬挂点,沿(2)中方向延伸n个格网单位,即悬挂节点的线段端点行号逐次加1或减1,通过拟合该悬挂点所在边缘线得到的直线方程求出列号。长度为n的延伸边缘线对与原有的道路连接,形成新的道路边缘线对。
(4)将新的道路边缘线对向道路的内部、外部各平移d2。在该范围内,若平均灰度梯度最大值tmax(k)≥tmax,判断延伸的道路存在,将原道路边缘线的灰度值赋给延伸的道路边缘线,重复步骤(3),直至新延伸的道路不存在或超出图幅为止;若tmax(k)<tmax,判断道路并未延伸,运算停止。
3 实验
本文的研究重点为城市的主要干道。旧有的DLG中,实验所需的干道边缘线图层标识为R;所需的遥感影像为两幅QuickBird影像,目视观察道路清晰连续,遮挡相对较少。实验区内,道路分布均匀,宽度变化在60个格网单位内,若直接使用经典的道路提取方法对其处理,将受到某些不可预见的干扰,如人行道与绿化带形成一条具有较大平均灰度梯度的边缘线,很难得到精确的边缘位置。本节将通过实验,论证一种可靠性更强、效率更高的新算法,以解决现有提取方法的不足。根据影像上道路的特点,通过大量的实验调节参数,最终选取d1=9,d2=4,tmax=25,kmax=4,n=5。
3.1提取拓宽道路
图2为第一幅实验影像,用以展示新方法检测拓宽道路的效果,图3是对图2中两窗口进行局部放大的效果。两图中,黄色线代表原竖直线对,红色线为原水平线对,蓝色线代表拓宽后道路边缘线,绿色线代表未处理的道路边缘线。实验结果显示,新算法准确地找到拓宽道路,达到了预期效果。
图3(b)所示的绿色线段是道路转弯处的连接线,由于连接线不存在对应的匹配线对,本文的算法还无法对其进行处理,需要进一步改进。
3.2提取延伸道路
第二幅实验影像见图4,用于展示新方法检测延伸道路的效果,图5为图4中两窗口局部放大的效果。绿色线代表道路边缘线端点为图像边缘点或非悬挂节点,在程序运行时未对其进行处理,红色线代表可能延伸的水平线,黄色线代表可能延伸的竖直线,蓝色线代表延伸道路边缘线。实验结果显示,新算法准确地找到了延伸道路的边缘线。
3.3更新地形图
对道路边缘线拓宽、延伸等情况进行提取研究的最终目的为DLG的更新。图6(a)(b)为延伸实验更新前后的道路DLG。经对比,可观察道路明显延伸。
4 结论
地形图的更新是一项繁重的系统工程,涉及很多理论和实际问题,其中,对于空间数据的变化检测是一个非常重要但难于解决的问题。目前,大多数利用遥感影像更新DLG的实际操作,都是利用目视检验的方法,而自动更新DLG的研究,也大多停留在像素级的水平。本文使用旧有的DLG作为先验信息,结合最新的遥感影像,实现了DLG中改扩建道路信息的更新,在保证精度的前提下,提高了道路提取的效率和可靠性。
参考文献
[1]史文中,朱长青,王昱.从遥感影像提取道路特征的方法综述与展望.测绘学报,2001;30(3):257—262
[2]李德仁.利用遥感影像进行变化检测.武汉大学学报(信息科学版),2003;28(3):7—12
[3]范大昭,张永生,雷蓉,等.GIS数据自动更新技术的研究.测绘科学,2005;30(3):15—17
[4]刘丹丹,张树有,刘元开,等.一种基于特征点识别的曲线离散化方法.中国图象图形学报,2004;9(6):755—759
[5] Trinder J C,Li H.Semi-automatic feature extraction bysnakes.Automatic Extraction of Manmade Objects from Aerial andSpace Images,1995:95—104
[6] Steger C,Glock C,Eckstein W,et al.Model-based road extractionfrom Images.Automatic Extraction of Manmade Objects from Aerialand Space Images,1995;275—284
[7] Vosselman G,de Knecht J.Road tracing by profile matching andKalman Filtering.Automatic Extraction of Manmade Objects fromAerial and Space Images,1995:265—275