高分影像矢量边缘检测与提取.docx
- 文档编号:11047818
- 上传时间:2023-02-24
- 格式:DOCX
- 页数:13
- 大小:285.83KB
高分影像矢量边缘检测与提取.docx
《高分影像矢量边缘检测与提取.docx》由会员分享,可在线阅读,更多相关《高分影像矢量边缘检测与提取.docx(13页珍藏版)》请在冰豆网上搜索。
高分影像矢量边缘检测与提取
一、高分影像矢量边缘检测方法
边缘检测是图像分割的一种重要途径,它通过检测目标边缘的某种不连续性(如色彩信息的亮度、色相、饱和度等)实现边缘信息的提取,在多光谱高空间分辨率遥感影像线状目标提取中具有广泛应用。
边缘是指因地表语义影像目标性质差异在影像中形成的线状不连续性特征。
由于地物材质、方位、几何形状和光照条件的不同,影像中会存在反射边缘、朝向边缘、遮挡边缘、照明(阴影)边缘以及镜面(高光)边缘。
高空间分辨率遥感影像较中低分辨率影像存在更为严重和普遍的“同物异谱”与“异物同谱”现象以及阴影与细小地物的干扰,边缘提取的结果中通常存在大量伪边缘,严重影响后续基于边缘的图像分析和理解。
Canny提出边缘检测一般应满足以下三个准则:
信噪比准则、定位精度准则和单边缘响应准则,并由此设计出了性能优良的Canny算子。
该算子由于具有很好的边缘检测效果,已经成为评价其他边缘检测方法的标准[131]。
结合高空间分辨率遥感影像数据自身的特点,本章基于该算子提出提取矢量、加权矢量与标量影像边缘信息的新方法,并在RGB、线性变换空间YIQ和YUV、非线性变换空间IHS、均匀颜色空间CIELUV中,利用高空间分辨率遥感影像分析和比较新方法在不同色彩空间中提取矢量、加权矢量与标量边缘信息的效果。
Canny加权矢量与标量边缘检测算法
加权矢量边缘检测算法有助于高分影像亮度与色彩(相)信息的有效融合,加权标量边缘检测算法所获取的标量边缘可用于分析强弱边缘间的关系特征。
在高空间分辨率遥感影像的高斯平滑、高空间分辨率遥感影像的梯度矢量、采用非最大抑制法确定初步边缘点、双阈值分割及边缘点检测的基础上,对Canny矢量边缘检测算法进行更进一步的改进,在权色彩空间中,综合各波段分量特点进行加权矢量与标量边缘检测。
由于多光谱高空间分辨率遥感影像各波段波谱范围差异所造成的边缘检测响应程度的差异,检测得到的各边缘分量会存在一定的差别。
设Ei为高分影像矢量边缘的加权综合边缘分量,则由所有加权综合边缘分量得到的矢量边缘EV(Ei)及标量边缘Es可表示为:
其中
为对应于波段边缘分量Bi的权重,即Ei由k个波段边缘分量经加权综合得到;
则为提取标量边缘时对应于加权综合边缘分量的权重。
权重的参考值一般取决于各波段不同地物类型边缘检测时的响应程度。
二、高分影像矢量边缘提取方法
面向对象的高空间分辨率遥感影像道路信息的提取
面向对象的道路信息提取将影像分割成若干“同质”道路对象块,对象块不但灰度上具有一定的相似性,而且具有一定的长度、宽度特征。
通过对象分割能很好地解决噪声斑点问题,同时可以充分利用道路的形状特征(长、宽),分割后借助道路对象的光谱特征、空间纹理特征、形状特征构建道路特征知识库,使对象间通过规则建立连接,从而引导道路提取。
影像分割
对于高空间分辨率遥感影像来说,道路的分割尺度相对较大。
大尺度下是对遥感影像的粗分,小尺度下对遥感影像的细分。
多尺度分割时遵循了两个原则:
一、设置可能较大的光谱权值;二、对于边界不很光滑,但聚集度较高的影像使用必要的形状因子。
研究中首先采用常规分割模式,可以充分利用光谱因子和形状因子。
由于大部分情况下只考虑光谱差异就能获得均值区域,所以常规分割后使用光谱差异分割。
通过若干次的参数选取实验,得到合适的分割尺度。
道路知识库构建
有关道路特征的描述总结了以下几点:
①几何特征:
②辐射特征;③拓扑特性:
④功能特征。
知识库是多种特征的集合,选择合适的特征表达式能较好地模拟道路的知识,将专家知识引入提取系统中,可以得到较好的结果。
分割后道路对象内部灰度比较均匀,与其相邻区域灰度反差较大,呈现长条状(一定的长度,大的长宽比),并且纹理特征均匀,因此研究主要采用光谱特征、几何形状特征(长宽比)和纹理特征(局部一致性指数)构建知识库。
道路信息提取算法
面向对象的道路信息提取,结合多种特征对道路进行描述,利用最邻近分类原则实现提取。
它评价了对象特征之间的关联性,便于处理多维特征空间的重叠,简化信息量同时保留有意义的信息。
实验中首先给道路对象定义特征空间并选择样本对象,对于每一个图像对象在特征空间中按照公式
(1)寻找最近的样本对象,
其中d为样本对象m与图像对象n之间的距离,
为样本对象的特征f的特征值;
为图像对象的特征f的特征值,
为特征f的标准差。
距离样本对象越近,可能越大,即d越小,提取的对象越准确。
从航空遥感图像中自动提取主要道路
主要道路的提取方法
根据主要道路的模型,它的提取过程大致分为两步:
第1步提取各道路段;第2步连接道路段形成道路网.下面分别加以讨论.
1 提取道路段
提取道路段是整个算法的关键.根据道路段的模型,它在图像上主要表现为线性特征,故以直线为基础来设计算法.直线的提取由我们自行开发的图像符号化、特征提取工具系统完成,这里,我们选用了相位编组法.整个算法的流程如图所示:
2
在图1中,L为道路段模型要求其最短的长度.这样,它能贯穿子块图像的最大尺寸为Ls×Ls,Ls=
/2xL.下面将表述算法中的两个主要部分.
A.在每一子块图像提取道路段,图2为其整个流程图.
A.1.将直线变换成极坐标表示.
设子块图像大小为Lr×Lc,整个图像的中心为(xc,yc),直线两端点坐标为(x1,y1),(x2,y2),变换后直线由以下参数来描述:
它到图像中心的距离d,与水平方向
A.2.将直线投影至极坐标系中.
考虑到噪声和一些不确定因素的影响,提取直线的参数(d,H)将不精确,我们将这些参数模糊化成服从高斯分布的连续函数.假设子块图像共有K条直线,对于第i(1≤i≤K)条直线,其变换后参数为mdi,mHi,参数的方差与直线的长度有关[9],具体表达式如下:
其中
分别为
的方差;
为常数;li为直线长度.则每一条直线在极坐标平面上投影为二维高斯函数:
为了数字化处理,应量化极坐标系,假设角度分辨率为
距离分辨率为
量化后其值为Vi(m,n),则有
其中
[x]表示不超过x的最大整数,dmax为所有直线到中心距离的最大值.
在极坐标中,每一点需计算以下数据:
直线的投影值S(m,n),角度值
和距离值D(m,n).
A.3.检查极坐标平面上是否存在高值点.
在划分图像时,要求子块图像能覆盖最短的道路段.存在一点,使得S(m,n)≥Th,其中
我们称这样的点为高值点.
A.4.以高值点为种子,填充极坐标平面,并计算其能量.在填充之前,先对S(m,n)作一处理,令
其中Tl=0.5×Th.我们称S(m,n)>0的点为贡献点,记与高值点相连通的贡献点区域为R,则其能量为
A.5.判断区域R是否为候选道路段,并计算道路段参数.
理想道路段可以视为一对平行线段,它可以用下面几个参数来描述:
线段与水平方向的夹角RoadH,平行线段间的距离RoadD,平行线段中心线到图像中心(xc,yc)的距离Roadd,道路段的长度Roadl以及中心线两端点坐
标(xs,ys),(xe,ye).它们的计算方法如下:
其中Dmax,Dmin分别为区域R中D(m,n)的最大值和最小值.中心线两端点坐标是参数为(Roadd,RoadH)的直线与子块图像边界的交点,道路段的长度为
根据道路段模型,路面上至少有一对贯穿其平行线段,因此,若区域R为候选道路段,则要求
ER≥2.0×Roadl.
B.将子块图像中的道路段编组,形成候选道路段.
图1是将原始图像划分成互不重叠的图像子块,这样会使处于子块图像交界处的短道路段不能被任何子块覆盖,因而不能够提取出该道路段.下面的方法可解决这一问题:
在划分原始图像时,子块图像在长、宽上各覆盖一半,即如图4所示,先用实线划分图像,然后再用虚线划分.在A部分中已经提取出各子块图像可能存在的道路段,并得到它们的参数,但它们大多是道路段中的一段,并非模型中所描述的道路段.要得到长道路段,需将各子块图像得到的道路段进行编组,使每一组对应于一条道路段,因此,编组的原则是:
(1)它们的参数RoadH和Roadd应相近;
(2)它们所在的子块图像相互连通.每一组道路段形成一条长道路段.长道路段的参数计算方法是:
(1)RoadH,Roadd和RoadD是通过组内各道路段对应参数由它们的能量ER加权平均获得;
(2)中心线两端点坐标是参数为(Roadd,RoadH)的直线与包含该组所有道路段所在子块图像的最小矩形的交点,其长度的计算见公式(11).
2.2 连接道路段,形成道路网
由上面得到的道路段,还存在两个问题:
一个是一段长度大于L的平行线对也将视为道路段;另一个是道路段的两端点坐标求取不精确.要解决这些问题,需利用主要道路模型中要求各道路段是相互连通的这一条件.具体连接算法如下:
(1)检查每一道路段的各个端点是否靠近图像边界,其准则是道路段中心线与图像边界的交点到最近一个端点的距离不大于Lö2.若靠近边界,则将道路段该端点置上标志,并把该端点换成交点;
(2)对于每一道路段,记与之相交的道路段数目为m.先将m置为0,然后与其他道路段的中心线求交点,若交点离两道路段最近一端点的距离均不大于Lö2(若交点夹在道路段两端点之间,则其距离为0),则将m加1;
(3)若道路段两端点均置上了标志,则它两端均靠近图像边界,为一道路段;
(4)若道路段只有一个端点置上标志,且其参数m小于1,则将它删除,并把与之相交的道路段的参数m减1;
(5)若道路段两个端点均未置上标志,且其参数m小于2,则将它删除,并把与之相交的道路段的参数m减1;
(6)重复步骤(4)和(5),直到没有任何处理为止;
(7)若道路段只有一个端点A置上标志,且其参数m大于0,则将它的另一端点置为离A点最远的交点;
(8)若道路段两个端点均未置上标志,且其参数m大于1,则将道路段的两个端点置为相距最远的两个交点.
海岸线自动提取
海岸线自动提取的实现流程可概述如下:
遥感影像通过几何校正以及辐射校正后,利用自适应维纳滤波以及二维最大类间方差阈值分割辅以形态学滤波获得海、陆分割的二值影像,得到的光滑边界作为海岸线的初始轮廓位置,为后续的水平集演化迭代次数的减少提供了条件,并避免了由于模糊边界可能导致的边界泄露问题;继而利用结合区域信息的SPF作为GAC的边界停止条件,并利用高斯滤波器快速初始化二值化的水平集函数,将得到的岸线进行矢量化处理,作为最后的输出结果.图2为本方法实现的流程图.
海岸线是陆地与海洋的边界,其位置及其变化为研究潮滩淤涨与侵蚀的监控和模拟,以及台风和洪水等自然灾害的预测提供了最基本的信息,因此如何获得海岸线的精确位置成为众多海岸带研究中亟需解决的首要问题.然而,因受海岸带复杂的地形条件及周期性涨落潮的影响,传统的地面采样方法无法胜任对海岸线位置的频繁调查,而从遥感影像自动提取海岸线则成为解决此问题最有效的途径之一
[1].一般来说,海岸线自动提取存在以下2个困难:
1)潮湿的潮滩以及近岸水体的高含沙量使得遥感影像上水、陆交界处表现为“弱边界”;2)常规基于边缘或基于分类的边界提取方法均需要大量的预处理及后分割过程,而潮滩表面复杂的微地形及大量潮沟的存在使得这些方法难于获得完整、连贯的海岸线.许多研究者对这一问题作了积极的探索,并相继提出了一些行之有效的自动提取方法.
[2]采用高斯滤波去除影像中的噪声并增强海岸线周围的主要边界,接着利用局部自适应阈值分割的方法对滤波后的影像边界进一步增强,最后通过一系列后分割算法对海岸线进行精确定位,但是其计算的复杂度较高,并不能适用于高分辨率遥感影像自动提取的需求.
[3]利用形态学方法,结合空间信息与光谱信息提取ETM+影像的海岸线,并通过完整度测度定量分析了该算法的性能,但因高分辨影像更易受噪声的影响,单一的形态学分割算法会产生大量斑块,需要繁琐的人工后分割过程才能获得满意的结果,这显然无法适应于海岸线快速矢量化建模.
随着活动轮廓模型的提出,基于活动轮廓模型的图像分割方法逐渐受到关注.1993年。
[4]首次将水平集方法成功引入ACM,将二维平面内的轮廓曲线隐含地表达为更高维曲面(即水平集函数)的一个水平集,提出了几何活动轮廓模型.该模型对曲线的演化主要与曲线的几何特征有关,不再依靠曲线的参数,无需因曲线的形变而不断调整参数,并且能够灵活地处理演化曲线的拓扑结构的改变.总体来看,与其他传统的影像分割方法(边界提取、阈值法以及区域增长法等)相比,GAC对噪声和伪边界有较强的鲁棒性,检测的边界可达到亚像素级精度,并且模型在曲线演化过程中容易加入一些先验信息如形状统计和标记点集合等,使分割结果更准确.此外,GAC模型所得到的光滑连续曲线,可以弥补目标轮廓上的噪声、间隙以及其他不规则形状,非常适合于类似海岸线这类具有复杂特征的地物的轮廓提取和分析.但高分辨率遥感影像数据信息量较大,在实际工程的应用中GAC模型往往因计算复杂度太高而受到限制.本次提出的一种基于区域信息
改进的GAC模型,利用二维最大类间方差阈值分割以及形态学滤波得到接近真实岸线的初始轮廓,并将轮廓内外区域的灰度统计信息作为GAC模型水平集演化的边缘停止函数,可快速演化至真实海岸线.本研究将这套改进算法用于SPOT5全色影像的分割,试验结果表明,该算法收敛速度快并且有效地避免了边界泄露的问题,实现了海岸线快速、准确的自动提取.
初始轮廓的获取
海岸线在遥感影像上表现为其获取即时的海、陆分界线.因此提取海岸线时,分割的目标地物只有海水和陆地两种,可选择相对简单的阈值分割方法提取影像的边界,获得海岸线的粗定位.高分辨率遥感影像数据量大但存在着大量的噪声,这些噪声在一定程度上会影响后续影像的二值分割结果,所以在利用二维最大类间方差算法进行阈值分割前,先采用自适应维纳滤波对原始影像去噪,之后再采用形态学滤波剔除阈值分割的结果中存在的细碎斑块,以确保分割结果的完整性和连贯性,这样获得的二值图像能够更好地反映海岸线的真实位置.
海岸线的精确提取
海岸线的精确定位效率与水平集演化的速度息息相关,传统的水平集方法在数值实现过程中,为保证轮廓线演化的稳定性和数值结果的可用性,水平集函数需要保持为符号距离函数.在若干次迭代之后,水平集函数常常会偏离SDF,需要周期性地对水平集函数进行初始
化,重新初始化水平集函数不仅费时,而且计算中的数值误差也会导致零水平集定位不准.本文借鉴二值化水平集函数辅以高斯函数平滑的方法[9],该方法在每次迭代后利用高斯函数正则化二值化后的水平集函数,由于标准化的高斯函数可以控制水平集函数的正则化[10],因此公式(7)中传统水平集重新初始化中采用的基于曲线曲率的正则化项
可以被省略.此外由于利用了轮廓区域内外的灰度统计信息的SPF作为ESF,具备了更强的捕获弱边界以及抑制边界泄露的能力,因此ΔSPF(I(x))·Δ项也可以被移除,最后简化后的水平集演化方程可以写成
该算法的实现流程归纳如图1.在这里,高斯函数参数的选择会对结果产生较大的影响,较大的平滑参数σ会导致边界泄露而无法得到准确的海岸线,较小的平滑参数σ则会使模型对噪声过于敏感,本文中选取σ=1,可以获得较好的分割结果.显然,改进的结合区域信息的GAC模型结合了全局的区域灰度信息作为曲线演化的收敛条件,对海岸线提取这类二维影像分割问题有一定的简化作用.此外,在水平集函数演化过程中,利用高斯函数平滑二值化后的水平集函数,可以获得更快的收敛速度.当然该方法也存在与传统GAC类似的对初始值较为敏感的问题,因此本文选用了由简单的阈值分割所得到的海岸线边界的粗定位作为曲线演化的初始轮廓,一方面减少了运算时间,另一方面也在一定程度上降低了由于模糊边界可能带来的边界泄露的风险,从而能够获得稳健的结果、
利用边缘检测对高分辨率影像中建筑物的提取研究_
具体算法描述与技术路线
多光谱合成图像,本身就是配以红、绿、蓝滤光片重叠投影而形成的图像,其中每个彩色像素点都是由特定空间位置的R、G、B3个分量所组成。
每个分量在图上所反映的具体信息有所不同,通过把原始图像转化为像素点变化范围0~255之间的RGB3分量的灰度图像,在不失图像信息的同时,可以使得后续图像的计算量减少。
在反映图像整体与局部的色度和亮度等的分布时,灰度图像的描述与彩色图像具有同样的效果。
数学形态学边缘检测算法
数学形态学是一门建立在严格的数学理论之上、用来分析和研究空间结构的形状、框架的学科。
其主要思想是:
利用结构元素作为探针,在图像中移动收集图像的结构信息,达到分割图像的目的。
数学形态学主要用在二值化的图像处理方面,利用此算法对Sobel检测器形成的二值化图像进行边缘修正。
主要用到的算子有腐蚀、膨胀和形态学梯度。
提取水域的一种双模式结合方法
形态学结合信息熵的水域提取
信息熵编码无法去除SAR图像的斑点噪声,噪声会被引入到编码图像中。
如果编码后,再考虑去噪等算法进行细节处理,虽然可行,但是无形中又增加了处理的耗时问题。
故单纯依靠信息编码来提取水域,一般都难以获得理想的处理速度和结果。
但信息编码也有自己的一个优势,即信息熵编码是跟邻域相关的运算,这也决定了,编码后提取的水域边缘具有较好的连续性,一般不会出现明显的漏检和虚检。
因此,考虑利用信息编码的这一优点,结合形态学,来实现SAR图像水域的精确提取。
具体的实现步骤如下:
(1)采用形态学的开运算,利用3×3像素大小的结构因子,结合自适应阈值分割,实现SAR图像
的斑点噪声抑制,并获得SAR图像水域的基本轮廓。
(2)在原s』图像中,利用公式(3)计算对应于形态学提取的边缘两侧的灰度信息熵,编码是在以边缘为中心的一定范围内进行,编码范围的选择要根据图像尺寸进行,图像越大,编码的范围可适当增加。
范围的选择一般要在形态学运算结构因子大小的两倍以上,才能够保证边缘编码检测的精度。
在此,计算以形态学提取的边缘为中心,21×21像素范围内进行信息熵编码,对已经计算过的区域进行标记,不作重复计算,这样不需要计算整幅图的信息熵,增加的计算量不大。
(3)以形态学的水域提取为基础,结合改进的信息熵编码,通过对边缘两侧的信息熵进行对比和跟踪,把起伏较小的区域作为水域,起伏较大的区域作为陆表,进一步精确第一步的提取结果。
以上的水域检测步骤,有两点需要特别注意:
第一点,如果把SAR图像的斑点噪声当作白点,形态
学运算中就需要对白像素进行开元算;第二点,信息熵跟踪要在原灰度SAR图像中进行,范围是在形态学提取的边缘的一定区域内进行。
高分辨率遥感影像天然林与人工林植被覆盖信息提取
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 高分 影像 矢量 边缘 检测 提取