高分辨率遙感影像橋梁特征提取方法研究

摘 要：根據橋梁水體相連的知識，提出了一種基于知識的高分辨率遙感影像水上橋梁提取的實用方法，即在水體提取的基礎上將圖像細化，通過寬度限制檢測橋梁主干線，并對其進行矢量化和特征表達來實現橋梁提取，通過實驗證明了該方法的有效性。實驗證明此方法不僅適合于水體與陸地灰度差別大，即單峰直方圖的影像，還適合于水體與陸地灰度差別不大，即直方圖多峰或峰頂不明顯的影像。

關鍵詞：高分辨率;遙感影像;橋梁;特征提取

中圖法分類號：TP391 文獻標識碼：A 文章編號：1001-3695(2006)10-0151-03

Research on Bridge Extraction from High Resolution Remote Sensing Image

LUO Jiancheng1，MING Dongping2，SHEN Zhanfeng1，WANG Min3，SHENG Hao2

（1. Institute of Remote Sensing Application，Chinese Academy of Sciences， Beijing 100101， China;2.Institute of Geographical Sciences Natural Resources Research， Chinese Academy of Sciences， Beijing 100101， China;3.College of Geography Science， Nanjing Normal University， Nanjing Jiangsu 210097， China )

Abstract:According to the fact that bridge over the water is connected with water in remote sensing image， this paper proposes a practicable knowledgebased bridge extraction method from high resolution remote sensing image. The steps are: water extraction based on GMRFSVM classification; image thinning; main line of detection by width; vectorization; feature expression. In the end， this paper gives the test with IKONOS image. The experimental results show that the method presented is suitable for images both with singlepeak histogram (the contrast between water and land is great ) and with multipeak histogram (the gray value of water is close to land).

Key words:High Resolution;Remote Sensing Image;Bridge;Feature Extraction

隨著新型衛星和傳感器的不斷研制與運行，現代遙感技術無論在空間分辨率和波譜分辨率等方面都有了很大的提高，并以更大的信息量為地學研究提供對地觀測數據。反映在遙感影像上，某些目標的特征則更清晰具體和更具有視覺效果，便于計算機進行描述。同時，面對如此海量的數據，如何提高遙感影像目標信息識別提取的能力與效率則成為未來遙感應用面臨的突出問題之一［1］。然而隨著遙感影像空間分辨率的提高，目標在影像上所占的像素數目總的來說也越來越多，因而其在遙感影像上所表現出來的信息，如灰度、形狀、紋理、空間結構以及背景信息等也越來越豐富，這無疑給基于知識的目標自動識別帶來了好處。自然景物中人工物體的自動識別一直是一項非常有意義但又很困難的工作，橋梁是跨越河流或者其他道路的一種特殊和典型目標，通過圖像處理技術和模式識別技術對其進行自動識別提取的研究，不論在軍事上還是民用上都有重大的意義［2］。

1 橋梁提取技術路線

橋梁在高分辨率遙感影像上表現得比較復雜，不同的橋梁由于建造年代、位置、作用、成像時間等的區別，其圖像上表現的形態、大小、灰度、紋理等特征各不相同，差異較大。但是，橋梁跨越水體的特點也為其提取提供了線索，本文采用了水體分割和數學形態學方法將橋梁基元進行了提取。具體技術路線如圖1所示。

1．1 水體提取

橋梁的重要特征是與水體間的空間相交關系，所以橋梁提取的第一步是提取水體，同時得到該圖像中存在橋梁的可能性。在高分辨率遙感影像上，水體的總體灰度特征表現得比較暗，所以針對一般水體（單峰直方圖），可直接通過直方圖灰度閾值分割方法進行區域的快速提取［3，4］。但是有些水體由于波浪、泥沙含量等影響或者由于天氣狀況等原因，在影像上表現為灰度不均勻、明暗相間的紋理特征，在直方圖上表現為多峰或者峰頂不明顯。所以為了更精確地提取水體，可以采用基于GMRFSVM方法進行水體與陸地的分類。利用支撐向量機（SVM）對樣本數據集的學習，獲得水體與陸地的分類決策模型來完成對水體的提取。GMRF模型和SVM方法的原理及推理公式在此不再贅述，下面只給出具體實現步驟:

(1)選取樣本點。人工地在圖像上選取水體樣本數據，并標記樣本點的歸屬類別屬性（水體C1、陸地C2），然后將所選取的點集及其所包含的子圖像存取于相應的文件系統中。

(2)GMRF隨機場紋理特征計算與表達。高斯馬爾科夫（GMRF）隨機場模型表達了空間上相關隨機變量之間的相互作用，可以對一定大小窗口內的區域進行定量的表達［5，6］。這里只對一定大小窗口內的區域進行定量的表達，我們只取像素點（m，n）鄰域中的四個像素點對應的權重θ(1，1)，θ(1，0)，θ(1，-1)，θ(0，1)，與參數μ，σ一起構成了像素點（m，n）的GMRF 六維特征矢量。設置GMRF模板窗口大小，然后計算每個樣本點的GMRF特征向量，對應相應的類別標號組成樣本特征向量數據集，包含序號、位置、類別ID、類別名稱、歸一化后的特征向量值（F01，F02，F03，F04，F05和F06）。

(3)SVM學習和分類。在建立了樣本數據集基礎上就可以采用監督分類方法建立分類判別模型，然后對未分類數據進行類別歸屬的劃分。SVM的原理是用分離超平面作為分離訓練數據的線性函數，即通過設置核（Kernel）函數類型、核函數擴散范圍等SVM參數后，將樣本特征空間的劃分問題轉換為高維特征空間的線性分類問題，通過有限的支撐向量點的線性組合建立分類決策函數［7~9］;得到SVM分類判別函數后，就可以對圖像進行水體提取（分類）。首先設置橋梁寬度范圍尺度，然后按照尺度在圖像上挪動像素點，再以像素點為中心計算一定窗口內的GMRF特征值，歸一化后代入SVM決策函數。若獲得類別標號為C，則確定該像素點為中心的窗口范圍內區域的主要成分為C類。對圖像上一定尺度下的所有窗口均標號后，則完成了水體的提取。

(4)后處理。完成水體提取后的圖像采用二值圖像來表示，陸地為255，水體為0；采用數學形態學方法進行分割后處理，消除誤分類的噪音點，特別是將非水體部分的空洞填補，將水體中細小孤島消除。

1．2 圖像細化

水體分割后，不同寬度的橋梁以非水體的形式跨越于一定寬度的水體之上，橋梁兩端是陸地。為了提取一定寬度的橋梁，首先將橋梁最大寬度（W）作為剝離寬度，將圖像進行細化，這樣使寬度小于W的橋梁所在位置的像素寬度均為1。因為細化后有些非橋梁主干部分成為懸掛線，如突出的港口。在細化之后和在橋梁提取之前，需要對非橋梁的細線段進行檢測消除。其檢測方法如下：

（1）掃描圖像，尋找懸掛線節點P0，條件是其本身灰度值為255且鄰域內灰度值為255的像素點的個數小于等于1；

（2）將P0值設為0；

（3）以P0為開始，搜索相鄰點P1（本身灰度值為255且鄰域內灰度值為255的相鄰像素點的個數小于等于1）；

（4）以P1為P0，重復（2）、（3），當P1周圍無相鄰點時，或相鄰點個數大于等于2時結束;

（5）從P0點開始繼續掃描圖像，重復（1）~（4），直到整個圖像都已經尋找完畢為止。

1．3 橋梁主干線提取

進行以上處理后，橋梁的主干線就可以通過寬度檢測和追蹤的方法進行提取。具體算法如下：

（1）掃描圖像，尋找橋梁主干開始節點P1，其條件為本身值255，相鄰點個數等于2且兩個相鄰點（P0，P2）無鄰接關系；

（2）記錄P1點為100，搜索P0和P2，以滿足同樣條件的點P2為下一個節點，并設點為100；

（3）搜索P2的相鄰節點P3，條件為P3的值為255且相鄰點個數為2且無鄰接關系；

（4）P3為P2，重復（3），直到P2點相鄰個數大于2；

（5）從P1開始繼續掃描圖像，重復（1）~（4），直到整個圖像都已經尋找完畢為止。

1．4 矢量化與特征表達

提取到橋梁主干線后，接下來通過線條追蹤的方法將分割圖像上值為100的點集，并用矢量的形式記錄下來。本研究中利用線段的形式來表達橋梁，橋梁的特征包括平均灰度值、長度、寬度。長度是直接計算點集長度，寬度等于將細化過程剝離為單寬度像素的循環的兩倍，灰度是直接計算線段對應影像上灰度的平均值。

2 實驗

實驗數據采用兩幅IKONOS全色影像，空間分辨率均為1m。根據先驗知識以及通過目視解譯與預實驗，將橋梁寬度范圍定為12m~100m，并作為算法的默認參數。

圖2（a）為第一幅實驗原始圖像（經過灰度平衡預處理），大小為874×516，其灰度直方圖如圖2(b)所示。該影像灰度直方圖沒有明顯的峰（峰主要對應影像上的水體區域），若采用直方圖閾值法進行分割提取水體（閾值范圍選取灰度比較密集的40～80），則會得到不合理的分割結果（圖2（c）），因而也會直接影響到對橋梁的提取。因此實驗中采用本文提出的GMRFSVM分類來提取水體。這里選用138個學習樣本，2 410個測試樣本，依前面的方法進行GMRFSVM訓練分類;選用的內積函數是高斯核函數，σ取值0.158，得到支撐向量點的總個數為114個，總分類精度為99.59%，協方差系數為0.986。分類誤差矩陣如表1所示。最后提取到的橋梁結果以矢量形式表達，如圖2（d）所示。

圖3（a）為第二幅實驗原始圖像（經過灰度平衡預處理），大小為3476×2167，其灰度直方圖如圖3（b）所示。該影像灰度直方圖有一個明顯的峰，屬于水體與陸地灰度差別較大的情況。用直方圖閾值法提取水體的結果如圖3（c）所示。實驗中仍采用本文提出的GMRFSVM分類來提取水體。這里選用138個學習樣本，2 402個測試樣本，SVM參數設置同上，得到支撐向量點總個數為142個，總分類精度98.75%，協方差系數0.956。分類誤差矩陣如表2所示。最后，提取到的橋梁結果如圖3（d）所示。

表1 SVM分類誤差矩陣(實驗1)

(精度=95.59%，協方差系數=0.986)樣本數C1C2TotalC14133416C271 9871 994Total4201 9902 410表2 SVM分類誤差矩陣(實驗2)

(精度=98.75%，協方差系數=0.956)樣本數C1C2TotalC13933396C2271 9792 006Total4201 9822 402

3 結論與分析

本文提出了一種基于知識的高分辨率遙感影像水上橋梁提取的實用方法，并通過實驗證明了該方法的有效性。另一方面，該方法還有一些不足有待于改進，比如還應在算法上對橋梁提取的精度加以改進。如實驗2中圖3（d）的橋梁提取結果，右下角兩個橋梁中的左邊一個，通過目視可以發現其橋梁主方向較原始圖像有偏差，出現這種情況的原因是水體與陸地的分離過程中對個別像素產生了誤判。此外，對一幅尺度范圍比較大的影像，用單一固定的參數很難將所有規模的橋梁全部提取出來，而米級或突破米級的高分辨率遙感影像上即使規模很小的橋梁（即使幾米寬）也有很好的目視效果，這些信息對于基礎地理測繪和民用也具有一定的價值，因此開展多尺度橋梁提取也將是今后研究的一個方面。

參考文獻：

［1］何國金，胡德永.衛星遙感數據的信息論理解［J］.地質科技情報，1997，16（增刊）：43-47.

［2］徐勝榮，李忠興.自然景物中橋梁目標識別方法的研究［J］.浙江大學學報（自然科學版），1995，29（3）：275-281.

［3］ 徐勝榮，徐凡，葉秀清，等. 基于知識的橋梁目標識別方法研究［J］.模式識別與人工智能，1992，5（2）：123128.

［4］汪旭勇，任建峰，郭雷.高空水上橋梁的一種識別定位方法［J］.視頻應用，2002，（11）：78-80.

［5］Erdogan Cesmeli， DeLiang L Wang. Texture Segmentation Using Gaussian Markov Random Fields and Neural Oscillator Networks［R］. Techincal Report，OSUCISRC-8/97 TR40， 1997.

［6］Yong Huang， Kap Luk Chan， Zhihua Zhang.Texture Classification by Multimodel Feature Integration Using Bayesian Networks［J］. Pattern Recognition Letters，2003， 24:393-401.

［7］Guobin Zhu ， Dan G Blumberg.Classification Using ASTER Data and SVM Algorithms：The Case Study of Beer Sheva， Israel［J］. Remote Sensing of Environment，2002，80：233-240.

［8］余棉水， 黎紹發.基于邊緣與SVM 的車牌自動定位與提取［J］.計算機應用研究，2004，21(10):131133.

［9］徐芳，燕琴.基于支持向量機的航空影像紋理分類研究［J］.武漢大學學報(信息科學版)，2003，28(5):517-520.

作者簡介：

駱劍承(1970-)，男，浙江臨安人，研究員，博士，主要研究方向為數字城市、高性能地學計算等；明冬萍(1976-)，女，黑龍江齊齊哈爾人，博士研究生，主要研究方向為遙感圖像智能處理、遙感信息提取技術等；沈占鋒(1977-)，男，黑龍江大慶人，博士，在站博士后，主要研究方向為分布式地學計算技術、數字城市應用等；汪閩(1975-)，男，浙江瞿州人，副教授，博士，博士后，主要研究方向為遙感信息提取、空間數據挖掘；盛昊(1981-)，男，浙江杭州人，碩士研究生，主要研究方向為生態環境遙感動態監測。

注:本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文