腐蝕算法在遙感影像建筑物邊緣提取中的應用

朱忠國,呂京國

(1.北京建筑大學測繪與城市空間信息學院,北京 100044; 2.現代城市測繪國家測繪地理信息局重點實驗室,北京 100044)

腐蝕算法在遙感影像建筑物邊緣提取中的應用

朱忠國1?,呂京國2

(1.北京建筑大學測繪與城市空間信息學院,北京 100044; 2.現代城市測繪國家測繪地理信息局重點實驗室,北京 100044)

基于高分辨率遙感影像建筑物識別與分析是目前攝影測量與遙感領域的研究熱點之一。而腐蝕算法在建筑物提取和識別中的應用相對較少。本文主要敘述了腐蝕算法在其中的應用。通過邊緣提取、二值化處理、建筑物主方向分析、邊緣結構元素選取,用腐蝕算法將非建筑物邊緣腐蝕掉的同時也能獲得較好的建筑物輪廓信息并對其進行標繪。通過多次實驗驗證,結果表明該算法識別率較高,準確性較好,具有一定的實用和參考價值。

腐蝕算法;結構元素;邊緣提取;遙感影像

1 引 言

隨著航空航天技術的進步,以航空航天飛機、人造地球衛星為運載平臺的遙感技術極大拓展了人們的對地觀測領域,由于它在測繪、城市規劃、環境保護、地質勘探、農業和林業以及軍事領域應用廣泛,因此產生了十分可觀的經濟效益和顯著的社會效益[1,2]。在高分辨率遙感影像的城市區域上,建筑物和道路占據了絕大部分的地物信息,伴著城市化進程的加快,地理數據庫中最需要更新的部分就是建筑物,建筑物識別與提取技術的研究仍然處于比較活躍的階段,因為它對城市發展規劃、數字城市和國防等方面有著重要的作用[3,4]。

當前,對于建筑物目標的識別研究主要有兩大類。一種是分割圖像,尋找建筑物候選區域,對候選區進行處理,重新構建建筑物規則幾何輪廓;另一種是先對圖像中各種基本幾何元素進行尋找,如直線、圓弧、多邊形等等,然后再對這些幾何元素間的位置關系進行分析,構建出建筑物的幾何輪廓[5,6]。對于復雜環境下,腐蝕算法也具有較好的效果,可以根據具體環境,選擇合適的結構元素,即可以將非建筑物輪廓腐蝕掉又能夠完成建筑物輪廓的提取。

2 技術路線

本文的主要技術路線如圖1所示,預處理部分主要為圖像去噪和圖像增強,核心部分是對分割二值化后邊緣保留較完好的二值圖像進行選取和建筑物主方向上建筑物邊緣的像素點排列分析,經過分析后進而確定較好的邊緣約束算子,因為該算子是基于建筑物主方向的,所以該算子可以對主方向上邊緣部分進行保留并將其余非邊緣部分腐蝕掉,進而可以得到圖像中建筑物邊緣輪廓,接著就可以進行建筑物的邊緣輪廓標繪工作。

圖1 技術路線示意圖

2.1 圖像預處理及二值化

(1)Roberts邊緣提取

邊緣檢測常常是圖像分析和理解的第一步。它利用圖像一階導數的極值或者二階導數過零點的信息來提取邊緣。對于圖像中變化比較緩慢的區域,相鄰的灰度變化不大,因而梯度幅值較小,而在圖像邊緣地帶,相鄰像素的灰度變化劇烈,所以梯度幅值較大。因此用一階導數幅值的大小確定邊緣位置;用二階導數的符號判斷像素是在邊緣亮的一邊還是暗的一邊,過零點的位置就是邊緣位置[7]。

在邊緣算子中,典型的一階導數算子有Roberts算子、Sobel算子、Prewitt算子、Krisch算子;二階導數算子有Laplacian算、Gauss-Laplacian算子。實驗中選用Roberts邊緣算子進行預處理。

Roberts算子也叫交叉差分算子,是一種利用局部差分尋找邊緣的算子,它考慮圖像2×2鄰域的處理。梯度對應一階導數算子,對于圖像函數f(x,y),它的梯度向量為:

該向量的幅值為:

為簡化計算,幅值也可以表示為:

在圖像處理中常用差分來代替微分,并利用小區域模板卷積來近似計算梯度值Roberts算子表達式為:

其中,f(i,j)表示處理前(i,j)點的灰度值;g(i,j)表示處理后該點的灰度值,寫成模板的形式為:

通過該模板可以完成圖像內容邊緣的粗提取。

(2)二值化處理

將256個亮度等級的灰度圖像通過適當的閾值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數字圖像處理中,二值圖像占有非常重要的地位。首先,圖像的二值化有利于圖像的進一步處理,使圖像變得簡單,而且數據量減小,能凸顯出感興趣的目標的輪廓。其次,要進行二值圖像的處理與分析,首先要把灰度圖像二值化,得到二值化圖像所有灰度大于或等于閾值的像素被判定為屬于特定物體,其灰度值為255表示,否則這些像素點被排除在物體區域以外,灰度值為0,表示背景或者例外的物體區域。將邊緣提取后的圖像導入MATLAB中進行二值化處理,在MATLAB中二值化以后為記錄0和1,以此對邊緣提取后圖像進行二值化處理。

2.2 主方向分析

如圖所示,圖中紅色為建筑物的主方向,綠色為其垂直方向,理論上,房屋的邊緣與主方向是平行的,實際中,分析的是與主方向和其垂直方向上的建筑物邊緣特征,分別標于圖中的紅色圓與綠色圓中,分別如圖2(a)、圖2(b)所示:

圖2 主方向分析圖

分析其在空間中的特點,實驗中在紅色和綠色方向上分別選取了5部分邊緣處進行人工分析,在Photoshop中放大選取部分,分析其空間排列規律,確定結構元素,進而確定結構元素中心的特征,如圖3(a)所示,分析可知紅色方向上以某點為中心,設該中心點為(i,j),則該中心點像素值滿足:

同理分析可知綠色方向上以某點為中心,設該中心點為(i,j),則該中心點像素值滿足:

圖3 結構元素

因此,可以將這兩個條件作為區別建筑物邊緣與非邊緣的約束條件,即確定了結構元素,如圖3(b)所示,將滿足約束條件的像素點保留下來,其值為1,對于不滿足約束條件的像素點將其腐蝕掉,其值為0,腐蝕后結果圖像如圖3(c)所示,由此可見主方向分析是腐蝕算法結構元素選擇和確定的重要基礎。

2.3 形態學腐蝕

腐蝕是一種數學形態學運算,作用是消除物體的邊界點,使邊界向內收縮的過程,可以把小于結構元素的物體去掉,這樣選取不同大小的結構元素就可以去除不同大小的物體[8]。

(1)基本原理

設X為目標圖像,B為結構元素,則目標圖像X被結構元素B腐蝕的數學表達式為:

其中X表示集合平移的位置量,Θ是腐蝕運算的運算符。

腐蝕運算的含義是:每當在目標圖像中找到一個與結構元素相同的子圖像時,就把該子圖像中與結構元素的原點位置對應的那個像素位置標注出來,目標圖像上被標注出來的所有像素組成的集合,即為腐蝕運算的結果。其實質就是在目標圖像中標出那些與結構元素相同的子圖像的原點位置的像素。

圖3示意了用結構元素B對目標圖像X進行腐蝕運算的過程與結果。圖3(a)中白色部分代表背景,灰色部分代表目標圖像X;圖3(b)是結構元素B,其中心點位置用紅色標注,在圖像形態學處理中,結構元素是一個非常重要的因素,它的尺寸、形狀直接影響著形態學處理結果,在實踐中,要根據實際應用的需求來選擇合適的結構元素;圖3(c)中的黑色部分表示腐蝕后的結果,灰色部分表示目標圖像被腐蝕掉的部分。

(2)算法描述

獲取目標圖像的寬和高,分別為n和m;為了防止越界,從第1行、第6列開始對像素點進行處理,行數的處理范圍為1～(m-1),列數的處理范圍為6～(n-6);以結構元素原點的位置為中心,將結構元素B中黑色位置對應的12個像素值相加求和,實驗中閾值選為5,將和的值小于5的像素中心賦值為0,否則賦值為1;依次循環對行列處理范圍內的所有點進行處理。最終得到建筑物邊緣二值圖像。

2.4 輪廓標繪

本部分主要工作是在原始的彩色圖像中將建筑物的輪廓標繪出來,通過腐蝕后的圖像獲取邊緣像素在圖像中的位置,并在原彩色圖像中將對應位置標注出來,比起單純的只標注邊緣像素點的位置,為了更加突出圖中建筑物的輪廓,可以做加寬處理,即在邊緣像素點的水平和垂直方向上進行拓展,設像素點的坐標為(i,j)且其值為1,同時將以該點為中心的3×3的像素矩陣中的其他8個像素值都賦值為1。這樣處理后的視覺效果更好,通過輪廓標繪處理,用圖者可以直觀的在原始圖像上看見被標注的建筑物輪廓,更直觀的對建筑物進行識別。

3 實驗與分析

為了驗證本文提出的基于腐蝕算法建筑物邊緣提取的有效性,實驗中利用該腐蝕算法對真實數據進行實驗。實驗數據為衛星所拍攝的高分辨率遙感圖像。使用VS2010軟件將原始的彩色圖像讀入內存,如圖4所示;接著將其轉化為灰度圖像,如圖5所示;采用Roberts算子對灰度圖像進行邊緣提取,結果圖像如圖6所示;將邊緣提取后的圖像二值化,結果圖像如圖7所示;對二值圖像進行主方向邊緣像素排列特點進行分析,確定腐蝕算法的結構元素,并對二值圖像進行腐蝕處理,腐蝕后的圖像如圖8所示;根據腐蝕后圖像保留下來的邊緣像素位置對原圖進行標注,可在水平和垂直方向的3×3的像素矩陣中進行拓展,讓邊緣的顯示效果更加明顯,如圖9所示。

圖4 原始圖像

圖5 原始圖像的灰度圖像

圖6 邊緣提取圖像

圖7 二值化圖像

圖8 腐蝕后圖像

圖9 結果圖像

通過觀察以上的圖像可以明顯看出,采用本文所使用的算法進行建筑物邊緣提取可以有效保留建筑物輪廓并將非建筑物腐蝕掉,具有較好的效果。

4 結論與展望

遙感影像目標提取是遙感圖像的一個重要應用。從實驗結果可以看出,本文提出的算法對于邊緣相互垂直的建筑物目標具有較高的識別率,自動標繪的準確度也較好。但是此腐蝕算法的結構元素需要人為分析,因而主觀因素較大。此外,在實驗中,該算法的效果好壞與預處理中邊緣提取的算子選取也有很大的關系,在盡量保持建筑物邊緣完整性的條件下,應當使除建筑部邊緣部分外的部分越細碎越好,這樣在腐蝕算法中更容易將這些細碎的部分腐蝕掉,而得到的結果圖像效果也越好。但是對于陰影輪廓與建筑物主方向近似平行的情況處理效果不是很理想。今后將會對陰影輪廓與建筑物主方向近似平行的情況加以研究并實現。

[1] 承德保.基于多特征組的遙感圖像中建筑物目標自動識別與標繪的方法[J].電子與信息學報,2008(12):2868～2870.

[2] 張占睦,芮杰.遙感技術基礎[M].北京:科學出版社, 2007:1～4.

[3] Noronha S,Nevatia R.Detection and description of buildings from multiple aerial images[J].IEEE Trans.On Pattern A-nalysis and Machine Intelligence,2001,23(5),501～518.

[4] F.Rottensteiner,J.Trinder,S.Clode,and K.Kubik.Building detection by fusion of airborne laser scannerdata and multi-spectral images:Performance evaluationand sensitivity analysis[J].ISPRS J of Photogrammetry and Remote Sensing,2007(2),135～149.

[5] 周俊,晏非,孫曼.基于區域分割合并的建筑物半自動提取方法[J].海洋測繪,2005(1):58～60.

[6] 侯蕾,尹東,尤曉建.一種遙感圖像中建筑物的自動提取方法[J].計算機仿真,2006(4):184～187.

[7] 劉海波,沈晶,郭聳.Visual C++數字圖像處理技術詳解[M].北京:機械工業出版社,2010:246～276.

[8] 周嘉偉.基于數學形態學腐蝕運算的人臉特征提取[J].延邊大學學報,2006(6):139～141.

Application of Erosion Algorithm to Extract the Edges of Buildings in Remote Sensing Image

Zhu Zhongguo1,Lv Jingguo2
(1.School of Geometrics and Urban Information,Beijing University of Civil Engineering and Architecture,Beijing 100044,China; 2.Key Laboratory of Modern Urban Surveying and Mapping,NASMG,Beijing 100044,China)

Recognition and analysis of buildings based on high resolution remote sensing images is a hot topic in the research of photogrammetry and Remote Sensing.But erosion algorithm is relatively few applied in extraction and recognition of buildings.This paper mainly showed the application of erosion algorithm in it.By edge extraction,binarization processing,analysis of the main building direction and selection of edge structure element,erosion algorithm has been used to erode edges of non-building and good building outlines were obtained which have been marked.Through several experiments,the experimental results prove that this method is high in recognition and has a good precision,which has certain practical and reference value.

erosion algorithm;structure element;contour extraction;remote sensing images

1672-8262(2014)06-17-04

P236

B

2014—07—01

朱忠國(1986—),男,碩士研究生,研究方向:攝影測量與遙感。