基于機器視覺的城市空間尺度要素特征提取系統設計

王曉寧

摘? 要： 針對傳統城市空間尺度要素特征提取系統沒有分類處理遙感影像多尺度紋理特征，導致提取效果差、精度低等問題，設計一種基于機器視覺的城市空間尺度要素特征提取系統。基于機器視覺技術將數字圖像處理與計算機理論相結合，采用灰度共生矩陣法提取遙感影像多尺度紋理特征，并利用決策樹分類法對其展開分類后，獲取城市遙感影像分類結果。通過直方圖閾值分割方法提取水體特征，利用決策樹分類法提取建筑物特征，通過紋理參數分割、數字形態學處理、特征矢量化等步驟提取植被特征，運用數學形態學和邊緣檢測提取道路、陰影以及裸地特征。實驗結果表明，該系統空間尺度要素特征提取，準確率高達95.02%，精度高;并且速度快、效率高，說明該系統實用性較好。

關鍵詞： 城市空間尺度; 要素特征提取; 機器視覺; 紋理特征提取; 決策樹分類; 系統設計

中圖分類號： TN911?34; TP75? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）22?0168?05

Abstract： In allusion to the problem that traditional urban spatial scale element feature extraction system does not classify and process the multi?scale texture features of remote sensing images， which results in the poor extraction effect and low precision， an urban spatial scale elements feature extraction system based on machine vision is designed. The digital image processing is combined with computer theory based on machine vision technology， the multi?scale texture features of remote sensing images are extracted by means of the gray scale co?existing matrix method， and the remote sensing images are classified by means of the decision tree classification to obtain the classification results of urban remote sensing images. The water features are extracted by means of the histogram threshold segmentation， the building features are extracted by means of the decision tree classification， the vegetation features are extracted by the texture parameter segmentation， digital morphological processing and feature vectorization， and the features of the road， shadow and bare ground are extracted by the mathematical morphology and edge detection. The experimental results show that the extraction accuracy of spatial scale element feature of the system is 95.02%， the extraction precision is high， and the extraction efficiency and speed is excellent， which indicates that the system is practical.

Keywords： urban spatial scale; element feature extraction; machine vision; textural features extraction; decision tree classification; system design

0? 引? 言

伴隨著新政策的施行，城市空間布局發展體系逐漸完善，城市魅力呈現集中展示趨勢，城市化范圍擴大是發展的必然趨勢，為降低城市景觀格局遭到破壞的概率，需要精確提取城市空間尺度要素特征[1]。常利用遙感技術對城市的各項數據進行采集，將不斷擴大的城市情況實時捕捉。城市空間一般具備集中或零散的公用設施與市政公共設施，城市空間尺度要素主要包括建筑物、植被、水體、道路、裸地、陰影等，高分辨率遙感影像能夠精準捕捉這些尺度要素的細節[2]。

遙感影像的采集和處理需要利用到機器視覺技術，機器視覺技術將數字圖像處理與計算機理論相結合，對采集到的影像信息進行處理，提取出有用的影像信息展開識別，即在對影像進行處理時，使用相關數字技術或數字計算機，對影像進行處理與運算，獲取所需影像信息，例如使用相關算法對影像進行紋理特征處理，獲得城市空間尺度要素特征[3]。紋理特征能夠精準展現高分辨率遙感影像細節信息，為此結合遙感影像中的紋理信息可精準提取城市空間尺度要素特征[4]。城市空間尺度要素分為多種尺度，具有差異性的空間分辨率，可以將不同的尺度要素進行分類。有研究表明，多尺度紋理要素特征提取可以對尺度要素特征進行更完善的描述，使分類精度得到提高，如果在尺度要素特征提取時直接使用原始圖像，噪聲干擾大、數據量龐雜的原始圖像會對提取結果造成影響[5]。

在城市空間環境中，尺度要素分布情況復雜，每種尺度要素都有適合自己的尺度，在進行尺度要素信息提取時如果使用統一的尺度層次就無法得到精準的影像信息[6]。以建筑物為例，不同的屋頂顏色及材質會造成不同的光譜差異。在影像上會呈現出不同的建筑物尺度要素。

基于上述分析，本文利用機器視覺設計城市空間尺度要素特征提取系統，實現空間尺度重要要素的特征提取。

1? 城市空間尺度要素特征提取系統設計

使用高分辨率遙感影像，把城市空間尺度要素分別劃分為植被、水體、陰影、建筑物、道路、裸地六部分，系統對這六部分進行尺度要素特征提取，提取流程見圖1。

使用灰度發生矩陣提取紋理特征，采用決策樹分類法展開監督分類，根據已有研究，對高分辨率遙感影像中的大區域進行劃分，將城市的空間尺度要素特征提取出來。

1.1? 多尺度紋理特征提取

在城市空間中，灰度的分布不斷交替變化形成紋理，在遙感圖像中空間灰度呈現相關特性，這是由于在空間中，一定距離間隔的兩個像素存在灰度關系。在對紋理特征進行描述時常常使用灰度共生矩陣，遙感影像內任意兩個點之間的灰度空間相關特性通過矩陣呈現，該矩陣是由影像內的灰度值之間的二階聯合條件概率密度組成的[7?8]。使用灰度共生矩陣分析紋理時需要對移動方向、移動窗口大小以及移動步長這三個參數加以考慮。多尺度紋理特征提取時移動方向選取30°，移動步長取值為2，移動窗口大小選取4×4，6×6，…，26×26。在對紋理特征進行統計時，以均勻性、非相似度、均值、熵、方差、相關度、均勻性、角二階矩等統計量來描述。

不同地物類型的紋理特征伴隨著紋理窗口大小的變化呈現的表達程度不同，地物類型紋理尺度對分類的影響很大。為了紋理尺度在優化后的分類效果能夠達到良好的程度，對各類別地物之間的可分離性進行表達時運用平均J?M（Jeffries?Matusita）距離。J?M距離表達式如下：

式中：[Wx]表示類別[x]的矩陣樣本協方差;[Wy]表示類別[y]的矩陣樣本協方差;[Mx]和[My]分別表示[x]和[y]的樣本均值向量;[JM]表示平均J?M距離;[qx]和[qy]分別表示[x]和[y]的先驗概率;[JMxy]表示這兩個類別之間的J?M距離;[Bxy]表示紋理特征因子;[N]表示閾值。

按照以上公式，選取樣本進行訓練，隨著紋理尺度的變化，平均J?M距離也產生變化。以下紋理窗口中尺度要素類型平均J?M距離最大：建筑物和裸地的紋理窗口是6×6，道路和植被的紋理窗口是8×8，水體的紋理窗口是16×16，陰影的紋理窗口是4×4，若要各種尺度要素的平均可分離性呈現較小的狀態，則紋理窗口值需達到21×21。

1.2? 決策樹分類法

決策樹分類法在遙感影像分類領域優勢明顯，運算效率高，清晰且靈活，應用范圍廣泛，每個決策樹的組成都需要一整個內部節點、單一根節點、大量分支節點和無數葉節點。在整個決策過程中，任何需要測試的屬性都來自決策樹的每個內部節點，測試的結果可由各分支表示，圖像分類結果以各葉節點表示。

以CART算法作為決策樹構建算法，該算法結構清晰、運算簡單、處理數據時高效迅速。節點的分割規則是以各屬性最佳分割點作為各節點的選擇，在此節點分割出的兩個節點基礎上再次分割，按照這個規律不停分割，直到無法分割為止，通過該算法得到的決策樹稱為二叉樹，原因是各節點都存在兩個分支。

使用多尺度紋理特征提取和決策樹分類法得到的城市遙感影像分類結果，對城市空間尺度要素中的水體、建筑、植被等特征進行提取。

1.3? 尺度要素特征提取

1.3.1? 水體特征提取

若要得到城市空間水體特征，需要在城市遙感影像分類結果基礎上，通過大區域分割方法獲得。使用直方圖閾值分割方法對水體進行特征提取以解決水體灰度值過低不利于提取的問題。水體分割閾值的確定需要使用直方圖判定，該直方圖通過人機交互水體分割閾值獲得，閾值是與灰度直方圖內第一個峰相對應的波谷[9]。通過求出曲線極小值確定波谷，極小值的確定條件為：同時符合一階差分和二階差分分別等于0和大于0。綜上所述，特征提取方法步驟如下：

1） 以直方圖統計原始影像數據，將得到的數據以N級灰度劃分。

2） 對步驟1）中得到的原始直方圖展開中值濾波處理，去除直方圖中的毛刺[10]。

3） 為排除局部抖動導致的誤差，對已經去除毛刺的直方圖繼續進行平滑處理。

4） 以一階差分[d′c=dc+1-dz]處理經平滑處理后的直方圖，對一階直方圖從左到右檢測，其中，第一個從負轉變到正的躍階點即為波谷點，閾值[N]是在一階直方圖內檢測到的與極小點相對應的灰度值。

（5） 對原始圖像進行分割處理，將小于閾值[N]的像元設置為水體，大于閾值[N]的像元判定為水體以外的尺度要素。

經過以上5個步驟可以提取出城市空間尺度要素中的水體特征，經矢量化處理得到多邊形水體區域。

1.3.2? 建筑物特征提取

按照建筑物屋頂顏色不同可以劃分為藍色、灰色、紅色3種。將每兩個相鄰影像中的相對邊界和距離添加到紋理特征中，與光譜特征、形狀特征組成建筑物影像分類的原始特征子集。決策樹分類法的學習器有兩個重要的調整參數[11?13]，分別為修剪葉節點的置信系數[K]和節點需求實例中的最小數量參數[O]，這兩個調整參數的取值對分類結果起到重要作用，所以取值時要經過參數尋優處理。最小數量參數[O]和置信系數[K]取值分別為1～9和0.1～0.6，步長分別為1.5和0.5。優化決策樹得到最優特征集，見表1。優化后的最小數量參數[O]和置信系數[K]分別為4和0.2。

1.3.3? 植被特征提取

植被區域屬于塊狀基元，提取植被區域特征時一般需要使用影像中的紋理信息，特征提取方法如下：

1） 紋理參數分割。灰度共生矩陣通過高分辨率遙感影像生成，遙感影像和矩陣計算得出的5個紋理參數一起進行分割計算[14?15]。

2） 數字形態學處理。為了消除影像中的斑塊和斑塊周圍的毛刺使得影像中的背景和斑塊形成鮮明對比，對分割后的二值圖像進行數學形態算子處理。

3） 特征矢量化。以矢量化處理目標圖像，單元形狀設置為多邊形，計算形狀指數，提取出植被區域。

1.3.4? 道路、陰影、裸地特征提取

運用數學形態學和邊緣檢測對道路、陰影、裸地基元進行提取，采用多尺度紋理特征提取高分辨率遙感影像的道路、陰影、裸地特征，利用決策樹分類法得出道路、陰影、裸地斑塊，使用啟發式連接規律連接道路的軸線，提取出道路、陰影、裸地區域特征。

2? 實驗分析

為了驗證基于機器視覺的城市空間尺度要素特征提取系統的整體有效性，需要對該系統進行對比實驗。實驗前提取遼寧省沈陽市城區內某區域的城市空間尺度要素特征數據，用于對比驗證本文系統的有效性，得到的實驗結果如下。

2.1? 尺度要素特征提取效果對比

首先檢測不同系統方法的空間尺度要素特征提取效果，圖像越清晰，提取效果越好。實驗結果如圖2所示。

從圖2a）中可以看出，在采用本文系統提取到的空間尺度要素中，可以清晰地提取出道路區域，同時其他小面積區域也能清楚地得到體現，這是因為該系統采用多尺度紋理特征提取方法和決策樹分類方法，能夠更加清晰地獲取道路等不同事物的紋理特征，并保證道路特征不會與光譜相似的建筑物混淆，分類精度得到提高，總體效果較好。通過圖2b）可知，城市地理信息系統提取的空間尺度要素特征破碎，圖像十分模糊，道路特征展現出斷斷續續的形態，且與建筑物特征出現大面積混淆，陰影和水體不能明顯區分，大量建筑物被判定為道路和植被。

通過以上數據可以證明，本文系統提取的空間尺度要素特征精度較高，提取性能更好。

2.2? 尺度要素特征提取精度對比

為進一步驗證不同系統方法的特征提取有效性，對兩種系統處于不同信噪比下的特征提取精度進行了檢測，結果如表2所示。

2.3? 尺度要素特征提取時間對比

由圖3可知，城市地理信息系統的空間尺度要素特征提取時間在3～6.8 s之間，波動范圍較為明顯，而本文系統的空間尺度要素特征提取時間始終低于2 s，時間較為平穩。特征提取時間越短，表明方法的提取速度越快，效率越高。通過以上數據可以證明，本文系統的空間尺度要素特征提取效率更高，實際使用價值更高。

3? 結? 論

將本文系統空間尺度要素特征提取與城市地理信息系統空間尺度要素特征提取進行對比，城市地理信息系統所提取的尺度要素十分模糊，且斑點更多，混淆信息更多。在對兩個系統添加不同信噪比后對比特征提取精度，本文系統提取的各尺度要素平均精度均在95%以上，而城市地理信息系統提取的各尺度要素平均精度均在90%以下;本文系統的空間尺度要素特征提取時間始終低于2 s，而城市地理信息系統的空間尺度要素特征提取時間在3～6.8 s之間，證明本文系統實際應用性能更優秀。在今后的研究中，可從解決尺度要素混淆的角度出發，使用輔助或者優化方法，提升提取精度。

參考文獻

[1] 吳志強，葉鍾楠.基于百度地圖熱力圖的城市空間結構研究：以上海中心城區為例[J].城市規劃，2016，40（4）：33?40.

[2] 王釗，楊山，王玉娟，等.基于最小阻力模型的城市空間擴展冷熱點格局分析：以蘇錫常地區為例[J].經濟地理，2016，36（3）：57?64.

[3] 張少康，劉沛，魏冀明.基于風環境分析的珠三角地區城鎮空間規劃引導[J].規劃師，2016，32（9）：118?122.

[4] 殷明，龐紀勇，魏遠遠，等.結合NSDTCT和稀疏表示的遙感圖像融合[J].光子學報，2016，45（1）：10?17.

[5] 周福送，霍宏，萬衛兵，等.基于強監督部件模型的遙感圖像目標檢測[J].計算機應用，2016，36（6）：1714?1718.

[6] 李建，周屈，陳曉玲，等.近岸/內陸典型水環境要素定量遙感空間尺度問題研究[J].武漢大學學報（信息科學版），2018，43（6）：937?942.

[7] 徐磊，董捷，李璐，等.基于功能分區視角的長江中游城市群國土空間特征及優化[J].經濟地理，2017，37（6）：76?83.

[8] 侯俊劍，吳艷靈，何文斌，等.基于三維聲場空間特征的故障診斷方法研究[J].振動與沖擊，2018，37（13）：1?6.

[9] 李建，周屈，陳曉玲，等.近岸/內陸典型水環境要素定量遙感空間尺度問題研究[J].武漢大學學報（信息科學版），2018，43（6）：937?942.

[10] 段建民，石慧，戰宇辰.基于機器視覺篩選GPS衛星信號的無人駕駛汽車組合導航方法[J].電子技術應用，2016（1）：111?114.

[11] 呂志強，鄧睿，卿珊珊.大型山地城市建設用地空間擴展及地形分異[J].水土保持研究，2017，24（1）：232?238.

[12] 唐燕妮.基于機器視覺的陶瓷大花瓶內表面裂紋自動檢測系統研究[J].陶瓷學報，2016（4）：417?422.

[13] 和偉康，蘇向輝，馬瑛，等.烏魯木齊市產業結構與城市空間形態耦合及響應關系研究[J].中國農業資源與區劃，2017，38（9）：98?105.

[14] 張純，夏海山，宋彥.軌道交通帶動下的城市形態演變：以北京為例[J].城市發展研究，2016，23（9）：107?112.

[15] 李在軍，張雅倩，胡美娟，等.基于最低成本?周期模型的昆明市空間形態演變研究[J].長江流域資源與環境，2016，25（5）：708?714.