基于直线检测算法的卫星图片中建筑物轮廓提取

收稿日期:2007-11-22;修回日期:2008-01-15。

作者简介:庞池海(1982-),男,浙江天台人,硕士研究生,主要研究方向:计算机仿真、图像处理; 李光耀(1965-)男,安徽安庆人,研究员,博士生导师,主要研究方向:计算机仿真、图像处理; 赵洁(1983-),女,江苏南通人,硕士研究生,主要研究方向:计算机仿真、图像处理;朱恒晔(1978-),男,江苏镇江人,博士,主要研究方向:系统仿真、虚拟样机。

文章编号:1001-9081(2008)S1-0190-03

基于直线检测算法的卫星图片中建筑物轮廓提取

庞池海,李光耀,赵 洁,朱恒晔

(同济大学CAD 研究中心,上海201804)

(tcp ch @sohu .com )

摘 要:提出一种方法,可以从卫星图像中自动检测建筑物。介绍了直线提取和直线合并的算法,分别讨论算法的实现结果和对结果的评价。建筑物检测的结果为矢量的二维候选数据,缩短了原始图像数据和最后对图像理解之

间的差距。

关键词:建筑物检测;直线检测;Canny 算子;霍夫变换;边缘检测中图分类号:T P391.41 文献标志码:A

Buildi ng figure extracti on i n satellite i m ages based on li ne detecti on algorithm

PANG Ch-i ha,i LI Guang -yao ,Z HAO Jie ,ZHU H eng -ye

(CAD Re se a rch C e n te r,T ongji Universit y,S hangha i 201804,C hina )

Abstract :In o rder to g enerate t he 3D-model of constructi on ,usi ng t he m ethod based on i m ag e pro cessi ng,au t om ated techn i ques w ere proposed to replace the curren t manua l work .A n approach for auto m atic bu ildi ng detection w as put for w ard from sate llite i m agery .F irstl y,the algo rith m s o f li ne ex tracti on and li ne m erg i ng w ere presen ted .T hen ,t he i m p l ementation of the m e t hod and resu lt quantitative qua lity assess m ent we re discussed respecti ve l y .The resu lt of bu il d i ng detecti on prov i des the vector i a l and t w o -di m ens i on cand i date data ,w hich sho rten the d ifference be t w een or i g i na l i m ag e data and fi nal understandi ng .

K ey words :buil d i ng detection ;li ne de tecti on ;C anny opera t o r ;H ough transf o r m;edge detection

0 引言

从城市航空影像中提取关键地物的研究主要集中于建筑

物和道路两个方面。已有的匹配的方法,对于现代城市中具有重要意义且形状复杂的高层建筑物和主干道,还不能形成有效的提取。

然而人类却能几乎在瞬间辨识出这些物体的存在和位置[1]

。航空影像的复杂性使目标检测变得十分困难。以往对建筑的检测方法可以分为以下3类:1)使用立体影像匹配的方法,这种方法可以提供建筑物准确的空间信息,使建筑物通过空间信息被检测出来[2]。不过这种方法需要额外的信

息,如DE M 信息。2)使用直线分析。首先从图片中检测出直线,将它们归类并且建模出矩形,推算出候选的建筑物[3]。直线可以通过使用感知的视觉数据组织的方法分类,许多报告已经使用这种方法进行了建筑物检测实验[4]。不过该方法对于大规模的检测效果不是很好。3)辅助信息的方法。如阴影或直线的透视效果,也可作为建筑物检测的重要手段。

作为一种低层次视觉技术,线段提取是一项很基本的任务。它的处理对象是边缘图像,输出是线段。其输出经常作为更高层处理(形状描述、目标识别、立体匹配等)的输入。由于线段提取的重要性,很多研究者在这方面做了大量工作。归纳起来,可分为3类:1)传统的H ough 变换;2)首先提取基本线段(e l ementary li ne segm ent ,ELS),再进行线段合并;3)利用梯度信息将边缘像素组成线段[3]。本文结合前两种方法,利用局部的H ough 变换,先抽取出直线,然后利用附有信息的直线分析图像中的对象,构建直线图的数据结构,并利用这些信息生成建筑物的候选集。

1 主要准则

通常将图像理解系统划分成几个阶段从而简化整个问题的难度。主要流程包括图像预处理,图像分割,特征提取,特征描述和识别。至今,对于各类应用还没有一个统一的方法。对于不同的项目的方法大相径庭。本文着眼于卫星图片中的建筑物检测。首先定义一些策略或思想准则作为解决这个问题的指导。

层次化 图像数据在计算机中以孤立点的信息形式存在。图像处理的目的是要对这些点尽可能地按照图像的原意进行分类,最后抽象出同类点集的含义。所有工作,包括前处理、图像分割、特征提取等,都是为了实现这一目标。在本文的研究中,首先将点归类成线,然后将线组合成几何形状。称之为点线面的变换。

整合方法 一些信息,比如颜色和方向,对图像中的元素来说是非常重要的,但不少方法忽略了这些信息的利用。在本文的研究中,将取得的颜色信息作为线和面对象的附属信息,或者称之为权重。这些信息可以帮助改善的检测过程。

局部化假设 假设物体,包括颜色、线的位置、面的位置以及图像中的所有元素,只和其一定范围内的邻域元素存在相应的关系。这个假说可以减少处理所花费的时间,从而得出各种可行的统计(现在的图像分析方法主要是基于数学统计的)。这个假设使得分治的方法能够得以实施,从而降低计算难度。

2 建筑物检测算法

整个检测算法主要分为以下4个阶段。

第28卷2008年6月

计算机应用

C o mpu ter App lications

Vo.l 28June 2008

1)直线抽取。在第一阶段,边缘通过Canny 算子被检测

出来,并使用改进的霍夫算法进行直线的抽取。

2)直线关系图生成,对直线之间的关系进行检测然后生成直线关系图。

3)候选建筑物生成。

4)搜索整个关系图从而生成检测出的建筑物。2.1 直线提取

方法中的第一阶段是直线提取。图像边缘元素由C anny -Pe trou -K ittl e r(CPK )边缘滤器[5]检测;然后通过改进的霍夫变换提取线性元素。我们对建筑边缘检测和轮廓的生成基于以下的假设:在图像中鸟瞰城市,看到的建筑物的屋顶可以使用多边形来进行描述。

所以在这个前提下,应该抽取尽可能多的直线。方法使用了改进的霍夫变换作进行直线的提取。在这个阶段的最后,为每条直线的端点进行标记,从而为下一阶段的处理做好准备。2.1.1 Canny 滤波

Canny 滤波器被用来进行边缘提取。在这个阶段,目的是描述图像的边缘信息,包括噪声。2.1.2 改进的霍夫变换

在进行霍夫变换之前,使用一个边界跟踪的算法来提取Canny 算子检测的连续边缘并把边缘进行分类。在霍夫变换中,使用局部化的方法将直线检测出来。如果使用一般的霍夫变换在全局范围内进行直线的检测,只能检测出较长的直线,对于众多较短的直线的效果并不理想。因此,先将边缘分类,对每一段连通的点集使用霍夫变换,从而减少处理的数据量,降低检测误差的比率。在霍夫变换后,使用尖峰检测的方法检测出所有可能的尖峰(作为候选的直线),尖峰的检测是根据投票区域的投票数来决定的。2.1.3 直线属性的添加

在这一部分,先定义了一个存储直线信息的数据结构,然后为每条直线添加了一些附属的信息。在本文中,它们是颜色和方向。每条直线有4个颜色信息,每条直线的每个端点的两侧各有1个颜色的信息。计算处于直线断点附近一个小邻域内的像素的平均颜色,即平均的灰度值,作为端点的颜色属性。图1显示了直线和它们的邻域。另一种属性是方向。设顺时针方向为正方向,并初始化它们为零。这里有一点需要注意,经过C anny 滤波和霍夫变换,直线被简化为只有一个像素的宽度,而实际上图像中的边缘可能会宽于一个像素。应计算直线最外侧的外部邻域,

不要计算直线的区域。

图1 直线和端点的邻域

在图1(a)中,按照规则3)(见下文),拥有红色区域和黄色区域的直线属于同一个候选对象。在图1(b)中,1号线和2号线,是蓝色建筑的边沿,直线的颜色属性是相似的。2.2 直线关系图生成

直线间的关系可以被划分为三类:相连的、不相连的以及

平行的。如上文所述,所有直线关系的生成必须基于局部化

原理。一条特定的直线只与其某一邻域内的某一直线存在相互的关系。依据以下几点规则,生成直线关系图。

1)当两条直线端点中的一个端点间的距离小于某一给定的阈值并且它们之间的斜率差也小于某一给定的阈值时,认为它们属于同一条直线,将其连接起来。

2)对每条直线,根据其长度确定其搜索的区域,减少计算量,一般为直线长度的5%~10%

3)如果两条直线某一端点的颜色属性相似,标记两条直线属于同一对象,如图1。直线的关系被存放在一张关系图中,图的节点代表直线,直线间的关系用一条弧来表示,如图2所示,图中圈内数字为候选建筑物索引。

图2 直线关系图

4)直线的方向,以闭合多边形的顺时针为正方向。

2.3 候选建筑物生成

在生成直线关系图后,得到了图像二维的信息。这阶段的工作并不着重于图像的理解,而且提取出图像中的平面信息。因此,将一个封闭的多边形作为一个具有较高可能性的候选的建筑物对象;对于未闭合,但由直线连接的对象,给予它们较低的可能性作为候选建筑物;并且忽略单条的直线线路(备注它们为其他元素)。

下面是建筑物检测过程的主要算法:算法1 候选建筑物边缘检测

输入:I {原始图像}1) 进行Canny 滤波

输出:E {Canny 滤波的边缘信息}

2){使用边界跟踪算法追踪边界并且将其分为连通点集的集合}输出:L {连通边缘集合}3)

{局部化霍夫变换}for each line l i of L do {H ough Transfor m }4){尖峰检测}

5)

{遍历得到的尖峰,使用两个端点表示一条直线;给定每个端点它邻域的颜色属性}输出:LL {直线集合}6)

{建立直线关系图}for each line l i of LL do

{测试l i 的邻域信息,查找最近的端点l i +1,比较颜色信息}i f {颜色相同}

i f {距离小于给定阈值&&斜率差小于给定阈值}{连接两条直线}els e

i f{l i 和l i +1未被标记}

{建立候选建筑物b ,将l i 和l i+1存储在b 中,将b 的指针赋予l i 和l i+1,将b 存储在候选建筑集中}E lse {查找l i 或l i+1的指针,将其加入已有建筑候选集}7)

END

3 实验和讨论

3.1 图像测试

实验的软硬件环境如下:W i ndow s XP P ro fessi ona,l M icroso ft V isual Stud i o 2005,C#,CPU 为T24001.83GH z ,1.5G B 内存。测试图像如图3~4所示。这是中国上海某一区域的航空数字图像,并包含了一些复杂的建筑结构和密集的房屋和圆形屋顶(图像来源于G oog le map)。

通过Canny 算子和霍夫变换,线性元素被提取出来,图中

1916月庞池海等:基于直线检测算法的卫星图片中建筑物轮廓提取

提取了2313条直线。在直线关系图生成后,产生了68个主要的平面对象(图3)。忽略单位面积太小的平面(直线过短)。最后,使用了实心的多边形来代表一个候选建筑,如图4

。

3.2 结果讨论

根据上述实验的结果,本文做出以下几点分析。

1)全局的效果。根据统计,表1总结了质量评估的结果,较其他算法有所改进。

2)局部分析。本文算法强调多边形的检测生成,从而简化匹配识别的过程。另外,本文目的是快速、大规模的城市建模,需要准确但是不用过于精确地检测出每一幢建筑物。图4中的例子表示,建筑物的屋顶有些具有复杂的结构,并且图形的有些部分不是十分清晰,这就意味着,即使肉眼也不是那么容易分辨它的。图4中部那幢不规则的建筑物(中间圆顶的白色建筑),有比较复杂的屋盖结构并且边界模糊不清,因此,这部分的边缘未被很好地检测出来。阴影是另一个主要的问题,在检测中,很难分辨出阴影多边形和真正的建筑物。这些也是目前的基于直线检测系统的局限性。

3)计算时间的消耗。本文的应用是基于大规模的图像数据信息。所以对于时间方面的效率,应该予以关注。Canny 滤波和局部的霍夫变换是最花时间的。由于使用了局部化的假设,直线关系图的生成被控制在了一个合理时间的范围内。表1显示了对时间花费的情况。

表1 检测正确率和计算速度

算法检测正确率/%时间消耗/s ELS 模板法44.8~85.78~20(中等速度)本文算法

53.8~88.6

5~10(较快)

4 结语

出于大规模城市仿真的应用目的,本文提出了一种自动提取城市图像内建筑物的方法。基于Canny 算子和改进的霍

夫变换,生成直线关系图,便于多边形的提取。使用霍夫变换,从边缘点得到了直线的信息。在生成直线关系图后,就得到了直线的位置和它们之间的关系,并且可以将它们组合成为候选的建筑物。实验结果表明,方法将一维的离散元素转化为二维的形式。基于本文的工作,提供了一种自动提取建筑物的方法,缩短了人工为建筑物建模的时间。

当然,本文的工作不是完全的。在本文的方法中存在的问题十分明显,包括直线关系推断的精确性(包括遗漏、误检、阴影干扰等),检测速度的效率等问题。因此,我们将继续寻求更好的方法,以改善直线组合和多边形检测的效果。参考文献:

[1] 唐亮.城市航空影像关键地物提取技术研究[D ].西安:西安电

子科技大学,2005.

[2] 林怡,陈鹰.用立体影像匹配和数学形态变换自动生成DE M

[J].中国图象图形学报,2003,8(4):447-452.

[3] 汪行,陈学俭,金敏.线段提取在高分辨率遥感图像建筑物识别

中的应用[J].计算机辅助设计与图形学学报,2005,17(5):928-934.

[4] KI M T,M ULLER J P .Devel op m en t of a graph -based approach f or

bu ildi ng detecti on [J].I m age and V ision Co m puti ng ,1999,17(1):3-14.

[5] GONZ ALEZ R C,W OODS R E .数字图像处理[M ].阮秋琦,阮

宇智,等译.2版.北京:电子工业出版社,2006.

[6] PETROU M,K I TTLER J .Op ti m al edge detect ors for ra m p edges

[J].

IEEE Tran s acti ons on Pattern Analysis and M ach i ne I n tell-i gence ,1991,13(5):483-491.(上接第189页)

[4] L I N FAN -YI ,L I U JI A -M I NG .Am b i gu it y f un cti on s of l aser -bas ed

chaoti c radar [J].I EEE Jou rnal ofQuan t um E lectron i cs ,2004,40(12):1732-1738.

[5] 曹晓峰,李夕海,刘代志.混沌二相编码雷达引信研究[J].上海

航天,2002(1):45-48.

[6] P ARLITZ U ,ERGEZI NGER S.Robus t co mmun i cati on based on

chaotic s p reading sequen ces [J ].Physics L etters A,1994,188

(2):146-150.

[7] M AZZI N I G .Chaoti c comp lex s p read i ng sequences f or asyn chronous

DS -CD M A -Part I :Syste m m odeli ng and res u lts [J].I EEE T ransac -ti on s on C ircu it and Syste m I ,1997,44(10):937-947.[8] 阎平凡,张长水.人工神经网络与模拟进化计算[M ].北京:清

华大学出版社,2000.

[9] FLORES B,VERDI N B ,THO M AS G ,et al .G enerati on of quas-i

n or m al variab l es us i ng chaotic maps[C ]//Proceed i ng ofSPIE,Ra -d ar Sen s or Technol ogy I X ,SPIE 5788.[S ..l ]:SPI E,2005.[10] VERDI N B ,FLORES B.W i deband radar i m ag i ng us i ng chaotic -b ased Gau s s i an f requency m odu l ati on [C ]//Proceedi ng of SPIE,Radar S ensor Tec hno l ogy IX ,SPI E 6210.[S..l ]:SP I E,2006.[11] 盛骤,谢式千,潘承毅.概率论与数理统计[M ].2版.北京:高等

教育出版社,1989.

[12] 周红.一类混沌密码序列的设计方法及其有限精度实现问题分

析[D].上海:复旦大学电子工程系,1996.

[13] M EHRDAD S .S ynthetic ap ect u re radar s i gnal proces s i ng w it h m a-t

lab al gorit hm s [M ].Ne w York :J ohn W iley&Son s ,Inc ,1999.

192 计算机应用2008年