LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法

LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法
LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法

第37卷第3期2008年8月

测绘学报

ACTAGEODAETICAetCART()GRAPHlCASINICA

V01.37.No.3

Aug.。2008

文章编号:1001—1595(2008)03—0391-03中图分类号:P237文献标识码:A

LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法

程亮1,龚健雅2

1.南京大学地理信息科学系,江苏南京210093;2.武汉大学测绘遥感信息一E程国家莺点实验宦,湖北武汉430079

BuildingBoundaryExtractionUsingVeryHighResolutionImagesandLiDAR

CHENGLian91。GONGJian—ya2

1.DepartmentofGeographicalIn。{ormationScience,NanjingUniversity.Nanjing210093,Chinat2.StateKeyLabofhformationEngineeringinSurveying。MappingandRemoteSensing,WuhanUniversity。Wuhan430079,China

Abstract:InordertOextractgeometricpreciseanddetailedbuildingboundary,anewapproachispresentedin—tegratingveryhighresolutionimagesandLiDARdata.Theprocessconsistsofasequenceoffoursteps.

①Pre-processing--identifysegmentedbuildingpointsfromrawLiDARdata.②Createbuildingimages--af—

tercreatingabufferandaboundingrectangleofabuildingaccordingthesegmentedbuildingpoints.filtertheoriginalimageusingthebufferandthencuttheresultimagebytheboundingrectangle.③Linesegmentsex—traction--mostbuildingshaveperpendicularstructurewithtworectilinearaxes.Soanautomaticandrobustmethodonbuildingprincipalorientationsestimationispresentedbasedonroughprincipalorientationscon-straint,thusimprovingtheaccuracyandrobustnessoflinesegmentsextraction.④Boundaryselection--ase一】ectionstrategyisproposedbasedonLiDARdatadensityanalysisandKmeansclustering.Theresultsdemon—stratedthattheproposedapproachdeterminedbuildingboundarieswell.

Keywords:LiDAR;veryhighresolutionimage;linesegmentextraction;boundaryselection

摘要:以精确自动提取建筑物轮廓为目标,提出一种I,iDAR辅助下利用超高分辨率影像进行轮廓提取的新方法。其要点分为4步:①预处理,检测LiDAR中建筑物点并分割成每栋建筑物的点集;②建立轮廓提取区,针对每栋建筑物做缓冲区和外接矩形,通过缓冲区过滤和外接矩形切割,建立轮廓提取感兴趣区域;③线段提取,借助LiDAR估算出建筑物概略主方向,并在该方向的约束下,自动、鲁棒地检测出建筑物的主方向和建筑物的线段;④轮廓筛选,基于I.iDAR密度分析与Kmeans聚类动态筛选出精确轮廓。本方法所提取的建筑物轮廓定位精确、细节完好,轮廓提取准确率91%。

关键词:LiDAR;超高分辨率影像;线段提取;轮廓筛选

轮廓提取是建筑物提取与模型重建的重要基础工作。从高分辨率影像中自动提取建筑物的研究已经开展多年,文献E13通过提取矩形的角点来提取建筑物轮廓;文献EB3通过计算各直线相互关系的代价函数及其最小准则提取建筑物矩形轮廓;文献[3]引入知识定义了几种近似的矩形结构,提出了一套直线后处理的方法。这些方法的要点在于:基于几何约束、或者基于某种规则、或者基于知识等优化轮廓线的提取。然而高分辨率影像包含着大量丰富信息,仅仅基于影像难以自动分离建筑物区域与非建筑物区域,道路边线、建筑物阴影等类似目标往往会对轮廓提取形成干扰,单纯基于影像要自动准确提取轮廓,技术难度很大。

利用LiDAR数据或13SM提取建筑物轮廓的研

究成果也有许多。文献[4I利用DSM与DEM之间的差异提取建筑物轮廓;文献[5]利用规划数据辅助LiDAR进行建筑物重建;文献[63将LiDAR数据与IKONOS影像结合检测建筑物轮廓;文献[7]使用规则化的方法提取建筑物轮廓。现阶段。空载LiD.AR数据的点间距一般为米级,相对于摄影测量常用的厘米级分辨率航空影像,IJDAR数据窄间分辨率低,单纯基于LiDAR获取的建筑物轮廓相对不够精细

且精度不高。利用规则化技术可以提高轮廓线的精度,但规则化方法也受制于LiD根数据的空间分辨

收稿日期:2007?10-24;修回日期:2008—05-22

基金项目:国家973项H(2006('B70J300)

作者简介:程亮(1978一),男.南京人,博土,主要从事数字摄影测lit、LiDAR数据处理等方面的研究。E—mail:geocl@163.com

392测绘学报第37卷

率、滤波与分类等处坪的精度,还存在不确定性且容易产生轮廓整体偏移问题。

从影像中提取出的轮廓几何精度高,细节丰富,但处理的自动化程度不高。从LiDAR数据中提取的轮廓精确性与细节.性不高,但LiDAR直接提供了3维坐标,有利于提高处理的自动化程度,两类数据具有很强的互补性,两者的集成将有利于自动、准确地获取精确、细节的建筑物轮廓。因此,为了精确、自动地提取矢量形式的建筑物轮廓。本文提出一种LiDAR辅助下利用超高分辨率影像(厘米级分辨率)提取建筑物轮廓方法。

l方法

1.1预处理

首先从I。iDAR数据中分离出非地面点,再从非地面点中分离出建筑物点,最后分割成每栋建筑物点集。本文采用该方法分离I.iDAR数据中的地面点与非地面点。针对获取的非地面点,采J}J基于面片拟合的Ⅸ域生长方法提取建筑物点[8],最终结果即为已分割的建筑物点集。预处理环节的全自动化尚有难度,一定的人工编辑是需要的。

1.2轮廓提取区的建立

通过预处理获得了已分割的建筑物点集,将这些点集与影像作用,牛成轮廓提取区,以使轮廓提取工作专注于目标区域,减少无关信息的十扰。轮廓提取区建立的方法为:

1.套合I,in咏数据与超高分辨率影像。根据不同的需求(3维重建、2维矢量图生成等),需要应用不同类型影像(讧体像对、正射影像等)于本方法,对于不同的影像具体套合方法不同。例如,若是正射影像,两者直接套合即町;若是讧体像对,则町根据外方位元素,通过共线方程将I。iDAR点反投影到影像上;如果是方位未知的影像,则人工配准。

2.缓冲Ⅸ过滤。LiDAR数据与影像的套合会受一系列误差的影响而导致位置偏差,将建筑物点集内插成面域后,向外做缓冲区(阈值取Li—DAR数据平均点距的2倍),以确保影像上建筑物落在缓冲区内。利川该缓冲区过滤掉影像上非建筑物区域信息。

3.外接矩形切割。针对每个建筑物,根据其点集拟合外接矩形,以缓冲区阈值进行外扩,切割过滤所得影像.形成轮廓提取区。

1.3主方向约束下的线段提取

线段提取需要在边缘影像上进行,本文采用Edison算子对轮廓提取区进行边缘检测。在边缘影像上,利用Hough变换进行线段提取,不同之处在于本文Hough变换只在主方向上进行。在主方向的约束下,线段提取I:作由Hough变换2维积累空问的峰值检测变为两个主方向上的1维峰值检测,线段提取更为准确、可靠。其中,建筑物主方向的检测是关键。

现实中绝大多数的建筑物具有规整的几何形状且旱良角转折,直角转折建筑物的所有轮廓线只有两个方向且相瓦垂直,这两个方向即建筑物主方向。文献[8]介绍了基于主方向的直线提取方法,f且其单纯依靠影像检测主方向的方法存在一些不足,如:复杂纹理时结果不稳定、建市角度直方图的积累矩阵阈值需人工设定等。针对这些问题,本文提出一种自动、鲁棒的建筑物主方向检测算法。影像上平行的轮廓线对应着Hough空问的同一个口,根据阈值过滤积累矩阵可以建立角度累加值直方图,直方图上的峰fff即为建筑物主方向。本算法利用LiDAR数据预先获取概略主方向,在其约束下以自适应方式自动获取阈值;同时在概略主方向约束下,当主方向检测存在严重干扰时,盲方图的峰值检测只需要在给定区间内做单峰值检测,降低r干扰严重时出错的可能。

1.3.1概略阜方向估计

针对每个建筑物,根据其IJDAR点集拟合旋转的最小外接矩形(MBR),以该外接矩形的主方向为建筑物的概略主方向。考虑到建筑物形状比较复杂时,建筑物主方向可能与MBR方向有一定的偏差,本文以一定阈值(本文取5。)形成概略主方向区间。1.3.2丰方向检测

在概略主方向的约束下。建筑物主方向检测算法的步骤如下:①对轮廓提取区影像做Hough变换,找出积累空间中的最大值;②设定阈值为积累空间最大值乘以系数t,t初始取值为0.9,将积累卒问每个单元的值与此阈值进行比较,大于阈值的保留,小于阈值的单元值设为0;③在概略主方向区间内。对于每个口累加积累空问的列,如果累加值都为零。那么减小系数t(减小幅度为0.1),跳转到②,如果积累值有不为零的,那么对这些移{累值做单峰值检测,此峰值就是精确主方向;④判断概略主方向区间是否都处理完毕,如果是,则程序终止,如果没有,则跳转到③,完成处理。

1.4基于LiDAR密度分析与Kmeans聚类的轮廓筛选

线段提取的结果中,除了轮廓线段还存在较多

第3期程亮等:LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法393

的屋顶线段以及一些干扰线段,因此需要进一步从中筛选出轮廓线段。文献E6]介绍了一种利用I。i—DAR数据从IKONOS影像中提取建筑物轮廓的方法。然而,与IKONOS影像七的线段提取不同,厘米级超高分辨率影像条件下,线段提取会使得很小的局部区域内存在多条叮能的轮廓线,为了从中自动筛选出精确轮廓线,本文提出一种基于LiDAR密度分析与Kmeans聚类的轮廓筛选策略。

首先,过滤。分为两步:①根据建筑物主方向调整最小外接矩形(MBR),形成与主方向完全一致的MBR,利用其切割线段提取结果,排除其外的线段;②针对剩余的每条线段,沿其垂直方向外扩,形成其左右矩形。分析左右矩形内的Li-DAR点:如果左右矩形内均没有LiDAR点,则说明此线段位于建筑物外,过滤之;如果左右矩形内LiDAR点密度相当,则说明此线段位于屋顶,过滤之。过滤所得轮廓线段,即为候选轮廓。

其次,分组和聚类。针对候选轮廓,根据平行轮廓问的水平距离和垂直距离对轮廓线段分组。针对每组线段,按照卜述方法对其中每条线段外扩形成左右矩形。计算每条线段的左右矩形LiDAR点密度差,采用公式(1)定义一组线段的密度差

L={IdII|忌=0,…,m)(1)式中,d。表示第忌条候选轮廓线的密度差。利用Kmeans聚类算法,根据Id。I将所有密度篪聚集成两类,一类密度差大,另一类密度差小。密度差小的被排除,保留密度差大的,密度差大的线段即为该组的精确轮廓线。

2实验与分析

本方法适用于不同类删影像(立体像对、正射

La)实验影像影像等),为了选择较大范闱的测试区域,实验采用_r真正射影像(超高分辨率航窄影像涵盖范围相对有限)。实验影像如图1(a),大小约为7310×8290像素,空间分辨率为5cm。对应LiDAR数据平均点距为1m。实验选取的区域包含了不同走向、不同结构、不同屋顶纹理特征的多个建筑物,以测试方法适用性。

图1(b)、图1(c)分别为基于最大值峰值检测线段提取算法(最大值法)、本文主方向约束下的线段提取算法结果。两图中分别有线段5709、4141条,图1(b)中的轮廓线在图1(c)中几乎都有,但图1(c)中一些重要轮廓在图l(b)中却没有(如标注A,B),说明本文线段提取算法不仅减少了无关线段的提取,而且提取出了最大值法漏检的一些重要轮廓线。图l(d)为本文轮廓筛选算法的结果。从图1(c)到图1(d),线段数量由4141条减少为779条,过滤率81%,筛选算法在保留轮廓线的基础上,过滤掉了绝大多数的非轮廓线。为了定量评价轮廓提取的准确性,套合最终轮廓与原有影像,检查对应轮廓之间的角度与距离,如果角度不超过2。凡平均距离小超过4像素,则认为提取成功,否则视为失败。图1(d)中共有线段779条,其中709条正确,70条错误,准确率91%。为了评估方法的精确性,利用LiDAR方案(仅使用LiDAR数据,不使用影像)在同套数据上进行了轮廓提取实验。以真正射影像卜轮廓为真值,分别从两套方案结果中选择32条同名轮廓评价精度,本文方案与“DAR方案所提取轮廓的平面均方差(RMSE)分别约为:2像素、10像素。顾及LiDAR数据与真正射影像的套合误差(约2像素),LiDAR方案的精度依然相对低,本文集成方案精确性优势明砬。

(b)最大值法线段提取(c)本文线段提取(筛选前)(d)本文最终结果(筛选后)

图1轮廓提取实验数据与结果

Fig.1Theexperimentaldatasetsandresultsofbuildingboundarysegmentsextraction

(下转第399页)

第3期陈俊平等:附加Hilmert变换参数的低轨卫星约化动力学精密定轨399

精度约为0.4m,运动学轨道精度的提高,将进一

步提高约化动力学轨道的精度。

致谢:感谢GeoForschungsZentrumPotsdam

葛茂荣教授在本文修改过程中的建议以及讨论。

参考文献:

E1][23[33[43Is][63HUGENTOBI。ERU。DACHR,FRIDEZP,MElNDLM.

BerneseGPSSoftwareVersion5.0DRAFT[R].Bern:

PrintingOfficeoftheUniversityofBern,2006.

SVEHLAD,R()THACHERM.KinematicandReduced-

dynamicPreciseOrbitDeterminationofLowEarthOrbiters

口].AdvancesinGeosciences,2003,1:47—56.

BEUTLERG.MethodsofCelestialMechanicsVolumeI:

Physical,Mathematical.andNumericalPrinciples[M].

Berlin:Springer-Verlag,2004.

BEUTLERG.MethodsofCelestialMechanicsVolumeⅡ:

ApplicationtoPlanetarySystem,GeodynamicsandSatellite

Geodesy[M].Berlin:Springer-Verlag,2004.

B()CKH.EffidentMethodsforDeterminingPreciseOrbitsof

LowEarthOrbitersUsingtheGlobalPositioningSystem[D].

Berne:AstronomicalInstituteUniversityofBorne,2003.

WANGJie-xian.PreciseOrbitDeterminationandPositioningof

GPS[M].Shanghai:Ton萄iUniversityPress.1997.(王解

先.GPS精密定轨定位.上海:同济大学出版社.1997.)

[73CHENJumping.OnPreciseOrbitDeterminationofLowEarth

Orbiters[D].Shanghai;TonmiUniversity,2007.(陈俊平.

低轨卫星精峦定轨研究[D].上海:同济大学,2007.)

[8]13()UCHERC,ALTAMIMIZ。SIt,LARDP.FEISSEL-

VERNlERM.TheITRF2000(IERSTechnicalNoteNo.

3I)[M].Frankfurt:VerlagdesBundesamtsfurKartogra—

phieundGeodasie,2004.

[9]McCARTHYDD,PETITG.IERSConventions(2003)

(IERSTechnicalNoteNo.32)[M].Frankfurt:Verlagdes

BundesamtsftirKartographieundGeodasie,2004.

[10]CHENJun?ping。WANGJie-xian.KinematicPreeiseOr-

bitDeterminationofLowEarthOrbiterBasedonEpoch—

DifferenceStrategy[J].JournalofGeodesyandGeody—

namics,2007.27(4):57—61.(陈俊平。王解先.基于历

元问差分的低轨卫星运动学精密定轨[J].大地测量与地

球动力学,2007,27(4)t57—61.)

[11]LIUJing—nan,ZHAOQi—le。ZHANGXiao-hong.Geomet—

ticOrbit

DeterminationofCHAMPSatelliteandDynamic

Models’CompensationduringOrbitSmoothing[J].Geo-

maticsandInformationScienceofWuhanUniversity,

2004。29(1):卜6.(刘经南.赵齐乐,张小红.CHAMP卫

星的纯几何定轨及动力平滑中的动力模型补偿研究[J].

武汉大学学报(信息科学版),2004.29(1):1-6.)

(责任编辑:丛树平)

¨-.-—●--●?●。◆-.-●-..●-●●●-●-●●◆-.-●。+。●-—●一◆‘◆...■■?■■一●-●-◆...◆-..●-●-◆●●-●-.-●?●。●-.-●一_●一◆-?●一(上接第393页)

3结论

本文提出的方法可以精确、自动地提取建筑

物的轮廓。方法特点如下:①轮廓提取区的建

立,不仅有利于适应超高分辨率影像大数据量处

理的要求、提高后续处理的鲁棒性,而且为排列杂

乱的建筑物主方向检测提供了必要I;{『提;②建筑

物主方向检测算法自动、鲁棒,主方向约束下的线

段提取更为准确、可靠,尤其有利于检测一些成像

效果不佳的细微轮廓;③基于LiDAR密度分析

与Kmeans聚类的轮廓筛选策略,无需阚值,可动

态、准确地分离轮廓线与非轮廓线。

参考文献:

[13[23[33HuERTASA?NEVATIAR.DetectionBuildinginAerial

Images[J].ComputerVisionGraphicsImageProcess,1988,

41(2’):131-152.

KIMT,MULLERJP.DevelopmentofaGraph—basedAp-

proachforBuildingDetection[J].ImageandVisionCompu—

ring,1999,17(I):3‘14.

TAOWen-bing,LIUJian。TIANJirrwen.ANewApproach

toExtractRecmeJeBuildingAutomaticallyfromAerialImages

[刀.ChineseJournalofComputers。2003。26(7):866—873.

(陶文兵,柳健,田金文.一种新犁的航宅图像城区建筑物

自动提取方法[J].计算机学报。2003.26(7):866-873.)

[4]wEISSR,FORSTNERW.TowardsAutomaticBuilding

ExtractionfromHigh—resolutionDigitalElevationModels

EI].ISPRSJournalofPhotogrammetryandRemoteSens—

ing?1995,50(4):38‘49.

Is]VOSSEI,MANG.DIJKMANs.3DBuildingModelRe—

constructionfromPointCloudsandGroundPtan[J].Inter—

nationalArchivesofPhotogrammetryandRemoteSensing,

2001,34(3W4):37—43.

[63SOHNG。SAMPATH八BuildingExtractionUsingI.iDAR

DEMaandIKONOSlrnagesEJ].InternationalArchivesofPho-

togrammetryandRemoteSensing.2003,34(3/W13).

[7-1SAMPATHA,SHANJ.BuildingBoundaryTracingandRegu—

larizationfromAirborneLidarPointClouds[J].Photogrammetric

Engineering8LRemoteSensing,2007,73(7):805-812.

[8]ZHANGK。YANJ,CHENSC.AutomaticConstruction

ofBuildingFootprintsfromAirborneLiDARData[J].

IEEETransactiononGeoscienceandRemoteSensing,

2006.44(9):2523—2533.

[93RAUJY,CHENI.CFastStraightLinesDetectionUsing

HoughTransformwithPnndpalAxisAnalysis[J].Journalof

PhotogrammetryandRemoteSensing.2003,8(1):15—34.

(责任编辑:丛树平)

边缘提取不同算子方法的分析比较

目录 摘要....................................................................... I 1简介. (1) 1.1MATLAB 简介 (1) 1.2数字图像处理简介 (1) 2边缘检测 (3) 2.1边缘的含义 (3) 2.2边缘检测的含义 (3) 2.3边缘检测的步骤 (3) 3常用的边缘检测算子 (5) 3.1微分算子 (5) 3.1.1 Sobel算子 (5) 3.1.2 robert算子 (6) 3.1.3 prewitt算子 (6) 3.2 Laplacian算子 (6) 3.3 Log算法 (7) 3.4 Canny边缘检测法 (7) 4程序设计 (8) 5运行结果 (10) 6边缘检测结果比较 (12) 7心得体会 (13) 参考文献 (14)

摘要 边缘检测是利用边缘增强算子,突出图像中的局部边缘,然后定义象素的“边缘强度”,通过设置阈值的方法提取边缘点集。本设计利用MATLAB软件分析几种应用于数字图像处理中的边缘检测算子,根据它们在实践中的应用结果进行研究,主要包括:Robert 边缘算子、Prewitt 边缘算子、Sobel 边缘算子、LoG边缘算子以及Laplacian 算子等对图像边缘检测,根据实验处理结果对几种算子进行比较。 关键词:Matlab边缘检测算子

1简介 1.1MATLAB简介 Matlab是国际上最流行的科学与工程计算的软件工具,它起源于矩阵运算,已经发展成一种高度集成的计算机语言。有人称它为“第四代”计算机语言,它提供了强大的科学运算、灵活的程序设计流程、高质量的图形可视化界面设计、便捷的与其它程序和语言接口的功能。随着Matlab语言功能越来越强大,不断适应新的要求并提出新的解决方法,可以预见,在科学运算,自动控制与科学绘图领域,Matlab语言将长期保持其独一无二的地位。 Matlab 的特点如下: (1) 高效的数值计算及符号计算功能,能使用户从繁杂的数学运算分析中解脱出来; (2) 具有完备的图形处理功能,实现计算结果和编程的可视化; (3) 友好的用户界面及接近数学表达式的自然化语言,使学者易于学习和掌握; (4) 功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等) ,为用户提供了大量方便实用的处理工具. Matlab的优势如下: (1)友好的工作平台和编程环境 (2)简单易用的程序语言 (3)强大的科学计算机数据处理能力 (4)出色的图形处理功能 (5)应用广泛的模块集合工具箱 (6)实用的程序接口和发布平台 (7)应用软件开发(包括用户界面) 1.2数字图像处理简介 数字图像处理又称为计算机图像处理,它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程,以提高图像的实用性,达到人们所要求的预期结果。从处理的目的来讲主要有:

卫星影像提取建筑

卫星影像提取建筑、道路专题信息 技术方案提纲 一、影像专题信息提取原理 影像专题信息提取是一个影像分割、分类、分类后处理及专题信息输出的过程。但是在专题信息提取过程中,由于“同谱异物”、“同物异谱”等情况的普遍存在,加上遥感数据空间分辨率的限制,“混合像元”现象不可避免,因此基于常规像元灰度值的图像分类存在很多问题。在此基础上,人们开始对多源信息复合的信息提取方法进行探索,主要是从波谱特性、纹理信息、图像运算和地学专家知识等方面出发。 1.光谱特征信息复合 光谱特征分析法是遥感信息提取的常用方法之一,在相关研究中得到了广泛应用。不同地物的波谱特性,是遥感影像分析解译的理论基础,也就是说多光谱影像的计算机自动分类识别必须建立在全面了解掌握分类对象不同波段光谱特性的基础上。一般而言,同一地物在不同波段的光谱值不同,在同一波段不同地物的光谱值也不相同。根据这一原理,在多波段彩色合成影像上,首先对典型地物进行光谱采样,然后计算各种地物的光谱均值,得到典型地物波谱响应曲线图。之后分析所需专题信息光谱曲线与其他地物光谱曲线的关系,找到能够区分所需信息与其他地物的波段,利用波段之间的亮度值差异,选择适当的阈值即可将所需要的信息提取出来。 基于光谱特征的分析方法是从分析地物的光谱曲线入手,挖掘谱间特征,从而提取出所需地物信息的。但是该方法无法克服异物同谱和同物异谱的现象,许多地物无法准确区分。 2.纹理结构信息复合 常规提取遥感图像信息的最大似然分类法等都是基于地物光谱特征的,很难正确区分一些光谱易混淆的地物,因此为了克服这种现象,可以采用纹理分析的方法。影像纹理反映了影像灰度性质及它们之间的空间关系,是描述和识别影像的重要依据,与其他影像特征相比,它能更好地兼顾地物的宏观性质和细部结构。 纹理分析方法大致分为统计方法、结构方法和谱方法。统计方法是指在不知

关于图像特征提取

关于图像特征提取 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分,它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”:同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算,也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分,那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算,输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时,假如特征提取需要许多的计算时间,而可以使用的时间有限制,一个高层次算法可以用来控制特征提取阶层,这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤,因此有大量特征提取算法被发展,其提取的特征各种各样,它们的计算复杂性和可重复性也非常不同。 边缘 边缘是组成两个图像区域之间边界(或边缘)的像素。一般一个边缘的形状可以是任意的,还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。 局部地看边缘是一维结构。 角 角是图像中点似的特征,在局部它有两维结构。早期的算法首先进行边缘检测,然后分析边缘的走向来寻找边缘突然转向(角)。后来发展的算法不再需要边缘检测这个步骤,而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。 区域 与角不同的是区域描写一个图像中的一个区域性的结构,但是区域也可能仅由一个像素组成,因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小,然后在缩小的图像上进行角检测。 脊 长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线,此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路,在医学图像中它被用来分辨血管。 特征抽取 特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特

基于Hough变换的道路边界提取方法

基于Hough变换的道路边界提取方法 摘要:本文利用 matlab7.0软件开发平台工具,采用hough变换等技术手段在图片上进行线性构造信息提取,为今后的研究部署工作提供参考。但hough变换存在一定的局限性,如对影像分割依赖性大、受非道路因素影响大等。本文首先利用道路种子点处的光谱信息进行道路区域的生长, 提取光谱信息一致的道路区域, 得到一个包含道路信息的二值影像,然后对此二值影像进行滤波,在提取出的道路条状区域的基础上, 根据道路具有的形状特点, 利用形态学进行细化和一定次数的形态修剪处理, 得到单像素宽 的道路中心线信息。最后对图像进行基于hough变换的线性特征提取,文章对高分辨率航空遥感影像进行了实验验证了该方法的有效性[1-3]。 关键词:线性特征提取,hough变换,matlab a road edge detection algorithm based on the hough transform qiu zhiweili yan (henan university of urban construction, pingdingshan 467036, china) aqiuzhiwei-2008@https://www.360docs.net/doc/2f16085936.html,, bliyan0502@https://www.360docs.net/doc/2f16085936.html, abstract: by using the road seed point spectrum information in this paper firstly, the relevant road information can be extracted from the spectral information consistent with the road area, road information including two value image can be

边缘提取

图像边缘提取的经典算法及展望 摘要:该文对现有图像边缘提取的经典边缘检测算子方法进行了介绍,对比、分析了各自的优缺点,为了更清楚地看出各种算法的效果,给出了一些常用算法对同一幅标准测试图像的原图像进行边缘提取的实验结果。最后,对图像边缘提取技术所面临的问题和发展方向阐述了自己的观点。 关键词:图像处理,边缘提取,边缘检测算子 中图分类号:TP 314.7 文献标识码:A The Algorithm for I m age Edge Detection and Prospect Abstract:The representative algorithms in these days for image edge detection have been presented in this paper.After contrasting and analyzing the advantages and the disadvantages of every algorithm.In order to have a much clearer look at the effect of every algorithm,we give the results of the experiments in which the common algorithms are used to detect image edge of the same standard testing image.At last,we bring forward our viewpoint about the problems the image edge detection technology is facing and where is its developmental direction . Key words:Image manipulation ;Edge recognition ;Edge recognition arithmetic operators 1 选题背景与研究意义 图像是人们从客观世界获取信息的重要来源,也是人类视觉延伸的重要手段。随着计算机和各个相关研究领域的迅速发展,科学计算的可视化、多媒体技术等研究与应用的兴起,数字图像处理从一个专门领域的学科,发展成为了一种新型的科学研究和人机界面的工具。通过对人类视觉系统的研究表明,图像中的边界特别重要,往往仅凭一些粗略的轮廓线就能够识别出一个物体,而轮廓线就是图像的边缘。图像的边缘是图像区域属性(像素灰度)发生明显变化的地方,也是图像信息最集中的地方,包含了图像的大部分特征信息,这些信息足图像识别中抽取特征的蕈要属性,能勾画出目标物体,是人类判别物体的重要依据。因此,图像的边缘是图像的最基本特征,被应用到较高层次的特征描述、图像识别、图像分割、图像增强以及图像压缩等图像处理和分析技术中,同时边缘提取也作为图像分析与模式识别的主要特征提取手段,应用于计算机视觉、模式识别等研究领域中IlJ。图像的边缘广泛存在于物体与背景之问、物体与物体之间,边缘检测的实质是采用某种算法提取出图像中对象与背景之间的交界线。通过边缘检测,提取出边缘才能将目标和背景区分开来,简化图像分析,突出图像的重要特征,降低后继图像分析处理的数据量,使图像理解及识别更加容易和深刻。因此,边缘提取算法是图像处理问题中经典技术之一,其优劣直接影响整个计算机视觉系统性能的好坏,它的解决对于我们进行高层次的图像特征描述、识别和理解等有着重大的影响。在数字图像处理的研究过程中,图像的边缘提取一直以来都是图像处理与分析领域的研究热点,也一直是机器视觉研究领域中最活跃的课题之一,在工程应用中占有十分重要的地位。因此,研究图像边缘提取方法具有重要的理论意义和现实意义。具有重要的意义。 2 研究现状及发展趋势 图像边缘提取的方法多种多样,但由于其本所具有的难度和深度,研究没有很大的突破性进展,至目前还没有提出一种方法或是理论,能完美地解决边缘提取问题,这也促使研究人员对此问题不断深入研究。 同时,由于目前的边缘提取评价方法都存在很大的局限性,所以对图像边缘提取评价系统的研究得到越来越多的关注。目前,用得较多的还是通过人眼进行主观判断,评价边缘提取方法的优劣。 总之,边缘提取算法主要存在两个问题:一是没有一种可以普遍使用的图像边缘提取算法;二是没有一个较好的通用的边缘提取的评价标准。因此,这两个问题也将成为今后研究解决的重点和研究趋

最新Canny边缘检测与轮廓提取汇总

C a n n y边缘检测与轮 廓提取

摘要................................................................................................................................................... Abstract.......................................................................................................................................... I 1 绪论 0 2 设计内容与OpenCV简介 (1) 2.1 设计任务内容 (1) 2.2 OpenCV简介 (1) 3 理论分析 (2) 3.1 边缘检测 (2) 3.1.1 图像的边缘 (2) 3.1.2 边缘检测的基本步骤 (2) 3.2 轮廓提取 (3) 4 边缘检测的算法比较 (4) 4.1 Reborts算子 (4) 4.2 Sobel算子 (5) 4.3 Prewitt 算子 (5) 4.4 Kirsch 算子 (7) 4.5 LOG算子 (7) 4.6 Canny算子 (8) 5 实验仿真 (10) 5.1算法设计 (10) 5.2 实验结果 (11) 6 分析与总结 (12) 参考文献 (13) 附录 (14)

边缘检测是图像处理和计算机视觉中的基本问题,它的目的是标识出数字图像中亮度变化明显的点。图像经过边沿检测处理之后,不仅大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。 事实上,边缘存在于图像的不规则结构和不平稳现象中,也即存在于信号的突变点处,这些点给出了图像轮廓的位置。这些轮廓常常是我们在图像边缘检测时,所需要的非常重要的一些特征条件,这就需要我们对一幅图像检测并提取出它的边缘。 可用于图像边缘检测和轮廓提取的方法有很多,其中包括有常见的Robert边缘算子、Prewitt 边缘算子、Sobel边缘算子等等。本文首先将会从数字图像处理的角度,对几种边缘检测算法进行详细的分析,然后会并选择其中一种边缘检测算法进行实验。考虑到以后进一步的学习,本文将会使用openCV对算法进行实现。最后,本文将会把实验获得的实际效果,与理论分析的结果进行比对,并以此对本次实验进行总结。 关键字:边缘检测轮廓提取图像处理openCV

基于高分辨率遥感影像的建筑物提取

基于高分辨率遥感影像的建筑物提取 摘要:本文首先对遥感影像上建筑物提取的研究历史进行分析,总结高分辨率航空相片或卫星影像提取建筑物等人工地物信息的主要方法,从影像数据、分辨率与方法几个方面概括建筑物提取的发展历史。总结高空间分辨率遥感影像建筑物提取研究的现状以及发展趋势。 关键词:高空间分辨率遥感影像;建筑物提取 引言 随着遥感技术的不断进步,光学卫星影像的空间分辨率不断提高(目前军用卫星已经达到厘米级),与同类中低空间分辨率的遥感影像相比,高空间分辨率光学卫星影像上地物的光谱特征更明显,景观的结构、形状、纹理和细节等信息突出,使得研究城市内部建筑分布细节成为可能。从20世纪90年代以来高空间分辨率光学卫星影像逐渐进入商业和民用领域,在地图更新、土地管理、城市规划、资源调查、环境监测、灾害评估等方面得到广泛应用,逐步成为一种主要的地理空间数据获取和更新途径,针对高空间分辨率光学卫星影像的信息提取研究也随之兴起,但高空间分辨率影像信噪比低的特点限制了建筑提取的精度,人工解译仍然是最普遍的提取方式,其费时费力的弱点成为制约高分辨率卫星影像大范围应用的瓶颈。目前对绿地和水体的自动提取已经比较成熟,而道路和建筑物由于其自身的复杂性导致自动提取困难,国内外很多学者在高分辨影像道路和建筑提取方面做了很多相关研究,在提取理论和方法方面取得了一定的成果。本文就高空间分辨率遥感影像建筑物提取研究现状进行总结,在此基础上提出目前遥感影像建筑物提取研究的热点及其发展趋势。 一、建筑物提取的研究历史 迄今为止,利用高分辨率航空相片或卫星影像提取建筑物等人工地物信息的方法大体分为两类:其一,利用图像信息结合高程信息进行建筑物信息提,通过建筑物与周围环境之间的高差进行屋顶边界的提取,大多需要一定的辅助数据如DEM、DSM等。其二,利用高空间分辨率遥感影像数据结合计算机视觉、图像处理与分析、人工智能等学科领域的新方法实现对建筑物顶部信息的半自动甚至全自动识别与提取。此方法不需要多景影像数据,也不需要其它的外部信息源,具有更为广泛的应用前景和范围,但是其缺乏对识别建筑物表面高度信息,只是利用的是图像的光谱信息、灰度信息以及建筑物的形态信息和一部分先验知识,难度要更大,此方法仍处于探索研究阶段。在城市环境中由于受到建筑物结构复杂性的影响,建筑物常常被人造目标或者自然目标包围,给提取建筑物带来干扰,常见的典型情况有:房屋边缘与道路平行且相邻,边缘检测后的影像中道路和房屋边缘相互混淆;因为拍摄角度导致建筑物彼此的遮蔽,影像上丢失了被遮蔽建筑物的信息;建筑物阴影的灰度接近建筑物的灰度,很难区分二者的边界,对提取产生干扰。此外利用成像质量、光谱范围等多方面因素影响的遥感影像提取建筑物信息,出现信息的丢失以及失真,从而增加了建筑物提取的难度。图1分别从影像数据、分辨率与方法几个方面概括了建筑物提取的发展历史。快速准确地

图像特征提取总结

图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出颜色空间分布的信息。 (二)常用的特征提取与匹配方法 (1)颜色直方图 其优点在于:它能简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于:它无法描述图像中颜色的局部分布及每种色彩所处的空间位置,即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间:RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法:直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 (2)颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法,无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间(如HSV 空间),并将颜色空间量化成若干个柄。然后,用色彩自动分割技术将图像分为若干区域,每个区域用量化颜色空间的某个颜色分量来索引,从而将图像表达为一个二进制的颜色索引集。在图像匹配中,比较不同图像颜色集之间的距离和色彩区域的空间关系 (3)颜色矩 这种方法的数学基础在于:图像中任何的颜色分布均可以用它的矩来表示。此外,由于颜色分布信息主要集中在低阶矩中,因此,仅采用颜色的一阶矩(mean)、二阶矩(variance)和三阶矩(skewness)就足以表达图像的颜色分布。 (4)颜色聚合向量 其核心思想是:将属于直方图每一个柄的像素分成两部分,如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值,则该区域内的像素作为聚合像素,否则作为非聚合像素。(5)颜色相关图 二纹理特征 (一)特点:纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功。作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力。但是,纹理特征也有其缺点,一个很明显的缺点是当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差。另外,由于有可能受到光照、反射情况的影响,从2-D图像中反映出来的纹理不一定是3-D物体表面真实

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

图像特征提取方法

图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分,它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”:同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算,也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分,那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算,输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时,常 常看到的是连续的纹理与灰度级相似的区域,他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高,通常要采用较高的分辨率观察:如果物体的尺寸很大或对比度很强,只需 要降低分辨率。如果物体尺寸有大有小,或对比有强有弱的情况下同事存在,这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有:Fourier变换法、窗口Fourier变换(Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。

设计内容 课程设计的内容与要求(包括原始数据、技术参数、条件、设计要求等):一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 (1)边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式,所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约,或者说,离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测,把图像分为边缘区域和非边缘区域,然后在边缘区域内进行边缘定位.根据局部区域内边缘的直线特性,求得小邻域内直线段的高精度位置;再根据边缘区域内边缘的全局直线特性,用线段的中点来拟合整个直线边缘,得到亚像素精度的图像边缘.在拟合的过程中,根据直线段转角的变化剔除了噪声点,提高了定位精度.并且,根据角度和距离区分出不同直线和它们的交点,给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合,边界广泛的存在于物体和背 景之间、物体和物体之间,它是图像分割所依赖的重要特征.边界方向直方图具有尺度不变性,能够比较好的 描述图像的大体形状.边界直方图一般是通过边界算子提取边界,得到边界信息后,需要表征这些图像的边 界,对于每一个边界点,根据图像中该点的梯度方向计算出该边界点处法向量的方向角,将空间量化为M级, 计算每个边界点处法向量的方向角落在M级中的频率,这样便得到了边界方向直方图. 图像中像素的梯度向量可以表示为[ ( ,),),( ,),)] ,其中Gx( ,),),G ( ,),)可以用下面的

灰度图像边缘提取方法综述

内蒙古科技大学 本科毕业论文 题目:灰度图像边缘提取方法综述学生姓名: 学院:物理科学与技术学院 专业:应用物理学 学号:0809810054 班级:08级 指导教师: 二〇一二年 4 月

摘要 本文先介绍了一般边缘检测的步骤和灰度图像形态学的主要操作。着重讨论基于细胞神经网络的一般灰度图像的边缘提取和图像分割。先陈述了几种传统算法,并比较了各算法的优劣。通过例举介绍CNN 基本知识,详细描述了用CNN 提取图像边缘的过程,给出算法流程,阐述算法实现中的关键步骤。对二值图像和灰度图像,分别采用基于CNN 的算法和传统算子(prewitt、sobel、canny)进行边缘提取,给出提取效果图,定性比较两类算法在性能上的优劣。来直接的了解灰度图像边缘提取的方法。 关键字:灰度图像,边缘提取,分割,CNN算法,传统算子

Abstract This paper first introduces the general steps of gray image edge detection and morphology of the main operation. Focuses on the cellular neural network based general gray image edge extracting and image segmentation. Through the examples of introduction of basic knowledge of CNN, a detailed description of the CNN image edge extraction process, the algorithm process, the key step in the algorithm implementation. On two value image and the gray scale image, which are based on CNN algorithm and the traditional operator ( Prewitt, Sobel, canny ) edge extraction, given the extraction effect chart, qualitative comparison of two algorithms in performance on the quality of. To direct understanding of gray image edge extraction method. Keywords: image, edge detection, segmentation, CNN algorithm, the traditional operator

高分辨率遥感影像中建筑物3D信息的提取

基于Barista 软件的高分辨率遥感影像中建筑物3D 信息的提取* 张培峰1,2  胡远满 1**  贺红士 1,3 (1中国科学院沈阳应用生态研究所,沈阳110016;2 中国科学院研究生院,北京100049; 3 密苏里大学自然资源学院,美国 哥伦比亚65211) 摘 要 城市建筑物空间信息的获取对城市规划二环境保护等社会各行业越来越重要,高分辨率商业卫星的出现为提取建筑物3D 信息提供了可能性.本文基于Barista 软件,利用Quick?Bird 数据提取了建筑物的3D 信息并进行了精度验证.结果表明:基于Barista 软件从高分辨率卫星影像中提取建筑物3D 信息,具有专业水平要求低二普适性强二操作简单二精度高等优点;当数字高程模型(DEM )和传感器定位模型精度较高二影像偏天底角较理想时,3D 信息提取的水平定位精度和高度测量精度可达到1个像素水平.关键词 Barista 软件 高分辨率遥感影像 3D 信息提取 文章编号 1001-9332(2010)05-1190-06 中图分类号 Q149;TP75 文献标识码 A Extraction of buildings three?dimensional information from high?resolution satellite imagery based on Barista software.ZHANG Pei?feng 1,2,HU Yuan?man 1,HE Hong?shi 1,3(1Institute of Applied Ecology ,Chinese Academy of Sciences ,Shenyang 110016,China ;2Graduate University of Chinese Academy of Sciences ,Beijing 100049,China ;3School of Natural Resources University of Missouri ,Columbia 65211,USA ).?Chin.J.Appl.Ecol .,2010,21(5):1190-1195. Abstract :The demand for accurate and up?to?date spatial information of urban buildings is becom?ing more and more important for urban planning,environmental protection,and other vocations.Today’s commercial high?resolution satellite imagery offers the potential to extract the three?dimen?sional information of urban buildings.This paper extracted the three?dimensional information of ur?ban buildings from QuickBird imagery,and validated the precision of the extraction based on Baris?ta software.It was shown that the extraction of three?dimensional information of the buildings from high?resolution satellite imagery based on Barista software had the advantages of low professional level demand,powerful universality,simple operation,and high precision.One pixel level of point positioning and height determination accuracy could be achieved if the digital elevation model (DEM)and sensor orientation model had higher precision and the off?Nadir View Angle was rela?tively perfect. Key words :Barista software;high?resolution satellite imagery;three?dimensional information ex?traction. *中国科学院沈阳应用生态研究所知识创新工程项目(06LYQY1001)资助. **通讯作者.E?mail:Huym@https://www.360docs.net/doc/2f16085936.html, 2009?11?18收稿,2010?03?06接受. 城市3D 信息广泛应用于制图二城市规划与设计二城市污染控制二环境保护与建设二通信二交通二能源与财产管理二旅游二城市可视化二城市进程监测以及城市现代化管理[1-2],在城市噪声扩散二空气污染 分析和房地产税收评估等方面也具有一定的应用潜力[3].建筑物3D 信息的获取对城市规划者二地理学者二建筑设计者等非常重要.高分辨率卫星影像(high?resolution satellite imagery,HRSI)的出现使制图及建筑物3D 信息提取成为可能[4-5],从高分辨率影像中获取建筑物3D 信息已得到广泛应用. 目前,空间3D 信息的获取方法主要有航空摄 影测量二卫星遥测以及机载激光扫描(light detection and ranging,LiDAR)三大类[6].Ameri 等[7]应用平面屋顶结构自动提取了建筑物的3D 结构,从简单的 应用生态学报 2010年5月 第21卷 第5期 Chinese Journal of Applied Ecology,May 2010,21(5):1190-1195

图像边缘提取方法及展望

1引言 图像最基本的特征是边缘,边缘是图像性区域和另一个属性区域的交接处,是区域属性发生突变的地方,是图像中不确定性最大的地方,也是图像信息最集中的地方,图像的边缘包含着丰富的信息。因此,图像的边缘提取在计算机视觉系统的初级处理中具有关键作用,但目前仍是“瓶颈”问题。 边缘检测技术对于数字图像是非常重要的,提取出边缘才能将目标和背景区分开来。现有的图像边缘提取方法可以分为三大类:一类是基于某种固定的局部运算方法,如:微分法,拟合法等,它们属于经典的边缘提取方法;第二类则是以能量最小化为准则的全局提取方法,其特征是运用严格的数学方法对此问题进行分析,给出一维值代价函数作为最优提取依据,从全局最优的观点提取边缘,如松驰法,神经网络分析法等;第三类是以小波变换、数学形态学、分形理论等近年来发展起来的高新技术为代表的图像边缘提取方法,尤其是基于多尺度特性的小波变换提取图像边缘的方法是目前研究较多的课题。该文将较为详细地对各种图像边缘提取算法的原理进行阐述,对几种最常用的图像边缘提取算法给出实验结果,并进行结果对比与分析。 2经典的图像边缘提取方法 2.1微分算子法 边缘的检测可借助空域微分算子通过卷积完成,导数算子具有突出灰度变化的作用,对图像运用导数算子,灰度变化较大的点处算得的值较高,因此可将这些导数值作为相应点的边界强度,通过设置门限的方法,提取边界点集。 一阶导数 !f !x 与 !f !y 是最简单的导数算子,一个连续函数f(x,y)在位置(x,y)处方向导数的最大值是I G I=( !f !x )2+(!f !y )2 [I12,称为梯度模,相应地,取得最大值的方向为"=tan-1 !f !y !f !x T I I L T I I J 。 利用梯度模算子来检测边缘是一种很好的方法,它不仅具有位移不变性,还具有各向同性。在实际中,对于一幅数字图像采用了梯度模的近似形式,如常用的罗伯特交叉算子(Roberts Cross)和索贝尔算子(SobeI)的表达式分别为: Roberts算子表达式为: \G\=maX(I f(i,J)-f(i+1,J+1)I,I f(i+1,J)-f(i,J+1)I) SobeI算子表达式为: 121 000 -1-2- T I I L T I I J 1 10-1 20-2 10- T I I L T I I J 1 x方向卷积核y方向卷积核 图像边缘提取方法及展望 季虎孙即祥邵晓芳毛玲 (国防科技大学电子科学与工程学院,长沙410073) E-maiI:Iove63901@https://www.360docs.net/doc/2f16085936.html, 摘要该文对现有代表性的各种图像边缘提取方法进行了介绍,对比、分析了各自的优缺点,重点对以小波变换为代表的现代信号处理技术提取图像边缘的方法进行了分析和阐述,为了更清楚地看出各种算法的效果,给出了一些常用算法对同一幅标准测试图像Lena进行边缘提取的实验结果。最后,对图像边缘提取技术所面临的问题和发展方向阐述了自己的观点。 关键词边缘提取小波变换多尺度分析图像边缘检测 文章编号1002-8331-(2004)14-0070-04文献标识码a中图分类号TP391 The Algorithm for Image Edge Detection and Prospect Ji Hu Sun Jixiang Shao Xiaofang Mao Ling (SchooI of EIectronic and Engineering,NationaI University of Defense TechnoIogy,Changsha410073)Abstract:The representative aIgorithms in these days for image edge detection have been presented in this paper.after contrasting and anaIyzing the advantages and the disadvantages of every aIgorithm,we pIace an emphasis on anaIyzing and iIIuminating waveIet transform,which is one of the modern signaI processing technigues for image edge detection.in order to have a much cIearer Iook at the effect of every aIgorithm,we give the resuIts of the eXperiments in which the common aIgorithms are used to detect image edge of the same standard testing image Lena.at Iast,we bring forward our viewpoint about the probIems the image edge detection technoIogy is facing and where is its deveIopmentaI direction. Keywords:edge detection,waveIet transform,muItiscaIe anaIysis,image edge detection 作者简介:季虎(1972-),男,工程师,博士研究生,主要研究方向为计算机视觉、图像处理、模式识别。孙即祥(1946-),男,教授,博士生导师,现已出版专著三部,并正在撰写另外一部专著,已发表论文十数篇。主要感兴趣的研究方向为计算机视觉、图像处理、模式识别等。 70 2004.14计算机工程与应用

相关文档
最新文档