高分辨率卫星影像上地物线性特征的自动识别

图2 原始影像及高通处理结果
Fig. 2 Original image and high pass filtering results
28
遥 感 学 报
第7卷
体部分由规则排列的建筑物群组成 , 建筑物群之间 有道路分割 ,并有几块散落分布的水池和空地 。由 于受太阳光入射角度和地表物体自身反射特性的影 响 ,建筑物带有明显的阴影 ,且同一类型的建筑物也 表现出明显的灰度差异的特征 , 图中较大的一块空 地 ( 图的左上角) 上灰度分布明显具有不一致性 , 这 无疑给空地作为一个整体的特征处理带来了困难 , 因此 ,在影像处理过程中必须尽量减少这些差异所 带来的影响 。 213 高通滤波器 G ( s ) 的设计 在影像的频谱中 , 地物的边缘或突变部分往往 与高频部分有关 , 而背景或大面积同质区域与低频 部分有关 。高通滤波器可以抑制低频部分 , 从而突 出边界信息 。在离散化的数字影像中 , 是通过滤波 窗口与原图像的卷积来实现滤波过程 。窗口大小的 选择是影响滤波效果的一个至关重要的因素 。在这 里分别设计 3 个不同大小的高通滤波窗口 G1 ( 3 × 3 窗口) 、 G2 ( 5 × 5 窗口) 和 G3 ( 7 × 7 窗口) 用作对比实 验 ,各自定义为 : - 1 ( i , j ) ≠ ( 1 , 1) G1 ( i , j) = i , j ∈ [ 0 , 2 ] ( i , j ) = ( 1 , 1) 9
摘 要: 在高分辨率卫星影像上 ,地物的线性形状特征信息是丰富的 ,但同时 ,由于其过分细节化 ,再加上阴 影、 云层等干扰因素的影响 ,使得同一地物表现出不同的光谱亮度特征 。这无疑给相关的地物线性特征的检 测与提取带来了一定的复杂性 。本文提出基于多重滤波的方法 ,并根据图像的纹理排列特征 ,通过设计使用 一个高通滤波器和统计滤波器 ,来实现线性特征的自动检测与识别 。其中高通滤波器的主要功能是突出地物 的边界特征 ,统计滤波器则是消除高通滤波后的一些噪音 ,最后通过边缘检测与跟踪处理 ,得到描述地物线性 特征的矢量图层 。实验结果表明 ,这种方法显著提高了检测结果的精度 ,同时也表明了从高分辨率卫星影像 上自动提取矢量信息图层的可行性 ,为高分辨率卫星影像的进一步应用提供了相应的技术基础 。 关键词 : 多重滤波 ; 线性特征 ; 高分辨率卫星影像 中图分类号 : TP391. 41 文献标识码 : A
) ,北京大学遥感与地理信息系统研究所副教授 ,理学博士 。现任中国地理信息系统协会 GIS 工程专业委员会 作者简介 : 程承旗 (1961 —
主任 ,北京大学遥感与地理信息系统研究所副所长 。主要从事地理信息系统工程应用 、 国家信息基础设施 、 环境遥感方面的研究工作 , 已在相 关领域发表论文 20 余篇 。
第7卷 第1期
2003 年 1 月
遥 感 学 报 JOURNAL OF REMOTE SENSING
Vol. 7 , No. 1 Jan. , 2003
文章编号 : 100724619 (2003) 0120026205
高分辨率卫星影像上地物线性特征的自动识别
程承旗 ,马 廷
( 北京大学遥感与 GIS 研究所 , 北京 100871)
( 1) G2 ( i , j) = - 1 ( i , j ) ≠ ( 2 , 2) ( i , j ) = ( 2 , 2) ( i , j ) ≠ ( 3 , 3) ( i , j ) = ( 3 , 3)
因为窗口越大 ,损失原图像的信息也就越多 ,会使某 些目标物的细节丢失 。具体的选取要依据图像的特 点和处理的要求来决定 。由于地物的边缘或线性特 征检测的主要依据是边缘像素与背影像素的差异 , 在图 2 中 ,边缘像素是接近 255 的高灰度值部分 ,背 景部分则是接近 0 的低灰度值部分 , 其它的可以视 为干扰的噪音 。衡量一个高通滤波的效果主要是看 整个图像的像素在接近极值 ( 0 与 255) 处的分布比 例 ,定义一个比例因子 η:
1 引 言
随着高分辨率传感器技术的发展 , 大比例尺遥 感制图将成为其应用的一个热点 [1 ] 。在高分辨率卫 星影像上 ,包含着大量的地表物体的形状结构与纹 理信息 ,这些信息同时也构成了遥感制图的基本要 素 。因此 ,地物形状与结构信息的提取成为了高分 辨率传感器下遥感制图与应用的首要问题 。 一般来说 , 从影像上提取目标物的线性结构特 征主要是采用影像增强与边缘检测的方法 ,然而 ,高 分辨率卫星影像的自身特点与遥感制图目标的要求 迫使对一般方法进行必要的改进或提出新的处理方 法 ,这主要是因为 : ( 1) 高分辨率卫星影像相对于地理尺度来说是 高度细节化的 , 其空间分辨率达到了 10 m 以内 , 由 于双向反射率因子 ( BRDF) 的影响 ,同一目标物的不 同部分表现出不同的灰度空间特征 。在做常规的边 缘检测与细化跟踪时 , 同一目标物往往被分割成不 同的斑块区域 ,有时甚至会出现噪音化的结果 ,这显 然不符合遥感制图的要求 ; ( 2) 由于云和其它一些遮蔽物的作用 , 再加上
收稿日期 : 2001205223 ; 修订日期 : 2001207230 基金项目 : 国家 863 重点项目支持 ( 项目编号 G2001AA136030) 。
某些地物自身阴影部分的影响 , 使得影像上某个具 有单一灰度特征的部分内出现了异质性的区域 , 如 果用一般的方法进行边缘的检测 , 这些区域将会被 作为一个单独的个体提取出来 ,因此 ,在处理的过程 中 ,必须把这些异质性的区域消除 ; (3) 地理空间过程是尺度依赖的 [1 ] , 在遥感制 图上 ,也要遵守和体现这个规律 。对于相对较小的 比例尺 ,必须隐藏某些目标物的特征 ,而在相对较大 的比例尺上 ,又必须表现这些特征 。可以说 ,随着比 例尺的不同 ,遥感制图有着明显的分形特征 ,现有的 边缘处理方法还很难体现这一过程 。 为了克服上述的限制 , 许多学者做了相应的研 究 ,提出了各种解决的方法 ,如 I. Gracia 等提出了基 于三联窗口 ( Triptych Window) 的非线性滤波器的线 性特征检测方法 ,该方法主要考虑了 ( 1) 和 ( 3) 的限 制 ,并 保 留 了 线 状 地 物 ( 如 道 路 、 桥 梁 等) 宽 度 特 [2 ] 征 ;J . Le Moigne 等提出了基于分割 ( Segmentation) 的处理方法 ,将具有同一灰度空间特征的邻近像素 合并为一个较大的像素块 ,再以像素块为基本单位 , 进行下一步的处理 , 这主要是考虑了 ( 2) 和 ( 3) 的限 制 [3 ] ; P. Radeva 等提出了基于测量学的全局分割方
第1期
程承旗等 : 高分辨率卫星影像上地物线性特征的自动识别
27
法 ( Global Segmentation) ,用来检测道路网 、 水系等线 性网的结构 [4 ] 。本文借鉴前人研究的经验 , 提出了 基于多重滤波的地物线性特征的检测与识别方法 , 下面将结合具体的影像处理过程进行详细的途述 。
0 . 513 , 说明在本例中 7 ×7 高通滤波的效果是最好
的。
214 统计滤波器 M ( s ) 的设计 图 2 ( d) 虽说较好地突出了目标物的线性特征 ,
24
- 1
i , j ∈ [ 0 , 4 ]
( 2)
但噪音的影响仍然比较严重 , 本文将通过一个统计 i , j ∈ [ 0 , 7 ]
2 方法描述
211 基本方法
对于连续的输入影像 f M ×N ( t ) , 设其频域空间 函数为 F ( s ) 。首先对 F ( s ) 进行高通滤波处理 , 使 影像上的边界部分得到初步的锐化 , 但此时的影像 仍然是散乱和模糊的 , 为了消除这种情况 , 在此设计 一个统计滤波器 , 它的作用主要是对区域内部进行 细小斑块的合并和噪音化结果的消除 , 突出区域的 完整性 。滤波后的结果图像 s ( t ) 可描述为 s ( t ) = ζ- 1 ( F ( s ) g ( s ) m ( s ) ) , 其中 g ( s ) 与 m ( s ) 分别为频 率域的高通滤波函数和统计的滤波函数 ,ζ- 1 代表 傅氏逆变换 。最后 , 对 s ( t ) 进行矢量化的跟踪 , 从 而提取目标的线性特征 ,这个过程可由图 1 所示 。 212 实验影像的选取 在 IK ONOS21 的全色波段影像上选取一块正方
( 3)
G3 ( i , j) =
48
滤波器来消除这种情况 。统计滤波器属于非线性滤 波器的一种 ,虽然其理论背景并不十分清楚明了 ,但 在某些问题上 ,能得到比线性滤波器更加优化的结 果 [5 ] 。具体的算法可以描述为 : 对于图像上的任意 一个 7 × 7 大小的窗口 ,先将窗口内的点按灰度值的 大小进行升序排列 , 求出整个像素的分布曲线 。设
Δ τ
255
η=
Δ τ
i =0
∑
ai + A
τ i = 255 - Δ
∑a
i
( 4)
其中
i =0
∑a
i
为图像中灰度值分布在接近 0 值处的像
255
素的个数 ,
τ i = 255 - Δ
∑a
i
为分布在接近 255 处像素的个
τ为一个较小的整数 , 它控制了这两个分布区 数 ,Δ 间的大小 , A 为整个影像像素个数 。 一般来说 ,η 值 越大 , 边缘与背景像素所占地比例越大 , 其高通滤波 的效果就越好 。 对于图 2 中的 ( b) , ( c) , ( d) 三幅影 τ = 10 , 则 η 像 ,取 Δ a = 0 . 328 ,η b = 0 . 320 ,η c =
进行扫描 , 计算该步长内所有分布点的个数 N m , 最 后比较求出 N m 的最大值 N max , 并在分布曲线上得 到对应的分布区间 , 最后以该区间内所有像素点的 灰度加权平均值代替整个窗口像素的灰度值 。用此 方法对图 2 ( d) 进行处理后 , 得到结果图像 ( 图 3 ) 。 从中可以看出 , 统计滤波后的图像 , 噪音明显减少 , 灰度分布更加集中和平滑 , 下面将在此结果上进行 边缘的检测处理 。
图1 基于多重滤波的影像处理过程
Fig. 1 The procedure of image processing based on multi2filtering
形的子区域作为实验影像 ( 如图 2 ( a) ) ,大小为676 × 676 像素单位 ,空间分辨率为 1 m , 图像的分辨率为 100 × 100dpi ,灰度范围为 0 — 255 , 成像时间 20002082 - 6 14 , 成像波段 0. 5 × 10 — 0. 9 × 10 Hale Waihona Puke Baidu 6 m 。影 像 的 主
m 为滑动步长 , 令 m 从 0 开始 , 对像素的分布曲线
利用上面三个滤波函数分别与原始影像进行卷积运 算 ,结果图像如图 2 的 ( b) , ( c) , ( d) 所示 。 分析一下结果影像可以看出 , ( b) ( 即 3 × 3 高通 滤波) 的效果并不好 ,只是对原图像进行了部分的增 强 ,还没有实现区域化的效果 ,不能用作下一步的处 理 。( c) ( 即 5 ×5 高通滤波 ) 的效果有了明显的改 善 ,目标地物的大致轮廓被刻画出来 ,但是在单一区 域的内部 ,仍然是模糊的 ,特别是对于空闲地块的内 部 ,这种影响更加突出 。 ( d) ( 7 × 7 高通 ) 的效果要 强于 ( c) ,边界的特征更加突出 , 区域内部的模糊度 减少 ,因此选择 ( d) 图像做下一步的处理 。由于滤波 窗口的不同 ,对高分辩率影像进行高通滤波的结果 有着明显的区别 , 这是由于它的空间分辩率过高所 引起的 ,也就是本文开头部分所阐述的 ( 1) 的限制 。 因此 ,在对高分辨率的卫星影像进行高通滤波时 ,尽 量选用较大的滤波窗口 ,但也不是越大效果就越好 ,