第27卷 第12期
文章编号:1006-9348(2010) 12-0254-04
计 算 机 仿 真
2010年12月
基于对象建模的遥感影像建筑物提取方法
王世伟, 方 涛
(上海交通大学图像处理与模式识别研究所, 上海200240)
摘要:研究城镇建筑物的提取是遥感影像分析应用中的一项重要内容。遥感影像建筑物结构和光谱的多样性, 使结构、光谱等特征的建筑物提取变得极其复杂。根据遥感影像的建筑物纹理区别于其它空间对象纹理的特点, 为提高影像分辨率, 提出Gabor 纹理块的遥感影像对象模型方法应用于遥感影像城镇建筑物的提取。以整个城镇为对象, 以建筑物、道路、绿地等不同城镇区域为组成对象的纹理块, 建立基于纹理块的对象模型, 利用模型进行遥感影像对象的纹理标定, 最终提取出城镇建筑物。实验结果表明方法克服了建筑物结构复杂性和多样性以及背景环境的影响, 能很好地从城镇遥感影像中提取建筑物。
关键词:纹理块; 遥感影像; 对象模型; 建筑物提取中图分类号:TP391 文献标识码:B
A Buildi ng E xtracti on M ethod Based on
ObjectM odeli ng i n Re m ote Sensi ng I m age
WANG Sh i-w ei, FANG Tao
(Instit ute o f I m age P rocessi ng &Pa ttern R ecogniti on , Shanghai Jiao T ong U niversity , Shangha i 200240, Chi na) AB STRACT :U rban bu ildi ngs ex tracti on i s an i m portant part of re m ote sensing i m age process i ng .
It is diffi cult to
ex tract urban bu il d i ngs i n re m ote sensi ng i m age usi ng structura l and spectral f ea t ures because o f divers it y o f structure and spec tru m o f bu il d i ng s . T his paper app lies ob jec tm ode lm et hod based on G abor texture mo tifs to extract bu il d i ngs fro m urban , as tex ture o f bu il d i ng s is a l w ay s different from that of o t her ob j ec ts of urban i n re m ote sensi ng i m ag e . It takes the who l e urban as an ob j ect , takes bu ildi ngs , roads and vegeta ti on as tex t ure m o tifs o f the mode, l buil ds the ob j ect m ode lw it h unsuperv ised m et hod , spec ifies texture labe l of each pixe l i n re m o te sensi ng object , and ex tracts buildings fro m urban . T he resu lt sho w s tha t it avo ids the a ffect o f structure co m plex ity and diversity and comp licated background of buildings , and extracts bu il d i ng s from u rban i n re m ote sensed i m age effectively . K EY W ORDS :T exture M otifs ; R e m ote Sensed I m age ; O bjectM ode ; l Bu ildi ng Ex tracti on
目前大多数建筑物提取方法的研究集中于边缘检测、线
1 引言
建筑物、机场、道路等目标对象的提取是近年来遥感影像研究中的一个重要方向。虽然高分辨率遥感影像中包含了观察对象的光谱、纹理、结构等丰富的细节信息, 然而, 高分辨率遥感影像的数据量大、对象结构多样、方向不确定等特点使得目标对象的提取变得十分困难。其中, 建筑物复杂而多样的结构和背景信息使高分辨率遥感影像中的建筑物提取变得重要而富有挑战。
基金项目:国家重点研究基础规划(2006CB701303); 国家高技术研究发展计划(2006AA12Z105)
收稿日期:2009-10-21 修回日期:2009-11-09
检测、建筑物多边形的生成, 以及基于DS M s [1]的方法等的一些方法。特别是近年来光谱反射值在建筑物分割提取[2]中的应用, 基于D S M s 与其他数据源以及信息的结合的建筑物提取方法的提出, 使得建筑物的提取方法变得多种多样。然而这些方法往往都着眼于建筑物本身的相对稳定的结构和光谱等的局部信息, 而当面对结构复杂多样的建筑物以及内容复杂的背景环境时, 这些建筑物提取的方法都很难取得理想的效果。
本文利用S itaram Bhagavathy [3]提出的基于G abor 纹理块的对象建模方法对整个城镇影像进行对象建模来实现建筑物的提取。该方法将整个城镇对象看作一个空间对象, 建筑物作为组成空间对象的一个重要部分, 利用无监督学习的方
法实现对象的建模, 再利用对象模型进行城镇对象的纹理标定, 最终利用标定的纹理提取出城镇建筑物。由于本方法主要考虑建筑物及其周围对象的纹理信息并将整个城镇看作一个整体进行分析, 忽略了建筑物的具体形状和光谱等方面的细节信息, 从而避免了复杂的建筑结构和背景信息对建筑物提取的影响。
与其他建筑物提取方法相比, 对象建模方法对建筑物结构和光谱的变化具有更好的鲁棒性, 并对建筑物周围环境的变化有较强的适应性。实验结果表明该方法能很好地将城镇建筑物从组成复杂的城镇遥感影像中提取出来。
个分解层次上的精确描述信息, 形成有效的特征矢量。
用一组选定了尺度和方向参数的G abo r 滤波器对图像进行滤波可以实现图像的G abo r 纹理分析、G abor 纹理特征提取等。二维G abor 函数g (x, y ) 滤波器的构建如下式:
11x 2y 2
g (x, y ) =() -(+) +2P j W x (1)
2PR x y 2R x 2R 2
y
其傅氏变换如下:
G (u , v ) =-12
(u -W ) 2v 2
+u (2)
其中, R u =1/2PR x , R v =1/2PR y 。
令g (x, y ) 为母小波, 可以通过如下生成函数对其进行膨胀、旋转获得一组G abo r 小波, 即
g rs (x, y ) =a -s g (x c , y c )
(3)
其中, x c =a -s (x cos H +y si n H ), a >1, y c =a -s (-x si n H +y cos H ), r I 1,. .. , R, H =(r -1) P /R,s I 0, .. . , S -1。r
和s 分别表示滤波器的方向和尺度参数, R 表示滤波器组中总的方向数, S 示滤波器组中总的尺度数。尺度因子a -s 用以确保能量与尺度参数无关。
2 建筑物纹理特征提取
随着遥感影像分辨率的不断提高, 遥感影像中所包含的有用数据和信息变得越来越多, 基于光谱、纹理和形状等信息的遥感影像特征提取方法逐渐丰富起来。光谱特征是图像中目标物的颜色及灰度或者波段间的亮度比等; 纹理特征反映了图像灰度的性质及其空间关系; 形状特征反映了图像中物体表面的结构变化。由于城市建筑物颜色的变化多样, 利用光谱特征可能会出现同物异谱和同谱异物问题[4], 形状特征也因建筑物多样的形状而变得不是很适用。因此, 本文用纹理特征来提取遥感影像中的建筑物。
纹理特征是遥感影像处理中一种十分重要的特征, 在图像分割、目标识别、变化检测等遥感影像处理的各个方面具有重要意义。与其它图像特征相比, 纹理特征具有不依赖于物体表面的亮度和色调、反映图像灰度空间分布和变化关系等特征。目前, 常用的纹理特征有灰度共生矩阵、灰度游程矩阵、灰度差分矩阵、灰度梯度共生矩阵、局部二值模式、G a -bor 纹理特征、马尔可夫随机场模型等, 这些方法应用于遥感影像处理的各个方面。
基于G abo r 函数的纹理分析方法是信号处理方法中的一种。G abo r 函数能使其空域和频域间的联合不确定性达到最小[5]的数学特性, 以及二维G abo r 小波变换能较好地描述生物视觉神经元的感受野问题
[6]
图1 G abo r 滤波器组
用一个S 尺度和R 方向的G abor 滤波器组对一幅图像进行滤波得到RS 幅输出图像。它们可以看作是一幅在每个像素位置是一个RS 维向量的输出图像, 这就是基于像素的G abo r 图像纹理描述。
本文就是用这种基于像素的低层纹理特征来初步描述城镇影像中的各对象, 对这些低层次特征进行无监督学习最终得到由建筑物等各种对象所描述的城镇对象模型, 进而提取建筑物。
, 并能根据特定的视觉需要
相应地调整它的空间与频率特性的特点, 使G abor 滤波方法成为一种重要的纹理分析方法, 在纹理分析、图像分割、图像识别、图像检索等领域得到了广泛应用。G abor 纹理的主要特点可概括如下[7]:
1) G abo r 变换最符合人类的视觉机理。现行神经元的一个突出特征是按对称形式成正交相位对, 邻近的简单细胞具有响应相同空间位置和方向相差90的感受野, 这一对神经元感受野之间的正交相位关系可以用G abor 滤波器的实部和虚部来实现;
2) G abo r 变换已被证明在2-D 测量不准确的情况下, 对信号空间域和频率域的最佳描述。这些滤波器可以当作方向和尺度都可以变化的边缘和直线检测器, 实现对纹理特征的精细分析和提取;
3) G abo r 变换可将图像分解为一系列频道, 充分利用各
3 纹理块对象模型的建筑物提取
随着遥感影像成像技术的不断成熟, 分辨率的不断提高, 遥感影像分析中所要处理的数据量越来越大。虽然数据中包含的信息越来越丰富, 但是普通的光谱、纹理、形状等的图像特征提取方法却越来越难以应付遥感影像的庞大数据量, 基于空间对象的遥感影像处理更是变得十分复杂。
遥感影像空间对象往往由几种特定纹理组成, 可以把这些纹理区域看作纹理块。具体说, 纹理块是遥感影像中同类对象的不同实例间共有的一种有代表性的空间模式, 它在对象类的不同实例间具有位置和方向的不确定性。如图2所
用最大期望算法(E M ) [8]处理无标记训练样本集来估计高斯混合模型的参数, E M 算法的初值由k-均值聚类算法来提供。模型训练结束, 确定了对象模型的参数后, 就可以通过MA P 分类器来实现遥感影像中各像素所属的纹理块标记。M AP 分类器的实现如下:
m =argm ax P (j |x )
1[i [J
(7)
其中, m 为纹理块标记, x 为像素对应G abor 特征向量。
此模型具有不需要事先经过预处理过程(如分割) 、学习过程是完全自动的(只需要无标记训练样本, 无需对样本进行标注) 、模型是固定的(对象类型间的差别仅在于模型参数的差异) 等优点[9]。3. 2 建筑物提取
在完成式(1) 中对象建模过程后, 利用所得到的城镇模
图2 港口对象
型处理测试图片, 进行纹理标定, 结合纹理标定与原始图像确定对应城镇建筑物的纹理块b , 最终提取出建筑物。
示的港口对象的遥感影像图片, 港口对象的纹理明显分成水体、船只和码头等几部分。精确地描述这些纹理块可以大大简化对象的识别, 克服普通的纹理描述方法必须要面临的高维纹理特征空间和庞大的数据量问题。
对于遥感影像建筑物的提取, 可以将整个城镇看作一个对象, 用高斯分布处理G abo r 滤波器提取的低层次纹理特征来实现对象特定纹理块的统计描述, 再用一个高斯混合模型来对所有纹理块建模, 接着取得由纹理块的整体所描述的地球空间对象模型, 然后通过所建立的对象模型处理城镇影像对其进行纹理标定, 最终提取出特定纹理所表示的建筑物。3. 1 模型描述
根据2节中方法提取出G abo r 纹理特征后, 用一个高斯混合模型描述这些特征分布, 从而得到由纹理块所描述的遥感影像城镇对象模型。模型参数通过无监督学习方法处理未标记训练样本来估计。
用G abor 滤波器组处理遥感影像, 每个像素位置得到一个RS 维的特征向量x 。假定某纹理块j 的特征在特征向量空间中服从高斯分布, 则特征向量x 关于给定纹理块的条件概率为:
p (x |j ) =L j ) )
1
(2P )
d /2
图3 建筑物提取流程
G abo r 纹理特征提取、城镇对象建模、对象纹理块标定和建筑物提取的过程如图3的流程图所示。
设一类城镇对象的训练集S 定义为:S ={s 1, s 2,. .. , s n },其中s i (1[i [n ) 为一个样本实例, 即一幅指定类别城镇对象的遥感影像图片。从纹理特征提取、模型建立、纹理标定到建筑物提取的总的过程为:
1) 对样本训练集S 中的每一个样本s i , 利用G abor 滤波器组提取其纹理特征;
2) 指定城镇对象模型的纹理块数J , 以确定模型的规模;
3) 用2节提供的方法对训练集样本进行无监督学习, 得到对象类的统计模型H ;
4) 由3) 中得到的模型和M A P 分类器处理实例对象, 生成对象的带标号m 的纹理块。这些特定标号共同组成了城镇对象模型;
5) 确定建筑物所对应的纹理块标号b , 利用4) 中得到的城镇对象模型处理原图像, 提取出纹理块b 所对应的建筑物区域;
6) 利用中值滤波算法对所得到的建筑物区域进行处理, 最终提取出遥感影像中的建筑物。
在对象模型的建立过程中, 模型阶数的选择对提取结果极其重要。本文中对象模型阶是通过分析对象本身结构的先验知识的来确定的。另外, 也可用文献[10]中也提到了一
1/2j
exp (-
1
(x -L j ) T 2
E
j
(x -(4)
纹理块j 的概率密度函数是由参数(L j , E j ) 确定的, 其中L j 为均值向量, E j 为协方差矩阵。因此, 城镇对象模型中所有的J 个纹理块的分布可以看作一个高斯混合模型。这样, 向量x 的分布函数可表示为一个如下的混合分布:
p (x ) =
J
E P (j) p (x |
j=1
j) (5)
其中, p (x |j ) 是特征x 相对于纹理块j 的条件概率, 是纹理块j 的先验概率。J 个纹理块整体的模型可以用如下参数描述:
H =
H j =(P(j ), L j ,
E
j
) |j =1,. .. , J (6)
这就是一个特定空间对象的统计模型。
种模型阶数确定的方法。对照5和图4中的原始图像, 纹理标定区域的红色部分为建筑物区域。用纹理标定图像建立城镇图像中建筑物的掩码文件, 以此处理原始图像, 得到如图6为所示的建筑物。
由于图5中的纹理标定是以像素为单位进行的, 所有导致图6中所提取的建筑物照片中有一些噪声。利用中值滤波器对图6所得到图片进行中值滤波, 最终得到如图7所示
的建筑物图片。
4 实验结果
实验采用上海附近城镇的遥感影像图片为研究对象进行建筑物的提取。选取图像数据集中的10幅图片作为训练集样本, 1幅作为测试样本, 所采用的样本图像分辨率均为256@256。
实验中进行纹理特征提取时所选用的G abo r 滤波器组的阶数为3, 方向数为4, 纹理块对象模型的阶数为3。
实验中所采用的测试图片如下图4
所示。
图6 提取到的建筑物1
从图7的实验结果中可以发现, 基于纹理块对象模型的
图4 城镇图片
建筑物提取方法能很好地提取高分辨率遥感影像中的各种建筑物,
不会受到建筑物形状和方面变化的影响。
按照312节中的流程处理训练样本得到城镇对象模型后, 利用模型对图5中的城镇图片进行处理。得到如图5所示的纹理标定结果图和如图6所示的建
筑物提取结果。
图7 提取到的建筑物2
如表1所示, 实验共有目标建筑物目标66个, 漏提取目标3个, 错提取目标6个, 目标提取正确率为8914%, 错误率
图5 纹理标定
为1016%, 错提取的对象主要(下转第311页)
恒压充电, 满足电动汽车充电的性能要求。而且该方案控制结构明晰, 可以容易地应用于工程实践中, 具有实际应用价值。参考文献:
[1] Chao Zeyun, Xu Zh i xi n, Zhong H eqing . A based on DSP digit a l
con trolled h igh s w itching frequ ency and con stant chargi ng cu rrent s yste m [J].I EEE , 0-7803-7978-0/03.
[2] 秦海鸿, 任华, 朱军卫, 王慧贞. PFC 与P WM 控制器符合芯片
M L4824及其应用研究[J].电源技术应用, 2002, (11). [3] M arty B ro w n, 徐德鸿, 等译. 开关电源设计指南(第2版)
[M].北京:机械工业出版社, 2004.
[4] 王跃林, 申群太. 基于DSP 数字控制的Boost-PFC 系统的设
计[J].通信电源技术, 2007, (6).
[5] 王萍, 辛爱芹, 邹宇. 高性能模糊PI D 控制DC /DC变换器[J].
电力电子技术, 2007, (8).
[6] 周福星, 谢运祥. 基于d s PI C 的数字控制PFC 研究[J].通信
电源技术, 2009, (
1).
[作者简介]
徐 伟(1985-), 男(满族), 重庆人, 硕士研究
生, 主要研究领域为电动汽车车载充电系统。
刘和平(1957-), 男(汉族), 重庆人, 教授, 博士
研究生导师, 主要研究领域为电动汽车、交流调速。
任 发(1985-), 男(汉族), 山西人, 硕士研究
生, 主要研究领域为电动汽车充电器。
(上接第257页)
是纹理与建筑物极其相似的植被, 漏提取的部分噪声较为严重且建筑物与周围环境融为一体, 纹理特征不明显。
表1 目标提取结果
实际目标数目66
漏提取目标数目
3
错提取目标数目
6
正确提取目标数目
59
正确率8914%
on Geoscience and Re m ote S ensi ng , 2006, 44(12):3706-3715.
[4] 杨玉静, 冯建辉. 纹理特征提取及辅助遥感影像分类技术研究
[J].海洋测绘, 2008, 28(4):37-40.
[5] J Daugman . C o m plet e D iscrete 2D Gabor Transfor m byN eura lN e-t
w ork s f or I m age Analys i s and C o m pressi on[J].IEEE Transaction on Acousti cs , S peec h, -1179.
[6] S M arcelja . M athe m atical Descri p ti on of the Res pon s es of S i m p le
C orti ca lC ells [J ].
Journal of The Op tical S ociety of Am eri ca ,
1980, 70(11):1297-1300.
[7] 胡杨, 周焰. 基于Gabor 滤波器的遥感图像纹理查询方法[J].
计算机工程, 2007, 33(7):175-177.
[8] A P De m pster , N M L ai rd, D B Rub i n. M ax i m um L i k eli hood E st-i
m ati on fro m Inco mp lete Data vi a t he EM A l gori thm [J].Journal of the Royal S tati s tical Soci et y , 1997, 39(1):1-38.
[9] Bhagavat hy , S Ne w sa m, S M an j unath . M odeli ng Ob j ectC lasses i n
Aeri al I m ages U si ng TextureM otif s[C ].Quebec , C anad a :I CPR , 2002, 16:981-984.
[10] A P De m pster , N M Laird , D B Rub i n . M ax i m um L i keli hood Es -ti m ati on fro m Inco m p l ete Data vi a t h e EM A l gori thm [J].Journal of the Royal S t ati sti cal Societ y , 1977, 39(1):1-
38.
and S ignal Process i ng , 1988, 36:1169
实验结果表明, 基于G abo r 纹理块对象建模方法能够很好地提取高分辨率遥感影像中城镇建筑物, 而不受建筑物形状和方向以及环境的影响。实验不仅克服了建筑物结构和环境的多样性影响, 成功提取了建筑物, 还取得了较高的提取正确率, 证明本方法具有较好的可行性。
5 结束语
本文将遥感影像中的整个城镇作为一个空间对象, 将城镇建筑物作为组成空间对象的某种纹理块, 利用无监督学习方法构建基于G abor 纹理块的城镇对象模型, 利用模型纹理标定最终提取城镇建筑物, 克服了建筑物结构复杂性和多样性, 以及背景环境的对建筑物提取所造成的影响。参考文献:
[1] A l hart hy , Ja m es B ethe. l H euristic Fil teri ng and 3D Feat u re Ex -traction from L I DAR Data[C ].G raz , ustri a :ISPRS , 2002, 34:29-34.
[2] D S Lee , J Shan, J S B ethe. l C l ass-gu i ded Bu il d i ng Extraction
fro m I KONOS I m agery [J].Photogra mm etri c Eng i neeri ng and Re -mote Sen si ng , 2003, 69(2):143-150.
[3] Sti ara m Bhagavat hy , B S M an j unath . M od eli ng and Detecti on of
GeospatialOb j ects U s i ng TextureM otifs[J].IEEE Tran sacti ons
[作者简介]
王世伟(1984-), 男(汉族), 山东临朐人, 硕士研
究生, 主要研究领域为遥感影像信息智能解译。
方 涛(1965-), 男(汉族), 四川成都人, 教授,
博士生导师, 主要研究领域为遥感影像解译、遥感与地理信息系统集成、图像处理与模式识别、计算
机视觉等。
第27卷 第12期
文章编号:1006-9348(2010) 12-0254-04
计 算 机 仿 真
2010年12月
基于对象建模的遥感影像建筑物提取方法
王世伟, 方 涛
(上海交通大学图像处理与模式识别研究所, 上海200240)
摘要:研究城镇建筑物的提取是遥感影像分析应用中的一项重要内容。遥感影像建筑物结构和光谱的多样性, 使结构、光谱等特征的建筑物提取变得极其复杂。根据遥感影像的建筑物纹理区别于其它空间对象纹理的特点, 为提高影像分辨率, 提出Gabor 纹理块的遥感影像对象模型方法应用于遥感影像城镇建筑物的提取。以整个城镇为对象, 以建筑物、道路、绿地等不同城镇区域为组成对象的纹理块, 建立基于纹理块的对象模型, 利用模型进行遥感影像对象的纹理标定, 最终提取出城镇建筑物。实验结果表明方法克服了建筑物结构复杂性和多样性以及背景环境的影响, 能很好地从城镇遥感影像中提取建筑物。
关键词:纹理块; 遥感影像; 对象模型; 建筑物提取中图分类号:TP391 文献标识码:B
A Buildi ng E xtracti on M ethod Based on
ObjectM odeli ng i n Re m ote Sensi ng I m age
WANG Sh i-w ei, FANG Tao
(Instit ute o f I m age P rocessi ng &Pa ttern R ecogniti on , Shanghai Jiao T ong U niversity , Shangha i 200240, Chi na) AB STRACT :U rban bu ildi ngs ex tracti on i s an i m portant part of re m ote sensing i m age process i ng .
It is diffi cult to
ex tract urban bu il d i ngs i n re m ote sensi ng i m age usi ng structura l and spectral f ea t ures because o f divers it y o f structure and spec tru m o f bu il d i ng s . T his paper app lies ob jec tm ode lm et hod based on G abor texture mo tifs to extract bu il d i ngs fro m urban , as tex ture o f bu il d i ng s is a l w ay s different from that of o t her ob j ec ts of urban i n re m ote sensi ng i m ag e . It takes the who l e urban as an ob j ect , takes bu ildi ngs , roads and vegeta ti on as tex t ure m o tifs o f the mode, l buil ds the ob j ect m ode lw it h unsuperv ised m et hod , spec ifies texture labe l of each pixe l i n re m o te sensi ng object , and ex tracts buildings fro m urban . T he resu lt sho w s tha t it avo ids the a ffect o f structure co m plex ity and diversity and comp licated background of buildings , and extracts bu il d i ng s from u rban i n re m ote sensed i m age effectively . K EY W ORDS :T exture M otifs ; R e m ote Sensed I m age ; O bjectM ode ; l Bu ildi ng Ex tracti on
目前大多数建筑物提取方法的研究集中于边缘检测、线
1 引言
建筑物、机场、道路等目标对象的提取是近年来遥感影像研究中的一个重要方向。虽然高分辨率遥感影像中包含了观察对象的光谱、纹理、结构等丰富的细节信息, 然而, 高分辨率遥感影像的数据量大、对象结构多样、方向不确定等特点使得目标对象的提取变得十分困难。其中, 建筑物复杂而多样的结构和背景信息使高分辨率遥感影像中的建筑物提取变得重要而富有挑战。
基金项目:国家重点研究基础规划(2006CB701303); 国家高技术研究发展计划(2006AA12Z105)
收稿日期:2009-10-21 修回日期:2009-11-09
检测、建筑物多边形的生成, 以及基于DS M s [1]的方法等的一些方法。特别是近年来光谱反射值在建筑物分割提取[2]中的应用, 基于D S M s 与其他数据源以及信息的结合的建筑物提取方法的提出, 使得建筑物的提取方法变得多种多样。然而这些方法往往都着眼于建筑物本身的相对稳定的结构和光谱等的局部信息, 而当面对结构复杂多样的建筑物以及内容复杂的背景环境时, 这些建筑物提取的方法都很难取得理想的效果。
本文利用S itaram Bhagavathy [3]提出的基于G abor 纹理块的对象建模方法对整个城镇影像进行对象建模来实现建筑物的提取。该方法将整个城镇对象看作一个空间对象, 建筑物作为组成空间对象的一个重要部分, 利用无监督学习的方
法实现对象的建模, 再利用对象模型进行城镇对象的纹理标定, 最终利用标定的纹理提取出城镇建筑物。由于本方法主要考虑建筑物及其周围对象的纹理信息并将整个城镇看作一个整体进行分析, 忽略了建筑物的具体形状和光谱等方面的细节信息, 从而避免了复杂的建筑结构和背景信息对建筑物提取的影响。
与其他建筑物提取方法相比, 对象建模方法对建筑物结构和光谱的变化具有更好的鲁棒性, 并对建筑物周围环境的变化有较强的适应性。实验结果表明该方法能很好地将城镇建筑物从组成复杂的城镇遥感影像中提取出来。
个分解层次上的精确描述信息, 形成有效的特征矢量。
用一组选定了尺度和方向参数的G abo r 滤波器对图像进行滤波可以实现图像的G abo r 纹理分析、G abor 纹理特征提取等。二维G abor 函数g (x, y ) 滤波器的构建如下式:
11x 2y 2
g (x, y ) =() -(+) +2P j W x (1)
2PR x y 2R x 2R 2
y
其傅氏变换如下:
G (u , v ) =-12
(u -W ) 2v 2
+u (2)
其中, R u =1/2PR x , R v =1/2PR y 。
令g (x, y ) 为母小波, 可以通过如下生成函数对其进行膨胀、旋转获得一组G abo r 小波, 即
g rs (x, y ) =a -s g (x c , y c )
(3)
其中, x c =a -s (x cos H +y si n H ), a >1, y c =a -s (-x si n H +y cos H ), r I 1,. .. , R, H =(r -1) P /R,s I 0, .. . , S -1。r
和s 分别表示滤波器的方向和尺度参数, R 表示滤波器组中总的方向数, S 示滤波器组中总的尺度数。尺度因子a -s 用以确保能量与尺度参数无关。
2 建筑物纹理特征提取
随着遥感影像分辨率的不断提高, 遥感影像中所包含的有用数据和信息变得越来越多, 基于光谱、纹理和形状等信息的遥感影像特征提取方法逐渐丰富起来。光谱特征是图像中目标物的颜色及灰度或者波段间的亮度比等; 纹理特征反映了图像灰度的性质及其空间关系; 形状特征反映了图像中物体表面的结构变化。由于城市建筑物颜色的变化多样, 利用光谱特征可能会出现同物异谱和同谱异物问题[4], 形状特征也因建筑物多样的形状而变得不是很适用。因此, 本文用纹理特征来提取遥感影像中的建筑物。
纹理特征是遥感影像处理中一种十分重要的特征, 在图像分割、目标识别、变化检测等遥感影像处理的各个方面具有重要意义。与其它图像特征相比, 纹理特征具有不依赖于物体表面的亮度和色调、反映图像灰度空间分布和变化关系等特征。目前, 常用的纹理特征有灰度共生矩阵、灰度游程矩阵、灰度差分矩阵、灰度梯度共生矩阵、局部二值模式、G a -bor 纹理特征、马尔可夫随机场模型等, 这些方法应用于遥感影像处理的各个方面。
基于G abo r 函数的纹理分析方法是信号处理方法中的一种。G abo r 函数能使其空域和频域间的联合不确定性达到最小[5]的数学特性, 以及二维G abo r 小波变换能较好地描述生物视觉神经元的感受野问题
[6]
图1 G abo r 滤波器组
用一个S 尺度和R 方向的G abor 滤波器组对一幅图像进行滤波得到RS 幅输出图像。它们可以看作是一幅在每个像素位置是一个RS 维向量的输出图像, 这就是基于像素的G abo r 图像纹理描述。
本文就是用这种基于像素的低层纹理特征来初步描述城镇影像中的各对象, 对这些低层次特征进行无监督学习最终得到由建筑物等各种对象所描述的城镇对象模型, 进而提取建筑物。
, 并能根据特定的视觉需要
相应地调整它的空间与频率特性的特点, 使G abor 滤波方法成为一种重要的纹理分析方法, 在纹理分析、图像分割、图像识别、图像检索等领域得到了广泛应用。G abor 纹理的主要特点可概括如下[7]:
1) G abo r 变换最符合人类的视觉机理。现行神经元的一个突出特征是按对称形式成正交相位对, 邻近的简单细胞具有响应相同空间位置和方向相差90的感受野, 这一对神经元感受野之间的正交相位关系可以用G abor 滤波器的实部和虚部来实现;
2) G abo r 变换已被证明在2-D 测量不准确的情况下, 对信号空间域和频率域的最佳描述。这些滤波器可以当作方向和尺度都可以变化的边缘和直线检测器, 实现对纹理特征的精细分析和提取;
3) G abo r 变换可将图像分解为一系列频道, 充分利用各
3 纹理块对象模型的建筑物提取
随着遥感影像成像技术的不断成熟, 分辨率的不断提高, 遥感影像分析中所要处理的数据量越来越大。虽然数据中包含的信息越来越丰富, 但是普通的光谱、纹理、形状等的图像特征提取方法却越来越难以应付遥感影像的庞大数据量, 基于空间对象的遥感影像处理更是变得十分复杂。
遥感影像空间对象往往由几种特定纹理组成, 可以把这些纹理区域看作纹理块。具体说, 纹理块是遥感影像中同类对象的不同实例间共有的一种有代表性的空间模式, 它在对象类的不同实例间具有位置和方向的不确定性。如图2所
用最大期望算法(E M ) [8]处理无标记训练样本集来估计高斯混合模型的参数, E M 算法的初值由k-均值聚类算法来提供。模型训练结束, 确定了对象模型的参数后, 就可以通过MA P 分类器来实现遥感影像中各像素所属的纹理块标记。M AP 分类器的实现如下:
m =argm ax P (j |x )
1[i [J
(7)
其中, m 为纹理块标记, x 为像素对应G abor 特征向量。
此模型具有不需要事先经过预处理过程(如分割) 、学习过程是完全自动的(只需要无标记训练样本, 无需对样本进行标注) 、模型是固定的(对象类型间的差别仅在于模型参数的差异) 等优点[9]。3. 2 建筑物提取
在完成式(1) 中对象建模过程后, 利用所得到的城镇模
图2 港口对象
型处理测试图片, 进行纹理标定, 结合纹理标定与原始图像确定对应城镇建筑物的纹理块b , 最终提取出建筑物。
示的港口对象的遥感影像图片, 港口对象的纹理明显分成水体、船只和码头等几部分。精确地描述这些纹理块可以大大简化对象的识别, 克服普通的纹理描述方法必须要面临的高维纹理特征空间和庞大的数据量问题。
对于遥感影像建筑物的提取, 可以将整个城镇看作一个对象, 用高斯分布处理G abo r 滤波器提取的低层次纹理特征来实现对象特定纹理块的统计描述, 再用一个高斯混合模型来对所有纹理块建模, 接着取得由纹理块的整体所描述的地球空间对象模型, 然后通过所建立的对象模型处理城镇影像对其进行纹理标定, 最终提取出特定纹理所表示的建筑物。3. 1 模型描述
根据2节中方法提取出G abo r 纹理特征后, 用一个高斯混合模型描述这些特征分布, 从而得到由纹理块所描述的遥感影像城镇对象模型。模型参数通过无监督学习方法处理未标记训练样本来估计。
用G abor 滤波器组处理遥感影像, 每个像素位置得到一个RS 维的特征向量x 。假定某纹理块j 的特征在特征向量空间中服从高斯分布, 则特征向量x 关于给定纹理块的条件概率为:
p (x |j ) =L j ) )
1
(2P )
d /2
图3 建筑物提取流程
G abo r 纹理特征提取、城镇对象建模、对象纹理块标定和建筑物提取的过程如图3的流程图所示。
设一类城镇对象的训练集S 定义为:S ={s 1, s 2,. .. , s n },其中s i (1[i [n ) 为一个样本实例, 即一幅指定类别城镇对象的遥感影像图片。从纹理特征提取、模型建立、纹理标定到建筑物提取的总的过程为:
1) 对样本训练集S 中的每一个样本s i , 利用G abor 滤波器组提取其纹理特征;
2) 指定城镇对象模型的纹理块数J , 以确定模型的规模;
3) 用2节提供的方法对训练集样本进行无监督学习, 得到对象类的统计模型H ;
4) 由3) 中得到的模型和M A P 分类器处理实例对象, 生成对象的带标号m 的纹理块。这些特定标号共同组成了城镇对象模型;
5) 确定建筑物所对应的纹理块标号b , 利用4) 中得到的城镇对象模型处理原图像, 提取出纹理块b 所对应的建筑物区域;
6) 利用中值滤波算法对所得到的建筑物区域进行处理, 最终提取出遥感影像中的建筑物。
在对象模型的建立过程中, 模型阶数的选择对提取结果极其重要。本文中对象模型阶是通过分析对象本身结构的先验知识的来确定的。另外, 也可用文献[10]中也提到了一
1/2j
exp (-
1
(x -L j ) T 2
E
j
(x -(4)
纹理块j 的概率密度函数是由参数(L j , E j ) 确定的, 其中L j 为均值向量, E j 为协方差矩阵。因此, 城镇对象模型中所有的J 个纹理块的分布可以看作一个高斯混合模型。这样, 向量x 的分布函数可表示为一个如下的混合分布:
p (x ) =
J
E P (j) p (x |
j=1
j) (5)
其中, p (x |j ) 是特征x 相对于纹理块j 的条件概率, 是纹理块j 的先验概率。J 个纹理块整体的模型可以用如下参数描述:
H =
H j =(P(j ), L j ,
E
j
) |j =1,. .. , J (6)
这就是一个特定空间对象的统计模型。
种模型阶数确定的方法。对照5和图4中的原始图像, 纹理标定区域的红色部分为建筑物区域。用纹理标定图像建立城镇图像中建筑物的掩码文件, 以此处理原始图像, 得到如图6为所示的建筑物。
由于图5中的纹理标定是以像素为单位进行的, 所有导致图6中所提取的建筑物照片中有一些噪声。利用中值滤波器对图6所得到图片进行中值滤波, 最终得到如图7所示
的建筑物图片。
4 实验结果
实验采用上海附近城镇的遥感影像图片为研究对象进行建筑物的提取。选取图像数据集中的10幅图片作为训练集样本, 1幅作为测试样本, 所采用的样本图像分辨率均为256@256。
实验中进行纹理特征提取时所选用的G abo r 滤波器组的阶数为3, 方向数为4, 纹理块对象模型的阶数为3。
实验中所采用的测试图片如下图4
所示。
图6 提取到的建筑物1
从图7的实验结果中可以发现, 基于纹理块对象模型的
图4 城镇图片
建筑物提取方法能很好地提取高分辨率遥感影像中的各种建筑物,
不会受到建筑物形状和方面变化的影响。
按照312节中的流程处理训练样本得到城镇对象模型后, 利用模型对图5中的城镇图片进行处理。得到如图5所示的纹理标定结果图和如图6所示的建
筑物提取结果。
图7 提取到的建筑物2
如表1所示, 实验共有目标建筑物目标66个, 漏提取目标3个, 错提取目标6个, 目标提取正确率为8914%, 错误率
图5 纹理标定
为1016%, 错提取的对象主要(下转第311页)
恒压充电, 满足电动汽车充电的性能要求。而且该方案控制结构明晰, 可以容易地应用于工程实践中, 具有实际应用价值。参考文献:
[1] Chao Zeyun, Xu Zh i xi n, Zhong H eqing . A based on DSP digit a l
con trolled h igh s w itching frequ ency and con stant chargi ng cu rrent s yste m [J].I EEE , 0-7803-7978-0/03.
[2] 秦海鸿, 任华, 朱军卫, 王慧贞. PFC 与P WM 控制器符合芯片
M L4824及其应用研究[J].电源技术应用, 2002, (11). [3] M arty B ro w n, 徐德鸿, 等译. 开关电源设计指南(第2版)
[M].北京:机械工业出版社, 2004.
[4] 王跃林, 申群太. 基于DSP 数字控制的Boost-PFC 系统的设
计[J].通信电源技术, 2007, (6).
[5] 王萍, 辛爱芹, 邹宇. 高性能模糊PI D 控制DC /DC变换器[J].
电力电子技术, 2007, (8).
[6] 周福星, 谢运祥. 基于d s PI C 的数字控制PFC 研究[J].通信
电源技术, 2009, (
1).
[作者简介]
徐 伟(1985-), 男(满族), 重庆人, 硕士研究
生, 主要研究领域为电动汽车车载充电系统。
刘和平(1957-), 男(汉族), 重庆人, 教授, 博士
研究生导师, 主要研究领域为电动汽车、交流调速。
任 发(1985-), 男(汉族), 山西人, 硕士研究
生, 主要研究领域为电动汽车充电器。
(上接第257页)
是纹理与建筑物极其相似的植被, 漏提取的部分噪声较为严重且建筑物与周围环境融为一体, 纹理特征不明显。
表1 目标提取结果
实际目标数目66
漏提取目标数目
3
错提取目标数目
6
正确提取目标数目
59
正确率8914%
on Geoscience and Re m ote S ensi ng , 2006, 44(12):3706-3715.
[4] 杨玉静, 冯建辉. 纹理特征提取及辅助遥感影像分类技术研究
[J].海洋测绘, 2008, 28(4):37-40.
[5] J Daugman . C o m plet e D iscrete 2D Gabor Transfor m byN eura lN e-t
w ork s f or I m age Analys i s and C o m pressi on[J].IEEE Transaction on Acousti cs , S peec h, -1179.
[6] S M arcelja . M athe m atical Descri p ti on of the Res pon s es of S i m p le
C orti ca lC ells [J ].
Journal of The Op tical S ociety of Am eri ca ,
1980, 70(11):1297-1300.
[7] 胡杨, 周焰. 基于Gabor 滤波器的遥感图像纹理查询方法[J].
计算机工程, 2007, 33(7):175-177.
[8] A P De m pster , N M L ai rd, D B Rub i n. M ax i m um L i k eli hood E st-i
m ati on fro m Inco mp lete Data vi a t he EM A l gori thm [J].Journal of the Royal S tati s tical Soci et y , 1997, 39(1):1-38.
[9] Bhagavat hy , S Ne w sa m, S M an j unath . M odeli ng Ob j ectC lasses i n
Aeri al I m ages U si ng TextureM otif s[C ].Quebec , C anad a :I CPR , 2002, 16:981-984.
[10] A P De m pster , N M Laird , D B Rub i n . M ax i m um L i keli hood Es -ti m ati on fro m Inco m p l ete Data vi a t h e EM A l gori thm [J].Journal of the Royal S t ati sti cal Societ y , 1977, 39(1):1-
38.
and S ignal Process i ng , 1988, 36:1169
实验结果表明, 基于G abo r 纹理块对象建模方法能够很好地提取高分辨率遥感影像中城镇建筑物, 而不受建筑物形状和方向以及环境的影响。实验不仅克服了建筑物结构和环境的多样性影响, 成功提取了建筑物, 还取得了较高的提取正确率, 证明本方法具有较好的可行性。
5 结束语
本文将遥感影像中的整个城镇作为一个空间对象, 将城镇建筑物作为组成空间对象的某种纹理块, 利用无监督学习方法构建基于G abor 纹理块的城镇对象模型, 利用模型纹理标定最终提取城镇建筑物, 克服了建筑物结构复杂性和多样性, 以及背景环境的对建筑物提取所造成的影响。参考文献:
[1] A l hart hy , Ja m es B ethe. l H euristic Fil teri ng and 3D Feat u re Ex -traction from L I DAR Data[C ].G raz , ustri a :ISPRS , 2002, 34:29-34.
[2] D S Lee , J Shan, J S B ethe. l C l ass-gu i ded Bu il d i ng Extraction
fro m I KONOS I m agery [J].Photogra mm etri c Eng i neeri ng and Re -mote Sen si ng , 2003, 69(2):143-150.
[3] Sti ara m Bhagavat hy , B S M an j unath . M od eli ng and Detecti on of
GeospatialOb j ects U s i ng TextureM otifs[J].IEEE Tran sacti ons
[作者简介]
王世伟(1984-), 男(汉族), 山东临朐人, 硕士研
究生, 主要研究领域为遥感影像信息智能解译。
方 涛(1965-), 男(汉族), 四川成都人, 教授,
博士生导师, 主要研究领域为遥感影像解译、遥感与地理信息系统集成、图像处理与模式识别、计算
机视觉等。