專利名稱：一種基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法。
背景技術(shù)：
隨著遙感影像分辨率的逐步提高，居民區(qū)提取已成為一個熱門研究課題。準確、快速地提取居民區(qū)可以為土地管理、城市規(guī)劃等市政部門在做土地利用現(xiàn)狀調(diào)查和宏觀規(guī)劃等方面的工作時提供重要的決策支持。在遙感影像中，居民區(qū)具有覆蓋面廣、地物信息豐富的特點，而且它是一個隨著時間動態(tài)變化的區(qū)域，人工提取居民區(qū)雖然可以保持較高的準確度，但是僅依靠人工的監(jiān)測和分割提取居民區(qū)不僅耗時而且成本高。因此，自動居民區(qū)提取方法越來越被大家所關(guān)注。目前，國內(nèi)外許多研究學(xué)者提出了不少關(guān)于居民區(qū)提取的方法，較新且效果較好的圖像分割方法主要有基于灰度共現(xiàn)矩陣(GLCM)的提取方法(參見文獻ff. Fang, ff. Chao, Z. Hong. Residential Area Information Extraction by CombiningChina Airborne SAR and Optical Images.1EEE International Geoscience andRemote Sensing Symposium, 2004.)和基于支持向量機(SVM)的提取方法(參見文獻:L.Bruzzone and L. Carlin. A multilevel context-based system forclassificationof very high spatial resolution images.1EEE Transactions on Geoscience andRemoteSensing, 2006.)。分析現(xiàn)有居民區(qū)提取方法,發(fā)現(xiàn)存在以下兩方面的局限性一方面，大多數(shù)方法都是基于監(jiān)督分類機制，需要大量訓(xùn)練樣本保證分類精度，干擾因素較多，自動化程度有限；另一方面，現(xiàn)有的居民區(qū)提取方法強調(diào)影像整體的紋理、光譜等特征，卻忽略了居民區(qū)的局部特征，如邊緣特征。

發(fā)明內(nèi)容
本發(fā)明目的在于克服上述技術(shù)缺陷，提出了一種基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法，有效提高了遙感影像中居民區(qū)提取的自動化程度及提取精度，適用于高分辨率遙感影像分析和處理。一種基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法，包括以下步驟步驟1:影像預(yù)處理；輸入影像，對影像采用中值濾波去除噪聲，接著利用Mean Shift算法對影像進行平滑濾波；Mean Shift算法由Fukunaga等人于1975年提出，具有良好的保邊緣性，能夠很好的保留影像上居民區(qū)內(nèi)的邊緣特征；步驟2 :邊緣特征提??；采用canny算子檢測預(yù)處理后影像上的邊緣，將檢測得到的所有邊緣擬合成直線段；
canny邊緣檢測算子由John F. Canny于1986年開發(fā)出來的,主要利用圖像上的灰度梯度進行多級邊緣檢測；步驟3 :構(gòu)建空間投票矩陣；a)構(gòu)建一個與原始影像尺寸大小一致的二維矩陣，該矩陣用于記錄圖像上每個像素點的投票值，矩陣中的每一個元素為對應(yīng)圖像上相同位置像素點的投票值；b)計算每一個像素點到每條邊緣直線段的空間距離，并通過高斯函數(shù)模型將空間距離轉(zhuǎn)化為該像素點的投票值，再將該像素點的投票值存儲于投票矩陣相同位置上；步驟4 0stu閾值分割步驟；采用Ostu閾值分割方法獲取居民區(qū)投票值與非居民區(qū)投票值的自適應(yīng)分割閾值，并根據(jù)該自適應(yīng)分割閾值對空間投票矩陣進行二值化分割，得到影像中居民區(qū)和非居民區(qū)；較高的投票值的區(qū)域?qū)?yīng)居民區(qū)。相比非居民區(qū)，居民區(qū)的覆蓋區(qū)域內(nèi)擁有更高的邊緣特征密度，故居民區(qū)內(nèi)像素點到所有邊緣的距離總和相對更小，因此在投票矩陣中表現(xiàn)為，居民區(qū)內(nèi)的像素點擁有較高的投票值，而非居民區(qū)像素點的投票值則偏低。所述步驟2中的檢測得到的所有邊緣擬合成直線段，其具體處理過程如下1)對邊緣上的所有像素點按從左至右或從上到下的順序進行排序得到邊緣像素點序列Pd，P1,，將每條邊緣的起始像素點作為固定點Po即為點A,選取與固定點間隔一個像素點的任意像素點為浮動點Pn即為點B，兩點構(gòu)成直線段Ii;2)以固定點和浮動點之間的所有像素點作為頂點，計算每個頂點到直線段^的垂直距離，選取最大垂直距離為a ；3)設(shè)定距離最大容許值為ε，剔除邊緣上的冗余像素點，簡化邊緣直線，取ε的值為3 5個像素寬度；a)若ε ,表示頂點距離直線段近,屬于當(dāng)前邊緣上的冗余像素點，如果浮動點B為當(dāng)前邊緣線上最后一個像素點，轉(zhuǎn)到步驟4)，否則，按照像素點排列順序，將與上一個浮動點相鄰的像素點定義為新的浮動點B ;Α、B兩點構(gòu)成直線段^ ,然后返回步驟2)；b)若a> ε，表示頂點距離直線段^遠，屬于當(dāng)前邊緣上的特征像素點，則用直線段替代邊緣折線作為新的邊緣直線，即剔除固定點A和浮動點B之間的像素點，將原來的浮動點B作為新的固定點Α，選取當(dāng)前邊緣上與固定點間隔一個像素點的任意像素點為新的浮動點B;若浮動點B為當(dāng)前邊緣線上最后一個像素點，轉(zhuǎn)到步驟4)，否則，選取與固定點間隔一個像素點的任意像素點作為新的浮動點B，Α、Β兩點構(gòu)成直線段，然后返回步驟2)；4)選取下一條邊緣進行直線擬合，返回步驟I )，直至所有邊緣被擬合成直線段，直線擬合后的E1邊緣集合表示如下E1 =|q H…,G2 I12J;,--,ζI] Jl,…Jtn 卜其中 Ai 表示第 i 條邊緣,ρ
表示第i條邊緣上的第j條直線段，分別記它的兩個端點坐標為和。所述步驟3中的投票矩陣的具體建立過程如下1)圖像上共有R個像素點和K條邊緣線段，像素點到邊緣線段的距離用集合Dist-1d1{，d12，…，d1K，d2i，d22，…，d2K，…，dE1，dR2，…，dEK}表不，其中，Ciij-表不弟 i 個像素點到第j條邊緣的距離，計算公式如下
權(quán)利要求
1.一種基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法，其特征在于，包括以下步驟 步驟1:影像預(yù)處理； 輸入影像，對影像采用中值濾波去除噪聲，接著利用Mean Shift算法對影像進行平滑濾波； 步驟2 :邊緣特征提??； 采用canny算子檢測預(yù)處理后影像上的邊緣，將檢測得到的所有邊緣擬合成直線段； 步驟3:構(gòu)建空間投票矩陣； a)構(gòu)建一個與原始影像尺寸大小一致的二維矩陣，該矩陣用于記錄圖像上每個像素點的投票值，矩陣中的每一個元素為對應(yīng)圖像上相同位置像素點的投票值； b)計算每一個像素點到每條邊緣直線段的空間距離，并通過高斯函數(shù)模型將空間距離轉(zhuǎn)化為該像素點的投票值，再將該像素點的投票值存儲于投票矩陣相同位置上； 步驟4 =Ostu閾值分割步驟； 采用Ostu閾值分割方法獲取居民區(qū)投票值與非居民區(qū)投票值的自適應(yīng)分割閾值，并根據(jù)該自適應(yīng)分割閾值對空間投票矩陣進行二值化分割，得到影像中居民區(qū)和非居民區(qū)；較高的投票值的區(qū)域?qū)?yīng)居民區(qū)。
2.根據(jù)權(quán)利要求1所述的基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法，其特征在于所述步驟2中的檢測得到的所有邊緣擬合成直線段，其具體處理過程如下 1)對邊緣上的所有像素點按從左至右或從上到下的順序進行排序得到邊緣像素點序列Pci, P1,…Pn,將每條邊緣的起始像素點作為固定點Ptl即為點A,選取與固定點間隔一個像素點的任意像素點為浮動點Pn即為點B，兩點構(gòu)成直線 2)以固定點和浮動點之間的所有像素點作為頂點，汁算每個頂點到直線段的垂直距離，選取最大垂直距離為a; 3)設(shè)定距離最大容許值為ε，取ε的值為3 5個像素寬度； a)若ε，如果浮動點B為當(dāng)前邊緣線上最后一個像素點，轉(zhuǎn)到步驟4)，否則，按照像素點排列順序，將與上一個浮動點相鄰的像素點定義為新的浮動點B ;Α、B兩點構(gòu)成直線^AB，然后返回步驟2); b)若a>ε，則用直線代邊緣折線作為新的邊緣直線，即剔除固定點A和浮動點B之間的像素點,將原來的浮動點B作為新的固定點A,選取當(dāng)前邊緣上與固定點間隔一個像素點的任意像素點為新的浮動點B ;若浮動點B為當(dāng)前邊緣線上最后一個像素點,轉(zhuǎn)至IJ步驟4)，否則，選取與固定點間隔一個像素點的像素點作為新的浮動點B，A、B兩點構(gòu)成直線段^ ,然后返回步驟2); 4)選取下一條邊緣進行直線擬合，返回步驟I)，直至所有邊緣被擬合成直線段，直線擬合后的E1邊緣集合表示如下~{ei "Ji…Js2 , _ζ,υ }，其中，ei 表示第 i 條邊緣，^ 表示第i條邊緣上的第j條直線段，分別記它的兩個端點坐標為忍和吞
3.根據(jù)權(quán)利要求2所述的基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法，其特征在于所述步驟3中的投票矩陣的具體建立過程如下1)圖像上共有R個像素點和K條邊緣直線段，像素點到邊緣線段的距離用集合Dist-1d，d12，…，d1K，d2i，d22，…，d2K，…，dE1，dR2，…，dEK}表不，其中，Ciij-表不弟 i 個像素點到第j條邊緣的距離，計算公式如下
4.根據(jù)權(quán)利要求3所述的基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法，其特征在于所述步驟4中采用Ostu方法獲取居民區(qū)與非居民區(qū)投票值的自適應(yīng)分割閾值，具體步驟如下 1)對所有投票矩陣中的投票值進行排序，用集合V=Iv1, V2,…，Vj表示，其中，L為不同投票值的類別個數(shù)，令投票值為Vi的像素點個數(shù)為ri;則總的像素點數(shù)為R=I^r2+…+ιγ ； 2)以第k個投票值Vk為分界處，將集合V拆分兩個類，分別為Vtl=Iv1,V2,…，Vk}和V1=Ivm, vk+2, -,vL}，k取值依次為1，2，…，L，依次計算兩個類的類間方差
全文摘要
本發(fā)明公開了一種基于邊緣特征的高分辨率遙感影像居民區(qū)提取方法，包括以下步驟步驟1影像預(yù)處理；步驟2邊緣特征提??；步驟3構(gòu)建空間投票矩陣；步驟4Ostu閾值分割步驟；采用Ostu閾值分割方法獲取居民區(qū)投票值與非居民區(qū)投票值的自適應(yīng)分割閾值，并根據(jù)該自適應(yīng)分割閾值對空間投票矩陣進行二值化分割，得到影像中居民區(qū)和非居民區(qū)；該發(fā)明以邊緣特征密度為度量標準，利用高斯函數(shù)建立空間投票矩陣，將空間距離轉(zhuǎn)化投票值，以空間投票機制提取高分辨遙感影像上的居民區(qū)，有效地解決了居民區(qū)提取中自動化程度和提取精度有限的技術(shù)缺陷，適用于高分辨率遙感影像分析和處理。
文檔編號G06T7/00GK103065296SQ201210544618
公開日2013年4月24日 申請日期2012年12月14日 優(yōu)先權(quán)日2012年12月14日
發(fā)明者陶超, 陳洪, 鄒崢嶸, 金晶, 張云生, 馬慧云 申請人:中南大學(xué)