一种从遥感图像中提取建成区的方法
【专利摘要】本发明公开了一种从遥感图像中提取建成区的方法。该方法可采用基于贝叶斯推理的视觉显著性检测方法，结合图像分割、自动阈值选取实现高分辨率遥感图像建成区的自动检测和提取，可广泛应用于城市规划、城市扩张研究、灾情评估和救灾决策等多个领域。
【专利说明】一种从遥感图像中提取建成区的方法
【技术领域】
[0001] 本发明涉及图像处理领域，具体地，涉及一种从遥感图像中提取建成区的方法。
【背景技术】
[0002] 从遥感图像中提取建成区是将遥感图像应用于城市研究的一个关键环节，特别是 对城市规划、城市扩张研究、城区受灾范围及损失评估等有重要意义，也是目前遥感图像处 理与分析领域的研究热点之一。近年来，随着经济快速发展，我国的城市化进程也进入了全 新的阶段。城市扩张的特征之一是城市面积的变化，尤其是土地利用性质的变化。合理进 行城市规划和有效利用土地资源是使城市化合理有序进行以及可持续发展的前提。卫星遥 感图像是目前城市研究的重要来源,如何利用遥感图像来界定城市边界、提取城市区域是 利用影像进行城市研究的前提。目前，国内外很多学者进行了这方面的研究，但是城市是一 个复合体，具有很多不确定性，每个城市都有其特点，针对一个城市进行的研究成果，很难 适用于另一个城市。因此，建成区的准确提取仍是一个世界性技术难题，需对其做进一步研 究和探索。
[0003]目前，基于遥感影像的城市建成区的提取方法主要有：目视解译法、非监督分类 法、监督分类法、人工建筑指数法、基于光谱知识的城区提取模型等。目视解译法靠人工确 定影像上的物体属性或特征，对影像进行识别，描述影像上的各种关系，根据影像上的类 另IJ、属性和关系进行系统的解释。这种方法由于加入了人的识别，判断精确度较高，但工作 较繁琐，效率低下，同时需要解译人员具有较高的遥感图像解译识别知识与经验。非监督分 类的前提是假定遥感图像上同类物体在同样条件下具有相同的光谱特征条件。非监督分类 不必获取影像地物的先验知识，仅靠影像上不同类的物光谱信息（或纹理信息、几何信息） 进行特征提取再通过非监督分类方法或特征分布模型进行分类，最后对已分出的各个类别 的属性进行确认。与非监督分类方法相对应地，监督分类法需要大量的已知建成区数据进 行训练，将训练好的模型应用于新的影像时，可以直接从影像中提取建成区。这种方法虽然 较非监督分类方法更为精确，但是需要大量的人工标注。归一化建筑指数提取建成区是以 Landsat TM数据为基础利用第5和第4个波段的反射差来计算建筑指数，然后再用阈值分 割的方法提取建成区。多光谱或者高光谱数据波段众多，光谱精细，为遥感图像分析提供了 新的思路。基于光谱知识的建成区提取模型综合利用多光谱或者高光谱数据的多个波段， 分析建成区在各个波段的反射率，建立光谱反射模型，或用光谱匹配或用规则来提取建成 区。
[0004]上述方法在实际应用（例如，针对特定数据类型的应用）中仍然需要人工干预和 背景知识的加入。现有方法的普适性，全自动化能力仍然存在不足，需要研究新的方法。
【发明内容】
[0005]本发明的目的是提供一种方法，该方法能从如资源三号、高分一号、Quickbird等 高分辨率遥感图像中自动提取建成区。
[0006]为了实现上述目的，本发明提供一种从遥感图像中提取建成区的方法，包括：获取 图像中每个像素的显著性值；根据显著性值将图像划分为前景区域和背景区域；分别计算 前景区域和背景区域的像素特征似然函数；针对图像中的每个像素，根据该像素的显著性 值和像素特征似然函数得到该像素为建筑区的概率值；根据所述概率值，判断图像中的每 个像素是否为建成区；以及从图像中对应于被判断为建成区的区域中提取建成区。
[0007]优选地，本发明可基于图像中的边缘像素来计算每个像素的显著性值，并对显著 性值进行归一化得到先验概率。
[0008]优选地，本发明可对图像进行超像素分割，并以超像素为单位将图像划分为前景 区域和背景区域。
[0009]优选地，本发明可采用自动阈值分割以将图像划分为前景区域和背景区域。
[0010]优选地，可计算前景区域和背景区域中的像素特征似然函数，并且可基于贝叶斯 公式并利用先验概率和像素特征似然函数计算像素为建成区的后验概率，然后可采用自动 阈值分割进行建成区判断，最后从被判断为建成区的区域中提取建成区。
[ocm]通过上述技术方案，可结合图像分割、自动阈值分割、特征似然概率分析技术自动 从遥感图像中提取建成区。在上述过程中，不需要进行数据训练和人工干预。在优选方案 中，本发明可以以超像素为单位来分割图像的前景区域和背景区域，能有效减少计算量，并 且本发明可以以像素为单位提取建成区，和以更大区域为单位提取建成区的方法相比具有 更高的准确性。
[0012]本发明的其它特征和优点将在随后的【具体实施方式】部分予以详细说明。
【专利附图】
【附图说明】
[0013]附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具 体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
[0014]图1示出了根据本发明的优选实施方式从图像中提取建成区的流程图； _5]图2示出了一幅高分辨率遥感图像；
[0016] 图3示出了对应于图2的边缘图像；
[0017]图4是在图像中设置对应于像素的窗口的示意图；
[0018]图5示出了对应于图2的基于边缘密度的像素显著性图；
[0019]图6示出了对图2进行超像素分割后得到的结果示意图；
[0020]图7示出了以超像素为单位将图2所示的遥感图像划分为前景区域和背景区域后 的结果不意图；
[0021]图8示出了图2所示的图像中的像素为建成区的概率示意图；
[0022]图9示出了可施加至图2的二值掩码图像；以及
[0023]图10示出了对图2所示的遥感图像进行建成区提取后得到的结果示意图。
【具体实施方式】
[0024]以下结合附图对本发明的【具体实施方式】进行详细说明。应当理解的是，此处所描 述的【具体实施方式】仅用于说明和解释本发明，并不用于限制本发明。
[0025]图1示出了根据本发明的优选实施方式从遥感图像中提取建成区的流程图。下文 中将以图2所示的高分辨率遥感图像作为应用对象对本发明的优选实施方式进行详细描 述。
[0026] 在步骤S11中，可获取图像中每个像素的显著性值。本发明可选用经过图像融合 后的高分辨率（例如，每个像素点所表示的区域的长和宽在1?4米范围内）多光谱遥感 图像。在遥感图像中，建成区中人工建筑物与其周围光谱差异显著，使得建成区通常具有丰 富的边缘，而如耕地、林地、水体等背景区域中边缘较少，因此可基于边缘密度得到像素的 显著性值。本优选实施方式中计算显著性值的具体步骤如下：
[0027] (1)计算每个像素的梯度幅值。可先将例如遥感图像的彩色图像转换为灰度图像， 然后计算每个灰度像素的梯度值,进一步得到像素的梯度幅值。原图像和灰度图像中相同 位置上的像素一一对应。I为用像素值表示的灰度图像，可采用下式（1)对I滤波以得到X 轴方向和Y轴方向的梯度图像gx和gy:
[0028] gx = I^fj, gy = I*f2 式（!）
[0029]其中表示卷积运算，和f2为如下所示的梯度算子：
[0030] [-1,0, l],f2= [-1,0, 1]τ 式（2)
[0031]将图像gx和gy相加可得到例如遥感图像的图像中每个像素的梯度幅值。本发明 可采用梯度一阶模计算梯度幅值：
[0032] g= |gx| + |gy| 式（3)
[0033]根据需要，也可选用梯度二阶模等来计算梯度幅值。
[0034] (2)可采用自适应阈值选取方法计算该图像的梯度幅值阈值，以判断每个像素是 否为边缘像素。本优选实施方式中，可使用大津法（0tsu法）计算梯度幅值阈值。文献〇tsu N. A threshold selection method from gray-level histograms[J]. Automatica, 1975,1 1 (285_2%) :23-27中详细介绍了大津法的具体计算步骤，本发明不再对其赘述。针对图像 中的每个像素，如果该像素的梯度幅值大于计算出的梯度幅值阈值，则判断该像素为边缘 像素；否则判断该像素不为边缘像素。图 3示出了根据上述方法得到的对应于图2的边缘 图像。图3中边缘像素用白色像素点来表示，非边缘像素用黑色像素点来表示。
[0035]除上述方法外，还可使用canny边缘像素检测算法等本领域已知技术手段来得到 如图2所示的图像的边缘图像。
[0036] (3)针对图像中任意像素1，可在图像中设置包含像素1的大小为w的窗口，用该 窗口的边缘像^密度和边缘像素分布来表示像素 i的显著性。w为经验值，可根据需要设 置。如图上所示，本实施方式中，可在设置窗口时将像素1作为中心，并可用像素1作为坐 标原点建立直角坐标系。用ηε表示落在该窗口内的边缘像素数目，用n w表示该窗口内的像 素总数，则该窗口的边缘像素密度可表示为：
[0037]
【权利要求】
1. 一种从遥感图像中提取建成区的方法，包括： 获取图像中每个像素的显著性值； 根据所述显著性值将所述图像划分为前景区域和背景区域； 分别计算所述前景区域和所述背景区域的像素特征似然函数； 针对所述图像中的每个像素，根据该像素的所述显著性值和所述像素特征似然函数得 到该像素为建筑区的概率值； 根据所述概率值，判断所述图像中的每个像素是否为建成区；以及 从所述图像中对应于被判断为建成区的区域中提取建成区。
2·根据权利要求1所述的从遥感图像中提取建成区的方法，其中，获取图像中每个元 素的显著性值包括： 判断所述图像中的每个像素是否为边缘像素； 针对所述图像中的每个像素，在所述图像中设置对应于该像素的窗口，该像素位于该 窗口中，并计算该窗口的边缘像素密度和边缘像素分布；以及 所述图像中每个像素的所述显著性值等于对应于该像素的所述窗口的所述边缘像素 密度和所述边缘像素分布的乘积。
3. 根据权利要求2所述的从遥感图像中提取建成区的方法，其中，所述窗口的所述边 缘像素密度为$，其中，ne表示该窗口内的所述边缘像素的数目，n w表示该窗口内的像素 总数。
4. 根据权利要求2所述的从遥感图像中提取建成区的方法，其中，每个像素位于对应 于该像素的所述窗口的中心，以该元素为坐标原点建立直角坐标系，用叫，1 = 1，2, 3, 4表 示对应于该像素的所述窗口中分别落在该坐标系的四个象限内的所述边缘像素的数目，则 患軸 该窗口的所述边缘像素分布为^ ° -L· /7?. 4 ^1-2,3,4
5. 根据权利要求1所述的从遥感图像中提取建成区的方法，其中，根据所述显著性值 将所述图像划分为前景区域和背景区域包括： 对所述图像进行超像素分割，并且计算每个超像素的显著性值；以及 根据所述超像素的所述显著性值将所述图像以超像素为单位划分为所述前景区域和 所述背景区域。
6. 根据权利要求5所述的从遥感图像中提取建成区的方法，其中，每个所述超像素的 显著性值为包含在该超像素中的所有像素的所述显著性值的平均值。
7. 根据权利要求5所述的从遥感图像中提取建成区的方法，其中，将所述图像以超像 素为单位划分为所述前景区域和所述背景区域包括： 采用自适应阈值选取方法得到所述图像中的超像素的显著性值阈值，针对所述图像中 的每个超像素，如果该超像素的所述显著性值大于超像素的所述显著性值阈值，则判断该 超像素属于所述前景区域，否则判断该超像素属于所述背景区域。
8. 根据权利要求1所述的从遥感图像中提取建成区的方法，其中，所述像素特征似然 函数包括颜色特征似然函数、方向特征似然函数和方向熵特征似然函数中的至少一者。
9. 根据权利要求1或8所述的从遥感图像中提取建成区的方法，其中，基于贝叶斯公式 根据下式计算所述图像中的每个像素为建成区的概率值p(bulidings| 1): ~p(J)xp(ch\J)-， pif)xp(ch I./ )+p(b) ^ p(ch \ b) 其中，用1表示所述图像中的任意一个像素，P(f)表示该像素 1属于所述前景区域的 概率，此处p(f)为该像素 1的所述显著性值归一化后的结果；p(b)表示该像素 1属于所 述背景区域的概率，p(b) = l-p(f) ;p(ch|f)为所述前景区域的所述像素特征似然函数， p (ch|b)为所述背景区域的所述像素特征似然函数。
10. 根据权利要求1所述的从遥感图像中提取建成区的方法，其中，判断所述图像中的 每个像素是否为建成区包括： 采用自适应阈值选取方法得到所述图像中的像素为建成区的概率阈值，针对所述图像 中的每个像素，如果该像素的所述概率值大于所述概率阈值，则判断该像素为建成区，否则 判断该像素不为建成区。
【文档编号】G06T7/00GK104217440SQ201410510648
【公开日】2014年12月17日 申请日期:2014年9月28日 优先权日:2014年9月28日
【发明者】温奇, 范一大, 刘庆杰, 王薇, 崔燕, 黄河, 王平, 张薇, 李苓苓, 汤童, 林月冠, 王蕴红 申请人:民政部国家减灾中心, 北京航空航天大学