专利名称：一种遥感影像的线性要素提取方法
技术领域：
本发明涉及遥感技术和图像处理技术领域，特别是涉及高分辨率遥感影像的线性 要素的提取方法。
背景技术：
由于遥感影像中目标的高度多样性和复杂性，成功的物体目标自动识别系统将为 其他类型的影像理解问题提供具有普遍指导意义的理论和方法。因此，如何识别和提取遥 感影像中的物体目标是遥感图像目标识别中的重要的研究课题之一。线性要素提取是图像 几何内容的重要研究内容。首先，大多数人造物体都是平面的；第二，大多数物体目标的形 状都基于底层线性直线表示。对检测到的边缘直线段进行统计和分类，得到不同类型的线 性线段，从而实现不同物体目标的识别和检测。
随着高分辨率遥感影像的应用，线性要素提取作为分析目标物体的基本形状的手 段越来越受到人们的关注。
目前比较常用的线性要素提取方法主要包括carmy算子算法(D. H. Ballard. Generalizingthe hough transform to detect arbitrary shapes. PR,13(2) :111-122, 1981.)，该方法是通过哈夫转换(Hough transform) (J. Canny. A computational approach to edge detection. IEEE Trans. Pattern Anal. Mach. Intell. ,8(6) :679-698,1986.)提 取所有超过一定阈值的包含大量边缘点的线条。这些线条通过门限和长度阈值分成很多线 段。哈夫转换有很严重的缺陷首先，图像的纹理区域有很高的边缘密度，往往导致很多错 误的检测；同时由于忽略边缘点的方向，算法获得异常方向的线性分割结果。此外，这类方 法需要设定阈值，从而导致该方法不能智能化进行线性要素提取。
另一个经典的算法同样也是从边缘点开始计算，利用边缘点连接成曲线，然后通 过直线准(标准的链码准则)则分成曲线段和直线线段(A. Etemadi. Robust segmentation of edgedata. Int. Conf. on Image Processing and its Applications, pages 311-314, 1992 ；0. Faugeras, R. Deriche, H. Mathieu, N. J. Ayache, and G. Randall. The depth and motion analysis machine. PRAI，6 :353-385,1992.)。这个方法不需要调节参数就可以得 到比较精确的结果，并且该算法同时检测线条和弧，但通常会漏检很多直线和小的边缘曲 线。
BurnS、HanSOn和Riseman介绍了一个基于线性时间线性分割检测算法。该算法并 没有从边缘点开始，实际上考虑了梯度的方向而不考虑梯度的模值(J.Brian Burns,Allen R. Hanson, and Edward M. Riseman. Extracting straight lines.IEEE Trans. PAMI，8(4) 425-455，1986.)。Kahn、Kitchen和Riseman对该算法进行了改进，使其线段分割有了很 好的定位，但是还是没有解决阈值问题(P. Kahn, L. Kitchen，and Ε. Μ. Riseman. Real-time featureextraction :A fast line finder for vision-guided robot navigation. Technical Report 87—57，COINS，1987 ；P. Kahn, L.Kitchen，and E. M. Riseman. A fast line finder for visionguided robot navigation.IEEE Trans. Pattern Anal. Mach.Intell.，12(11) :1098_1102，1990.)。Desolneux、Moisan 和 Moral 对阈值问题进行了详细 的分析，他们的方法是用一个非结构模型去计算大量的对齐的点并找到线性分割作为孤立 点，不幸的是，这样做同时错误产生了对齐线段分割的阵列(A. Desolneux，L. Moisan, and J. Μ. Morel. Meaningful alignments. International Journal ofComputer Vision,40(1) 7-23,2000.)。发明内容
本发明的目的是提供一种基于高分辨率影像的线性要素的提取方法，能够在没有 误检测和不需要人工调节参数的情况下准确地检测出线性线段，以用于遥感影像的线性提 取，特别是用于高分辨率遥感影像的线性提取。
为实现上述目的，本发明采用如下技术方案
一种遥感影像的线性要素提取方法，包括以下步骤
1)输入遥感影像并进行影像增强的预处理；
2)对预处理后的影像建立多分辨率的金字塔结构图像序列；
3)对金字塔结构图像序列中不同分辨率的各级图像根据梯度方向一致性和区域 灰度一致性提取不同级别的线性要素；
4)对提取的线性要素建立特征数据库进行管理。
上述步骤1)首先是将原始的遥感影像输入到数据库中，即录入原始遥感影像的 属性，同时建立遥感影像的元数据管理，所述原始遥感影像的属性包括原始影像的标识符、 影像名称、精度、坐标、投影方式、成像时间、影像类型、存储位置、影像内容描述项和影像质 量描述项等基本属性；然后对遥感影像进行增强。对遥感影像进行增强的主要内容包括
a.对原始影像进行直方图均衡化对原始遥感影像进行闭运算，减少待识别影像 的纹理信息，增强图像对比度。
b.遥感影像的背景抑制处理对直方图均衡化后的影像进行形态学增加和形态 学背景抑制。
对于预处理后的遥感影像，通过建立金字塔结构的图像序列，有效结合梯度方向 一致性和灰度一致性的特征来提取线性要素。
上述步骤2、建立多分辨率的金字塔结构图像序列的方法优选是设ο x，。y为较 高分辨率图像经过分层处理后得到的较低分辨率的图像在X方向与y方向尺寸减小的倍 数，以f°(x，y)表示原始遥感影像经步骤1)预处理后得到的初始图像，其在图像序列中分 辨率最高，根据如下递推关系依次获得分辨率由高到低的各层图像(参见图2)
^(χ,γ) = (σ χΧ σ y) X {f1"1 (2x~l, 2y~l) +f" (2x~l, 2y) +f" (2x, 2y~l) +f1-1 (2x, 2y)}
其中1为0 L的整数，L表示分层处理的次数。将初始图像经过L次分层处理 得到的图像序列为:f° (χ, y)，f1 (χ, y)，f2 (X，y)，…，产1 (x, y)，fL(χ, y)。
上述步骤幻有效结合梯度方向一致性和灰度一致性的特征对不同分辨率的图像 提取不同级别的线性要素。可以按分辨率由高到低的顺序对各级图像提取线性要素，即先 对原始分辨率的初始图像提取线性要素，然后依次对较低分辨率的图像提取线性要素。
通过对金字塔图像序列的各级图像进行区域生长和灰度一致性检测，建立各级的线性要素，具体包括下述步骤
i)设定线性搜索宽度，根据梯度方向一致性进行区域生长；
ii)对步骤i)获得的梯度方向一致的线性要素，再根据灰度一致性提取线性要ο
步骤i)首先需要计算图像中各像素的梯度方向，通过梯度方向建立线性要素一 致准则，即如果两个像素的梯度方向的夹角小于等于η/8，则认为这两个像素是具有线性 关系的。
计算图像中各像素的梯度方向的具体方法优选是首先是用2D高斯滤波对图像 进行滤波(如公式1所示)，去除图像噪声。
G(x,y) = (2"1 π σ 2) exp [- (x2+y2) /2 σ 2]公式 1
其中，(x，y)是图像中的像素。
然后用高斯算子的一阶微分算出图像中各像素的灰度沿χ方向和y方向的导数 和Gy，由此计算出像素的梯度方向θ
θ = arctan (Gy/Gx)公式 2
我们定义线性准则为假设像素i的梯度方向为θ i，另一像素i+Ι的梯度方向为 θ i+1，从像素i的梯度方向θ i进行线性区域生长，按照线性要素的定义，如果两个梯度方向 Gi* θ㈩之间的夹角仍小于等于π/8，就可以认定这两个像素的梯度方向一致，是具有线 性关系的，其中
钓二180"-凡公式3
其中Pi是两个梯度方向θ i和θ i+1的线性关系度量大小，如图3所示。
建立梯度方向一致性的线性准则后，根据线性的特点对待检测区域按照一定的限 定宽度进行线性要素搜索，即通过设定一固定的线性搜索宽度，从某像素出发，在限定的宽 度区域内搜索与之梯度方向一致的像素，当搜索到与之梯度方向一致的像素时朝该像素的 方向进行区域生长。线性要素的特点是具有一定的宽度，我们就通过定义固定的宽度区域， 在固定的宽度区域里面对线性要素进行搜索，减少了计算量。从某像素出发，按照固定区域 检测周围16领域的范围，当发现周围16领域中某个区域符合线性特征，就按照该区域的方 向进行区域生长。当某一方向确定具有线性时候，沿着该方向以固定区域大小检测其线性 关系。
步骤ii)对图像通过步骤i)生成的梯度的线性要素，按照固定区域进行灰度一致 性检测，如果某区域与相邻区域的平均灰度值差小于一定的阈值，则合并这两个区域加入 到线性要素中去。
上述步骤4)对于提取好的线性要素，通过建立特征数据库对其进行管理。主要是 针对不同的分辨率和线性目标建立不同的线性要素库，即根据线性要素所属的信息(包括 线性要素标示符、分辨率、线性宽度、线性长度等属性信息)对线性要素进行分类。
本发明可用于对遥感影像的基本构成元素线段进行提取，其应用包括道路以及建 筑物等目标的检测和提取。本发明的方法特别适合于高分辨率(分辨率<2米)遥感影 像的线性提取，采用了基于高分辨遥感影像的多分辨率层次结构，通过梯度方向一致性和 区域灰度一致性来提取线性要素，不同于单一采用梯度方向和区域验证进行参数设定的方 法。具体的，本发明方法的主要优点包括通过对遥感影像进行金字塔分类，对不同线性要素进行提取，提高了应用范围；利用梯度方向、区域灰度一致原则，将线性要素的梯度方向 和灰度线性特征融合在一起，通过梯度方向的固定区域和自适应的方法以及灰度一致性来 表达线性的特征，提高了识别线性的精度；在生成线性要素的时候利用固定的区域，减少了 计算量，克服了漏检和错检，具有良好的鲁棒性和精确性。
图1是本发明线性要素提取流程的示意图2是建立金字塔结构的多分辨率图像系列模的示意图3是根据梯度方向进行线性方向一致性检测示意图4是线性方向的固定范围搜索示意图，其中左图是右图的线性方向示意图5是实施例中利用本发明进行道路提取过程的示意图。
具体实施方式
下面结合导航道路提取进一步说明本发明技术方案中所涉及的技术问题。应指出 的是，所描述的实施例仅旨便于对本发明的理解，而对其不起任何限定作用。
本实施例以导航道路提取为例来说明遥感影像中线性要素提取。高分辨率原始影 像中的道路不同，导致了不同的道路线性要素，通过本发明提出的金字塔结构图像序列，我 们可以提取到不同等级的道路，对于高等级道路可以在分辨率低的图像上提取，对于城市 中比较小的道路，可以在分辨率高的图像上进行提取。
下面具体描述该提取过程的各个步骤。
首先，是高分辨率遥感影像的输入
高分辨率原始影像数据经过图像配准、镶嵌与重采样、分幅剪裁步骤后，录入到高 分辨率原始影像数据库中，同时建立高分辨率影像的元数据规范，包括标识符、影像名称、 精度、坐标、投影方式、成像时间、影像类型、存储位置、影像内容描述项和影像质量描述项。
通过数据库对高分辨率影像的输入进行管理和控制，主要是为影像的预处理和特 征提取做好必要的准备，为线性要素的提取操作打下基础。
其二，高分辨率影像预处理
a.对原始影像进行直方图均衡化对原始影像进行闭运算，减少待识别影像的纹 理信息，增强图像对比度。
b.高分辨率遥感影像的背景抑制处理对直方图均衡化的影像进行形态学增加 和形态学背景抑制。
其三，高分辨率影像线性要素提取，提取流程如图1所示，主要包括以下步骤
1)建立高分辨率影像金字塔结构的图像序列假设最下面的是初始图像，σ χ，ο y 为较高分辨率图像经过分层处理后得到的较低分辨率的图像在χ方向与y方向尺寸减小的 倍数。设初始图像经过L次分层处理得到的图像序列为f°(x, y)，f^x, y)，f2(x，y)，· · ·， fH(X，y)，fL(X，y)，其中:f°(x,y)是初始图像。
它们的递推关系表示
^(χ,γ) = (σ χΧ σ y) X {f1"1 (2χ-1, 2y-l) +f" (2χ-1, 2y) +f" (2x, 2y-l) +f1-1 (2x, 2y)}
如图2所示，当L = 2时得到初始图像的2个较低分辨率的图像。
2)计算初始图像中各像素的梯度方向具体步骤，首先是用2D高斯滤波对图像进 行滤波，去除图像噪声G(x，y) = (2、o2)exp[-(x2+y2)/2o2]再用高斯算子的一阶微分 算出图像中各像素的灰度沿水平和垂直(即χ和y)两个方向的导数和Gy，计算出各像 素的梯度方向θ = arctan(Gy/Gx)0
我们将线性准则定义为假设从某个像素i的梯度方向θ i进行线性区域生长，按 照线性的定义，找到像素i+Ι的梯度方向θ i+1，如果两个梯度方向的夹角仍小于等于π/8， 就可以认定是线性要素，如图3所示。
3)根据线性的特点对待检测区域按照一定的限定宽度进行搜索，就是首先利用一 个像素来计算出该线性的生长方向，然后通过定义固定的区域进行方向生长，这样我们不 需要对整个区域进行生长搜索，从而减少了计算量。按照固定的宽度区域检测周围16领 域的范围，当发现周围16领域中某个区域符合线性特征，就按照该区域的方向进行区域生 长。当某一方向确定具有线性关系的时候，按照该方向以固定大小的区域进行区域检测。如 图4所示，首先通过16领域确定线性的方向，然后再根据上下宽度为2进行该方向的固定 搜索。
4)对图像生成的梯度的线性要素，按照固定区域进行灰度一致性检测，如果该区 域与相邻区域的平均灰度值的差小于一定的阈值，则合并成一个区域加入到线性要素中去。
5)然后对不同分辨率的图像也进行步骤2)-4)的操作，对不同的分辨率图像提取 不同等级的线性要素。
其四，线性特征入库
对于提取好的线性特征，通过建立特征数据库对其进行管理，其中通过线性要素 属性的信息(包括线性要素标示符、分辨率、线性宽度、长度等)对线性要素进行分类。
图5示意了整个道路提取的过程，其中A是预处理后的图像；B是生成的梯度图 像；C是对金字塔系列的某级图像进行区域生长得到的图像；D是结合灰度一致性生成的线 性要素。
上述基于高分辨率遥感影像的线性要素特征提取方法具有重要的意义，其主要优 点如下
1.利用梯度方向和灰度一致性的融合，提高了线性要素的提取的精度。
2.利用固定梯度方向区域，减少了计算量，克服了利用方向模提取的时候产生的 漏检和错检，具有良好的鲁棒性和精确性。
3.通过对影像进行金字塔分类，对不同线性要素进行了提取，提高了应用的范围。
综上所述，本发明采用了基于高分辨遥感影像的梯度方向和灰度一致性，不同于 单一采用梯度方向和区域验证进行参数设定的方法。该发明利用线性要素的梯度方向和灰 度线性特征的融合，通过梯度方向的固定区域和自适应的方法以及灰度一致性来表达线性 的特征，可以提高识别线性的精度。本发明可用于对高分辨率影像的基本构成元素线段进 行提取，其应用包括道路以及建筑物等目标的检测和提取。
权利要求
1.一种遥感影像的线性要素提取方法，包括以下步骤1)输入遥感影像并进行影像增强的预处理；2)对预处理后的影像建立多分辨率的金字塔结构图像序列；3)对不同分辨率的各级图像根据梯度方向一致性和区域灰度一致性提取不同级别的 线性要素；4)对提取的线性要素建立特征数据库进行管理。
2.如权利要求1所述的线性要素提取方法，其特征在于，步骤1)所述预处理是先对遥 感影像进行直方图均衡化，然后进行形态学增加和形态学背景抑制处理。
3.如权利要求1所述的线性要素提取方法，其特征在于，步骤2)建立多分辨率的金字 塔结构图像序列的方法是设σχ，较高分辨率图像经过分层处理后得到的较低分辨 率的图像在X方向与y方向尺寸减小的倍数，以f°(x，y)表示原始遥感影像经步骤1)预处 理后得到的初始图像，根据如下递推关系依次获得分辨率由高到低的各层图像=P(^y)= (σχΧ O^-1X {f1—1 (2X-1，2y-l) +f1—1 (2χ-1，2y) +f1—1 (2x, 2y-l) +f1—1 Qx，2y)}其中，1 为 O L的整数，L表示分层处理的次数。
4.如权利要求1所述的线性要素提取方法，其特征在于，步骤3)先对原始分辨率的初 始图像提取线性要素，然后依次对较低分辨率的图像提取线性要素。
5.如权利要求1所述的线性要素提取方法，其特征在于，步骤3)对各级图像提取线性 要素的过程包括i)设定线性搜索宽度，根据梯度方向一致性进行区域生长； )对步骤i)获得的梯度方向一致的线性要素，再根据灰度一致性提取线性要素。
6.如权利要求5所述的线性要素提取方法，其特征在于，所述步骤i)首先计算图像中 各像素的梯度方向，如果两个像素的梯度方向的夹角小于等于η/8，则认为这两个像素的 梯度方向是一致的；设定一固定的线性搜索宽度，从某像素出发，在限定的宽度区域内搜索 与之梯度方向一致的像素，当搜索到与之梯度方向一致的像素时朝该像素的方向进行区域 生长。
7.如权利要求6所述的线性要素提取方法，其特征在于，步骤i)中计算图像中各像 素的梯度方向的方法是用2D高斯滤波对图像进行滤波，然后用高斯算子的一阶微分算出 图像中各像素的灰度沿χ方向和y方向的导数&和 ，由此计算出像素的梯度方向θ = arctan (Gy/Gx) 0
8.如权利要求6所述的线性要素提取方法，其特征在于，步骤i)中从某像素出发，按照 固定的宽度区域检测周围16领域的范围，以搜索与之梯度方向一致的像素。
9.如权利要求5所述的线性要素提取方法，其特征在于，步骤ii)对通过步骤i)生成 的梯度的线性要素，按照固定区域进行灰度一致性检测，如果某区域与相邻区域的平均灰 度值的差小于一定的阈值，则合并成一个区域加入到线性要素中去。
10.如权利要求1所述的线性要素提取方法，其特征在于，所述遥感影像是分辨率<2 米的高分辨率遥感影像。
全文摘要
本发明公开了一种遥感影像的线性要素提取方法，包括以下步骤1)输入遥感影像并进行影像增强的预处理；2)建立多分辨率的金字塔结构图像序列；3)对不同分辨率的各级图像根据梯度方向一致性和区域灰度一致性提取不同级别的线性要素；4)对提取的线性要素建立特征数据库进行管理。该方法通过对遥感影像进行金字塔分类，对不同线性要素进行提取，提高了应用范围；将线性要素的梯度方向和灰度线型特征融合在一起，提高了识别线性的精度；在生成线性要素的时候利用固定的区域，减少了计算量，克服了漏检和错检，具有良好的鲁棒性和精确性。
文档编号G06K9/46GK102034103SQ20101057893
公开日2011年4月27日 申请日期2010年12月3日 优先权日2010年12月3日
发明者张金芳, 徐帆江, 李磊, 李邦昱, 赵军锁 申请人:中国科学院软件研究所