本发明属于遥感图像处理领域，涉及一种基于多尺度纹理空间聚类的高分影像建筑区提取方法。
背景技术：
建筑区是地球表面特别是城镇环境中的典型人工地理要素，它是指被建筑物覆盖的区域，及时准确地获取建筑区信息对于土地利用规划、城镇动态监测、基础地理数据库更新等具有重要的应用价值。
近年来，随着对地观测技术的发展，利用高分辨率卫星影像自动识别建筑区受到越来越多的关注。由于分辨率的提高，高分影像具有光谱变异性较大、纹理细节丰富、空间结构复杂等特点，这给建筑区的自动提取带来极大的挑战。建筑区主要是由建筑物聚集覆盖而构成，相比于其背景区域，建筑区具有显著不同的纹理特征，因此基于纹理特征实现高分影像建筑区的判别是一种可行的策略。目前对于纹理特征描述方法主要包括基于统计的方法(如灰度共生矩阵)、基于模型的方法(如马尔科夫随机场)和基于信号处理的方法(如小波变换)。
小波变换由于具有多尺度表示能力，非常适合对建筑区这类具有多尺度特性的地物进行描述。从信号处理的角度看，建筑区由于具有丰富的纹理细节信息，在频域它整体上会具有更高的频率特性。但是在建筑区内部仍存在局部的光谱上同质区域(如建筑物之间的空地、建筑物屋顶)，在频域它们将具有较低的频率特性，因此仅仅根据频率值的大小不足以有效实现建筑区和非建筑区的判别。
技术实现要素：
本发明的目的在于针对现有技术的缺点和不足，提供一种基于多尺度纹理空间聚类的高分影像建筑区提取方法。
本发明所采用的技术方案为：一种基于多尺度纹理空间聚类的高分影像建筑区提取方法，其特征在于，包括以下步骤：
(1)对输入影像进行多尺度小波分解，获得低频近似系数图像和多方向的高频细节系数图像，形式表达式为：
其中，f为输入影像，WT表示小波变换，L为分解的层数，AL为第L层分解的低频近似系数图像，HL，VL和DL分别为第L层分解的水平、垂直和对角方向的高频细节系数图像；
(2)在每个分解层，对所述的多方向的高频细节系数图像进行特征集成，并将特征集成的结果作为该层的纹理强度图像；
(3)对各层纹理强度图像，进行空间自相关统计分析，得到各层纹理强度的空间分布模式图像；
(4)对所述的各层纹理强度的空间分布模式图像，进行跨尺度的特征融合，得到融合多尺度纹理特征的空间分布模式图像；
(5)对所述的融合多尺度纹理特征的空间分布模式图像，进行空间聚类探测，并通过阈值分割获得建筑区域。
作为优选，步骤(1)所述的输入影像为全色影像或通过多光谱影像转化的灰度影像。
作为优选，步骤(2)所述的特征集成采用最大化运算，计算公式为：
IL(x,y)＝max{HL(x,y),VL(x,y),DL(x,y)}， (2)
其中，IL(x,y)为第L层分解中像素(x,y)在三个方向(水平、垂直和对角)高频细节系数的极大值，HL(x,y)为第L层分解中像素(x,y)在水平方向的高频细节系数，VL(x,y)为第L层分解中像素(x,y)在垂直方向的高频细节系数，DL(x,y)为第L层分解中像素(x,y)在对角方向的高频细节系数。
作为优选，步骤(3)所述的进行空间自相关统计分析，是利用局部空间自相关统计量G*计算每个像素的空间自相关程度，其计算公式为：
Gi*(d)＝∑jwij(d)xj/∑jxj， (3)
其中，Gi*为第i个像素空间自相关程度值，xj为第j个像素的属性值，wij(d)为描述空间关系的空间权重矩阵，wij(d)的计算方法为：如果第j个像素位于以第i个像素为中心,半径为d的范围内则wij(d)＝1，否则wij(d)＝0。
作为优选，步骤(4)所述的跨尺度融合，按以下步骤进行：
(a)将各层纹理强度的空间分布模式图像通过空间插值，使其与原始输入影像具有相同的尺寸；
(b)对插值后的各层纹理强度的空间分布模式图像进行主成分变换，并将其第一主成分作为融合多尺度纹理特征的空间分布模式图像。
作为优选，步骤(5)所述的空间聚类探测，是指根据空间自相关程度的大小，从融合多尺度纹理特征的空间分布模式图像中识别高值集聚区和低值集聚区。
作为优选，步骤(5)所述的通过阈值分割获得建筑区域，是通过阈值化方法将融合多尺度纹理特征的空间分布模式图像二值化，将高值集聚区作为建筑区，用1表示，将低值分布区作为背景，用0表示。
与现有技术相比，本发明所达到的有益效果：本发明方法充分考虑了高分影像中的建筑区纹理特征具有多尺度和空间聚集分布的特点，通过对高频纹理进行空间自相关分析，能够有效度量建筑区内部特征的空间依赖性，并且构建的纹理强度空间分布模式图实现了建筑区的高值聚类和背景区域的低值聚类，非常便于建筑区的自动阈值分割。通过本发明所提供的技术不仅可以有效实现高分影像建筑区的自动提取，而且提取的建筑区能够保持完整的轮廓边界，便于进一步的矢量化处理和应用。
附图说明
图1为本发明方法具体实施例的实施流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述。
本发明所采用的技术方案为：一种基于多尺度纹理空间聚类的高分影像建筑区提取方法，其特征在于，包括以下步骤：
(1)对输入影像进行多尺度小波分解，获得低频近似系数图像和多方向的高频细节系数图像，形式表达式为：
其中，f为输入影像，WT表示小波变换，L为分解的层数，AL为第L层分解的低频近似系数图像，HL，VL和DL分别为第L层分解的水平、垂直和对角方向的高频细节系数图像；
小波变换能够将图像分解为低频和高频的子带，低频子带代表图像的近似部分，高频子带代表图像的细节信息(包括水平、垂直和对角三个方向)。低频近似部分又可以进一步分解产生新的低频子带和高频子带，依次类推，可以实现对图像的多层(或多级)分解。每一层分解，得到一个尺度的细节信息。本发明通过对输入影像进行多层小波分解，获得建筑区多尺度的细节信息，每个尺度均包含水平、垂直和对角三个方向。作为优选，分解层数L的取值为3，小波变换采用二维离散小波变换。
本发明进行小波分解的输入影像f为全色影像，对于多光谱影像可以利用其RGB波段转化为灰度影像。
(2)在每个分解层，对多方向的高频细节系数图像进行特征集成，并将其结果作为该层的纹理强度图像；
在每个分解层，均包含水平、垂直和对角三个方向的高频细节系数图像。在不同的方向，高频细节系数通常是不同的。常用的多方向特征集成方法有平均值法、加权平均法等，本发明采用极值法，通过最大化运算求取三方向高频细节系数图像的极大值，计算公式为：
IL(x,y)＝max{HL(x,y),VL(x,y),DL(x,y)}， (2)
其中，HL(x,y),VL(x,y)和DL(x,y)分别为第L层分解中像素(x,y)在水平、垂直和对角三个方向的高频细节系数图像，max为最大化运算，逐像素执行，IL(x,y)为计算结果，其取值大小描述了该像素纹理强度的强弱。
由于影像中的建筑区内部对象具有明显的方向性，通过基于最大化运算的极值法进行特征集成，能够获得增强的高频细节系数图像。
(3)对各层纹理强度图像，进行空间自相关统计分析，得到各层纹理强度的空间分布模式图像；
空间自相关描述了事物在空间分布的相似性或依赖性，空间自相关统计量能够对这种特性进行有效的度量，揭示事物在空间的分布模式。局部空间自相关统计量包括Moran’s I、Geary’s C和Getis-Ord G*三个指数。由于统计量G*不仅能够识别聚类，还能够将高值聚类(又称为“热点”)和低值聚类(又称为“冷点”)区分开。因此本发明选用局部空间自相关统计量G*来度量纹理强度图像每个像素的空间自相关程度，其计算公式为：
Gi*(d)＝∑jwij(d)xj/∑jxj， (3)
其中，Gi*为第i个像素空间自相关程度值，xj为第j个像素的属性值，wij(d)为描述空间关系的空间权重矩阵，其计算方法为：如果第j个像素位于以第i个像素为中心半径为d的范围内则wij(d)＝1，否则wij(d)＝0。
通过对纹理强度图像的每个像素进行G*计算，可以产生一个新的图像，该图像描述了纹理强度的空间分布模式。
(4)对各层纹理强度的空间分布模式图像，进行跨尺度的特征融合，得到融合多尺度纹理特征的空间分布模式图像；
特征融合是为了集成建筑区多尺度的纹理信息，特征融合的方法很多，作为优选本发明选用主成分变换法来实现该目的。主成分变换也就是主成分分析(Principal Component Analysis,PCA)，主成分分析是统计学中比较经典的处理数据的方法，可以认为是现有技术，此处不再赘述。
基于多尺度小波分解获得的结果图像，在不同的分解层具有不同的尺度，从而各层纹理强度的空间分布模式图像也具有不同的尺寸大小，因此特征融合需要跨尺度进行，具体可按如下步骤进行：
(a)将各层纹理强度的空间分布模式图像通过空间插值使其与原始输入影像具有相同的尺寸；需要说明的是这里的空间插值就是影像重采样，具体是升采样，因为影像重采样包含降采样和升采样，升采样是通过插值实现的，属于测绘、遥感和地理信息技术领域的现有技术。此处空间插值可以用的方法包括最近邻法、双线性内插法和双三次卷积法等。
(b)对插值后的各层纹理强度的空间分布模式图像进行主成分变换，并将其第一主成分作为融合多尺度纹理特征的空间分布模式图像。具体实现过程如下：将第各层纹理强度的空间分布模式图像分别按列首尾相接构成一维向量，记为Xi(i＝1,2,…,L)；令X＝(X1,X2,…,XL)，计算矩阵X的协方差矩阵，记作C；求协方差矩阵C的特征值及其对应的特征向量；设最大特征对应的特征向量为a＝(a1,a2…,aL)，则第一主成分向量Y1＝a1X1+a2X2+…+aLXL；将第一主成分向量Y1按列顺序重新排成与原始输入影像具有相同维数的矩阵，即得融合多尺度纹理特征的空间分布模式图像。
(5)对融合多尺度纹理特征的空间分布模式图像，进行空间聚类探测，并通过阈值分割获得建筑区域。
空间聚类探测，是指根据空间自相关程度的大小，从融合多尺度纹理特征的空间分布模式图像中识别高值集聚区和低值集聚区。通过阈值实现图像二值化的方法很多，作为优选，本实施例选用最大类间方差法进行二值化，将高值集聚区作为建筑区，用1表示，将低值分布区作为背景，用0表示。
以上为本发明的优选实施方式，基于本领域的普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也应视为本发明的保护范围。