CN101853514B - 彩色地质图图像的交互式矢量化方法及其系统 - Google Patents

Abstract

本发明公开了一种彩色地质图图像的交互式矢量化方法及其系统，其中该方法包括：步骤一，获取与该光标位置处颜色的色差相近的线划，并根据线划宽度控制能被识别的线划；步骤二，去除被识别的线划两侧边缘的毛刺，填充内部的孔洞，得到粗线划；步骤三，对粗线划进行细化；步骤四，对细化处理后的单像素宽、八连通的中间线骨架进行线划跟踪获取矢量串，对矢量串进行抽稀处理得到顶点坐标串；步骤五，根据顶点坐标串生成Shapefile线文件，并将Shapefile线文件由屏幕坐标系变换到现实世界坐标系。本发明能够识别彩色地质图图像中颜色趋于一致的、宽度一定的、连通的线划。

Description

彩色地质图图像的交互式矢量化方法及其系统

技术领域

本发明涉及图像处理与模式识别领域，特别是涉及一种彩色地质图图像的交互式矢量化方法及其系统。

背景技术

目前我国许多大中型矿产由于地质储量枯竭成为资源危机性矿山，但这些矿山许多是由于地质勘查工作投入不够，在其深部及其外围资源潜力不清所致。为解决这些矿产资源危机问题，我国立专项进行危机矿山外围及深部矿产资源勘查工作。目前此项工作正在全国几十个危机矿山全面实施。危机矿山外围及深部矿产资源找矿的突破关键在于隐伏矿床三维立体定位预测的实现，成功的隐伏矿床三维立体定位预测，既依赖于新的理论和勘探技术方法，又依赖于使用先进计算机及信息技术，对危机矿山地质勘查工作获取的多方法信息资料，进行集成、综合。危机矿产地质勘探资料数据包括了从矿山勘探发现和开采后补充勘探等几十年的资料，同时新的危机矿山找矿工作也会产生大量的基础信息，这些信息资料涵盖了地质、地球物理、地球化学、遥感和深部勘探等多专题的数据；同时，危机矿山地质勘探工作要求在三维立体空间进行，即从空中、地表、地下进行探测，形成全空间的立体三维数据。随着危机矿山找矿工作的深入，对于已经获取的三维空间多元地质勘查数据的有效管理，和在此基础上的储量估算处理，无疑将对危机矿山外围及深部矿产资源找矿工作起到重要的推动作用。危机矿产地质勘探资料图件矢量化，就是危机矿山三维信息评价系统的第一步。所以，开发出先进实用的彩色地质图图像交互式矢量化组件能有效地为危机矿山三维信息评价系统服务。

空间数据模型是关于现实世界中空间实体及其相互间联系的概念，它为描述空间数据的组织和设计空间数据库模式提供基本方法。空间数据模型主要有两种，即基于对象(要素)(Feature)的模型、场(Field)模型。基于对象(要素)的模型强调了离散对象(矢量方法强调了离散现象的存在，由边界线(点、线、面)来确定边界，因此可以看成是基于要素的)，根据它们的边界线以及组成它们或者与它们相关的其它对象，可以详细地描述离散对象，矢量模型的表达源于原型空间实体本身，通常以坐标来定义，一个点的位置可以二维或者三维中坐标的单一集合来描述。一条线通常由有序的两个或者多个坐标对集合来表示。场模型(栅格数据模型是基于连续铺盖的，它是将连续空间离散化)表示了在二维或者三维空间中被看作是连续变化的数据。基于栅格的空间模型把空间看作像元(Pixel)的划分，每个像元都与分类或者标识所包含的现象的一个记录有关。像元与“栅格”两者都是来自图像处理的内容，其中单个的图像可以通过扫描每个栅格产生。GIS中栅格数据经常是来自人工和卫星遥感扫描设备中，以及用于数字化文件的设备中。

地质图模式识别技术是一种智能技术，是一门有关计算机科学、数字图像处理、计算机视觉、模式识别和人工智能等学科的综合性技术。它是研究如何使计算机实现人对地质图的阅读和理解，探讨采用机器模拟人类视觉系统，以及模拟人脑对视觉信息的分析判决过程。它可以从二维数字扫描图像中提取目标的色彩、形状和语义信息，并通过对特征信息的处理与分析，完成对不同地质图模式的分类决策，获取地质图要素的质量意义。地质图模式识别是传统地质图制图迈向数字地质图制图的一座桥梁，因此，地质图模式识别代表了当前地质图制图领域发展的前沿和主攻方向。它与遥感技术、地理信息系统一起，被称为现代地图制图的三大技术。地质图模式识别技术是实现扫描方式地质图自动数字化的核心，对地质图数据库的建立以及GIS数据的快速采集、更新等领域，具有重大的意义和价值。

发明内容

本发明所要解决的技术问题在于提供一种彩色地质图图像的交互式矢量化方法及其系统，用于识别彩色地质图图像中颜色趋于一致的、宽度一定的、连通的线划。

为了实现上述目的，本发明提供了一种彩色地质图图像的交互式矢量化方法，其特征在于，包括：

步骤一，确定彩色地质图图像中的光标位置，从该光标位置开始获取与该光标位置处色差相近的线划，并根据线划宽度控制能被识别的线划；

步骤二，去除所述被识别的线划两侧边缘的毛刺，填充内部的孔洞，得到粗线划；

步骤三，应用细化算法对所述粗线划进行细化；

步骤四，对细化处理后的单像素宽、八连通的中间线骨架进行线划跟踪获取所述矢量串，对所述矢量串进行抽稀处理得到顶点坐标串；

步骤五，根据所述顶点坐标串生成Shapefile线文件，并将所述彩色地质图矢量化后的Shapefile线文件由屏幕坐标系变换到现实世界坐标系。

所述的彩色地质图图像的交互式矢量化方法，其中，所述步骤一中，进一步包括：

将所述光标位置处的像素颜色值由RGB颜色空间转换到均匀颜色空间，并通过CIE 1976 Lab色差公式、CMC(l:c)色差公式或CIE DE2000色差公式获取与所述光标位置处色差相近的线划的步骤。

所述的彩色地质图图像的交互式矢量化方法，其中，所述步骤三中，进一步包括：

通过跟踪到线划端点或线划交叉点停止线划跟踪的步骤。

所述的彩色地质图图像的交互式矢量化方法，其中，所述步骤四中，所述线划跟踪的步骤具体包括：

获取所述中间线骨架的像素坐标，所述像素坐标对应于在所述彩色地质图图像的矩阵中的行、列号，以一定的属性值标记所述像素坐标的坐标值，并将同属性的目标像素记录在同一个坐标串中，形成所述矢量串。

所述的彩色地质图图像的交互式矢量化方法，其中，所述步骤五中，进一步包括：

通过仿射变换、类似变换或投影变换，将所述彩色地质图矢量化后的Shapefile文件由屏幕坐标系变换到现实世界坐标系的步骤。

为了实现上述目的，本发明还提供了一种彩色地质图图像的交互式矢量化系统，其特征在于，包括：

线划识别模块，用于确定彩色地质图图像中的光标位置，从该光标位置开始获取与该光标位置处色差相近的线划，并根据线划宽度控制能被识别的线划；

去刺补孔模块，连接所述线划识别模块，用于去除所述被识别的线划两侧边缘的毛刺，填充内部的孔洞，得到粗线划；

线划细化模块，连接所述去刺补孔模块，用于应用细化算法对所述粗线划进行细化；

线划跟踪模块，连接所述线划细化模块，用于对细化处理后的单像素宽、八连通的中间线骨架进行线划跟踪获取所述矢量串；

抽稀处理模块，连接所述线划跟踪模块，用于对所述矢量串进行抽稀处理得到顶点坐标串；

坐标系转换模块，连接所述抽稀处理模块，用于根据所述顶点坐标串生成Shapefile线文件，并将所述彩色地质图矢量化后的Shapefile线文件由屏幕坐标系变换到现实世界坐标系。

所述的彩色地质图图像的交互式矢量化系统，其中，所述线划识别模块将所述光标位置处的像素颜色值由RGB颜色空间转换到均匀颜色空间，并通过CIE 1976 Lab色差公式、CMC(l:c)色差公式或CIE DE2000色差公式获取与所述光标位置处色差相近的线划。

所述的彩色地质图图像的交互式矢量化系统，其中，所述线划跟踪模块通过跟踪到线划端点或线划交叉点停止线划跟踪。

所述的彩色地质图图像的交互式矢量化系统，其中，所述线划跟踪模块通过获取所述中间线骨架的像素坐标，所述像素坐标对应于在所述彩色地质图图像的矩阵中的行、列号，以一定的属性值标记所述像素坐标的坐标值，并将同属性的目标像素记录在同一个坐标串中，形成所述矢量串。

所述的彩色地质图图像的交互式矢量化系统，其中，所述坐标系变换模块通过仿射变换、类似变换或投影变换，将所述彩色地质图矢量化后的Shapefile文件由屏幕坐标系变换到现实世界坐标系。

与现有技术相比，本发明的技术效果在于：

本发明提供了一种通过识别彩色地质图图像中线划信息，并提取出线划的顶点坐标串，最终生成矢量线的方法，此方法能够识别彩色地质图图像中颜色趋于一致的、宽度一定的、连通的线划。本发明属于彩色地质图图像模式识别，主要用途是识别彩色地质图图像中线划信息，并提取出线划的顶点坐标串，最终生成矢量线。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1是本发明彩色地质图图像的交互式矢量化方法流程图；

图2是本发明彩色地质图图像的交互式矢量化系统结构图；

图3是原始彩色地质图图像；

图4是本发明设定色差值28.37和宽度值7后提取的线划；

图5是本发明设定色差值28.37和宽度值2后提取的线划；

图6是本发明对线划去刺补孔后得到的粗线划；

图7是本发明对粗线划进行细化后的线划；

图8是本发明跟踪线划记录坐标串并抽稀得到的顶点坐标。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步更详细的描述。

本发明涉及到彩色地质图图像交互式矢量化的方法，就是彩色地质图图像模式识别，识别对应的栅格图像中线划信息，并提取出线划的顶点坐标串，最终生成矢量的线。人机交互矢量化也叫半自动矢量化，它利用人机交互，在操作员鼠标的引导下，依靠计算机对线状要素矢量化方向进行判断并采集数据，其速度比人工矢量化要快。此方法能够识别彩色地质图图像中颜色趋于一致的、宽度一定的、连通的线划，为实现这一目的，在本发明的技术方案中，首先确定彩色地质图图像中光标位置的像素颜色值(RGB空间)，然后将此颜色值由RGB颜色空间转换到CIE 1976 L*a*b*均匀颜色空间，再与此光标位置的八连通域像素值(CIE 1976 L*a*b*均匀颜色空间)进行色差计算(色差公式使用CIE DE2000色差公式)，小于某一色差值D，则记录此像素坐标位置(i，j)，同时在记录上像素坐标位置后，计算记录的粗线划的宽度W，如果W小于用户预定义的宽度LineWidth，则继续查找，否则停止计算。在获得线划后(即记录上符合条件的像素坐标位置)有必要进行“去刺补孔”操作，去除线划两侧边缘的毛刺，填充线划内部的孔洞。在经过上面三个步骤之后，识别到了粗线划，应用基于数学形态学的细化算法细化后，得到粗线划的中间线骨架。接下来进行线划跟踪，是将细化处理后的单像素宽、八连通的中间线骨架以相应的矢量串表示。矢量化的核心就是线划跟踪，线划跟踪的任务是获取中间线骨架的像素坐标(x，y)，(x，y)对应于该像素在图像矩阵的行、列号(i，j)，并且以一定的属性值标记这些坐标值，将同属性的目标像素记录在同一个坐标串中，形成矢量串，从而实现从图像栅格数据格式到矢量数据格式的转换。线划跟踪的停止条件是跟踪到线划端点和线划交叉点。抽稀处理是对跟踪出来的矢量串在确保矢量化线划形状不变的条件下，最大限度的减少线划上点的个数，去除线划上的非特征点，以达到压缩的目的。然后根据抽稀后的矢量串生成Shapefile线文件。在整幅彩色地质图图像矢量化完毕后，应用仿射变换、类似变换、投影变换中的一种方法，将整幅彩色地质图图像矢量化后的Shapefile文件由屏幕坐标系变换到现实世界坐标系。

如图1所示，为本发明彩色地质图图像的交互式矢量化方法流程图，详细步骤如下：

步骤S101：在彩色地质图图像中，首先确定该图像中光标位置的像素颜色值(RGB空间)，从光标位置像素开始计算，获得与此光标位置像素色差相近的线划信息。

该步骤中，判断两种颜色是否相近，此方法中应用了CIE 1976 Lab均匀颜色空间。在这个颜色空间里，各个不同颜色区域的数值变化必须与眼睛对颜色的感觉一致，相同的数值变化对应相同的颜色差别感觉。满足这个条件的颜色就称为颜色感觉上的均匀颜色空间。为实现均匀颜色空间的颜色比较，需对数据进行色差计算，所用的色差公式包括CIE 1976 Lab色差公式、CMC(l:c)色差公式、CIE DE2000色差公式。

在均匀颜色空间里，各个不同颜色区域的数值变化必须与眼睛对颜色的感觉一致，相同的数值变化对应相同的颜色差别感觉。满足这个条件的颜色就称为颜色感觉上的均匀颜色空间。目前采用的是CIE 1976 Lab均匀颜色空间，及其对应的色差公式来衡量两种颜色的差异性。

在CIE色度图上每一点都代表一个确定的颜色。但对人眼来说，当颜色的坐标位置变化很小时，不能感觉其变化，认为是原来的颜色。由此可见，每一颜色虽然在色度图上占一个点的位置，但对视觉来说，它实际上是一个范围，这叫颜色的宽容量。研究证明它的形状是椭圆，在色度图的不同位置上颜色的宽容量的大小和长轴方向都不同。蓝色部分的宽容量最小，也就是说，人眼对蓝色的辨别力强，当坐标值略有变化时视觉就能察觉出颜色的变化。而绿色部分的宽容量最大。在色度图上端的宽容量椭圆的长轴与y轴坐标方向近于一致，而下端则与x轴较为接近。沿长轴方向坐标值要较大变化视觉才能感觉到颜色的变化，而沿短轴则反之。从这一点来看CIE色度图并不是理想的色度图。因为图上的色度空间在视觉上是不均匀的，它不能反映颜色的视觉效果。理想的色度图应使每一种颜色的宽容量都接近圆形，并且大小也较一致。为此CIE制定了CIE 1960均匀色度标尺图(CIE 1960 Uniform Chromaticity-ScaleDiagram，CIE 1960 UCS图)。

在表示色差方面，CIE 1960均匀色度标尺图比CIE 1931色度图有了明显的改进。但在图上没有明度坐标，这对计算色差很不方便。所以，在1964年又提出了CIE 1964均匀颜色空间。在此坐标系中除了引用UCS坐标系的色坐标外还引入了亮度值，这一坐标用U*、V*、W*表示。其中U*、V*代表色度指数，W*代表明度指数。为了进一步统一评价颜色的差别方法，CIE在1976年又推荐了两个颜色空间及有关色差公式。这两个颜色空间分别为CIE 1976(L*u*v*)空间和CIE 1976(L*a*b*)空间，其中L*是明度。在CIE 1976(L*u*v*)空间中的横坐标为u′，纵坐标为v′。由x、y坐标转换为u′、v′坐标可用下列公式：

$u^{\′}=\frac{4x}{(x+15y+3z)}$ 或 $u^{\′}=\frac{4x}{(-2x+12y+3z)}$

$v^{\′}=\frac{9y}{(x+15y+3z)}$ 或 $v^{\′}=\frac{9y}{(-2x+12y+3z)}$

为了使物体色在知觉上具有均匀空间，并反映出大于阈值小于孟塞尔颜色系统所表示的色差，CIE推荐了第二个均匀颜色空间L*a*b*。L*a*b*均匀颜色空间是由一个明度因数L和两个色度因数a、b组成的，L从0到100，a从红色变化到绿色，b从黄色变化到蓝色，它们的值在-120～120之间。

明度 $L*=116{\left(\frac{1}{Y_n}\right)}^{1/3}-16,$ $\frac{1}{Y_n}>0.008856;$

色度 $\left\{\begin{array}{c}a*=500[{\left(\frac{X}{X_n}\right)}^{1/3}-{\left(\frac{Y}{Y_n}\right)}^{1/3}];\\ b*=200[{\left(\frac{Y}{Y_n}\right)}^{1/3}-{\left(\frac{Z}{Z_n}\right)}^{1/3}];\end{array}\right.$

$\frac{X}{X_n},\frac{Y}{Y_n},\frac{Z}{Z_n}>0.008856$

式中，X、Y、Z分别为CIE 1931标准色度学系统的三刺激值，X_n、Y_n、Z_n为观察样品时使用的照明光源所对应的标准照明体三刺激值，通常规定印刷业使用D₆₅或D₅₀为标准照明体。照明体D₆₅和D₅₀的三刺激值X_n、Y_n、Z_n以及色品坐标值，列于表1中。上述公式适用于颜色不太暗的情况，即满足X/X_n、Y/Y_n和Z/Z_n分别大于0.008856的条件。一般而言，绝大多数四色印刷形成的。

下表1描述了照明体D₆₅或D₅₀视场三刺激值及色品坐标值。

颜色都能满足这个条件。但是，当三刺激值中的某一项不满足这个条件时，该公式应该如何使用却往往没有详细的说明，在计算较暗颜色时就会出现问题。事实上，该公式还有更普遍的表达形式：

明度 $L*=116f\left(\frac{Y}{Y_n}\right)-16;$

色度 $\left\{\begin{array}{c}a*=500[f\left(\frac{X}{X_n}\right)-f\left(\frac{Y}{Y_n}\right)];\\ b*=200[f\left(\frac{Y}{Y_n}\right)-f\left(\frac{Z}{Z_n}\right)].\end{array}\right.$

其中

上式为分段函数，以0.008856为临界点，在中、亮调区为立方根函数，在暗调区为线性函数。f(X/X_n)、f(Y/Y_n)、f(Z/Z_n)在临界点的0.008856处有衔接情况。当X/X_n、Y/Y_n和Z/Z_n等于临界值0.008856时，f(X/X_n)、f(Y/Y_n)、f(Z/Z_n)在0.2069处相接。当X/X_n、Y/Y_n和Z/Z_n等于0时，f(X/X_n)、f(Y/Y_n)、f(Z/Z_n)不等于0，而是等于0.1379。

CIE 1976 Lab色差公式：

在与颜色感觉一致的均匀颜色空间内，2个颜色样品之间的色差表示为其坐标点之间的距离，即

$\mathrm{\Δ}{E}_{\mathrm{ab}}^{*}=\sqrt{{(L_1^{*}-L_2^{*})}^2+{(a_1^{*}-a_2^{*})}^2+{(b_1^{*}-b_2^{*})}^2}$

式中，L₁，a₁，b₁和L₂，a₂，b₂分别是2个样品的坐标值[38]。

色差公式的几何意义，是在均匀颜色空间以标准色样的坐标点为中心的一个椭球，其在L，a，b三个方向的半轴长分别为(L₁-L₂)，(a₁-a₂)和(b₁-b₂)。若规定椭球内的颜色满足色差容限的要求，则椭球外的颜色与标准色样的色差超出了色差容限范围，便不满足色差的要求。总色差还可以分解为明度差、色调差和饱和度差等3个感觉分量。由于颜色的明度差为：

$\mathrm{\Δ}{L}_{\mathrm{ab}}^{*}=L_1^{*}-L_2^{*},$

根据饱和度公式可得颜色的彩度差：

$\mathrm{\Δ}{C}_{\mathrm{ab}}^{*}=\sqrt{{\left(a_1^{*}\right)}^2+{\left(b_1^{*}\right)}^2}-\sqrt{{\left(a_2^{*}\right)}^2+{\left(b_2^{*}\right)}^2},$

进而得到色调差公式：

$\mathrm{\Δ}{h}_{\mathrm{ab}}^{*}=\sqrt{{\left(\mathrm{\Δ}{E}_{\mathrm{ab}}^{*}\right)}^2+{\left(\mathrm{\Δ}{L}_{\mathrm{ab}}^{*}\right)}^2-{\left(\mathrm{\Δ}{C}_{\mathrm{ab}}^{*}\right)}^2}$

Δh^* _ab的符号取决于2个样品的色调角度差(h^* _ab1-h^* _ab2)。如果该角度差为正，则Δh^* _ab为正值；如果该角度差为负，Δh^* _ab也为负值。由此，总色差又可以表述为明度差、色调差和彩度差的形式：

$\mathrm{\Δ}{E}_{\mathrm{ab}}^{*}=\sqrt{{\left(\mathrm{\Δ}{L}_{\mathrm{ab}}^{*}\right)}^2+{\left(\mathrm{\Δ}{h}_{\mathrm{ab}}^{*}\right)}^2-{\left(\mathrm{\Δ}{C}_{\mathrm{ab}}^{*}\right)}^2}$

进而又可推导出

${(a_1^{*}-a_2^{*})}^2+{(b_1^{*}-b_2^{*})}^2={\left(\mathrm{\Δ}{h}_{\mathrm{ab}}^{*}\right)}^2-{\left(\mathrm{\Δ}{C}_{\mathrm{ab}}^{*}\right)}^2$

CMC(l:c)色差公式：

CMC是英国颜色测量委员会名称(the Society’s Color MeasurementCommittee)的缩写。CMC色差公式虽未被CIE推荐为标准，但却是目前工业上广泛采用的计算色差方法，CIE DE2000色差公式就是在此基础上改进得到的[38]。通过修正CIE 1976 Lab色差公式，CMC色差公式使各色调方向的色差椭圆大小可根据视觉的关系进行改变，比如在红色区域的椭圆比较瘦长，在绿色区域则比较圆；同时可改善饱和度差随明度的变化关系，给予饱和度不同的颜色以不同的色差容限，色差容限随饱和度的增加变大，反之则减小。

CMC色差公式为如下形式：

$\mathrm{\Δ}{E}_{\mathrm{cmc}}=\sqrt{{(\mathrm{\Δ}{L}^{*}/l{S}_L^{*})}^2+{(\mathrm{\Δ}{C}_{\mathrm{ab}}^{*}/c{S}_c)}^2+{(\mathrm{\Δ}{H}_{\mathrm{ab}}^{*}/S_H)}^2}$

S_L、S_C、S_H分别为明度差、彩度差和色调差的权重函数，可由下式计算：

$S_C=0.0638C_{\mathrm{ab}}^{*}/(1+0.0131C_{\mathrm{ab}}^{*})+0.638$

S_H＝S_C(FT+1-F)

式中：

$F=\sqrt{\left(C_{\mathrm{ab}}^{*}\right)/[\left(C_{\mathrm{ab}}^{*}\right)+1900]}$

值得说明的是，在表示色差时，应该指出计算所用的l和c值，通常写为ΔE*cmc(l:c)形式。例如，使用l＝2和c＝1计算得到的色差，应该表示为ΔE*cmc(2:1)。

CIE DE2000色差公式：

由于CIE 1976 Lab均匀颜色空间和色差公式仍然存在缺陷，国际照明委员会一直在寻找更理想的公式。在CIE LAB和CIE 94等色差公式的基础上，通过大量视觉实验和色差评估实验，于2001年正式推荐一个最新的色差公式，并命名为CIE 2000(ΔL′，ΔC′，ΔH′)色差公式，通常简称为CIE DE2000。在国际照明委员会的出版物CIE 142-2001《工业色差评估的改进》中，向全世界公布了这个新的色差公式，并计划通过一年至一年半的贯彻、推广、应用和修正，最终成为CIE和ISO的国际标准。

CIE DE2000色差公式的完整表述形式如下：

ΔV＝k_EΔ¹E₀₀

$\mathrm{\Δ}{E}_{00}={[{\left(\frac{\mathrm{\Δ}{L}^{\′}}{k_L{S}_l}\right)}^2+{\left(\frac{\mathrm{\Δ}{C}^{\′}}{k_C{S}_C}\right)}^2+{\left(\frac{\mathrm{\Δ}{H}^{\′}}{k_H{S}_H}\right)}^2+R_T\left(\frac{\mathrm{\Δ}{C}^{\′}}{k_C{S}_C}\right)\left(\frac{\mathrm{\Δ}{H}^{\′}}{k_H{S}_H}\right)]}^{0.5}$

式中，ΔV为被感知的色差，ΔE₀₀为用CIE DE2000计算的总色差，称kE-1为总色差的视觉敏感度。对于一般工业应用，可以不考虑总色差的视觉敏感度，而直接使用总色差ΔE₀₀来表示色差感觉。

式中的ΔL′、ΔC′、ΔH′分别表示明度差、彩度差和色调差，并按下列各式计算：

ΔL′＝L_b′-L_s′

ΔC＝C_b′-C_s′

ΔH′＝2(C_b′C_s′)^0.5·sin(Δh′/2)

式中脚标b和s分别表示颜色样品和标准色样。Δh′＝h_b′-h_s′，是色调角之差；L′＝L*(CIE 1976明度)；a′＝a*(1+G)，b′＝b*(CIE 1976色度)；C′＝sqrt(a²+b²)，h′＝180/π*arctan(b′/a′)，G为红绿轴的调整因子，是彩度的函数：

$G=0.5[1-\sqrt{\frac{{\stackrel{\‾}{C_{\mathrm{ab}}^{*}}}^7}{{\stackrel{\‾}{C_{\mathrm{ab}}^{*}}}^7+{25}^7}}]$

式中，C*ab是根据颜色样品和标准色样计算出的CIE 1976 Lab彩度平均值。权重函数S_L、S_C、S_H用来校正颜色空间的均匀性，可分别用下列各式计算：

$S_L=1+\frac{0.015{(\stackrel{\‾}{L^{\′}}-50)}^2}{\sqrt{20+{(\stackrel{\‾}{L^{\′}}-50)}^2}}$

S_C＝1+0.045C′

S_H＝1+0.015CT

L′，C′，h′分别表示用CIE DE2000公式计算的颜色样品和标准色样明度、彩度和色调角的算术平均值。

R_T称为旋转函数，用来校正蓝色区域色分辨椭圆主轴方向的偏转：

R_T＝-sin(2Δθ)R_C

上式中，Δθ是由色调决定的旋转角度，R_C是根据彩度变化的旋转幅度，分别由下列各式计算：

$\mathrm{\Δ\θ}=30\exp [-{\left(\frac{\stackrel{\‾}{h^{\′}}-275}{25}\right)}^2],$

$R_C=2\·\sqrt{\frac{{\stackrel{\‾}{C^{\′}}}^7}{{\stackrel{\‾}{C^{\′}}}^7+{25}^7}}$

式中的参数因子k_L、k_C、k_H是与使用条件相关的校正系数，它们是影响色差感觉的因素。CIE给定了一组标准观测条件，如表2。在此标准观测条件下，k_L＝k_C＝k_H＝1。若不符合此条件时，则要根据工业色差评估条件来确定这些系数的值。

下表2给出了计算色差的标准观测条件

照明光源	模拟CIE标准照明体D65相对光谱功率分布的光源
		照度	1000 lx
观察者	正常色觉观察者
		背景	具有中等明度(L*＝50)的均匀灰色
样品模式	物体色
		色样大小	＞4°视场
色样间隔	两个样品边缘直接接触，间距尽量小
		色差幅度	0～5个CIE LAB色差单位
色样表面结构	颜色均匀，无可见花纹或不均匀性

步骤S102：在获得与光标位置色差相近的线划过程中，能够控制所识别线划的宽度(LineWidth，用户预定义的宽度，单位是像素)。计算已识别的粗线划的宽度W，W小于LineWidth值的粗线划能够被识别，W大于等于LineWidth值的粗线划认为是背景信息，不被识别。

计算线划宽度的方法：

已知：1、某一图像中的粗线划；2、一个边长为LineWidth的正方形。如果能将“边长为LineWidth的正方形”完全放入“粗线划”内，则粗线划的宽度W大于等于LineWidth，否则粗线划的宽度W小于LineWidth。“完全放入”的意思是边长为LineWidth的正方形中的每一个像素，均在粗线划中，即“粗线划”包含“正方形”。

步骤S103：在满足步骤S101中的条件1)(即小于某一色差)和步骤S102中的条件2)(小于LineWidth值)两个条件所识别的线划后，进行“去刺补孔”操作，去除线划两侧边缘的毛刺，填充线划内部的孔洞。

步骤S104：在经过上面步骤S101-步骤S103三个步骤之后，识别到了粗线划，应用基于数学形态学的细化算法细化后，得到粗线划的中间线骨架。

数学形态学(Mathematical Morphology)是一门应用于图像处理和模式识别领域的新兴科学，其历史可回溯到19世纪的Euler，Steiner，Crofton和本世纪的Minkowski，Matheron和Serra。1964年，法国的G.Matheron和J.Serra在积分几何的基础上，将数学形态学引入图像处理领域，并研制了基于数学形态学的图像处理系统。此后，他们又在法国建立了“枫月白露数学形态学研究中心”，在该中心的学者和其他各国研究人员的共同努力下，数学形态学得到了不断的丰富和发展，成为一种新型的图像处理的理论和方法。1982年，J.Sem的专著《图像分析与数学形态学》问世后，数学形态学在图像处理、模式识别和计算机视觉等领域引起广泛的重视和应用，这些应用反过来又促进它的进一步发展。在计算机视觉、信号处理与图像分析、模式识别、计算方法与数据处理等领域，数学形态学都取得了许多非常成功的应用。在计算机图像处理的许多方面，如图像增强、分割、恢复、边缘检测、纹理分析、颗粒分析、骨架化、形状分析、压缩及细化等，都获得了广泛的应用。

目前，数学形态学已由二值形态学、灰度形态学、软数学形态学、模糊形态学发展到模糊软形态学，在图像处理领域得到了越来越广泛的应用。数学形态学理论是一门建立在严格的数学理论基础之上，最基本的数学理论基础是积分几何和随机集论，同时还涉及到拓扑学、现代概率论、近世代数和集论、图论等一系列数学分支，是一门综合了多学科知识的交叉学科。作为一种新型的数字图像分析的方法和理论，数学形态学在图像的分析处理应用中，数学形态学提供了基于形状的处理方法，获得了广泛的应用。其主要内容是设计一套概念和变换运算，用以描述图像的基本特征或基本结构，亦即图像的各个像素或各个部分之间的关系，易于实现对数字图像的处理、识别和理解。它通过运用特定领域的形态变换来完成图像的几何特征分析，形态变换通过选择已知结构的较小图像特征集合一结构元素与目标的相互作用来实现。它最基本的思想是把图像看成是点的集合，用结构元素对其进行移位、交、并等集合运算就构成形态学的各种处理算法。其中结构元素也是由点的集合构成的，如线性、圆形、矩形、三角形，它相当于一种图像的“探针”，在图像中不断地移动结构元素，便可研究各个部分的关系。

结构元素，是人们为理解和处理一个复杂的图像，获取所需的信息而设计的一种结构简单、形状规则的图像单元。结构元素作为图像几何形状的探针，在运算变换中处于主导地位。形态变换有膨胀和腐蚀两种基本运算，由这两种运算可推导出其它运算，常用的运算还有开运算、闭运算、击中、薄化和厚化运算。基于这些基本运算还可以推导和组合成各种数学形态学实用算法。通过这些基本运算的适当组合，成为一种新的运算处理模式，往往能获得需要的图像处理效果。

数学形态学运算的基本理论和基本运算：

数学形态学是由一组形态学的代数运算子组成。最基本的形态学运算子有：腐蚀(Erosion)，膨胀(Dilation)、开(Opening)和闭(Closing)。通过这些运算子的组合可以进行图像形状和结构的分析及处理。

1.结构元素

为了确定目标图像的结构，必须逐个地考察图像各部分之间的关系并进行检验，最后将得到一个各部分之间关系的集合。在考察图像各部分之间的关系时，需要设计一种收集信息的“探针”即“结构元素”或“结构矩阵”在图像中不断移动结构元素，就可以考察图像各部分之间的关系。

2.腐蚀和膨胀运算

对一个给定的目标图像x和一个结构元素s，将s在图像上移动，在每一个当前位置x，若S[x]与x最大相关即 $S\left[x\right]\⊆X.$ 满足此条件的点x的全体构成了结构元素与图像的最大相关点集。称这个点集为S对X的腐蚀，记为 $\mathrm{X\ΘS}=\left\{x\right|S\left[x\right]\⊆X\}.$

与腐蚀相反，可以把x中的每一个点x扩大为S[x]，即膨胀运算，记为

此式定义为 $X\⊕S=\left\{x\right|S\left[x\right]\∩x\≠\mathrm{\Φ}\}.$

腐蚀和膨胀的代数性质：

对偶性：

${\left(X^c\mathrm{\ΘS}\right)}^c=X\⊕S,{(X^c\⊕S)}^c=\mathrm{X\ΘS}$

单调性：

$X^{\′}\⊆X\⇒X^{\′}\mathrm{\ΘS}\⊆\mathrm{X\ΘS},$ $X^{\′}\⊕S\⊆\mathrm{X\ΘS}$

$S^{\′}\⊆S\⇒\mathrm{X\Θ}{S}^{\′}\⊇\mathrm{X\ΘS},$ $X\⊕S^{\′}\⊆X\⊕S$

递减(增)性：

$O\∈S\⇒\mathrm{X\ΘS}\⊆X\⊆X\⊕S$

交换律：

$A\⊕B=B\⊕A$

腐蚀运算没有交换性，即AΘB≠BΘA。

结合律：

$\mathrm{A\Θ}(B\⊕C)=\left(\mathrm{A\ΘB}\right)\mathrm{\ΘC}$

$A\⊕(B\⊕C)=(A\⊕B)\⊕C$

平移不变性：

X[h]ΘS＝(XΘS)[h]

$X\left[h\right]\⊕S=(X\⊕S)\left[h\right]$

3.开运算与闭运算

在腐蚀和膨胀两个基本运算的基础上可以构造出形态学运算族。开运算和闭运算是其中两个最为重要的组合运算。

开运算：

开运算具有反扩张性，即开运算的结果总算包含在原图像中。开运算可以通过计算所有可以填入图像内部的结构元素平移的并求得。即对每一个可填入位置作标记，计算结构元素平移到每一个标记位置时的并运算，便可得到开运算结果。开运算是采用相同的结构元素对图像先进行腐蚀运算再进行膨胀运算，开运算可以去掉图中的一些孤立域和毛刺以及凸出部分，使图像更加平滑，而总的位置和形状不变。

闭运算： $X\·S=(X\⊕S)\mathrm{\ΘS}.$

闭运算沿图像的外边缘填充，去除了凸向图像内部的尖角，填平缝隙，弥合孔洞和裂缝，能去掉图像上的小孔和凹部，使断线连接，而总的位置和形状不变。

开、闭运算的代数性质

对偶性：

(X^cοS)^c＝X·S

(X^c·S)^c＝XοS

收缩性：

单调性：

如果 $X\⊆X^{\′},$ 那么

$X\·S\⊆X^{\′}\·S$

如果 $B\⊆C,$ 且CοB＝C，那么

平移不变性：

X[h]οS＝(XοS)[h]

X[h]·S＝(X·S)[h]

XοS[h]＝XοS

X·S[h]＝X·S

等幂性：

(XοS)οS＝XοS

(X·S)·S＝X·S

4.击中/击不中变换

设X是被研究的图像，S是结构元素，而且S由两个不相交的部分S1和S2组成，即S＝S1∪S2且S1∩S2＝Φ。X被S“击中”的结果定义为：

X被S击中的结果仍然是一个图像，其中每个点p必须同时满足两个条件：S1被p平移后包含在X内，而且S2被p平移后不在X内。

击中运算还有另外一种表达式：

$X\⊗S=\left(\mathrm{X\Θ}{S}_1\right)\∩(X^c\⊕S_2)$

$=\left(\mathrm{X\Θ}{S}_1\right)\∩{(X\⊕S_2^v)}^c$

$=\left(\mathrm{X\Θ}{S}_1\right)-(X\⊕S_2^v)$

上式表明，X被S击中的结果相当于X被S1腐蚀的结果与X被S2的反射集S2膨胀的结果之差。

数学形态学的图像细化算法：

一幅图像中的一个3×3区域，对各点标记名称P1，P2.....P8，其中P1位于中心(如下所示)。

P3	P2	P9
			P4	P1	P8
P5	P6	P7

如果P1＝1(即黑点)，下面四个条件如果同时满足，则删除P1(P1＝0)。

(1)2≤NZ(P1)≤6；

(2)Z0(P1)＝1；

(3)P2*P4*P8＝0或者Z0(P1)≠1；

(4)P2*P4*P6＝0或者Z0(P4)≠1。

对图像中的每个点重复这一步骤，直到所有的点都不可删除为止。下图5-2是三种不能删除的特殊情况。

1	1	0
			1	P1	1
0	0	0

0	0	0
			1	P1	0
0	0	0

1	0	1
			0	P1	0
1	1	1

步骤S105：进行线划跟踪，是将细化处理后的单像素宽、八连通的中间线骨架以相应的矢量串表示。

该步骤中，矢量化的核心就是线划跟踪，线划跟踪的任务是获取中间线骨架的像素坐标(x，y)，(x，y)对应于该像素在图像矩阵的行、列号(i，j)，并且以一定的属性值标记这些坐标值，将同属性的目标像素记录在同一个坐标串中，形成矢量串，从而实现从图像栅格数据格式到矢量数据格式的转换。矢量化的经典方法是轮廓跟踪法，即把中间线骨架视作连通道路，进行连通道路的遍历来把每个连通道路上的所有像素串接在一起，形成链串式或坐标串。该方法是：以前面一个边缘点方向信息作指导，立足当前边缘点，搜索前进，找出一条完整轮廓曲线。每接受一个边缘点，便赋予其方向标识，或记录(i，j)坐标，使各个边缘点串连起来形成坐标串，停止跟踪的条件是：1、跟踪到线划端点；2、跟踪到线划交叉点。

步骤S106：抽稀处理是对线划跟踪出的矢量串在确保矢量化线划形状不变的条件下，最大限度的减少线划上点的个数，去除线划上的非特征点，以达到压缩的目的。

该步骤中，从矢量串开始点依次筛选，排除冗余点。即以第一点为起点，计算第二点到第一点和第三点所构成的直线的距离，如该距离大于某一阈值D，则保留第二点，并以该点作为新的起点，计算第三点到第二点和第四点所构成的直线的距离；否则，去掉第二点，仍以第一点为起点，计算原曲线上第三点到第一点和第四点所构成直线的距离。依次类推，直至曲线上的最后一点。

步骤S107：经过步骤S101到步骤S106，获得了彩色地质图图像中线划的顶点坐标串，然后使用该顶点坐标串生成Shapefile线文件。

步骤S108：应用仿射变换、类似变换、投影变换中的一种方法，将整幅彩色地质图矢量化后的Shapefile线文件由屏幕坐标系变换到现实世界坐标系。

该步骤中，矢量化后的整张彩色地质图必须转换成现实世界坐标(如高斯-克里格坐标系统、UTM坐标系统等)，才能用于Gis项目，因此在整幅彩色地质图矢量化完毕后，经常需要进行投影变换，以得到经纬度参照系下的彩色地质图。

几何变换就是利用一套控制点和变换方程，将数字地质图或图像从一种坐标系转换成另一种坐标系的过程。几何变换的一般过程。第一步，获取控制点(tics)设备坐标系下的值；第二步，获取控制点(tics)的现实世界坐标系的值；第三步，选择几何变换的方法，并进行变换。几何变换有几种方法(Taylor，1977)，各种方法的区别在于它能保持的几何性质，以及对目标的操作和改变。

(1)仿射变换：允许长方形角度变形，但保留线的平行性。

(2)类似变换：允许旋转长方形，保持形状不变，但不保持大小不变。

(3)投影变换：允许角度和长度变形，而使长方形变换成不规则四变形。

在几何校正中三个变换(仿射变换、类似变换、投影变换)的线性方程。

仿射变换线性方程：

X’＝Ax+By+C

Y’＝Dx+Ey+F

类似变换线性方程：

X’＝Ax+By+C

Y’＝-Bx+Ay+F

投影变换表达为一对线性方程：

X’＝(Ax+By+C)/(Gx+Hy+1)

Y’＝(Dx+Ey+F)/(Gx+Hy+1)

利用最小二乘法，代入(X、Y)、(X’、Y’)坐标对，用线性方程组求解出(Cholesky分解法)系数。使用解出的系数，将整幅彩色地质图矢量化后的Shapefile文件由屏幕坐标系变换到现实世界坐标系。

如图2所示，为本发明的彩色地质图图像的交互式矢量化系统结构图，结合图1所示，该系统200的结构包括：

线划识别模块201，用于确定彩色地质图图像中的光标位置，从该光标位置开始获取与该光标位置处色差相近的线划，并根据线划宽度控制能被识别的线划；具体地，线划识别模块201将光标位置处的像素颜色值由RGB颜色空间转换到均匀颜色空间，并通过CIE 1976 Lab色差公式、CMC(l:c)色差公式或CIE DE2000色差公式获取与光标位置处色差相近的线划。

去刺补孔模块202，连接线划识别模块201，用于通过去刺补孔处理去除被识别的线划两侧边缘的毛刺，并填充内部的孔洞，得到粗线划；

线划细化模块203，连接去刺补孔模块202，用于应用基于数学形态学的细化算法对粗线划进行细化；

线划跟踪模块204，连接线划细化模块203，用于对细化处理后的单像素宽、八连通的中间线骨架进行线划跟踪获取矢量串；

抽稀处理模块205，连接线划跟踪模块204，用于对线划跟踪出的矢量串进行抽稀处理得到顶点坐标串；

坐标系转换模块206，连接抽稀处理模块205，用于根据顶点坐标串生成Shapefile线文件，并将整幅彩色地质图矢量化后的Shapefile线文件由屏幕坐标系变换到现实世界坐标系。

上述各模块中所实现的具体功能可参见图1中的相应步骤。

下面结合图1、图2，进一步通过一个具体的例子来描述本发明的彩色地质图图像的交互式矢量化的过程。

1)在彩色地质图图像(图3)中，从光标位置(19，8)开始计算，获得与此光标位置色差相近的线划信息。为实现均匀颜色空间的颜色比较，需对数据进行色差计算，所用的色差公式CIE DE2000色差公式。小于预定的色差值则被标记，如图4所示，设定色差值为28.37和宽度值为7后提取的线划，标记为斜线网格纹理10。

2)在获得与光标位置色差相近的线划过程中，能够控制所识别线划的宽度(LineWidth，用户预定义的宽度)。计算已识别的粗线划的宽度W，W小于LineWidth值的线划能够被识别，W大于等于LineWidth值的粗线划认为是背景信息，不被识别，如图5所示，设定色差值为28.37和宽度值为2后提取的线划，仅提取少部分线划。

3)在满足条件1)(即小于某一色差)和条件2)(小于LineWidth值)两个条件所识别的线划后，有必要进行“去刺补孔”操作，去除线划两侧边缘的毛刺，填充线划内部的孔洞。见图6中去刺补孔后的线划，与图3中的原始彩色地质图图像对比可知，将带孔带刺的线划处理成了丰满的粗线划。

4)在经过上面三个步骤1)、2)、3)之后，识别到了粗线划，应用基于数学形态学的细化算法细化后，得到粗线划的中间线骨架。如图7所示，细化后的线划。

5)线划跟踪，是指将细化处理后的单像素宽、八连通的中间线骨架以相应的矢量串表示。线划跟踪的停止条件是跟踪到线划端点和线划交叉点。抽稀处理是对线划跟踪出的矢量串在确保矢量化线划形状不变的条件下，最大限度的减少线划上点的个数，去除线划上的非特征点，以达到压缩的目的。如图8所示，其中跟踪线划记录坐标串并抽稀得到顶点坐标，斜线网格纹理10为细化后跟踪出的矢量串坐标，黑色20为抽稀后的顶点坐标串。

6)将抽稀后的顶点矢量串生成Shapefile线文件。

7)应用仿射变换、类似变换、投影变换，将整幅彩色地质图矢量化后的Shapefile线文件由屏幕坐标系变换到现实世界坐标系(如高斯-克里格坐标系统、UTM坐标系统等)。

本发明描述了通过识别彩色地质图图像中线划信息，并提取出线划的顶点坐标串，最终生成矢量线的方法，此方法能够识别彩色地质图图像中颜色趋于一致的、宽度一定的、连通的线划。本发明属于彩色地质图图像模式识别，主要用途是识别彩色地质图图像中线划信息，并提取出线划的顶点坐标串，最终生成矢量线。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种彩色地质图图像的交互式矢量化方法，其特征在于，包括：

步骤一，确定彩色地质图图像中的光标位置，从该光标位置开始获取与该光标位置处色差相近的线划，并根据线划宽度控制能被识别的线划；

步骤二，去除所述被识别的线划两侧边缘的毛刺，填充内部的孔洞，得到粗线划；

步骤三，应用细化算法对所述粗线划进行细化；

步骤四，对细化处理后的单像素宽、八连通的中间线骨架进行线划跟踪获取矢量串，对所述矢量串进行抽稀处理得到顶点坐标串；

步骤五，根据所述顶点坐标串生成Shapefile线文件，并将所述彩色地质图矢量化后的Shapefile线文件由屏幕坐标系变换到现实世界坐标系。

2.根据权利要求1所述的彩色地质图图像的交互式矢量化方法，其特征在于，所述步骤一中，进一步包括：

将所述光标位置处的像素颜色值由RGB颜色空间转换到均匀颜色空间，并通过CIE 1976Lab色差公式、CMC(l:c)色差公式或CIE DE2000色差公式获取与所述光标位置处色差相近的线划的步骤。

3.根据权利要求1所述的彩色地质图图像的交互式矢量化方法，其特征在于，所述步骤四中，进一步包括：

通过跟踪到线划端点或线划交叉点停止线划跟踪的步骤。

4.根据权利要求1、2或3所述的彩色地质图图像的交互式矢量化方法，其特征在于，所述步骤四中，所述线划跟踪的步骤具体包括：

获取所述中间线骨架的像素坐标，所述像素坐标对应于在所述彩色地质图图像的矩阵中的行、列号，以一定的属性值标记所述像素坐标的坐标值，并将同属性的目标像素记录在同一个坐标串中，形成所述矢量串。

5.根据权利要求1、2或3所述的彩色地质图图像的交互式矢量化方法，其特征在于，所述步骤五中，进一步包括：

通过仿射变换、类似变换或投影变换，将所述彩色地质图矢量化后的Shapefile文件由屏幕坐标系变换到现实世界坐标系的步骤。

6.一种彩色地质图图像的交互式矢量化系统，其特征在于，包括： 

线划识别模块，用于确定彩色地质图图像中的光标位置，从该光标位置开始获取与该光标位置处色差相近的线划，并根据线划宽度控制能被识别的线划；

去刺补孔模块，连接所述线划识别模块，用于去除所述被识别的线划两侧边缘的毛刺，填充内部的孔洞，得到粗线划；

线划细化模块，连接所述去刺补孔模块，用于应用细化算法对所述粗线划进行细化；

线划跟踪模块，连接所述线划细化模块，用于对细化处理后的单像素宽、八连通的中间线骨架进行线划跟踪获取所述矢量串；

抽稀处理模块，连接所述线划跟踪模块，用于对所述矢量串进行抽稀处理得到顶点坐标串；

坐标系转换模块，连接所述抽稀处理模块，用于根据所述顶点坐标串生成Shapefile线文件，并将所述彩色地质图矢量化后的Shapefile线文件由屏幕坐标系变换到现实世界坐标系。

7.根据权利要求6所述的彩色地质图图像的交互式矢量化系统，其特征在于，所述线划识别模块将所述光标位置处的像素颜色值由RGB颜色空间转换到均匀颜色空间，并通过CIE 1976 Lab色差公式、CMC(l:c)色差公式或CIE DE2000色差公式获取与所述光标位置处色差相近的线划。

8.根据权利要求6所述的彩色地质图图像的交互式矢量化系统，其特征在于，所述线划跟踪模块通过跟踪到线划端点或线划交叉点停止线划跟踪。

9.根据权利要求6、7或8所述的彩色地质图图像的交互式矢量化系统，其特征在于，所述线划跟踪模块通过获取所述中间线骨架的像素坐标，所述像素坐标对应于在所述彩色地质图图像的矩阵中的行、列号，以一定的属性值标记所述像素坐标的坐标值，并将同属性的目标像素记录在同一个坐标串中，形成所述矢量串。

10.根据权利要求6、7或8所述的彩色地质图图像的交互式矢量化系统，其特征在于，所述坐标系变换模块通过仿射变换、类似变换或投影变换，将所述彩色地质图矢量化后的Shapefile文件由屏幕坐标系变换到现实世界坐标系。 

Images