CN101551863B - 基于非下采样轮廓波变换的遥感图像道路提取方法 - Google Patents

Abstract

本发明公开了一种从遥感图像中提取道路的方法，属于图像处理技术领域，主要解决现有技术对道路检测定位不够准确、虚假目标多且连续性较差的问题。具体实现过程是：首先，对输入图像进行包括自适应直方图均衡化和Frost去噪的预处理；然后对其进行3层非下采样轮廓波变换，每层分解为8个方向，提取第1层和第2层各方向子带的模极大值作为道路的线性特征向量；再采用模糊C均值聚类算法对得到的特征向量进行聚类，获得道路的初始提取结果；最后，对初始提取进行非极大值抑制以及基于空间关系的道路后处理，得到最终的道路提取结果。本发明具有道路定位准确、完整性好且计算复杂度低、不需要训练学习等优点，用于遥感图像分析和处理。

Description

基于非下采样轮廓波变换的遥感图像道路提取方法

技术领域

本发明属于图像处理技术领域，涉及图像目标检测，特别是一种遥感图像道路提取方法，适用于遥感图像分析和处理。

背景技术

空间技术和信息技术的飞速发展为我们提供了大量的遥感数据，而且从遥感影像中获取目标信息己成为现阶段空间信息更新的重要手段。因此，如何智能解译海量的遥感数据也相应地成为了信息化建设过程中面临的重要问题。作为其中的研究热点，道路的提取研究更是得到了广泛关注，在国民经济生产和军事目标侦察领域具有十分重要的理论和现实意义。遥感图像道路提取是图像目标检测的一个重要内容，对于地图更新、目标识别、影像匹配等方面具有重要的辅助意义，因而是图像目标检测的一个重要内容。

在图像处理领域，形状是目标的一种本质特征，基于形状的目标识别是计算机目标识别中一种重要的技术方法。在各种形状的目标中，线状目标占有很大一部分比例，因而研究线状目标的自动识别具有很重要的理论意义和实用价值。道路是典型的线状目标，因此在处理遥感图像的过程中，对线性地物尤其是对道路的提取占有十分基础和重要的位置。

目前，国内外的专家们提出了许多道路提取的方法，尤其是近年来国内外的研究者们在不同的研究领域提出了许多理论和方法，推动了遥感图像道路网的自动提取技术的巨大进步。线性特征提取方法分为空域的方法和变换域的方法，前者包括基于模板的方法、阈值的方法、形态学的方法以及基于蛇模型的方法等等；后者包括基于小波、小波包的方法，其中Gabor小波在指纹提取、视网膜血管提取等领域应用非常广泛，但是由于Gabor小波基函数的非正交性、倍频性不够显著等缺点，对道路奇异性的描述存在本质的不足。Gabor小波的另一个缺点是参数调整比较复杂，因而限制了其应用。

近几年，多尺度几何理论的发展为图像处理提供了新的思路。多尺度几何变换能够从多方向、多分辨等角度对图像中的轮廓和纹理等方向信息进行稀疏表示，并且对图像中的线状奇异性具有很强的表征能力。非下采样轮廓波以其良好的性能，获得了较为广泛的应用。在非下采样轮廓波变换的基础上进行图像去噪、融合、增强、编码等方法均取得了较好的效果。但将非下采样轮廓波变换很好的用于道路提取还是一个挑战，目前还没有将此变换用于遥感图像道路提取的相关技术。

发明内容

本发明的目的在于克服已有技术的缺陷，提出一种基于非下采样轮廓波变换的遥感图像道路提取方法，以剔除虚假目标，提高道路的连续性，实现对道路的准确定位。

本发明的技术方案是在非下采样轮廓波的多尺度性，多方向性，平移不变性的基础上，通过分析非下采样轮廓波变换对遥感图像中道路和背景像素的系数响应的差异，设计出遥感图像道路检测的方法。其提取的步骤包括：

1)对输入图像X进行包括Frost去噪和自适应直方图均衡化的预处理；

2)对预处理后的图像进行3个尺度非下采样轮廓波变换，每个尺度变换为8个方向，提取第1个尺度和第2个尺度各方向子带的模极大值作为道路的特征向量；

3)对提取的线性特征向量进行模糊C均值聚类；

4)对初始分割结果进行包括非极大值抑制以及基于空间关系的道路后处理，得到遥感图像道路。

上述步骤4)所述的对初始分割结果进行包括非极大值抑制以及基于空间关系的道路后处理，按如下步骤进行：

(4a)用导数算子求出初始分割结果图的梯度大小和方向；

(4b)把梯度分为水平、竖直、45°方向和135°四个方向，将各个方向与邻近像素进行比较，在图像中某个像素的梯度方向上，若该像素的灰度值与其前后两个像素的灰度值相比不是最大的，则判定其为非道路像素，并将该像素的灰度值设定为0，否则判定其为道路像素，并将该像素的灰度值设定为1，得到道路集合ROAD；

(4c)计算道路集合ROAD中每个道路的长度length，剔除掉小于设定阈值的片段，得到最终的道路检测结果road。

本发明与现有技术相比具有如下优点

1)非下采样轮廓波变换在对线状奇异性表示方面优于其它变换域的方法，本发明通过对包含道路的遥感图像进行非下采样轮廓波变换，提取道路的线性特征向量，从而能够准确捕获图像中的高维奇异信息，很好的提取道路；并且非下采样轮廓波变换是一种固定框架、固定参数的变换，它能够有效避免其它方法中需要设置多个参数的问题，使检测的结果更加稳健。

2)本发明采用的模糊C均值聚类由于不需要训练学习，运算速度快，因此提高了检测的效率。

3)本发明由于采用对初始分割进行非极大值抑制，可以使检测出的道路单像素化易于后处理，同时便于将检测道路结果叠加到原始图像上，更好的评价检测的结果。

附图说明

图1是本发明的实现流程示意图；

图2是本发明的道路检测原理图；

图3是本发明输入的一幅待检测遥感道路图像；

图4是是本发明对图3进行Frost去噪后的结果；

图5是是本发明对图4进行直方图均衡化后的结果；

图6是本发明对图3进行非下采样轮廓波变换仿真的第1个尺度的特征图；

图7是本发明对图3进行非下采样轮廓波变换仿真的第2个尺度的特征图；

图8是本发明对第1个和第2个尺度的特征图进行模糊C均值聚类的初始结果图；

图9是本发明对初始结果图进行后处理的最终结果图；

图10是采用现有的Gabor小波的方法对图3提取的结果图；

图11是采用现有的分水岭方法对图3提取的检测结果图。

具体实施方式

参照图1，本发明的实施如下：

步骤1，对输入图像X进行预处理。预处理包括Frost和自适应直方图均衡化，分别如图3和图4所示。

步骤2，对预处理后的图像进行变换。

(2a)对预处理后的图像进行K个尺度非下采样轮廓波变换，本实例取K＝3，每个尺度变换分为D个方向，本实例取D＝8；并将预处理后的图与其进行变换后的图的三维系数进行对比，如图2(c)和2(d)所示。其中图2(a)是预处理后的图像，图2(b)是图2(a)进行变换后第2层某方一向上的系数图，图2(c)是图2(a)中白方框内的三维系数图，图2(d)是图2(b)中白方框内的三维系数图，通过对比分析可以得到，非下采样轮廓波变换后道路的中心线的系数值是三维系数图的峰值，因此本发明利用这一特点，主要提取变换后各个尺度上的最大值作为特征值。

步骤3，提取道路的特征向量。

(3a)设输入图像X中某像素为x(i，j)，对应的非下采样轮廓波系数为c_k，d(i，j)，k＝1，...，K，d＝1，...，D，其中k表示尺度参数；d表示子带的方向；

(3b)舍弃K＝3时的特征，将对应于像素x(i，j)的系数表示为：

c_k，d(i，j)，k＝1，...K-1，d＝1...D；

(3c)根据像素c_k，d(i，j)的系数，分别计算非下采样轮廓波变换后第1和第2个尺度上8方向中系数的最大值为：

$V_k(i,j)=\underset{d}{\max }\left\{c_{k,d}(i,j)\right\},k=\mathrm{1,2}$

V_k(i，j)，k＝1，2为输入图像X中每个像素x(i，j)在各个尺度上的特征；V_k，k＝1，2为整幅图像在各个尺度上的特征向量；

(3d)对V_k进行归一化，作为道路的线性特征：

${\hat{V}}_k=\frac{V_k-{\mathrm{\μ}}_k}{{\mathrm{\σ}}_k},k=\mathrm{1,2};$

其中，μ_k，σ_k分别是V_k的均值和方差，图6和图7分别为归一化后的第1个和第2个尺度上的线性特征。

步骤4，将提取的线性特征向量输入到模糊C均值分类器中进行聚类，得到道路的隶属度矩阵U，并将该隶属度矩阵U作为初始的分割结果，如图8所示。

步骤5，对初始分割结果进行后处理。

(5a)对于初始分割的结果图，用导数算子，比如Prewitt算子或Sobel算子，找到其沿x，y两个方向的偏导数(G_x，G_y)，并按照以下式子求出初始分割结果图的梯度的大小|G|和方向θ：

$\left|G\right|=\sqrt{G_x^2+G_y^2}$

$\mathrm{\θ}=\mathrm{Arc}\tan \left(\frac{G_x}{G_y}\right);$

(5b)将初始分割结果图的梯度分为水平、竖直、45°方向和135°四个方向，并将各个方向与邻近像素进行比较，在图像中某个像素的梯度方向上，若该像素的灰度值与其前后两个像素的灰度值相比不是最大的，则判定其为非道路像素，并将该像素的灰度值设定为0，否则判定其为道路像素，并将该像素的灰度值设定为1，得到道路集合ROAD，如图9(a)所示，将其叠加到原图上，如图9(b)所示；

(5c)计算道路集合ROAD中每个道路的长度length，剔除掉小于设定阈值的片段，得到最终的道路检测结果road，如图9(c)所示，将其叠加到原图上，如图9(d)所示。

本发明的效果可通过以下实验结果与分析进一步说明：

图3所示输入的待检测图像中，标记1和标记2表示出待评价图像的细节区域。

图9(d)所示是本发明的结果，图10所示是现有基于Gabor小波的结果，图11所示是现有基于分水岭的结果，这三种结果图中的标记1和标记2也分别表示提取图像的区域细节。

从图9(d)所提取图像的区域细节中可以很明显的看出，本发明的方法可以很好的将原始图像中的直线和曲线道路提取出来，并且提取的道路和原始图像中的道路之间位移较小；

从图10所提取图像的区域细节中可以很明显的看出，现有基于Gabor小波的方法提取出的道路存在明显断裂，都是孤立的小片段，不能形成明显的道路网，并且有很多细的道路检测结果和原始图像中的道路线不一致，存在较多的漏检和误检；

从图11所提取图像的区域细节中可以很明显的看出，现有基于分水岭的方法能够将大多数的道路检测出来，但直接进行分水岭变换会产生严重的过分割现象，假的道路太多，后续处理复杂。

综上所述，本发明的方法具有道路定位准确、完整性好且计算复杂度低、不需要训练学习等优点，与现有技术相比具有非常明显的优势。

Claims (3)

1.一种基于非下采样轮廓波变换的遥感图像道路提取方法，包括如下步骤：

1)对输入图像X进行包括Frost去噪和自适应直方图均衡化的预处理；

2)对预处理后的图像进行3个尺度非下采样轮廓波变换，每个尺度分解为8个方向，提取第1个尺度和第2个尺度各方向子带的模极大值作为道路的特征向量；

3)对提取的线性特征向量进行模糊C均值聚类，得到道路的隶属度矩阵U，并将该隶属度矩阵U作为初始的分割结果；

4)对初始提取结果进行以下非极大值抑制以及基于空间关系的道路后处理，得到遥感图像道路：

(4a)对于初始分割的结果图，用Prewitt导数算子或Sobel导数算子，找到其沿x，y两个方向的偏导数(G_x，G_y)，并按照以下式子求出初始分割结果图的梯度的大小|G|和方向θ：

$\left|G\right|=\sqrt{G_x^2+G_y^2}$

$\mathrm{\θ}=\mathrm{Arc}\tan \left(\frac{G_x}{G_y}\right);$

(4b)将初始分割结果图的梯度分为水平、竖直、45°方向和135°四个方向，并将各个方向与邻近像素进行比较，在图像中某个像素的梯度方向上，若该像素的灰度值与其前后两个像素的灰度值相比不是最大的，则判定其为非道路像素，并将该像素的灰度值设定为0，否则判定其为道路像素，并将该像素的灰度值设定为1，得到道路集合ROAD。

2.根据权利要求1的遥感图像道路提取方法，其中步骤2)所述的提取第1个尺度和第2个尺度上的各方向子带的模极大值作为道路的线性特征向量，按如下步骤进行：

(2a)设输入图像X中某像素为x(i，j)，对应的非下采样轮廓波系数为c_k，d(i，j)，k＝1，...，K，d＝1，...，D，其中k表示尺度参数；d表示子带的方向；

(2b)舍弃K＝3时的特征，将对应于像素x(i，j)的系数表示为：

c_k，d(i，j)，k＝1，...K-1，d＝1...D；

(2c)根据像素c_k，d(i，j)的系数，分别计算非下采样轮廓波变换后第1和第2个尺度上8方向中系数的最大值为：

$V_k(i,j)=\underset{d}{\max }\left\{c_{k,d}(i,j)\right\},k=\mathrm{1,2}$

V_k(i，j)，k＝1，2为输入图像X中每个像素x(i，j)在各个尺度上的特征；V_k，k＝1，2为整幅图像在各个尺度上的特征向量；

(2d)对V_k进行归一化，作为道路的线性特征向量：

${\hat{V}}_k=\frac{V_k-{\mathrm{\μ}}_k}{{\mathrm{\σ}}_k},k=\mathrm{1,2};$

其中，μ_k，σ_k分别是V_k的均值和方差。

3.根据权利要求1的遥感图像道路提取方法，其中步骤3)所述对提取的线性特征向量进行模糊C均值聚类，是将特征矩阵输入到模糊C均值分类器中，得到道路的隶属度矩阵U，并将隶属度矩阵U作为初始的提取结果。

Images