CN103345739B - 一种基于纹理的高分辨率遥感影像建筑区指数计算方法 - Google Patents

Abstract

本发明公布了一种基于纹理的高分辨率遥感影像建筑区指数的计算方法，包括以下步骤：对图像进行NSCT变换，形成多尺度多方向的子带系数，分别统计每个子带系数的局部纹理能量，并对其进行建筑区纹理增强计算以突出建筑区特征，然后从信息论角度定义视觉显著性，采用基于自信息最大化的视觉注意机制生成建筑区指数，指数值越大则表示其作为建筑区在人类视觉过程中具有较高的显著性。本发明充分考虑了高分辨率遥感影像中建筑区的特点，构建了多尺度多方向的建筑区纹理特征，并依据视觉注意过程计算指数描述建筑区，用该指数可以直观描述建筑区，对高分辨率遥感影像建筑区提取具有很好的效果，在较复杂的环境中也能保证提取的精度。

Description

一种基于纹理的高分辨率遥感影像建筑区指数计算方法

技术领域

本发明属于遥感影像处理信息提取技术领域，涉及一种基于纹理的高分辨率遥感影像建筑区指数计算方法。

背景技术

建筑区是进行土地规划、灾后评估、城市扩张、城市监测和城市热岛等研究分析的必要信息，是进行人口估计与调查、城市规划等的重要依据。为提高研究效率并降低成本，在遥感影像中提取建筑区已经成为城市研究的重要手段。另外，建筑区提取也是提高建筑物提取效率的重要辅助手段。因此，在遥感影像中提取建筑区具有非常重要的意义。

在建筑区提取算法中有一类算法是通过计算建筑区的指数，对建筑区指数进行阈值分割来进行建筑区提取。如NDBI（Normalized Difference Built-up Index）、IBI（Index-based Built-upIndex）、PanTex等。传统的指数方法如NDBI、IBI主要利用影像光谱信息，其更适用于中低分辨率遥感影像。随着遥感数据采集技术的不断发展，遥感影像空间分辨率也随之提高，影像中地物光谱变化强烈，“同物异谱”、“异物同谱”现象普遍，建筑物的光谱和结构复杂性在高分辨率遥感影像中也将进一步提高。而在处理高分辨率遥感影像时只利用光谱信息的方法便很难达到满意的精度。为适应高空间分辨率遥感影像数据，近年来也有一些研究利用遥感影像纹理特征、边缘特征、形状特征等构造建筑区指数，以有效的提取高分辨率遥感影像中的建筑区。如PanTex算法，利用灰度共生矩（GLCM）计算影像多方向纹理，并将基于模糊规则的融合结果作为建筑区存在指数。但是PanTex算法中进行纹理表达的模型GLCM，描述的是具有某种空间位置关系的两个像素的联合分布，就造成PanTex提取结果会有较高的错分误差。一般建筑区中的建筑物具有不同的尺度，而且在高分辨率中，地物细节更为复杂，高分影像中纹理较强的区域也不仅仅是建筑区，因此基于像素的或尺度单一的纹理表达方法难以表达高分辨率遥感影像中建筑区纹理。

纹理是遥感影像的重要信息之一，是对遥感影像进行分割、分类、信息提取的重要依据。人们会对影像中的纹理有明确的感性认识，却难以确定一个统一的数学定义。目前常用的纹理特征定量表达的方法可以分为四类：统计法、结构法、模型法以及基于时/频域的方法。统计法通过计算影像局部区域内能够保持相对平稳的统计值作为纹理特征，如灰度共生矩阵，该类方法计算简单、易于实现，却难以进行多尺度分析；结构法认为复杂的纹理是由纹理基元按照一定的空间规则排列而成，其关键在于纹理基元的确定与抽取以及纹理基元间排列规则的定义，如Tamura纹理特征，该类方法更适用于规则性强的人工纹理，应用范围比较有限；模型法认为纹理是以某种参数控制的随机分布模型，一般通过估算模型的参数来提取纹理特征，如马尔可夫随机场模型，该类方法可运用于多尺度纹理分析，但模型的参数求解难度大，计算量高；基于时/频域的方法先采用某种滤波方法对影像进行频率滤波得到不同的频率和方向子带，然后经过局部能量函数运算对得到的多个子带进行整合与平滑，得到影像纹理特征。其中基于时/频域的方法最为接近人类视觉进行纹理分析的过程，且具有多尺度的特性。

发明内容

本发明的目的在于针对现有技术的缺点和不足，提供一种基于纹理的高分辨率遥感影像建筑区指数计算方法，模拟人类视觉系统感知环境的过程，利用纹理特征及视觉注意机制构造建筑区指数。根据建筑区在遥感影像中的特点，采用基于时/频域的纹理特征表达方法对密集建筑纹理特征进行描述，然后从信息论角度定义视觉显著性，采用基于自信息最大化的视觉注意机制生成建筑区指数。所提供的方法可用于高分辨率遥感影像的建筑区提取。

本发明所采用的技术方案是：一种基于纹理的高分辨率遥感影像建筑区指数的计算方法，其特征在于，包括以下步骤：

步骤1：计算原始影像的灰度影像，并对所述的灰度影像进行非下采样Contourlet变换，得到多尺度多方向高频子带系数；

步骤2：分别对所述的每个尺度方向高频子带系数进行局部纹理能量统计，得到多尺度多方向的纹理特征，构成多尺度多方向的纹理特征向量；

步骤3：对所述的多尺度多方向的纹理特征向量进行建筑区纹理特征增强计算，构成建筑区纹理特征向量；

步骤4：对所述的建筑区纹理特征向量进行独立成分分析，得到每维特征都相互独立的建筑区纹理独立特征向量；

步骤5：对所述的建筑区纹理独立特征向量进行联合概率密度估计，得到建筑区纹理独立特征向量联合概率；

步骤6：对所述的建筑区纹理独立特征向量联合概率进行自信息计算，得到建筑区显著性指数；

步骤7：对所述的建筑区显著性指数进行阈值分类提取，得到建筑区指数。

作为优选，所述的原始影像的灰度影像，对于多波段影像，其灰度影像为多个波段的平均值。

作为优选，所述的局部纹理能量的计算方法是，对于每一个像素，其像素位置的局部纹理能量是该像素所在一定大小窗口内的所有像素值的模的方差；

作为优选，所述建筑区纹理特征增强计算，是对同尺度下方向相互垂直的子带的局部纹理能量统计结果进行相乘，以突出在相互垂直方向上纹理特征都较强的纹理。

作为优选，所述的联合概率密度估计方法为无参密度估计方法。

作为优选，所述的联合概率密度估计方法为直方图密度估计方法。

作为优选，所述的自信息是所述的建筑区纹理独立特征向量联合概率的负对数。

本发明提供的技术方案相对于现有技术的有益效果为：考虑了高分辨率遥感影像中建筑区的特点，构建了具有多尺度多方向特性的密集建筑区纹理特征，并模拟人眼视觉注意过程，采用基于信息论的视觉注意模型构造建筑区指数，对高分辨率遥感影像建筑区都具有很好的表达效果，在较复杂的环境中也能保证描述的准确性。通过对本发明提出的建筑区指数进行阈值分割即可提取建筑区，使建筑区提取过程直观简便，提取精度较高。

附图说明

图1：为本发明实施例的流程图。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图和实施例对本发明做进一步的详细说明。

请见图1，本发明所采用的技术方案是：一种基于纹理的高分辨率遥感影像建筑区指数的计算方法，其特征在于，包括以下步骤：

步骤1：计算原始影像的灰度影像，并对灰度影像进行非下采样Contourlet变换，得到多尺度多方向高频子带系数；

非下采样Contourlet变换可以对影像进行多尺度、多方向的分解，其过程主要分为两个步骤：首先用非下采样的金字塔结构将影像分为低频子带及多尺度的高频子带，获得多尺度分解结果；然后采用非下采样的方向滤波器组对每个高频子带分别进行多方向分解。由于两个步骤中所使用的滤波器皆为非下采样的，因此确保了结果的平移不变性；

本发明利用非下采样Contourlet变换对灰度影像进行分解以得到多尺度、多方向、平移不变的高频子带。首先需计算原始影像的灰度影像，然后对该灰度影像进行非下采样Contourlet变换（nonsubsampled contourlet transform，NSCT），得到多尺度多方向高频子带系数；

本发明是对原始影像的灰度影像进行分解，对于多波段影像，其灰度影像为多个波段的平均值。

步骤2：分别对每个尺度方向高频子带系数进行局部纹理能量统计，得到多尺度多方向的纹理特征，构成多尺度多方向的纹理特征向量；

常有的局部纹理能量统计方法有高斯卷积、范数等等，本发明所计算某像素位置的局部纹理能量是该像素所在一定大小窗口内的所有像素值的模的方差；

分别对每个尺度方向高频子带系数f_s,d进行局部纹理能量统计，取窗口大小为(2n+1)×(2n+1)，得到初始纹理特征E_s,d，

$e_{s,d}(x,y)=\frac{1}{{(2n+1)}^2}\underset{i=x-n}{\overset{x+n}{\mathrm{\Σ}}}\underset{j=y-n}{\overset{y+n}{\mathrm{\Σ}}}\left|f_{s,d}(i,j)\right|$

$E_{s,d}(x,y)=\frac{1}{{(2n+1)}^2}\underset{i=x-n}{\overset{x+n}{\mathrm{\Σ}}}\underset{j=y-n}{\overset{y+n}{\mathrm{\Σ}}}{\left|\right|f_{s,d}(i,j)|-e_{s,d}(x,y)|}^2$

其中，s表示尺度，d表示方向，(x,y)为窗口中心像素的坐标，i，j分别表示影像的行、列坐标，n≥1，n为整数。

步骤3：对多尺度多方向的纹理特征向量进行建筑区纹理特征增强计算，构成建筑区纹理特征向量；

由于人为因素的影响，建筑物一般具有相对一致的朝向以及规则的排列，因此在高分辨率遥感影像中建筑区纹理表现出明显的方向性。与无方向性纹理相比，建筑区纹理在某一组相互垂直的方向上具有相似的纹理特征。因此建筑区纹理在某一组相互垂直的方向上纹理特征强度相似，为增强建筑区的纹理特征，对多尺度多方向的纹理特征向量进行建筑区纹理特征增强计算，构成建筑区纹理特征向量T；

建筑区纹理特征增强计算是对同尺度下方向相互垂直的子带的局部纹理能量统计结果进行相乘，以突出在相互垂直方向上纹理特征都较强的纹理；

T=(t_1,1,t_1,2,…,t_1,d′,t_2,1,t_2,2,…,t_2,d',…,t_s,1,t_s,2,…,t_s,d')

其中s表示尺度，d'表示方向，向量T的每个构成元素t_s,d'由下式计算得到：

$t_{s,d^{\′}}=E_{s,d}\×E_{s,d^{\⊥}}$

其中s表示尺度，d^⊥是垂直于d的方向，d'为密集建筑区纹理特征方向。

步骤4：对所述的建筑区纹理特征向量进行独立成分分析，得到每维特征都相互独立的建筑区纹理独立特征向量；

由于纹理特征向量T发生的联合概率P(T)估算困难，所以首先对纹理特征向量T进行独立成分分析，将T转换为相互独立的建筑区纹理独立特征向量V，以便联合概率的计算。

对建筑区纹理特征向量进行独立成分分析（Independent Component CorrelationAlgorithm，ICA），形成每维特征都相互独立的建筑区纹理独立特征向量V。

步骤5：对所述的建筑区纹理独立特征向量进行联合概率密度估计，得到建筑区纹理独立特征向量联合概率；

根据一定范围内像素间的特征差异性，对独立的建筑区纹理独立特征向量进行联合概率密度估计。由于建筑区纹理独立特征向量V具有独立性，因此分别计算每一维特征v_i的概率P(v_i)，则建筑区纹理独立特征向量的联合概率为：

$P\left(V\right)=\underset{i}{\mathrm{\Π}}P\left(v_i\right)$

关于概率P(v_i)的估算方法并不是唯一的，可以采用无参密度估计方法或直方图密度估计等方法。

步骤6：对所述的建筑区纹理独立特征向量联合概率进行自信息计算，得到建筑区显著性指数；

本发明以建筑区作为视觉搜索任务（visual search task）的目标，从信息论角度解释视觉注意机制，并利用自信息计算建筑区的显著性，生成视觉显著图。该视觉显著图可视作建筑区的指数，可通过设置阈值来提取建筑区。自信息表示一个随机事件所包含信息量与事件发生的概率相关，事件发生的概率越低，在事件确实发生时，其信息量越大。自信息的公式为E(V)=-log(p(V))，利用对建筑区纹理独立特征向量联合概率进行自信息计算，则E(V)即为建筑区的显著性指数。

步骤7：对所述的建筑区显著性指数进行阈值分类提取，得到建筑区指数。

综上所述，本发明提出的针对高分辨率遥感影像的一种基于视觉注意模型的建筑区提取算法，该算法的关键是利用建筑区的纹理特征及视觉注意机制构建高分辨率遥感影像的建筑区指数，通过对该建筑区指数进行阈值分割即可提取建筑区。本发明提出的建筑区指数计算方法模拟人眼视觉注意过程，采用基于信息论的视觉注意模型，充分考虑了高分辨率遥感影像中建筑区的特点，构建了具有多尺度多方向特性的密集建筑区纹理特征表达方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明实施例所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1. 一种基于纹理的高分辨率遥感影像建筑区指数的计算方法，其特征在于，包括以下步骤：

步骤1：计算原始影像的灰度影像，并对所述的灰度影像进行非下采样Contourlet变换，得到多尺度多方向高频子带系数；

步骤2：分别对每个尺度方向高频子带系数进行局部纹理能量统计，得到多尺度多方向的纹理特征，构成多尺度多方向的纹理特征向量；

步骤3：对所述的多尺度多方向的纹理特征向量进行建筑区纹理特征增强计算，构成建筑区纹理特征向量；所述的建筑区纹理特征增强计算，是对同尺度下方向相互垂直的子带的局部纹理能量统计结果进行相乘；

步骤4：对所述的建筑区纹理特征向量进行独立成分分析，得到每维特征都相互独立的建筑区纹理独立特征向量；

步骤5：对所述的建筑区纹理独立特征向量进行联合概率密度估计，得到建筑区纹理独立特征向量联合概率；

步骤6：对所述的建筑区纹理独立特征向量联合概率进行自信息计算，得到建筑区显著性指数；

步骤7：对所述的建筑区显著性指数进行阈值分类提取，得到建筑区指数。

2. 根据权利要求1所述的基于纹理的高分辨率遥感影像建筑区指数的计算方法，其特征在于：所述的原始影像的灰度影像，对于多波段影像，其灰度影像为多个波段的平均值。

3. 根据权利要求1所述的基于纹理的高分辨率遥感影像建筑区指数的计算方法，其特征在于：所述的局部纹理能量的计算方法是，对于每一个像素，其像素位置的局部纹理能量是该像素所在一定大小窗口内的所有像素值的模的方差。

4. 根据权利要求1所述的基于纹理的高分辨率遥感影像建筑区指数的计算方法，其特征在于：所述的联合概率密度估计方法为无参密度估计方法。

5. 根据权利要求1所述的基于纹理的高分辨率遥感影像建筑区指数的计算方法，其特征在于：所述的联合概率密度估计方法为直方图密度估计方法。

6. 根据权利要求1所述的基于纹理的高分辨率遥感影像建筑区指数的计算方法，其特征在于：所述的自信息是所述的建筑区纹理独立特征向量联合概率的负对数。