專利名稱：基于非下采樣輪廓波變換的遙感圖像道路提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及圖像目標(biāo)檢測(cè)，特別是一種遙感圖像道路提取 方法，適用于遙感圖像分析和處理。
背景技術(shù)：
空間技術(shù)和信息技術(shù)的飛速發(fā)展為我們提供了大量的遙感數(shù)據(jù)，而且從遙感影像中 獲取目標(biāo)信息己成為現(xiàn)階段空間信息更新的重要手段。因此，如何智能解譯海量的遙感 數(shù)據(jù)也相應(yīng)地成為了信息化建設(shè)過程中面臨的重要問題。作為其中的研究熱點(diǎn)，道路的 提取研究更是得到了廣泛關(guān)注,在國民經(jīng)濟(jì)生產(chǎn)和軍事目標(biāo)偵察領(lǐng)域具有十分重要的理 論和現(xiàn)實(shí)意義。遙感圖像道路提取是圖像目標(biāo)檢測(cè)的一個(gè)重要內(nèi)容，對(duì)于地圖更新、目 標(biāo)識(shí)別、影像匹配等方面具有重要的輔助意義，因而是圖像目標(biāo)檢測(cè)的一個(gè)重要內(nèi)容。
在圖像處理領(lǐng)域，形狀是目標(biāo)的一種本質(zhì)特征，基于形狀的目標(biāo)識(shí)別是計(jì)算機(jī)目標(biāo) 識(shí)別中一種重要的技術(shù)方法。在各種形狀的目標(biāo)中，線狀目標(biāo)占有很大一部分比例，因 而研究線狀目標(biāo)的自動(dòng)識(shí)別具有很重要的理論意義和實(shí)用價(jià)值。道路是典型的線狀目 標(biāo)，因此在處理遙感圖像的過程中，對(duì)線性地物尤其是對(duì)道路的提取占有十分基礎(chǔ)和重 要的位置。
目前，國內(nèi)外的專家們提出了許多道路提取的方法，尤其是近年來國內(nèi)外的研究者 們?cè)诓煌难芯款I(lǐng)域提出了許多理論和方法，推動(dòng)了遙感圖像道路網(wǎng)的自動(dòng)提取技術(shù)的 巨大進(jìn)步。線性特征提取方法分為空域的方法和變換域的方法，前者包括基于模板的方 法、閾值的方法、形態(tài)學(xué)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小波在指紋提取、視網(wǎng)膜血管提取等領(lǐng)域應(yīng)用非常廣泛，但是由 于Gabor小波基函數(shù)的非正交性、倍頻性不夠顯著等缺點(diǎn)，對(duì)道路奇異性的描述存在本 質(zhì)的不足。Gabor小波的另一個(gè)缺點(diǎn)是參數(shù)調(diào)整比較復(fù)雜，因而限制了其應(yīng)用。
近幾年，多尺度幾何理論的發(fā)展為圖像處理提供了新的思路。多尺度幾何變換能夠 從多方向、多分辨等角度對(duì)圖像中的輪廓和紋理等方向信息進(jìn)行稀疏表示，并且對(duì)圖像 中的線狀奇異性具有很強(qiáng)的表征能力。非下采樣輪廓波以其良好的性能，獲得了較為廣 泛的應(yīng)用。在非下采樣輪廓波變換的基礎(chǔ)上進(jìn)行圖像去噪、融合、增強(qiáng)、編碼等方法均取得了較好的效果。但將非下采樣輪廓波變換很好的用于道路提取還是一個(gè)挑戰(zhàn)，目前 還沒有將此變換用于遙感圖像道路提取的相關(guān)技術(shù)。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服已有技術(shù)的缺陷,提出一種基于非下采樣輪廓波變換的遙感 圖像道路提取方法，以剔除虛假目標(biāo)，提高道路的連續(xù)性，實(shí)現(xiàn)對(duì)道路的準(zhǔn)確定位。
本發(fā)明的技術(shù)方案是在非下采樣輪廓波的多尺度性，多方向性，平移不變性的基礎(chǔ) 上，通過分析非下采樣輪廓波變換對(duì)遙感圖像中道路和背景像素的系數(shù)響應(yīng)的差異，設(shè) 計(jì)出遙感圖像道路檢測(cè)的方法。其提取的步驟包括
1) 對(duì)輸入圖像X進(jìn)行包括Frost去噪和自適應(yīng)直方圖均衡化的預(yù)處理；
2) 對(duì)預(yù)處理后的圖像進(jìn)行3個(gè)尺度非下采樣輪廓波變換，每個(gè)尺度變換為8個(gè)方
向，提取第1個(gè)尺度和第2個(gè)尺度各方向子帶的模極大值作為道路的特征向量；
3) 對(duì)提取的線性特征向量進(jìn)行模糊C均值聚類；
4) 對(duì)初始分割結(jié)果進(jìn)行包括非極大值抑制以及基于空間關(guān)系的道路后處理，得到
遙感圖像道路。
上述步驟4)所述的對(duì)初始分割結(jié)果進(jìn)行包括非極大值抑制以及基于空間關(guān)系的道 路后處理，按如下步驟進(jìn)行
(4a)用導(dǎo)數(shù)算子求出初始分割結(jié)果圖的梯度大小和方向；
(4b)把梯度分為水平、豎直、45°方向和135°四個(gè)方向，將各個(gè)方向與鄰近像素 進(jìn)行比較，在圖像中某個(gè)像素的梯度方向上，若該像素的灰度值與其前后兩個(gè)像素的灰 度值相比不是最大的，則判定其為非道路像素，并將該像素的灰度值設(shè)定為0，否則判 定其為道路像素，并將該像素的灰度值設(shè)定為1，得到道路集合及04Z);
(4c)計(jì)算道路集合及04D中每個(gè)道路的長度/ewgA，剔除掉小于設(shè)定閾值的片段， 得到最終的道路檢測(cè)結(jié)果raac/ 。
本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)
1)非下采樣輪廓波變換在對(duì)線狀奇異性表示方面優(yōu)于其它變換域的方法，本發(fā)明 通過對(duì)包含道路的遙感圖像進(jìn)行非下采樣輪廓波變換，提取道路的線性特征向量，從而 能夠準(zhǔn)確捕獲圖像中的高維奇異信息，很好的提取道路；并且非下采樣輪廓波變換是一種固定框架、固定參數(shù)的變換，它能夠有效避免其它方法中需要設(shè)置多個(gè)參數(shù)的問題， 使檢測(cè)的結(jié)果更加穩(wěn)健。
2) 本發(fā)明采用的模糊C均值聚類由于不需要訓(xùn)練學(xué)習(xí)，運(yùn)算速度快，因此提高了 檢測(cè)的效率。
3) 本發(fā)明由于采用對(duì)初始分割進(jìn)行非極大值抑制，可以使檢測(cè)出的道路單像素化 易于后處理，同時(shí)便于將檢測(cè)道路結(jié)果疊加到原始圖像上，更好的評(píng)價(jià)檢測(cè)的結(jié)果。


圖1是本發(fā)明的實(shí)現(xiàn)流程示意圖2是本發(fā)明的道路檢測(cè)原理圖3是本發(fā)明輸入的一幅待檢測(cè)遙感道路圖像；
圖4是是本發(fā)明對(duì)圖3進(jìn)行Frost去噪后的結(jié)果；
圖5是是本發(fā)明對(duì)圖4進(jìn)行直方圖均衡化后的結(jié)果；
圖6是本發(fā)明對(duì)圖3進(jìn)行非下采樣輪廓波變換仿真的第1個(gè)尺度的特征圖7是本發(fā)明對(duì)圖3進(jìn)行非下采樣輪廓波變換仿真的第2個(gè)尺度的特征圖8是本發(fā)明對(duì)第1個(gè)和第2個(gè)尺度的特征圖進(jìn)行模糊C均值聚類的初始結(jié)果圖9是本發(fā)明對(duì)初始結(jié)果圖進(jìn)行后處理的最終結(jié)果圖10是采用現(xiàn)有的Gabor小波的方法對(duì)圖3提取的結(jié)果圖11是采用現(xiàn)有的分水嶺方法對(duì)圖3提取的檢測(cè)結(jié)果圖。
具體實(shí)施例方式
參照?qǐng)D1，本發(fā)明的實(shí)施如下
.步驟l，對(duì)輸入圖像X進(jìn)行預(yù)處理。預(yù)處理包括Frost和自適應(yīng)直方圖均衡化，分 別如圖3和圖4所示。
步驟2，對(duì)預(yù)處理后的圖像進(jìn)行變換。
(2a)對(duì)預(yù)處理后的圖像進(jìn)行A:個(gè)尺度非下采樣輪廓波變換，本實(shí)例取/C-3，每 個(gè)尺度變換分為Z)個(gè)方向，本實(shí)例取D-8;并將預(yù)處理后的圖與其進(jìn)行變換后的圖的 三維系數(shù)進(jìn)行對(duì)比，如圖2 (c)和2 (d)所示。其中圖2 (a)是預(yù)處理后的圖像，圖2 (b)是圖2 (a)進(jìn)行變換后第2層某方一向上的系數(shù)圖，圖2 (c)是圖2 (a)中白 方框內(nèi)的三維系數(shù)圖，圖2 (d)是圖2 (b)中白方框內(nèi)的三維系數(shù)圖，通過對(duì)比分析 可以得到，非下采樣輪廓波變換后道路的中心線的系數(shù)值是三維系數(shù)圖的峰值，因此本 發(fā)明利用這一特點(diǎn)，主要提取變換后各個(gè)尺度上的最大值作為特征值。
步驟3，提取道路的特征向量。
(3a)設(shè)輸入圖像X中某像素為x(/,力，對(duì)應(yīng)的非下采樣輪廓波系數(shù)為c^(/,力， A-l,...，K， d-l,...,D，其中矢表示尺度參數(shù)；d表示子帶的方向；
(3b)舍棄/: = 3時(shí)的特征，將對(duì)應(yīng)于像素;c(/，力的系數(shù)表示為
C^(W"，…《-1,"1…Z); (3c)根據(jù)像素、,(/,/)的系數(shù)，分別計(jì)算非下采樣輪廓波變換后第1和第2個(gè)
尺度上8方向中系數(shù)的最大值為
K _/) = max{ct d (z',力}, A = 1,2
K(/，力,"l,2為輸入圖像X中每個(gè)像素;c(/，力在各個(gè)尺度上的特征；^,^: = 1,2為整幅 圖像在各個(gè)尺度上的特征向量；
(3d)對(duì)R進(jìn)行歸一化，作為道路的線性特征
其中，A,c^分別是K的均值和方差，圖6和圖7分別為歸一化后的第1個(gè)和第2
個(gè)尺度上的線性特征。
步驟4，將提取的線性特征向量輸入到模糊C均值分類器中進(jìn)行聚類，得到道路的 隸屬度矩陣U,并將該隸屬度矩陣U作為初始的分割結(jié)果，如圖8所示。
步驟5，對(duì)初始分割結(jié)果進(jìn)行后處理。
(5a)對(duì)于初始分割的結(jié)果圖，用導(dǎo)數(shù)算子，比如Prewitt算子或Sobel算子，找 到其沿:c，y兩個(gè)方向的偏導(dǎo)數(shù)(&，(^)，并按照以下式子求出初始分割結(jié)果圖的梯度的 大小問和方向0:P = Cretan ;
(5b)將初始分割結(jié)果圖的梯度分為水平、豎直、45°方向和135°四個(gè)方向，并將 各個(gè)方向與鄰近像素進(jìn)行比較，在圖像中某個(gè)像素的梯度方向上，若該像素的灰度值與 其前后兩個(gè)像素的灰度值相比不是最大的，則判定其為非道路像素，并將該像素的灰度 值設(shè)定為0，否則判定其為道路像素，并將該像素的灰度值設(shè)定為1，得到道路集合 及04"，如圖9 (a)所示，將其疊加到原圖上，如圖9 (b)所示；
(5c)計(jì)算道路集合及04"中每個(gè)道路的長度/e"gA，剔除掉小于設(shè)定閾值的片段， 得到最終的道路檢測(cè)結(jié)果w^/，如圖9 (c)所示，將其疊加到原圖上，如圖9 (d)所 示。
本發(fā)明的效果可通過以下實(shí)驗(yàn)結(jié)果與分析進(jìn)一步說明
圖3所示輸入的待檢測(cè)圖像中，標(biāo)記1和標(biāo)記2表示出待評(píng)價(jià)圖像的細(xì)節(jié)區(qū)域。 圖9 (d)所示是本發(fā)明的結(jié)果，圖10所示是現(xiàn)有基于Gabor小波的結(jié)果，圖11
所示是現(xiàn)有基于分水嶺的結(jié)果，這三種結(jié)果圖中的標(biāo)記1和標(biāo)記2也分別表示提取圖像 的區(qū)域細(xì)節(jié)。
從圖9 (d)所提取圖像的區(qū)域細(xì)節(jié)中可以很明顯的看出，本發(fā)明的方法可以很好 的將原始圖像中的直線和曲線道路提取出來，并且提取的道路和原始圖像中的道路之間 位移較小；
從圖IO所提取圖像的區(qū)域細(xì)節(jié)中可以很明顯的看出，現(xiàn)有基于Gabor小波的方法 提取出的道路存在明顯斷裂，都是孤立的小片段，不能形成明顯的道路網(wǎng)，并且有很多 細(xì)的道路檢測(cè)結(jié)果和原始圖像中的道路線不一致，存在較多的漏檢和誤檢；
從圖ll所提取圖像的區(qū)域細(xì)節(jié)中可以很明顯的看出，現(xiàn)有基于分水嶺的方法能夠 將大多數(shù)的道路檢測(cè)出來，但直接進(jìn)行分水嶺變換會(huì)產(chǎn)生嚴(yán)重的過分割現(xiàn)象，假的道路 太多，后續(xù)處理復(fù)雜。
綜上所述，本發(fā)明的方法具有道路定位準(zhǔn)確、完整性好且計(jì)算復(fù)雜度低、不需要訓(xùn) 練學(xué)習(xí)等優(yōu)點(diǎn)，與現(xiàn)有技術(shù)相比具有非常明顯的優(yōu)勢(shì)。
權(quán)利要求
1.一種基于非下采樣輪廓波變換的遙感圖像道路提取方法，包括如下步驟1)對(duì)輸入圖像X進(jìn)行包括Frost去噪和自適應(yīng)直方圖均衡化的預(yù)處理；2)對(duì)預(yù)處理后的圖像進(jìn)行3個(gè)尺度非下采樣輪廓波變換，每個(gè)尺度分解為8個(gè)方向，提取第1個(gè)尺度和第2個(gè)尺度各方向子帶的模極大值作為道路的特征向量；3)對(duì)提取的線性特征向量進(jìn)行模糊C均值聚類；4)對(duì)初始提取結(jié)果進(jìn)行包括非極大值抑制以及基于空間關(guān)系的道路后處理，得到遙感圖像道路。
2. 根據(jù)權(quán)利要求1的遙感圖像道路提取方法，其中步驟2)所述的提取第l個(gè)尺 度和第2個(gè)尺度上的各方向子帶的模極大值作為道路的線性特征向量，按如下步驟進(jìn)行(2a)設(shè)輸入圖像X中某像素為;c(/，力，對(duì)應(yīng)的非下采樣輪廓波系數(shù)為c^(z',力， * = 1,...,尤，J = l，...,￡>，其中A表示尺度參數(shù)；J表示子帶的方向；(2b)舍棄《=3時(shí)的特征，將對(duì)應(yīng)于像素x(/，y)的系數(shù)表示為<formula>formula see original document page 2</formula> (2c)根據(jù)像素c^(/，刀的系數(shù)，分別計(jì)算非下采樣輪廓波變換后第1和第2個(gè) 尺度上8方向中系數(shù)的最大值為<formula>formula see original document page 2</formula>K(/,力,"1,2為輸入圖像X中每個(gè)像素雄刀在各個(gè)尺度上的特征；^，A:-1,2為整 幅圖像在各個(gè)尺度上的特征向量；(2d)對(duì)K進(jìn)行歸一化，作為道路的線性特征向量<formula>formula see original document page 2</formula>其中，/4,q分別是K的均值和方差。
3. 根據(jù)權(quán)利要求1的遙感圖像道路提取方法，其中步驟3)所述對(duì)提取的線性特征向量進(jìn)行模糊c均值聚類，是將特征矩陣輸入到模糊c均值分類器中，得到道路的 隸屬度矩陣u，并將隸屬度矩陣u作為初始的提取結(jié)果。
4.根據(jù)權(quán)利要求1的遙感圖像道路提取方法，其中步驟4)所述對(duì)初始提取結(jié)果 進(jìn)行包括非極大值抑制以及基于空間關(guān)系的道路后處理，按如下步驟進(jìn)行(4a)用導(dǎo)數(shù)算子求出初始提取結(jié)果圖的梯度大小和方向；(4b)把梯度分為水平、豎直、45°方向和135°四個(gè)方向，將各個(gè)方向與鄰近像 素進(jìn)行比較，在圖像中某個(gè)像素的梯度方向上，若該像素的灰度值與其前后兩個(gè)像素 的灰度值相比不是最大的，則判定其為非道路像素，并將該像素的灰度值設(shè)定為0， 否則判定其為道路像素，并將該像素的灰度值設(shè)定為1，得到道路集合i 04";(4c)計(jì)算道路集合i 04D中每個(gè)道路的長度/wg^，剔除掉小于設(shè)定閾值的片 段，得到最終的道路檢測(cè)結(jié)果roc^。
全文摘要
本發(fā)明公開了一種從遙感圖像中提取道路的方法，屬于圖像處理技術(shù)領(lǐng)域，主要解決現(xiàn)有技術(shù)對(duì)道路檢測(cè)定位不夠準(zhǔn)確、虛假目標(biāo)多且連續(xù)性較差的問題。具體實(shí)現(xiàn)過程是首先，對(duì)輸入圖像進(jìn)行包括自適應(yīng)直方圖均衡化和Frost去噪的預(yù)處理；然后對(duì)其進(jìn)行3層非下采樣輪廓波變換，每層分解為8個(gè)方向，提取第1層和第2層各方向子帶的模極大值作為道路的線性特征向量；再采用模糊C均值聚類算法對(duì)得到的特征向量進(jìn)行聚類，獲得道路的初始提取結(jié)果；最后，對(duì)初始提取進(jìn)行非極大值抑制以及基于空間關(guān)系的道路后處理，得到最終的道路提取結(jié)果。本發(fā)明具有道路定位準(zhǔn)確、完整性好且計(jì)算復(fù)雜度低、不需要訓(xùn)練學(xué)習(xí)等優(yōu)點(diǎn)，用于遙感圖像分析和處理。
文檔編號(hào)G06K9/46GK101551863SQ200910022650
公開日2009年10月7日 申請(qǐng)日期2009年5月22日 優(yōu)先權(quán)日2009年5月22日
發(fā)明者彪 侯, 馮穎濤, 張曉華, 楊淑媛, 焦李成, 爽 王, 王桂婷, 緱水平, 樺 鐘 申請(qǐng)人:西安電子科技大學(xué)