一種從遙感圖像中提取建成區(qū)的方法
【專利摘要】本發(fā)明公開了一種從遙感圖像中提取建成區(qū)的方法。該方法可采用基于貝葉斯推理的視覺顯著性檢測方法，結(jié)合圖像分割、自動(dòng)閾值選取實(shí)現(xiàn)高分辨率遙感圖像建成區(qū)的自動(dòng)檢測和提取，可廣泛應(yīng)用于城市規(guī)劃、城市擴(kuò)張研究、災(zāi)情評估和救災(zāi)決策等多個(gè)領(lǐng)域。
【專利說明】一種從遙感圖像中提取建成區(qū)的方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理領(lǐng)域，具體地，涉及一種從遙感圖像中提取建成區(qū)的方法。

【背景技術(shù)】
[0002] 從遙感圖像中提取建成區(qū)是將遙感圖像應(yīng)用于城市研究的一個(gè)關(guān)鍵環(huán)節(jié)，特別是 對城市規(guī)劃、城市擴(kuò)張研究、城區(qū)受災(zāi)范圍及損失評估等有重要意義，也是目前遙感圖像處 理與分析領(lǐng)域的研究熱點(diǎn)之一。近年來，隨著經(jīng)濟(jì)快速發(fā)展，我國的城市化進(jìn)程也進(jìn)入了全 新的階段。城市擴(kuò)張的特征之一是城市面積的變化，尤其是土地利用性質(zhì)的變化。合理進(jìn) 行城市規(guī)劃和有效利用土地資源是使城市化合理有序進(jìn)行以及可持續(xù)發(fā)展的前提。衛(wèi)星遙 感圖像是目前城市研究的重要來源,如何利用遙感圖像來界定城市邊界、提取城市區(qū)域是 利用影像進(jìn)行城市研究的前提。目前，國內(nèi)外很多學(xué)者進(jìn)行了這方面的研究，但是城市是一 個(gè)復(fù)合體，具有很多不確定性，每個(gè)城市都有其特點(diǎn)，針對一個(gè)城市進(jìn)行的研究成果，很難 適用于另一個(gè)城市。因此，建成區(qū)的準(zhǔn)確提取仍是一個(gè)世界性技術(shù)難題，需對其做進(jìn)一步研 究和探索。
[0003]目前，基于遙感影像的城市建成區(qū)的提取方法主要有：目視解譯法、非監(jiān)督分類 法、監(jiān)督分類法、人工建筑指數(shù)法、基于光譜知識的城區(qū)提取模型等。目視解譯法靠人工確 定影像上的物體屬性或特征，對影像進(jìn)行識別，描述影像上的各種關(guān)系，根據(jù)影像上的類 另IJ、屬性和關(guān)系進(jìn)行系統(tǒng)的解釋。這種方法由于加入了人的識別，判斷精確度較高，但工作 較繁瑣，效率低下，同時(shí)需要解譯人員具有較高的遙感圖像解譯識別知識與經(jīng)驗(yàn)。非監(jiān)督分 類的前提是假定遙感圖像上同類物體在同樣條件下具有相同的光譜特征條件。非監(jiān)督分類 不必獲取影像地物的先驗(yàn)知識，僅靠影像上不同類的物光譜信息（或紋理信息、幾何信息） 進(jìn)行特征提取再通過非監(jiān)督分類方法或特征分布模型進(jìn)行分類，最后對已分出的各個(gè)類別 的屬性進(jìn)行確認(rèn)。與非監(jiān)督分類方法相對應(yīng)地，監(jiān)督分類法需要大量的已知建成區(qū)數(shù)據(jù)進(jìn) 行訓(xùn)練，將訓(xùn)練好的模型應(yīng)用于新的影像時(shí)，可以直接從影像中提取建成區(qū)。這種方法雖然 較非監(jiān)督分類方法更為精確，但是需要大量的人工標(biāo)注。歸一化建筑指數(shù)提取建成區(qū)是以 Landsat TM數(shù)據(jù)為基礎(chǔ)利用第5和第4個(gè)波段的反射差來計(jì)算建筑指數(shù)，然后再用閾值分 割的方法提取建成區(qū)。多光譜或者高光譜數(shù)據(jù)波段眾多，光譜精細(xì)，為遙感圖像分析提供了 新的思路?；诠庾V知識的建成區(qū)提取模型綜合利用多光譜或者高光譜數(shù)據(jù)的多個(gè)波段， 分析建成區(qū)在各個(gè)波段的反射率，建立光譜反射模型，或用光譜匹配或用規(guī)則來提取建成 區(qū)。
[0004]上述方法在實(shí)際應(yīng)用（例如，針對特定數(shù)據(jù)類型的應(yīng)用）中仍然需要人工干預(yù)和 背景知識的加入?，F(xiàn)有方法的普適性，全自動(dòng)化能力仍然存在不足，需要研究新的方法。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是提供一種方法，該方法能從如資源三號、高分一號、Quickbird等 高分辨率遙感圖像中自動(dòng)提取建成區(qū)。
[0006]為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種從遙感圖像中提取建成區(qū)的方法，包括：獲取 圖像中每個(gè)像素的顯著性值；根據(jù)顯著性值將圖像劃分為前景區(qū)域和背景區(qū)域；分別計(jì)算 前景區(qū)域和背景區(qū)域的像素特征似然函數(shù)；針對圖像中的每個(gè)像素，根據(jù)該像素的顯著性 值和像素特征似然函數(shù)得到該像素為建筑區(qū)的概率值；根據(jù)所述概率值，判斷圖像中的每 個(gè)像素是否為建成區(qū)；以及從圖像中對應(yīng)于被判斷為建成區(qū)的區(qū)域中提取建成區(qū)。
[0007]優(yōu)選地，本發(fā)明可基于圖像中的邊緣像素來計(jì)算每個(gè)像素的顯著性值，并對顯著 性值進(jìn)行歸一化得到先驗(yàn)概率。
[0008]優(yōu)選地，本發(fā)明可對圖像進(jìn)行超像素分割，并以超像素為單位將圖像劃分為前景 區(qū)域和背景區(qū)域。
[0009]優(yōu)選地，本發(fā)明可采用自動(dòng)閾值分割以將圖像劃分為前景區(qū)域和背景區(qū)域。
[0010]優(yōu)選地，可計(jì)算前景區(qū)域和背景區(qū)域中的像素特征似然函數(shù)，并且可基于貝葉斯 公式并利用先驗(yàn)概率和像素特征似然函數(shù)計(jì)算像素為建成區(qū)的后驗(yàn)概率，然后可采用自動(dòng) 閾值分割進(jìn)行建成區(qū)判斷，最后從被判斷為建成區(qū)的區(qū)域中提取建成區(qū)。
[ocm]通過上述技術(shù)方案，可結(jié)合圖像分割、自動(dòng)閾值分割、特征似然概率分析技術(shù)自動(dòng) 從遙感圖像中提取建成區(qū)。在上述過程中，不需要進(jìn)行數(shù)據(jù)訓(xùn)練和人工干預(yù)。在優(yōu)選方案 中，本發(fā)明可以以超像素為單位來分割圖像的前景區(qū)域和背景區(qū)域，能有效減少計(jì)算量，并 且本發(fā)明可以以像素為單位提取建成區(qū)，和以更大區(qū)域?yàn)閱挝惶崛〗ǔ蓞^(qū)的方法相比具有 更高的準(zhǔn)確性。
[0012]本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的【具體實(shí)施方式】部分予以詳細(xì)說明。

【專利附圖】

【附圖說明】
[0013]附圖是用來提供對本發(fā)明的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與下面的具 體實(shí)施方式一起用于解釋本發(fā)明，但并不構(gòu)成對本發(fā)明的限制。在附圖中：
[0014]圖1示出了根據(jù)本發(fā)明的優(yōu)選實(shí)施方式從圖像中提取建成區(qū)的流程圖； _5]圖2示出了一幅高分辨率遙感圖像；
[0016] 圖3示出了對應(yīng)于圖2的邊緣圖像；
[0017]圖4是在圖像中設(shè)置對應(yīng)于像素的窗口的示意圖；
[0018]圖5示出了對應(yīng)于圖2的基于邊緣密度的像素顯著性圖；
[0019]圖6示出了對圖2進(jìn)行超像素分割后得到的結(jié)果示意圖；
[0020]圖7示出了以超像素為單位將圖2所示的遙感圖像劃分為前景區(qū)域和背景區(qū)域后 的結(jié)果不意圖；
[0021]圖8示出了圖2所示的圖像中的像素為建成區(qū)的概率示意圖；
[0022]圖9示出了可施加至圖2的二值掩碼圖像；以及
[0023]圖10示出了對圖2所示的遙感圖像進(jìn)行建成區(qū)提取后得到的結(jié)果示意圖。

【具體實(shí)施方式】
[0024]以下結(jié)合附圖對本發(fā)明的【具體實(shí)施方式】進(jìn)行詳細(xì)說明。應(yīng)當(dāng)理解的是，此處所描 述的【具體實(shí)施方式】僅用于說明和解釋本發(fā)明，并不用于限制本發(fā)明。
[0025]圖1示出了根據(jù)本發(fā)明的優(yōu)選實(shí)施方式從遙感圖像中提取建成區(qū)的流程圖。下文 中將以圖2所示的高分辨率遙感圖像作為應(yīng)用對象對本發(fā)明的優(yōu)選實(shí)施方式進(jìn)行詳細(xì)描 述。
[0026] 在步驟S11中，可獲取圖像中每個(gè)像素的顯著性值。本發(fā)明可選用經(jīng)過圖像融合 后的高分辨率（例如，每個(gè)像素點(diǎn)所表示的區(qū)域的長和寬在1?4米范圍內(nèi)）多光譜遙感 圖像。在遙感圖像中，建成區(qū)中人工建筑物與其周圍光譜差異顯著，使得建成區(qū)通常具有豐 富的邊緣，而如耕地、林地、水體等背景區(qū)域中邊緣較少，因此可基于邊緣密度得到像素的 顯著性值。本優(yōu)選實(shí)施方式中計(jì)算顯著性值的具體步驟如下：
[0027] (1)計(jì)算每個(gè)像素的梯度幅值?？上葘⒗邕b感圖像的彩色圖像轉(zhuǎn)換為灰度圖像， 然后計(jì)算每個(gè)灰度像素的梯度值,進(jìn)一步得到像素的梯度幅值。原圖像和灰度圖像中相同 位置上的像素一一對應(yīng)。I為用像素值表示的灰度圖像，可采用下式（1)對I濾波以得到X 軸方向和Y軸方向的梯度圖像gx和gy:
[0028] gx = I^fj, gy = I*f2 式（!）
[0029]其中表示卷積運(yùn)算，和f2為如下所示的梯度算子：
[0030] [-1,0, l],f2= [-1,0, 1]τ 式（2)
[0031]將圖像gx和gy相加可得到例如遙感圖像的圖像中每個(gè)像素的梯度幅值。本發(fā)明 可采用梯度一階模計(jì)算梯度幅值：
[0032] g= |gx| + |gy| 式（3)
[0033]根據(jù)需要，也可選用梯度二階模等來計(jì)算梯度幅值。
[0034] (2)可采用自適應(yīng)閾值選取方法計(jì)算該圖像的梯度幅值閾值，以判斷每個(gè)像素是 否為邊緣像素。本優(yōu)選實(shí)施方式中，可使用大津法（0tsu法）計(jì)算梯度幅值閾值。文獻(xiàn)〇tsu N. A threshold selection method from gray-level histograms[J]. Automatica, 1975,1 1 (285_2%) :23-27中詳細(xì)介紹了大津法的具體計(jì)算步驟，本發(fā)明不再對其贅述。針對圖像 中的每個(gè)像素，如果該像素的梯度幅值大于計(jì)算出的梯度幅值閾值，則判斷該像素為邊緣 像素；否則判斷該像素不為邊緣像素。圖 3示出了根據(jù)上述方法得到的對應(yīng)于圖2的邊緣 圖像。圖3中邊緣像素用白色像素點(diǎn)來表示，非邊緣像素用黑色像素點(diǎn)來表示。
[0035]除上述方法外，還可使用canny邊緣像素檢測算法等本領(lǐng)域已知技術(shù)手段來得到 如圖2所示的圖像的邊緣圖像。
[0036] (3)針對圖像中任意像素1，可在圖像中設(shè)置包含像素1的大小為w的窗口，用該 窗口的邊緣像^密度和邊緣像素分布來表示像素 i的顯著性。w為經(jīng)驗(yàn)值，可根據(jù)需要設(shè) 置。如圖上所示，本實(shí)施方式中，可在設(shè)置窗口時(shí)將像素1作為中心，并可用像素1作為坐 標(biāo)原點(diǎn)建立直角坐標(biāo)系。用ηε表示落在該窗口內(nèi)的邊緣像素?cái)?shù)目，用n w表示該窗口內(nèi)的像 素總數(shù)，則該窗口的邊緣像素密度可表示為：
[0037]

【權(quán)利要求】
1. 一種從遙感圖像中提取建成區(qū)的方法，包括： 獲取圖像中每個(gè)像素的顯著性值； 根據(jù)所述顯著性值將所述圖像劃分為前景區(qū)域和背景區(qū)域； 分別計(jì)算所述前景區(qū)域和所述背景區(qū)域的像素特征似然函數(shù)； 針對所述圖像中的每個(gè)像素，根據(jù)該像素的所述顯著性值和所述像素特征似然函數(shù)得 到該像素為建筑區(qū)的概率值； 根據(jù)所述概率值，判斷所述圖像中的每個(gè)像素是否為建成區(qū)；以及 從所述圖像中對應(yīng)于被判斷為建成區(qū)的區(qū)域中提取建成區(qū)。
2·根據(jù)權(quán)利要求1所述的從遙感圖像中提取建成區(qū)的方法，其中，獲取圖像中每個(gè)元 素的顯著性值包括： 判斷所述圖像中的每個(gè)像素是否為邊緣像素； 針對所述圖像中的每個(gè)像素，在所述圖像中設(shè)置對應(yīng)于該像素的窗口，該像素位于該 窗口中，并計(jì)算該窗口的邊緣像素密度和邊緣像素分布；以及 所述圖像中每個(gè)像素的所述顯著性值等于對應(yīng)于該像素的所述窗口的所述邊緣像素 密度和所述邊緣像素分布的乘積。
3. 根據(jù)權(quán)利要求2所述的從遙感圖像中提取建成區(qū)的方法，其中，所述窗口的所述邊 緣像素密度為$，其中，ne表示該窗口內(nèi)的所述邊緣像素的數(shù)目，n w表示該窗口內(nèi)的像素 總數(shù)。
4. 根據(jù)權(quán)利要求2所述的從遙感圖像中提取建成區(qū)的方法，其中，每個(gè)像素位于對應(yīng) 于該像素的所述窗口的中心，以該元素為坐標(biāo)原點(diǎn)建立直角坐標(biāo)系，用叫，1 = 1，2, 3, 4表 示對應(yīng)于該像素的所述窗口中分別落在該坐標(biāo)系的四個(gè)象限內(nèi)的所述邊緣像素的數(shù)目，則 患軸 該窗口的所述邊緣像素分布為^ ° -L· /7?. 4 ^1-2,3,4
5. 根據(jù)權(quán)利要求1所述的從遙感圖像中提取建成區(qū)的方法，其中，根據(jù)所述顯著性值 將所述圖像劃分為前景區(qū)域和背景區(qū)域包括： 對所述圖像進(jìn)行超像素分割，并且計(jì)算每個(gè)超像素的顯著性值；以及 根據(jù)所述超像素的所述顯著性值將所述圖像以超像素為單位劃分為所述前景區(qū)域和 所述背景區(qū)域。
6. 根據(jù)權(quán)利要求5所述的從遙感圖像中提取建成區(qū)的方法，其中，每個(gè)所述超像素的 顯著性值為包含在該超像素中的所有像素的所述顯著性值的平均值。
7. 根據(jù)權(quán)利要求5所述的從遙感圖像中提取建成區(qū)的方法，其中，將所述圖像以超像 素為單位劃分為所述前景區(qū)域和所述背景區(qū)域包括： 采用自適應(yīng)閾值選取方法得到所述圖像中的超像素的顯著性值閾值，針對所述圖像中 的每個(gè)超像素，如果該超像素的所述顯著性值大于超像素的所述顯著性值閾值，則判斷該 超像素屬于所述前景區(qū)域，否則判斷該超像素屬于所述背景區(qū)域。
8. 根據(jù)權(quán)利要求1所述的從遙感圖像中提取建成區(qū)的方法，其中，所述像素特征似然 函數(shù)包括顏色特征似然函數(shù)、方向特征似然函數(shù)和方向熵特征似然函數(shù)中的至少一者。
9. 根據(jù)權(quán)利要求1或8所述的從遙感圖像中提取建成區(qū)的方法，其中，基于貝葉斯公式 根據(jù)下式計(jì)算所述圖像中的每個(gè)像素為建成區(qū)的概率值p(bulidings| 1): ~p(J)xp(ch\J)-， pif)xp(ch I./ )+p(b) ^ p(ch \ b) 其中，用1表示所述圖像中的任意一個(gè)像素，P(f)表示該像素 1屬于所述前景區(qū)域的 概率，此處p(f)為該像素 1的所述顯著性值歸一化后的結(jié)果；p(b)表示該像素 1屬于所 述背景區(qū)域的概率，p(b) = l-p(f) ;p(ch|f)為所述前景區(qū)域的所述像素特征似然函數(shù)， p (ch|b)為所述背景區(qū)域的所述像素特征似然函數(shù)。
10. 根據(jù)權(quán)利要求1所述的從遙感圖像中提取建成區(qū)的方法，其中，判斷所述圖像中的 每個(gè)像素是否為建成區(qū)包括： 采用自適應(yīng)閾值選取方法得到所述圖像中的像素為建成區(qū)的概率閾值，針對所述圖像 中的每個(gè)像素，如果該像素的所述概率值大于所述概率閾值，則判斷該像素為建成區(qū)，否則 判斷該像素不為建成區(qū)。
【文檔編號】G06T7/00GK104217440SQ201410510648
【公開日】2014年12月17日 申請日期:2014年9月28日 優(yōu)先權(quán)日:2014年9月28日
【發(fā)明者】溫奇, 范一大, 劉慶杰, 王薇, 崔燕, 黃河, 王平, 張薇, 李苓苓, 湯童, 林月冠, 王蘊(yùn)紅 申請人:民政部國家減災(zāi)中心, 北京航空航天大學(xué)