一種結(jié)合顯著性分析的全色高分辨率遙感圖像道路檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感圖像處理及圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種結(jié)合顯著性分析的 全色高分辨率遙感圖像道路檢測(cè)方法。
【背景技術(shù)】
[0002] 道路提取是遙感圖像處理技術(shù)的一個(gè)重要應(yīng)用，在城鄉(xiāng)規(guī)劃、土地利用、應(yīng)急處理 以及車(chē)輛導(dǎo)航等方面都有廣泛的實(shí)際應(yīng)用價(jià)值。
[0003] 傳統(tǒng)的道路提取方法包括：1)模板匹配法，即通過(guò)固定模板大小、形狀和檢驗(yàn)特 征，讓模板在圖像上滑動(dòng)，通過(guò)在每個(gè)位置評(píng)價(jià)模板的匹配程度來(lái)檢測(cè)道路；2)動(dòng)態(tài)規(guī)劃 法：先建立道路屬性的數(shù)學(xué)模型，根據(jù)模型來(lái)構(gòu)建代價(jià)函數(shù)和邊界條件的表達(dá)式；3)脊谷 線(xiàn)道路提取法：把圖像灰度看作高程值，局部灰度值最大值的連線(xiàn)為脊線(xiàn)，局部灰度最小值 的連線(xiàn)為谷線(xiàn)，它們?cè)诘缆诽崛≈蟹謩e對(duì)應(yīng)亮線(xiàn)道路和暗線(xiàn)道路；4)霍夫變換法：利用圖 像全局特性直接檢測(cè)目標(biāo)輪廓，可以方便地將不連續(xù)的邊緣像素點(diǎn)連接起來(lái)，具有受噪聲 和曲線(xiàn)間斷影響小的優(yōu)點(diǎn)。
[0004] 近年來(lái)，利用數(shù)學(xué)形態(tài)學(xué)以及閾值分割等技術(shù)提取道路的方法得到人們的高度重 視與廣泛研究。同傳統(tǒng)道路提取方法相比，它們具有實(shí)現(xiàn)方法靈活、道路提取效率高以及計(jì) 算復(fù)雜度低等優(yōu)勢(shì)，這其中又以對(duì)遺傳算法（Genetic Algorithm，GA)的研究較為深入。遺 傳算法模擬自然選擇機(jī)制，按照優(yōu)勝劣汰、適者生存的自然法則，保證經(jīng)過(guò)若干代后，存活 下來(lái)的是最優(yōu)個(gè)體。對(duì)于輸入的遙感圖像，通過(guò)遺傳算法模擬染色體的交叉與變異等生物 學(xué)過(guò)程，可以確定一個(gè)全局最優(yōu)的圖像分割閾值，利用該閾值對(duì)輸入圖像進(jìn)行分割，從而達(dá) 到將道路從圖像中快速提取出來(lái)。
[0005] 基于最大類(lèi)間方差法（Otsu)的道路提取算法也得到了廣泛研究。該方法通過(guò)計(jì) 算圖像前景與背景間具有最大方差時(shí)的分割閾值，將輸入圖像有效分割為前景與背景兩 類(lèi)，由于遙感圖像中的道路與背景在亮度上具有明顯不同，因而可以將道路從圖像中快速 分離出來(lái)。然而，隨著遙感圖像空間分辨率的不斷提高，圖像中所包含的地物目標(biāo)更為復(fù) 雜，居民區(qū)、山脈、陰影等對(duì)道路提取容易造成干擾的背景信息也相應(yīng)增多，導(dǎo)致上述道路 檢測(cè)方法應(yīng)用于全色高分辨率遙感圖像的提取效果并不理想。
[0006] 基于視覺(jué)注意機(jī)制的顯著性分析模型為遙感圖像目標(biāo)檢測(cè)提供了一個(gè)全新視角， 不同于傳統(tǒng)的檢測(cè)方法，顯著性分析模型是一種完全由數(shù)據(jù)驅(qū)動(dòng)的圖像分析機(jī)制，不涉及 知識(shí)庫(kù)等外部因素的影響，可以為觀(guān)察者快速提供可能的感興趣區(qū)域信息，繼而在該區(qū)域 中尋找重要目標(biāo)，從而大幅提升圖像處理系統(tǒng)的運(yùn)行效率。
[0007] Itti等人于1998年提出了極具代表意義的顯著性分析模型，即Itti模型。該模 型利用人眼低層視覺(jué)特征構(gòu)建顏色、亮度和方向特征圖，通過(guò)特征圖融合得到最終顯著圖， 運(yùn)用勝者為王機(jī)制和返回抑制機(jī)制實(shí)顯著目標(biāo)的高效檢測(cè)。2007年，Hou等人提出了一種 基于傅立葉變換譜殘差的視覺(jué)顯著性模型（Spectral Residual，SR)，即SR模型，它利用頻 域的相位譜與幅度譜的殘差信息構(gòu)建圖像的顯著圖，在較低計(jì)算復(fù)雜度下實(shí)現(xiàn)了圖像顯 著信息的檢測(cè)。
[0008] 綜上所述，本發(fā)明提出一種結(jié)合顯著性分析的全色高分辨率遙感圖像道路檢測(cè)方 法。首先利用閾值分割獲得包含道路和居民區(qū)的前景特征圖，然后通過(guò)顯著性分析獲得輸 入遙感影像的居民區(qū)特征圖，最后將前景特征圖與居民區(qū)特征圖進(jìn)行異或運(yùn)算得到道路特 征圖，將道路特征圖與全色高分辨率遙感圖像進(jìn)行邏輯與運(yùn)算得到最終的道路信息

【發(fā)明內(nèi)容】

[0009] 本發(fā)明的目的在于提供了一種結(jié)合顯著性分析的全色高分辨率遙感圖像道路檢 測(cè)方法，該方法用于對(duì)全色高分辨率遙感圖像的道路進(jìn)行精確檢測(cè)?，F(xiàn)有的道路檢測(cè)方法 主要依靠先驗(yàn)知識(shí)庫(kù)和匹配的方法完成檢測(cè)，對(duì)于一些形狀較不規(guī)則的道路，檢測(cè)的精度 和效率都比較低。所以本發(fā)明方法主要關(guān)注兩個(gè)方面：
[0010] 1)提升全色高分辨率遙感圖像道路檢測(cè)精度，獲得更為準(zhǔn)確的道路信息；
[0011] 2)降低全色高分辨率遙感圖像道路檢測(cè)的計(jì)算復(fù)雜度。
[0012] 本發(fā)明所使用的技術(shù)方案包括前景特征圖生成，居民區(qū)特征圖生成以及道路提取 三個(gè)主要過(guò)程。
[0013] 在該方法中，首先對(duì)全色高分辨率遙感圖像進(jìn)行基于最大類(lèi)間方差法的閾值分 害J，獲得二值化前景特征圖，其次對(duì)遙感圖像進(jìn)行基于視覺(jué)特征的顯著性分析，通過(guò)低通濾 波和伽馬變換獲得居民區(qū)顯著圖，再次對(duì)居民區(qū)顯著圖進(jìn)行閾值分割與腐蝕操作，獲得二 值化的居民區(qū)特征圖，最后將前景特征圖與居民區(qū)特征圖進(jìn)行異或運(yùn)算得到道路特征圖， 將道路特征圖與全色高分辨率遙感圖像進(jìn)行邏輯與運(yùn)算得到最終的道路信息，具體包括以 下步驟：
[0014] 步驟一：提取所輸入全色高分辨率遙感圖像的二值化前景特征圖，即利用最大類(lèi) 間方差法確定輸入圖像的分割閾值，并用該閾值對(duì)輸入圖像進(jìn)行分割，以分離前景和背景 信息，將背景信息置為"〇"，將包含居民區(qū)與道路的前景信息置為"1"，從而獲得包含居民 區(qū)和道路的二值化前景特征圖；
[0015] 步驟二：對(duì)輸入的全色高分辨率遙感圖像進(jìn)行顯著性分析，即根據(jù)輸入圖像尺寸 和視網(wǎng)膜離心率將輸入圖像分成大小相等且互不重疊的圖像塊，然后計(jì)算每個(gè)圖像塊的顯 著值，最后通過(guò)低通濾波和伽馬變換獲得居民區(qū)顯著圖，具體過(guò)程包括：
[0016] 1)根據(jù)輸入全色高分辨率遙感圖像的尺寸以及視網(wǎng)膜離心率計(jì)算圖像的分塊尺 寸，并將圖像分成大小相等且互不重疊的圖像塊；
[0017] 2)對(duì)全色高分辨率遙感圖像的每個(gè)圖像塊均進(jìn)行傅里葉變換，依據(jù)傅里葉變換后 各圖像塊的幅度譜計(jì)算任意兩個(gè)圖像塊間的差異；
[0018] 3)通過(guò)人類(lèi)視覺(jué)敏感度確定任意兩個(gè)圖像塊間差異的權(quán)重；
[0019] 4)利用一個(gè)圖像塊和其余圖像塊間的差異及相應(yīng)權(quán)重計(jì)算該圖像塊的顯著值；
[0020] 5)使用高斯低通濾波器消除邊緣效應(yīng)，利用伽馬變換消除背景中的陰影等干擾因 素，最終得到居民區(qū)顯著圖。
[0021] 步驟三：對(duì)居民區(qū)顯著圖進(jìn)行閾值分割、二值化操作及腐蝕操作，得到居民區(qū)特征 圖，即利用最大類(lèi)間方差法確定居民區(qū)顯著圖的分割閾值，然后利用該閾值對(duì)居民區(qū)顯著 圖進(jìn)行分割并以"〇"表示背景，" 1"表示前景，得到一幅二值化圖像，最后對(duì)這幅二值化圖 像進(jìn)行腐蝕操作，得到二值化的居民區(qū)特征圖；
[0022] 步驟四：利用異或邏輯運(yùn)算檢測(cè)全色高分辨率遙感圖像中的道路，即將步驟一中 所得到的前景特征圖與步驟三中所得到的居民區(qū)特征圖進(jìn)行異或邏輯運(yùn)算，從而獲得二值 化的道路特征圖，然后將該特征圖與所輸入的全色高分辨率遙感圖像進(jìn)行邏輯與運(yùn)算，最 終檢測(cè)出輸入圖像中的道路信息。
[0023] 本發(fā)明提出的方法具有如下的優(yōu)點(diǎn)：
[0024] (1)本發(fā)明利用最大類(lèi)間方差法對(duì)輸入全色高分辨率遙感圖像進(jìn)行閾值分割，在 低計(jì)算復(fù)雜度的條件下快速除去背景信息，從而快速、高效地獲得作為前景的居民區(qū)和道 路。
[0025] (2)本發(fā)明將顯著性分析引入到遙感圖像道路檢測(cè)中，不依賴(lài)先驗(yàn)知識(shí)，一定程度 上降低了計(jì)算復(fù)雜度并保證了檢測(cè)精度。
[0026] (3)本發(fā)明對(duì)分割居民區(qū)的顯著圖后得到的二值化圖像進(jìn)行了腐蝕操作，從而獲 得更加精確的居民區(qū)的特征圖，進(jìn)一步保證了后續(xù)道路檢測(cè)的完整性。
【附圖說(shuō)明】
[0027] 圖1為本發(fā)明的流程圖；
[0028] 圖2為本發(fā)明所使用的全色高分辨率遙感圖像示例圖片；
[0029] 圖3為本發(fā)明所使用示例圖片的前景特征圖、居民區(qū)顯著圖和居民區(qū)特征圖。（a) 為示例圖片的前景特征圖，（b)為示例圖片的居民區(qū)顯著圖，（c)為示例圖片的居民區(qū)特征 圖；
[0030] 圖4為利用本發(fā)明得到的道路特征圖和道路檢測(cè)結(jié)果圖。（a)為示例圖片的道路 特征圖，（b)為示例圖片的道路檢測(cè)結(jié)果圖；
[0031] 圖5為示例圖片采用本發(fā)明方法和其他方法生檢測(cè)道路的比較。（a)為利用最大 類(lèi)間方差（Otsu)方法檢測(cè)出的道路，（b)為遺傳算法（GA)方法檢測(cè)出的道路，（c)為本發(fā) 明方法檢測(cè)出的道路；
[0032] 圖6為示例圖片的地面實(shí)況（Ground-Truth)顯著度圖；
[0033] 圖7為使用Otsu方法、GA方法和本發(fā)明方法對(duì)示例圖片進(jìn)行檢測(cè)的結(jié)果量化對(duì) 比圖。
【具體實(shí)施方式】
[0034] 下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步詳細(xì)說(shuō)明。本發(fā)明的總體框架如圖1所示，現(xiàn)介 紹每一步實(shí)現(xiàn)細(xì)節(jié)。
[0035] 步驟一：提取所輸入全色高分辨率遙感圖像的二值化前景特征圖，即利用最大類(lèi) 間方差法確定輸入圖像的分割閾值，并用該閾值對(duì)輸入圖像進(jìn)行分割，以分離前景和背景 信息，將背景信息置為"〇"，將包含居民區(qū)與道路的前景信息置為"1"，從而獲得包含居民 區(qū)和道路的二值化前景特征圖。給定一幅圖像，分割閾值的確定方法如下：
[0036] 設(shè)輸入圖像共有L個(gè)灰度級(jí)，假設(shè)在第k個(gè)灰度級(jí)將圖像分為(：。和C i兩類(lèi)，每一 類(lèi)出現(xiàn)的概率如下2式計(jì)算：
[0039] 在此基礎(chǔ)上，每一類(lèi)的方差σ。2和σ,2如下2式計(jì)算：
[0040]
[0041 ]
[0042] 其中，P1是第i個(gè)灰度級(jí)出現(xiàn)的概率，μ是每一類(lèi)中灰度級(jí)的均值，Pr(i|C)是每 一類(lèi)中第i個(gè)灰度級(jí)出現(xiàn)的條件概率。定義2類(lèi)間的方差為σ〗，如下式計(jì)算：
[0043] σ/Ο?^ωοω^μ^μ。)2，
[0044] 其中，最佳閾值P為使上式取得最大值時(shí)的k。
[0045] 步驟二：對(duì)輸入的全色高分辨率遙感圖像進(jìn)行顯著性分析，即根據(jù)輸入圖像尺寸 和視網(wǎng)膜離心率將輸入圖像分成大小相等且互不重疊的圖像塊，然后計(jì)算每個(gè)圖像塊的顯 著值，最后通過(guò)低通濾波和伽馬變換獲得居民區(qū)顯著圖。
[0046] 結(jié)