（摄影测量与遥感专业论文）高分辨率遥感影像道路分割算法研究.pdf

摘要 摘要 自从s p o t - 5 、i k o n o s 、q l l i c k b 硼等卫星成功发射并投入商业运行以来， 遥感应用进入了一个新时代，相应地，对高分辨率遥感影像的处理和信息提取提 出了新的要求。从遥感影像上自动提取道路是摄影测量与遥感领域的难题和重 点，它对于摄影测量和遥感影像分析自动化起到至关重要的作用。通过影像分割 实现道路影像的二值化，进而在二值图像上提取道路是一个具有代表性的研究方 向。 本文研究的主要内容是道路图像分割算法。针对城市高分辨率遥感影像中典 型道路段的具体特性，采用相应算法将遥感影像的道路段分割出来，为道路的最 终提取提供准备。论文的研究内容如下： ( 1 ) 详细分析了现有的一些基于特定理论和方法的高分辨率遥感影像分割 技术，并总结了各方法的优缺点； ( 2 ) 详细研究了基于最大内问方差法的多类目标图像分割算法，总结了将其 直接用于分割道路影像的局限性； ( 3 ) 提出了两种新的适合于城市高分辨率遥感影像的分割方法基于道 路局部灰度一致性的图像分割方法和基于综合特征的图像分割方法。 基于道路局部灰度一致性的图像分割方法考虑将图像灰度信息和空间位置 信息相结合对影像进行分割，实验结果表明该方法分割效果较好，能对复杂的高 分辨率遥感影像进行快速分割。 基于综合特征的图像分割方法综合了影像的灰度特征和纹理特征对道路图 像进行模糊聚类分割，克服了原来利用单特征进行分割的缺陷。 关键字：影像分割；高分辨率遥感影像；最大内间方差法；灰度一致性；综合特 征 a b s t r a c t t h e 印p l i c a t i o no fh i g hr e s o l u t i o nr e m o t e l ys e n s e dd a t ah a sc o m ei n t oan e w e r a s i n c es p o t 5 ，i k o n o sa n dq u i c k b i r ds a t e i l i t e sw e r el a u n c h e d a sar e s u l t ，n e w m e t h o d sa r er e q u i r e dt oo b 诅i ni n f o m l a t i o n 丘o mt h eh i g h r e s o l u t i o ni m a g e r y e x t r a c t i n gr o a df e a t u r e sa u t o m a t i c a l l y 丘d mr e m o t es e n s i n gi m a g e sh a sp m v e dt ob e ad i 箍c u i tt a s k ni sa i s oo n eo ft h ek e yp r o b l e m so fp h o t o g r a m m e t r ya n d 化m o t e s e n s i n g ，w h i c hp l a y sac m c i a lr o l eo np h o t o g r a m m e t r ya i i da u t o m a t i n gt h ea n a l y s i s o ft h er e m o t es e n s i n gi m a g e ab i n a r yr o a di m a g ec a nb eo b t a i n e db ym e a n so f s e g m e n t a t i o n ，a i l de x t r a c t i n gm a d si ns u c ha ni m a g ei so f c o u r s ee a s i e rt 1 1 a ni t lag r a y o n e i nf a c t ，e x t r a c t i n gr o a d si nab i n a r yi m a g ei sar e p r e s e m a t i v eh n do fm e t h d d s i nm i sp a p e f w em a i n l yp a yo u ra t t e n t i o nt om es e g m e n t a t i o na l g o r i t l l i i l so f t h e r o a di m a g e s t h e 印e c i n cc h a r a c t e r i s t i c so fm et y p i c a lu r b a nm a d si nt 1 1 em g h f e s o l u t i o nr e m o t es e n s i n gi m a g e sf o rt y p i c a lu r b a nr o a d sa r ec o n s i d e r e d ，a j l dm e c o r r e s p o n d i n ga l g o r i t h m sh a v eb e e nu s e dt od i s t i n g u i s ht h er o a d 打o mo t h e ro b j e c t s t h i sp m c e s sp r o v i d e st h ep r e p a r a t i o nf o rt h e 丘1 1 a le x t r a c t i o n m a j o rr e s e a r c h c o n t e m sa r et l l ef o l l o w i n g ： ( 1 ) s o m eo ft h ee x i s t i n gs e g m e n t a t i o na p p m a c h e sf o rh i 曲r e s o l u t i o nr e m o t e s e n s i n gi m a g e sh a v eb e e na n a l y z e di nd e t a i l ，a n dt h e i ra d v a n t a g e sa n dd i s a d v a n t a g e s h a v eb e e ns u m m e du p ( 2 ) t h es e g m e n t a t i o na l g o r i m mf o rm u l t i c a t e g o r yt a r g e ti m a g e sw h i c hi sb a s e d o n0 t s uh a sb e e nr e s e a r c h e dc a r e f u l l y ，a n di t sl i m “a t i o n sw h i l eb e i n gu s e dt o s e g m e n tr o a d sd i r e c t l yh a sb e e ns u m m a r i z e da sw e l l ( 3 ) t w on e wm e t h o d ss u i t a b l e f o rt l eu r b a nh i g hr e s o l u t i o nr e m o t es e n s i n g i m a g e sh a v eb e e np r o p o s e d t h ef i r s ti sb a s eo nm eg r a yc o n s i s t e n c yo f t h er e g i o n a l r o a da n dt h es e c o n di sb a s e do nt h ei n t e 掣a t e df e a t u r e s t h em e t h o db a s e do nm eg r a yc o n s i s t e n c yo fm er e g i o n a ir o a du s e sa c o m b i n a t i o no f g r a y a n d s p a c ep o s i t i o n i n f o m a t i o nt o s e g m e n ti m a g e s e x p e r i m e n t a lr e s u l t ss h o wt h a t t m sm e t h o di sm o r ee 爿e c t i v e ，a si tc a i 】b eu s e dt o d e a lw i t ht h ec o m p l e xh i 曲r e s o l u t i o ni e m o t es e n s i n gi m a g e sr a p i d l y i i a b s t r a c t t h em e t h o db a s e do nt h ei 王1 t e 掣a t e df e a t i l r c su s e sf u z z yc l u s t e r i n gf o ri m a g e s s e g m e n t a t i o n ，w h i c ho v e r c o m e st h el i m i 协o n so ft l l eo r i g i n a l u s eo fas i n g l e c h a r a c t e r k e yw o r d s ：i m a g es e g m e n t a t i o n ，h i g hr e s o l u t i o nr e m o t es e n s i n gi m a g e s ，o t s u m e t h o d ，g r a yc o n s i s t e n c y ，i n t e g r a t e df e a n e s i i i 学位论文独创性声明： 本人所呈交的学位论文是我个人在导师指导下进行的研究工作 及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工 作的同事对本研究所做的任何贡献均已在论文中作了明确的说明并 表示了谢意。如不实，本人负全部责任。 论文作者( 签名) ： g 支 2 0 0 6 年占月7 日 学位论文使用授权说明 河海大学、中国科学技术信息研究所、国家图书馆、中国学术期 刊( 光盘版) 电子杂志社有权保留本人所送交学位论文的复印件或电 子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文 档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允 许论文被查阅和借阅。论文全部或部分内容的公布( 包括刊登) 授权河 海大学研究生院办理。 论文作者( 签名) ： 暑安 2 0 0 6 年b 月 日 第一章绪论 第一章绪论 遥感技术经过4 0 多年的发展，无论在光谱分辨率、空间分辨率、时间分辨 率等方面都有着极大的进步，已经形成高光谱、高空间分辨率、全天时、全天 候、实时的对地观测能力。随着各种类型空间传感器的大量应用及其分辨率的 迅速提高，高分辨率遥感影像可以提供越来越多的地表物体的形状结构与纹理 信息。但是，人们对遥感信息的认识和利用程度要远远落后于通过空间和航空 系统获取信息源的速度，大量堆积如山的航空、航天遥感影像及相关的数据与 数据处理手段( 主要是从影像中自动提取我们所需要的信息的能力) 之间存在 巨大的反差。因此，充分利用高分辨率卫星遥感影像，结合数学理论、计算机 图形学、计算机视觉、模式识别、人工智能等科学技术，研究目标的自动提取 有着十分重要的理论和现实意义。 1 1 选题依据与研究背景 遥感影像是对地面特征的综合，在对遥感影像的研究和应用中，人们往往 对影像中的某些部分感兴趣，这些部分常称为目标或前景( 其它部分称为背景) 。 它们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需 要将这些有关区域分离提取出来，在此基础上才甫可能对目标进一步利用，如 进行测量和定位。遥感影像分割就是指把影像分成各具特性的区域并提取出感 兴趣目标的技术和过程，而这里的特性指的就是遥感影像特征，可以是灰度、 颜色、纹理等，目标可以对应单个区域，也可以对应多个区域。遥感影像分割 是遥感影像分析的一个重要内容。 从遥感影像上自动提取道路是摄影测量与遥感领域的难题和重点，它对于 摄影测量和遥感影像分析自动化起到至关重要的作用。在过去的三十多年里， 道路提取在摄影测量界和计算机视觉界受到了广泛的重视，针对不同的影像类 型，不同的影像分辨率，不同区域的影像和不同的道路类型，人们提出了许多 从航空和遥感图像中提取道路的方法【l “。但由于道路在遥感图像中的表现形式 十分复杂，对不问比例尺的影像难以用固定的参数或特征描述，而只能用一些 抽象的语句来描述。对于同一算法，不同的环境、不同的传感器、不同的图像、 河海大学硕士学位论文 不同的成像条件等等会造成提取结果的极大差异，因而造成了自动识别的困难， 使得自动提取道路信息成为一个难度很大的课题。目前仍然没有足够可靠和实 用的自动识别软件。 随着遥感卫星数据获取技术的不断发展，遥感影像空间分辨率不断增高， 已经达到甚至突破米级，如i k o n o s 和q u i c k b i r d 影像。遥感影像中存储着极为 丰富的信息，影像特征结构复杂，既包括地形、植被、水文这样的自然特征， 又包含房屋和道路这样的人工地物。随着影像分辨率的提高，影像细节特征越 来越丰富，道路目标也越来越多，许多较窄的在低分辨率影像上难以辨别的道 路也能分辨出来。可是，随之而来的是影像上细小目标、阴影等非目标噪声也 更越来越多。利用目前已有方法，自动提取高分辨率影像道路特征则比较困难。 因此，如何有效地利用高分辨率影像的高分辨率特性提取道路，是具有现实意 义的。 本文研究的主要内容是道路图像分割算法，即从道路图像中把“目标”一 一道路通过图像处理中的分割技术分割出来。针对城市高分辨率遥感影像中典 型道路段表现为狭长区域的特性，采用多种分割算法将遥感影像的道路段与其 它地物分割出来，为道路的最终提取操作提供前期准备。 因此研究图像分割算法是道路提取工作的关键步骤，图像分割结果的好坏 将直接影响到后续的特征提取与目标识别。图像分割是对高分辨率遥感影像进 行目标提取的一个重要手段，是指把图像中特定的、具有独特性质的区域分离 并提取出来的技术和过程【5 l 。依据图像特征对图像中的目标或区域进行分割是 成功进行图像分析、理解和描述的前提条件，也是高分辨率遥感影像处理中的 关键技术之一。据统计，运用各种数学方法进行图像分割的算法有上千种，但 并不是每种算法都适合于高分辨率遥感影像，因此必须研究这些算法对遥感图 像分割的适用性。就高分辨率遥感图像而言，应该根据其分辨率、波段、成像 规律等自身特点，利用目标形状、色调和纹理等特征，综合多种手段来进行图 像的分割。正是由于图像分割的不确定性及分割任务的重要性，人们至今仍在 不断研究探索新的分割理论与分割算法。 第一章绪论 1 2 国内外研究现状 由于道路目标复杂的光谱与形状特征，在遥感图像上进行道路的提取一直 被认为是一项具有相当难度的工作。遥感工作者们对此问题进行了大量不懈的 努力，国内外在这方面的研究大概有3 0 多年的历史，并在特定的情况下取得了 一些进展，如在中小比例尺的航空影像上，道路不密集的农村地区可以确认大 部分的道路网。特别是从9 5 年开始，国际上已经连续召开了三届人工地物提取 研究方面的专门研讨会，并出版了论文集，全球性的研究热潮初具规模。国内 外也成立了很多专门的研究项目和机构从事人工地物的自动提取研究。如美国 r a d i u s 项目和m c k e o w n 实验室，南加州大学n e v a t i a 领导的研究组，瑞士的 “a m o b e ”项目和e t h ，德国的波恩大学，奥地利的格拉茨大学和法国的地理 院( i g n ) 等；以及国内如武汉大学、解放军信息工程大学、国防科技大学、 中国科学院、华中科技大学等，它们在道路特征提取等方面都作了许多研究工 作。 1 2 1 高分辨率遥感影像道路基本特征 理想的道路成像应该具有均匀分布的灰度值、理想的几何特性等。但是影 像中的道路并非如此，主要原因有：( 1 ) 由于成像过程复杂，道路在图像中的表 现不再是理想的线条，其宽度、灰度是不一致的，边界有时是模糊的、断裂的； ( 2 ) 摄影比例尺和影像分辨率决定了道路呈现的几何特征；( 3 ) 道路两边地物复 杂( 例如树木、建筑物等) ，其阴影的遮挡使得某些路段在图像上表现模糊或与 其他地物混淆，产生断裂的道路段，建筑物和道路的连接处将使道路变宽：( 4 ) 路面上有许多噪声，如分道线、交通管理线、车道线、车辆等会使得路面的灰 度分布不再均匀。这些影响都大大增加了道路提取的难度，使得自动提取道路 成为一个难度很大的课题。 道路信息的提取极大地依赖于遥感影像数据的分辨率，本文研究的主要内 容是城市高分辨率遥感的道路分割算法，因此，下面对高分辨率遥感影像上的 道路基本特征进行描述。 1 1 几何特征 河海大学硕士学位论文 a ) 主要道路为具有一定长度的带状目标： b ) 宽度较大，沿线长方向宽度变化较小。宽度相对大小与道路级别有 关，级别越高，宽度越大，城市主要干道宽度较大，且每一道路段路 面宽度基本上一致： c ) 有一定的弯曲但一般局部曲率不大，曲率变化很缓慢； d ) 平行特征：级别较低，宽度较窄的道路存在相对应的平行线段，而 且通常是一对一的，但主要道路的路面上是许多对相互平行的直线， 而且不连续，道路的双边平行特征不明显。 2 ) 辐射特征( 灰度特征) a ) 与周围环境的对比度较小，其大小和区域有关：城区比乡村小： b ) 受路面上的汽车、分道线、交通管理线、车道线等的影响，道路表 面整体灰度分布不均匀，但局部灰度沿某一方向具有均匀性。 3 1 拓扑特征 a ) 道路段相互连通，且一幅图像覆盖的区域是有限的，因此每一道路 段的两端只有两种情况：一种是与另一道路段相交，另外一种是延伸 至图像的边界外； b ) 网络特征是可以利用的辅助特征，但不是最明显的特征； c ) 道路段连接处的几何模式不明显。 总的来说，在高分辨率遥感影像上，一般道路具有一定的宽度，其形状像 一个窄的矩形或带状线；在城市区域，道路长度通常大于或等于一个街区；同 时道路网络具有一定的规则。主要道路是一类复杂的目标，复杂目标不同于一 般刚体，它难以用固定的参数描述，故要设计一个万能的算法来完成大量复杂 目标的识别是非常困难的。本文主要利用高分辨率影像中道路的灰度特征来研 究针对道路图像的影像分割方法，为后续道路的提取提供一个中间成果。 1 2 2 高分辨率遥感影像道路特征提取研究现状 目前，道路特征提取的研究主要是针对航空影像和低、中分辨率卫星遥感 影像的，而在高分辨率影像的道路特征提取方面的研究还不多。低、中分辨率 卫星影像由于分辨率较低，道路呈线状分布，提取相对容易；航空影像虽然能 4 第一章绪论 有较高的分辨率，但单幅影像覆盖范围小，对于大区域则会出现多幅图像间提 取结果的接边问题，从而使整体效率降低。而高分辨率卫星遥感影像则能弥补 这一不足。与较大比例尺的航片相比，高分辨率卫星遥感影像在影像特征上具 有较小的投影差：同时获取的周期比航片大大的缩短；特别地，通过高分辨率 卫星能获取全球范围内的高分辨率遥感影像，而这是利用航片难以做到的。因 此，高分辨率卫星遥感影像在道路提取方面具有很大的发展潜力。 国内外的学者根据高分辨率遥感影像特点，在高分辨率遥感影像道路特征 提取方面已取得一些研究成果。具有代表性的主要有以下几种：m c k e o w n 和 d e n l i n g e r 6 】利用道路边缘成对平行的特性获取道路种子点，然后使用边缘跟踪 和断面匹配跟踪两个算法进行道路跟踪，通过道路模型融合两个算法的跟踪结 果，并在跟踪失败时进行分析以引导跟踪继续进行或中断跟踪。r u s k o n e 肿【” 研究了基于道路种子点的自动获取进行道路跟踪，然后利用道路的几何结构特 征进行道路段的编组，最后利用s n a k e 模型对提取的道路网进行几何结构优化。 d o m l d 和b n l n o 在众多研究的基础上，深入探讨了1 0 米分辨率的卫星影像道 路识别方法。g e m a n 和j e d v n a k 研究了利用不同分辨率影像提取道路的方法， 首先在高分辩率下求出经过滤波的边缘，然后在低分辨率下求出边界弯曲的道 路，最后在高分辨率下利用动态搜索的方法得到所需的道路。k a r i m j 【8 运用稳 健的高斯一拉普拉斯算子做边缘检测和一种种子区域增长算法从l m 或更高分 辨率的卫星影像上提取道路，结果非常初步。 通过影像分割的方法来提取高分辨率影像中的道路特征是道路特征提取的 方向之一。其基本思想方法是：首先对高分辨遥感影像二值化，对此二值化影 像再进行各种处理，得到最终提取的道路网络。其基本流程如图1 1 所示。 l 原始影像i l 影像预处理( 校正、增强、滤波等) + j 影像分割i + 特征分析、选择、综合等 + 道路特征提取 图1 1 基于影像分割的道路特征提取过程 5 河海大学硕士学位论文 国内外许多学者深入研究了通过影像分割的方法来提取道路特征，其中具 有代表性的有： ( 1 ) ( s h iwz ，z i ucq ，2 0 0 2 ) 【9 通过人工设定闽值，对影像二值化。然后 对二值化影像按不同方向、不同位置检测具有一定长度和方向的线段，将提取 道路转化为提取直线段，从而得到基本的道路网络。然后再进行形态闭运算、 细化等处理，得到最终的道路网络。 ( 2 ) ( 安如，冯学智等，2 0 0 3 ) 【1 0 】提出了一种基于数学形态学的道路网络分 析方法，该方法与步骤为首先将道路影像二值化，同时进行噪音去除、断线连 接、细化，并通过将栅格数据转换成矢量形式来得到基本的道路网络；然后对 基本道路网络进行分析、连接、选取；最后用d 0 u g i a s p e u k e 算法对道路进行平 滑处理与表示来得到最终提取的道路网络。 ( 3 ) ( 唐国维，林冬梅等，2 0 0 1 ) 【1 1 提出一种基于种子窗口的区域生长方法， 实现道路图像分割技术，给出道路结构分析，道路图像。由于种子窗口受到预 先位置的限制，在某种情况下，生长得到的道路区往往达不到整个道路区的范 围。比如在道路的中部有阴影，而顶部仍为较亮的道路区，则这一部分得不到 生长，从而只得到部分道路边界。 ( 4 ) ( 肖志强，鲍光淑等，2 0 0 4 ) 利用模糊c 均值聚类方法对高分辨率s a r 图像进行聚类分割，将道路类像素从原始图像中分离出来。对聚类结果进行细 化，同时利用跟踪算子消除短线段；以提取道路中心线二值图的像素值作为图 像能量，应用s n a k e s 模型检测道路网络。 ( 5 ) ( 朱长青等，2 0 0 4 ) 1 3 首先利用灰度重建运算，构造基于形态特征的影 像分割，得到基本的道路网络轮廓。在分割基础上，利用线段特征匹配方法提 取道路网络。在分割处理中，结构元对分割结果有重要影响，因为分割中算子运 算依赖于结构元。在实际应用中，结构元的选取主要取决于研究对象、目的和 试验分析。 ( 6 ) ( 梅天灿，李德仁等，2 0 0 5 ) 【1 4 1 针对高分辨率航空遥感影像中线状目 标的特点，提出一种结合区域和直线特征识别线状目标的方法。在基于标记点 分水岭变换进行初始分割的基础上，利用关于目标的知识和区域邻接图对感兴 趣区域进行合并，得到最终检测结果提出一种结合区域和直线特征识别道路目 6 第一章绪论 标的方法。 道路特征提取已取得了不少研究成果，但与实际应用的要求还差得较远， 在提取的自动化程度、提取算法的速度、适用性、准确性等方法还有许多工作 有待研究解决。而利用影像分割的方法提取道路是一个重要的分支方向，具有 潜在的应用价值。随着计算机图形学、计算机视觉、模式识别、人工智能等学 科和技术的发展，必将大力推动遥感影像特征提取的发展。 1 2 3 图像分割方法研究现状 在计算机视觉理论中，图像分割、特征提取与目标识别构成了由低层到高 层的三大任务。目标识别与特征提取都以图像分割作为基础，图像分割结果的 好坏将直接影响到后续的特征提取与目标识别i ”】。因此，图像分割是一种重要 的图像技术，它不仅得到人们广泛的重视和研究，也在实际中得到大量的应用。 图像分割在不同的领域中有时也用其它的名称，如目标轮廓技术，阈值化技术， 图像区分或求差技术，目标识别技术，目标跟踪技术，目标检测技术等，这些 技术本身或核心实际上也是图像分割技术。图像分割是计算机图像识别与理解 领域极为活跃的一个分支，也是计算机图像理解方法实现的基础。图像分割的 目的是将图像空问划分成若干有一定意义的区域。例如一幅航空照片，可以分 割成工业区、住宅区、湖泊、森林等。用分割的方法把我们“感兴趣的目标物” 从卜分复杂的影像中提取出来，以便我们做出进一步分析或说明。因此，图像 分割是图像分析和图像识别中前期处理的一个重要步骤。 图像分割是指将整个图像区域分割成若干个互不交叠的非空子区域的过 程，每个子区域的内部是连通的，同一区域内部具有相同或相似的特性，这里 的特性可以是灰度、颜色、纹理等。图像分割的研究多年来一直受到人们的高 度重视，至今已提出了上于种各种类型的分割算法，而且近年来每年都有上百 篇有关研究报道发表。由于现有的分割算法非常多，所以将它们进行分类的方 法也各不相同。例如有把分割算法分成三类的1 1 6 】：阈值分割；边缘检测； 区域提取。又如，通常图像分割可基于像素灰度值的两个性质：不连续性和相 似性。分割算法可据此分为基于边界的图像分割算法和基于区域的图像分割算 法。其中，基于边界特征的分割算法中，比较经典的算法有微分算子边缘检测 河海大学硕士学位论文 和边缘拟合等。然而，基于边缘特征的方法，使用的边缘检测算子会产生不连 续边缘，要从杂乱的场景图像边缘中区别目标的边界非常困难，或计算非常复 杂；另一方面，基于区域均匀性的图像分割算法中，比较经典的算法有最优阈 值分割法、迭代闽值法、最大内间方差法、最佳熵法等。但利用区域均匀性的 方法对目标成像条件要求很高，当目标表面灰度不均匀时，利用全局方法无法 提取出完整的目标。 在高分辨率影像上，一般道路具有一定的宽度，其形状像一个窄的矩形或 带状线，道路提取需作为面状地物提取来考虑，因此有必要对区域分割技术作 简单的讨论。区域分割已经有很长的研究历史，针对各种具体要求建立了许多 算法，有直方图凹行分析法、最佳熵阈值法、矩不变阈值法、最大内间方差法、 最小误差法、基于过渡区的方法、动态阈值法、区域生长和分裂合并法等。 近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多结合 一些特定理论( 如利用马尔可夫随机场理论、数学形态学理论、人工神经网络、 模糊集合论和遗传算法等) 分割技术。虽然如此，图像分割至今尚无通用的自 身理论，大部分研究成果都是针对某一类型图像、某一具体应用的分割，新的 分割算法还在不断涌现。正是由于图像分割的不确定性及分割任务的重要性， 人们至今仍在不断研究探索新的分割理论与分割算法。 1 3 本文的主要内容 利用图像分割方法提取道路特征是高分辨率遥感影像道路提取发展的一个 方向，本文借助前人研究成果，综合了多种图像分割技术，研究了城市高分辨 率遥感影像的分割算法，目的是对影像中的道路进行分割，为道路的自动提取 提供一个前期准备。论文的篇章结构安排如下： 第一章绪论主要阐述论文的选题依据和研究背景，介绍了高分辨率遥感影 像道路特征提取的国内外研究现状及发展趋势以及图像分割方法的研究现状， 最后介绍了论文的结构和组织情况。 第二章本章主要针对高分辨率遥感影像的特征，介绍了几种常用的基于特 定理论的高分辨率遥感影像分割技术：基于数学形态学的形态特征分割、基于 模糊聚类法分割、基于纹理特征的分割法，并详细分析了各算法的优缺点。 第一章绪论 第三章对高分辨率遥感影像道路分割方法进行了较为系统的研究，首先研 究了基于最大内间方差法( o t s u 法) 的多类目标图像分割算法来确定图像在分 为几类时更有利于将道路目标与其它地物类别区分开来，并结合了遗传算法进 行速度优化。然后提出了两种新的适合于城市高分辨率遥感影像的分割算法： 算法一的思想是基于道路目标在图像中沿某一方向具有灰度一致性，因此可以 通过检测图像中每个像素点沿不同方向的灰度均匀性来检测出道路目标，同时 结合改进的动态阈值法分割出影像中的道路；算法二的思想综合利用影像的灰 度特征和纹理特征对道路图像进行聚类分割。 第四章针对本文所提出的两种算法进行了实验验证。首先采用同态滤波增 强图像；其次对增强后的图像分别采用基于道路灰度一致性分割、基于综合特 征分割、模糊聚类分割和形态分割进行了分割对比实验，并对实验结果进行了 分析。 第五章总结本文的工作以及不足点，提出了进步的研究方向。 河海大学硕士学位论文 第二章高分辨率遥感影像分割理论 2 1 引言 遥感影像是对地面特征的综合，为了辨识和分析目标，需要将这些有关区域 分离提取出来，在此基础上才有可能对目标进一步利用，如进行测量和定位。遥 感影像分割就是指把影像分成各具特性的区域并提取出感兴趣目标的技术和过 程，而这里的特性指的就是遥感影像特征，可以是灰度、颜色、纹理等，目标可 以对应单个区域，也可以对应多个区域。 高分辨率的卫星影像通常是指像素空间分辨率在1 0m 以内的遥感影像。早 期高分辨率传感器的研制与应用主要是在军事领域，以大比例尺遥感制图和对地 物的分析和人类活动的监测为目的，2 0 世纪9 0 年代以后才逐渐进入商业和民用领 域的范围，并迅速地发展起来。高分辨率卫星遥感信息的实用化开创了遥感应用 的新时代，也对高分辨率遥感影像的处理和信息提取提出了新的更高的要求。高 分辨率遥感影像与中、低分辨率的影像相比具有更加丰富的结构信息和纹理信 息。影像分割是高分辨率遥感信息提取的重要环节，已成为遥感信息科学发展的 前沿课题和研究热点。据统计，运用各种数学方法进行图像分割的算法有上千种， 但并不是每种算法都适合于高分辨率遥感影像，传统的图像分割算法由于不能产 生合理和稳定的结果，并且容易丢失重要的结构信息，在高分辨率遥感信息提取 中的应用受到了限制，因此必须研究这些算法对遥感图像分割的适用性。就高分 辨率遥感影像而言，应该根据其分辨率、波段、成像规律等自身特点，利用目标 形状、色调和纹理等特征综合多种手段来进行图像的分割。 遥感影像分割至今尚无通用的自身理论。随着各学科许多新理论和方法的提 出，出现了许多与一些特定理论、方法相结合的图像分割技术。本章主要针对高 分辨率遥感影像的特征，介绍了几种常用的基于特定理论的高分辨率遥感影像分 割技术：基于数学形态学原理的分割方法、基于模糊聚类原理的分割方法、基于 纹理特征的分割法，并详细分析了各算法的优缺点，其中前两种算法在第四章的 实验中用于作对比，后一种算法本文利用了其基本原理并加以改进。 第二章高分辨卑遥感影像分割理论 2 2 基于数学形态学原理的影像分割 数学形态学是种基于集合论的非线性理论，它以图像的形态特征为研究 对象，主要内容是设计一整套概念、变换和算法，用来描述图像的基本特征和 基本结构，也就是描述图像中元素与元素、部分与部分间的关系，通过使用具 有一定形态的结构元素来度量和提取图像中的对应形状，从而达到对图像进行 分析和识别的目的。这一理论是法国巴黎矿业学院地质学家g m a t h e r o n 和 j s e r r a 于1 9 6 5 年创立的。数学形态学的数学基础和使用的语言是集合论，其 基本运算有四种：膨胀、腐蚀、开运算和闭运算，基于这些基本运算还可以推 导和组合成各种数学形态运算方法。 2 2 1 基本形态运算 简单的腐蚀是消除物体边界点的一种过程，一般腐蚀概念定义为： e = 日。s = 扛，y l s 。b ( 2 1 ) 也就是说，由s 对b 腐蚀所产生的图像e 是这样点的集合：如果s 的原点 位移到点( x ，y ) ，那么s 将完全包含于b 中。图2 1 给出腐蚀运算的示意图。 静黑胛 h 1 qj ( c ) 图2 1 腐蚀运算示意图 图2 i ( a ) 中的阴影部分为b ，图( b ) 中的阴影部分为s ，图( c ) 阴影部分表示 b o s 。 简单的膨胀是将与物体接触的所有背景的点合并到该物体中的过程。膨胀 概念定义为：e = b o s = k y | 瓯n b 西j( 2 2 ) 也就是既，由s 对b 膨胀所产生的图像e 是这样点的集合：如果s 的原点 位移到点( x ，y ) ，那么它与b 的交集不为空。也即物体膨胀后将结构元素的 交集外围部分也包含了进来，发生了膨胀。图2 2 给出了膨胀示意图。 河海大学硕士学位论文 隔阳口阳 ( 0 o )k 】 ( d ) 图2 2 膨胀运算示意图 图2 2 ( a ) 中的阴影部分为b ，图( b ) 中的阴影部分为s ，图( c ) 中的阴影部分 为s 的映像，而图( d ) 中的阴影部分表示b 0 s 。 使用同一个结构元素对图像先进行腐蚀然后再进行膨胀的过程为开运算， 其定义式为：b 。s = ( b o s ) o s ( 2 3 ) 先进行膨胀然后再进行腐蚀的运算则称为闭运算，定义式为： b s = ( b o s ) s ( 2 4 ) 2 2 2 水平算子 基于重建开和重建闭运算的组合算子称之为水平算子5 6 1 ，设厂0 ) 是灰度影 像，n 为结构元，则重建开运算定义为： ，；，0 ) = p 几g 。，扫) ) ( 2 5 ) 重建闭运算定义为：贰，0 ) = p + 加1 p 。厂扫) ) ( 2 6 ) 水平算子用重建开运算和重建闭运算的定义就是： f x u u g = ，+ ，_ ( 2 7 ) i 妒工 y 函数g 是f 的高水平算子( 当且仅当作用于一对相邻像素( p ，g ) h q ) ，即： f f v + ：g p 蜀；g 。兀 ( 2 8 ) 同样，称函数g 是f 的低水平箅子，对( p ，g ) 即有： 咖+ ：g p g 口jg p 厶 ( 2 9 ) 如果函数g 既是f 的高水平算子又是f 的低水平算子，那么称函数g 等于f 。 水平算子可用来分割原始的影像，具体过程参见文献【1 3 】。 利用数学形态学原理进行图像分割的文献很多。文献【1 8 设计了一种将灰 度形态学梯度与闽值结合来进行边缘检测，从而达到识别机场等线状目标。该 第二章高分辨率遥感影像分割理论 方法的缺点是：在对经过形态修剪后的图像取阈值分割时，需要人工设定闽值， 且在抽取骨架过程中，计算时间较长，用于实时处理较为困难。文献f 1 9 使用 基于图像最大内切圆和基于目标最小闭包结构元素的形状描述来进行数学形态 学图像分割。文献 2 0 】把数学形态学的流域分割算法引入到处理遥感影像图上， 通过选取极低点，以极低点为中心膨胀得到分割区域来实现了大数据量遥感影 像水系图的流域分割，在膨胀时采用了八邻域膨胀的方法，提高了效率，缩短 了运行时间，使分割得到了较好的效果。 上述文献中所用方法均只针对特定的某一类图像进行分割，并不适用于高 分辨率的遥感影像。文献【2 1 研究总结了一种适合于高分辨率可见光遥感图像 分割的算法。该算法是一种结合数学形态学区域分割算法和c a n n y 边缘检测算 法的综合图像分割算法，可以有效地将图像中的多个小目标分割出来。但该文 所用方法仍然需要通过人机交互的方式来进行感兴趣对象( 连通区域) 的提取。 文献【2 2 提出了一种从高分辨率遥感影像中提取线性目标时影像预处理的方 法。该方法根据高分辨率遥感图像特征，首先利用灰度形态学的t o p h a t 算子 和灰度膨胀对灰度图像进行滤波，经过预处理再对图像进行二值化、细化、除 去短线和分支等有关图像处理的运算，得到最后提取的线性目标。文献【1 0 提 出了一种基于数学形态学的道路网络分析方法，该方法与步骤为首先将道路影 像二值化，同时进行噪音去除、断线连接、细化，并通过将栅格数据转换成矢 量形式来得到基本的道路网络；然后对基本道路网络进行分析、连接、选取； 最后用d o u g l a s p e u k e 算法对道路进行平滑处理与表示来得到最终提取的道路 网络。该方法是用于对遥感图像上己分类的道路信息进行各种处理。文献f 2 3 利用数学形态学的方法对高分辨率遥感影像道路提取进行了研究，通过对影像 进行预处理增强道路信息，依据影像灰度直方图信息，对预处理后的影像进行 阈值分割，得到一个包含道路信息的二值影像；进一步使用形态开运算去除细 小噪声，同时将一部分粘连在道路上的噪声与道路信息进一步分割；接着结合 形态腐蚀和形态重建运算获取影像中主要道路网络信息，并用形态闭运算完善 道路网络信息；最后对道路网络信息进行形态细化和一定次数的形态修剪处理， 得到单像素宽的道路中心线信息。文献【5 5 提出了基于灰度形态学从高分辨率 遥感图像中提取道路网络的方法。其基本步骤为：首先是利用灰度形态特征对 遥感影像进行分割，进而得到基本的道路网络轮廓。然后在此基础上，利用线 河海大学硕士学位论文 段特征匹配方法提取道路网络。提出的方法在形状描述上比传统的方法好，它 能保留小的但在图像中占有重要地位的区域，这能减少传统形态分割中引人注 目的超分割问题。有利于处理非常细小的、封闭又必须保留的图像以及结构和 目标背景不明确的图像。 利用数学形态法原理进行高分辨率遥感影像分割已取得了较好的效果，但 尚有许多问题有待解决。上述各种方法均存在着不同缺陷：如数学形态学变换 的结果，取决于结构元素的选择。由于结构元素的复杂多变，给具体的形态分 析模型的稳定性带来了困难。因此，深入研究结构元素的分解方法，或者通过 模型结构的变换减弱结构元素的影像，是将来建立全自动的遥感影像分析和目 标提取系统所必须考虑的问题。 2 3 基于模糊聚类原理的影像分割 近年来，不少学者将模糊数学的方法引入到图像处理中，如基于模糊理论 的模糊聚类分割方法，在一些场合取得了比传统方法更好的效果。模糊聚类分 析的思想首先由b e l l m a i l 和z a d e h 等人于1 9 6 6 年提出来。1 9 7 3 年d u 肌提出了 模糊c 一均值聚类算法f c m ( f u z z yc m e a nc l u s t e r i n ga 1 9 0 r i t m ) ，1 9 8 1 年， j c b e z d e k 对其进行改进并推广到实际应用中。目前，有关模糊聚类的许多成 果都是对f c m 聚类算法进行的推广和改进。f c m 算法从原理上讲是一种基于 在图像特征空间中进行模糊聚类的图像分割算法，这种划分以样本数据到各个 类中心的距离为判据，并通过多次迭代来实现的。其实质是一种基于目标函数的 非线性迭代最优化方法，目标函数采用图像中各像素与每个聚类中心( c 个) 之间的加权相似度测度。f c m 算法的任务就是通过迭代，选择合适的模糊隶属 度矩阵和聚类中心，使目标函数达到最小，从而得到最佳分割结果。其基本原 理如下： 设有数据集，x = x 。，x ：，x 。，x 。) ，其中x 。为p 维向量。欲将x 分为c 类， 使得每一类中至少包含一个样本，将每一样本属于某一类的程度用模糊隶属度表 示。这样分类结果可用如下c n 阶模糊矩阵u 来表示： 第二章高分辨率遥感影像分割理论 u = 模糊矩阵u 的元素满足如下约束条件 定义如下目标函数 “【o ，1 】，v f ，尼 “咄= i ，v t o ，k o 且 河海大学硕士学位论文 p 忸。= x fx 肼= x 。，( | j ，) 上，忙，) o ，j ) j = 尸= = ， ，拈) ( 2 _ 1 7 ) 图2 4 给出了不断增加阶数的邻 域系统结构。 按上面定义，一幅二维图像看作 一个m a r k o v 随机场的实现，通过随 机场反映相邻像素点之间的干涉关 系，即相邻像素间灰度实现的条件概 率。考虑m a r k o v 随机场所引进的子 团( c l i q u e ) 概念，在一个二阶领域 6 54345 421 2 4 6310l3 6 42l2 d 5 4 3 4 5 6 图2 4 不断增加阶数的领域系统结构 系统内除去中心像元本身子团，相干涉的不同组合有9 种( 如图2 5 ) 。根据 m a r k o v 的思想对这9 种组合分别计算均值和方差作为特征，则特征数目一共是 1 8 种，当影像尺寸很大时，特征计算量也是很大的。此外，m a r k o v 随机场的 局部特性使之必须和g i b b s 随机场结合才能得到实际的应用，但g i b b s 随机场 的引进又带来了大量的需要先验知识才能选择合适的势函数以及设定相关参 数，这都给m a r k o v 随机场在分割中的应用带来了许多不便。 口田日 p 瞄胡口 日田 幽2 5m a r k o v 随机场的二阶邻域模型及子团类型 因此文献 4 3 】提出在灰度分割的基础上添加辅助的纹理分割的简化随机场 模型方法，即用常用的描述局部图像特点的特征代替m r f 中定义的特征，将这 些特征组合成特征向量来描述某一个领域内的纹理和灰度情况，进而进行聚类 完成分割。文献 4 4 1 结合二维w o l d 分解技术来对遥感图像进行分割，将图像分 解为确定性随机场和纯不确定性随机场，通过调整它们之间的比例关系，来加 强纹理边缘，从而改善马尔可夫标记场模型对纹理边缘过平滑的现象。从分割 第二章高分辨率遥感影像分割理论 结果来看，结合w o l d 分解的分割效果优于直接采用m a r k o v 随机场分割效果， 但仍不理想。 文献【4 5 】讨论了基于马可夫随机场的图像分割方法，建立了相应 的基于马可夫随机场的图像分割模型，将图像分割问题转化成图像标记问题， 进而转化成求解图像的最大后验概率估计的问题，文中还引进了一种基于博弈 理论的决定性退火算法( g s a ) 和一种基于竞争理论的算法( c a ) ，以实现复杂