基于高分辨率遥感数据多尺度分割的城市特征提取.doc

2009城市遥感大会基于高分辨率遥感数据多尺度分割的城市特征提取Mao Feng, Liu Ze, Zhou Wensheng, Li Qiang清华大学建筑学院北京100084，P.R中国摘要多尺度分割方法建议通过融合高分辨率的多光谱影像来适应分水岭算法和区域合并算法。在适应分水岭的初步分割之前，应考虑滤波和去除局部最小区域的方法来避免过度分割。它的整个过程可以分为以下五个步骤。北京城市于2007年获得的高分辨率影像QuikBird曾经是研究的案例。从分割的结果我们能够发现大部分的城市特征可以被准确提取，分割的边缘精确光滑。我们可以得出结论，这个方法能够拥有更多的语义信息，有效的减少了“椒盐现象”，并且整体提高了QuikBird影像的分类精度、提高运算效率。关键字：多尺度分割；高分辨率遥感影像；市区；分水岭变换；区域合并算法；.引言城市包含了世界人口的大多数，人类活动使城市与其他景观不同。遥感技术将会帮助我们理解社会经济发展与城市物理环境之间的关系。人类的活动使得城市变得复杂和难以测量，也使得城市足够重要来吸引遥感科学家的关注1。在过去的数十年中，有许多成功应用的案例报道，包括城市特征的描绘、识别、分类和量化城市建筑材料、构成、结构；检测城市物理性质的动态演化；调查和评估人类居住区和人口，提供城市的社会和经济职能信息。近几年翁齐浩总结过一些在市区遥感方面有特殊问题的期刊，包括：环境遥感，2003，vol.86，第3期；IEEE地质和遥感，2003，vol.41，第9期；摄影测量和遥感，2003，vol.69,第9期；遥感城市热遥感的环境特刊，2006年出版2。这项研究是由国家文物局主办（编号20080203&No.20080213）此外，还需要高分辨率影像和其他的能够胜任的有着高度的精确度和准确性的地图城市技术34。而高分辨率影像为进一步的应用要求提供新的可能性，它也给传统的图像处理方法带来了新的挑战。虽然图像分割的技术有了相当大的进步，它依然会导致分类精度变低，使得空间数据冗余、浪费资源，而传统的方法是适用于高分辨率遥感影像。当分辨率变高的时候，同一地面目标物的光谱响应之间的变化变得显著，使得辨别不同的类型有更大的难度。此外，重点是处理灰度影像的已制定的方法需要改进，来满足处理多光谱图像的需求。图像分割是图像识别和测量的基础，也是自动分类的前提5。许多从高分辨率遥感数据中提取信息的新的方法被提出，多尺度分割是其中一个探索的方法，尽管它已被推出和使用了很长一段时间678。多尺度分割不仅可以从原始影像中传递信息，它还维持城市特征之间的比例关系；此外它支持面向对象的图像处理。通常多尺度影像分割有三个重要的部分：消除噪声，评估同质区域和分割。A .消除噪声消除的方法应该在保持图像边缘的情况下有效的去除噪声。至于高分辨率影像，分辨率提高，噪声增大。习惯上高斯和中值滤波是噪声消除的普及的方法，但是VMF方法（Vector Median Filtering 矢量中值滤波）是去除彩色图像的噪声的有效的方法，包括VDF（Vector Directional Filtering 矢量方向滤波）和DDF（Directional Distance Filtering 定向距离滤波）910。但是所有的这些方法在滤波处理过程中有时候会将普通的点错认成噪声点，因为他们使用同样的过滤模板处理图像。B分割着眼于高分辨率影像分割，Pesaresi和Bendiktsson提出来基于形态学的多尺度分割方法。正式通过衍生的形态学轮廓的形态学特征，被用来计算分割单位11; Pekkarinen用主成分分析的方法减少多光谱中的关联，然后通过用ISODATA的方法产生的集群进行初步分割12。分水岭变换吸引越来越多的关注，它已经被广泛应用于图像分割1314,但是它总是造成过度分割的问题。为了克服这个缺点，一些基于区域合并的算法被提出，但是他们也增加了计算成本。看来有必要设置适当的阈值来减少分水岭转换后的区域数目，或者选择种子领域来控 Fig1制需要先验知识的在图像中的目标对象的数目15。C评估同质区域随着分割过程的进展，那些被选定的区域通过合并来达到分割的过程，是识别那些同种的区域的合并方法的前提。许多合并的方式基于来自图像的光谱信息16，而高分辨率影像拥有更多的信息，包括光谱、形状、纹理和背景。Benz探索过结合以像素为基础的或统计信号处理方法来开发丰富的信息量，并提出了一个综合评估图像中同质化区域的方法，包括光谱和形状特征17。为了得出结论，现在的许多遥感影像的分割方法致力于特区或者其他图像，而不是高分辨率影像，并设计其对全色和烧毛光谱图像很有效。此外考虑到高分辨率影像的数据范围，算法应该扩大到包含广泛的信息，促进分割的准确性和获取各种图像不同空间尺度的分析任务。.多尺度分割算法A.算法的描述我们采取的措施可以分为5个步骤，他们分别是：过滤，同质区域的计算，去除局部最小区域，分水岭转换和合并区域。起初，一个非线性滤波方法-PGF测量法（Peer Group Filtering 同伴团体过滤）被用来消除混合噪声，并保持边缘信息；然后用一个多维梯度算法来计算输入了多光谱的图像的同质性梯度影像；之后，为了避免用分水岭算法产生的过度分割现象，同质性梯度影像中的局部最小区域被除去；然后，一个适应的分水岭算法引导梯度图像；最后，经过适应的分水岭算法初步分割后的图像被一个区域合并算法处理来完成多尺度分割。最终提取出的城市特征的精度由整个分类方法和kappa系数评估产生。B 前期处理和过滤在双线性插值方面，对图像进行几何校正；而辐射校正基于近红外波段，涉及保持相对较低辐射亮度的地面类型或水。后来一种名为PGF的非线性清除滤波的方法被用来清除图像中的噪声，主要的思路是选择同行分组的像素点18。利用PGF方法，只有那些和中央像素点保持适当的特征距离的相临近的像素点才能够被选入同行分组像素和过滤器过滤窗口。PGF方法已经被证明能够克服高斯滤波法和中值滤波法把所有的像素都选入过滤器窗口的缺点19。1）在同行分组中计算像素数首先，在过滤器窗口中（假定他们的长度和宽度在w像素比例尺下）计算每一个相邻近的像素和原始像素的特征向量的欧式距离，并按照升序排列。如果x0（n）代表原始像素的特征向量n，则每一个向邻近的像素xi（n）（i=0，k=w2-1）的特征向量的欧式距离（di）和原始像素可以利用（1）计算。di=| xi (n) - x0(n) |, i=0, w*w-1. (1)在这里di应该按照d0 d1 dw*w-1升序排列，并且设置像素进行过滤计算时应按照P(n) = xi(n), (i=0, , m(n)-1出现，期中m（n）代表选定的像素数；然后m（n）可以通过基于升序排列中的di利用费歇判别来计算，当最大值可以用i通过费歇准则获得时，m（n）就是i的值。2）同行分组像素的选择di的一阶差fi是用来确定一个像素是否为噪声点，由以下公式计算fi= di+1- di a. (2)a是手动输入的用来判断的阈值，当（2）成立时，相应的像素被认为是脉冲噪声，其他所有剩下的像素应该放到同行组中。3）消除噪声当同行组像素选中后，原始像素的特征向量值Xnew（n）应当被同行组中的加权像素的特征向量值取代。一般来说，Xnew（n）可以定义为其中，gi是标准的高斯权重值，然后PGF过滤过程算是完全结束。经过利用PGF方法的过滤器窗口的遍历过程，同时达到了图像平滑和噪声消除的目的，此外图像的边缘和细节信息仍被有效的保存。C.计算同质梯度图像计算多维梯度图像的算法是多光谱图像应用分水岭转换方法的关键。多维的数学、形态学方法为了混合光谱分析而提出，解释和分类遥感多维影像20。从形态学角度来看，多光谱图像被视为像素的向量集，所以基于降序方法，图像的腐蚀和膨胀可以被计算。向量之间的比较转化成通过测量多维距离值得到的标值的比较。本文中标距离被定义为像素向量和中心点之间的距离，这是由结构元素D(f(x, y),B)=dist(f(x, y), cB), (4) 决定的。其中，f（x，y）是像素的向量表示，B是结构元素，而cB是由结构元素B组成的数据集的中心。cB可以通过下面的公式计算得到因此，多维的腐蚀和膨胀可以被定义为 所以可以从（6）和（7）中得出结论：多光谱图像经过上述多维侵蚀和膨胀处理后将仍是具有相同规格的多光谱图像。基于那些努力扩展正常的数学形态学方法，多光谱的形态学梯度G（f）可以通过计算由于多维腐蚀和膨胀方法产生的像素向量的距离来实现。这里G（f）被形容为其中dist表示距离函数。D 消除局部最小梯度图像在计算上一步过后，梯度图像中有许多不相关的局部最小区域，如果他们被直接用于分水岭转换，就会导致过度分割。在这项研究中，由Wang提出的方法引导我们以确保去除那些局部最小区域8.这种方法可以利用几个像素或者邻近像素的一些差异来消除局部最小值。E.合适的分水岭转换然后，一个合适的分水岭转换算法作用于梯度图像，这是Patrick第一次提出的22。这个算法的核心是探索每一个像素和局部流域像素值较低的下游图像的路径。用这种方法分割的图像被分成一系列零值或是其他值的区域。与Vincent的Soille水浸分水岭算法不同，该方法拥有更好的计算效率并且不会产生预想之外的一系列相同值的像素，正好是脊线。F.合并区域在这一步中，经合适的分水岭算法初步分割之后产生的图像由区域合并算法处理以实现多尺度分割。在合并任务中，使用局部优先策略以确保涉及的两个区域是正确的一对。是否合并取决于在光谱、形状和纹理方面的定量的不均匀性的程度，而一个分割的阈值与相关地区的控制盘旋的区域有关，结束合并任务。起初，由分水岭转换的图像分割是由RAG（Region Adjacent Graph 地区毗邻图）组织的，这表明了子区域之间的拓扑关系。加权无向图G(R,E)定义有N个节点，R是区域的集合，每个节点代表一个区域，R=r1，r2，rN；E是相邻区域之间的边缘的集合，E=eij=Edge（ri，rj）|i，j （1，2，N），ij，E R*R所以，区域ri和区域rj间的合并成本可以用以下公式计算式中 和表示当两个R集合中的区域合并成一个区域时的的光谱、平滑度和各自的紧凑的特点。他们可以用Benz的算法计算24； 是k波段下标准差多样化的权重； 表示所有波段的标准差多样化的总值，而 和 分别表示平滑度和紧密度特征的多样化的值。局部优先融合算法指的是通过RAG算法寻找最适合的区域对来融合。至于邻近的区域ri和rj，rj=argminC(ri, rk)，rk rm| rm R, emE,这表明rj是ri最适合的区域，如果条件反向成立那也正确，表明ri是rj最合适的区域，所以ri和rj是等待融合的正确的区域对。预先设置一个值d控制遍历算法的深度能够提高算法的执行时间。此外，如果在d深度下没有合适的区域对就选择一个阈值控制循环过程。.研究区域和数据我们在北京选择一块地区作为研究区域，有六个类型区：道路，建筑，裸地，树木，草地和水体。通过快鸟卫星获得的高分辨率影像覆盖要研究的区域，包括蓝色，绿色，红色和近红外波段，空间分辨率是2.44米。这个图像被切割成1000像素长、800像素宽的。.实验结果和分析通过PGF算法进行的预处理和噪声消除之后，输入图像的同质梯度图像被计算出来。然后按照建议的标准删掉局部最小区域以避免在随后的分水岭变换中过度分割。随后一个合适的分水岭变换应用于分割操作，将会产生许多子区域，然后设计一个多尺度区域合并算法逐步合并子区域，最终实现多尺度分割。合并的过程是根据局部最优策略进行，这意味着合并的成本是最低的或者低于某些计算层次机构的阈值。 Fig2 展示研究区域 Fig3 过滤效率比较和消除的步骤评估分割结果和输出的相应的分类，以评估这个方法的准确性和效率。首先，不考虑通过PGF方法过滤和消除局部最小区域的有效改善，通过比较经过分水岭变换的主要分割的分割结果。图3中的第一个图形是经过分水岭变换处理后的分割输出结果，它前期经过PGF过滤和消除局部最小区域操作；而第二个展示的是直接经过分水岭变换处理的结果。经过计算可以得到第一个图形中有66958个子区域，而第二个的数目是32102。图像中的蓝线代表的是子区域的边缘。经过合适的分水岭变换的预分割，多光谱图像由局部最佳个体合并而成。合并阈值不同的分割结果是由整个分类精确度和kappa系数评估的。图4显示了不同阈值的分割，然后数值的精确度评估在Tab 1。Fig4 不同阈值的分割结果Tab1 分割后的对象，不同阈值分割的所有精确度和kappa系数阈值区域的数目整个精确度（%）Kappa系数102768472.240.6523201875673.650.6837251247976.230.722530673575.170.7013从分割结果和精确度评估来看，我们可以发现大部分研究区域的城市类型可以正确提取并且分割边缘准确、平滑；可以得出结论：这个方法可以保存更多的语义信息，有效的减少“椒盐现象”；并且通过提高计算效率改进和完善快鸟影像的整体分类精度。鸣谢作者对于北京市规划委员会亲切的提供实验的影像表示衷心的感谢。感谢Dr. Jianxi的有用的建议。参考文献1Mesev V,遥感城市，2003年，Boca Raton: CRC 出版社，P1。2翁齐浩，D.A. Quattrochi ，城市遥感，2007年，Boca Raton: CRC出版社，P3-53 Curran.P.J和Williamson.H.D，1986，Sample size for ground and remotely sensed data，环境遥感，20：31-414 Atkinson. P.M.和Curran. P.J，1997，Choosing an appropriate spatial resolution for remote sensing investigations，摄影工程测量与遥感，63：1345-13515 Schiewe J，高分辨率遥感影像分割，Application and problems. Arch. Of Photogrammetry and Remote Sensing，2002（4）：380-3856 Hay. G.J等，基于森林场景的自动的多尺度图像分割方法，国际应用地球观测和地球信息杂志，2005，7（4）：P339-3597 Fosgate. C. H；Krim. H；Irving,.W. W；Karl. W. C和Willsky. A. SAR图像的多尺度分割和异常增强，IEEE图像处理，1997.6（1）：7-208 Wang. D，A multiscale gradient algorithm for image segmentation usingwatershelds. 模式识别，1997.30（12）：2043-20539 Astola. J；P. Haavisto和Y. Neuvo。IEEE中矢量中值滤波过程。1990.78（4）：678-68910 Trahanias. P.E和A.N. Venetsanopoulos，Vector directional filters-anew class of multichannel image processing filters. Image Processing,IEEE Transactions on ，1993.2（4）：P528-53411 Pesaresi. M和J.A. Benediktsson。A new approach for themorphological segmentation of high-resolution satellite imagery. IEEE Transactions on Geoscience and Remote Sensing，2001.39（2）：309-32012 Pekkarinen A.A method for the segmentation of very high spatialresolution images of forested landscapes. Int. J. Remote Sensing.2002.23（14）：2817-283613 Vincent L和soille P。Watersheds in digital space: an effectivealgorithms based on immersion simulation. IEEE Transaction on PatternAnalysis and Machine Intelligence，1991.13（6）：583-59814 Hill.P.R；C.N. Canagarajah和D.R. Bull，基于分水岭变化的图像纹理梯度分割.IEEE图像处理，2003.12（12）：P1618-163315 John M；Gauch R；Image segmentation and analysis via multiscalegradient watershed hierarchies. IEEE Transactions on ImageProcessing，1999.8（1）：69-7916 Haris K和Efstratiadis S；Hybrid Image segmentation usingwatersheds and fast region merging. IEEE Transactions on ImageProcessing，1998.7（12）：1684-168917 Benz U.C；Hofmann P；Willhauck G；Lingenfelder I和Heynen M ；Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry andRemote Sensing，2004.58（3-4）：P239-25818 Yining Deng；Kenney；C.M.M.S；Peer