韓冬梅，王 雯，李博斐

基于語義的圖像低層可視特征提取及應(yīng)用

韓冬梅1,2，王 雯1，李博斐1

(1. 上海財經(jīng)大學(xué)信息管理與工程學(xué)院，上海 200433；2. 上海市金融信息技術(shù)研究重點實驗室，上海 200433)

為實現(xiàn)圖像低層可視特征提取及其智能語義推理，從遙感圖像解譯入手，結(jié)合灰度共生矩陣和模糊C均值分類器提取圖像紋理特征。構(gòu)造基于灰度形態(tài)學(xué)的多尺度多結(jié)構(gòu)元素邊緣檢測算子，提取特征知識。構(gòu)建基于斷層帶的多源地學(xué)數(shù)據(jù)語義推理模型。以成都附近的斷層為研究對象，進行語義推理驗證，其解譯結(jié)果與專家實地解譯情況相符，初步驗證該模型的可行性，使圖像的機器分析結(jié)果更加貼近專業(yè)人員的目視解譯，為地學(xué)研究數(shù)字化和遙感圖像解譯信息化提供參考。

語義網(wǎng)；紋理特征；邊緣特征；語義推理；灰度共生矩陣；多源地學(xué)數(shù)據(jù)

1 概述

隨著語義網(wǎng)與地質(zhì)學(xué)研究的深入，具有地理特征指向性的遙感圖像分析日趨完善。然而，現(xiàn)有的圖像分析大多存在對研究結(jié)果的主觀依賴性，如何實現(xiàn)遙感圖像特征與地理構(gòu)造語義的自動匹配就成為一個研究難點。

關(guān)于遙感圖像低層可視特征提取方面的研究，目前大多數(shù)是基于紋理特征的圖像特征分析。紋理特征是對圖像灰度分布函數(shù)的統(tǒng)計[1]。多種用以測量紋理的特征分析算法被陸續(xù)提出，大體可分為統(tǒng)計分析、結(jié)構(gòu)分析、模型分析、變換分析方法4類[2]。其中，結(jié)構(gòu)分析方法的應(yīng)用比較有限，只適用于對一些常規(guī)的紋理進行分析；統(tǒng)計分析方法有灰度共生矩陣[3]、游程長度矩陣[4]；模型分析方法有自相關(guān)[5]、馬爾可夫隨機場模型[6]、分形[7]。變換分析方法有小波變換法[8]、濾波變換分析[9]等。其中，應(yīng)用最為廣泛、處理效果較好的是灰度共生矩陣算法。

遙感圖像邊緣特征提取方面，常用的邊緣檢測算法可以做如下分類：基于微分或者二階微分計算的傳統(tǒng)算子[10]，這類算子在處理時往往要和一定的圖像去噪工作結(jié)合使用；基于濾波算法的新興算子，如Hough變換和小波變換，這類算法的效果雖然有很大提高，但是算法的構(gòu)造和處理過程非常復(fù)雜，實用性和實時性較差[11]。交叉學(xué)科知識構(gòu)造的創(chuàng)新型算法，將原本未使用在圖像分析領(lǐng)域中的其他學(xué)科的模型或者建模思想引入到邊緣檢測中，其中最具代表性的當(dāng)屬基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測算法[11]。

遙感圖像特征的提取離不開語義的解釋[12]。文獻[13]針對圖像目標(biāo)與特征集之間難以對應(yīng)的問題，提出一種基于概率潛在語義分析的層次化目標(biāo)表述方法。文獻[14]提出了一種基于知識推理的遙感圖像目標(biāo)識別框架和遙感地物目標(biāo)通用知識庫設(shè)計方案；文獻[15]結(jié)合了低層特征和高層語義，提出了基于語義圖例的查詢方式QBSE。

本文將灰度共生矩陣和模糊C均值分類器結(jié)合，提出一種基于語義的圖像低層可視特征提取模型。

2 基于語義的圖像低層可視特征提取模型構(gòu)建

2.1 圖像紋理特征提取算法

2.1.1 灰度共生矩陣算法

灰度共生矩陣是將圖像的像素根據(jù)其灰度轉(zhuǎn)化成數(shù)字構(gòu)成的矩陣，矩陣通過其構(gòu)成的向量能夠進行方向、臨近向量關(guān)系和灰度變化梯度的計算。為了對紋理這一類特征進行細(xì)化并定性，灰度共生矩陣的計算結(jié)果被歸納為一系列特征，據(jù)此來標(biāo)記和描繪紋理特征。本文受到圖像分辨率和計算量的限制，分析過程中主要使用以下5個特征值進行紋理提取和分析。

(1)紋理能量：

(2)紋理對比度：

(3)紋理相關(guān)性：

(4)紋理熵：

(5)紋理逆差矩：

其中：

為了保證處理的效果，在構(gòu)建灰度共生矩陣的同時，首先對矩陣內(nèi)的像素灰度進行如下歸一化操作：

2.1.2 模糊C均值分類器

在遙感圖像分析中，遙感信息的不確定性和圖像像元的混合性使得部分像元很難準(zhǔn)確進行分類。另外，遙感數(shù)據(jù)當(dāng)中很大一部分的數(shù)據(jù)形態(tài)和屬性具有中介性，沒有確切的邊界來區(qū)分它們?；谏鲜鰡栴}，本文引入模糊集理論進行地物劃分，模糊C均值聚類是一種包含模糊集理論和K-均值聚類的模糊聚類分析法。

該算法描述如下：

矩陣中每一列的元素都表明其對應(yīng)的像元隸屬于個類別中各類的隸屬度。并且滿足如下約束條件：

目標(biāo)函數(shù)：

為Euclidean距離。

2.2 基于灰度形態(tài)學(xué)的多尺度多結(jié)構(gòu)元素邊緣檢測算法

由于遙感圖像噪聲的不可預(yù)測性和邊緣的多樣性，單一的結(jié)構(gòu)元素不能很好地提取復(fù)雜圖像的邊緣特征，多結(jié)構(gòu)元素的檢測算法能夠盡可能多地覆蓋圖像中的邊緣，檢測出不同方向的邊緣特征。同時，由于低尺度的結(jié)構(gòu)元素容易受到噪聲的影響，高尺度的結(jié)構(gòu)元素可以去噪但會損失大量的細(xì)節(jié)信息。因此，采用多尺度的結(jié)構(gòu)元素就能滿足兩方面的要求，最大限度地保留圖像邊緣細(xì)節(jié)信息。本研究引入的多尺度多結(jié)構(gòu)形態(tài)邊緣檢測算子表達式如下：

8個不同方向的結(jié)構(gòu)元素如下：

2.3 遙感圖像可視特征的語義應(yīng)用研究

2.3.1 研究對象特征總覽

主要研究對象為汶川地震區(qū)北西向斷裂帶附近構(gòu)造，這一區(qū)域內(nèi)的地貌特點總體可以歸納為以下方面：龍門山斷裂帶由5條主干斷裂組成，包括龍門山后山斷裂、龍門山主中央斷裂、龍門山山前主邊界斷裂、龍門山山前隱伏斷裂和平武-青川-勉縣斷裂。汶川地震區(qū)5條北西向斷裂構(gòu)造帶呈50 km~60 km等間距平行排列，控制著北東向的龍門山斷裂帶的分段及其活動強度，如圖1所示。斷裂及其專家判讀結(jié)果如表1所示。

圖1 龍門山斷層帶構(gòu)造圖

表1 斷裂編號與專家判讀結(jié)果

2.3.2 斷層帶語義數(shù)據(jù)模型

基于圖像分析的語義研究的認(rèn)知模型如圖2所示。

圖2 遙感圖像的地學(xué)特征認(rèn)知模型

本文從遙感圖像分析和斷層帶專家目視辨別標(biāo)志2個方面出發(fā)，分2個層次構(gòu)建模型：第1個層次是基于局部斷層的圖像分析，分為圖像特征紋理和圖像邊緣特征的單元語義網(wǎng)絡(luò)，這一層次主要在于通過技術(shù)手段對斷層周邊地物特征進行提取和歸納；第2個層次是基于第1層次的分析結(jié)果，同時結(jié)合專家觀點與實地考查數(shù)據(jù)對整個斷層帶進行判別，目的在于通過多源數(shù)據(jù)的融合和歸納抽象出辨別該條斷層帶的語義規(guī)則。根據(jù)上述單元語義網(wǎng)絡(luò)模型構(gòu)建斷層語義網(wǎng)絡(luò)模型，如圖3所示。

圖3 斷層語義數(shù)據(jù)模型

2.4 實現(xiàn)過程與結(jié)論

在紋理特征分析中使用遙感圖像紋理的能量、熵、對比度、相關(guān)性和逆差矩作為聯(lián)合特征向量，特征空間維度為=5，在這些參數(shù)構(gòu)成的模式空間中進行分析。終止誤差設(shè)為0.001，LOOP為50。加權(quán)指數(shù)=2.5。而后，基于SQL Server和 ArcGIS Server構(gòu)建多源地學(xué)數(shù)據(jù)庫，并儲存遙感圖像紋理和邊緣提取信息，構(gòu)造該多源地學(xué)本體的成都府地區(qū)的地學(xué)數(shù)據(jù)包括：斷層數(shù)據(jù)，重力異常數(shù)據(jù)，航磁異常數(shù)據(jù)，DEM高程數(shù)據(jù)。為了更直觀地體現(xiàn)模型性能，選取雅安地震區(qū)附近斷層(29°E~31°E，102°N~104°N范圍內(nèi))進行具體研究，通過本文建立的語義網(wǎng)絡(luò)推理模型并結(jié)合多源地學(xué)數(shù)據(jù)庫，實驗結(jié)果如圖4所示。

圖4 雅安地震區(qū)附近斷層帶推理結(jié)果

在圖4中標(biāo)注的①②③3處，可以明顯發(fā)現(xiàn)水系受斷層控制發(fā)生肘狀彎曲。而標(biāo)注④⑤兩處，山體被錯斷，斷層三角面清楚，兩側(cè)地貌差異明顯。靠近圖片下半部分的斷層，其周圍分布著一系列小山頭，這些小山頭由堅硬的巖層所組成的破碎帶，并且沿著斷層兩側(cè)地貌明顯不對稱。

圖5(a)為紋理分類圖層與地學(xué)數(shù)據(jù)疊加得到的結(jié)果，根據(jù)紋理可以將圖像特征分為3類——水體、山體凸出面和山體溝壑面。從圖5(a)中可以看出①②斷層位置明顯和山體溝壑分布一致，而③斷層卻是潛藏在地表特征之下的，必須依靠其他數(shù)據(jù)進行推理。對于圖5(b)中的邊緣特征提取結(jié)果來說，在本文中這一邊緣提取結(jié)果能較好地提取出水系邊緣，可以明顯地發(fā)現(xiàn)在斷裂附近水系出現(xiàn)了扭曲甚至折斷。

圖5 紋理特征和邊緣特征推理效果

3 結(jié)束語

本文所提出的基于語義的圖像低層可視特征的提取模型解譯結(jié)果與專家實地解譯情況相符，初步驗證了該模型的可行性，從而為以后的地學(xué)研究數(shù)字化和遙感圖像解譯信息化提供了一定的參考。然而，由于此次所選數(shù)據(jù)均為雅安地震發(fā)生之前的原有數(shù)據(jù)，因此如果進一步根據(jù)結(jié)果研究雅安地震成因，還需分析地震后的數(shù)據(jù)，對兩者進行比較才能達到效果，期待進一步的完善。

[1] Zueker W. Structure in Co-occurrence Matrices for Texture Analysis[J]. Computer Graphics and Image Processing, 1980, 12(3): 286-308.

[2] Bharati M H, MacGregor J F. Image Texture Analysis: Methods and Comparisons[J]. Chemometrics and Intelligent Laboratory Systems, 2004, 72(1): 57-71.

[3] Raheja J L, Kumar S, Chaudhary A. Fabric Defect Detection Based on GLCM And Gabor Filter: A Comparison[J]. International Journal for Light and Electron Optics, 2013, 124(23): 6469-6474.

[4] Galloway M M. Texture Analysis Using Gray Level Run Lengths[J]. Computer Graphics and Image Process, 1975, 4: 172-179.

[5] Sarkar A, Sharma K, Sonak R. A New Approach for Subset 2-D AR Model Identification for Describing Textures[J]. IEEE Transactions on Image Process, 1997, 6(3): 407-413.

[6] Noda H, Shirazi M N, Kawaguchi E. MRF-based Texture Segmentation Using Wavelet Decomposed Images[J]. Pattern Recognition, 2002, 35(4): 771-782.

[7] Backes A R, Casanova D, Bruno O M. Color Texture Analysis Based on Fractal Descriptors[J]. Pattern Recognition, 2012, 45(5): 1984-1992.

[8] Gai Shan, Yang Guowei, Zhang Sheng. Multiscale Texture Classification Using Reduced Quaternion Wavelet Transform[J]. International Journal of Electronics and Communications, 2013, 67(3): 233-241.

[9] 李龍燕, 胡福喬. 基于Gabor小波濾波器的遙感圖像多頻道紋理分析[J]. 計算機工程, 2003, 29(20): 127-129.

[10] 阮秋琦. 數(shù)字圖像處理學(xué)[M]. 北京: 電子工業(yè)出版社, 2001.

[11] 龔 煒, 石青云, 程明德. 數(shù)字空間中的數(shù)學(xué)形態(tài)學(xué)——理論及應(yīng)用[M]. 北京: 科學(xué)出版社, 1997.

[12] Sowmya A, Trinder J. Modelling and Representation Issues in Automated Feature Extraction from Aerial and Satellite Images[J]. Journal of Photogrammetry and Remote Sensing, 2000, 55(1): 34-47.

[13] 周 暉. 高分辨率遙感圖像的層次化分析方法[M]. 長沙:國防科學(xué)技術(shù)大學(xué), 2009.

[14] 陳韶斌. 基于知識推理和視覺機理的遙感圖像目標(biāo)識別方法研究[M]. 武漢: 華中科技大學(xué), 2010.

[15] Rasiwasia N, Moreno P J, Vasconcelos N. Bridging the Gap: Query by Semantic Example[J]. IEEE Transactions on Multimedia, 2007, 9(5): 923-938.

編輯 顧逸斐

Extraction and Application of Image Low-level Visual Features Based on Semantics

HAN Dong-mei1,2, WANG Wen1, LI Bo-fei1

(1. School of Information Management and Engineering, Shanghai University of Finance and Economics, Shanghai 200433, China; 2. Shanghai Key Laboratory of Financial Information Technology, Shanghai 200433, China)

In order to realize extraction of image low-level visual features and semantic reasoning, this paper starts from remote sensing image explanations, combines Gray Level Co-occurrence Matrix(GLCM) and Fuzzy C-Means(FCM) classifier to extract texture feature, then detects edge by multi-scale and multi-structuring elements based on grayscale morphology, finally constructs multi-sources geological data based on the fault zone and uses the Chengdu parcels to test and verify the model. The results completely coincide with the expert’s field studies, which demonstrates the feasibility of this model, makes the results of machine analysis closer to results of visual interpretation, and provides valuable preferences fordigitalization of the earth science study and informationization of image interpretation.

semantic Web; texture feature; edge feature; semantic reasoning; Gray Level Co-occurrence Matrix(GLCM); multi-source geosciences data

1000-3428(2014)03-0244-05

A

TP391.41

國家自然科學(xué)基金資助項目“基于語義網(wǎng)的多源地學(xué)空間數(shù)據(jù)融合與挖掘研究”(41174007)。

韓冬梅(1961－)，女，教授、博士生導(dǎo)師，主研方向：圖像特征提取，數(shù)據(jù)挖掘，語義網(wǎng)；王 雯，博士研究生；李博斐，碩士研究生。

2013-09-09

2013-11-21 E-mail：wangwen_1010@163.com

10.3969/j.issn.1000-3428.2014.03.051