劉 春 玲

(黑龍江信息技術(shù)職業(yè)學(xué)院，黑龍江 哈爾濱 150025)

?

基于多時(shí)相DMC影像的建筑物變化檢測(cè)技術(shù)研究

劉 春 玲

(黑龍江信息技術(shù)職業(yè)學(xué)院，黑龍江 哈爾濱 150025)

介紹利用同一區(qū)域相隔兩年的DMC圖像,研究通過(guò)變化檢測(cè)得到的建筑物變化信息的方法。根據(jù)建筑物影像的顯著特征，理論聯(lián)系實(shí)際，先后采用基于線(xiàn)特征的建筑物變化檢測(cè)和基于區(qū)域與邊緣分析的建筑物變化檢測(cè)兩種方法，分別對(duì)這對(duì)多時(shí)相DMC影像進(jìn)行檢測(cè)研究。結(jié)果是，前后的檢測(cè)結(jié)果中出現(xiàn)了矩形的綠地信息，而后者的檢測(cè)結(jié)果更為準(zhǔn)確。從而得到結(jié)論：基于區(qū)域與邊緣分析的建筑物變化檢測(cè)技術(shù)有一定應(yīng)用價(jià)值。

DMC；變化檢測(cè)；建筑物

變化檢測(cè)就是通過(guò)比對(duì)分析多時(shí)相遙感影像，發(fā)現(xiàn)、確定并獲取變化信息的過(guò)程[1]。這是近年來(lái)遙感領(lǐng)域的熱點(diǎn)話(huà)題，在醫(yī)學(xué)、軍事、民用等領(lǐng)域都有著廣泛的應(yīng)用。建筑物是一般影像中比較重要的人工地物元素，在遙感影像[2]中提取建筑物信息近年來(lái)一直都是遙感領(lǐng)域的敏感話(huà)題。研究基于多時(shí)相遙感影像的建筑物變化檢測(cè)技術(shù)無(wú)疑是明智之舉。實(shí)踐方面，變化檢測(cè)得到的建筑物影像的特征點(diǎn)可以用作地形圖更新的控制點(diǎn)[3]，也可以滿(mǎn)足GIS數(shù)據(jù)更新的需要；理論方面，可以為影像中其他地物的變化信息檢測(cè)提取提供理論和方法指導(dǎo)[4]。

隨著科學(xué)技術(shù)的發(fā)展和社會(huì)的變遷，我們的地球發(fā)生著日新月異的變化，地理信息數(shù)據(jù)庫(kù)的實(shí)時(shí)更新也迫在眉睫。隨著傳感器技術(shù)的發(fā)展，我們所能獲取的影像的分辨率越來(lái)越高[5]，影像所涵蓋的信息量也越來(lái)越大，如果能夠充分利用這些信息將會(huì)達(dá)到事半功倍的效果。然而由于地理信息的多樣性、復(fù)雜性，眼下并沒(méi)有一種統(tǒng)一的技術(shù)能夠利用變化的影像實(shí)時(shí)更新地理信息數(shù)據(jù)庫(kù)中的所有數(shù)據(jù)，考慮到同類(lèi)地物的影像具有相同的屬性，因此研究起來(lái)可行性較高。

人工地物是眾多發(fā)生變化的地理信息中最主要的信息，其中，建筑物信息占有很大的比例。基于建筑物影像的特征較為明顯[6]，其特征點(diǎn)辨識(shí)難度相對(duì)較低，因此本文選擇建筑物信息的變化檢測(cè)作為研究對(duì)象。一方面，建筑物影像中比較明顯的特征點(diǎn)可以作為其他地物測(cè)繪的控制點(diǎn)；另一方面，成功針對(duì)建筑物進(jìn)行變化檢測(cè)無(wú)疑會(huì)對(duì)其他復(fù)雜地物的變化檢測(cè)具有一定的理論指導(dǎo)作用。

伴隨著光電技術(shù)和計(jì)算機(jī)傳輸技術(shù)的發(fā)展，DMC(數(shù)字航攝儀系統(tǒng))應(yīng)運(yùn)而生，解決了在傳統(tǒng)的航攝底片轉(zhuǎn)換成數(shù)字影像的過(guò)程中由于煩瑣的環(huán)節(jié)而產(chǎn)生的各種影像質(zhì)量問(wèn)題。DMC數(shù)字影像信息量豐富，立體測(cè)圖影像清晰，就連很細(xì)微的信息也能夠清楚地體現(xiàn)。本文基于某區(qū)域2009年和2011年的DMC影像，采用分類(lèi)后比較法進(jìn)行建筑物的變化檢測(cè)。如圖1所示為某區(qū)域間隔兩年的DMC數(shù)字影像，采用同一季節(jié)不同時(shí)相的圖像數(shù)據(jù)，可以減少由季節(jié)變化引起的相同地物的光譜差異。從影像上來(lái)看，主要的變化就是由從農(nóng)田到建筑物的變化(如圖1中紅色框所示的相應(yīng)位置)，正好適用于本課題。

1 研究區(qū)域影像預(yù)處理

本文所采用的算法全部適用于8位灰度圖像，因此在變化檢測(cè)過(guò)程中，進(jìn)行算法檢測(cè)之前需要將DMC數(shù)字影像轉(zhuǎn)換成適于研究的8位灰度圖像：將圖像中的每個(gè)像素用公式(1)計(jì)算其灰度值，

intgray=r×0.3+g×0.59+b×0.11

(1)

式中r、g、b分別為該像素對(duì)應(yīng)的R、G、B顏色分量，然后用求得的灰度值代替原來(lái)該像素的R、G、B分量就行了。

2 基于DMC影像的邊緣檢測(cè)

Prewitt邊緣檢測(cè)算子、Sobel邊緣檢測(cè)算子、Roberts邊緣檢測(cè)算子、Laplacian邊緣檢測(cè)算子、Canny邊緣算子是幾種比較常用的邊緣檢測(cè)算子。通過(guò)實(shí)驗(yàn)比較發(fā)現(xiàn)Canny邊緣算子是相對(duì)最適合本課題研究的算法。

1986年，John Canny在IEEE上發(fā)表的文章具有劃時(shí)代的意義，作者總結(jié)了前人的算法提出用于邊緣檢測(cè)的三條準(zhǔn)則(Canny 準(zhǔn)則)，并基于該理論得到相應(yīng)的算法。Canny準(zhǔn)則[40]描述如下：①檢測(cè)點(diǎn)最優(yōu)化(不漏掉正確的邊緣點(diǎn)，不檢測(cè)錯(cuò)誤的邊緣點(diǎn)，輸出的信噪比盡可能達(dá)到最大)；②檢測(cè)精度達(dá)到最優(yōu)(檢測(cè)得到的點(diǎn)離影像中實(shí)際對(duì)應(yīng)的邊緣點(diǎn)距離最近)；③檢測(cè)結(jié)果中的點(diǎn)與影像中的邊緣點(diǎn)呈一一對(duì)應(yīng)的關(guān)系。

3 鄰接矩陣邊緣跟蹤法

利用Canny算子進(jìn)行邊緣檢測(cè)得到的邊緣信息中，包含圖像中各種類(lèi)型地物的邊界，有建筑物、耕地、道路等，除了線(xiàn)段之外，還有很多曲線(xiàn)信息。根據(jù)我們對(duì)建筑物形狀的假設(shè)，曲線(xiàn)不在我們的處理范圍之內(nèi)，因此，需要對(duì)邊緣檢測(cè)得到的邊緣信息圖進(jìn)行“掃描”然后剔除沒(méi)有意義的曲線(xiàn)信息。

現(xiàn)將根據(jù)圖像的鄰接矩陣跟蹤、處理其邊緣鏈得到線(xiàn)單元的過(guò)程概括為三個(gè)步驟：

步驟一：掃描跟蹤邊緣圖像中的邊緣鏈，并存儲(chǔ)獨(dú)立邊緣鏈的信息；

步驟二：構(gòu)建邊緣鏈的鄰接矩陣(包括鏈本身的鄰接矩陣以及其端點(diǎn)的鄰接矩陣)，基于鄰接矩陣對(duì)邊緣鏈進(jìn)行正確的合并或刪除操作；

步驟三：用迭代分裂的方法處理得到的邊緣鏈，最終獲得線(xiàn)單元。

4 基于矩形結(jié)構(gòu)元算法的建筑物屋頂提取

利用單元直線(xiàn)編組技術(shù)對(duì)迭代分割后的線(xiàn)單元進(jìn)行合并，生成直線(xiàn)，基于得到的直線(xiàn)信息，結(jié)合建筑物影像的幾何特征(多為矩形的組合)[7]提取影像中的建筑物。

矩形結(jié)構(gòu)元算法基本能夠自動(dòng)檢測(cè)出圖像中的矩形房屋目標(biāo)，但是存在重復(fù)搜索，并且算法相對(duì)繁瑣，必須相互比較搜索到的矩形元結(jié)構(gòu)，從而刪除重復(fù)的矩形元。基于這一點(diǎn)，我們?cè)诖嘶A(chǔ)上結(jié)合半矩形結(jié)構(gòu)元，加入建筑物主方向的概念，得出另一種改進(jìn)后的半矩形結(jié)構(gòu)元算法。

由矩形的任意三條邊構(gòu)成的非完整矩形結(jié)構(gòu)就是半矩形結(jié)構(gòu)，這三條邊的長(zhǎng)度可以不相等。根據(jù)經(jīng)驗(yàn)我們知道，同一地區(qū)的建筑物走向方位基本一致，且對(duì)邊平行，因此可以先對(duì)候選直線(xiàn)進(jìn)行分類(lèi)，得到的基本平行的直線(xiàn)為同一類(lèi)，直線(xiàn)間夾角過(guò)大的為不同類(lèi)直線(xiàn)。分類(lèi)之后可以很輕松地得出影像中建筑物的主要走向，也叫建筑物的主方向。接下來(lái)剔除那些方向不同于建筑物主方向且小于minlenth的干擾直線(xiàn)，構(gòu)建半矩形結(jié)構(gòu)，具體的構(gòu)建過(guò)程如下：

(1)對(duì)所有的候選直線(xiàn)按照直線(xiàn)的長(zhǎng)度排序；

(2)將長(zhǎng)度最長(zhǎng)的直線(xiàn)作為第一條直線(xiàn)l0，同時(shí)做好標(biāo)記，接著遍歷其他直線(xiàn)，找出能與l0共同構(gòu)建半矩形結(jié)構(gòu)的另外兩條直線(xiàn)l1和l2，做好標(biāo)記，以免重復(fù)操作；

(3)在剩余直線(xiàn)中選擇其中的一條作為l0，按照上一步驟重復(fù)操作，找出下一個(gè)半矩形結(jié)構(gòu)元，做好標(biāo)記以免重復(fù)；接著重復(fù)該步驟直到遍歷所有候選直線(xiàn)。

基于半矩形結(jié)構(gòu)元，我們根據(jù)矩形的幾何特征可以輕松算出該矩形四個(gè)頂點(diǎn)的坐標(biāo)，順序連接該矩形的四個(gè)頂點(diǎn)，即可提取出建筑物。和傳統(tǒng)的矩形結(jié)構(gòu)元算法相比，改進(jìn)后的矩形結(jié)構(gòu)元算法通過(guò)半矩形結(jié)構(gòu)元提取建筑物屋頂信息，其構(gòu)造過(guò)程簡(jiǎn)化多了。

5 基于線(xiàn)特征的建筑物變化檢測(cè)

基于上述對(duì)遙感影像中建筑物影像提取方法的研究，本節(jié)在建筑物的變化檢測(cè)流程中采用上述方法獲取建筑物屋頂信息，最后檢測(cè)出變化的建筑物信息。建筑物信息提取步驟如下：對(duì)圖像進(jìn)行預(yù)處理后采用Canny算子進(jìn)行邊緣檢測(cè)，其次對(duì)邊緣圖像用鄰接矩陣邊緣跟蹤法和迭代分割獲取線(xiàn)單元(EL)，然后利用單元直線(xiàn)編組技術(shù)獲取直線(xiàn)，最后根據(jù)半矩形結(jié)構(gòu)元算法提取建筑物信息?；趯?duì)多時(shí)相影像提取的建筑物信息結(jié)果圖進(jìn)行對(duì)比分析，最終得到建筑物信息的變化結(jié)果。

分析變化檢測(cè)結(jié)果發(fā)現(xiàn)，在2009年的屋頂信息提取結(jié)果中出現(xiàn)了矩形綠地的信息，其原因是在邊緣檢測(cè)過(guò)程中將影像中的矩形綠地的邊緣信息也采集了進(jìn)來(lái)?？梢?jiàn)，基于線(xiàn)特征的建筑物變化檢測(cè)方法僅僅基于圖像的邊緣信息，不能識(shí)別出矩形或類(lèi)矩形形狀的非建筑物信息，因此，這類(lèi)方法用于建筑物信息的變化檢測(cè)是有很大缺陷的。

6 基于區(qū)域與邊緣分析的建筑物變化檢測(cè)

基于線(xiàn)特征的建筑物變化檢測(cè)方法主要是單純地利用建筑物影像的形態(tài)特征，對(duì)于光譜、紋理等其他信息的應(yīng)用比較缺乏，所以具有一定的局限性。單純地利用一類(lèi)特征進(jìn)行變化檢測(cè)的方法很難再有大的突破，特別是當(dāng)圖像中干擾較多時(shí)，例如本課題所研究的影像中具有大量的矩形要素，但并不全是建筑物，因此單純地按照形狀特征來(lái)提取將不能區(qū)分同樣呈矩形的耕地要素和建筑物要素。

近年來(lái)，隨著影像資料的日益豐富，越來(lái)越多的學(xué)者開(kāi)始關(guān)注如何充分挖掘并利用高分辨率遙感影像所包含的豐富的信息[8]，其中被研究最多的技術(shù)就是對(duì)高分辨率遙感影像的分類(lèi)技術(shù)，這類(lèi)技術(shù)就是將圖像像元按類(lèi)別進(jìn)行劃分[9]。Baatz和Schape結(jié)合多尺度分割方法和決策樹(shù)分類(lèi)方法，結(jié)合輔助信息，基于影像的光譜特征和紋理特征對(duì)目標(biāo)地物進(jìn)行識(shí)別，取得了很好的結(jié)果。原則上高分辨率遙感影像中的典型面狀人工地物(如建筑物、耕地等)尤其適用。

面向?qū)ο蟮倪b感影像分類(lèi)技術(shù)主要包括圖像分割(一般采用多尺度分割)和模糊分類(lèi)兩個(gè)步驟。實(shí)踐證明，圖像分割結(jié)果比多特征模糊分類(lèi)結(jié)果對(duì)分類(lèi)結(jié)果的影響更大[10]。因此在分類(lèi)技術(shù)中對(duì)遙感圖像的多尺度分割的地位絕對(duì)重要，如果能先對(duì)遙感圖像進(jìn)行準(zhǔn)確有效的多尺度分割，其后再結(jié)合一些方法，將大部分非建筑物信息刪除，然后再進(jìn)一步考慮采用基于線(xiàn)特征的方法提取建筑物，最終實(shí)現(xiàn)建筑物的變化信息檢測(cè)。由于圖像分割后去除了大部分干擾信息，因此就能同時(shí)滿(mǎn)足建筑物提取的準(zhǔn)確性和快速性要求，其適用性和實(shí)用性都能大大提高。

現(xiàn)有的多尺度分割算法有很多，Mean Shift算法是其中的一種，它充分利用空間特征以及光譜特征，通過(guò)參數(shù)對(duì)分割精度實(shí)施控制(該參數(shù)具有一定的物理意義)。Mean Shift算法與目前eCognition軟件提出的算法相比，分割結(jié)果同樣和視覺(jué)分割一致，且速度更快，是一種穩(wěn)健、快速的多尺度分割方法[11]。自1975年Fukunaga等人提出Mean Shift(偏移向量均值)這個(gè)概念以來(lái)，許多學(xué)者都對(duì)此做了深入的研究并加以推廣，使得其適用范圍在一定程度上得到了擴(kuò)展。

為了有效地去除矩形以及類(lèi)矩形形狀的非建筑物信息，這里采用結(jié)合Otsu閾值分割的Mean shift算法用于圖像分割：首先采用Mean Shift算法實(shí)現(xiàn)圖像的多尺度分割，再用Otsu算法實(shí)現(xiàn)圖像的閾值分割。Otsu算法基于圖像灰度進(jìn)行閾值分割，處理后可以將大部分非建筑物圖像清除，同時(shí)使圖像二值化。從實(shí)驗(yàn)結(jié)果來(lái)看，單獨(dú)使用Otsu算法進(jìn)行的閾值分割結(jié)果中保留了很多干擾信息，因此想要據(jù)此直接提取建筑物有很大的困難；而首先對(duì)圖像進(jìn)行多尺度分割——將收斂至同一點(diǎn)的起始點(diǎn)歸至同一類(lèi)的分割方法，然后再對(duì)圖像進(jìn)行閾值分割——消除大多數(shù)非建筑物的干擾信息。

7 結(jié)語(yǔ)

比較兩種方法的實(shí)驗(yàn)結(jié)果，我們發(fā)現(xiàn)，后一種技術(shù)在建筑物變化檢測(cè)的過(guò)程中，效果明顯優(yōu)于前者。在建筑物信息的提取過(guò)程中，采用多尺度分割以及閾值分割的方法，有效地剔除了非建筑物信息，最終得到的變化檢測(cè)結(jié)果比較準(zhǔn)確。因此，基于區(qū)域與邊緣分析的建筑物變化檢測(cè)技術(shù)有一定的應(yīng)用價(jià)值。

[1]鐘家強(qiáng).基于多時(shí)相遙感圖像的變化檢測(cè)[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2005.

[2]李德仁.利用遙感影像進(jìn)行變化檢測(cè)[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版,2003,(Z1):7—12.

[3]王漢英,張占睦,張一鳴,張昭云.遙感影像變化檢測(cè)在地形圖快速修測(cè)中的應(yīng)用[J].測(cè)繪工程,2009,18(2):51—54.

[4]陳光.遙感圖像中建筑物識(shí)別與變化檢測(cè)[D].南京:南京理工大學(xué),2005.

[5]祝錦霞.高分辨率遙感影像變化檢測(cè)的關(guān)鍵技術(shù)研究[D].杭州：浙江大學(xué)，2011.

[6]任大衛(wèi).面向建筑用地的遙感影像變化檢測(cè)方法技術(shù)研究[D].北京：中國(guó)科學(xué)院，2004.

[7]張煜,張祖勛.幾何約束與影像分割相結(jié)合的快速半自動(dòng)房屋提取[J].武漢測(cè)繪科技大學(xué)學(xué)報(bào),2000,25(3):238—242.

[8]陳忠.高分辨率遙感圖像分類(lèi)技術(shù)研究[D].北京：中國(guó)科學(xué)院研究生院,2006.

[9]樂(lè)宋進(jìn),武和雷,胡泳芬.圖像分割方法的研究現(xiàn)狀與展望[J].南昌水專(zhuān)學(xué)報(bào),2004,23(2):15—20.

[10]羅三定,張中良.自動(dòng)分布閾值圖像多目標(biāo)分割算法[J].計(jì)算技術(shù)與自動(dòng)化,2008,27(2):77—80.

[11]莫登奎,林輝,LI Ji-ping,李際平,孫華,熊育久.基于均值漂移的高分辨率影像多尺度分割[J].廣西師范大學(xué)學(xué)報(bào)：自然科學(xué)版,2006,24(4):247—250.

責(zé)任編輯：柴造坡

10.3969/j.issn.1674-6341.2015.06.010

2015-10-26

劉春玲(1985—)，女，湖北宜昌人，工程碩士，講師。研究方向：圖像處理、FPGA技術(shù)。

TP39

A

1674-6341(2015)06-0023-03