葉　昕，秦其明，王　俊，王建華

(北京大學(xué)遙感與地理信息系統(tǒng)研究所，北京 100871)

Relief Tent Detection from High-resolution Remote Sensing Image Based on

Mathematical Morphology and Multi-angle Template Matching

YE Xin，QIN Qiming，WANG Jun，WANG Jianhua

?

結(jié)合數(shù)學(xué)形態(tài)學(xué)與多角度模板匹配的高分辨率遙感圖像救災(zāi)帳篷識(shí)別

葉昕，秦其明，王俊，王建華

(北京大學(xué)遙感與地理信息系統(tǒng)研究所，北京 100871)

Relief Tent Detection from High-resolution Remote Sensing Image Based on

Mathematical Morphology and Multi-angle Template Matching

YE Xin，QIN Qiming，WANG Jun，WANG Jianhua

摘要：從災(zāi)后遙感圖像中快速準(zhǔn)確地識(shí)別救災(zāi)帳篷有利于災(zāi)后救援工作的高效開(kāi)展。本文結(jié)合實(shí)際應(yīng)用需求，在前人研究的基礎(chǔ)上，提出了一種結(jié)合數(shù)學(xué)形態(tài)學(xué)與多角度模板匹配的高分辨率遙感圖像救災(zāi)帳篷識(shí)別方法。首先從遙感圖像中選擇帳篷模板并從中提取形狀特征與光譜特征；然后將各波段灰度圖像二值化并進(jìn)行數(shù)學(xué)形態(tài)學(xué)運(yùn)算，參考帳篷的形狀特征提取出候選目標(biāo)；最后根據(jù)帳篷的光譜特征，將候選目標(biāo)與帳篷模板進(jìn)行多角度匹配，剔除匹配度較低的偽目標(biāo)，完成救災(zāi)帳篷識(shí)別。試驗(yàn)結(jié)果表明，本方法的識(shí)別精度達(dá)90%以上，具有較高的應(yīng)用價(jià)值。

關(guān)鍵詞：遙感圖像；救災(zāi)帳篷；數(shù)學(xué)形態(tài)學(xué)；模板匹配；目標(biāo)識(shí)別

一、引言

重大自然災(zāi)害的發(fā)生，會(huì)導(dǎo)致嚴(yán)重的人員傷亡和經(jīng)濟(jì)損失，而遙感技術(shù)能夠進(jìn)行大面積同步觀測(cè)，具有時(shí)效性強(qiáng)、信息客觀真實(shí)、數(shù)據(jù)的綜合性與可比性好等特點(diǎn)[1]。將遙感技術(shù)應(yīng)用到救災(zāi)工作中，對(duì)于高效開(kāi)展救災(zāi)工作十分有利。

災(zāi)民安置是救災(zāi)工作中的重要環(huán)節(jié)，從遙感圖像中準(zhǔn)確識(shí)別救災(zāi)帳篷，有利于宏觀了解災(zāi)民安置情況，還可以指導(dǎo)救災(zāi)物資的合理分配，但目前相關(guān)研究較少。有學(xué)者采取目視解譯的方法從高分辨率遙感圖像識(shí)別帳篷目標(biāo)[2-5]，盡管識(shí)別結(jié)果準(zhǔn)確，但費(fèi)時(shí)費(fèi)力。文獻(xiàn)[6]采用了4種計(jì)算機(jī)識(shí)別方法從IKONOS遙感圖像中識(shí)別救災(zāi)帳篷，分別是監(jiān)督分類、非監(jiān)督分類、圖像分割和數(shù)學(xué)形態(tài)學(xué)方法，這4種方法都取得了較高的識(shí)別精度。但利用監(jiān)督/非監(jiān)督分類方法進(jìn)行帳篷識(shí)別時(shí)，還需要明確圖像中的其他地類，在遙感圖像背景地物過(guò)多時(shí)，該方法較為復(fù)雜，同時(shí),基于像素的分類結(jié)果存在椒鹽現(xiàn)象，需要進(jìn)行后處理。圖像分割方法的識(shí)別精度很大程度上依賴于分割效果，欠分割和過(guò)分割都將嚴(yán)重影響結(jié)果精度。對(duì)于形狀規(guī)則、結(jié)構(gòu)統(tǒng)一、光譜特征明顯的帳篷目標(biāo)，數(shù)學(xué)形態(tài)學(xué)方法較為適用。但僅利用該方法，對(duì)帳篷特征的分析不足，容易識(shí)別出偽目標(biāo)。除了數(shù)學(xué)形態(tài)學(xué)方法之外，模板匹配方法同樣適用于帳篷目標(biāo)的識(shí)別。文獻(xiàn)[7]首先從原始圖像中選取帳篷模板，然后利用互相關(guān)匹配算法從圖像中選擇匹配度最高的區(qū)域，實(shí)現(xiàn)帳篷目標(biāo)的識(shí)別，取得了良好的識(shí)別結(jié)果，但該研究是在全圖范圍內(nèi)進(jìn)行模板匹配，搜索區(qū)域大、時(shí)間效率低；同時(shí)，未考慮帳篷搭建的方向問(wèn)題，僅能識(shí)別與模板方向一致的帳篷目標(biāo)，通用性有待改進(jìn)。

綜上所述，本文在充分調(diào)研國(guó)內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，針對(duì)前人方法的不足，綜合分析帳篷目標(biāo)的多類特征，并考慮帳篷搭建的方向問(wèn)題，提出了一種結(jié)合數(shù)學(xué)形態(tài)學(xué)與多角度模板匹配的高分辨率遙感圖像救災(zāi)帳篷識(shí)別方法。

二、識(shí)別方法

本文提出的救災(zāi)帳篷識(shí)別方法流程如圖1所示，主要分為3步：

1) 預(yù)處理：包括帳篷模板選擇和單波段抽取兩部分。首先選擇帳篷模板，并從中提取出帳篷目標(biāo)的形狀特征和光譜特征；然后從原始圖像中抽取出各波段灰度圖像。

2) 候選目標(biāo)提?。簩⒏鲉尾ǘ螆D像分別進(jìn)行自適應(yīng)二值化，并對(duì)二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)運(yùn)算，結(jié)合帳篷的形狀特征，提取候選目標(biāo)。

3) 帳篷識(shí)別：根據(jù)候選目標(biāo)的位置和方向，將其與帳篷模板進(jìn)行多角度匹配，剔除匹配度較低的偽目標(biāo)，得到救災(zāi)帳篷識(shí)別結(jié)果。

完成上述3個(gè)步驟后，對(duì)識(shí)別結(jié)果進(jìn)行精度評(píng)價(jià)，以驗(yàn)證本方法的準(zhǔn)確性。

圖1　救災(zāi)帳篷識(shí)別流程

1. 預(yù)處理

為了準(zhǔn)確識(shí)別救災(zāi)帳篷，首先需要選擇帳篷模板；同時(shí)，提取模板的光譜特征和形狀特征作為后續(xù)目標(biāo)提取步驟中的先驗(yàn)知識(shí)；然后，從原始遙感圖像中抽取各單波段圖像，并分別進(jìn)行灰度拉伸，進(jìn)一步增強(qiáng)目標(biāo)與背景的差異。

2. 候選目標(biāo)提取

(1) 自適應(yīng)二值化

出于安全考慮，救災(zāi)帳篷的顏色以紅、藍(lán)、白色為主，因此在特定單波段遙感圖像中，救災(zāi)帳篷的灰度值將顯著高于其他地物，可以利用二值化算法將帳篷目標(biāo)分割出來(lái)。由于成像條件的限制，災(zāi)后遙感圖像中的部分區(qū)域可能會(huì)有薄霧的干擾，傳統(tǒng)的全局二值化算法不適用。本文采用文獻(xiàn)[8]提出的一種自適應(yīng)局部二值化算法[8](下文簡(jiǎn)稱DG算法)。

(2) 基于數(shù)學(xué)形態(tài)學(xué)的候選帳篷提取

利用數(shù)學(xué)形態(tài)學(xué)開(kāi)運(yùn)算對(duì)二值圖像進(jìn)行平滑，消除其中的散點(diǎn)和毛刺。平滑后的圖像中剩余若干邊界規(guī)整的對(duì)象，再根據(jù)帳篷目標(biāo)的形狀特征設(shè)定如下篩選條件，提取候選帳篷目標(biāo)：

1) 矩形度α：α≥αT；

2) 面積S：Smin≤S≤Smax；

3) 最小外接矩形的長(zhǎng)寬比r：

rmin≤r≤rmax

矩形度閾值αT，面積閾值 Smin、Smax和長(zhǎng)寬比閾值rmin、rmax均由從帳篷模板中提取的形狀特征確定。

3. 帳篷識(shí)別

步驟2)的提取結(jié)果中還存在一些偽目標(biāo)，在原始遙感圖像中主要表現(xiàn)為形狀規(guī)則、亮度較高的斑塊?？赏ㄟ^(guò)模板匹配算法，將匹配度小于閾值的虛假目標(biāo)去除，得到最終救災(zāi)帳篷識(shí)別結(jié)果。

模板匹配算法的思路如下：待匹配區(qū)域I大小為W×H，模板T大小為w×h，匹配結(jié)果R是大小為(W-w+1)×(H-h+1)的矩陣。將模板滑過(guò)整個(gè)區(qū)域，用指定算法比較模板和待匹配范圍中大小為w×h的重疊區(qū)域，將比較結(jié)果保存到R中[9]；最后從R中取出最大值，作為該范圍內(nèi)目標(biāo)的匹配度，其對(duì)應(yīng)的位置，即為該范圍內(nèi)的目標(biāo)位置。匹配度算法采用相關(guān)系數(shù)法[10]。

考慮到待識(shí)別帳篷的搭設(shè)方向未知，可能與模板圖像中帳篷目標(biāo)的方向不一致，在進(jìn)行模板匹配前需要調(diào)整角度。如圖2所示，設(shè)待匹配候選目標(biāo)的方向與水平線夾角為α，將其順時(shí)針旋轉(zhuǎn)角度α后進(jìn)行一次模板匹配?？紤]到帳篷為矩形結(jié)構(gòu)，為了提高準(zhǔn)確率，將其分別旋轉(zhuǎn)α+90°、α+180°、α+270°后再進(jìn)行3次匹配，取4次結(jié)果的最大值作為該候選目標(biāo)的最終匹配度D。

最后，設(shè)置匹配度閾值DT，剔除所有匹配度D≤DT的偽目標(biāo)，得到帳篷識(shí)別結(jié)果。

圖2　帳篷搭設(shè)示意圖

三、試驗(yàn)與結(jié)果

1. 數(shù)據(jù)源

本文選用云南大理洱源縣5.5級(jí)地震后的光學(xué)航空遙感圖像。成像時(shí)間為2013年3月4日，空間分辨率為0.18m，遙感圖像包含R、G、B3個(gè)波段，大小為5616像素×3744像素。試驗(yàn)遙感圖像如圖3所示。

圖3　試驗(yàn)遙感圖像

救災(zāi)帳篷集中分布在圖4的4個(gè)區(qū)域，遙感圖像中其他區(qū)域也零散分布了少量救災(zāi)帳篷。其中，圖4(a)和圖4(d)區(qū)域在成像時(shí)受到霧氣的干擾，圖像較為模糊。下面本文將以圖4(a)區(qū)域?yàn)槔榻B帳篷識(shí)別方法流程。

圖4　救災(zāi)帳篷主要分布區(qū)域

2. 救災(zāi)帳篷識(shí)別

首先從原始遙感圖像中選擇帳篷模板，然后采用DG算法將原始圖像的各波段二值化。為了證明DG算法的有效性，以藍(lán)波段為例，將其與經(jīng)典的Otsu算法進(jìn)行對(duì)比，試驗(yàn)結(jié)果見(jiàn)圖5。

圖5　二值化試驗(yàn)結(jié)果對(duì)比

從圖5可以看出，DG算法能夠更好地削弱薄霧的干擾，突出帳篷目標(biāo)。然后，構(gòu)建5×5大小的矩形結(jié)構(gòu)元素，對(duì)二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)開(kāi)運(yùn)算，結(jié)果見(jiàn)圖6，從圖6中可以看出，背景噪聲已被基本去除，能夠較完整地突出帳篷目標(biāo)。

圖6　候選帳篷目標(biāo)提取

經(jīng)過(guò)篩選得到的候選帳篷目標(biāo)如圖7(b)所示，從中可以看出，除了正確的帳篷目標(biāo)之外，還存在一處被錯(cuò)誤識(shí)別的目標(biāo)。最后，利用模板匹配算法篩除錯(cuò)誤識(shí)別的救災(zāi)帳篷目標(biāo)，最終識(shí)別結(jié)果見(jiàn)圖7(a)，錯(cuò)誤識(shí)別目標(biāo)已被剔除，識(shí)別結(jié)果準(zhǔn)確。其他區(qū)域的識(shí)別結(jié)果見(jiàn)圖7(c)、圖7(d)。

圖7　救災(zāi)帳篷識(shí)別結(jié)果

3. 精度評(píng)價(jià)

通過(guò)目視解譯可知，試驗(yàn)圖像中共有救災(zāi)帳篷104頂，本文方法共識(shí)別出99頂，其中正確識(shí)別結(jié)果94頂，不同子區(qū)域內(nèi)帳篷識(shí)別的精度評(píng)價(jià)結(jié)果見(jiàn)表1。

從表1可以看出，本文方法的總體完整率為90.38%，正確率為94.95%，識(shí)別精度較高。無(wú)論是在成像效果較好的區(qū)域b、c，還是在受霧氣影響的區(qū)域a、d，本方法都取得了良好的識(shí)別結(jié)果。除了上述4個(gè)集中分布的區(qū)域外，其他零散分布的帳篷目標(biāo)識(shí)別結(jié)果不佳。經(jīng)過(guò)分析，是由于遙感圖像中的背景噪聲及其他地物的干擾所致。

表1　精度評(píng)價(jià)

四、結(jié)束語(yǔ)

針對(duì)重大自然災(zāi)害發(fā)生后災(zāi)民臨時(shí)安置點(diǎn)的監(jiān)測(cè)評(píng)估，救災(zāi)物資的合理分配等實(shí)際應(yīng)用需求，結(jié)合救災(zāi)帳篷在高分辨率遙感圖像上的多種特征，本文提出了一種結(jié)合數(shù)學(xué)形態(tài)學(xué)與多角度模板匹配的高分辨率遙感圖像救災(zāi)帳篷識(shí)別方法。試驗(yàn)結(jié)果表明，本文方法的識(shí)別完整率為90.38%，識(shí)別正確率為94.95%，能夠準(zhǔn)確識(shí)別出遙感圖像中的救災(zāi)帳篷目標(biāo)。在識(shí)別過(guò)程中，本文還考慮了遙感圖像成像條件的限制，采用自適應(yīng)閾值分割算法，有效削弱了薄霧的干擾；同時(shí)，試驗(yàn)結(jié)果還表明，其他區(qū)域內(nèi)零星分布的帳篷識(shí)別精度較低。如何進(jìn)一步減少噪聲及其他地物的干擾，提高識(shí)別方法的魯棒性，有待進(jìn)一步研究。

參考文獻(xiàn)：

[1]梅安新, 彭望祿, 秦其明, 等. 遙感導(dǎo)論[M]. 北京: 高等教育出版社, 2001.

[2]溫奇, 陳世榮, 和海霞, 等. 無(wú)人機(jī)遙感在云南盈江地震中的應(yīng)用[J]. 自然災(zāi)害學(xué)報(bào), 2012, 21(6): 65-71.

[3]劉三超, 范一大, 高懋芳. 遙感數(shù)據(jù)在自然災(zāi)害救助中的應(yīng)用[J]. 航天器工程, 2012, 21(6): 136-141.

[4]BJORGO E. Using Very High Spatial Resolution Multispectral Satellite Sensor Imagery to Monitor Refugee Camps[J]. International Journal of Remote Sensing, 2000, 21(3): 611-616.

[5]BJORGO E. Refugee Camp Mapping Using Very High Spatial Resolution Satellite Sensor Images[J]. Geocarto International, 2000, 15(2): 79-88.

[6]GIADA S, DE GROEVE T, EHRLICH D, et al. Information Extraction from Very High Resolution Satellite Imagery over Lukole Refugee Camp, Tanzania[J]. International Journal of Remote Sensing, 2003, 24(22): 4251-4266.

[7]ALHARTHY A, KOSHAK N. Automatic Extraction of Tents During Hajj from Airborne Images to Support Land Use Optimization[J]. Automation in Construction, 2007, 16(1): 107-111.

[8]BRADLEY D, ROTH G. Adaptive Thresholding Using the Integral Image[J]. Journal of Graphics,Gpu, and Game Tools, 2007, 12(2): 13-21.

[9]劉瑞禎, 于仕琪. OpenCV教程基礎(chǔ)篇[M]. 北京: 北京航空航天大學(xué)出版社, 2007.

[10]BROWN L G. A Survey of Image Registration Techniques[J]. ACM Computing Surveys (CSUR), 1992, 24(4): 325-376.

引文格式：葉昕，秦其明，王俊，等. 結(jié)合數(shù)學(xué)形態(tài)學(xué)與多角度模板匹配的高分辨率遙感圖像救災(zāi)帳篷識(shí)別[J].測(cè)繪通報(bào)，2015(1)：86-89.DOI:10.13474/j.cnki.11-2246.2015.0017

通信作者：秦其明。E-mail：qmqinpku@163.com

作者簡(jiǎn)介：葉昕(1992—)，男，博士生，主要研究方向?yàn)檫b感圖像信息提取。E-mail：lanlang524@126.com

基金項(xiàng)目：國(guó)家863計(jì)劃(2012AA121305)

收稿日期：2014-02-24

中圖分類號(hào)：P237

文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：0494-0911(2015)01-0086-04