張曉鳳

（內蒙古自治區(qū)測繪地理信息局，內蒙古 呼和浩特 010010）

隨著我國L 波段差分干涉SAR 衛(wèi)星的成功發(fā)射，以SAR 數據為主導的多源遙感數據測繪技術將迎來重大突破。特別是在增強信息自動化處理和多源異構數據處理能力方面，以及地理信息智能化解譯與變化提取等方面將會發(fā)揮重要價值。在多源遙感數據應用中需要解決兩個關鍵問題：其一是如何從衛(wèi)星圖像中自動識別和智能提取地物要素，其二是如何將同一目標區(qū)域內不同時間、不同成像條件下獲得的多幅圖像，變換到同一個坐標系統(tǒng)中。為解決上述兩個問題，本文分別提出了基于紋理特征的半自動提取技術和面向地理對象的圖像配準技術，這兩項關鍵技術的應用將進一步提高多源遙感數據的應用價值，為地理國情監(jiān)測工作的更好開展提供了技術支撐。

1 地物要素智能化提取技術

1.1 基于紋理特征的半自動提取

圖像紋理是圖像灰度在空間上的變化和重復，其本質是描述像素領域灰度的空間分布規(guī)律。由于紋理特征具有旋轉不變性、較強的噪聲抵抗能力，因此在圖像特征提取中有著廣泛應用。獲取紋理特征的基本流程為：在紋理圖像中尋找一些具有較強辨識力的特征像素點，每一個像素點即為一個紋理單元。將檢測得到的所有紋理單元進行統(tǒng)一處理，尋找紋理單元的基本排列信息，并在此基礎上構建紋理單元模型。利用此模型，對整個紋理圖像做進一步的分析處理，從而得到該圖像的紋理特征。獲得紋理特征后，還需要使用特定的方法工具進行提取和分析，常用的有結構法、頻譜法等。

區(qū)域生長法是近幾年出現的一種特征提取新技術，其原理是基于目標的同質性，把紋理相似或一致的像素集合起來，形成區(qū)域。在待提取地物的范圍內人工選擇一個種子點，將其作為生長的起點。以種子點為核心，將圖像內所有與種子點具有相似或相同性質的像素，按照距離的遠近依次合并到種子點所在的區(qū)域中，直到該圖像內不再有符合性質相同或相似的像素，則區(qū)域生長完畢。該區(qū)域即可作為地物邊界?；趨^(qū)域生長法的地物要素智能化提取流程如圖1 所示。

圖1 基于種子點的區(qū)域生長法提取流程

1.2 基于Gabor 變換的區(qū)域生長法

1.2.1 算法原理

遙感圖像中除了地物信息外，還有背景信息、噪聲信息，以及其他周期或非周期成分，這些信息相互摻雜，直接分析具有較大的難度?？梢允褂酶道锶~變換將遙感影像轉化成包括幅度、相位的復函數，然后在頻域中展開分析即可降低難度。但是常規(guī)的二維圖像頻譜分析，只能表達全域的信號頻率特征，而不能對頻域內某個局部的信號展開選擇性分析，這不利于居民地遙感影像中房屋、道路、河流等特征信息的提取和分析。為解決這一缺陷，本文提出了一種基于Gabor 變換的居民地局部地物要素提取方法。由Gabor 濾波器發(fā)出的小波，對光照變化不敏感，但是對于圖像邊緣較為敏感，有著良好的方向選擇性和尺度選擇性，因此可以在地物的局部空間和頻域信息等方面表現出較強的適應性。另外，考慮到居民地遙感影像具有地物要素多、紋理特征不明顯的特點，因此使用多個Gabor 濾波器組成一個多通道濾波器組。其優(yōu)點在于處理速度快、特征向量包含紋理信息豐富、紋理特征不易丟失等。

1.2.2 基于Gabor 變換的居民地提取流程

基于多通道Gabor 濾波器的居民地提取方法如下：（1）按照傳統(tǒng)區(qū)域生長法確定種子點、候選點，并通過區(qū)域內搜索確定出居民地濾波影像。（2）對遙感影像做傅里葉變換，并確定濾波器的方向參數θ。由于居民地坐南朝北，因此濾波去的方向參數設定為2，對應居民地的行列方向。（3）在傅里葉變換幅度譜上，可以觀察到紋理的粗細和周期的強弱。在幅度譜上找出波峰，并確定波峰頻率。由于峰值的大小和原始圖像周期性的好壞呈正相關，所以幅度譜中波峰所在位置，即為濾波器的中心頻率。對應濾波器的兩個主方向θ1和θ2，相應的得到兩個中心頻率f1和f2。（4）濾波器的標準差g 直接影響遙感影像中地物要素的提取。如果g 值偏高，則難以展示圖像的局部特性。反之，若g 值偏低，則會受到噪聲干擾，結合設備參數和地物提取需要，這里的g1和g2取值均為0.3。（5）在確定了濾波器組兩個主方向上的中心頻率、標準差后，分別以濾波影像的直方圖為特征，以直方圖相交距離為紋理相似性測度，完成居民地提取。整個流程如圖2 所示。

圖2 基于Gabor 變換的居民地提取流程

1.3 半自動提取實驗分析

實驗中分別選擇了兩副不同的SAR 圖像，一副為A 市的農村，截取的影像大小為1850×2033；另一幅為A市的市區(qū)，截取的影像大小為1050×871。數據來源、成像時間等相關信息如表1 所示。

表1 居民地提取實驗圖像參數

在A 市農村的居民地影像中，由于房屋建筑以平房為主，分布相對密集。外部輪廓整體較為清晰，但是由于村莊附近有幾家養(yǎng)殖場、工廠，與居民住房難以精確區(qū)分，因此地物制圖精度稍差，為93.08%；背景制圖精度較高，達到了99.50%；總體精度98.96%，Kappa 系數為0.932。在A 市市區(qū)的居民地影像中，新建的公寓樓房較多，同時也有較多的學校、商場等建筑物。整體來看內部排列和外部輪廓較為清晰。同時市區(qū)內有一條河流穿越，因為水面反射等原因導致河流兩側的輪廓較為模糊。地物制圖精度為96.35%，背景制圖精度為96.48%，總體精度為96.43%，Kappa 系數為0.925。實驗結果表明，基于Gabor濾波器的地物要素提取方法，具有較強的方向選擇性和抗干擾能力，可以較為清晰地表達紋理的細部特征，在紋理分析上存在明顯優(yōu)勢。同時，該方法在有較強光照反射的河流處會損失大量細節(jié)，導致抽取的地物特征不能精確表達居民地信息。

綜上，基于紋理特征的半自動提取方法優(yōu)缺點如下：優(yōu)點在于算法比較簡單，數據處理速度快，定位精度高。支持自定義種子點，理論上可以將遙感圖像中任意一點確定為種子點，因此可以精確顯示某一點的細部特征，具有較強的針對性。缺點在于算法適應能力偏弱，只能針對特定圖像，容易受到地物、噪聲的影響。例如在反射較強的水域，地物信息的表達精度會有明顯降低。

2 地物要素的變化檢測

本文基于面向地理對象的圖像配準方法，對A 市的水體變化進行檢測。實驗數據分別來源于SAR 圖像和光學圖像。其中，SAR 圖像的獲取時間為2021 年6 月11 日，采樣間隔為4.2m，圖像大小為1600×800；光學圖像的獲取時間為2021 年6 月15 日，重采樣后像元大小為8.0m，圖像大小為1250×750。變化檢測實驗圖像提取的水體輪廓如圖3 所示。

圖3 變化檢測實驗圖像提取水體輪廓

使用面向地理對象的圖像配準方法，首先從上述兩幅圖像提取的水體輪廓，分別得到了地物要素（水體）的形狀曲線。然后進行兩幅圖像的地物匹配，匹配前提出地物形狀的細小毛刺，縮小同一地物不同形狀間的差異，完成形狀匹配后保存地物要素。最后進行幾何變換，使用最小二乘法解算坐標轉換參數，完成圖像之間的坐標配準。變化檢測精度如表2 所示。

表2 變化檢測精度

由于該區(qū)域內存在較多的水產養(yǎng)殖場，受到養(yǎng)殖規(guī)律的影響，這些地方有時有水、有時無水，因此水體邊界提取結果可能存在差異，如圖4 所示。

圖4 提取結果不一致的變化區(qū)域

排除水體變化部分，對比兩幅圖像中水體為發(fā)生變化部分，可以發(fā)現圖像配準精度較高，符合地物要素變化檢測的精度要求，說明面向地理對象的圖像配準方法能夠進一步提高多源遙感數據的測繪應用價值。

3 結論

在我國航空航天遙感技術不斷發(fā)展背景下，多源異構遙感數據在智能化測繪應用方面發(fā)揮了重要價值。地物要素提取和圖像配準是多源遙感數據處理和應用的兩項關鍵技術。本文提出的一種基于紋理特征的地物要素提取方法，以及面向地理對象的圖像配準方法，可以精確獲得遙感圖像中的地物要素，并且保證了輪廓精度，為地形圖的修測和地理國情監(jiān)測等工作的開展提供了幫助。