基于Roberts邊緣檢測的面向?qū)ο蠼ㄖ镄畔⑻崛?/h1>
2012-09-22 10:01:54趙月云王波
城市勘測 2012年2期 關(guān)鍵詞：特征標(biāo)準(zhǔn)
趙月云，王波
(徐州市市政設(shè)計(jì)院有限公司，江蘇徐州 221002)
1 引言
“數(shù)字城市”建設(shè)隨著我國城市化進(jìn)程的加快越來越受到人們的重視，城市基礎(chǔ)建設(shè)的更新速度也較先前有了很大的提高。高分辨率遙感影像可以為城市提供較為豐富、細(xì)致的數(shù)據(jù)，它為“數(shù)字城市”信息數(shù)據(jù)庫的更新提供了依據(jù)［1］。高分辨率遙感影像城市信息數(shù)據(jù)中絕大多數(shù)是包括建筑物在內(nèi)的人工地物。建筑物的提取成為“數(shù)字城市”建設(shè)不可或缺的關(guān)鍵部分，是“數(shù)字城市”建設(shè)的基礎(chǔ)環(huán)節(jié)。近年來提出的基于面向?qū)ο蟮姆椒ㄌ崛〗ㄖ?，它首先將影像分割成由同質(zhì)像元組成的影像對象，利用對象的光譜特征及空間特征進(jìn)行分類提取，這種方法有效解決了基于像元提取方法的不足［2］。面向?qū)ο笮畔⑻崛〉牡谝徊绞嵌喑叨确指?，它也是面向?qū)ο笮畔⑻崛〉年P(guān)鍵技術(shù)之一。由分割所得到的對象直接決定了分類提取的精度，而分割尺度又對影像對象的大小和數(shù)量起著決定性的作用，所以要慎重選擇分割尺度。選擇分割尺度的過程繁瑣而復(fù)雜，在分割遙感影像過程中往往通過工作者主觀判斷與觀察來確定最優(yōu)分割尺度，主觀性較強(qiáng)［3］。
為了解決面向?qū)ο筇崛∵^程中確定最優(yōu)分割尺度的問題，本文提出了一種基于Roberts邊緣檢測的分割尺度估算方法。首先，通過Roberts邊緣檢測確定分割尺度的估值;然后，在估值的基礎(chǔ)上選擇臨近分割尺度進(jìn)行分割實(shí)驗(yàn)，選取分割效果最好的值作為最優(yōu)分割尺度;最后，根據(jù)分割得到的影像對象選取建筑物的特征組合成知識體系進(jìn)行分類提取。
2 Roberts尺度參數(shù)計(jì)算模型
2.1 分割尺度
尺度參數(shù)的設(shè)置在多尺度分割過程中非常關(guān)鍵，也是基礎(chǔ)性步驟。尺度參數(shù)決定了影像對象能夠允許異質(zhì)度的最大值。將尺度參數(shù)值固定后，異質(zhì)性大的影像數(shù)據(jù)分割后相對均質(zhì)的數(shù)目比影像對象的數(shù)目少［4］。尺度參數(shù)的均質(zhì)度亦被用作最小異質(zhì)度，有顏色、光滑度和緊致度作為其內(nèi)部計(jì)算的標(biāo)準(zhǔn)［5］。
為了創(chuàng)建有意義的影像對象，多數(shù)情況下最重要的計(jì)算標(biāo)準(zhǔn)是顏色標(biāo)準(zhǔn)。它通過形狀標(biāo)準(zhǔn)的修改被間接地定義，即通過對形狀標(biāo)準(zhǔn)值進(jìn)行降低，從而定義光譜值在影像層中對整體均質(zhì)的貢獻(xiàn)比例。形狀均質(zhì)標(biāo)準(zhǔn)與顏色標(biāo)準(zhǔn)互補(bǔ)。形狀標(biāo)準(zhǔn)的值間接定義了顏色標(biāo)準(zhǔn)，形狀標(biāo)準(zhǔn)≤0.9。
形狀標(biāo)準(zhǔn)由光滑度與緊致度兩個參數(shù)組成。光滑度標(biāo)準(zhǔn)的作用是將影像對象的邊界光滑度進(jìn)行優(yōu)化，在數(shù)據(jù)異質(zhì)性較高的情況下可防止對象邊緣的破碎，并且生成非緊致的對象。緊致度標(biāo)準(zhǔn)的作用是將影像對象的緊致度進(jìn)行優(yōu)化，當(dāng)影像數(shù)據(jù)光譜反差較弱并且需要將緊致對象與非緊致對象分開時(shí)，需使用緊致度標(biāo)準(zhǔn)。光滑度標(biāo)準(zhǔn)與緊致度標(biāo)準(zhǔn)并不沖突，在具體應(yīng)用中可選擇恰當(dāng)?shù)臉?biāo)準(zhǔn)，例如有光滑邊界的影像對象需要用緊致度優(yōu)化等。
2.2 Roberts算法描述
多尺度分割采用的是一種基于區(qū)域合并的分割方式，分割結(jié)果表現(xiàn)在不同的層面上，這些層面的信息由選擇的尺度參數(shù)所決定，但在原始的遙感影像中對地物形狀的觀察并不適合，而地物的空間信息在邊緣檢測所得到的影像結(jié)果中同樣可以體現(xiàn)出來，同時(shí)生成了每個地物對象的多邊形邊界，因此分割尺度的確定可以借助Roberts邊緣檢測所生成多邊形的異質(zhì)性特征。
Roberts邊緣檢測算子［6］為:
它是下面兩個模板(2×2)作用的結(jié)果:
影像對象的邊緣可以通過提取模板對它的處理得到。選取邊緣影像中要分割的地物對象的代表，利用異質(zhì)性計(jì)算公式得到f的值，從而大致確定分割尺度。
式中，wcolor為光譜信息權(quán)重，取值范圍［0，1］;(1－wcolor)為形狀信息權(quán)重，取值范圍［0，1］;hcolor與 hshape分別為光譜與形狀異質(zhì)性的值;hsmooth為光滑度，等于多邊形周長l與最小外接矩形周長b的比值;hcmpct為緊致度，n為影像內(nèi)像元的總個數(shù);C為具體波段，ωc為各波段的權(quán)重;σc為C波段的光譜標(biāo)準(zhǔn)差。
3 實(shí)驗(yàn)
3.1 特征分析
本實(shí)驗(yàn)選取了東港市高分辨率遙感影像數(shù)據(jù)，影像的分辨率為 0.5 m，由紅、綠、藍(lán)三個波段組成。如圖1所示。通過觀察可以看出建筑物在本實(shí)驗(yàn)區(qū)內(nèi)的若干特征:①影像中基本上以建筑物屋頂?shù)男问奖憩F(xiàn)出建筑物輪廓;②建筑物方向以左右方向?yàn)橹?③建筑物屋頂顏色以白色為主;④建筑物多為長方形，長寬比相對較大;⑤建筑物的樓層較高，陰影較多;⑥建筑物背景多以灰色路面與黑色陰影為主。
圖1 東港市某地區(qū)高分辨率遙感影像圖
充分了解了實(shí)驗(yàn)區(qū)內(nèi)建筑物的特征，依據(jù)上述特征組合建筑物分類提取的知識體系，進(jìn)行建筑物的提取。
3.2 影像分割
遙感影像經(jīng)過Roberts邊緣檢測得到了如圖2所示的邊緣影像，選取可作為分割尺度估算的樣本對象。
圖2 經(jīng)過Roberts邊緣檢測得到的邊緣影像及樣本
利用樣本對象估算分割參數(shù)，設(shè)置光譜因子的值為 0.9，分割尺度 f=0.9·hcolor+(1－0.9)·hshape，此時(shí)形狀因子為0.1，它的影響可忽略不計(jì)，則分割尺度f=0.9×48.06=43.254，經(jīng)過計(jì)算得到分割尺度的估值為43，對影像利用分割尺度為43進(jìn)行分割的效果如圖3所示。
圖3 尺度為43的分割結(jié)果
從圖3顯示的分割結(jié)果證明了該方法的可行性:能夠依據(jù)提取的邊緣影像，充分利用光譜信息與空間信息;能夠快速地估計(jì)邊緣提取結(jié)果中感興趣地物的分割尺度;能夠指導(dǎo)并且定量描述多尺度分割尺度設(shè)置，極大地減小的尺度設(shè)置的盲目性。但是這種方法也有一些缺陷:只對邊緣完整、形狀明顯的地物適用;邊緣影像中地物對象的選取具有很大的主觀性，這將直接影響分割尺度的估值;某些地物的邊緣利用Roberts邊緣檢測不能很好地提取，從而也不能進(jìn)行有效的分析;計(jì)算得到的分割尺度只具有估值的意義，并不精確，需要在此估值的基礎(chǔ)上選取不同的分割尺度進(jìn)行實(shí)驗(yàn)比較，人工選取分割效果最佳的尺度參數(shù)作為精確值。
在分割尺度為43的基礎(chǔ)上，作者分別選取了30、40、50、60、70五個尺度參數(shù)進(jìn)行了分割實(shí)驗(yàn)。通過對比五個不同尺度下的分割效果，當(dāng)分割尺度為50時(shí)，如圖4所示，此時(shí)建筑物的分割效果較理想，建筑物大多能夠以一個或幾個多邊形表示，與周圍的背景區(qū)分較好且獨(dú)立性較好。
圖4 尺度為50的分割結(jié)果
3.3 分類提取
影像分割后的基本單元是多邊形對象，這些對象都是由同質(zhì)像元組成的。每個多邊形對象都具有光譜特征、紋理特征、形狀特征及上下文關(guān)系?；诿嫦?qū)ο筇崛〉姆椒ㄖ兴x用對象的特征越接近實(shí)際地物的真實(shí)描述，分類的精度就越高，選用的目標(biāo)對象特征要盡量地綜合描述在不同角度下區(qū)別于其他對象的特征。
將要分類的影像對象通過分割已經(jīng)得到，接著就要選取建筑物的特征組合成知識體系進(jìn)行分類提取。本實(shí)驗(yàn)影像的光譜與空間信息都比較豐富，這對信息提取的特征選擇非常有利。本實(shí)驗(yàn)區(qū)中的建筑物與周圍背景的光譜信息有較為明顯的差別，但僅僅使用光譜信息提取精度得不到保障。實(shí)驗(yàn)中選用亮度、長度、緊致度、矩形特征、主方向進(jìn)行特征參數(shù)的設(shè)置，如表1所示。
具體的特征參數(shù)設(shè)置 表1
本實(shí)驗(yàn)區(qū)的建筑物通過屋頂表現(xiàn)出來，相對于街道、陰影、地面等背景其亮度較大;建筑物呈長條狀，長度特征比周圍零散的噪聲地物相對較長;影像中建筑物的緊致度也在一定的變化范圍內(nèi)，可作為區(qū)分其他地物特征;建筑物的矩形特征較明顯，可以通過尋找與矩形特征相似度較高的影像對象確定建筑物;建筑物的主方向基本為左右稍斜方向，有一個基本的變動范圍。通過分割得到的對象、特征參數(shù)設(shè)置，就可以分類提取出如圖5所示的建筑物信息。
圖5 建筑物提取結(jié)果
3.4 實(shí)驗(yàn)結(jié)果分析與評價(jià)
為了更好、更直觀地對建筑物提取結(jié)果進(jìn)行評價(jià)分析，現(xiàn)將上面建筑物提取的結(jié)果與原始實(shí)驗(yàn)圖像相疊加，效果如圖6所示。
圖6 建筑物提取結(jié)果附著在原圖上
從圖中的疊加結(jié)果可以看出提取出的建筑物信息與原始影像上的建筑物重疊在一起，對原始建筑物位置、方向、形狀等表示精度較高，雖然存在如左上角建筑物受到陰影遮蔽的影響未能完整提取出來的情況，但提取出的部分與原始圖像中的位置、大小、形狀基本吻合，提取精度較高，提取出的建筑物信息具有很好的獨(dú)立性、真實(shí)性、完整性、類別一致性。
4 結(jié)論
本文提出了一種基于Roberts邊緣檢測的分割尺度估算方法應(yīng)用在面向?qū)ο蟮慕ㄖ锾崛≈小＿@種方法實(shí)現(xiàn)過程簡單，利用Roberts邊緣檢測得到邊緣影像并選取樣本，計(jì)算出分割尺度參數(shù)估值，最后人工確定最優(yōu)分割尺度，有效地解決了分割尺度參數(shù)確定的盲目性和主觀性，從而大大提高了建筑物提取的效率。
［1］汪祖進(jìn)，王丹.關(guān)于數(shù)字城市規(guī)劃建設(shè)的幾點(diǎn)認(rèn)識［J］.中國測繪，2002，3(1):32 ～36
［2］薄樹奎，聶榮，丁琳.基于面向?qū)ο蠓椒ǖ倪b感影像橋梁提取［J］.計(jì)算機(jī)工程與應(yīng)用，2008，44(26):200～202
［3］韓鵬，龔健雅.遙感尺度選擇問題研究進(jìn)展［J］.遙感信息，2008，10(1):96 ～99
［4］周春艷.面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù)［D］.青島:山東科技大學(xué)，2006
［5］付卓，胡吉平，譚衢霖等.遙感應(yīng)用分析中影像分割方法［J］.遙感技術(shù)與應(yīng)用，2006，21(5):456 ～462
［6］高勇鋼.一種改進(jìn)Roberts算子邊緣檢測［J］.巢湖學(xué)院學(xué)報(bào)，2009，11(6):31 ～33
猜你喜歡
抓住特征巧觀察數(shù)學(xué)小靈通·3-4年級(2024年2期)2024-05-15 02:02:28 2022 年3 月實(shí)施的工程建設(shè)標(biāo)準(zhǔn)城市道橋與防洪(2022年4期)2022-07-01 06:04:12 新型冠狀病毒及其流行病學(xué)特征認(rèn)識世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化(2020年2期)2020-07-25 02:05:36 如何表達(dá)“特征”瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28 不忠誠的四個特征當(dāng)代陜西(2019年10期)2019-06-03 10:12:04 忠誠的標(biāo)準(zhǔn)當(dāng)代陜西(2019年8期)2019-05-09 02:22:48 美還是丑？動漫星空(興趣百科)(2019年3期)2019-03-07 07:23:10 你可能還在被不靠譜的對比度標(biāo)準(zhǔn)忽悠家庭影院技術(shù)(2018年4期)2018-05-09 07:07:52 抓住特征巧觀察數(shù)學(xué)小靈通·3-4年級(2017年9期)2017-10-13 08:10:54 一家之言:新標(biāo)準(zhǔn)將解決快遞業(yè)“成長中的煩惱”專用汽車(2016年4期)2016-03-01 04:13:43
趙月云，王波
(徐州市市政設(shè)計(jì)院有限公司，江蘇徐州 221002)
1 引言
“數(shù)字城市”建設(shè)隨著我國城市化進(jìn)程的加快越來越受到人們的重視，城市基礎(chǔ)建設(shè)的更新速度也較先前有了很大的提高。高分辨率遙感影像可以為城市提供較為豐富、細(xì)致的數(shù)據(jù)，它為“數(shù)字城市”信息數(shù)據(jù)庫的更新提供了依據(jù)［1］。高分辨率遙感影像城市信息數(shù)據(jù)中絕大多數(shù)是包括建筑物在內(nèi)的人工地物。建筑物的提取成為“數(shù)字城市”建設(shè)不可或缺的關(guān)鍵部分，是“數(shù)字城市”建設(shè)的基礎(chǔ)環(huán)節(jié)。近年來提出的基于面向?qū)ο蟮姆椒ㄌ崛〗ㄖ?，它首先將影像分割成由同質(zhì)像元組成的影像對象，利用對象的光譜特征及空間特征進(jìn)行分類提取，這種方法有效解決了基于像元提取方法的不足［2］。面向?qū)ο笮畔⑻崛〉牡谝徊绞嵌喑叨确指?，它也是面向?qū)ο笮畔⑻崛〉年P(guān)鍵技術(shù)之一。由分割所得到的對象直接決定了分類提取的精度，而分割尺度又對影像對象的大小和數(shù)量起著決定性的作用，所以要慎重選擇分割尺度。選擇分割尺度的過程繁瑣而復(fù)雜，在分割遙感影像過程中往往通過工作者主觀判斷與觀察來確定最優(yōu)分割尺度，主觀性較強(qiáng)［3］。
為了解決面向?qū)ο筇崛∵^程中確定最優(yōu)分割尺度的問題，本文提出了一種基于Roberts邊緣檢測的分割尺度估算方法。首先，通過Roberts邊緣檢測確定分割尺度的估值;然后，在估值的基礎(chǔ)上選擇臨近分割尺度進(jìn)行分割實(shí)驗(yàn)，選取分割效果最好的值作為最優(yōu)分割尺度;最后，根據(jù)分割得到的影像對象選取建筑物的特征組合成知識體系進(jìn)行分類提取。
2 Roberts尺度參數(shù)計(jì)算模型
2.1 分割尺度
尺度參數(shù)的設(shè)置在多尺度分割過程中非常關(guān)鍵，也是基礎(chǔ)性步驟。尺度參數(shù)決定了影像對象能夠允許異質(zhì)度的最大值。將尺度參數(shù)值固定后，異質(zhì)性大的影像數(shù)據(jù)分割后相對均質(zhì)的數(shù)目比影像對象的數(shù)目少［4］。尺度參數(shù)的均質(zhì)度亦被用作最小異質(zhì)度，有顏色、光滑度和緊致度作為其內(nèi)部計(jì)算的標(biāo)準(zhǔn)［5］。
為了創(chuàng)建有意義的影像對象，多數(shù)情況下最重要的計(jì)算標(biāo)準(zhǔn)是顏色標(biāo)準(zhǔn)。它通過形狀標(biāo)準(zhǔn)的修改被間接地定義，即通過對形狀標(biāo)準(zhǔn)值進(jìn)行降低，從而定義光譜值在影像層中對整體均質(zhì)的貢獻(xiàn)比例。形狀均質(zhì)標(biāo)準(zhǔn)與顏色標(biāo)準(zhǔn)互補(bǔ)。形狀標(biāo)準(zhǔn)的值間接定義了顏色標(biāo)準(zhǔn)，形狀標(biāo)準(zhǔn)≤0.9。
形狀標(biāo)準(zhǔn)由光滑度與緊致度兩個參數(shù)組成。光滑度標(biāo)準(zhǔn)的作用是將影像對象的邊界光滑度進(jìn)行優(yōu)化，在數(shù)據(jù)異質(zhì)性較高的情況下可防止對象邊緣的破碎，并且生成非緊致的對象。緊致度標(biāo)準(zhǔn)的作用是將影像對象的緊致度進(jìn)行優(yōu)化，當(dāng)影像數(shù)據(jù)光譜反差較弱并且需要將緊致對象與非緊致對象分開時(shí)，需使用緊致度標(biāo)準(zhǔn)。光滑度標(biāo)準(zhǔn)與緊致度標(biāo)準(zhǔn)并不沖突，在具體應(yīng)用中可選擇恰當(dāng)?shù)臉?biāo)準(zhǔn)，例如有光滑邊界的影像對象需要用緊致度優(yōu)化等。
2.2 Roberts算法描述
多尺度分割采用的是一種基于區(qū)域合并的分割方式，分割結(jié)果表現(xiàn)在不同的層面上，這些層面的信息由選擇的尺度參數(shù)所決定，但在原始的遙感影像中對地物形狀的觀察并不適合，而地物的空間信息在邊緣檢測所得到的影像結(jié)果中同樣可以體現(xiàn)出來，同時(shí)生成了每個地物對象的多邊形邊界，因此分割尺度的確定可以借助Roberts邊緣檢測所生成多邊形的異質(zhì)性特征。
Roberts邊緣檢測算子［6］為:
它是下面兩個模板(2×2)作用的結(jié)果:
影像對象的邊緣可以通過提取模板對它的處理得到。選取邊緣影像中要分割的地物對象的代表，利用異質(zhì)性計(jì)算公式得到f的值，從而大致確定分割尺度。
式中，wcolor為光譜信息權(quán)重，取值范圍［0，1］;(1－wcolor)為形狀信息權(quán)重，取值范圍［0，1］;hcolor與 hshape分別為光譜與形狀異質(zhì)性的值;hsmooth為光滑度，等于多邊形周長l與最小外接矩形周長b的比值;hcmpct為緊致度，n為影像內(nèi)像元的總個數(shù);C為具體波段，ωc為各波段的權(quán)重;σc為C波段的光譜標(biāo)準(zhǔn)差。
3 實(shí)驗(yàn)
3.1 特征分析
本實(shí)驗(yàn)選取了東港市高分辨率遙感影像數(shù)據(jù)，影像的分辨率為 0.5 m，由紅、綠、藍(lán)三個波段組成。如圖1所示。通過觀察可以看出建筑物在本實(shí)驗(yàn)區(qū)內(nèi)的若干特征:①影像中基本上以建筑物屋頂?shù)男问奖憩F(xiàn)出建筑物輪廓;②建筑物方向以左右方向?yàn)橹?③建筑物屋頂顏色以白色為主;④建筑物多為長方形，長寬比相對較大;⑤建筑物的樓層較高，陰影較多;⑥建筑物背景多以灰色路面與黑色陰影為主。
圖1 東港市某地區(qū)高分辨率遙感影像圖
充分了解了實(shí)驗(yàn)區(qū)內(nèi)建筑物的特征，依據(jù)上述特征組合建筑物分類提取的知識體系，進(jìn)行建筑物的提取。
3.2 影像分割
遙感影像經(jīng)過Roberts邊緣檢測得到了如圖2所示的邊緣影像，選取可作為分割尺度估算的樣本對象。
圖2 經(jīng)過Roberts邊緣檢測得到的邊緣影像及樣本
利用樣本對象估算分割參數(shù)，設(shè)置光譜因子的值為 0.9，分割尺度 f=0.9·hcolor+(1－0.9)·hshape，此時(shí)形狀因子為0.1，它的影響可忽略不計(jì)，則分割尺度f=0.9×48.06=43.254，經(jīng)過計(jì)算得到分割尺度的估值為43，對影像利用分割尺度為43進(jìn)行分割的效果如圖3所示。
圖3 尺度為43的分割結(jié)果
從圖3顯示的分割結(jié)果證明了該方法的可行性:能夠依據(jù)提取的邊緣影像，充分利用光譜信息與空間信息;能夠快速地估計(jì)邊緣提取結(jié)果中感興趣地物的分割尺度;能夠指導(dǎo)并且定量描述多尺度分割尺度設(shè)置，極大地減小的尺度設(shè)置的盲目性。但是這種方法也有一些缺陷:只對邊緣完整、形狀明顯的地物適用;邊緣影像中地物對象的選取具有很大的主觀性，這將直接影響分割尺度的估值;某些地物的邊緣利用Roberts邊緣檢測不能很好地提取，從而也不能進(jìn)行有效的分析;計(jì)算得到的分割尺度只具有估值的意義，并不精確，需要在此估值的基礎(chǔ)上選取不同的分割尺度進(jìn)行實(shí)驗(yàn)比較，人工選取分割效果最佳的尺度參數(shù)作為精確值。
在分割尺度為43的基礎(chǔ)上，作者分別選取了30、40、50、60、70五個尺度參數(shù)進(jìn)行了分割實(shí)驗(yàn)。通過對比五個不同尺度下的分割效果，當(dāng)分割尺度為50時(shí)，如圖4所示，此時(shí)建筑物的分割效果較理想，建筑物大多能夠以一個或幾個多邊形表示，與周圍的背景區(qū)分較好且獨(dú)立性較好。
圖4 尺度為50的分割結(jié)果
3.3 分類提取
影像分割后的基本單元是多邊形對象，這些對象都是由同質(zhì)像元組成的。每個多邊形對象都具有光譜特征、紋理特征、形狀特征及上下文關(guān)系?；诿嫦?qū)ο筇崛〉姆椒ㄖ兴x用對象的特征越接近實(shí)際地物的真實(shí)描述，分類的精度就越高，選用的目標(biāo)對象特征要盡量地綜合描述在不同角度下區(qū)別于其他對象的特征。
將要分類的影像對象通過分割已經(jīng)得到，接著就要選取建筑物的特征組合成知識體系進(jìn)行分類提取。本實(shí)驗(yàn)影像的光譜與空間信息都比較豐富，這對信息提取的特征選擇非常有利。本實(shí)驗(yàn)區(qū)中的建筑物與周圍背景的光譜信息有較為明顯的差別，但僅僅使用光譜信息提取精度得不到保障。實(shí)驗(yàn)中選用亮度、長度、緊致度、矩形特征、主方向進(jìn)行特征參數(shù)的設(shè)置，如表1所示。
具體的特征參數(shù)設(shè)置 表1
本實(shí)驗(yàn)區(qū)的建筑物通過屋頂表現(xiàn)出來，相對于街道、陰影、地面等背景其亮度較大;建筑物呈長條狀，長度特征比周圍零散的噪聲地物相對較長;影像中建筑物的緊致度也在一定的變化范圍內(nèi)，可作為區(qū)分其他地物特征;建筑物的矩形特征較明顯，可以通過尋找與矩形特征相似度較高的影像對象確定建筑物;建筑物的主方向基本為左右稍斜方向，有一個基本的變動范圍。通過分割得到的對象、特征參數(shù)設(shè)置，就可以分類提取出如圖5所示的建筑物信息。
圖5 建筑物提取結(jié)果
3.4 實(shí)驗(yàn)結(jié)果分析與評價(jià)
為了更好、更直觀地對建筑物提取結(jié)果進(jìn)行評價(jià)分析，現(xiàn)將上面建筑物提取的結(jié)果與原始實(shí)驗(yàn)圖像相疊加，效果如圖6所示。
圖6 建筑物提取結(jié)果附著在原圖上
從圖中的疊加結(jié)果可以看出提取出的建筑物信息與原始影像上的建筑物重疊在一起，對原始建筑物位置、方向、形狀等表示精度較高，雖然存在如左上角建筑物受到陰影遮蔽的影響未能完整提取出來的情況，但提取出的部分與原始圖像中的位置、大小、形狀基本吻合，提取精度較高，提取出的建筑物信息具有很好的獨(dú)立性、真實(shí)性、完整性、類別一致性。
4 結(jié)論
本文提出了一種基于Roberts邊緣檢測的分割尺度估算方法應(yīng)用在面向?qū)ο蟮慕ㄖ锾崛≈小＿@種方法實(shí)現(xiàn)過程簡單，利用Roberts邊緣檢測得到邊緣影像并選取樣本，計(jì)算出分割尺度參數(shù)估值，最后人工確定最優(yōu)分割尺度，有效地解決了分割尺度參數(shù)確定的盲目性和主觀性，從而大大提高了建筑物提取的效率。
［1］汪祖進(jìn)，王丹.關(guān)于數(shù)字城市規(guī)劃建設(shè)的幾點(diǎn)認(rèn)識［J］.中國測繪，2002，3(1):32 ～36
［2］薄樹奎，聶榮，丁琳.基于面向?qū)ο蠓椒ǖ倪b感影像橋梁提取［J］.計(jì)算機(jī)工程與應(yīng)用，2008，44(26):200～202
［3］韓鵬，龔健雅.遙感尺度選擇問題研究進(jìn)展［J］.遙感信息，2008，10(1):96 ～99
［4］周春艷.面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù)［D］.青島:山東科技大學(xué)，2006
［5］付卓，胡吉平，譚衢霖等.遙感應(yīng)用分析中影像分割方法［J］.遙感技術(shù)與應(yīng)用，2006，21(5):456 ～462
［6］高勇鋼.一種改進(jìn)Roberts算子邊緣檢測［J］.巢湖學(xué)院學(xué)報(bào)，2009，11(6):31 ～33
猜你喜歡
數(shù)學(xué)小靈通·3-4年級(2024年2期)2024-05-15 02:02:28
城市道橋與防洪(2022年4期)2022-07-01 06:04:12
世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化(2020年2期)2020-07-25 02:05:36
瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28
當(dāng)代陜西(2019年10期)2019-06-03 10:12:04
當(dāng)代陜西(2019年8期)2019-05-09 02:22:48
動漫星空(興趣百科)(2019年3期)2019-03-07 07:23:10
家庭影院技術(shù)(2018年4期)2018-05-09 07:07:52
數(shù)學(xué)小靈通·3-4年級(2017年9期)2017-10-13 08:10:54
專用汽車(2016年4期)2016-03-01 04:13:43
