一種遙感影像邊界無效像元的檢測方法及應用

高 娟，王榮彬，馬 晶，曾 超，沈煥鋒

（1.武漢大學資源與環境科學學院，湖北武漢430079；

2.武漢大學測繪遙感信息工程國家重點實驗室，湖北武漢430079；3.中國土地勘測規劃院，北京100035）

一種遙感影像邊界無效像元的檢測方法及應用

高 娟1，王榮彬2，3，馬 晶1，曾 超2，沈煥鋒2

（1.武漢大學資源與環境科學學院，湖北武漢430079；

2.武漢大學測繪遙感信息工程國家重點實驗室，湖北武漢430079；3.中國土地勘測規劃院，北京100035）

遙感數據在進行幾何校正或投影變換后常常會在邊界形成一些無效像元，這些無效像元會對影像的輻射信息統計、質量評價產生影響。提出了一種基于區域生長的影像邊界無效像元檢測方法，以4個頂點為種子點，考察種子點周圍的所有邊界來進行區域增長，通過這些點的區域增長將與無效像元具有相同灰度值屬性的相鄰像素合并到此區域。以信息熵為例，闡述了該方法在影像統計與質量評價中的應用意義。

邊界無效像元；區域生長法；閾值法；信息熵

遙感成像的過程中，由于飛行器的姿態、高度、速度以及地球自轉等因素的影響，常造成影像相對于地面目標發生幾何畸變。在遙感影像實際使用之前，針對這些幾何畸變必須進行幾何校正；另外，在影像數據的使用過程中，出于實際需要經常要將某一地圖投影系統下的遙感影像向另一個地圖投影系統進行變換。遙感數據在上述變換后影像形狀會發生變化，成為一個不規則的近似四邊形，然而在數據的實際儲存和顯示過程中，都是以矩形的形式來處理，因此儲存和顯示出的影像數據周圍會被填充一些特定的值，比如 0 (顯示為黑邊)、255(顯示為白邊)或者是根據使用需要而定的其他值。由于這些黑邊或者白邊并不含有實際的信息，在影像的使用過程中可能會產生誤導，因此有必要將這些點和真實的數據區分開來。目前對于遙感影像邊界無效像元檢測的研究較少，主要是通過設定閾值進行檢測[1]。閾值法是對輸入影像從第 1個像元點開始逐個進行檢查，若像元的值與無效像元的灰度值相同，則將該點標記為無效像元，否則該點為有效信息點，繼續判斷下一像素點，直至遍歷整幅影像。但是，閾值法容易將影像中間部分的信息誤認為邊界無效像元，從而使檢測到的無效像元數超過實際值。本文提出一種基于區域生長法檢測遙感影像邊界無效像元的方法：對于有邊界無效像元的遙感影像，將影像的4個頂點作為種子點，采用區域生長法將初始的種子點進行擴展并得到整幅影像的邊界無效像元，計算無效像元占整幅影像的百分比，并輸出區分邊界無效像元與真實信息的二值圖像。

1 影像邊界無效像元檢測方法

區域生長是把圖像分割為若干個小區域，比較相鄰區域特征的相似程度，若它們達到一定的相似度，則將其合并為同一區域。通過該方法將特征相似的小區域不斷合并，直到不能合并為止，最后將圖像劃分為特征不同的區域。區域生長根據選取的鄰域方式和相似性準則的不同，產生了不同的區域擴張方式，可以分為：單一型（像素與像素）、質心型（像素與區域）和混合型（區域與區域）3種。根據不同的影像分割目的，采用不同的區域生長法[2]。本文中采用單一型區域生長法進行影像邊界無效像元檢測。

基于區域增長的方法是和一系列的種子點相關的。這個過程是從種子點集合出發，根據某一相似規則將相鄰的單元加入到這個種子點集合中去[3]。在影像邊界無效像元的檢測過程中，首先選取影像4個頂點作為種子點。從種子點的集合開始，考察“生長核”周圍的所有的邊界來進行區域增長，通過這些點的區域增長將具有與無效像元具有相同灰度值屬性的相鄰像素合并到此區域[4]。它是一個迭代的過程，這里每個種子像素點都迭代生長，直到處理過每個像素，因此最后可以形成一些完整的區域。本文進行影像邊界無效像元檢測過程中，以遙感影像4個頂點為種子點，設灰度差的閾值為0，用簡單區域生長法將具有相同灰度的像元合并到同一區域。圖1是用區域生長法進行黑邊檢測的流程圖。

圖1 黑邊檢測流程圖

下面以黑邊檢測為例，說明利用區域生長法進行影像邊界無效像元檢測的具體步驟：

1）將輸入影像的4個頂點作為種子點進行入隊列操作，并這4個頂點標記為已訪問；

2）判斷隊列是否為空，若為空，檢測過程結束，不為空則繼續下面的步驟；

3）取隊首元素并判斷其是否屬于黑邊（灰度值為0），若為黑邊則標記該點為黑邊，計數器加1，并將為訪問過四鄰域元素入隊列，標記為已訪問；

4）繼續步驟2)，直到隊列為空；

5）通過統計檢測出的黑邊像元數，計算黑邊占整幅影像百分比；

6）輸出區分黑邊和有效信息的二值圖像。

2 影像邊界無效像元檢測的應用

在遙感影像處理中，信息熵經常被用來度量同一類地物影像亮度值分散程度和均勻程度[5,6]，對遙感影像質量評價具有重要意義。假設一幅遙感影像的灰度范圍為 [1,n]，各灰度像素出現的概率為pi，各灰度像素具有的信息量為-log2pi，則該遙感影像的平均信息量（熵）數學表達式為[7]：

灰度頻率的計算式為：

影像邊界無效像元的存在一定程度上影響了影像的灰度分布情況，從而導致遙感影像灰度直方圖中，某一特定值的灰度值出現的概率大大增加。因此，影像信息量受到影像邊界無效像元的影響較大，降低了遙感影像信息的豐富程度。為了準確計算影像的信息熵，必需剔除無效像元。在計算信息熵時，只統計和計算表示真實信息的像元即可，計算公式如下：

式中，f'i為表示真實信息的各灰度值出現的頻數；N'為不包括無效像元在內的像素總數。

3 實驗及結果分析

3.1 閾值法和區域生長法有效性比較

為了定量比較和驗證基于閾值法和區域生長法這2種方法進行邊界無效像元檢測的有效性，利用模擬實驗對閾值法和區域生長法檢測影像邊界無效像元結果進行了對比。本文采用L and sat-7獲取的武漢市2000年12月26日的 ETM+影像進行實驗。圖2 a)是對上述ETM+影像截取一部分并旋轉5°得到的圖像，邊界無效像元灰度值為0；圖2 b)是用閾值法對圖2 a)進行邊界無效像元檢測得到的二值圖像，并可計算出無效像元所占百分比為16.36%；圖2 c)是用區域生長法對圖2 a)進行邊界無效像元檢測得到的二值圖像，并可計算出無效像元所占百分比為 14.74%。由圖 2可知：閾值法將影像中間部分的信息誤認為無效像元，從而使檢測出的無效像元百分比大于實際值；而區域生長法則能夠準確地檢查出影像無效像元。圖中，黑色表示無效像元，白色表示有用信息。

圖2 閾值法與區域生長法進行邊界無效像元檢測結果對比

通過上述 2種方法對比可以發現，對于中間部分的實際信息，閾值法無法進行識別，容易將其誤認為無效像元；而區域生長法則能有效地排除中間部分的實際信息，從而將真正的非實際信息，即影像邊界無效像元提取出來。因此，采用區域生長法進行影像邊界無效像元檢測優于閾值法。

3.2 影像邊界無效像元檢測的應用實驗

為了定量驗證基于區域生長法進行影像邊界無效像元檢測方法在信息量計算的應用，通過單波段灰度影像和多光譜影像實驗，分別計算有邊界無效像元影像和無邊界無效像元影像的信息熵。通過對比分析，驗證影像邊界無效像元檢測在信息量計算的應用。

1）單波段灰度影像實驗。

圖3 單波段灰度影像實驗影像圖

圖3a)為L and sat-7獲取的武漢市2000年12月26日的ETM+真實遙感影像（局部圖），圖3b)、圖3c)和圖3d)分別為對圖3a)進行順時針旋轉5°、10°、15°，并加上邊界無效像元（無效像元灰度值為0）的結果圖。分別對圖3a)、圖3b)、圖3c)和圖3d)進行邊界無效像元檢測和影像信息熵計算，另外，對上述4幅影像計算剔除無效像元的信息熵，得到表1所示結果。

表1 灰度影像模擬實驗結果對比

從表1可以看出，影像信息熵隨著無效像元的增加而減小，并且減小值有一定的線性規律；而剔除無效像元計算得到的影像信息熵則與原始圖像基本相同且保持穩定。

2）多光譜影像實驗。

圖4 多光譜影像實驗影像圖

圖4 a)為L and sat 4/5獲取的長江中游2003年4月14日的 TM影像（局部圖），圖4 b)、圖4 c)和圖4 d)分別為對圖4 a)進行順時針旋轉8°、16°、24°，并加上邊界無效像元（無效像元灰度值為0）的結果圖。分別對圖4 a)、圖4 b)、圖4 c)和圖4 d)進行邊界無效像元檢測和影像信息熵計算，另外，對上述4幅影像計算剔除無效像元的信息熵，得到表2所示結果。

表2 多光譜影像實驗結果對比

多光譜影像信息熵計算方法是分波段計算信息熵，然后對每個波段取平均值。由于多光譜影像各波段邊界無效像元百分比基本相同，因此多光譜影像的邊界無效像元檢測只需檢測第一波段。從表2可以看出，多光譜影像實驗結果與灰度圖像實驗結果大致相同，但影像信息熵的減小值的線性規律性沒有灰度影像明顯。在一定的無效影像百分比范圍內，影像邊界無效像元越多，影像信息熵越少，而剔除無效像元計算得到的影像信息熵則與原始圖像相差不大且較為穩定。

3）實驗結果分析。通過對單波段灰度影像和多光譜影像的實驗發現：一般情況下，原始影像的信息熵大于帶有無效像元影像的信息熵，說明不受無效像元影響的影像信息量更加豐富；此外，剔除無效像元計算得到的信息熵與原始影像信息熵基本相同，說明了邊界無效像元的存在對計算信息熵是有影響的，無效像元越多，影像信息量越小，信息越不豐富。因此，通過遙感影像邊界無效像元的檢測，能夠剔除無效像元從而更加準確地計算影像的信息熵。

4 結 語

本文通過將使用閾值法和區域生長法檢測遙感影像邊界無效像元進行對比，證明采用區域生長法檢測遙感影像邊界無效像元更加有效。基于區域生長法檢測遙感影像邊界無效像元的方法是以4個頂點為種子點，考察種子點周圍的所有的邊界來進行區域增長，通過這些點的區域增長將與無效像元具有相同灰度值屬性的相鄰像素合并到此區域，該方法能夠有效地檢測遙感影像邊界無效像元。此外，通過實驗證明，邊界無效像元的檢測對于剔除無效像元進行影像信息熵的計算具有實際意義。

[1] 楊暉.圖像分割的閾值法研究[J].遼寧大學學報：自然科學版，2006，33(2):135-137

[2] 賈永紅.數字圖像處理[M].武漢:武漢大學出版社,2003

[3] 程東旭,秦新強,張太發，等.基于區域增長的輪廓線提取算法[J].西安理工大學學報,2005,21(4)：413-416

[4] 陳方昕.基于區域生長法的圖像分割技術[J].科技信息(科學教研),2008（15）：58-59

[5] 鄭學芬,林宗堅,范麗，等.遙感影像信息量的計算方法研究[J].山東科技大學學報：自然科學版,2008,27(1)：80-83

[6] 王占宏,杜道生.利用馬爾可夫信源原理計算遙感影像信息量[J].遙感信息,2008(3):26-30

[7] 王占宏.遙感影像信息量及質量度量模型的研究[D].武漢：武漢大學，2004

Implementation of a Method for Detecting the Invalid Boundary Pixels of Remote Sensing Image

by GAO Juan

During geometric correction or after the projection transformation，remote sensing data often form invalid pixels in the boundary. These invalid pixels would affect the radiation information statistics and quality evaluation of the image.A method based on region growing was proposedto detect remote sensing imagewhich had invalid boundary pixels.With four vertices as seed points,examining all the boundaries aroundthe seedpointand mergingtheadjacentpixels which hadthe same gray value with the invalid pixels into this area through regional growth of these points.Using information entropy as an example,the significance of the application of this method in image statistics and quality evaluation is described.

invalid boundary pixels，region growing，Threshold Method，entropy

2011-08-01

項目來源：國家973計劃資助項目（2011CB707103）；國家自然科學基金資助項目（41071269）；中國土地勘測規劃院資助項目（20101709369）。

P237

B

1672-4623(2012)02-0012-04

高娟，主要研究方向為遙感影像質量評價。