基于Gabor濾波和局部特征點密度的居民區(qū)提取

李向輝， 陳一祥， 王海斌， 張恩兵， 秦昆

(武漢大學(xué)遙感信息工程學(xué)院，武漢 430079)

基于Gabor濾波和局部特征點密度的居民區(qū)提取

李向輝， 陳一祥， 王海斌， 張恩兵， 秦昆

(武漢大學(xué)遙感信息工程學(xué)院，武漢 430079)

通過對高空間分辨率遙感圖像(簡稱高分圖像)中的居民區(qū)紋理結(jié)構(gòu)信息的分析，提出了一種基于Gabor濾波和局部特征點密度的居民區(qū)提取方法。該方法首先對高分圖像進行多方向Gabor濾波，得到多個方向的幅值信息，并通過閾值處理和篩選后處理獲取圖像的特征點；然后對特征點求取局部密度，獲取居民區(qū)的范圍；再用數(shù)學(xué)形態(tài)學(xué)變換進行細微處理，最終提取出圖像中的居民區(qū)。以WorldView2真彩色圖像為實驗數(shù)據(jù)對不同方法進行驗證及對比分析的結(jié)果表明，該方法具有較高的提取精度和計算效率。

高空間分辨率遙感圖像；多方向；Gabor濾波；局部特征點密度

0 引言

隨著社會經(jīng)濟的發(fā)展和城市化進程的加快，利用高空間分辨率遙感圖像(簡稱高分圖像)快速而準確地提取居民區(qū)信息具有重要意義[1-2]。利用高分圖像進行居民區(qū)的信息提取，目前已有很多研究。Benedisktsson等[3]利用數(shù)學(xué)形態(tài)學(xué)變換(mathematical morphology transformation)獲取居民區(qū)的結(jié)構(gòu)信息，并借助神經(jīng)網(wǎng)絡(luò)(neural network)分類方法進行居民區(qū)提取；Zhong等[4]通過組合多種分類器對QuickBird和SPOT圖像進行處理，獲取城市區(qū)域；張春曉等[5]利用基于面向?qū)ο蠛陀跋裾J知的遙感圖像分類方法，實現(xiàn)居民區(qū)提取。但上述方法都需要選取訓(xùn)練數(shù)據(jù)，而人為因素對居民區(qū)提取結(jié)果的影響較大。為了減少對訓(xùn)練樣本信息的依賴，學(xué)者們發(fā)現(xiàn)利用高分圖像的結(jié)構(gòu)特征進行居民區(qū)提取可以取得較好的結(jié)果。潘勵等[6]提出一種集成邊緣和區(qū)域分割信息的居民地提取方法，取得了較好的效果；Hu等[7]對高分圖像的局部邊緣分布進行分析，提出用顯著指數(shù)(saliency index)描述邊緣的密度分布、進行城區(qū)檢測，具有較高的效率；Sirmacek等[8]將尺度不變特征變換(scale-invariant feature transform，SIFT)與圖論(graph theory)相結(jié)合，提出一種新的居民區(qū)提取算法，取得較好的效果，但計算量較大；Sirmacek等[9]則利用Gabor濾波的實部信息獲取特征點，并結(jié)合空間投票方法實現(xiàn)居民區(qū)的提取，但在空間投票過程中因使用了全部特征點，故常常會忽略居民區(qū)的局部邊界差異，且隨著特征點的增加，計算代價也會迅速增加。

本文基于Gabor濾波技術(shù)，綜合高分圖像的紋理特征在多個方向上的幅值信息，結(jié)合局部特征點分布密度方法，有效而快速地提取了居民區(qū)信息，同時較好地保留了邊緣特征。實驗證明，該方法具有較高的提取精度和計算效率。

1 Gabor濾波與特征點提取

1.1 Gabor濾波

在圖像處理與分析領(lǐng)域，Gabor濾波器已經(jīng)得到了成功的應(yīng)用。Gabor濾波器的一個優(yōu)越性在于它可被看作一個對方向及尺度敏感的有方向性的顯微鏡，能夠檢測圖像中一些具有相應(yīng)方向頻率信息的、局部的顯著特征。二維Gabor濾波函數(shù)定義為

(1)

式中：u=xcosθ+ysinθ；v=-xsinθ+ycosθ；σx和σy為由調(diào)制頻率函數(shù)表示的空間尺度因子；f為頻率，用于決定空間尺度因子的選擇；θ為Gabor濾波的方向。在實際運用中，常常選擇σx=σy=1/f。

假定待處理的遙感圖像為I(x,y)，則對其進行Gabor濾波的過程可簡單地表示為

F(x,y)=I(x,y)*g(x,y) ,

(2)

式中：*為二維卷積運算符；g(x，y)為Gabor核函數(shù)；F(x,y)為濾波處理后的圖像數(shù)據(jù)。

Gabor核函數(shù)是復(fù)數(shù)形式，卷積過程會產(chǎn)生由實部和虛部構(gòu)成的復(fù)數(shù)響應(yīng)。許多研究發(fā)現(xiàn)，Gabor濾波器的實部對紋理比較敏感，因此目前研究大多使用其調(diào)制的高斯函數(shù)作為最終濾波器來獲取居民區(qū)的特征點[9-11]。但本文研究發(fā)現(xiàn)，綜合濾波后的實部和虛部數(shù)據(jù)獲取的幅值圖像可真實反映圖像局部的能量譜，并能較好地體現(xiàn)圖像中的居民區(qū)特征。因此，本文根據(jù)濾波后的數(shù)據(jù)獲得幅值信息，即

A(x,y)=Amplitude[F(x,y)]=R2+I2,

(3)

式中：R和I分別為F(x,y)的實部和虛部圖像；A(x,y)為濾波后獲得的幅值圖像。

圖1是對一景WorldView2單波段的灰度圖像進行Gabor濾波處理的結(jié)果。

(a) 測試圖像(b) Gabor濾波實部 (c) Gabor濾波虛部 (d) Gabor濾波幅值

圖1 測試圖像與Gabor濾波結(jié)果

Fig.1 Test image and results of Gabor filtering

從圖1可以看出，居民區(qū)和非居民區(qū)對濾波的響應(yīng)是不同的，其原因在于居民區(qū)的構(gòu)造更復(fù)雜，擁有更多的結(jié)構(gòu)信息，局部紋理更為豐富；而非居民區(qū)部分的紋理結(jié)構(gòu)等信息相對較簡單。Gabor濾波后的實部和虛部影像能夠在一定程度上反映居民區(qū)的特征信息；但與綜合實部和虛部影像構(gòu)造的幅值圖像相比，幅值圖像中的居民區(qū)信息量較多，能顯著減少居民區(qū)信息的缺失。

1.2 特征點提取

本文選用OTSU[12]提出的最大類間方差法(maximum between-class variance method)能較好地滿足居民區(qū)特征點提取的需求。OTSU的處理過程是按圖像的灰度特性將圖像分成背景和前景2部分，背景和前景之間的類間方差越大，說明構(gòu)成圖像的2部分的差別越大；若部分前景錯分為背景或部分背景錯分為前景，都會導(dǎo)致2部分差別變小。OTSU方法能夠找到使類間方差最大的灰度閾值，從而實現(xiàn)灰度圖像的二值化。

使用OTSU方法獲得的二值圖像，除居民區(qū)外，通常還會包含許多較小的噪聲點，這些噪聲點將會導(dǎo)致對居民區(qū)的“偽檢”。本文借鑒文獻[9]的思想，計算二值圖像中每個像元點的權(quán)重ω(x,y)，并將權(quán)重定義為：每個值為1的像元點所在的連通區(qū)域(本文選用8連通區(qū)域)的面積作為其權(quán)重。如果一個像元點的權(quán)重ω(x,y)小于某個閾值，就認為這個點可以去掉，而對整體圖像的特征并沒有太大的影響。經(jīng)過對一定范圍內(nèi)閾值(20，21，…，25)的實驗對比，最終選擇的閾值為20(實驗結(jié)果對閾值的選擇不是很敏感)。但是，具體閾值的設(shè)定還是需要根據(jù)實驗圖像數(shù)據(jù)來進行調(diào)整[9]。圖2是對圖1(a)進行某一個方向上的Gabor濾波所得到的幅值圖像以及進行二值化和閾值處理后獲得的特征點圖像。

(a) 幅值圖像(b) 特征點圖像

圖2 幅值圖像與局部特征點圖像

Fig.2 Amplitude image and local feature points image

1.3 特征點綜合

本文Gabor濾波的方向選擇在[0,π]之間，8個方向分別為0,π/8,2π/8,…,7π/8。測試圖像在8個方向上的Gabor濾波結(jié)果分別表示為B0，Bπ/8，B2π/8，…，B7π/8(圖3)。

(a)B0(b)Bπ/8(c)B2π/8

(d)B3π/8(e)B4π/8(f)B5π/8

(g)B6π/8(h)B7π/8(i) 綜合特征點

圖3 8個方向上的特征點與綜合特征點

Fig.3 Local feature points in 8 directions and total feature points

從圖3可以看出，Gabor濾波處理后的幅值圖像的特征點并不都適合用來提取居民區(qū)。圖3(a)(h)的左右側(cè)和圖3(c)(d)(e)的上下邊都有鋸齒狀的雜質(zhì)信息。同時，在單個方向上缺少居民區(qū)的特征點信息，而在多方向上卻存在居民區(qū)特征重復(fù)的現(xiàn)象。對此需要做進一步處理。假定最后的綜合特征點圖像為Ball(圖3(i))，即

(4)

若某個特征點在8個方向上的出現(xiàn)次數(shù)不小于閾值T，則認為這個特征點符合要求；否則為不合格的特征點，應(yīng)予以刪除。為了保證有效特征點在8個方向出現(xiàn)的概率不低于50%，本文將閾值T設(shè)為8×50%=4。

2 居民區(qū)提取

2.1 局部密度求取

在獲取到8個方向上的全部特征點Ball后，對所有特征點的局部密度進行統(tǒng)計，即

density(x,y)=Numpoint/Numall,

(5)

式中：density(x,y)為所有特征點的局部密度；Numpoint為以當(dāng)前點為圓心，R為半徑的局部窗口中所有值為1的點的總數(shù)；Numall為局部窗口所包含的全部點的數(shù)目。半徑R的確定方法參見文獻[7]。圖4(a)為以O(shè)為圓心、R為半徑的局部窗口示意圖，圖4(b)為綜合特征點的局部密度統(tǒng)計結(jié)果。

(a) 局部窗口 (b) 局部密度

圖4 局部窗口與綜合特征點局部密度

Fig.4 Local window and local density of comprehensive feature points

采用上述方法得到的綜合特征點的局部密度在[0，1]區(qū)間；按式(6)對其進行歸一化處理，然后投影到[0，255]區(qū)間，具體計算公式為

(6)

經(jīng)過實驗發(fā)現(xiàn)，式(6)能較好地反映綜合特征點的局部密度分布。

2.2 居民區(qū)范圍提取

在得到圖像的綜合特征點局部密度圖后，進行閾值處理，以提取居民區(qū)范圍。本文依然采用最大類間方差法(OTSU)[12]來進行二值化處理，獲取與居民區(qū)對應(yīng)的二值圖像。此時得到的居民區(qū)影像中常常會有一些小的孔洞(無值區(qū))，為此，本文采用數(shù)學(xué)形態(tài)學(xué)運算中的填充孔洞方法進行后續(xù)處理。最后再利用一個面積閾值去掉小斑塊(這些小斑塊對居民區(qū)的范圍幾乎沒有什么影響)。圖5示出用本文方法提取居民區(qū)的結(jié)果。

圖5 測試圖像(左)與居民區(qū)提取結(jié)果(右)

Fig.5 Test image(left)and urban area detection result(right)

3 實驗結(jié)果評價與分析

以2景空間分辨率均為1.8 m的WorldView2真彩色圖像為實驗數(shù)據(jù)對本文方法進行評價。以人工勾畫方式提取的居民區(qū)作為標(biāo)準進行精度評定，并與文獻[9]基于局部特征點和空間投票方法的居民區(qū)提取結(jié)果進行對比分析。

圖6為2個不同地區(qū)的WorldView2真彩色圖像以及采用不同方法提取的居民區(qū)實驗結(jié)果。

(a) 地區(qū)1原圖像(b) 本文算法結(jié)果 (c) 文獻[9]結(jié)果(d) 人工勾畫

(e) 地區(qū)2原圖像(f) 本文算法結(jié)果 (g) 文獻[9]結(jié)果(h) 人工勾畫

圖6 居民區(qū)提取實驗結(jié)果

Fig.6 Experiment results of urban area detection

圖6(a)為地區(qū)1的原圖像，圖像大小為278像元×263像元，地物類別及分布相對簡單，只包含有一塊區(qū)域較大的居民區(qū)和植被、裸地及耕地等信息。圖6(e)為地區(qū)2的原始圖像，圖像大小為928像元×964像元，其地物類別較為復(fù)雜，包含了水體、植被、耕地、道路以及多塊居民區(qū)信息。對比2個不同地區(qū)的原圖像和采用不同方法的居民區(qū)提取實驗結(jié)果可以看出，本文算法和文獻[9]算法都能較好地提取出居民區(qū)范圍，但本文算法提取的結(jié)果更能體現(xiàn)居民區(qū)的真實邊界(與人工勾畫的居民區(qū)十分接近)，而文獻[9]的方法只能大致勾畫出居民區(qū)的輪廓(與人工勾畫的居民區(qū)出入較大)。同時，本文算法也能剔除掉居民區(qū)內(nèi)部較大面積的植被等信息，而文獻[9]的方法則會將較大面積的植被信息誤分為居民區(qū)。

為了更好地評價不同算法的準確率與效率，采用定量計算的方法進行評價。將人工標(biāo)注的居民區(qū)域作為基準數(shù)據(jù)，并將提取結(jié)果與其進行比較，選用的評價指標(biāo)有查準率(precision,P)，查全率(recall,R)，F(xiàn)檢驗值Fα(置信度α=1)和總體運行時間T。查準率為算法提取到的正確居民區(qū)面積與算法提取全部居民區(qū)面積之比；查全率為算法提取到的正確居民區(qū)面積與真實居民區(qū)面積之比；F檢驗值為

Fα=[(1+α2)PR]/(α2P+R) 。

(7)

不同方法提取居民區(qū)信息的準確性與計算效率對比結(jié)果如表1所示。

表1 居民區(qū)信息提取結(jié)果對比Tab.1 Comparison of urban area detection results

從表1可以看出，本文算法具有一定的準確性。同時在運行時間上，也優(yōu)于文獻[9]的算法，體現(xiàn)出其高效性。其原因在于，本文算法在處理特征點的過程中，僅考慮特征點周圍一定范圍內(nèi)的點對其起的作用；而文獻[9]的算法則是計算全局范圍內(nèi)的所有特征點對每一個特征點的作用，當(dāng)特征點數(shù)量較大時，就會耗費大量時間。也正是因為考慮到特征點的局部作用范圍，本文算法也能較好地保留居民區(qū)的原始邊界，并能剔除居民區(qū)中較大面積的植被等信息。

4 結(jié)論

本文通過對高分圖像中居民區(qū)紋理結(jié)構(gòu)信息的分析，提出了一種基于Gabor濾波和局部特征點密度的居民區(qū)提取方法。具體結(jié)論如下：

1)該方法利用濾波后的實部和虛部數(shù)據(jù)來獲得幅值圖像，并綜合多方向的濾波信息來獲得居民區(qū)的綜合特征點。實驗表明，這些特征點及其空間分布能夠用于有效地區(qū)分居民區(qū)和非居民區(qū)。

2)在處理特征點時，通過求取局部密度來利用居民區(qū)局部特征信息。實驗表明，這不僅能較好地保留居民區(qū)的邊緣特征，還能提高計算效率。

3)本文方法尚存不足，如Gabor濾波過程中的尺度設(shè)定的問題，以及后續(xù)合理閾值的自動選擇問題，需要今后進一步研究解決。

[1] 王琰,舒寧,龔龑,等.基于類別光譜變化規(guī)律的土地利用變化檢測[J].國土資源遙感,2012,24(3):92-96.doi:10.6046/gtzyyg.2012.03.17. Wang Y,Shu N,Gong Y,et al.Land use change detection based on class spectral change rule[J].Remote Sensing for Land and Resources,2012,24(3):92-96.doi:10.6046/gtzyyg.2012.03.17.

[2] 陳征,胡德勇,曾文華,等.基于TM圖像和夜間燈光數(shù)據(jù)的區(qū)域城鎮(zhèn)擴張監(jiān)測——以浙江省為例[J].國土資源遙感,2014,26(1):83-89.doi:10.6046/gtzyyg.2014.01.15. Chen Z,Hu D Y,Zeng W H,et al.TM image and night-time light data to monitoring regional urban expansion:A case study of Zhejiang Province[J].Remote Sensing for Land and Resources,2014,26(1):83-89.doi:10.6046/gtzyyg.2014.01.15.

[3] Benediktsson J A,Pesaresi M,Amason K.Classification and feature extraction for remote sensing images from urban areas based on morphological transformations[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(9):1940-1949.

[4] Zhong P,Wang R S.A multiple conditional random fields ensemble model for urban area detection in remote sensing optical images[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(12):3978-3988.

[5] 張春曉,候偉,劉翔,等.基于面向?qū)ο蠛陀跋裾J知的遙感影像分類方法——以都江堰向峨鄉(xiāng)區(qū)域為例[J].測繪通報,2010(4):11-14. Zhang C X,Hou W,Liu X,et al.Remote sensing image classification based on object-oriented and image cognition:A case study in Xiang’e,Dujiangyan[J].Bulletin of Surveying and Mapping,2010(4):11-14.

[6] 潘勵,張志華,張劍清.融合區(qū)域分割和邊緣信息的居民地提取方法[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2006,31(8):671-674. Pan L,Zhang Z H,Zhang J Q.Residential areas recognition by fusing region data and edge features[J].Geomatics and Information Science of Wuhan University,2006,31(8):671-674.

[7] Hu X Y,Shen J J,Shan J,et al.Local edge distributions for detection of salient structure textures and objects[J].IEEE Geoscience and Remote Sensing Letters,2013,10(3):466-470.

[8] Sirmacek B,Unsalan C.Urban-area and building detection using SIFT keypoints and graph theory[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(4):1156-1167.

[9] Sirmacek B,Unsalan C.Urban area detection using local feature points and spatial voting[J].IEEE Geoscience and Remote Sensing Letters,2010,7(1):146-150.

[10]陳洪,陶超,鄒崢嶸,等.一種新的高分辨率遙感影像城區(qū)提取方法[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2013,38(9):1063-1067. Chen H,Tao C,Zou Z R,et al.Automatic urban area extraction using a Gabor filter and high-resolution remote sensing imagery[J].Geomatics and Information Science of Wuhan University,2013,38(9):1063-1067.

[11]施蓓琦,劉春,陳能,等.利用高光譜遙感影像紋理濾波的城市居民地識別[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2012,37(8):915-920. Shi B Q,Liu C,Chen N,et al.Residential area recognition using texture filtering from hyper-spectral remote sensing imagery[J].Geomatics and Information Science of Wuhan University,2012,37(8):915-920.

[12]Otsu N.A threshold selection method from gray-level histograms[J].IEEE Transaction on System Man and Cybernetic,1979,9(1):62-66.

(責(zé)任編輯：刁淑娟)

Urban area detection based on Gabor filtering and density of local feature points

LI Xianghui， CHEN Yixiang， WANG Haibin， ZHANG Enbing， QIN Kun

(SchoolofRemoteSensingandInformationEngineering,WuhanUniversity,Wuhan430079,China)

To tackle the problem of urban area detection using high-resolution remote sensing images, this paper proposes a method based on Gabor filtering and density of local feature points by analyzing the residential area texture of high resolution image. For obtaining the amplitude information in multiple directions, the Gabor filtering was used firstly, and then the image feature points were extracted by subsequent processing of amplitude images. By computing the density of local feature points, the initial residential areas could be obtained. With further mathematical morphology transformation of the areas, the results were optimized ultimately. In the experiments, two WorldView2 data were used to validate the different methods. A comparative analysis with other methods shows that the method proposed in this paper has higher extraction accuracy and computational efficiency for urban area detection.

high resolution remote sensing image；multi-oriented；Gabor filtering；density of local feature points

2014-04-30；

2014-05-26

國家重點基礎(chǔ)研究發(fā)展計劃“973”項目“高分辨率遙感影像的目標(biāo)特征描述與數(shù)學(xué)建模”(編號：2012CB719903)、高分辨率遙感交通應(yīng)用示范項目“高分綜合交通遙感應(yīng)用示范系統(tǒng)先期攻關(guān)”(編號：07- Y30A05- 9001-12/13)和四川省測繪地理信息局科技計劃項目“基于規(guī)則驅(qū)動的城市三維快速建模技術(shù)研究”(編號：J2014ZC02)共同資助。

10.6046/gtzyyg.2015.03.11

李向輝,陳一祥,王海斌,等.基于Gabor濾波和局部特征點密度的居民區(qū)提取[J].國土資源遙感,2015,27(3)：59-64.(Li X H,Chen Y X,Wang H B,et al.Urban area detection based on Gabor filtering and density of local feature points[J].Remote Sensing for Land and Resources,2015,27(3)：59-64.)

TP 751.1

A

1001-070X(2015)03-0059-06

李向輝(1989-)，男，碩士研究生，主要研究方向為高分辨率遙感圖像信息提取。Email：dariusleelxh@gmail.com。