基于多時(shí)相DMC影像的建筑物變化檢測技術(shù)研究

劉 春 玲

(黑龍江信息技術(shù)職業(yè)學(xué)院，黑龍江 哈爾濱 150025)

?

基于多時(shí)相DMC影像的建筑物變化檢測技術(shù)研究

劉 春 玲

(黑龍江信息技術(shù)職業(yè)學(xué)院，黑龍江 哈爾濱 150025)

介紹利用同一區(qū)域相隔兩年的DMC圖像,研究通過變化檢測得到的建筑物變化信息的方法。根據(jù)建筑物影像的顯著特征，理論聯(lián)系實(shí)際，先后采用基于線特征的建筑物變化檢測和基于區(qū)域與邊緣分析的建筑物變化檢測兩種方法，分別對這對多時(shí)相DMC影像進(jìn)行檢測研究。結(jié)果是，前后的檢測結(jié)果中出現(xiàn)了矩形的綠地信息，而后者的檢測結(jié)果更為準(zhǔn)確。從而得到結(jié)論：基于區(qū)域與邊緣分析的建筑物變化檢測技術(shù)有一定應(yīng)用價(jià)值。

DMC；變化檢測；建筑物

變化檢測就是通過比對分析多時(shí)相遙感影像，發(fā)現(xiàn)、確定并獲取變化信息的過程[1]。這是近年來遙感領(lǐng)域的熱點(diǎn)話題，在醫(yī)學(xué)、軍事、民用等領(lǐng)域都有著廣泛的應(yīng)用。建筑物是一般影像中比較重要的人工地物元素，在遙感影像[2]中提取建筑物信息近年來一直都是遙感領(lǐng)域的敏感話題。研究基于多時(shí)相遙感影像的建筑物變化檢測技術(shù)無疑是明智之舉。實(shí)踐方面，變化檢測得到的建筑物影像的特征點(diǎn)可以用作地形圖更新的控制點(diǎn)[3]，也可以滿足GIS數(shù)據(jù)更新的需要；理論方面，可以為影像中其他地物的變化信息檢測提取提供理論和方法指導(dǎo)[4]。

隨著科學(xué)技術(shù)的發(fā)展和社會(huì)的變遷，我們的地球發(fā)生著日新月異的變化，地理信息數(shù)據(jù)庫的實(shí)時(shí)更新也迫在眉睫。隨著傳感器技術(shù)的發(fā)展，我們所能獲取的影像的分辨率越來越高[5]，影像所涵蓋的信息量也越來越大，如果能夠充分利用這些信息將會(huì)達(dá)到事半功倍的效果。然而由于地理信息的多樣性、復(fù)雜性，眼下并沒有一種統(tǒng)一的技術(shù)能夠利用變化的影像實(shí)時(shí)更新地理信息數(shù)據(jù)庫中的所有數(shù)據(jù)，考慮到同類地物的影像具有相同的屬性，因此研究起來可行性較高。

人工地物是眾多發(fā)生變化的地理信息中最主要的信息，其中，建筑物信息占有很大的比例。基于建筑物影像的特征較為明顯[6]，其特征點(diǎn)辨識(shí)難度相對較低，因此本文選擇建筑物信息的變化檢測作為研究對象。一方面，建筑物影像中比較明顯的特征點(diǎn)可以作為其他地物測繪的控制點(diǎn)；另一方面，成功針對建筑物進(jìn)行變化檢測無疑會(huì)對其他復(fù)雜地物的變化檢測具有一定的理論指導(dǎo)作用。

伴隨著光電技術(shù)和計(jì)算機(jī)傳輸技術(shù)的發(fā)展，DMC(數(shù)字航攝儀系統(tǒng))應(yīng)運(yùn)而生，解決了在傳統(tǒng)的航攝底片轉(zhuǎn)換成數(shù)字影像的過程中由于煩瑣的環(huán)節(jié)而產(chǎn)生的各種影像質(zhì)量問題。DMC數(shù)字影像信息量豐富，立體測圖影像清晰，就連很細(xì)微的信息也能夠清楚地體現(xiàn)。本文基于某區(qū)域2009年和2011年的DMC影像，采用分類后比較法進(jìn)行建筑物的變化檢測。如圖1所示為某區(qū)域間隔兩年的DMC數(shù)字影像，采用同一季節(jié)不同時(shí)相的圖像數(shù)據(jù)，可以減少由季節(jié)變化引起的相同地物的光譜差異。從影像上來看，主要的變化就是由從農(nóng)田到建筑物的變化(如圖1中紅色框所示的相應(yīng)位置)，正好適用于本課題。

1 研究區(qū)域影像預(yù)處理

本文所采用的算法全部適用于8位灰度圖像，因此在變化檢測過程中，進(jìn)行算法檢測之前需要將DMC數(shù)字影像轉(zhuǎn)換成適于研究的8位灰度圖像：將圖像中的每個(gè)像素用公式(1)計(jì)算其灰度值，

intgray=r×0.3+g×0.59+b×0.11

(1)

式中r、g、b分別為該像素對應(yīng)的R、G、B顏色分量，然后用求得的灰度值代替原來該像素的R、G、B分量就行了。

2 基于DMC影像的邊緣檢測

Prewitt邊緣檢測算子、Sobel邊緣檢測算子、Roberts邊緣檢測算子、Laplacian邊緣檢測算子、Canny邊緣算子是幾種比較常用的邊緣檢測算子。通過實(shí)驗(yàn)比較發(fā)現(xiàn)Canny邊緣算子是相對最適合本課題研究的算法。

1986年，John Canny在IEEE上發(fā)表的文章具有劃時(shí)代的意義，作者總結(jié)了前人的算法提出用于邊緣檢測的三條準(zhǔn)則(Canny 準(zhǔn)則)，并基于該理論得到相應(yīng)的算法。Canny準(zhǔn)則[40]描述如下：①檢測點(diǎn)最優(yōu)化(不漏掉正確的邊緣點(diǎn)，不檢測錯(cuò)誤的邊緣點(diǎn)，輸出的信噪比盡可能達(dá)到最大)；②檢測精度達(dá)到最優(yōu)(檢測得到的點(diǎn)離影像中實(shí)際對應(yīng)的邊緣點(diǎn)距離最近)；③檢測結(jié)果中的點(diǎn)與影像中的邊緣點(diǎn)呈一一對應(yīng)的關(guān)系。

3 鄰接矩陣邊緣跟蹤法

利用Canny算子進(jìn)行邊緣檢測得到的邊緣信息中，包含圖像中各種類型地物的邊界，有建筑物、耕地、道路等，除了線段之外，還有很多曲線信息。根據(jù)我們對建筑物形狀的假設(shè)，曲線不在我們的處理范圍之內(nèi)，因此，需要對邊緣檢測得到的邊緣信息圖進(jìn)行“掃描”然后剔除沒有意義的曲線信息。

現(xiàn)將根據(jù)圖像的鄰接矩陣跟蹤、處理其邊緣鏈得到線單元的過程概括為三個(gè)步驟：

步驟一：掃描跟蹤邊緣圖像中的邊緣鏈，并存儲(chǔ)獨(dú)立邊緣鏈的信息；

步驟二：構(gòu)建邊緣鏈的鄰接矩陣(包括鏈本身的鄰接矩陣以及其端點(diǎn)的鄰接矩陣)，基于鄰接矩陣對邊緣鏈進(jìn)行正確的合并或刪除操作；

步驟三：用迭代分裂的方法處理得到的邊緣鏈，最終獲得線單元。

4 基于矩形結(jié)構(gòu)元算法的建筑物屋頂提取

利用單元直線編組技術(shù)對迭代分割后的線單元進(jìn)行合并，生成直線，基于得到的直線信息，結(jié)合建筑物影像的幾何特征(多為矩形的組合)[7]提取影像中的建筑物。

矩形結(jié)構(gòu)元算法基本能夠自動(dòng)檢測出圖像中的矩形房屋目標(biāo)，但是存在重復(fù)搜索，并且算法相對繁瑣，必須相互比較搜索到的矩形元結(jié)構(gòu)，從而刪除重復(fù)的矩形元。基于這一點(diǎn)，我們在此基礎(chǔ)上結(jié)合半矩形結(jié)構(gòu)元，加入建筑物主方向的概念，得出另一種改進(jìn)后的半矩形結(jié)構(gòu)元算法。

由矩形的任意三條邊構(gòu)成的非完整矩形結(jié)構(gòu)就是半矩形結(jié)構(gòu)，這三條邊的長度可以不相等。根據(jù)經(jīng)驗(yàn)我們知道，同一地區(qū)的建筑物走向方位基本一致，且對邊平行，因此可以先對候選直線進(jìn)行分類，得到的基本平行的直線為同一類，直線間夾角過大的為不同類直線。分類之后可以很輕松地得出影像中建筑物的主要走向，也叫建筑物的主方向。接下來剔除那些方向不同于建筑物主方向且小于minlenth的干擾直線，構(gòu)建半矩形結(jié)構(gòu)，具體的構(gòu)建過程如下：

(1)對所有的候選直線按照直線的長度排序；

(2)將長度最長的直線作為第一條直線l0，同時(shí)做好標(biāo)記，接著遍歷其他直線，找出能與l0共同構(gòu)建半矩形結(jié)構(gòu)的另外兩條直線l1和l2，做好標(biāo)記，以免重復(fù)操作；

(3)在剩余直線中選擇其中的一條作為l0，按照上一步驟重復(fù)操作，找出下一個(gè)半矩形結(jié)構(gòu)元，做好標(biāo)記以免重復(fù)；接著重復(fù)該步驟直到遍歷所有候選直線。

基于半矩形結(jié)構(gòu)元，我們根據(jù)矩形的幾何特征可以輕松算出該矩形四個(gè)頂點(diǎn)的坐標(biāo)，順序連接該矩形的四個(gè)頂點(diǎn)，即可提取出建筑物。和傳統(tǒng)的矩形結(jié)構(gòu)元算法相比，改進(jìn)后的矩形結(jié)構(gòu)元算法通過半矩形結(jié)構(gòu)元提取建筑物屋頂信息，其構(gòu)造過程簡化多了。

5 基于線特征的建筑物變化檢測

基于上述對遙感影像中建筑物影像提取方法的研究，本節(jié)在建筑物的變化檢測流程中采用上述方法獲取建筑物屋頂信息，最后檢測出變化的建筑物信息。建筑物信息提取步驟如下：對圖像進(jìn)行預(yù)處理后采用Canny算子進(jìn)行邊緣檢測，其次對邊緣圖像用鄰接矩陣邊緣跟蹤法和迭代分割獲取線單元(EL)，然后利用單元直線編組技術(shù)獲取直線，最后根據(jù)半矩形結(jié)構(gòu)元算法提取建筑物信息。基于對多時(shí)相影像提取的建筑物信息結(jié)果圖進(jìn)行對比分析，最終得到建筑物信息的變化結(jié)果。

分析變化檢測結(jié)果發(fā)現(xiàn)，在2009年的屋頂信息提取結(jié)果中出現(xiàn)了矩形綠地的信息，其原因是在邊緣檢測過程中將影像中的矩形綠地的邊緣信息也采集了進(jìn)來。可見，基于線特征的建筑物變化檢測方法僅僅基于圖像的邊緣信息，不能識(shí)別出矩形或類矩形形狀的非建筑物信息，因此，這類方法用于建筑物信息的變化檢測是有很大缺陷的。

6 基于區(qū)域與邊緣分析的建筑物變化檢測

基于線特征的建筑物變化檢測方法主要是單純地利用建筑物影像的形態(tài)特征，對于光譜、紋理等其他信息的應(yīng)用比較缺乏，所以具有一定的局限性。單純地利用一類特征進(jìn)行變化檢測的方法很難再有大的突破，特別是當(dāng)圖像中干擾較多時(shí)，例如本課題所研究的影像中具有大量的矩形要素，但并不全是建筑物，因此單純地按照形狀特征來提取將不能區(qū)分同樣呈矩形的耕地要素和建筑物要素。

近年來，隨著影像資料的日益豐富，越來越多的學(xué)者開始關(guān)注如何充分挖掘并利用高分辨率遙感影像所包含的豐富的信息[8]，其中被研究最多的技術(shù)就是對高分辨率遙感影像的分類技術(shù)，這類技術(shù)就是將圖像像元按類別進(jìn)行劃分[9]。Baatz和Schape結(jié)合多尺度分割方法和決策樹分類方法，結(jié)合輔助信息，基于影像的光譜特征和紋理特征對目標(biāo)地物進(jìn)行識(shí)別，取得了很好的結(jié)果。原則上高分辨率遙感影像中的典型面狀人工地物(如建筑物、耕地等)尤其適用。

面向?qū)ο蟮倪b感影像分類技術(shù)主要包括圖像分割(一般采用多尺度分割)和模糊分類兩個(gè)步驟。實(shí)踐證明，圖像分割結(jié)果比多特征模糊分類結(jié)果對分類結(jié)果的影響更大[10]。因此在分類技術(shù)中對遙感圖像的多尺度分割的地位絕對重要，如果能先對遙感圖像進(jìn)行準(zhǔn)確有效的多尺度分割，其后再結(jié)合一些方法，將大部分非建筑物信息刪除，然后再進(jìn)一步考慮采用基于線特征的方法提取建筑物，最終實(shí)現(xiàn)建筑物的變化信息檢測。由于圖像分割后去除了大部分干擾信息，因此就能同時(shí)滿足建筑物提取的準(zhǔn)確性和快速性要求，其適用性和實(shí)用性都能大大提高。

現(xiàn)有的多尺度分割算法有很多，Mean Shift算法是其中的一種，它充分利用空間特征以及光譜特征，通過參數(shù)對分割精度實(shí)施控制(該參數(shù)具有一定的物理意義)。Mean Shift算法與目前eCognition軟件提出的算法相比，分割結(jié)果同樣和視覺分割一致，且速度更快，是一種穩(wěn)健、快速的多尺度分割方法[11]。自1975年Fukunaga等人提出Mean Shift(偏移向量均值)這個(gè)概念以來，許多學(xué)者都對此做了深入的研究并加以推廣，使得其適用范圍在一定程度上得到了擴(kuò)展。

為了有效地去除矩形以及類矩形形狀的非建筑物信息，這里采用結(jié)合Otsu閾值分割的Mean shift算法用于圖像分割：首先采用Mean Shift算法實(shí)現(xiàn)圖像的多尺度分割，再用Otsu算法實(shí)現(xiàn)圖像的閾值分割。Otsu算法基于圖像灰度進(jìn)行閾值分割，處理后可以將大部分非建筑物圖像清除，同時(shí)使圖像二值化。從實(shí)驗(yàn)結(jié)果來看，單獨(dú)使用Otsu算法進(jìn)行的閾值分割結(jié)果中保留了很多干擾信息，因此想要據(jù)此直接提取建筑物有很大的困難；而首先對圖像進(jìn)行多尺度分割——將收斂至同一點(diǎn)的起始點(diǎn)歸至同一類的分割方法，然后再對圖像進(jìn)行閾值分割——消除大多數(shù)非建筑物的干擾信息。

7 結(jié)語

比較兩種方法的實(shí)驗(yàn)結(jié)果，我們發(fā)現(xiàn)，后一種技術(shù)在建筑物變化檢測的過程中，效果明顯優(yōu)于前者。在建筑物信息的提取過程中，采用多尺度分割以及閾值分割的方法，有效地剔除了非建筑物信息，最終得到的變化檢測結(jié)果比較準(zhǔn)確。因此，基于區(qū)域與邊緣分析的建筑物變化檢測技術(shù)有一定的應(yīng)用價(jià)值。

[1]鐘家強(qiáng).基于多時(shí)相遙感圖像的變化檢測[D].長沙:國防科學(xué)技術(shù)大學(xué),2005.

[2]李德仁.利用遙感影像進(jìn)行變化檢測[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版,2003,(Z1):7—12.

[3]王漢英,張占睦,張一鳴,張昭云.遙感影像變化檢測在地形圖快速修測中的應(yīng)用[J].測繪工程,2009,18(2):51—54.

[4]陳光.遙感圖像中建筑物識(shí)別與變化檢測[D].南京:南京理工大學(xué),2005.

[5]祝錦霞.高分辨率遙感影像變化檢測的關(guān)鍵技術(shù)研究[D].杭州：浙江大學(xué)，2011.

[6]任大衛(wèi).面向建筑用地的遙感影像變化檢測方法技術(shù)研究[D].北京：中國科學(xué)院，2004.

[7]張煜,張祖勛.幾何約束與影像分割相結(jié)合的快速半自動(dòng)房屋提取[J].武漢測繪科技大學(xué)學(xué)報(bào),2000,25(3):238—242.

[8]陳忠.高分辨率遙感圖像分類技術(shù)研究[D].北京：中國科學(xué)院研究生院,2006.

[9]樂宋進(jìn),武和雷,胡泳芬.圖像分割方法的研究現(xiàn)狀與展望[J].南昌水專學(xué)報(bào),2004,23(2):15—20.

[10]羅三定,張中良.自動(dòng)分布閾值圖像多目標(biāo)分割算法[J].計(jì)算技術(shù)與自動(dòng)化,2008,27(2):77—80.

[11]莫登奎,林輝,LI Ji-ping,李際平,孫華,熊育久.基于均值漂移的高分辨率影像多尺度分割[J].廣西師范大學(xué)學(xué)報(bào)：自然科學(xué)版,2006,24(4):247—250.

責(zé)任編輯：柴造坡

10.3969/j.issn.1674-6341.2015.06.010

2015-10-26

劉春玲(1985—)，女，湖北宜昌人，工程碩士，講師。研究方向：圖像處理、FPGA技術(shù)。

TP39

A

1674-6341(2015)06-0023-03