高分辨率遙感影像下線特征提取方法比較

楊志剛，張世奇

(1.廣東省國(guó)土資源測(cè)繪院，廣東廣州510500;2.中國(guó)地圖出版社，北京100054)

一、引 言

在攝影測(cè)量與遙感、模式識(shí)別、計(jì)算機(jī)視覺(jué)及數(shù)字圖像處理等領(lǐng)域中，線特征提取是一個(gè)十分基礎(chǔ)和重要的環(huán)節(jié)［1］。對(duì)于一幅高分辨率遙感影像，如何選擇最合適的線特征提取算法具有重要的意義。

本文以高分辨率遙感影像為數(shù)據(jù)源，通過(guò)對(duì)幾種具有代表性的線特征提取算法的試驗(yàn)，分析各種算法的參數(shù)自適性，并且從自適性、速度、穩(wěn)定性、可靠性、自動(dòng)化程度等5個(gè)方面對(duì)各種算法的特性、適用場(chǎng)合等進(jìn)行分析和比較，為對(duì)影像的進(jìn)一步分析及影像匹配打下基礎(chǔ)。

二、線特征提取算子原理

1.Hough變換

Hough變換是一種基于變換域的直線提取方法，它從直線的特性出發(fā)，考慮能唯一確定直線的兩個(gè)參數(shù)ρ、θ，將直線變換到參數(shù)空間中，通過(guò)檢測(cè)參數(shù)空間中的極值點(diǎn)來(lái)確定直線的參數(shù)，從而檢測(cè)出影像中的直線［2］。

2.相位編組法

相位編組法是一種基于梯度相位特征的直線提取方法。提出此算法的Burns等認(rèn)為邊緣不僅存在于灰度變化劇烈的地方，在灰度變化緩慢的地方也存在邊緣［3］。不同于大多數(shù)直線提取算法，對(duì)于梯度的特征，該方法以梯度的相位而不是梯度幅度為主要的判斷標(biāo)準(zhǔn)，梯度幅度只是一個(gè)輔助條件。然后根據(jù)梯度的相位信息對(duì)點(diǎn)進(jìn)行編組，并用最小二乘法擬合出直線。

3.邊緣分割法

直線作為邊緣的一部分，是特殊的一類邊緣特征，因此，在邊緣檢測(cè)的基礎(chǔ)上進(jìn)行直線提取是十分可行的。本算法在邊緣檢測(cè)的基礎(chǔ)上，對(duì)邊緣線進(jìn)行跟蹤，形成鏈表以獲得每條線的位置、端點(diǎn)等信息，在清除圖像中短小的邊緣后，將鏈表中的曲線分割成直線并繪制出來(lái)，達(dá)到從影像中提取直線的目的［4］。

三、試驗(yàn)結(jié)果分析與比較

選用高分辨率遙感影像及人工測(cè)試影像，包含房屋、道路、裸地等地物，具有特征明顯的直線，且分布均勻，數(shù)量較多，適合作為線特征提取的基礎(chǔ)影像，如圖1所示。

圖1 高分辨率遙感影像

調(diào)整參數(shù)以研究每種算法的參數(shù)自適性，并從自適性、速度、穩(wěn)定性、可靠性、自動(dòng)化程度等5個(gè)方面對(duì)各種算法進(jìn)行分析比較。

1.參數(shù)自適性

參數(shù)自適性主要是判斷提取的特征對(duì)設(shè)置參數(shù)的反映程度，即參數(shù)變化對(duì)特征提取的影響程度［5］。若參數(shù)變化對(duì)特征的提取影響較大，則該算法參數(shù)自適性較弱。

(1)Hough變換

Hough變換提取直線時(shí)需要設(shè)置的參數(shù)為檢測(cè)閾值T、步距θ0。其中，θ0表示直線上點(diǎn)的梯度方向變化的容忍范圍，一般取1弧度，并不是直線提取中的決定性參數(shù);算子中最主要的參數(shù)為檢測(cè)閾值T，表1顯示了在步距一定時(shí)，檢測(cè)閾值T對(duì)于提取數(shù)量的影響。

表1 Hough變換參數(shù)自適性

從表1中可以看出，隨著檢測(cè)閾值T的改變，直線的數(shù)目有較大程度的變化，即閾值的設(shè)定對(duì)于提取結(jié)果的數(shù)目有很大影響，表明Hough變換的參數(shù)自適性較弱。

(2)相位編組法

相位編組法提取直線時(shí)需要設(shè)置的參數(shù)為檢測(cè)閾值Tm、Tn。其中，Tm表示衡量梯度方向的閾值;Tn表示衡量直線支持區(qū)內(nèi)，每條直線上的像素個(gè)數(shù)的閾值。表2顯示了檢測(cè)閾值Tm、Tn對(duì)于提取數(shù)量的影響。

表2 相位編組法參數(shù)自適性

從表2中可以看出，隨著Tm、Tn中任意一個(gè)的數(shù)值改變，直線的數(shù)目都有較大程度的變化，表明相位編組法的參數(shù)自適性較弱。

(3)邊緣分割法

邊緣分割法提取直線時(shí)需要設(shè)置的參數(shù)為檢測(cè)閾值Tm、Tn。其中，Tn表示將曲線分割成直線的閾值，并不是直線提取中的決定性參數(shù);Tm表示衡量直線最小長(zhǎng)度的閾值，超過(guò)這個(gè)長(zhǎng)度的直線將被剔除。表3顯示了檢測(cè)閾值Tm對(duì)直線提取數(shù)量的影響。

表3 邊緣分割法參數(shù)自適性

從表3中可以看出，隨著Tm數(shù)值的改變，提取結(jié)果的數(shù)目有較大程度的變化，表明邊緣分割法的參數(shù)自適性較弱。

通過(guò)對(duì)以上3種算法的參數(shù)自適性分析，可以得出3種算法的自適性都不是很強(qiáng)，每種算法之間也沒(méi)有很大差別。

2.提取速度

提取速度是檢測(cè)算法性能的一項(xiàng)重要指標(biāo)。由于遙感影像的數(shù)據(jù)量大，對(duì)其進(jìn)行運(yùn)算的算法就更要滿足一定的速度要求，否則算法的實(shí)用性就會(huì)大大降低。對(duì)試驗(yàn)影像進(jìn)行測(cè)試，統(tǒng)計(jì)每種算子運(yùn)算所需的平均時(shí)間，結(jié)果見(jiàn)表4。

表4 線特征提取算子時(shí)間

從表4中可以看出，對(duì)于相同的影像，相位編組法的速度最快，邊緣分割法速度最慢。

3.穩(wěn)定性

穩(wěn)定性是檢測(cè)算法性能的一項(xiàng)重要指標(biāo)，是指影像的角度、噪聲等對(duì)算法結(jié)果的影響程度，若在角度和噪聲等因素的影響下，算法仍能提供較好的結(jié)果，則表明此算法的穩(wěn)定性好［6］。算法的穩(wěn)定性可以用檢測(cè)算子提取特征的重復(fù)率來(lái)表示，重復(fù)率越高，算子的穩(wěn)定性越好。

(1)旋轉(zhuǎn)不變性

對(duì)同樣的影像進(jìn)行旋轉(zhuǎn)，將影像進(jìn)行直線提取，對(duì)于同一種算法，參數(shù)設(shè)為一致。統(tǒng)計(jì)每張影像上的直線數(shù)，以及與原影像相比直線重復(fù)的數(shù)目，計(jì)算成重復(fù)率，結(jié)果見(jiàn)表5。

表5 線特征提取算子旋轉(zhuǎn)不變性

從表5中可以看出，3種算法都比較容易受到旋轉(zhuǎn)角度的影響。究其原因，Hough變換和邊緣分割法中首先都要對(duì)影像邊緣進(jìn)行提取，而提取邊緣時(shí)所用的Canny算子受影像旋轉(zhuǎn)角度的影響較大，導(dǎo)致直線提取的結(jié)果也受到角度變化的影響。對(duì)于相位編組法，因其首先要計(jì)算梯度的方向角，而梯度的方向角是通過(guò)影像中水平和豎直方向的梯度計(jì)算而來(lái)，隨著影像的旋轉(zhuǎn)，水平和豎直方向的梯度自然有變化，因此計(jì)算出的梯度方向角也會(huì)隨之變化，最終導(dǎo)致結(jié)果受到旋轉(zhuǎn)角度的影響。因此，3種算法的旋轉(zhuǎn)不變性都較弱。

(2)抗噪性

對(duì)同樣添加了高斯噪聲和椒鹽噪聲的影像進(jìn)行直線提取，對(duì)于同一種算法，參數(shù)設(shè)為一致。結(jié)果如圖2所示。

圖2 高斯噪聲和椒鹽噪聲影響下直線提取結(jié)果

從圖2中可以看出，高斯噪聲和椒鹽噪聲對(duì)3種算法都有一定程度的影響。對(duì)于高斯噪聲而言，邊緣分割法提取效果最好，能夠提取出有效的直線，且提取錯(cuò)誤較少;Hough變換和相位編組法的效果都不好，Hough變換提取直線的個(gè)數(shù)減少，且提取錯(cuò)誤率增加;相位編組法雖然錯(cuò)誤率不高，但直線的數(shù)量急劇減少。對(duì)于椒鹽噪聲而言，相位編組法的效果最好，在保證了提取數(shù)量的同時(shí)具有較好的可靠性;邊緣分割法其次，雖然提取數(shù)量較多但錯(cuò)誤數(shù)也很多;Hough變換的效果最差，提取出的直線基本都是錯(cuò)誤的。

總體來(lái)說(shuō)，3種算法都具有一定程度的抗噪性。其中，Hough變換和邊緣分割法對(duì)高斯噪聲的抵抗性更好，是因?yàn)樵谔崛≈本€的過(guò)程中用到的Canny算子會(huì)進(jìn)行高斯濾波;相位編組法對(duì)椒鹽噪聲的抵抗性更好，是因?yàn)榻符}噪聲對(duì)梯度方向的影響較小。因此，在對(duì)噪聲較多的影像進(jìn)行直線提取前，對(duì)其進(jìn)行降噪處理是十分必要的。

4.可靠性

特征的可靠性是指有效特征數(shù)占總特征數(shù)目的百分比。提取的有效特征數(shù)占總特征數(shù)目的比率越高，算法的可靠性就越好。對(duì)高分辨率遙感影像進(jìn)行直線提取，統(tǒng)計(jì)每種算法提取出的有效直線數(shù)見(jiàn)表6。

表6 線特征提取算子可靠性

從表6中可以看出，Hough變換可靠性最好，其次是相位編組法，邊緣分割法的可靠性最差。相位編組法可靠性略低的原因是由于算法認(rèn)為灰度變化緩慢的地方也存在邊緣，以梯度的方向作為主要判斷標(biāo)準(zhǔn)，若閾值設(shè)定不當(dāng)，會(huì)造成提取出不明顯的邊緣而忽略明顯邊緣的情況;邊緣分割法可靠性最低的原因是影像中有些地物本就不由直線構(gòu)成，若強(qiáng)行將曲線邊緣分割成直線，只會(huì)使可靠性降低。

5.自動(dòng)化程度

算法的自動(dòng)化程度是指運(yùn)行時(shí)無(wú)須人工干預(yù)的程度。一個(gè)算法運(yùn)行時(shí)需要人工干預(yù)的程度越高，它的自動(dòng)化程度就越低。一般來(lái)講，算法需要人工干預(yù)的環(huán)節(jié)是參數(shù)的設(shè)置，它直接影響了算法的自動(dòng)化程度。

統(tǒng)計(jì)3種直線提取算法中需要人為設(shè)定的參數(shù)個(gè)數(shù)，結(jié)果見(jiàn)表7。

表7 線特征提取算子自動(dòng)化程度

由此可知，3種算法中Hough變換的自動(dòng)化程度最高，相位編組法和邊緣分割法次之，3種算法都沒(méi)有達(dá)到完全自動(dòng)化的標(biāo)準(zhǔn)。

四、結(jié)論與展望

通過(guò)對(duì)3種直線提取算法的分析，總結(jié)出每種算法的特性:

1)Hough變換可靠性較好，自動(dòng)化程度較高;有一定抵抗高斯噪聲的能力;原理復(fù)雜，提取速度較慢，旋轉(zhuǎn)不變性和參數(shù)自適性較弱。當(dāng)對(duì)于可靠性要求較高時(shí)，適合采用此算法提取直線。

2)相位編組法原理簡(jiǎn)單，提取速度較快;有一定抵抗椒鹽噪聲的能力，且可靠性和自動(dòng)化程度一般;旋轉(zhuǎn)不變性和參數(shù)自適性較弱。當(dāng)對(duì)于提取速度有較高要求時(shí)，適合采用此算法進(jìn)行直線提取。

3)邊緣分割法原理簡(jiǎn)單，自動(dòng)化程度較高;有一定抵抗高斯噪聲的能力;提取速度很慢，旋轉(zhuǎn)不變性和參數(shù)自適性較弱，可靠性較差。當(dāng)影像中曲線較少時(shí)適合采用此方法。

本文中研究的算法各有優(yōu)劣，在實(shí)際處理圖像的過(guò)程中，應(yīng)當(dāng)結(jié)合算法原理和使用環(huán)境，不斷提高算法的適應(yīng)性，針對(duì)不同大小、不同數(shù)據(jù)源的圖像設(shè)定自適應(yīng)閾值，才能達(dá)到理想的提取效果。總的來(lái)說(shuō)，就是要從算法的參數(shù)自適性、提取速度、穩(wěn)定性、可靠性和自動(dòng)化程度等方面對(duì)算法進(jìn)行改進(jìn)，從而獲得高效、穩(wěn)定、有效、智能的算法。

［1］張?jiān)粕瑒㈥?yáng)，鄒崢嶸.基于Harris興趣值的影像線特征高精度提取方法［J］.測(cè)繪科學(xué)，2013，38(4):72-73.

［2］蘇志祁，尉宇，王濤.改進(jìn)Hough變換的算法實(shí)現(xiàn)［J］.現(xiàn)代電子技術(shù)，2009，32(10):42-44.

［3］周俊，王仁禮，吳云東.基于邊緣檢測(cè)的編組法直線提取［J］.測(cè)繪學(xué)院學(xué)報(bào)，2004，21(3):181-183.

［4］雷小奇，王衛(wèi)星，賴均.一種基于形狀特征進(jìn)行高分辨率遙感影像道路提取方法［J］.測(cè)繪學(xué)報(bào)，2009，38(5):457-465.

［5］王啟春，郭廣禮，查劍鋒.基于圖像灰度的點(diǎn)特征提取算子參數(shù)自適應(yīng)研究［J］.測(cè)繪科學(xué)技術(shù)學(xué)報(bào)，2012，29(6):435-439.

［6］余晨，金飛，石娟.基于灰度信號(hào)的點(diǎn)特征提取方法比較研究［J］.測(cè)繪信息與工程，2009，34(6):44-45.

［7］張祖勛，張劍清.數(shù)字?jǐn)z影測(cè)量學(xué)［M］.2版.武漢:武漢大學(xué)出版社，2012.

［8］VON GIOI R G，JAKUBOWICZ J，MOREL J M，et al.LSD:A Fast Line Segment Detector with a False Detection Control［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32(4):722-732.