一種衛星遙感影像村莊區域提取算法

路志英， 李笑冬

(天津大學 電氣與自動化工程學院，天津 300072)

一種衛星遙感影像村莊區域提取算法

路志英， 李笑冬

(天津大學 電氣與自動化工程學院，天津 300072)

衛星遙感影像提取村莊區域在地理和氣象領域均有十分重要的意義。針對衛星遙感影像的特點，提出了一種村莊區域提取方法。利用改進的去霧算法對衛星遙感影像進行預處理，通過遙感衛星影像的顏色特征實現分割，結合村莊區域分布特點進行去噪處理，實現衛星遙感影像村莊區域的提取。實驗結果表明：該算法能夠對衛星遙感圖像中不同類型村莊區域進行提取，且提取準確率高，可以應用于地理以及氣象等領域。

提取； 去霧； 分割； 去噪

0 引 言

中國氣候類型多樣,但穩定性較差，干旱、冰雹等自然災害時有發生，對區域經濟的發展產生很大影響。為了降低自然災害的影響，人工影響天氣被越來越多地應用于生產和生活中[1]。為了保證作業的安全，就需要在衛星遙感影像上準確提取村莊區域的位置，使作業區域遠離村莊所在的位置，提高人工影響天氣作業的安全性。

傳統的村莊提取算法主要針對的是合成孔徑雷達(synthetic aperture radar,SAR)圖像[2,3]，SAR圖像為灰度圖像，在實際應用過程中有一定的局限性；另一方面，SAR圖像噪聲點較多，提取準確性受到較大影響。

本文結合村莊區域的顏色、位置和面積特征提出了一種衛星遙感影像村莊區域提取算法，實驗結果表明：該算法能夠提取不同形狀特點的衛星遙感影像中的村莊區域，在速度和準確率方面均有優勢，可以推廣到氣象及其它領域。

1 提取過程

首先，獲取衛星遙感影像，利用改進的去霧算法對原始圖像進行預處理，獲得清晰的衛星遙感影像；然后，利用基于顏色特征的最大熵閾值分割法對遙感圖像進行分割，得到村莊區域的位置；最后，通過村莊區域的面積及位置特征排除噪聲干擾，準確提取出村莊區域的位置。村莊區域的提取過程如圖1所示。

圖1 村莊區域提取過程示意圖

2 圖像預處理

由于空氣中存在霧霾等細小顆粒，這些顆粒物的遮擋造成了遙感圖像不清晰[4]。為了消除這種影響，提高識別的準確度。就需要對遙感圖像進行預處理。和傳統的圖像增強算法[5]相比，He算法有更好的適應性。本節對He[6]提出的去霧算法進行改進，用改進的去霧算法對遙感圖像K進行去霧預處理。具體實現過程如下：

對于任意一個輸入圖像 ，暗通道的數學描述式

(1)

式中 Jc為彩色圖像的每個顏色通道;Ω(x)為以像素x為中心的一個窗口。

對大量戶外無霧圖片進行分析和統計，結果表明這些圖像的暗通道值接近0，即式(1)Jdark(x)=0。

在計算機視覺和計算機圖形中，公式(2)所描述的霧圖形成模型[7]被廣泛使用

I(x)=J(x)t(x)+A(1-t(x))

(2)

式中 I(x)為現有的待去霧圖像;J(x)為恢復后的無霧的圖像;A為全球大氣光成分;t(x)為透射率。

2.1 全球大氣光成分A的獲取

假定每個窗口內透射率t(x)為常數，全球大氣光A值可以借助暗通道圖從有霧圖像中獲取，具體步驟如下：1)按照亮度的大小從暗通道圖中取前0.1 %的像素；2)在原始有霧圖像I中，He算法尋找滿足條件步驟(1)像素點中亮度最高的點的值作為A值，這樣做可能會使A值接近255，使復原圖像顏色過深，出現失真。為了解決這個問題，本文選取了符合條件的所有點的平均值作為A的值，這樣就避免了失真的出現。

2.2 透射率t(x)的獲取

A值確定后，對式(2)進行整理可得式(3)

(3)

式中 Ic為有霧圖像的每個顏色通道;Ac為不同顏色通道的A值;Jc為無霧圖像的每個顏色通道。

由式(1)和式(3)推導可得

(4)

根據式(4)即可獲得透射率t(x)的預估值。

綜上，最終的恢復公式如下

(5)

通過待去霧圖像I求得的透射率t和估算的全球大氣光值A，根據式(5)完成無霧圖像J的復原。

圖2為He算法和和本文算法處理結果，實驗表明：改進后的算法能避免失真的出現，去霧效果更自然。

圖2 去霧前后圖像對比

3 村莊區域分割

考慮到遙感圖像中村莊區域的顏色以及形狀特點，本文提出了一種基于顏色信息[8]的最大熵分割方法,在最大熵[9]分割的基礎上充分利用遙感圖像的顏色特征，對村莊區域與非村莊區域進行分割，取得良好的分割效果。

3.1 特征顏色的選擇

為了實現村莊區域分割，首先要進行特征顏色的選擇，具體實現過程如下：

1)分別取遙感圖像RGB三種顏色分量形成三幅與遙感圖像大小相同的灰度圖像。

2)分別計算三幅灰度圖像的方差，式(6)為方差的計算公式

(6)

式中 μ為式整幅圖像灰度的均值，pi為圖像灰度值為i的像素點的概率。

3)通過比較保留方差最大的灰度圖像，與其對應的顏色便為該衛星遙感影像的特征色。

3.2 基于特征顏色的最大熵分割

對特征顏色對應的灰度圖像進行最大熵閾值分割，分割過程如下：

假設一幅圖像有L個灰度級，其中灰度級為i的像素有Ni個，圖像像素點總數為N，則灰度級i的概率為

(7)

設圖像目標區域為A，圖像背景區域為B，則兩部分的熵為

(8)

(9)

(10)

最大熵分割法的最佳閾值公式為

T=argmax[HA(T)+HB(T)]

(11)

利用所求最佳分割閾值將灰度圖像分割成二值圖像。

圖3是最大熵閾值分割和本文算法的處理結果。其中白色區域為村莊區域，黑色區域為非村莊區域。實驗表明：改進的分割算法能取得更好的分割效果，更接近村莊區域的真實位置。

圖3 分割前后圖像對比

4 去 噪

分割后的圖像普遍存在孤立的噪聲點。為了有效去除這些噪聲點，本文提出了一種改進的二值開運算的方法來去除噪聲。開運算就是利用模板對圖像先腐蝕后膨脹的過程，它能夠消除小的噪聲點，平滑較大物不會完全孤立存在。二值開運算的方法能起到去除噪聲點的作用，但去除不徹底，去噪后的圖像依舊有噪聲點殘留，這就影響了識別算法的準確性。為了提高識別的準確性，將噪聲點去除完全，本文提出了一種改進的二值開運算去噪算法。其設計思路如下：對于進行過腐蝕操作的二值圖像，判斷圖像上零散白色小面積區域的位置。若該區域距離其它白色區域較遠，認為它是噪聲；若該區域距離較大面積的白色區域比較近的時候，予以保留。最后對圖像進行膨脹操作。改進的去噪算法的具體實現過程如下：

第一步：讀取閾值分割后形成的二值圖像。

第二步：對圖像進行腐蝕操作。

第三步：判斷圖像噪聲。

1)根據處理圖片的尺寸選擇合適大小的正方形框按照一定的步長對腐蝕后的圖像進行掃描，掃描的同時統計正方形框區域內白色像素點(非安全區域)的個數N。

2)N和第一閾值δ1比較：

a.若N>δ1(白色像素點個數大于第一閾值)，說明該區域內非安全區域面積較大，則跳轉到下一區域繼續掃描。

b.如果N<δ1(白色像素點個數小于第一閾值)，則將該正方形區域再次等分成幾個區域，依次掃描這幾個區域內白色像素點的個數，并與第二閾值δ2進行比較：

如果再次小于第二閾值，即N<δ1<δ2，說明該區域不僅遠離大面積白色區域，而且該區域自身面積也比較小，因此將該區域置黑；

若大于第二閾值，即δ2

第四步:對整幅圖像進行膨脹操作。

改進去噪算法完成。

圖4是開運算去噪和改進去噪算法的處理結果，實驗結果表明：改進去噪算法充分考慮村莊區域的位置和面積特征，噪聲點剔除徹底，獲得的村莊區域與實際情況更相符。

圖4 去噪效果對比

5 實驗結果

將特征色對應的灰度圖像的識別結果進行簡單處理，獲取所有白色(村莊區域)的外部輪廓并將其疊加到原始衛星遙感影像上面，圖5是原始圖像和本文提取算法結果的對比。

圖5 原始圖像和最終提取結果對比

判斷提取結果是否準確主要有2個標準：

1)村莊區域是否全部識別。如果存在村莊區域未被識別，會對人工影響天氣作業安全性產生很大影響，這是不被允許的。

2)村莊區域識別的錯誤率。如果存在非村莊區域被識別為村莊區域，統計識別錯誤的村莊的個數和面積。對衛星遙感影像來說，錯誤識別的村莊個數和面積不能超過村莊實際區域面積的10 %。

為與本文算法進行比較，利用村莊區域提取中常用的基于灰度共生矩陣[11]的方法和本文算法進行比較，結果如表1所示。

表1 提取算法比較

表1顯示，本文算法在準確率和處理時間上都具有優勢，能夠滿足準確率和處理速度的雙重要求。

6 結束語

本文結合村莊區域的顏色、位置和面積特征提出了一種衛星遙感影像村莊區域提取算法。獲取衛星遙感影像，利用改進的去霧算法對原始圖像進行預處理，獲得清晰的衛星遙感影像；利用基于顏色特征的最大熵閾值分割法對遙感圖像進行分割，得到村莊區域的位置；通過村莊區域的面積及位置特征排除噪聲干擾，準確提取出村莊區域的位置。實驗結果表明：本文提出的算法能夠在不同的衛星遙感影像中準確提取村莊區域的位置，提取速度和準確率能夠滿足要求，可以廣泛應用于人工影響天氣以及其他領域中。有很強的現實意義。

后期需要對分割算法進行改進，進一步減少噪聲點的數量，從而獲得更好的提取效果。

[1] 楊 凡,孫 琪,孟繁輝,等.安全射界圖技術在人工影響天氣指揮系統中的應用[J].氣象科技,2014,42(3):511-515.

[2] 魏 丹,趙新強.一種高分辨率SAR圖像河流邊界自動提取方法[J].計算機應用與軟件,2015,32(11):213-216.

[3] 鄭 揚,俞能海.基于共生矩陣的SAR圖像村莊識別方法[J].計算機仿真,2008,25(3):206-209.

[4] Richter R.Atmospheric correction of satellite data with haze removal including a haze/clear transition region[J].Computers & Geosciences,1996,22(6):675-681.

[5] 付爭方,朱 虹.基于模糊理論的低照度彩色圖像增強算法[J].傳感器與微系統,2014,33(5):121-124.

[6] He K,Sun J,Tang X.Single image haze removal using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353.

[7] 郭 璠.圖像去霧方法和評價及其應用研究[D].長沙：中南大學,2012.

[8] 宋 偉,王玉平,張文杰,等.基于顏色與運動特征的變電站實時煙霧檢測[J].傳感器與微系統,2015,34(12):127-130.

[9] Phillips S J,Anderson R P,Schapire R E.Maximum entropy modeling of species geographic distributions[J].Ecological Modelling,2013,190(S 3-4):231-259.

[10] Liang X,Li L,Cheng G,et al.Underdeveloped village extraction from high spatial resolution optical image based on GLCM textures and fuzzy classification[C]∥International Workshop on Earth Observation and Remote Sensing Applications,IEEE,2014.

An extraction algorithm for village area in satellite remote sensing image

LU Zhi-ying， LI Xiao-dong

(School of Electrical Engineering and Automation,Tianjin University,Tianjin 300072,China)

It has important significance to extract village area in satellite remote sensing image in the field of geography and meteorology.Aiming at characteristics of satellite remote sensing image,a new method for extraction of village area is proposed.Preprocess satellite remote sensing images using improved defogging algorithm,segmentation is achieved by color feature of remote sensing satellite image,denoising is carried out combined with the characteristics of regional distribution of the village,extraction of village area in satellite remote sensing images is realized.Experimental results show that this algorithm can be used to extract different types of villages in the remote sensing image,the extraction accuracy is high,and it can be applied to the geographical and meteorological fields.

extraction; defogging; segmentation; denoising

2016—05—18

10.13873/J.1000—9787(2017)06—0122—04

TP 391.4

A

1000—9787(2017)06—0122—04

路志英(1964-)，女，博士，教授,主要從事模式識別與智能系統的研究工作。

李笑冬(1990-)，男，通訊作者，碩士，主要研究方向為模式識別與智能系統，E—mail：lxd1990tju@163.com。