基于数学形态学的遥感图像道路提取

2010-11-29潘建平

铁道勘察 2010年1期

郑丽潘建平

(重庆交通大学土木建筑学院,重庆 400074)

图像分割是从图像处理到图像分析转变的关键,也是图像自动分析的第一步,是进一步进行图像识别、分析和理解的基础[1]。遥感图像分割是指对遥感图像进行处理、分析,按一定的规则将图像分成更具特性的区域并提取出感兴趣目标的技术和过程。这些特性可以是灰度、颜色、纹理或几何性质等,目标可以对应单个区域,也可以对应多个区域,其中每个区域都是由大致相同的像素组成。

在遥感图像地物特征提取研究中,特征提取主要分为三类:点状特征的提取、线状特征的提取、面状特征的提取。作为遥感图像地物特征提取的技术前提,遥感图像分割技术正日益受到关注。目前,在这三种特征提取中,对具有明显边界的线状特征和面状特征地物的提取展开的研究比较多。遥感图像通常表现为:灰度级多、信息量大、边界模糊、目标结构复杂等[2],由于遥感图像本身信息的复杂性和随机性,所以目前还没有遥感图像分割的理想方法,在一定程度上影响了其在遥感领域的广泛应用。图像分割主要是基于光谱特征,后来发展为结合光谱特征、纹理特征、形状特征、空间关系特征等综合因素的计算机信息提取。其中,运用遥感进行道路自动提取取得了一定的研究成效,常用的有阈值法、密度分割法、决策树分类等,数学形态学等方法也被用于道路提取中。

本文主要以IKONOS影像为数据源,以IDL语言为开发平台,结合ENVI现有的文件处理功能,选择典型线状目标道路为研究对象,通过数学形态学有效地将高分辨遥感图像中的道路分割出来,从而获得道路目标更为详细的描述,证明了其在道路提取方面的有效性。

高分辨率遥感图像提供了海量的数据和更丰富的地物信息,如何快速、自动识别和提取图像上的地物特征,对推动高分辨率遥感图像的应用有着极其重要的作用。高分辨率遥感图像的道路提取可以为更新道路信息提供信息资料,对地物特征提取有一定的参考价值。

1 数学形态学的基本原理

数学形态学的数学基础和所用语言是集合论。数学形态学的应用可以简化图像数据,保持它们基本的形状特性,并除去不相干的结构。数学形态学的算法具有天然的并行实现的结构,它是一种非线性滤波方法,可以用于图像信息提取方面,其基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状,以达到对图像分析和识别的目的[3]。结构元素是收集图像信息的探针,可直接携带知识(形态、大小、甚至加入灰度和色度信息)来探测、研究图像的结构特点。它的选取直接影响图像处理的效果和质量。

数学形态学由一组形态学代数算子组成,以膨胀、腐蚀为基础,在处理图像时可以根据需要,由这两种运算组成各种复杂的运算,如先腐蚀再膨胀组成开运算,先膨胀再腐蚀组成闭运算;也可以由开运算、闭运算以及原图组成各种复杂的运算,通过组合这些算子可以实现对图像形状、结构的分析和处理。

在遥感图像处理中,数学形态学主要用来从高分辨率图像中提取几何信息,对二值图像最为有效[4]。在二值形态学中,其运算对象是集合。设A代表图像集合,B为结构元素,它本身实际上也是一个图像集合,数学形态学运算是用B对A进行操作。在下列运算中A、B均为 Z2中的集合,φ为空集,^B为B的映像。

(1)膨胀与腐蚀运算

A被B膨胀,记为A⊕B,可以用数学符号表示为:A⊕B={x|[(^B)x]∩A≠Ø}

A被B腐蚀,记为AΘB,可以用数学符号表示为:AΘB={x|(B)x⊆A}

(2)开运算和闭运算

开运算可以用数学符号表示为:A·B=(AΘB)⊕B

闭运算可以用数学符号表示为:A·B=(A⊕B)ΘB

2 基于数学形态学的道路提取

实验流程如图1所示。

2.1 实验区数据介绍

本文实验采用某地区IKONOS影像为数据源,分辨率为4m,道路在影像中呈现高亮度的光谱特征。实验区影像主要包含了建筑物和道路以及其他地物信息(如图2),其大小为550像素 ×550像素。

图2 原始图像

2.2 图像增强处理

遥感图像以提取信息为主要目标,增强处理是为了提高图像信息的提取能力。高分辨率遥感图像道路表现为连续的、灰度变化、宽度变化缓慢的狭长区域,其光谱特征和其他地物有着明显的区别,道路的DN值明显高于其他地物。由于图像分割主要是基于光谱特征的,这就为道路的自动提取创造了条件,但建筑物、路面噪声(如汽车、非均一材质、绿化带以及阴影等)、停车场等对道路提取带来了很大干扰。为了取得预期提取效果,我们首先进行增强处理。

这里,我们通过BYSTCL()函数来实现对比度拉伸从而得到更多的内在信息并利用HIST_EQUAL()函数进行直方图均衡化,绘制原始图像和直方图均衡化后图像的直方图(如图3、图4)。

图3 原始图像的灰度直方图

图4 直方图均衡化

研究遥感图像中的道路时,由于道路在空间位置上具有一定延伸方向的特点,要突出道路的主干部分时宜选择低通滤波处理。本文选用均值低通滤波处理,利用SMOOTH()函数来实现图像平滑,消除背景区域中细小的噪声(如图5),为后续的道路提取奠定了基础。

图5 平滑处理后图像

2.3 阈值分割处理

首先采用阈值分割算法对IKONOS图像进行分割,灰度阈值法是一种最常见的也是最简单的分割算法。一般选择直方图的谷对应的灰度值作为阈值,记为t0,并且将所有灰度值高于t0的像素标记为物体像素,将所有灰度值低于t0的像素标记为背景像素。本文根据绘制的直方图均衡化后直方图(图4)选取阈值t0=230。确定阈值后,可以很明显的从背景中区别出道路等线性特征,得到包含道路基本信息的二值图像(如图6)。从图中我们可以看出,二值图像上存在多种噪声,在空间上表现为大小不一的图斑。

2.4 形态学处理

(1)开闭运算去噪

由于开运算可以去除比结构元素更小的明亮细节,对于平滑轮廓、清除狭窄的延长部分以及断开薄弱的连接是非常有用的处理方法。闭运算可以去除比结构元素更小的暗色细节,对于连续狭窄的区域、填充小的缝隙或者孔隙是非常有用的处理方法。所以将二者组合在一起可以用来平滑图像并去除或减弱亮区和暗区的各类噪声,改善图像的质量。

一般而言,灰度值较高的图像针对亮细节较多的特点应采用先开后闭的方式,反之亦然。由于实验区遥感图像依据所绘制的直方图可以看出灰度值偏高,故采用先开后闭的方式。在充分分析道路的几何特征基础上,采用3×3正方形结构元素如下其中*代表结构元素的原点,下文同。形态开闭去噪结果(如图7)。

图6 阈值化图像

图7 开闭运算去噪后图像

(2)方向滤波

形态开闭运算后,由于受绿化带、阴影等影响,道路中间存在空洞,实验中选择上述正方形结构元素进行相同次数的膨胀和腐蚀运算将空洞填好。因为去噪和填补空洞都使用的是单一的结构元素,所以无法顾及遥感图像中不同方向上的道路信息。多结构元素形态滤波能在滤除噪声的同时,很好的保护图像中道路信息。本文考虑道路的几何特征具有一定的方向性。使用了不同方向特征(0°,45°,90°,135°)的复合结构元素的形态滤波。其结构元素如下45°、90°、135 °的旋转形式和为剔除更多单点噪声 ,加入十字形结构元素实验证明,采用多结构元素删除经过其方向上的噪声图斑时,接连几次膨胀后,利用相同的结构元素加上相同次数的腐蚀,才可以得到期望的效果(如图8)。

图8 方向滤波后图像

(3)后期处理

经过方向滤波处理后,从图8中可以看出只剩下少数较大的孤立图斑,局部道路有断开现象。再次使用形态学运算进行后期滤波处理,使用下述5×5的水平和垂直方向的结构元素和十字形结构元素进行多次膨胀和腐蚀运算,直到孤立的点被有效去除为止,然而道路却没有完全连接。鉴于此,在实验中还使用3×3正方形结构元素(同上)进行了一次腐蚀膨胀运算,将断开的道路连接上,最终得到的道路提取结果如图9。采用的5×5结构元素如下