基于语义的图像低层可视特征提取及应用

韩冬梅，王 雯，李博斐

基于语义的图像低层可视特征提取及应用

韩冬梅1,2，王 雯1，李博斐1

(1. 上海财经大学信息管理与工程学院，上海 200433；2. 上海市金融信息技术研究重点实验室，上海 200433)

为实现图像低层可视特征提取及其智能语义推理，从遥感图像解译入手，结合灰度共生矩阵和模糊C均值分类器提取图像纹理特征。构造基于灰度形态学的多尺度多结构元素边缘检测算子，提取特征知识。构建基于断层带的多源地学数据语义推理模型。以成都附近的断层为研究对象，进行语义推理验证，其解译结果与专家实地解译情况相符，初步验证该模型的可行性，使图像的机器分析结果更加贴近专业人员的目视解译，为地学研究数字化和遥感图像解译信息化提供参考。

语义网；纹理特征；边缘特征；语义推理；灰度共生矩阵；多源地学数据

1 概述

随着语义网与地质学研究的深入，具有地理特征指向性的遥感图像分析日趋完善。然而，现有的图像分析大多存在对研究结果的主观依赖性，如何实现遥感图像特征与地理构造语义的自动匹配就成为一个研究难点。

关于遥感图像低层可视特征提取方面的研究，目前大多数是基于纹理特征的图像特征分析。纹理特征是对图像灰度分布函数的统计[1]。多种用以测量纹理的特征分析算法被陆续提出，大体可分为统计分析、结构分析、模型分析、变换分析方法4类[2]。其中，结构分析方法的应用比较有限，只适用于对一些常规的纹理进行分析；统计分析方法有灰度共生矩阵[3]、游程长度矩阵[4]；模型分析方法有自相关[5]、马尔可夫随机场模型[6]、分形[7]。变换分析方法有小波变换法[8]、滤波变换分析[9]等。其中，应用最为广泛、处理效果较好的是灰度共生矩阵算法。

遥感图像边缘特征提取方面，常用的边缘检测算法可以做如下分类：基于微分或者二阶微分计算的传统算子[10]，这类算子在处理时往往要和一定的图像去噪工作结合使用；基于滤波算法的新兴算子，如Hough变换和小波变换，这类算法的效果虽然有很大提高，但是算法的构造和处理过程非常复杂，实用性和实时性较差[11]。交叉学科知识构造的创新型算法，将原本未使用在图像分析领域中的其他学科的模型或者建模思想引入到边缘检测中，其中最具代表性的当属基于数学形态学的边缘检测算法[11]。

遥感图像特征的提取离不开语义的解释[12]。文献[13]针对图像目标与特征集之间难以对应的问题，提出一种基于概率潜在语义分析的层次化目标表述方法。文献[14]提出了一种基于知识推理的遥感图像目标识别框架和遥感地物目标通用知识库设计方案；文献[15]结合了低层特征和高层语义，提出了基于语义图例的查询方式QBSE。

本文将灰度共生矩阵和模糊C均值分类器结合，提出一种基于语义的图像低层可视特征提取模型。

2 基于语义的图像低层可视特征提取模型构建

2.1 图像纹理特征提取算法

2.1.1 灰度共生矩阵算法

灰度共生矩阵是将图像的像素根据其灰度转化成数字构成的矩阵，矩阵通过其构成的向量能够进行方向、临近向量关系和灰度变化梯度的计算。为了对纹理这一类特征进行细化并定性，灰度共生矩阵的计算结果被归纳为一系列特征，据此来标记和描绘纹理特征。本文受到图像分辨率和计算量的限制，分析过程中主要使用以下5个特征值进行纹理提取和分析。

(1)纹理能量：

(2)纹理对比度：

(3)纹理相关性：

(4)纹理熵：

(5)纹理逆差矩：

其中：

为了保证处理的效果，在构建灰度共生矩阵的同时，首先对矩阵内的像素灰度进行如下归一化操作：

2.1.2 模糊C均值分类器

在遥感图像分析中，遥感信息的不确定性和图像像元的混合性使得部分像元很难准确进行分类。另外，遥感数据当中很大一部分的数据形态和属性具有中介性，没有确切的边界来区分它们。基于上述问题，本文引入模糊集理论进行地物划分，模糊C均值聚类是一种包含模糊集理论和K-均值聚类的模糊聚类分析法。

该算法描述如下：

矩阵中每一列的元素都表明其对应的像元隶属于个类别中各类的隶属度。并且满足如下约束条件：

目标函数：

为Euclidean距离。

2.2 基于灰度形态学的多尺度多结构元素边缘检测算法

由于遥感图像噪声的不可预测性和边缘的多样性，单一的结构元素不能很好地提取复杂图像的边缘特征，多结构元素的检测算法能够尽可能多地覆盖图像中的边缘，检测出不同方向的边缘特征。同时，由于低尺度的结构元素容易受到噪声的影响，高尺度的结构元素可以去噪但会损失大量的细节信息。因此，采用多尺度的结构元素就能满足两方面的要求，最大限度地保留图像边缘细节信息。本研究引入的多尺度多结构形态边缘检测算子表达式如下：

8个不同方向的结构元素如下：

2.3 遥感图像可视特征的语义应用研究

2.3.1 研究对象特征总览

主要研究对象为汶川地震区北西向断裂带附近构造，这一区域内的地貌特点总体可以归纳为以下方面：龙门山断裂带由5条主干断裂组成，包括龙门山后山断裂、龙门山主中央断裂、龙门山山前主边界断裂、龙门山山前隐伏断裂和平武-青川-勉县断裂。汶川地震区5条北西向断裂构造带呈50 km~60 km等间距平行排列，控制着北东向的龙门山断裂带的分段及其活动强度，如图1所示。断裂及其专家判读结果如表1所示。

图1 龙门山断层带构造图

表1 断裂编号与专家判读结果

2.3.2 断层带语义数据模型

基于图像分析的语义研究的认知模型如图2所示。

图2 遥感图像的地学特征认知模型

本文从遥感图像分析和断层带专家目视辨别标志2个方面出发，分2个层次构建模型：第1个层次是基于局部断层的图像分析，分为图像特征纹理和图像边缘特征的单元语义网络，这一层次主要在于通过技术手段对断层周边地物特征进行提取和归纳；第2个层次是基于第1层次的分析结果，同时结合专家观点与实地考查数据对整个断层带进行判别，目的在于通过多源数据的融合和归纳抽象出辨别该条断层带的语义规则。根据上述单元语义网络模型构建断层语义网络模型，如图3所示。

图3 断层语义数据模型

2.4 实现过程与结论

在纹理特征分析中使用遥感图像纹理的能量、熵、对比度、相关性和逆差矩作为联合特征向量，特征空间维度为=5，在这些参数构成的模式空间中进行分析。终止误差设为0.001，LOOP为50。加权指数=2.5。而后，基于SQL Server和 ArcGIS Server构建多源地学数据库，并储存遥感图像纹理和边缘提取信息，构造该多源地学本体的成都府地区的地学数据包括：断层数据，重力异常数据，航磁异常数据，DEM高程数据。为了更直观地体现模型性能，选取雅安地震区附近断层(29°E~31°E，102°N~104°N范围内)进行具体研究，通过本文建立的语义网络推理模型并结合多源地学数据库，实验结果如图4所示。

图4 雅安地震区附近断层带推理结果

在图4中标注的①②③3处，可以明显发现水系受断层控制发生肘状弯曲。而标注④⑤两处，山体被错断，断层三角面清楚，两侧地貌差异明显。靠近图片下半部分的断层，其周围分布着一系列小山头，这些小山头由坚硬的岩层所组成的破碎带，并且沿着断层两侧地貌明显不对称。

图5(a)为纹理分类图层与地学数据叠加得到的结果，根据纹理可以将图像特征分为3类——水体、山体凸出面和山体沟壑面。从图5(a)中可以看出①②断层位置明显和山体沟壑分布一致，而③断层却是潜藏在地表特征之下的，必须依靠其他数据进行推理。对于图5(b)中的边缘特征提取结果来说，在本文中这一边缘提取结果能较好地提取出水系边缘，可以明显地发现在断裂附近水系出现了扭曲甚至折断。

图5 纹理特征和边缘特征推理效果

3 结束语

本文所提出的基于语义的图像低层可视特征的提取模型解译结果与专家实地解译情况相符，初步验证了该模型的可行性，从而为以后的地学研究数字化和遥感图像解译信息化提供了一定的参考。然而，由于此次所选数据均为雅安地震发生之前的原有数据，因此如果进一步根据结果研究雅安地震成因，还需分析地震后的数据，对两者进行比较才能达到效果，期待进一步的完善。

[1] Zueker W. Structure in Co-occurrence Matrices for Texture Analysis[J]. Computer Graphics and Image Processing, 1980, 12(3): 286-308.

[2] Bharati M H, MacGregor J F. Image Texture Analysis: Methods and Comparisons[J]. Chemometrics and Intelligent Laboratory Systems, 2004, 72(1): 57-71.

[3] Raheja J L, Kumar S, Chaudhary A. Fabric Defect Detection Based on GLCM And Gabor Filter: A Comparison[J]. International Journal for Light and Electron Optics, 2013, 124(23): 6469-6474.

[4] Galloway M M. Texture Analysis Using Gray Level Run Lengths[J]. Computer Graphics and Image Process, 1975, 4: 172-179.

[5] Sarkar A, Sharma K, Sonak R. A New Approach for Subset 2-D AR Model Identification for Describing Textures[J]. IEEE Transactions on Image Process, 1997, 6(3): 407-413.

[6] Noda H, Shirazi M N, Kawaguchi E. MRF-based Texture Segmentation Using Wavelet Decomposed Images[J]. Pattern Recognition, 2002, 35(4): 771-782.

[7] Backes A R, Casanova D, Bruno O M. Color Texture Analysis Based on Fractal Descriptors[J]. Pattern Recognition, 2012, 45(5): 1984-1992.

[8] Gai Shan, Yang Guowei, Zhang Sheng. Multiscale Texture Classification Using Reduced Quaternion Wavelet Transform[J]. International Journal of Electronics and Communications, 2013, 67(3): 233-241.

[9] 李龙燕, 胡福乔. 基于Gabor小波滤波器的遥感图像多频道纹理分析[J]. 计算机工程, 2003, 29(20): 127-129.

[10] 阮秋琦. 数字图像处理学[M]. 北京: 电子工业出版社, 2001.

[11] 龚 炜, 石青云, 程明德. 数字空间中的数学形态学——理论及应用[M]. 北京: 科学出版社, 1997.

[12] Sowmya A, Trinder J. Modelling and Representation Issues in Automated Feature Extraction from Aerial and Satellite Images[J]. Journal of Photogrammetry and Remote Sensing, 2000, 55(1): 34-47.

[13] 周 晖. 高分辨率遥感图像的层次化分析方法[M]. 长沙:国防科学技术大学, 2009.

[14] 陈韶斌. 基于知识推理和视觉机理的遥感图像目标识别方法研究[M]. 武汉: 华中科技大学, 2010.

[15] Rasiwasia N, Moreno P J, Vasconcelos N. Bridging the Gap: Query by Semantic Example[J]. IEEE Transactions on Multimedia, 2007, 9(5): 923-938.

编辑 顾逸斐

Extraction and Application of Image Low-level Visual Features Based on Semantics

HAN Dong-mei1,2, WANG Wen1, LI Bo-fei1

(1. School of Information Management and Engineering, Shanghai University of Finance and Economics, Shanghai 200433, China; 2. Shanghai Key Laboratory of Financial Information Technology, Shanghai 200433, China)

In order to realize extraction of image low-level visual features and semantic reasoning, this paper starts from remote sensing image explanations, combines Gray Level Co-occurrence Matrix(GLCM) and Fuzzy C-Means(FCM) classifier to extract texture feature, then detects edge by multi-scale and multi-structuring elements based on grayscale morphology, finally constructs multi-sources geological data based on the fault zone and uses the Chengdu parcels to test and verify the model. The results completely coincide with the expert’s field studies, which demonstrates the feasibility of this model, makes the results of machine analysis closer to results of visual interpretation, and provides valuable preferences fordigitalization of the earth science study and informationization of image interpretation.

semantic Web; texture feature; edge feature; semantic reasoning; Gray Level Co-occurrence Matrix(GLCM); multi-source geosciences data

1000-3428(2014)03-0244-05

A

TP391.41

国家自然科学基金资助项目“基于语义网的多源地学空间数据融合与挖掘研究”(41174007)。

韩冬梅(1961－)，女，教授、博士生导师，主研方向：图像特征提取，数据挖掘，语义网；王 雯，博士研究生；李博斐，硕士研究生。

2013-09-09

2013-11-21 E-mail：wangwen_1010@163.com

10.3969/j.issn.1000-3428.2014.03.051