结合数学形态学与多角度模板匹配的高分辨率遥感图像救灾帐篷识别

叶　昕，秦其明，王　俊，王建华

(北京大学遥感与地理信息系统研究所，北京 100871)

Relief Tent Detection from High-resolution Remote Sensing Image Based on

Mathematical Morphology and Multi-angle Template Matching

YE Xin，QIN Qiming，WANG Jun，WANG Jianhua



结合数学形态学与多角度模板匹配的高分辨率遥感图像救灾帐篷识别

叶昕，秦其明，王俊，王建华

(北京大学遥感与地理信息系统研究所，北京 100871)

Relief Tent Detection from High-resolution Remote Sensing Image Based on

Mathematical Morphology and Multi-angle Template Matching

YE Xin，QIN Qiming，WANG Jun，WANG Jianhua

摘要：从灾后遥感图像中快速准确地识别救灾帐篷有利于灾后救援工作的高效开展。本文结合实际应用需求，在前人研究的基础上，提出了一种结合数学形态学与多角度模板匹配的高分辨率遥感图像救灾帐篷识别方法。首先从遥感图像中选择帐篷模板并从中提取形状特征与光谱特征；然后将各波段灰度图像二值化并进行数学形态学运算，参考帐篷的形状特征提取出候选目标；最后根据帐篷的光谱特征，将候选目标与帐篷模板进行多角度匹配，剔除匹配度较低的伪目标，完成救灾帐篷识别。试验结果表明，本方法的识别精度达90%以上，具有较高的应用价值。

关键词：遥感图像；救灾帐篷；数学形态学；模板匹配；目标识别

一、引言

重大自然灾害的发生，会导致严重的人员伤亡和经济损失，而遥感技术能够进行大面积同步观测，具有时效性强、信息客观真实、数据的综合性与可比性好等特点[1]。将遥感技术应用到救灾工作中，对于高效开展救灾工作十分有利。

灾民安置是救灾工作中的重要环节，从遥感图像中准确识别救灾帐篷，有利于宏观了解灾民安置情况，还可以指导救灾物资的合理分配，但目前相关研究较少。有学者采取目视解译的方法从高分辨率遥感图像识别帐篷目标[2-5]，尽管识别结果准确，但费时费力。文献[6]采用了4种计算机识别方法从IKONOS遥感图像中识别救灾帐篷，分别是监督分类、非监督分类、图像分割和数学形态学方法，这4种方法都取得了较高的识别精度。但利用监督/非监督分类方法进行帐篷识别时，还需要明确图像中的其他地类，在遥感图像背景地物过多时，该方法较为复杂，同时,基于像素的分类结果存在椒盐现象，需要进行后处理。图像分割方法的识别精度很大程度上依赖于分割效果，欠分割和过分割都将严重影响结果精度。对于形状规则、结构统一、光谱特征明显的帐篷目标，数学形态学方法较为适用。但仅利用该方法，对帐篷特征的分析不足，容易识别出伪目标。除了数学形态学方法之外，模板匹配方法同样适用于帐篷目标的识别。文献[7]首先从原始图像中选取帐篷模板，然后利用互相关匹配算法从图像中选择匹配度最高的区域，实现帐篷目标的识别，取得了良好的识别结果，但该研究是在全图范围内进行模板匹配，搜索区域大、时间效率低；同时，未考虑帐篷搭建的方向问题，仅能识别与模板方向一致的帐篷目标，通用性有待改进。

综上所述，本文在充分调研国内外研究现状的基础上，针对前人方法的不足，综合分析帐篷目标的多类特征，并考虑帐篷搭建的方向问题，提出了一种结合数学形态学与多角度模板匹配的高分辨率遥感图像救灾帐篷识别方法。

二、识别方法

本文提出的救灾帐篷识别方法流程如图1所示，主要分为3步：

1) 预处理：包括帐篷模板选择和单波段抽取两部分。首先选择帐篷模板，并从中提取出帐篷目标的形状特征和光谱特征；然后从原始图像中抽取出各波段灰度图像。

2) 候选目标提取：将各单波段图像分别进行自适应二值化，并对二值图像进行数学形态学运算，结合帐篷的形状特征，提取候选目标。

3) 帐篷识别：根据候选目标的位置和方向，将其与帐篷模板进行多角度匹配，剔除匹配度较低的伪目标，得到救灾帐篷识别结果。

完成上述3个步骤后，对识别结果进行精度评价，以验证本方法的准确性。

图1　救灾帐篷识别流程

1. 预处理

为了准确识别救灾帐篷，首先需要选择帐篷模板；同时，提取模板的光谱特征和形状特征作为后续目标提取步骤中的先验知识；然后，从原始遥感图像中抽取各单波段图像，并分别进行灰度拉伸，进一步增强目标与背景的差异。

2. 候选目标提取

(1) 自适应二值化

出于安全考虑，救灾帐篷的颜色以红、蓝、白色为主，因此在特定单波段遥感图像中，救灾帐篷的灰度值将显著高于其他地物，可以利用二值化算法将帐篷目标分割出来。由于成像条件的限制，灾后遥感图像中的部分区域可能会有薄雾的干扰，传统的全局二值化算法不适用。本文采用文献[8]提出的一种自适应局部二值化算法[8](下文简称DG算法)。

(2) 基于数学形态学的候选帐篷提取

利用数学形态学开运算对二值图像进行平滑，消除其中的散点和毛刺。平滑后的图像中剩余若干边界规整的对象，再根据帐篷目标的形状特征设定如下筛选条件，提取候选帐篷目标：

1) 矩形度α：α≥αT；

2) 面积S：Smin≤S≤Smax；

3) 最小外接矩形的长宽比r：

rmin≤r≤rmax

矩形度阈值αT，面积阈值 Smin、Smax和长宽比阈值rmin、rmax均由从帐篷模板中提取的形状特征确定。

3. 帐篷识别

步骤2)的提取结果中还存在一些伪目标，在原始遥感图像中主要表现为形状规则、亮度较高的斑块。可通过模板匹配算法，将匹配度小于阈值的虚假目标去除，得到最终救灾帐篷识别结果。

模板匹配算法的思路如下：待匹配区域I大小为W×H，模板T大小为w×h，匹配结果R是大小为(W-w+1)×(H-h+1)的矩阵。将模板滑过整个区域，用指定算法比较模板和待匹配范围中大小为w×h的重叠区域，将比较结果保存到R中[9]；最后从R中取出最大值，作为该范围内目标的匹配度，其对应的位置，即为该范围内的目标位置。匹配度算法采用相关系数法[10]。

考虑到待识别帐篷的搭设方向未知，可能与模板图像中帐篷目标的方向不一致，在进行模板匹配前需要调整角度。如图2所示，设待匹配候选目标的方向与水平线夹角为α，将其顺时针旋转角度α后进行一次模板匹配。考虑到帐篷为矩形结构，为了提高准确率，将其分别旋转α+90°、α+180°、α+270°后再进行3次匹配，取4次结果的最大值作为该候选目标的最终匹配度D。

最后，设置匹配度阈值DT，剔除所有匹配度D≤DT的伪目标，得到帐篷识别结果。

图2　帐篷搭设示意图

三、试验与结果

1. 数据源

本文选用云南大理洱源县5.5级地震后的光学航空遥感图像。成像时间为2013年3月4日，空间分辨率为0.18m，遥感图像包含R、G、B3个波段，大小为5616像素×3744像素。试验遥感图像如图3所示。

图3　试验遥感图像

救灾帐篷集中分布在图4的4个区域，遥感图像中其他区域也零散分布了少量救灾帐篷。其中，图4(a)和图4(d)区域在成像时受到雾气的干扰，图像较为模糊。下面本文将以图4(a)区域为例介绍帐篷识别方法流程。

图4　救灾帐篷主要分布区域

2. 救灾帐篷识别

首先从原始遥感图像中选择帐篷模板，然后采用DG算法将原始图像的各波段二值化。为了证明DG算法的有效性，以蓝波段为例，将其与经典的Otsu算法进行对比，试验结果见图5。

图5　二值化试验结果对比

从图5可以看出，DG算法能够更好地削弱薄雾的干扰，突出帐篷目标。然后，构建5×5大小的矩形结构元素，对二值图像进行数学形态学开运算，结果见图6，从图6中可以看出，背景噪声已被基本去除，能够较完整地突出帐篷目标。

图6　候选帐篷目标提取

经过筛选得到的候选帐篷目标如图7(b)所示，从中可以看出，除了正确的帐篷目标之外，还存在一处被错误识别的目标。最后，利用模板匹配算法筛除错误识别的救灾帐篷目标，最终识别结果见图7(a)，错误识别目标已被剔除，识别结果准确。其他区域的识别结果见图7(c)、图7(d)。

图7　救灾帐篷识别结果

3. 精度评价

通过目视解译可知，试验图像中共有救灾帐篷104顶，本文方法共识别出99顶，其中正确识别结果94顶，不同子区域内帐篷识别的精度评价结果见表1。

从表1可以看出，本文方法的总体完整率为90.38%，正确率为94.95%，识别精度较高。无论是在成像效果较好的区域b、c，还是在受雾气影响的区域a、d，本方法都取得了良好的识别结果。除了上述4个集中分布的区域外，其他零散分布的帐篷目标识别结果不佳。经过分析，是由于遥感图像中的背景噪声及其他地物的干扰所致。

表1　精度评价

四、结束语

针对重大自然灾害发生后灾民临时安置点的监测评估，救灾物资的合理分配等实际应用需求，结合救灾帐篷在高分辨率遥感图像上的多种特征，本文提出了一种结合数学形态学与多角度模板匹配的高分辨率遥感图像救灾帐篷识别方法。试验结果表明，本文方法的识别完整率为90.38%，识别正确率为94.95%，能够准确识别出遥感图像中的救灾帐篷目标。在识别过程中，本文还考虑了遥感图像成像条件的限制，采用自适应阈值分割算法，有效削弱了薄雾的干扰；同时，试验结果还表明，其他区域内零星分布的帐篷识别精度较低。如何进一步减少噪声及其他地物的干扰，提高识别方法的鲁棒性，有待进一步研究。

参考文献：

[1]梅安新, 彭望禄, 秦其明, 等. 遥感导论[M]. 北京: 高等教育出版社, 2001.

[2]温奇, 陈世荣, 和海霞, 等. 无人机遥感在云南盈江地震中的应用[J]. 自然灾害学报, 2012, 21(6): 65-71.

[3]刘三超, 范一大, 高懋芳. 遥感数据在自然灾害救助中的应用[J]. 航天器工程, 2012, 21(6): 136-141.

[4]BJORGO E. Using Very High Spatial Resolution Multispectral Satellite Sensor Imagery to Monitor Refugee Camps[J]. International Journal of Remote Sensing, 2000, 21(3): 611-616.

[5]BJORGO E. Refugee Camp Mapping Using Very High Spatial Resolution Satellite Sensor Images[J]. Geocarto International, 2000, 15(2): 79-88.

[6]GIADA S, DE GROEVE T, EHRLICH D, et al. Information Extraction from Very High Resolution Satellite Imagery over Lukole Refugee Camp, Tanzania[J]. International Journal of Remote Sensing, 2003, 24(22): 4251-4266.

[7]ALHARTHY A, KOSHAK N. Automatic Extraction of Tents During Hajj from Airborne Images to Support Land Use Optimization[J]. Automation in Construction, 2007, 16(1): 107-111.

[8]BRADLEY D, ROTH G. Adaptive Thresholding Using the Integral Image[J]. Journal of Graphics,Gpu, and Game Tools, 2007, 12(2): 13-21.

[9]刘瑞祯, 于仕琪. OpenCV教程基础篇[M]. 北京: 北京航空航天大学出版社, 2007.

[10]BROWN L G. A Survey of Image Registration Techniques[J]. ACM Computing Surveys (CSUR), 1992, 24(4): 325-376.

引文格式：叶昕，秦其明，王俊，等. 结合数学形态学与多角度模板匹配的高分辨率遥感图像救灾帐篷识别[J].测绘通报，2015(1)：86-89.DOI:10.13474/j.cnki.11-2246.2015.0017

通信作者：秦其明。E-mail：qmqinpku@163.com

作者简介：叶昕(1992—)，男，博士生，主要研究方向为遥感图像信息提取。E-mail：lanlang524@126.com

基金项目：国家863计划(2012AA121305)

收稿日期：2014-02-24

中图分类号：P237

文献标识码：B

文章编号：0494-0911(2015)01-0086-04