一种卫星遥感影像村庄区域提取算法

路志英， 李笑冬

(天津大学 电气与自动化工程学院，天津 300072)

一种卫星遥感影像村庄区域提取算法

路志英， 李笑冬

(天津大学 电气与自动化工程学院，天津 300072)

卫星遥感影像提取村庄区域在地理和气象领域均有十分重要的意义。针对卫星遥感影像的特点，提出了一种村庄区域提取方法。利用改进的去雾算法对卫星遥感影像进行预处理，通过遥感卫星影像的颜色特征实现分割，结合村庄区域分布特点进行去噪处理，实现卫星遥感影像村庄区域的提取。实验结果表明：该算法能够对卫星遥感图像中不同类型村庄区域进行提取，且提取准确率高，可以应用于地理以及气象等领域。

提取； 去雾； 分割； 去噪

0 引 言

中国气候类型多样,但稳定性较差，干旱、冰雹等自然灾害时有发生，对区域经济的发展产生很大影响。为了降低自然灾害的影响，人工影响天气被越来越多地应用于生产和生活中[1]。为了保证作业的安全，就需要在卫星遥感影像上准确提取村庄区域的位置，使作业区域远离村庄所在的位置，提高人工影响天气作业的安全性。

传统的村庄提取算法主要针对的是合成孔径雷达(synthetic aperture radar,SAR)图像[2,3]，SAR图像为灰度图像，在实际应用过程中有一定的局限性；另一方面，SAR图像噪声点较多，提取准确性受到较大影响。

本文结合村庄区域的颜色、位置和面积特征提出了一种卫星遥感影像村庄区域提取算法，实验结果表明：该算法能够提取不同形状特点的卫星遥感影像中的村庄区域，在速度和准确率方面均有优势，可以推广到气象及其它领域。

1 提取过程

首先，获取卫星遥感影像，利用改进的去雾算法对原始图像进行预处理，获得清晰的卫星遥感影像；然后，利用基于颜色特征的最大熵阈值分割法对遥感图像进行分割，得到村庄区域的位置；最后，通过村庄区域的面积及位置特征排除噪声干扰，准确提取出村庄区域的位置。村庄区域的提取过程如图1所示。

图1 村庄区域提取过程示意图

2 图像预处理

由于空气中存在雾霾等细小颗粒，这些颗粒物的遮挡造成了遥感图像不清晰[4]。为了消除这种影响，提高识别的准确度。就需要对遥感图像进行预处理。和传统的图像增强算法[5]相比，He算法有更好的适应性。本节对He[6]提出的去雾算法进行改进，用改进的去雾算法对遥感图像K进行去雾预处理。具体实现过程如下：

对于任意一个输入图像 ，暗通道的数学描述式

(1)

式中 Jc为彩色图像的每个颜色通道;Ω(x)为以像素x为中心的一个窗口。

对大量户外无雾图片进行分析和统计，结果表明这些图像的暗通道值接近0，即式(1)Jdark(x)=0。

在计算机视觉和计算机图形中，公式(2)所描述的雾图形成模型[7]被广泛使用

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

(2)

式中 I(x)为现有的待去雾图像;J(x)为恢复后的无雾的图像;A为全球大气光成分;t(x)为透射率。

2.1 全球大气光成分A的获取

假定每个窗口内透射率t(x)为常数，全球大气光A值可以借助暗通道图从有雾图像中获取，具体步骤如下：1)按照亮度的大小从暗通道图中取前0.1 %的像素；2)在原始有雾图像I中，He算法寻找满足条件步骤(1)像素点中亮度最高的点的值作为A值，这样做可能会使A值接近255，使复原图像颜色过深，出现失真。为了解决这个问题，本文选取了符合条件的所有点的平均值作为A的值，这样就避免了失真的出现。

2.2 透射率t(x)的获取

A值确定后，对式(2)进行整理可得式(3)

(3)

式中 Ic为有雾图像的每个颜色通道;Ac为不同颜色通道的A值;Jc为无雾图像的每个颜色通道。

由式(1)和式(3)推导可得

(4)

根据式(4)即可获得透射率t(x)的预估值。

综上，最终的恢复公式如下

(5)

通过待去雾图像I求得的透射率t和估算的全球大气光值A，根据式(5)完成无雾图像J的复原。

图2为He算法和和本文算法处理结果，实验表明：改进后的算法能避免失真的出现，去雾效果更自然。

图2 去雾前后图像对比

3 村庄区域分割

考虑到遥感图像中村庄区域的颜色以及形状特点，本文提出了一种基于颜色信息[8]的最大熵分割方法,在最大熵[9]分割的基础上充分利用遥感图像的颜色特征，对村庄区域与非村庄区域进行分割，取得良好的分割效果。

3.1 特征颜色的选择

为了实现村庄区域分割，首先要进行特征颜色的选择，具体实现过程如下：

1)分别取遥感图像RGB三种颜色分量形成三幅与遥感图像大小相同的灰度图像。

2)分别计算三幅灰度图像的方差，式(6)为方差的计算公式

(6)

式中 μ为式整幅图像灰度的均值，pi为图像灰度值为i的像素点的概率。

3)通过比较保留方差最大的灰度图像，与其对应的颜色便为该卫星遥感影像的特征色。

3.2 基于特征颜色的最大熵分割

对特征颜色对应的灰度图像进行最大熵阈值分割，分割过程如下：

假设一幅图像有L个灰度级，其中灰度级为i的像素有Ni个，图像像素点总数为N，则灰度级i的概率为

(7)

设图像目标区域为A，图像背景区域为B，则两部分的熵为

(8)

(9)

(10)

最大熵分割法的最佳阈值公式为

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

(11)

利用所求最佳分割阈值将灰度图像分割成二值图像。

图3是最大熵阈值分割和本文算法的处理结果。其中白色区域为村庄区域，黑色区域为非村庄区域。实验表明：改进的分割算法能取得更好的分割效果，更接近村庄区域的真实位置。

图3 分割前后图像对比

4 去 噪

分割后的图像普遍存在孤立的噪声点。为了有效去除这些噪声点，本文提出了一种改进的二值开运算的方法来去除噪声。开运算就是利用模板对图像先腐蚀后膨胀的过程，它能够消除小的噪声点，平滑较大物不会完全孤立存在。二值开运算的方法能起到去除噪声点的作用，但去除不彻底，去噪后的图像依旧有噪声点残留，这就影响了识别算法的准确性。为了提高识别的准确性，将噪声点去除完全，本文提出了一种改进的二值开运算去噪算法。其设计思路如下：对于进行过腐蚀操作的二值图像，判断图像上零散白色小面积区域的位置。若该区域距离其它白色区域较远，认为它是噪声；若该区域距离较大面积的白色区域比较近的时候，予以保留。最后对图像进行膨胀操作。改进的去噪算法的具体实现过程如下：

第一步：读取阈值分割后形成的二值图像。

第二步：对图像进行腐蚀操作。

第三步：判断图像噪声。

1)根据处理图片的尺寸选择合适大小的正方形框按照一定的步长对腐蚀后的图像进行扫描，扫描的同时统计正方形框区域内白色像素点(非安全区域)的个数N。

2)N和第一阈值δ1比较：

a.若N>δ1(白色像素点个数大于第一阈值)，说明该区域内非安全区域面积较大，则跳转到下一区域继续扫描。

b.如果N<δ1(白色像素点个数小于第一阈值)，则将该正方形区域再次等分成几个区域，依次扫描这几个区域内白色像素点的个数，并与第二阈值δ2进行比较：

如果再次小于第二阈值，即N<δ1<δ2，说明该区域不仅远离大面积白色区域，而且该区域自身面积也比较小，因此将该区域置黑；

若大于第二阈值，即δ2

第四步:对整幅图像进行膨胀操作。

改进去噪算法完成。

图4是开运算去噪和改进去噪算法的处理结果，实验结果表明：改进去噪算法充分考虑村庄区域的位置和面积特征，噪声点剔除彻底，获得的村庄区域与实际情况更相符。

图4 去噪效果对比

5 实验结果

将特征色对应的灰度图像的识别结果进行简单处理，获取所有白色(村庄区域)的外部轮廓并将其叠加到原始卫星遥感影像上面，图5是原始图像和本文提取算法结果的对比。

图5 原始图像和最终提取结果对比

判断提取结果是否准确主要有2个标准：

1)村庄区域是否全部识别。如果存在村庄区域未被识别，会对人工影响天气作业安全性产生很大影响，这是不被允许的。

2)村庄区域识别的错误率。如果存在非村庄区域被识别为村庄区域，统计识别错误的村庄的个数和面积。对卫星遥感影像来说，错误识别的村庄个数和面积不能超过村庄实际区域面积的10 %。

为与本文算法进行比较，利用村庄区域提取中常用的基于灰度共生矩阵[11]的方法和本文算法进行比较，结果如表1所示。

表1 提取算法比较

表1显示，本文算法在准确率和处理时间上都具有优势，能够满足准确率和处理速度的双重要求。

6 结束语

本文结合村庄区域的颜色、位置和面积特征提出了一种卫星遥感影像村庄区域提取算法。获取卫星遥感影像，利用改进的去雾算法对原始图像进行预处理，获得清晰的卫星遥感影像；利用基于颜色特征的最大熵阈值分割法对遥感图像进行分割，得到村庄区域的位置；通过村庄区域的面积及位置特征排除噪声干扰，准确提取出村庄区域的位置。实验结果表明：本文提出的算法能够在不同的卫星遥感影像中准确提取村庄区域的位置，提取速度和准确率能够满足要求，可以广泛应用于人工影响天气以及其他领域中。有很强的现实意义。

后期需要对分割算法进行改进，进一步减少噪声点的数量，从而获得更好的提取效果。

[1] 杨 凡,孙 琪,孟繁辉,等.安全射界图技术在人工影响天气指挥系统中的应用[J].气象科技,2014,42(3):511-515.

[2] 魏 丹,赵新强.一种高分辨率SAR图像河流边界自动提取方法[J].计算机应用与软件,2015,32(11):213-216.

[3] 郑 扬,俞能海.基于共生矩阵的SAR图像村庄识别方法[J].计算机仿真,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] 付争方,朱 虹.基于模糊理论的低照度彩色图像增强算法[J].传感器与微系统,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.图像去雾方法和评价及其应用研究[D].长沙：中南大学,2012.

[8] 宋 伟,王玉平,张文杰,等.基于颜色与运动特征的变电站实时烟雾检测[J].传感器与微系统,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,主要从事模式识别与智能系统的研究工作。

李笑冬(1990-)，男，通讯作者，硕士，主要研究方向为模式识别与智能系统，E—mail：lxd1990tju@163.com。