基于脊波变换的生态景观线特征提取模型仿真
2021-11-17洪堂安
洪堂安,杨 斌
(南昌航空大学,江西 南昌 330063)
1 引言
随着社会的不断发展,人们在对城市生态环境进行改造以及适应的过程中,建立起“自然-经济-社会”复合生态系统[1]。城市生态景观可通过物质、能量代谢以及生物化学循环等过程来实现,将其进行结合,形成具有特定结构、功能以及服务的生态环境。
目前,城市化的快速发展使城市生态景观随之发生了巨大变化,伴随着计算机技术和图像处理技术的迅速发展,快速高效地获取城市生态景观的局部特征,对后续的城市生态景观的设计与构建具有重要意义。鉴于生态景观局部特征提取的重要性,因此,准确高效地获取生态景观局部特征,渐渐成为了目前研究的热点内容[2]。
王旭[3]等人提出基于矩阵非负分解的图像特征提取方法。该方法首先将匹配追踪算法与Wigner-Ville分布相结合,获取时频分辨率较好的时频图像线特征参数;其次利用局部二值模式(LBP)算子对时频图像的灰度矩阵进行重新编码;最终通过非负矩阵分解算法取得时频图像对应的低维线特征参量以及对应的时频图像线特征,从而完成对生态景观的线特征提取。但该方法在提取生态景观特征时,难以有效对含噪信号进行抑制,导致线特征提取耗时较长。蔡道清[4]等人提出基于小波变换的特征提取方法。该方法首先构建Retinex光照模型,对生态景观原始图像进行裁剪和归一化处理;其次利用Haar小波基将处理后的图像进行多级分解,获取图像的高低频成分;最终利用阈值法对小波分解后高频系数进行更新,取得多尺度反射模型,将该模型进行重构,实现对特征的提取。然而该方法在对生态景观进行提取线特征时,难以保留具有直线或是超平面奇异性的信号,导致线特征提取均方差较大。白鑫[5]等人提出基于双极特征度量的特征提取方法。该方法首先将图像进行转换,形成HSV色彩空间,并将其进行分割,取得若干个非重叠子图像,对子图像的均值、标准差以及偏斜度进行计算,获取结果来表征CM;其次通过Euclidean距离对图像CM进行提取与度量,将取得结果形成图像集;最终提取每个目标的ART和EH特征,完成对生态景观的特征提取。但是该方法的特征提取准确度较低。
为了解决上述方法存在的问题,本研究提出基于脊波变换的生态景观特征提取方法。该方法采用脊波变换对生态景观图像数据进行处理,结合SIFT线特征提取方法,基于此完成对生态景观的线特征提取。
2 脊波变换
脊波变换(Ridgelet变换)的相关概念由美国Stanford大学的E.J.Candes和Doboho教授提出[6]。Ridgelet的前身是Wavelet,由于Wavelet同时具有时局域性、频局域性,便于表示瞬变信号,相对傅立叶分析来说有很大进步。因此,其在信号处理领域中被得到广泛应用。在将图像的零维度或者点状奇异性特征进行表示时,小波变换较为适用,当图像中边缘部分出现高维奇异性特征时,小波变换不足以进行表示。因此,以小波变换为基础,相关学者提出脊波(Ridgelet)变换。脊波变换能够有效地对图像边缘高维直线或者是超平面奇异性问题进行处理[7]。
2.1 连续脊波变换
当函数ψ满足于以下条件时
(1)
此时,函数ψ称为容许激励函数。以函数ψ为容许条件的脊波函数表示为
(2)
式中,尺度因子表示为a,相对位移表示为b,将u定义为u=(cosθ,sinθ),x定义为x=(x1,x2),此时,脊波函数表示为
(3)
式中,a>0;a,b,x1,x2∈R;θ∈[0,2π]。ψa,b,θ为R2→R2。因此,脊波函数处于直线x1cosθ+x2sinθ=c方向上是常数,而与该直线垂直方向上是小波函数。
连续脊波变换与Radon变换间有着密切的联系,将Radon变换进行定义:
(4)
此时,脊波变换可通过式(5)进行表示
(5)
式中,θ是常量,t是变量。脊波变换是沿着Radon变换切片方向上的一维小波变换。
由于Radon变换本身是沿直线L(u,t)进行变换的,即L(u,t)={x∈Rd|u·x=t,|u|=1},当d=2时,此时,u=(cosθ,sinθ),L(u,t)=L(θ,t)。对于直线型的奇异性来说,Radon变换处于某方向u上会与直线形的奇异性出现重合情况,脊波变换沿这个方向的直线进行积分,使直线形的奇异性进行转化,形成点状的奇异性,取得较好的直线奇异性效果[8]。
2.2 基于脊波变换的图像去噪
通常情况下,软阈值函数与硬阈值函数是最为常见的阈值处理方法。软阈值函数也称收缩函数,其具有连续性等特点,在数学等应用中便于处理。硬阈值函数与之相反,不具有连续性,但更接近于实际应用。当处于空间较大的范围内,以极小极大准则为依据,软阈值函数相对于硬阈值函数来说,更接近于理想值,经过硬阈值处理后的信号要比软阈值处理后取得的信号粗糙[9]。
然而,对于硬阈值方法来说,估计系数在阈值处不是连续的,将不连续的系数进行重构,取得的信号会出现振荡情况;对于软阈值方法来说,估计系数在阈值处连续性较好,但当估计系数大于阈值时,估计值会与实际系数出现偏差,影响到重构信号与真实信号的接近程度。为此,本研究提出软阈值折中法,对其进行定义
(6)