基于非下采样Contourlet的遥感图像道路增强与提取_冯颖涛.docx

《基于非下采样Contourlet的遥感图像道路增强与提取_冯颖涛.docx》由会员分享，可在线阅读，更多相关《基于非下采样Contourlet的遥感图像道路增强与提取_冯颖涛.docx（68页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 近年来，由于小波分析对点状奇异性的目标函数具有最优非线性逼近特性， 因而被广泛的应用到信号处理中，但是在高维情况下，小波分析不能充分利用数 据本身所特有的几何特征，并不是 最优的或者说 “ 最稀疏 ” 的函数表示方法，因 此不能很好的挖掘图像中的方向边缘信息。为了解决这一问题，多尺度几何分析 (MGA)的思想应运而生，它致力于构建最优逼近意义下的高维函数表示方法。非 下采样 Contourlet(NSCT)作为一种多尺度几何分析工具，其具有多尺度、多方向、 平移不变等性能， NSCT 系数能比小波系数更精确的表示目标，在图像去噪、融合、 增强等应用上取得了较好的效果。此外， NSCT 是一种

2、固定框架变换，尺度和方向 参数的调整比较方便，因此具有较好的适用性。 本文对 NSCT 理论进行了讨论，提出 了基于非下采样的图像道路提取和增强 算法，并将多种算法集成在系统中。 (1) 提出了一种基于 NSCT 变换的遥感图像道路提取方法。首先对 NSCT 的特 性以及NSCT 变换后道路的系数进行分析，利用道路的明显特征，对 NSCT 分解 后的系数进行特征提取，并对特征矩阵进行 FCM(FuzzyC-means)聚类，在对特征 聚类的结果进行非极大值抑制，得到道路提取的初步结果，再经过道路的去伪、 连接等后处理操作，得到最终的道路提取结果。 (2) 提出了一种基于 NSCT 变换的遥感图

3、像道路增强方法。利用形态学在 NSCT 变换域对道路进行方向增强，在增强道路的同时，能够较好的保持道路原有 的宽度，利于后续的道路提取工作。 (3) 实现了基于 NSCT 的遥感图像道路增强和提取的软件系统。本系统主要集 成了遥感图像的道路增强、道路自动提取、交互式修正等功能，可初步用于实际 遥感图像的道路提取，另外本文还添加了道路的拼接功能，使本系统更具有通用 性。 本文工作得到了国家 863 计划 (NO.2007AA12Z223)和国家自然科学基金 (No.60702062、60505010)的支持。 关键词 ： 遥感图像 NSCT 道路增强道路提取方向性 ABSTRACT III AB

4、STRACT Due to its good non-linear approximation performance for piecewise smooth functions in one dimension, wavelet analysis is widely used in signal processing field over the last decade. Wavelet is the optimal base for functions with point-like singularity, and its coefficients are sparse. Unfort

5、unately, in high dimensional cases, wavelet analysis cannot take full advantages of the geometrical features that the data contained. It is not the optimal, or, the sparsest representation of the functions and easily damages anisotropic edges information in images. To solve this problem, the MGA (Mu

6、ltiscale Geometric Analysis) emerges as the times require, and its aim is to construct the most optimal representation for high dimensional functions. Nonsubsampled Contourlet Transform (NSCT) is a multiscale geometrical analysis tools, because NSCT coefficients are sparser but more accurate in line

7、ar target representation than wavelet coefficients, so NSCT is much effective in image denoising, fusion and enhancement. Therefore, the proposed algorithm is potential to achieve good performance either in segmentation accuracy or road localization. Moreover, NSCT has a fixed transform framework, w

8、hich is convenient in the adjustment of the parameters of scale and direction. In this dissertation, NSCT based methods were discussed, and a new road extraction and enhancement method based on NSCT in remote sensing images is proposed, and integrate a variety of algorithms in one system. (1) A new

9、road extraction method based on NSCT in remote sensing images is proposed, After the NSCT transform, feature extraction can be done and using FCM(Fuzzy C-means) clustering, followed by non-maxima suppression, preliminary results can be obtained, then after remove the false fragment and connect roads

10、, then the final results can be get. (2) A new method of road enhancement based on NSCT is proposed. Image to be processed is first decomposed using NSCT into different scales and different directions, then road enhancement can be done using morphology in NSCT domain. And this is favorable to the ro

11、ad extraction. (3) A road extraction system based on the methods above is completed, this system including road enhancement, road extraction in remote sensing images, modify in alternating, this system can be used in road extraction in real remote sensing images. The work was supported by National 8

12、63 Program (N .2007AA12Z223) and the IV 基于非下采样 Contourlet 的遥感图像道路增强与提取 National Natural Science Foundation (No.60702062,6.0505010) for their support. Key words: Remote sensing images NSCT Road enhancement extraction Directional Road V 目录 目录 麟 . I ABSTRACT . Ill S 录 . V 胃 一 t雜 . 1 1.1 研究背景与意义 . 1 1.2

13、 研究现状 . 2 1.3 本文主要工作及内容安排 . 3 第二章道路增强及提取理论 . 5 2.1 弓 It . 5 2.2 图像增强理论及现有技术 . 5 2.2.1 图像锐化及边缘检测 . 6 2.2.2 空域滤波 . 6 2.2.3 数学形态学法 . 8 2.2.4 基于小波的图像增强 . 8 2.3 道路提取理论及现有的道路提取方法 . 9 2.3.1 Snakes 模型方法 . 9 2.3.2 动态规划法 . 10 2.3.3 多尺度方法 . 10 2.4 性能评估 . 11 2.5 本章小结 . 13 第三章基于 NSCT 的遥感图像道路提取 . 15 3.1 弓 It . 15

14、 3.2 Nonsubsampled Contourlet . 15 3.3 本章道路提取方法 . 16 3.3.1 遥感图像道路处的系数分析 . 16 3.3.2 FCM 算法 . 18 3.3.3 类非极大值抑制 . 20 3.3.4 方向图的计算 . 21 3.3.5 后处理 . 23 VI _ 基于非下采样 Contourlet 的遥感图像道路增强与提取 _ 3.3.6 道路提取的具体步骤 . . . 27 3.4 实验结果与分析 . 29 3.5 本章小结 . 32 第四章基于 NSCT 的遥感图像道路増强 . 35 4.1 引言 . 35 4.2 形态学开、闭运算 . 35 4.3

15、 本章道路增强方法 . 36 4.4 实验结果与分析 . 38 4.5 本章小结 . 40 第五章系统的实现与功能 . 43 5.1 引言 . 43 5.2 系统实现 . 43 5.2.1 软件开发环境 . 43 5.2.2 硬件开发环境 . 43 5.2.3 功能及操作界面 . 43 5.3 本章小结 . 50 第六章总结与展望 . 51 6.1 总结 . 51 6.2 展望 . 51 . 53 参考文献 . 55 作者在读期间的研究成果 . 61 第一章绪论 1 第一章绪论 1.1 研究背景与意义 随着遥感技术、图像处理技术、传感器技术和计算机技术的不断发展，由于 航天飞机和各种大、中、小

16、卫星系统提供的空间遥感图像大量增加，它们的空间 分辨率、光谱分辨率和时间分辨率也不断提高。遥感图像已成为人类获取地球空 间信息的重要数据源。与传统的地理信息获取方式相比，用遥感技术获取信息具 有范围广、速度快、信息大等优点。如何从海量的图像数据中及时、准确地提取 所需信息并加以利用，是整个社会信息化过程中面临的主要问题，也是国际摄影 测量与遥感界关注的焦点之一。依靠传统的人工判读和识别，无法满足人们对遥 感图像信息日益扩大的需求。随着计算机性能的提高及图像理解技术的发展，利 用计算机 对遥感图像目标进行自动识别，已成为当前遥感信息处理的主要发展方 向。 中低分辨率遥感图像中，道路表现为具有灰度

17、一致性的线状特征，其灰度与 周围场景存在明显差异，因而，道路网通常表现为关系比较明确的线形网络结构。 在高分辨率下，道路表现为局部灰度近似、宽度变化缓慢的狭长区域。随着细节 逐渐丰富，图像场景越来越复杂，道路与周围环境的灰度差异变得不是很明显， 道路特征也复杂多变，而且路面存在噪声，如建筑物和树木的阴影，路面上的车 迹、汽车和绿化树木等。然而道路网是重要的基础地理信息之一，在城市规划、 地图更新、汽 车导航、目标识别等领域具有重要意义。航空、航天遥感技术的不 断完善，使得不同分辨率遥感图像的应用已成为现实。我们能够获取大量的遥感 图像数据，图像中存在丰富的道路网信息，如何从不同分辨率遥感图像中

18、提取道 路网，这不仅是遥感领域的难题，也是计算机图像理解研究的重点之一。 在图像处理、计算机视觉中，道路网络的提取是为了建立地理信息系统，或 为 GIS 数据更新、应用提供有利条件；另外，对于地图更新、图像匹配、目标提 取等也有重要意义。因此从遥感图像中提取人工目标成为近二十年来的重要研究 课题，特别是建筑物的提取和道路提取受到了相当的重视。城市地区的道路提取 尤其被与城市规划相关的应用，这些规划如交通流分析、模拟空气和噪声污染估 计、街道维护等。道路是军事上具有战略意义并且对国民经济具有重要意义的目 标，是非常重要的人工建筑物。遥感图像道路识别的研究，在军事上和民用上都 有重要的意义。 厂

19、2 基于非下采样 Ccmtourlet 的遥感图像道路增强与提取 1.2 研究现状 由于道路目标是图像中最明显、最普遍的特征，所以道路目标的研究非常丰 富 4。许多国家如德国、法国、英国、瑞士、奥地利、巴西、韩国、日本、澳大利 亚等都有相应的研究机构在开展道路目标的提取工作，国内如武汉大学、国防科 技大学、信息工程大学等也都在这个方面作了许多工作，取得了较大成绩。但其 中最为典型、取得成果最多的是德国的慕尼黑工业大学。 在德国科学基金 (DFG)的支持下，德国慕尼黑工业大学从二十世纪九十年代初 就开始了自动道路提取的研究 。一 开始，他们以航空和卫星遥感图像作为数据源， 将主要精力集中于自动提

20、取乡村道路上。 2000 年以后，该研究机构中 Hinz S.负责的小组在德国科 学基金 (DFG)的支持 下进行了航空城区道路提取的研究，改项目的持续时间是 2001 年 3 月到 2004 年 2 月，在基于上下文信息的车道提取方面取得了一定的成果。 从文献 25可知，基于遥感图像自动提取道路信息的研究，国外始于 20 世纪 70 年代，国内起步较晚，从 90 年代开始。从遥感图像上提取道路信息的研究，主 要经历了如下的发展历程：从半自动道路信息提取到自动道路信息提取；从低分 辨率遥感图像到中、高分辨率遥感图像道路信息提取；从乡村或森林地区的道路 信息提取，到郊区和城市地区道路信息的提取；

21、从简单的提取方法到 复杂的方法 ;从 单一的提取战略到混合的提取战略；从单一数据提取到多源数据融合提取；从单 一方法的提取到多种方法提取结果的融合提取；从单一尺度的提取到多尺度或多 分辨分析的提取；从基于像元的提取方法到基于特征或面向对象的提取方法。 在 30 多年的研究历程中，道路信息提取的方法很多，研究者根据不同的目的、 不同的可用信息以及不同的道路模型，其使用的道路提取方法也不相同，下面就 简要的对这些方法进行概述。 a.图像分辨率 图像分辨率对于道路及其它目标在图像中的表现形式至关重要。高分辨率图 像中许多可识别的细节在低分辨率图像中会变得模糊不清，有些甚至消失。如道 路边缘、车辆及道

22、路标志线等在分辨率为 0.2 米左右的图像中可以清楚地看得出 来，而当图像分辨率降低至 2米左右时，这些细节目标就很难看得到了。高分辨 率图像一方面提供了更多的细节特征，通过对这些特征的分析，可以更有利于道 路的提取；但另一方面，大量道路细节特征的存在将会增加道路提取算法的复杂 度，而且干扰也更多，例如车辆、树木、建筑物及其阴影都会对道路提取造成十 分严重的干扰等，因而就需要更复杂的算法抽象这些细节。在低分辨率图像上， 道路表 现为线结构，道路网的全局结构可以看得很清楚，道路可以简单地抽象为 线，许多小的扰动如树木、建筑物的阴影和车辆可以被避免，但由于低分辨率图 第一章绪论 3 像上细节信息较

23、少，道路也很容易和其它线状地物混淆。所以，髙、低分辨率图 像对于道路提取来说，各有利弊。但总的来说，由于在低分辨率图像上的道路提 取问题可以简化为线提取问题，所以它比高分辨率图像上的道路提取要相对简单。 b.场景类型 场景类型也是区分道路提取算法的一个重要途径。场景可以粗略分为两种类 型：农村和城市。在农村场景中，其它地物对道路的干扰较小，道路是曲线并且 蜿驅通过整个拓扑图，但是泥土路面与周围环境的对比度比较差，道路旁边的树 木也会遮盖掉一部分道路。在城市场景中，道路大多数平滑笔直，形成矩形格， 但道路密度很高，每一个道路段中都包含很细致的内部结构，并且道路被建筑物 及其阴影遮挡的情况也很严重

24、，因此，城市场景比农村场景的复杂度更高。 C.有无人工干涉 区分算法的另一个重要的途径是看该算法在处理过程中是否需要操作人员干 涉。需要操作人员提供交互信息来控制提取过程的称为半自动算法，给定初始的 点和方向，半自动方法可以将它们连接成一条最可能是道路的路径；给定种子点 可以大大减少搜索空间。半自动算法不需要解决寻找潜在道路点的问题，因此， 它们所做的仅仅能称为道路跟踪。不需要操作人员提供交互信息来控制提取过程 的称为自动算法。自动道路特征提取包括道路的自动定位和理解，其中，自动定 位利用局部的方法分析出图像中的道路特征，其方法的优劣直接影响后续过程的 理解；理解过程包括人工智能、计算机视觉、

25、模式识别及数学模型等内容。 d.输出结果 根据输出结果中对道路描述方式的不同，可以将道路提取算法分为输出道路 的非结构化描述方法和输出道路的结构化描述方法。前一类方法在输出结果中仅 提取到了属于道路的像素点，如文献 5等。后一类方法在输出结果中得到了道路 的直线描述 (线状道路 )、曲线描述 (线状道路 )、或矩形描述 (具有平行边缘对的道 路 )，且这类方法在提取道路的同时，还可以得到道路的一些属性如道路的长度、 曲率、方向等。 1.3 本文主要工作及内容安排 本文主要研究了基于 NSCT 变换的遥感图像道路提取方法，基于 NSCT 的遥 感图像道路增强方法，并在此基础上开发了一个相应的原型

26、系统。主要内容安排 如下： 第二章介绍了道路增强提取理论。重点分析现有的基本理论及实现算法，另 外本章整合了一套量化评估准则，以道路点为基本度量单位对道路提取性能进行 量化评估，并以此作为第三章和第四章的性能评价标准。 4 基于非下采样 Contourlet 的遥感图像道路增强与提取 第三章主要是针对 Gabor 小波变换提取的线特征基函数的非正交性、倍频性 能不够显著等缺点，对道路奇异性的描述不足以及参数调整比较复杂，本章采用 NSCT 提取道路的线性特征，能够很好的捕捉道路的线性，并采用 FCM 进行分类， 得到较好的提取结果，在分类的基础上进行非极大值抑制以及其它的后处理操作 , 得到最

27、终的道路提取结果。并将本章的结果与基于 Gabor小波的方法进行对比。 第四章主要是克服目前常见的遥感图像的增强方法仅仅利用形态学增强，增 强后的道路失真会比较大，影响后续道路的检测工作，有效的将形态学和 NSCT 域进行有效的结合，并按照特定的方向进行道路的增强，在增强道路的同时保持 了道路原有的宽度。 第五章是遥感图像的道路提取系统，本系统集成了第三章的道路提取和第四 章的道路增强，还包括对道路提取结果的选择性显示和 人工的后处理功能，增强 了本文算法的可操作性。 第六章对本论文的工作进行了总结，讨论了一些有待解决的问题，以及本论 文工作的不足和展望。 第二章道路增强及提取理论 第二章道路

28、增强及提取理论 2.1 引言 本章主要回顾现有的道路增强和提取的理论基础，涉及到现有的图像道路增 强和提取的算法，具体的证明和推导可以参考后面的文献。另外本章整合了一套 量化评估准则，以道路点为基本度量单位对道路提取性能进行量化评估，并以此 作为第三章和第四章的性能评价标准。本章所列的公式，图表均来自参考文献。 本章内容安排如下：第二节阐述了图像增强的基本理论及现有的图像增强技 术；第三节主要介绍道路提取理论及现有的道路提取方法；第四节整合了一套道 路提取性能量化评估准则；第五节对本章进行总结。 2.2 图像增强理论及现有技术 图像增强是按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些

29、 不需要的信息 (如噪声 )的方法，其目的是提高图像在某种特定运用下的清晰度和对 比度，从而改善图像的质量，使得处理的结果更符合人的视觉感官系统或更容易 被机器 所识别。例如本章中用到的遥感图像，其主要目标是道路，因此要突出道 路信息，其他的山脉、房屋与噪声将都视为背景，为了使道路更加容易被提取出 来，存在较少的虚警和漏警，后处理更为简单。图像增强技术基本可分成两大类： 在空域增强和变换域增强方法。本章主要介绍增强的方法有：图像锐化、低通高 通滤波、数学形态学法及基于小波的图像增强。 空域增强是对构成图像的像素进行增强 161819，是直接对这些像素操作的过 程，定义为： g(x， y) =

30、r/(x， ;) (2-1) 其中是输入图像，是处理后的图像， r 是对 /的一种操作，其定义 在点的邻域。设输入图像为 r， 处理后的图像为 s， 则对比度增强可以表示为： -Tr (2-2) 式中 r 表示输入图像和输出图像对应像素点灰度映射关系，这样的变换函数是基于 像素点的操作。变换域是由傅里叶变换、小波变换和频率变量构成的空间。一般 形式的滤波过程可以用图 2.1 所示。 6 基于非下采样 Contourlet的遥感图像道路增强与提取 图 2.1 变换域图像增强技术 其具体的数学表达式则为： g ( x, y ) = F1 (H (u , v) - F (u, v ) (2-3) 本

31、章主要介绍空域增强的方法有图像锐化、空域滤波、数学形态学和基于小 波的图像增强技术。 2.2.1 图像锐化及边缘检测 图像锐化处理 18192()的主要目的是增强图像边缘，使目标物体的边缘鲜明， 以便于提取目标物体的边界，进而对图像进行分割、目标区域识别和区域形状提 取等，为图像理解和分析打下基础，其原理就是采用空间的微分算子来完成。微 分算子的响应强度域和图像在该点的突变程度有关。图像边缘锐化的基本方法有 微分运算，梯度锐化，边缘提取等。微分运算应用在图像上，可使图像的轮廓清 晰。主要的微分运算有纵向微分运算，横向微分运算，较好的微分算子主要包括 有 Canny51算子，Sobel66算子，

32、 Robert 算子等等，早期的适用于雷达图像的边缘 检测算子是方差系数检测算子和 Fr st31提出的一种似然比检测算子，这两种检测 算 子 都 是 各 向 同性的恒虚警检测算子。推导了检测算子对乘性噪声 非常敏感的特点，同时考虑到了边缘的方向性，获得了较好的检测结果。 2.2.2 空域滤波 这里主要介绍低通滤波器和高通滤波器，低通滤波器包括理想低通滤波器和 巴特沃思低通滤波器。理想低通滤波器是最简单的低通滤波器，也是理想化的低 通滤波器，主要原理是 “ 截断 ” 傅立叶变换中所有高频成分，这些成分处在距变 换原点的距离比指定的距离 A要远得多的位置。理想低通滤波器的变换函数为： 第二章道路

33、增强及提取理论 7 则 : 8 基于非下采样 Contourlet 的遥感图像道路增强与提取 是处理结果的傅里叶变换，这样便可以再频域内对高频和低频分开处理， 以增强对比度，达到增强的目的。 正如理想低通滤波器，理想高通滤波器在物理上也是不可实现的，因此在实 际的运用中只能选择后面介绍的三种滤波器。 2.2.3 数学形态学法 道路等线性目标提取离不开特征检测，无论是检测边缘还是检测线，作为随 后处理的基元，人们总是希望受到尽量少的噪声影响而使所需的特征易于检测。 这里，介绍两种灰度形态学算子对所检测的图像进行过滤；在使用 Top-Hat 算子对 图像进行滤波变换时，结构元素的选取对结果有很大的

34、影响，这里，针对遥感道 路图像，得出结构元素选取的基本规律：对噪声低的比较理想的图像，可以不用 Top-Hat算子对图像进行滤波，也可以选取比较小的结构元素对图像进行滤波；对 于有高频噪声的图像，选取比较大的结构元素对图像进行滤波。其次，利用道路 具有一定的方向性，因此利用道路的方向对道路图像进行方向增强，使道路目标 更加明显，更加有利于后续的道路提取工作。 2.2.4 基于小波的图像增强 空域增强技术在图像增强方面有一定的优势，近年来小波变换的飞速发展 ， 其在图像增强方面也有很广泛的应用。小波变换是一种新兴的数学分析方法，已 经受到了广泛的重视。小波变换是一种全局变换，在时域和空域同时具有

35、良好的 定位能力，对高频分量采用逐渐精细的时域和空域步长，可以聚焦到被处理图像 的任何细节。由于小波变换是一种介于空间域和频率域的分析方法，因而非常适 用于信号分析。 1989 年， Mallat1C)47又提出了信号的多分辨率分析理论 (multi ResolutionAnalysis， MRA)， 这种多分辨率分析的思想的提出更极大地促进了小波 变换在信号分析中的应用。 由于小波变换的这些优点，使它很快在图像处理领域 得到了广泛的应用，在现有的方法中， Gaboi 小波在线状特征提取上应用较多，例 如 S areS67等人提出利用 Gabor小波提取特征向量用于视网膜的血管提取。但是 由于

36、 Gabor小波基函数的非正交性、倍频性能不够显著，对道路奇异性的描述存 在本质的不足。 Gabor小波的另一个缺点是参数调整比较复杂，限制了其应用范围。 第二章道路增强及提取理论 9 2.3 道路提取理论及现有的道路提取方法 遥感图像上提取道路信息的研究，主要经历了如下的发展历程：从半自动道 路信息提取到自动道路信息提取；从低分辨率遥感图像到中、高分辨率遥感图像 道路信息提取；从乡村或森林地区的道路信息提取，到郊区和城市地区道路信息 的提取；从简单的提取方法到复杂的方法；从单一的提取战略到混合的提取战略 ; 从单一数据提取到多源数据融合提取；从单一方法的提取到多种方法提取结果的 融合提取；从

37、单一尺度的提取到多尺度或多分辨分析的提取；从基于像元的提取 方法到基于特征或面向对象的提取方法。从遥感图像提取道路信息研究的分类方 法较多：根据自动化程度分为半自动提取和全自动提取方法；根据遥感图像分辨 率分为 低、中、高分辨率遥感图像的道路信息提取方法；根据研究的区域分为乡 村、林区、郊区、城市地区的道路信息提取方法等等。在 30 多年的研究历程中， 道路信息提取的方法多种多样，主要包括以下方法 23: SnakeS644胃 模型方法 , 动态规划法、多尺度方法。下面根据道路信息提取过程中采用的方法进行论述。 2.3.1 Snakes模型方法 在图像处理和计算机视觉中，低层次处理很难获取高层

38、次的知识 23164，而低 层次特征 (如轮廓线 )的正确提取依赖于高层次的知识，为此 Kass等人 60等提出了 Snakes6446165模型，通过将高层次的知识用于能量函数的建立，来提取特定的 图像特征。传统的计算机视觉研究中，如边缘检测、立体匹配和运动跟踪等低层 次处理任务通常被认为是独立的、从底向上的过程。大多数方法仅利用了图像本 身所蕴含的信息，而 “ 高层次 ” 的信息则很少被使用。这种严格顺序的方法扩散 了低层次处理可能产生的误差，因此对处理手段的可靠性提出了较高的要求。作 为一种较弱的但更容易达到的目标， Kass 等人 6()认为低层次处理应该提供可供选 择的体系结构，高层处理方法可以从中选择，而不是过早地被单一地答案所束缚。 Snakes 正是基于这一目标提出的一种物体轮廓提取技术，其核心思想是将局部的 轮廓检测提取问题通过能量函数最小化转化为更为全局的优化问题，具有较好的 鲁棒性，并可以根据各种应用场合选择不同的能量方程定义，