【基于面向对象的航空影像建筑物提取技术研究】 建筑物航空障碍灯规范

　　摘 要:本文基于笔者多年从事航空影像数据处理的相关工作经验,以航空影像建筑物提取为研究对象,采用面向对象的思路,探讨了预处理、特征选择、外形初步提取等一套流程形成的思路方法,并进行了实验,全文是笔者长期工作实践基础上的理论升华,相信对从事相关工作的同行能有所裨益。
　　关键词:面向对象 航空影像 建筑物提取 光谱特征
　　中图分类号:P2 文献标识码:A 文章编号:1672-3791(2012)06(c)-0003-02
　　面向对象信息提取是以对象为基本单位来进行的,其关键步骤有两个:多尺度影像分割(对象生成)和影像信息提取。其中,分割(对象生成)是面向对象信息提取方法的基础,分割结果的好坏直接关系到后续信息提取结果的精度。本文提出的面向对象的建筑物外形提取基本思路是:预处理→多尺度分割→建筑物特征选择→初步提取→优化外形。
　　1 预处理
　　本文的预处理采用影像融合,随着多种遥感卫星的发射成功,我们有了许多可利用的多传感器、多时相、多分辨率和多光谱遥感影像。遥感影像的信息提取常常要求把多传感器、多时相、多光谱和多分辨率影像进行融合分析,以提取感兴趣的信息。
　　图像融合的定义可描述为:将传感器获取的图像数据预处理后,采用一定的算法将各图像中所包含的信息有机的结合起来,以产生新的数据,来获得对同一事物或目标更客观、更本质的认识。从而大大提高融合图像的信息含量并使其在特征提取、分类、目标识别以及目视效果等方面更为有效。其优点可以归纳如以下几点。
　　(1)可靠的数据来源。在有若干传感器不能被利用或受干扰,或某个目标/事件不在覆盖范围内时,至少有一种传感器可以提供图像信息。(2)增加测量维数,增加了置信度。利用对同一目标的多波段、多时相、多角度的图像数据可以更全面地揭示目标的本质特性,提高目标判别结果的可靠性。(3)提高了空间分辨率。多传感器孔径可以获得比任何单一传感器更高的图像分辨率。(4)信息互补。不同的影像传感器由于其观测能力的片面性,不能全面的反映地物的整体信息,将不同类型、不同时相的影像数据进行针对性的融合可以进行信息互补。(5)改进了系统的可靠性和可维护性,且降低了对单个传感器的性能要求。
　　通过实验要求及实验所得效果比较,采用本文主成份变换融合法对Quickbird全色和多光谱图像进行融合。
　　2 建筑物特征选择
　　建筑物特征选择与提取是在影像分割得到多边形对象基础上进行的,通过分割得到多边形对象并不是最终目的,而是为后续分类提供更多的描述特征,参与影像分类的因子不仅包括对象的光谱信息,还有对象的纹理、形状、拓扑、语义等信息,但并不是特征越多,效果越好,特征提取也是研究的关键。由此,本节重点定量化描述了这些特征,并介绍了特征提取的策略,同时提出并解决了特征选择与提取实现中的关键问题。影像对象包含了丰富的特征信息,它主要包括光谱、几何、纹理等特征。
　　2.1 光谱特征
　　光谱特征是所有描述影像对象与像元灰度值相关特征的集合,反映对象的光谱信息。它包括影像对象的均值、均方差、亮度、比率等。
　　2.2 几何特征
　　影像对象的形状特征反映了对象的几何特征,形状特征是所有描述影像对象本身形状特征的集合,反映对象的形状方面的信息。它是在提取区域边界点的基础上形成的,计算形状特征的理论基础是根据矢量化后各点的坐标组成的协方差矩阵,即:
　　其中,X和Y分别是该对象的所有像元坐标(x,y)组成的矢量,var(x),var(y)分别是X和Y的方差,cov(XY)是X,Y之间的协方差。
　　2.3 纹理特征
　　纹理在遥感影像分类中占有重要地位,描述纹理最常用的方法有灰度共生矩阵(GreyLevel Concurrence Matix,GLC-M)。通过分析与实验,得到建筑物与其他地物对比度较大的有光谱特征和形状特征。所以本文将从光谱特征和形状特征中选择特征参数进行提取建筑物外形。
　　3 建筑物外形初步提取
　　本文使用基于模糊规则的分类器进行提取建筑物外形。模糊分类器能够较准确地提取所属类别的对象。选择不同地物最优尺度对原始影像分割而成的多尺度影像是进行地物信息有效提取的前提,它是将固定尺度的影像转换为各种地物对应的尺度影像,使地物在各自的最佳尺度上显示,尺度分割只完成了面向对象影像分析的一部分。要想提取出感兴趣的地物就必须要对影像对象进行分类,研究表明模糊分类器分类影像对象效果较好。一般模糊分类器的设计要考虑以下几方面内容。
　　(1)模糊特征空间选择,即在众多的特征中选择相对独立的特征组成模糊空间。
　　(2)模糊分类规则的建立。
　　(3)模糊集隶属函数(Member ship Funetion)的选择及参数调节。
　　例如水体的提取可以通过下面的表达式来建立模糊规则。
　　If Layermean of Nir(Object)∈[a,b]
　　Then class(Object)=Water.
　　但是在面向对象分类时,经常出现有些类别不能由单条模糊规则进行有效区别。如河流的分类则不仅需要近红外波段低反射值条件还需要形状特征length/width来区分河流和其他的水域,length/width值越大,对象越呈线状,因此水域属于河流。多条件规则表达式的建立需要表示逻辑的“and”、“or”、“not”等连接,如下河流提取表达式:
　　If(Layermean of Nir(Object)∈[c,d])AND(length/width(Object)∈[e,f])Then class(Object)=river
　　这样的分类器一方面可以完成非常复杂的分类任务,另一方面也使得分类过程在细节方面透明、可调节。
　　4 实验
　　本实验应用Erdas做影像融合,Ecognition实现分割提取,Matlab优化提取结果。