一种基于边缘特征的高分辨率遥感影像居民区提取方法技术

本发明专利技术公开了一种基于边缘特征的高分辨率遥感影像居民区提取方法，包括以下步骤：步骤1：影像预处理；步骤2：边缘特征提取；步骤3：构建空间投票矩阵；步骤4：Ostu阈值分割步骤；采用Ostu阈值分割方法获取居民区投票值与非居民区投票值的自适应分割阈值，并根据该自适应分割阈值对空间投票矩阵进行二值化分割，得到影像中居民区和非居民区；该发明专利技术以边缘特征密度为度量标准，利用高斯函数建立空间投票矩阵，将空间距离转化投票值，以空间投票机制提取高分辨遥感影像上的居民区，有效地解决了居民区提取中自动化程度和提取精度有限的技术缺陷，适用于高分辨率遥感影像分析和处理。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及。
技术介绍
随着遥感影像分辨率的逐步提高，居民区提取已成为一个热门研究课题。准确、快速地提取居民区可以为土地管理、城市规划等市政部门在做土地利用现状调查和宏观规划等方面的工作时提供重要的决策支持。在遥感影像中，居民区具有覆盖面广、地物信息丰富的特点，而且它是一个随着时间动态变化的区域，人工提取居民区虽然可以保持较高的准确度，但是仅依靠人工的监测和分割提取居民区不仅耗时而且成本高。因此，自动居民区提取方法越来越被大家所关注。目前，国内外许多研究学者提出了不少关于居民区提取的方法，较新且效果较好的图像分割方法主要有基于灰度共现矩阵(GLCM)的提取方法(参见文献ff. Fang, ff. Chao, Z. Hong. Residential Area Information Extraction by CombiningChina Airborne SAR and Optical Images.1EEE International Geoscience andRemote Sensing Symposium, 2004.)和基于支持向量机(SVM)的提取方法(参见文献:L.Bruzzone and L. Carlin. A multilevel context-based system forclassificationof very high spatial resolution images.1EEE Transactions on Geoscience andRemoteSensing, 2006.)。分析现有居民区提取方法,发现存在以下两方面的局限性一方面，大多数方法都是基于监督分类机制，需要大量训练样本保证分类精度，干扰因素较多，自动化程度有限；另一方面，现有的居民区提取方法强调影像整体的纹理、光谱等特征，却忽略了居民区的局部特征，如边缘特征。
技术实现思路
本专利技术目的在于克服上述技术缺陷，提出了，有效提高了遥感影像中居民区提取的自动化程度及提取精度，适用于高分辨率遥感影像分析和处理。，包括以下步骤步骤1:影像预处理；输入影像，对影像采用中值滤波去除噪声，接着利用Mean Shift算法对影像进行平滑滤波；Mean Shift算法由Fukunaga等人于1975年提出，具有良好的保边缘性，能够很好的保留影像上居民区内的边缘特征；步骤2 :边缘特征提取；采用canny算子检测预处理后影像上的边缘，将检测得到的所有边缘拟合成直线段； canny边缘检测算子由John F. Canny于1986年开发出来的,主要利用图像上的灰度梯度进行多级边缘检测；步骤3 :构建空间投票矩阵；a)构建一个与原始影像尺寸大小一致的二维矩阵，该矩阵用于记录图像上每个像素点的投票值，矩阵中的每一个元素为对应图像上相同位置像素点的投票值；b)计算每一个像素点到每条边缘直线段的空间距离，并通过高斯函数模型将空间距离转化为该像素点的投票值，再将该像素点的投票值存储于投票矩阵相同位置上；步骤4 0stu阈值分割步骤；采用Ostu阈值分割方法获取居民区投票值与非居民区投票值的自适应分割阈值，并根据该自适应分割阈值对空间投票矩阵进行二值化分割，得到影像中居民区和非居民区；较高的投票值的区域对应居民区。相比非居民区，居民区的覆盖区域内拥有更高的边缘特征密度，故居民区内像素点到所有边缘的距离总和相对更小，因此在投票矩阵中表现为，居民区内的像素点拥有较高的投票值，而非居民区像素点的投票值则偏低。所述步骤2中的检测得到的所有边缘拟合成直线段，其具体处理过程如下1)对边缘上的所有像素点按从左至右或从上到下的顺序进行排序得到边缘像素点序列Pd，P1,，将每条边缘的起始像素点作为固定点Po即为点A,选取与固定点间隔一个像素点的任意像素点为浮动点Pn即为点B，两点构成直线段Ii;2)以固定点和浮动点之间的所有像素点作为顶点，计算每个顶点到直线段^的垂直距离，选取最大垂直距离为a ；3)设定距离最大容许值为ε，剔除边缘上的冗余像素点，简化边缘直线，取ε的值为3 5个像素宽度；a)若ε ,表示顶点距离直线段近,属于当前边缘上的冗余像素点，如果浮动点B为当前边缘线上最后一个像素点，转到步骤4)，否则，按照像素点排列顺序，将与上一个浮动点相邻的像素点定义为新的浮动点B ;Α、B两点构成直线段^ ,然后返回步骤2)；b)若a> ε，表示顶点距离直线段^远，属于当前边缘上的特征像素点，则用直线段替代边缘折线作为新的边缘直线，即剔除固定点A和浮动点B之间的像素点，将原来的浮动点B作为新的固定点Α，选取当前边缘上与固定点间隔一个像素点的任意像素点为新的浮动点B;若浮动点B为当前边缘线上最后一个像素点，转到步骤4)，否则，选取与固定点间隔一个像素点的任意像素点作为新的浮动点B，Α、Β两点构成直线段，然后返回步骤2)；4)选取下一条边缘进行直线拟合，返回步骤I )，直至所有边缘被拟合成直线段，直线拟合后的E1边缘集合表示如下E1 =|q H…,G2 I12J;,--,ζI] Jl,…Jtn 卜其中 Ai 表示第 i 条边缘,ρ表示第i条边缘上的第j条直线段，分别记它的两个端点坐标为和。所述步骤3中的投票矩阵的具体建立过程如下1)图像上共有R个像素点和K条边缘线段，像素点到边缘线段的距离用集合Dist-1d1{，d12，…，d1K，d2i，d22，…，d2K，…，dE1，dR2，…，dEK}表不，其中，Ciij-表不弟 i 个像素点到第j条边缘的距离，计算公式如下本文档来自技高网...

【技术保护点】
一种基于边缘特征的高分辨率遥感影像居民区提取方法，其特征在于，包括以下步骤：步骤1：影像预处理；输入影像，对影像采用中值滤波去除噪声，接着利用Mean?Shift算法对影像进行平滑滤波；步骤2：边缘特征提取；采用canny算子检测预处理后影像上的边缘，将检测得到的所有边缘拟合成直线段；步骤3：构建空间投票矩阵；a）构建一个与原始影像尺寸大小一致的二维矩阵，该矩阵用于记录图像上每个像素点的投票值，矩阵中的每一个元素为对应图像上相同位置像素点的投票值；b）计算每一个像素点到每条边缘直线段的空间距离，并通过高斯函数模型将空间距离转化为该像素点的投票值，再将该像素点的投票值存储于投票矩阵相同位置上；步骤4：Ostu阈值分割步骤；采用Ostu阈值分割方法获取居民区投票值与非居民区投票值的自适应分割阈值，并根据该自适应分割阈值对空间投票矩阵进行二值化分割，得到影像中居民区和非居民区；较高的投票值的区域对应居民区。

【技术特征摘要】
1.一种基于边缘特征的高分辨率遥感影像居民区提取方法，其特征在于，包括以下步骤 步骤1:影像预处理； 输入影像，对影像采用中值滤波去除噪声，接着利用Mean Shift算法对影像进行平滑滤波； 步骤2 :边缘特征提取； 采用canny算子检测预处理后影像上的边缘，将检测得到的所有边缘拟合成直线段； 步骤3:构建空间投票矩阵； a)构建一个与原始影像尺寸大小一致的二维矩阵，该矩阵用于记录图像上每个像素点的投票值，矩阵中的每一个元素为对应图像上相同位置像素点的投票值； b)计算每一个像素点到每条边缘直线段的空间距离，并通过高斯函数模型将空间距离转化为该像素点的投票值，再将该像素点的投票值存储于投票矩阵相同位置上； 步骤4 =Ostu阈值分割步骤； 采用Ostu阈值分割方法获取居民区投票值与非居民区投票值的自适应分割阈值，并根据该自适应分割阈值对空间投票矩阵进行二值化分割，得到影像中居民区和非居民区；较高的投票值的区域对应居民区。2.根据权利要求1所述的基于边缘特征的高分辨率遥感影像居民区提取方法，其特征在于所述步骤2中的检测得到的所有边缘拟合成直线段，其具体处理过程如下 1)对边缘上的所有像素点按从左至右或从上到下的顺序进行排序得到边缘像素点序列Pci, P1,…Pn,将每条边缘的起始像素点作为固定点Ptl即为点A,选取与固定点间隔一个像素点的任意像素点为浮动点Pn即为点B，两点构成直线 2)以固定点和浮动点之间的所有像素点作为顶点，汁算每个顶点到直线段的垂直距离，选取最大垂直距离为a; 3)设定距离最大容许值为ε，取ε的值为3 5个像素宽度； a)若ε，如果浮动点B为当前边缘线上最后一个像素点，转到步骤4)，否则，按照像素点排列顺序，将与上一个浮动点相邻的像素点定义为新的浮动点B ;Α、B两点...

【专利技术属性】
技术研发人员：陶超，陈洪，邹峥嵘，金晶，张云生，马慧云，
申请(专利权)人：中南大学，
类型：发明
国别省市：