国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于小波紋理和基元合并的高分影像居民地提取

2017-04-17 01:17胡華龍薛武秦志遠
自然資源遙感 2017年1期
關鍵詞:基元小波紋理

胡華龍, 薛武,2,3, 秦志遠

(1.信息工程大學地理空間信息學院,鄭州 450001; 2.地理信息工程國家重點實驗室,西安 710054;3.河南理工大學礦山空間信息技術國家測繪地理信息局重點實驗室,焦作 454003)

基于小波紋理和基元合并的高分影像居民地提取

胡華龍1, 薛武1,2,3, 秦志遠1

(1.信息工程大學地理空間信息學院,鄭州 450001; 2.地理信息工程國家重點實驗室,西安 710054;3.河南理工大學礦山空間信息技術國家測繪地理信息局重點實驗室,焦作 454003)

由于高分辨率全色影像(簡稱“高分影像”)中的信息高度細節(jié)化,再加上噪聲的影響,會導致傳統(tǒng)基于紋理特征的居民地提取方法效果不理想。為此,提出一種基于小波紋理和基元合并的居民地提取方法。首先,利用結合小波變換(wavelet transform,WT)的分形網(wǎng)絡進化算法(fractal net evolution approach,FNEA)獲取初始基元,并對基元的多尺度小波紋理進行分析; 然后,在人工給定種子基元的基礎上合并具有相似紋理的基元; 最后,對基元合并的結果進行數(shù)學形態(tài)學修整,得到居民地區(qū)域。利用天繪一號(TH-1)全色影像對所提方法進行驗證及對比分析的結果表明,該方法對高分影像中的街區(qū)式居民地可取得較高的提取精度和計算效率。

高分辨率全色影像(高分影像); 居民地提??; 小波變換(WT); 分形網(wǎng)絡進化算法(FNEA); 基元級紋理特征; 基元合并

0 引言

居民地作為人類活動的核心場所,在各類遙感影像中都有廣泛分布。利用遙感影像提取居民地區(qū)域,對居民地變化監(jiān)測、土地規(guī)劃及災害評估等應用具有重要意義[1-2]。按建筑分布的不同形式,居民地可分為街區(qū)式、散列式和特殊式(窯洞和蒙古包)3類。本文的研究對象為街區(qū)式居民地,即房屋分布密集、有明顯主次街道和外部輪廓的居民地。

傳統(tǒng)的居民地遙感提取方法首先分析居民地與其他地物的光譜響應曲線在各波段的可分性,然后選擇光譜可分性較強的波段建立基于光譜知識的專家模型,從而實現(xiàn)居民地區(qū)域的自動提取[3-5]。這種基于光譜特征的方法要求遙感影像有足夠的波段范圍,因此主要適用于光譜分辨率較高的中低空間分辨率(低于5 m)遙感影像。隨著遙感影像空間分辨率的提高,利用高分辨率全色影像(簡稱“高分影像”)提取居民地已經(jīng)成為研究的熱點。目前,針對高分影像的居民地提取方法可分為基于紋理特征和局部特征的2類。基于紋理特征的方法在對高分影像進行紋理分析的基礎上,通過提取合適的特征或特征組合,實現(xiàn)居民地的提取。例如Pesaresi等[6]利用基于灰度共生矩陣紋理特征的建筑區(qū)因子從SPOT5影像中提取居民地。Zhong等[7]提出一種融合多種紋理特征的條件隨機場模型,并將其應用于SPOT5影像的居民地提取。金飛等[8]利用基于樹型框架小波變換的尺度共生矩陣紋理從1∶50 000比例尺的航空影像及SPOT5影像中提取居民地。由于居民地的紋理特征與其建筑分布形式及影像分辨率密切相關,因此基于紋理特征的方法主要適用于分辨率在2~5 m的高分影像中街區(qū)式居民地的提取。對于紋理特征不明顯的散列式居民地以及分辨率高于1 m的高分影像中的街區(qū)式居民地,則主要采用基于邊緣、直線、角點等局部特征的方法進行提取[9-11]。

分析現(xiàn)有基于紋理特征的居民地提取方法,發(fā)現(xiàn)這類方法大多以滑動窗口為單元,逐像元地描述居民地紋理。利用這種像元級紋理特征描述高分影像中的居民地紋理,存在以下2個方面的問題: ①難以確定合適的滑動窗口尺寸?;瑒哟翱谶^小會導致居民地內(nèi)部點的紋理一致性降低,因而無法完整地提取出居民地區(qū)域; 滑動窗口過大又會導致居民地邊界點的定位精度降低,使得提取出的居民地邊界與實際邊界相差較大。②逐像元地進行紋理分析,會導致計算量過大,耗時太長,致使居民地提取的精度和效率都難以得到保證。為了及時、準確地從高分影像中提取居民地,本文提出了一種基于小波紋理和基元合并的高分辨率全色影像街區(qū)式居民地提取算法,并通過天繪一號(TH-1)衛(wèi)星全色影像對所提算法進行了驗證。實驗證明,本文算法具有較高的提取精度和計算效率。

1 實驗數(shù)據(jù)與技術路線

本文選用了3景空間分辨率為2 m的TH-1全色影像進行街區(qū)式居民地提取實驗,實驗數(shù)據(jù)如圖1所示。3景影像時相均為2010年12月。圖1(a)所示子區(qū)位于黃淮平原黃河北的焦作地區(qū),大小為600像元×500像元。圖1(b)和(c)所示子區(qū)位于黃淮平原黃河北的新鄉(xiāng)地區(qū),大小分別為600像元×500像元和1 000像元×500像元。

(a) 焦作(地區(qū)1) (b) 新鄉(xiāng)(地區(qū)2) (c) 新鄉(xiāng)(地區(qū)3)

圖1 實驗用TH-1全色影像

Fig.1 TH-1 panchromatic images for experiment

本文采用的技術路線是: 首先利用結合小波變換(wavelet transform,WT)的分形網(wǎng)絡進化算法(fractal net evolution approach,FNEA)對實驗影像進行分割以獲取初始基元; 然后對基元的多尺度小波紋理進行分析,并提取適用于區(qū)分居民地與背景地物的基元級小波紋理; 接著在人工給定種子基元的基礎上合并具有相似紋理的基元; 在經(jīng)過數(shù)學形態(tài)學修整后,得到最終的居民地區(qū)域(圖2)。

圖2 技術路線圖

2 初始基元及其小波紋理提取

2.1 初始基元獲取

在居民地提取的初始階段,主要利用結合WT的FNEA算法獲取初始基元。FNEA是Baatz等[12]提出的一種多尺度分割方法,該方法以種子像元為起始點,搜索與其最相似的鄰近像元進行合并; 下一次合并時,以上一次合并獲取的基元為起點,將最相似的鄰接基元合并為更大的基元,直到達到預先設置的異質(zhì)度增量(即“尺度閾值”)為止。盡管后續(xù)的基元合并技術可以逐步改善過分割情況,但仍無法處理欠分割情況,因此在基元獲取階段,需要在兼顧基元邊界定位精度的同時避免出現(xiàn)影像欠分割。但另一方面,為了增強后續(xù)基于統(tǒng)計的基元級小波紋理特征的穩(wěn)定性,又需要在基元獲取階段盡量生成較大的初始基元。針對這一問題,本文結合WT對傳統(tǒng)FNEA算法進行改進,旨在兼顧基元邊界定位精度的同時生成較大的初始基元。其實現(xiàn)過程如下:

1)采用二維Haar WT對原始影像進行分解,形成影像金字塔結構。由于小波分解后影像的分辨率會降低1/2,故小波分解層數(shù)使得最大尺度影像的分辨率達到10 m左右即可。

2)采用相同尺度閾值對金字塔的各尺度影像進行基于FNEA算法的分割,得到各尺度影像的初始基元。經(jīng)過大量實驗總結,認為尺度閾值一般取值范圍在[30,40]即可。

3)將最大尺度影像的分割結果逐層引導到最小尺度影像的分割結果上,其過程為: ①將大尺度影像的分割結果在行、列方向各擴大2倍,使其尺寸與相鄰小尺度影像的分割結果一致; ②遍歷小尺度影像的初始基元,判斷其包含的像元是否有70%以上都在相鄰大尺度影像的某個基元內(nèi)。若是,則在下、上層基元間建立“父子”(“child-parent”)關系; ③遍歷大尺度影像的初始基元,根據(jù)下、上層基元間的“child-parent”關系,搜索其包含的小尺度影像的初始基元; ④判斷屬于同一父基元的子基元間的鄰接關系,合并小尺度影像中相互鄰接的子基元。

圖3(a)為使用尺度閾值30的FNEA算法獲取的地區(qū)1影像的初始基元。圖3(b)為使用相同尺度閾值的結合WT的FNEA算法獲取的初始基元。可以看出,采用結合WT的FNEA算法能夠獲取較大尺寸的初始基元,增強居民地區(qū)域內(nèi)部的紋理一致性,從而有利于在基于紋理相似性的基元合并后得到更加完整的居民地區(qū)域,同時不會影響居民地邊界的定位精度。

(a) FNEA算法 (b) 結合WT的FNEA算法

圖3 地區(qū)1影像初始基元獲取結果

Fig.3 Results of initial primitives from image of area 1

2.2 基元級小波紋理特征提取

與中低分辨率遙感影像相比,高分影像中的居民地紋理具有明顯的尺度特征,因此在同一尺度下對居民地紋理進行描述是不充分的[13]。黃昕[14]在對高分影像進行靜態(tài)小波變換(stationary wavelet transform, SWT)的基礎上,利用得到的高頻細節(jié)信息構造具有旋轉(zhuǎn)不變性的平均紋理特征,取得了較好的實驗效果。其數(shù)學表達式為

(1)

式中:l為小波分解層數(shù);V(l),H(l)和D(l)分別為第l層WT得到的高頻垂直、水平和對角信息。

本文在對原始影像進行靜態(tài)Haar WT的基礎上,逐層計算平均紋理特征; 然后對平均紋理特征取絕對值并歸一化到0~255; 最后統(tǒng)計基元內(nèi)平均紋理特征的均值、標準差和熵均值,作為基元的多尺度小波紋理,其特征影像如圖4(d)―(i)所示。作為對比,圖4(a)―(c)為利用基元內(nèi)像元灰度值計算得到的第0層的均值、標準差和熵均值特征影像。從目視效果上看,第2層小波紋理中的熵均值特征具有最好的居民地紋理描述效果。為了更全面、更準確地評價不同小波紋理對高分影像中街區(qū)式居民地紋理的描述效果,本文在計算得到地區(qū)1―3基元級小波紋理特征影像的基礎上,采用人工方法對居民地基元進行采樣,并計算鄰接基元間同類小波紋理的差值的絕對值。不同地區(qū)在不同小波分解層數(shù)下的計算結果見表1。鄰接基元間的小波紋理差異越小,則居民地區(qū)域內(nèi)部的紋理一致性越高,小波紋理的描述效果越好。

(a) 原始影像基元均值紋理(b) 原始影像基元標準差紋理(c) 原始影像基元熵均值紋理

圖4-1 基元級紋理特征影像

Fig.4-1 Images of primitive-level texture feature

(d) 第1層基元均值紋理(e) 第1層基元標準差紋理 (f) 第1層基元熵均值紋理

(g) 第2層基元均值紋理(h) 第2層基元標準差紋理 (i) 第2層基元熵均值紋理

圖4-2 基元級紋理特征影像

Fig.4-2 Images of primitive-level texture feature

表1 不同基元級小波紋理的描述效果對比

通過目視觀察效果及定量分析可以得到: ①對于高分影像中的街區(qū)式居民地,由于其內(nèi)部灰度差異較大,因此利用小波變換高頻細節(jié)信息統(tǒng)計得到的紋理特征比直接利用原始影像灰度信息統(tǒng)計得到的紋理特征效果更好; ②第2層小波紋理的效果總體上優(yōu)于第1層; ③在利用不同統(tǒng)計方法得到的第2層小波紋理中,熵均值特征的效果總體較好。因此,本文選擇第2層小波紋理中的熵均值特征作為基元的小波紋理。

3 基元合并的居民地提取

3.1 紋理異質(zhì)性計算及紋理信息更新

在基于紋理相似性的基元合并過程中,首先需要計算種子基元P與其鄰接基元P′間的合并代價,其數(shù)學表達式為

d=|ENT-ENT′|,

(2)

式中ENT和ENT′分別為基元P與P′的小波紋理。

然后在基元P的鄰接基元中選擇與P合并代價最小的P′與P合并,得到新的種子基元P″,并按式(3)對P″的紋理信息進行更新[15],即

P″=(SpP+Sp′P′)/(Sp+Sp′),

(3)

式中Sp和Sp′分別為基元P和P′的面積。

3.2 基元合并停止準則

基元合并過程何時停止決定著基元合并的效果。使用傳統(tǒng)的合并閾值方法停止合并過程,需要在反復實驗的基礎上,人工確定使實驗效果最好的合并閾值。合并閾值過小會導致合并不充分,無法將屬于居民地的基元合并為一個整體; 合并閾值過大又會導致錯誤合并屬于不同地物的基元。盡管一些研究提出了合并閾值的自適應選擇方法[16-17],但到目前為止尚不存在一種廣泛適用的合并閾值選擇方法。本文通過在合并過程中對合并代價進行跟蹤分析,提出了一個基元合并的自動停止準則。

如圖5(a)所示,人工選擇標注為1的初始基元為種子基元進行基元合并,并在合并過程中對種子基元與其鄰接基元間的合并代價進行跟蹤,得到如圖5(b)所示的合并代價變化曲線??梢钥闯?,合并代價在合并過程中呈波動上升趨勢。如圖5(b)中的紅色標記所示,若某次合并使得合并代價明顯增大,則說明新合并的基元與種子基元的紋理特征差異較大,此時應停止合并。

(a) 人工選擇種子基元 (b) 合并代價變化曲線

圖5 種子基元選擇與合并代價變化曲線

Fig.5 Seed primitive selection and variation curve of merging cost

根據(jù)合并代價的上述變化規(guī)律,本文在對合并代價進行跟蹤排序的基礎上,通過判斷某次合并是否使合并代價集中的最大合并代價與次大合并代價間的差值△d大于人工給定的“容忍躍升閾值”T來決定是否停止合并。若△d>T,則自動停止基元合并; 否則繼續(xù)合并。本文通過大量實驗總結,認為T取值10即可在大多數(shù)情況下得到滿意的基元合并結果。

3.3 基元合并算法流程

在進行基元合并之前,需要先建立一個種子隊列和一個區(qū)域鄰接圖(region adjacency graph,RAG)。種子隊列用于保存人工選擇的種子基元,RAG用于保存基元間的鄰接關系及合并代價[18]。其實現(xiàn)過程如下: ①人工選擇種子基元,并將其存入種子隊列; ②取出種子隊列的隊首元素P,并將P標記為1; ③訪問RAG,返回種子基元P的鄰接基元列表Np; ④判斷Np是否為空。若不空,則從Np中取出與P合并代價最小的基元P′; 否則轉(zhuǎn)到步驟⑥; ⑤判斷是否滿足基元合并停止準則。若滿足,則轉(zhuǎn)到步驟⑥; 否則合并P和P′,并根據(jù)式(3)更新種子基元的紋理信息和RAG,然后轉(zhuǎn)到步驟③; ⑥判斷種子隊列是否為空。若不空,則轉(zhuǎn)到步驟②,否則轉(zhuǎn)到步驟⑦; ⑦將所有尚未標記的基元標記為0,結束基元合并過程。

圖6(a)中的橢圓標注為人工選擇的種子基元,圖6(b)為基元合并結果。

(a) 種子基元選擇 (b) 基元合并結果

圖6 種子基元選擇與基元合并結果

Fig.6 Seed primitive selection and result of primitive merging

從圖6可以看出,經(jīng)過基于紋理相似性的基元合并后,居民地區(qū)域已被基本分割出來。另外,在實驗過程中還發(fā)現(xiàn),本文算法對種子基元的選取要求較低。對于圖6(a)中標注的3個種子基元,無論選取哪一個,得到的合并結果都是一樣的。

3.4 數(shù)學形態(tài)學修整

由于有外部道路與街區(qū)式居民地相連,因此經(jīng)基元合并初步分割出的居民地區(qū)域還包含部分道路。為了最終從高分影像上提取出居民地,還需要對基元合并的結果進行數(shù)學形態(tài)學修整,將與居民地相連的外部道路分割并剔除。本文首先利用正方形結構元素對基元合并的結果進行形態(tài)學“開”運算,然后統(tǒng)計“開”運算結果中不同區(qū)域的面積,最后利用面積閾值剔除小區(qū)域、得到最終的居民地提取結果。其中,正方形結構元素的邊長與面積閾值需要根據(jù)實驗結果進行調(diào)整。圖7(b)為經(jīng)形態(tài)學修整后最終提取出的居民地區(qū)域。

(a) 地區(qū)1原始影像 (b) 居民地提取結果

圖7 測試影像與居民地提取結果

Fig.7 Test image and result of residential area extraction

4 實驗結果評價與分析

為了進一步驗證本文算法的正確性,本文又對地區(qū)2和地區(qū)3的全色影像進行了實驗,并將本文算法與文獻[8]中基于像元級尺度共生矩陣紋理特征的居民地提取算法進行了對比分析,以驗證本文算法在居民地提取精度和計算效率上的優(yōu)勢。本文算法及不同滑動窗口尺寸下文獻[8]算法的實驗結果如圖8所示。

(a) 地區(qū)②原始影像(b) 地區(qū)②本文算法 (c) 地區(qū)②文獻[8]算法(3×3窗口)(d) 地區(qū)②文獻[8] 算法(13×13窗口)

(e) 地區(qū)③原始影像 (f) 地區(qū)③本文算法結果

(g) 地區(qū)③文獻[8]算法(3×3窗口) (h) 地區(qū)③文獻[8]算法(13×13窗口)

圖8 居民地提取結果

Fig.8 Results of residential area extraction

從圖8可以看出,使用文獻[8]算法在不同滑動窗口尺寸下提取出的居民地區(qū)域在多個位置存在明顯偏差,對居民地區(qū)域的提取效果難以令人滿意,其原因主要是像元級尺度共生矩陣的滑動窗口尺寸影響了居民地提取的精度。由于高分影像中的居民地紋理有其固有的特征尺度,當滑動窗口的尺寸小于居民地紋理的特征尺度時,將無法統(tǒng)計到具有全局一致性的居民地紋理,因而導致居民地提取的結果存在明顯的漏提現(xiàn)象; 當滑動窗口的尺寸大于居民地紋理的特征尺度時,雖能從一定程度上反映出居民地紋理的固有特征,但又會將不同地物的紋理都統(tǒng)計為居民地紋理,因而影響到最終的居民地提取精度。另外,尺度共生矩陣提取到的多尺度紋理并不全部適用于區(qū)分居民地與背景地物,而文獻[8]算法卻未根據(jù)居民地提取的目的進行有針對性的特征選擇,也在一定程度上影響了居民地提取的精度。

為了更好地評價不同算法的提取精度和計算效率,本文采用文獻[19]所介紹的精度評價方法對本文算法與文獻[8]算法的提取效果進行評價,同時分別記錄2種算法的運行時間。文獻[19]以人工提取的居民地區(qū)域為參考,將不同算法的提取結果與其進行比較,分別計算精確度、召回率和F-度量3項指標。不同算法的精度及效率統(tǒng)計指標見表2。

表2 不同算法提取精度及效率對比

從表2可以看出,本文算法可以滿足高分影像的居民地提取需求; 在運行時間上也明顯優(yōu)于文獻[8]算法,體現(xiàn)出一定的高效性。其主要原因在于本文算法是以基元為單位進行紋理分析的,而文獻[8]算法需要以滑動窗口為單元逐像元地進行紋理分析,顯然影像中的基元個數(shù)遠小于像元個數(shù),因此本文算法所用時間明顯縮短。

5 結論

本文提出一種基于小波紋理和基元合并的高分影像街區(qū)式居民地提取方法,與傳統(tǒng)基于像元級紋理特征的居民地提取算法相比,不僅能提高居民地提取的精度,而且能提高計算效率。得出結論如下:

1)利用結合小波變換的FNEA算法獲取初始基元,不僅能夠獲取較大尺寸的初始基元、增強基元級小波紋理的一致性,同時還不會影響基元邊界的定位精度。

2)對基元級多尺度小波紋理的居民地紋理描述能力進行的實驗表明,經(jīng)過2層小波分解后得到的熵均值紋理特征具有較好的區(qū)分居民地與背景地物的能力。

3)本文研究了一種能自動停止基元合并過程的準則。該準則能有效減少人工干預,而且適用于高分影像中街區(qū)式居民地的提取需求。

本文方法尚存在不足,如種子基元的自動選擇,以及后續(xù)數(shù)學形態(tài)學修整階段結構元素尺寸與面積閾值的自動選擇等問題。這些都將是下一步研究的重點內(nèi)容。

[1] 于博,王力,牛錚.基于中性集對北川羌族自治縣新城人工建設用地的識別[J].國土資源遙感,2015,27(1):106-112.doi:10.6046/gtzyyg.2015.01.17. Yu B,Wang L,Niu Z.Analysis of built-up land detection in new Beichuan County based on neutrosophic set[J].Remote Sensing for Land and Resources,2015,27(1):106-112.doi:10.6046/gtzyyg.2015.01.17.

[2] 易鳳佳,李仁東,常變?nèi)?等.長株潭地區(qū)建設用地擴張遙感時空特征分析[J].國土資源遙感,2015,27(2):160-166.doi:10.6046/gtzyyg.2015.02.25. Yi F J,Li R D,Chang B R,et al.Spatial-temporal features of construction land expansion in Changzhutan(Changsha―Zhuzhou―Xiangtan) area based on remote sensing[J].Remote Sensing for Land and Resources,2015,27(2):160-166.doi:10.6046/gtzyyg.2015.02.25.

[3] 楊存建,周成虎.TM影像的居民地信息提取方法研究[J].遙感學報,2000,4(2):146-150. Yang C J,Zhou C H.Extracting residential areas on the TM imagery[J].Journal of Remote Sensing,2000,4(2):146-150.

[4] Zha Y,Gao J,Ni S.Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J].International Journal of Remote Sensing,2003,24(3):583-594.

[5] Xu H.A new index for delineating built-up land features in satellite imagery[J].International Journal of Remote Sensing,2008,29(14):4269-4276.

[6] Pesaresi M,Gerhardinger A,Kayitakire F.A robust built-up area presence index by anisotropic rotation-invariant textural measure[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2008,1(3):180-192.

[7] Zhong P,Wang R S.A multiple conditional random fields ensemble model for urban area detection in remote sensing optical images[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(12):3978-3988.

[8] 金飛,張占睦,芮杰,等.基于樹型小波變換和尺度共生矩陣的居民地提取[J].海洋測繪,2009,29(6):48-51. Jin F,Zhang Z M,Rui J,et al.Residential area extraction based on tree-structure wavelet and scale-based concurrent matrix[J].Hydrographic Surveying and Charting,2009,29(6):48-51.

[9] Hu X Y,Shen J J,Shan J,et al.Local edge distributions for detection of salient structure textures and objects[J].IEEE Geoscience and Remote Sensing Letters,2013,10(3):466-470.

[10]Unsalan C,Boyer K L.Classifying land development in high-resolution panchromatic satellite images using straight-line statistics[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(4):907-919.

[11]陶超,鄒崢嶸,丁曉利.利用角點進行高分辨率遙感影像居民地檢測方法[J].測繪學報,2014,43(2):164-169,192. Tao C,Zou Z R,Ding X L.Residential area detection from high-resolution remote sensing imagery using corner distribution[J].Acta Geodaetica et Cartographica Sinica,2014,43(2):164-169,192.

[12]Baatz M,Sch?pe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[C]//Strobl J,Blaschke T,Griesebner G.Angewandte geographische infor-mationsverarbeitung XII:beitr?ge zum AGIT-symposium.Salzburg:Herbert Wichmann Verlag,2000:12-23.

[13]曹建農(nóng),王平祿,董昱威.高分辨率遙感影像上居民地自動提取方法[J].武漢大學學報:信息科學版,2014,39(7):831-837. Cao J N,Wang P L,Dong Y W.Automatic extraction technique of residential areas in high resolution remote sensing image[J].Geomatics and Information Science of Wuhan University,2014,39(7):831-837.

[14]黃昕.高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D].武漢:武漢大學,2009:60-65. Huang X.Multiscale Texture and Shape Feature Extraction and Object-Oriented Classification for Very High Resolution Remotely Sensed Imagery[D].Wuhan:Wuhan University,2009:60-65.

[15]Achanta R,Shaji A,Smith K,et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[16]劉彬,王朝英,侯志強.融合聚類和分級區(qū)域合并的彩色圖像分割方法[J].計算機工程與應用,2011,47(30):202-205. Liu B,Wang Z Y,Hou Z Q.Color image segmentation algorithm using clustering and hierarchical region merge[J].Computer Engineering and Applications,2011,47(30):202-205.

[17]Tong H J,Maxwell T,Zhang Y,et al.A supervised and fuzzy-based approach to determine optimal multi-resolution image segmentation parameters[J].Photogrammetric Engineering & Remote Sensing,2012,78(10):1029-1044.

[18]Haris K,Efstratiadis S N,Maglaveras N,et al.Hybrid image segmentation using watersheds and fast region merging[J].IEEE Transactions on Image Processing,1998,7(12):1684-1699.

[19]李向輝,陳一祥,王海斌,等.基于Gabor濾波和局部特征點密度的居民區(qū)提取[J].國土資源遙感,2015,27(3):59-64.doi:10.6046/gtzyyg.2015.03.11. Li X H,Chen Y X,Wang H B,et al.Urban area detection based on Gabor filtering and density of local feature points[J].Remote Sensing for Land and Resources,2015,27(3):59-64.doi:10.6046/gtzyyg.2015.03.11.

(責任編輯: 劉心季)

Extraction of residential area from high resolution images based on wavelet texture and primitive merging

HU Hualong1, XUE Wu1,2,3, QIN Zhiyuan1

(1.InstituteofGeospatialInformation,InformationEngineeringUniversity,Zhengzhou450001,China; 2.StateKeyLaboratoryofGeo-informationEngineering,Xi’an710054,China; 3.KeyLaboratoryofMineSpatialInformationTechnologiesofNASG,HenanPolytechnicUniversity,Jiaozuo454003,China)

Due to the highly detailed information and noise in the high resolution panchromatic images, the results of traditional residential area extraction algorithms based on texture features are not satisfactory. To tackle this problem, the authors propose a method based on wavelet texture and primitive merging in this paper. For obtaining the initial primitives, the image was firstly segmented by fractal net evolution approach modified by the wavelet transform, and then the multi-scale wavelet texture features extraction method was directly applied to the irregular image primitives. Based on the artificially provided seed primitives, the algorithm merged the primitives with similar texture features and then applied morphological methods to the result of primitive merging. In the experiment, Mapping Satellite-1(TH-1) panchromatic images were used to validate the proposed method. The comparative analysis with other texture features-based methods shows that the proposed method could extract the street-block residential area from high resolution panchromatic images with a higher extraction accuracy and computational efficiency.

high resolution panchromatic images; residential area extraction; wavelet transform (WT); fractal net evolution approach (FNEA); primitive-based texture feature; primitive merging

10.6046/gtzyyg.2017.01.04

胡華龍,薛武,秦志遠.基于小波紋理和基元合并的高分影像居民地提取[J].國土資源遙感,2017,29(1):21-28.(Hu H L,Xue W,Qin Z Y.Extraction of residential area from high resolution images based on wavelet texture and primitive merging[J].Remote Sensing for Land and Resources,2017,29(1):21-28.)

2015-08-26;

2015-12-18

地理信息工程國家重點實驗室開放研究基金資助項目“無人機視頻地理信息定標與視頻快速三維重建技術”(編號: SKLGIE2014-M-3-1)和河南理工大學礦山空間信息技術國家測繪地理信息局重點實驗室開放研究基金資助項目“無人機視頻地理國情應急監(jiān)測系統(tǒng)集成關鍵技術研究”(編號: KLM201404)共同資助

胡華龍(1989-),男,碩士研究生,主要研究方向為高分辨率遙感影像地物要素智能化提取。Email: huhualongloong@163.com。

TP 751.1

A

1001-070X(2017)01-0021-08

猜你喜歡
基元小波紋理
基于多小波變換和奇異值分解的聲發(fā)射信號降噪方法
面向異構履帶車輛的統(tǒng)一運動規(guī)劃方法
構造Daubechies小波的一些注記
基于多重示范的智能車輛運動基元表征與序列生成
基于BM3D的復雜紋理區(qū)域圖像去噪
有級轉(zhuǎn)向履帶車輛的駕駛員操控行為模型
基于MATLAB的小波降噪研究
使用紋理疊加添加藝術畫特效
人體細胞內(nèi)存在全新DNA結構
TEXTURE ON TEXTURE質(zhì)地上的紋理