多時相遙感圖像目標(biāo)變化檢測的特征提取算法

1、多時相遙感圖像目標(biāo)變化檢測的特征提取算法XXX（XXX大學(xué)， 南京210044）摘要：本文主要針對多時相遙感圖像目標(biāo)變化檢測中圖像的特征進行提取，主要有幾何結(jié)構(gòu)特征、HOG 特征以及Gabor 紋理特征。著重講述幾何結(jié)構(gòu)特征及其提取的算法：梯度算子，高斯- 拉普拉斯算子(LOG和Canny算子。并對這些算法作出比較，發(fā)現(xiàn)Canny邊緣檢測算子能比較完美的檢測出遙感圖像的邊緣，用于幾何結(jié)構(gòu)特征提取，進而為多時相遙感圖像目標(biāo)變化檢測后續(xù)工作打下基礎(chǔ)。關(guān)鍵字：遙感圖像變化檢測; 邊緣檢測; 特征提取; Canny算法;The feature extraction algorithm of remot

2、e sensing image target change detectionXXX(University of XXX, Nanjing 210044, ChinaAbstract: This paper focuses on the changes of remote sensing image of target image on the characteristics of the testing are mainly geometric structure, features and characteristics of HOG, Gabor texture feature. The

3、 emphasis on geometric structure characteristics and extraction algorithm: gradient operator, Laplace operator (gauss - LOG and Canny operator. And these algorithms to find Canny edge detection, the operator can compare the perfect detection of remote sensing image edge, the geometrical structure us

4、ed for feature extraction of remote sensing image target change detection follow-up work to lay the foundation.Key Words:Remote sensing image target change detection; Edge detection; The feature extraction; Canny algorithm1 引言隨著遙感圖像數(shù)據(jù)空間分辨率和時間分辨率的提高，多時相遙感圖像變化檢測已成為遙感圖像處理領(lǐng)域中重要的研究內(nèi)容，廣泛地應(yīng)用于地理信息系統(tǒng)更新、資源環(huán)境監(jiān)

5、測、城市規(guī)劃和國防建設(shè)等方面。根據(jù)圖像分析的不同層次，常用的變化檢測方法可分為像素級變化檢測、特征級變化檢測與目標(biāo)級變化檢測。其中，目標(biāo)級變化檢測是一種基于目標(biāo)模型的高層分析方法1，直接面向應(yīng)用，但易受目標(biāo)檢測算法準(zhǔn)確性的制約，尤其是在復(fù)雜的背景情況下。本文主要針對多時相遙感圖像目標(biāo)變化檢測中圖像的特征進行提取，主要有幾何結(jié)構(gòu)特征、HOG 特征以及Gabor 紋理特征。著重講述幾何結(jié)構(gòu)特征及其提取的算法：梯度算子，高斯- 拉普拉斯算子(LOG和Canny算子。并對這些算法作出比較，發(fā)現(xiàn)Canny邊緣檢測算子能比較完美的檢測出遙感圖像的邊緣，用于幾何結(jié)構(gòu)特征提取，進而為多時相遙感圖像目標(biāo)變化檢測

6、后續(xù)工作打下基礎(chǔ)。2 系統(tǒng)框圖從模式識別的角度看，可以把變化檢測理解為一個兩類分類問題。從兩時相圖像中提取分類特征，設(shè)計分類器，把圖像中的像素點對分為變化和非變化兩類。如果將分類對象由像素擴展到區(qū)域，則可以對圖像中的區(qū)域進行變化情況的分類。本文算法的特征級變化檢測思路即源于此，將圖像劃分為子圖像對，特征提取與模式分類均在子圖像對上進行。通過特征級變化檢測，得到一系列變化子圖像對和非變化子圖像對，根據(jù)提取出的非變化子圖像對，采用回歸分析的方法求取整圖的輻射校正參數(shù)，對提取出的變化子圖像對進行輻射校正，然后進行像素級變化檢測，從而將檢測結(jié)果由定性轉(zhuǎn)為定量。本文的變化檢測系統(tǒng)框圖如圖1 所示，圖2-

7、圖4是實例圖。圖1 算法的系統(tǒng)框圖圖2 不同時相的遙感圖像圖3 特征提取圖4 變化檢測結(jié)果2 特征提取由于人造目標(biāo)的變化可由目標(biāo)所在局部區(qū)域的邊緣特征和紋理特征的變化進行可靠的描述2，本文選用了以下三種特征進行特征級變化檢測：幾何結(jié)構(gòu)特征、HOG 特征以及Gabor 紋理特征。2.1幾何結(jié)構(gòu)特征在高分辨率遙感圖像中，幾何結(jié)構(gòu)特征是表征人造目標(biāo)的主要特征。相應(yīng)地，幾何結(jié)構(gòu)特征的變化是人造目標(biāo)變化及毀傷的主要表現(xiàn)形式。本文關(guān)注的人造目標(biāo)主要包括建筑物，道路，橋梁，機場，油庫，發(fā)電廠等。經(jīng)過大量樣本統(tǒng)計發(fā)現(xiàn)，上述目標(biāo)的幾何結(jié)構(gòu)以線型結(jié)構(gòu)、弧型結(jié)構(gòu)或其組合為主，具有較穩(wěn)定的組織結(jié)構(gòu)模式。因此，本文從圖

8、像的邊緣圖中按照目標(biāo)的特征描述提取相應(yīng)的幾何結(jié)構(gòu)邊緣，從而避免顯式提取目標(biāo)，并根據(jù)幾何結(jié)構(gòu)邊緣構(gòu)造統(tǒng)計意義上的幾何結(jié)構(gòu)特征。本文提取了三類幾何結(jié)構(gòu)邊緣，上述幾類人造目標(biāo)的幾何結(jié)構(gòu)邊緣分別可以歸類于其中：·圓弧類目標(biāo)邊緣，如油庫、熱電廠煙囪、微波雷達站等目標(biāo)的邊緣。·建筑物類目標(biāo)邊緣，如樓房等目標(biāo)的邊緣。·道路類目標(biāo)邊緣，如道路、橋梁、機場跑道等目標(biāo)的邊緣。圖5 圓弧類目標(biāo)幾何結(jié)構(gòu)邊緣提取圖6 建筑物類目標(biāo)幾何結(jié)構(gòu)邊緣提取圖7 道路類目標(biāo)幾何結(jié)構(gòu)邊緣提取首先，采用Canny 算子得到邊緣圖像；然后，采用連通域搜索的方法將邊緣圖中的邊緣點組合標(biāo)識為邊緣線段，由于人造目

9、標(biāo)的邊緣以直線或弧線為主，曲率比較穩(wěn)定，所以從標(biāo)識的邊緣線段中保留曲率穩(wěn)定的邊緣線段，并去除大量雜亂散碎的邊緣線段；最后對剩余的邊緣線段進行分類。對于油庫或其它圓弧類目標(biāo)，其邊緣曲率比較穩(wěn)定，并且，與直線相比，其邊緣線段長度與邊緣線段兩端點間距離之差較大。預(yù)設(shè)閾值threshold，計算邊緣線段長度line_length 和邊緣線段兩端點之間距離，如果滿足則此邊緣線段屬于圓弧類目標(biāo)的邊緣。threshold 根據(jù)大量的統(tǒng)計實驗設(shè)為1:5。通過二十余幅油庫圖像的實驗，表明上述圓弧邊緣提取方法簡單易行，并能快速準(zhǔn)確地提取出不同尺寸的油庫邊緣。建筑物類和道路類目標(biāo)邊緣在剩余的邊緣線段中提取。對邊緣線

10、段進行直線擬合，提取出垂直邊緣和平行邊緣。圖5、6 和7 分別給出了上述三類不同目標(biāo)的幾何結(jié)構(gòu)邊緣提取的中間過程與最后結(jié)果。由上述討論可知，整個幾何結(jié)構(gòu)邊緣的提取過程相當(dāng)于對Canny 邊緣圖進行濾波，從中提取出有意義的、滿足人造目標(biāo)幾何結(jié)構(gòu)定義的邊緣。所以，提取出的邊緣是Canny 邊緣圖的一個子集。分別統(tǒng)計子圖像內(nèi)三類邊緣點的數(shù)目，則可得到一個表征子圖像內(nèi)幾何結(jié)構(gòu)的3 維特征向量，此即為幾何結(jié)構(gòu)特征。2.2 其他特征HOG 特征通過提取局部區(qū)域的邊緣或梯度的分布，可以很好地表征局部區(qū)域內(nèi)目標(biāo)的邊緣或梯度結(jié)構(gòu)，進而表征目標(biāo)的形狀。由于在局部區(qū)域統(tǒng)計求取，HOG 特征對輻射差異和配準(zhǔn)誤差有較強

11、的魯棒性。Gabor 紋理特征，人造目標(biāo)的出現(xiàn)或消失，甚至毀傷會引起所在區(qū)域紋理的顯著變化，本文選用的紋理特征為Ga-bor 紋理特征。二維Gabor 濾波器是帶通濾波器，在空間域和頻率域均有較好的分辨能力，可以提取圖像在不同頻率尺度和紋理方向的信息。當(dāng)圖像邊緣特征的方向和二維Gabor 濾波器紋理特征的方向一致時，二維Gabor 變換有較強的響應(yīng)。二維Gabor 濾波器由二維高斯包絡(luò)對平面波進行調(diào)制而成4。3 邊緣檢測算法圖像的邊緣就是指圖像灰度發(fā)生空間突變的像素的集合。圖像的邊緣是圖像的基本特征之一,人們對目標(biāo)的識別主要是依靠邊緣?；叶鹊耐蛔円话愠Ｓ脤?dǎo)數(shù)來描述和檢測。常見的灰度突變主要有3

12、 種: 階躍狀、斜坡狀和屋頂狀。圖8圖像邊緣及其導(dǎo)數(shù)曲線規(guī)律從圖8 可以看出,灰度剖面圖的一階導(dǎo)數(shù)在圖像的突變處產(chǎn)生一個階躍。因此,可以用一階導(dǎo)數(shù)的幅度值檢測邊緣的存在,根據(jù)二階導(dǎo)數(shù)的幅度變化情況可以確定邊緣的位置。對于數(shù)字圖像來說,通常利用差分來近似微分進行計算。3.1 梯度算子對于數(shù)字圖像,梯度是一階導(dǎo)數(shù)的二維等效形式,因此通過求取梯度可以判斷邊緣。對于一個連續(xù)函數(shù)f ( x , y 在( x , y 處的梯度定義如下：梯度是一個向量,其幅值和相位分別為:對于數(shù)字圖像,通常以兩相鄰點之間灰度差來近似Gx 和Gy ,即: x f = f ( m , n - f ( m - 1 , n y f

13、 = f ( m , n - f ( m , n - 1 上述公式采用模板表示, 則為:和。模板算子運算時采用卷積方式,即把模板在圖像上移動并在每點計算相應(yīng)的梯度值。圖像處理發(fā)展到今天,人們已經(jīng)提出了許多不同大小、不同系數(shù)的算子, 例如: 常用梯度算子Robert s 算子,Prewit t 算子,Sobel 算子等等。3.2 高斯- 拉普拉斯算子(LOG拉普拉斯算子是一種二階微分算子, 能在邊緣處產(chǎn)生一個陡峭的零交叉。前面介紹的幾種梯度算子都具有方向性, 不能對各種走向的邊緣都具有相同的增強效果。但是拉普拉斯算子是標(biāo)量算子, 是各向同性的, 能對任何走向的界線和線條進行銳化。這是拉普拉斯算子

14、區(qū)別于其他算法的最大優(yōu)點。一個二維圖像f ( x , y 的拉普拉斯算子定義為:在圖像處理過程中, 函數(shù)的拉普拉斯算子也是借助模板來實現(xiàn)的。其模板的基本特征是中心的系數(shù)為正, 其余相鄰系數(shù)為負(fù), 所有系數(shù)之和為零。常用拉普拉斯算子的模板如下:和但是, 由于拉普拉斯算子檢測方法對噪聲比較敏感, 而且不能提供邊緣方向信息, 容易產(chǎn)生雙邊緣, 所以一般很少直接使用拉普拉斯算子進行邊緣檢測。為了克服上述不足, 可先用一個高斯型二維低通濾波器對圖像進行平滑, 然后再對圖像求拉普拉斯算子。這種方法的算子稱為Laplace_Gauss 算子(LOG , 表述為:式中: G為高斯函數(shù),是卷積核。其常用的5 &

15、#215;5 模板為:3.3 Canny 算子Canny 邊緣檢測算子是近年來在許多數(shù)字圖像領(lǐng)域中得到廣泛應(yīng)用的一種比較新的邊緣檢測算子。Canny 認(rèn)為一個優(yōu)良的邊緣檢測算子應(yīng)具有以下3 個特性3:1 好的檢測性能。即不漏檢真實邊緣, 也不把非邊緣點作為邊緣點檢出, 使輸出的信噪比最大。2 好的定位性能。即檢測出的邊緣點要盡可能靠近實際邊緣的中心位置。3 唯一性。對于單個邊緣點僅有一個響應(yīng)。根據(jù)以上3 個準(zhǔn)則, Canny 推導(dǎo)出最優(yōu)邊緣檢測算子的一個近似實現(xiàn)是: 邊界點位于圖像被高斯函數(shù)平滑后的梯度幅度的極大值點。通過Canny 算子的計算, 可以計算出數(shù)字圖像邊緣的邊緣強度和邊緣的梯度方

16、向, 為后續(xù)邊緣點判斷提供依據(jù)。利用高斯函數(shù)的可分性, 將 G 的兩個濾波器卷積模板分解為兩個一維的行列濾波器:分別與圖像f ( x , y 卷積, 得到:則A ( i , j 反映了圖像上( i , j 點處的邊緣強度,( i , j 是圖像在( i , j 點處的法向矢量(正交于邊緣方向 。當(dāng)一個像素滿足以下三個條件時,則被認(rèn)為是圖像的邊緣點:該點的邊緣強度大于沿該點梯度方向的兩個相鄰像素點的邊緣強度;與該點梯度方向上相鄰兩點的方向差小于45°以該點為中心的3 ×3 領(lǐng)域中的邊緣強度極大值小于某個閾值。條件1 、2 的作用是將在梯度方向上的兩個相鄰像素從候選邊緣點中剔除

17、, 條件3 的作用是消除虛假的邊緣點。Canny 邊緣檢測算子步驟如下:step1 :用高斯濾波器對圖像進行濾波消噪;step2 :用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向;step3 :對梯度幅值進行非極大值抑制;step4 :用雙閾值算法檢測和連接邊緣。3.4 各算子對比LOG算子首先通過高斯函數(shù)對圖像進行平滑處理, 因此對噪聲的抑制作用比較明顯, 但同時也可能將原有的邊緣也平滑了, 造成某些邊緣無法檢測到。此外高斯分布因子的選擇對圖像邊緣檢測效果有較大的影響。越大, 檢測到的圖像細節(jié)越豐富, 但抗噪能力下降, 從而出現(xiàn)偽邊緣, 反之則抗噪能力提高, 但邊緣檢測精度下降, 易丟失許多真邊

18、緣, 因此, 對于不同圖像應(yīng)選擇不同參數(shù)。Canny 算子也采用高斯函數(shù)對圖像進行平滑處理, 因此具有較強的去噪能力, 但同樣存在容易平滑掉一些邊緣信息, 其后所采用的一階微分算子的方向性較LOG算子要好,因此邊緣定位精度較高。該算子與其它邊緣檢測算子的不同之處在于, 它使用2 種不同的閾值分別檢測強邊緣和弱邊緣, 并且僅當(dāng)弱邊緣與強邊緣相連時才將弱邊緣包含在輸出圖像中, 因此這種方法較其它方法而言不容易被噪聲“填充”,更容易檢查出真正的弱邊緣。該算子在上述幾種邊緣檢測算子當(dāng)中效果最好5。5 結(jié)論本文總結(jié)了各種算法的優(yōu)缺點及適用范圍, 通過對算子的檢測比較后,可以看出, Canny 邊緣檢測算子能比較完