一種結(jié)合顯著性分析的全色高分辨率遙感圖像道路檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感圖像處理及圖像識別技術(shù)領(lǐng)域，具體涉及一種結(jié)合顯著性分析的 全色高分辨率遙感圖像道路檢測方法。
【背景技術(shù)】
[0002] 道路提取是遙感圖像處理技術(shù)的一個重要應(yīng)用，在城鄉(xiāng)規(guī)劃、土地利用、應(yīng)急處理 以及車輛導航等方面都有廣泛的實際應(yīng)用價值。
[0003] 傳統(tǒng)的道路提取方法包括：1)模板匹配法，即通過固定模板大小、形狀和檢驗特 征，讓模板在圖像上滑動，通過在每個位置評價模板的匹配程度來檢測道路；2)動態(tài)規(guī)劃 法：先建立道路屬性的數(shù)學模型，根據(jù)模型來構(gòu)建代價函數(shù)和邊界條件的表達式；3)脊谷 線道路提取法：把圖像灰度看作高程值，局部灰度值最大值的連線為脊線，局部灰度最小值 的連線為谷線，它們在道路提取中分別對應(yīng)亮線道路和暗線道路；4)霍夫變換法：利用圖 像全局特性直接檢測目標輪廓，可以方便地將不連續(xù)的邊緣像素點連接起來，具有受噪聲 和曲線間斷影響小的優(yōu)點。
[0004] 近年來，利用數(shù)學形態(tài)學以及閾值分割等技術(shù)提取道路的方法得到人們的高度重 視與廣泛研究。同傳統(tǒng)道路提取方法相比，它們具有實現(xiàn)方法靈活、道路提取效率高以及計 算復雜度低等優(yōu)勢，這其中又以對遺傳算法（Genetic Algorithm，GA)的研究較為深入。遺 傳算法模擬自然選擇機制，按照優(yōu)勝劣汰、適者生存的自然法則，保證經(jīng)過若干代后，存活 下來的是最優(yōu)個體。對于輸入的遙感圖像，通過遺傳算法模擬染色體的交叉與變異等生物 學過程，可以確定一個全局最優(yōu)的圖像分割閾值，利用該閾值對輸入圖像進行分割，從而達 到將道路從圖像中快速提取出來。
[0005] 基于最大類間方差法（Otsu)的道路提取算法也得到了廣泛研究。該方法通過計 算圖像前景與背景間具有最大方差時的分割閾值，將輸入圖像有效分割為前景與背景兩 類，由于遙感圖像中的道路與背景在亮度上具有明顯不同，因而可以將道路從圖像中快速 分離出來。然而，隨著遙感圖像空間分辨率的不斷提高，圖像中所包含的地物目標更為復 雜，居民區(qū)、山脈、陰影等對道路提取容易造成干擾的背景信息也相應(yīng)增多，導致上述道路 檢測方法應(yīng)用于全色高分辨率遙感圖像的提取效果并不理想。
[0006] 基于視覺注意機制的顯著性分析模型為遙感圖像目標檢測提供了一個全新視角， 不同于傳統(tǒng)的檢測方法，顯著性分析模型是一種完全由數(shù)據(jù)驅(qū)動的圖像分析機制，不涉及 知識庫等外部因素的影響，可以為觀察者快速提供可能的感興趣區(qū)域信息，繼而在該區(qū)域 中尋找重要目標，從而大幅提升圖像處理系統(tǒng)的運行效率。
[0007] Itti等人于1998年提出了極具代表意義的顯著性分析模型，即Itti模型。該模 型利用人眼低層視覺特征構(gòu)建顏色、亮度和方向特征圖，通過特征圖融合得到最終顯著圖， 運用勝者為王機制和返回抑制機制實顯著目標的高效檢測。2007年，Hou等人提出了一種 基于傅立葉變換譜殘差的視覺顯著性模型（Spectral Residual，SR)，即SR模型，它利用頻 域的相位譜與幅度譜的殘差信息構(gòu)建圖像的顯著圖，在較低計算復雜度下實現(xiàn)了圖像顯 著信息的檢測。
[0008] 綜上所述，本發(fā)明提出一種結(jié)合顯著性分析的全色高分辨率遙感圖像道路檢測方 法。首先利用閾值分割獲得包含道路和居民區(qū)的前景特征圖，然后通過顯著性分析獲得輸 入遙感影像的居民區(qū)特征圖，最后將前景特征圖與居民區(qū)特征圖進行異或運算得到道路特 征圖，將道路特征圖與全色高分辨率遙感圖像進行邏輯與運算得到最終的道路信息

【發(fā)明內(nèi)容】

[0009] 本發(fā)明的目的在于提供了一種結(jié)合顯著性分析的全色高分辨率遙感圖像道路檢 測方法，該方法用于對全色高分辨率遙感圖像的道路進行精確檢測?，F(xiàn)有的道路檢測方法 主要依靠先驗知識庫和匹配的方法完成檢測，對于一些形狀較不規(guī)則的道路，檢測的精度 和效率都比較低。所以本發(fā)明方法主要關(guān)注兩個方面：
[0010] 1)提升全色高分辨率遙感圖像道路檢測精度，獲得更為準確的道路信息；
[0011] 2)降低全色高分辨率遙感圖像道路檢測的計算復雜度。
[0012] 本發(fā)明所使用的技術(shù)方案包括前景特征圖生成，居民區(qū)特征圖生成以及道路提取 三個主要過程。
[0013] 在該方法中，首先對全色高分辨率遙感圖像進行基于最大類間方差法的閾值分 害J，獲得二值化前景特征圖，其次對遙感圖像進行基于視覺特征的顯著性分析，通過低通濾 波和伽馬變換獲得居民區(qū)顯著圖，再次對居民區(qū)顯著圖進行閾值分割與腐蝕操作，獲得二 值化的居民區(qū)特征圖，最后將前景特征圖與居民區(qū)特征圖進行異或運算得到道路特征圖， 將道路特征圖與全色高分辨率遙感圖像進行邏輯與運算得到最終的道路信息，具體包括以 下步驟：
[0014] 步驟一：提取所輸入全色高分辨率遙感圖像的二值化前景特征圖，即利用最大類 間方差法確定輸入圖像的分割閾值，并用該閾值對輸入圖像進行分割，以分離前景和背景 信息，將背景信息置為"〇"，將包含居民區(qū)與道路的前景信息置為"1"，從而獲得包含居民 區(qū)和道路的二值化前景特征圖；
[0015] 步驟二：對輸入的全色高分辨率遙感圖像進行顯著性分析，即根據(jù)輸入圖像尺寸 和視網(wǎng)膜離心率將輸入圖像分成大小相等且互不重疊的圖像塊，然后計算每個圖像塊的顯 著值，最后通過低通濾波和伽馬變換獲得居民區(qū)顯著圖，具體過程包括：
[0016] 1)根據(jù)輸入全色高分辨率遙感圖像的尺寸以及視網(wǎng)膜離心率計算圖像的分塊尺 寸，并將圖像分成大小相等且互不重疊的圖像塊；
[0017] 2)對全色高分辨率遙感圖像的每個圖像塊均進行傅里葉變換，依據(jù)傅里葉變換后 各圖像塊的幅度譜計算任意兩個圖像塊間的差異；
[0018] 3)通過人類視覺敏感度確定任意兩個圖像塊間差異的權(quán)重；
[0019] 4)利用一個圖像塊和其余圖像塊間的差異及相應(yīng)權(quán)重計算該圖像塊的顯著值；
[0020] 5)使用高斯低通濾波器消除邊緣效應(yīng)，利用伽馬變換消除背景中的陰影等干擾因 素，最終得到居民區(qū)顯著圖。
[0021] 步驟三：對居民區(qū)顯著圖進行閾值分割、二值化操作及腐蝕操作，得到居民區(qū)特征 圖，即利用最大類間方差法確定居民區(qū)顯著圖的分割閾值，然后利用該閾值對居民區(qū)顯著 圖進行分割并以"〇"表示背景，" 1"表示前景，得到一幅二值化圖像，最后對這幅二值化圖 像進行腐蝕操作，得到二值化的居民區(qū)特征圖；
[0022] 步驟四：利用異或邏輯運算檢測全色高分辨率遙感圖像中的道路，即將步驟一中 所得到的前景特征圖與步驟三中所得到的居民區(qū)特征圖進行異或邏輯運算，從而獲得二值 化的道路特征圖，然后將該特征圖與所輸入的全色高分辨率遙感圖像進行邏輯與運算，最 終檢測出輸入圖像中的道路信息。
[0023] 本發(fā)明提出的方法具有如下的優(yōu)點：
[0024] (1)本發(fā)明利用最大類間方差法對輸入全色高分辨率遙感圖像進行閾值分割，在 低計算復雜度的條件下快速除去背景信息，從而快速、高效地獲得作為前景的居民區(qū)和道 路。
[0025] (2)本發(fā)明將顯著性分析引入到遙感圖像道路檢測中，不依賴先驗知識，一定程度 上降低了計算復雜度并保證了檢測精度。
[0026] (3)本發(fā)明對分割居民區(qū)的顯著圖后得到的二值化圖像進行了腐蝕操作，從而獲 得更加精確的居民區(qū)的特征圖，進一步保證了后續(xù)道路檢測的完整性。
【附圖說明】
[0027] 圖1為本發(fā)明的流程圖；
[0028] 圖2為本發(fā)明所使用的全色高分辨率遙感圖像示例圖片；
[0029] 圖3為本發(fā)明所使用示例圖片的前景特征圖、居民區(qū)顯著圖和居民區(qū)特征圖。（a) 為示例圖片的前景特征圖，（b)為示例圖片的居民區(qū)顯著圖，（c)為示例圖片的居民區(qū)特征 圖；
[0030] 圖4為利用本發(fā)明得到的道路特征圖和道路檢測結(jié)果圖。（a)為示例圖片的道路 特征圖，（b)為示例圖片的道路檢測結(jié)果圖；
[0031] 圖5為示例圖片采用本發(fā)明方法和其他方法生檢測道路的比較。（a)為利用最大 類間方差（Otsu)方法檢測出的道路，（b)為遺傳算法（GA)方法檢測出的道路，（c)為本發(fā) 明方法檢測出的道路；
[0032] 圖6為示例圖片的地面實況（Ground-Truth)顯著度圖；
[0033] 圖7為使用Otsu方法、GA方法和本發(fā)明方法對示例圖片進行檢測的結(jié)果量化對 比圖。
【具體實施方式】
[0034] 下面結(jié)合附圖對本發(fā)明做進一步詳細說明。本發(fā)明的總體框架如圖1所示，現(xiàn)介 紹每一步實現(xiàn)細節(jié)。
[0035] 步驟一：提取所輸入全色高分辨率遙感圖像的二值化前景特征圖，即利用最大類 間方差法確定輸入圖像的分割閾值，并用該閾值對輸入圖像進行分割，以分離前景和背景 信息，將背景信息置為"〇"，將包含居民區(qū)與道路的前景信息置為"1"，從而獲得包含居民 區(qū)和道路的二值化前景特征圖。給定一幅圖像，分割閾值的確定方法如下：
[0036] 設(shè)輸入圖像共有L個灰度級，假設(shè)在第k個灰度級將圖像分為(：。和C i兩類，每一 類出現(xiàn)的概率如下2式計算：
[0039] 在此基礎(chǔ)上，每一類的方差σ。2和σ,2如下2式計算：
[0040]
[0041 ]
[0042] 其中，P1是第i個灰度級出現(xiàn)的概率，μ是每一類中灰度級的均值，Pr(i|C)是每 一類中第i個灰度級出現(xiàn)的條件概率。定義2類間的方差為σ〗，如下式計算：
[0043] σ/Ο?^ωοω^μ^μ。)2，
[0044] 其中，最佳閾值P為使上式取得最大值時的k。
[0045] 步驟二：對輸入的全色高分辨率遙感圖像進行顯著性分析，即根據(jù)輸入圖像尺寸 和視網(wǎng)膜離心率將輸入圖像分成大小相等且互不重疊的圖像塊，然后計算每個圖像塊的顯 著值，最后通過低通濾波和伽馬變換獲得居民區(qū)顯著圖。
[0046] 結(jié)