 |
| 图 1 算法流程图Fig. 1 Algorithm flow chart |
| 图选项 |
2.2 算法原理2.2.1 无人机图像预处理无人机图像容易受不同气象条件的影响,尤其在雾天等不良天气状况下拍摄的图像模糊不清,图像质量差,导致提取的特征数量较少,给建筑区域检测带来影响.为了使算法既简洁又高效,采用直方图均衡和GAMMA调节对图像进行预处理,扩展图像的动态范围,同时增强图像的亮度,实验表明经过预处理之后,检测的特征数量明显增加,进一步提高建筑区的可分辨性.预处理前后的结果对比如图 2和图 3所示.
 |
| 图 2 原始图像 Fig. 2 Initial image |
| 图选项 |
 |
| 图 3 预处理后的图像Fig. 3 Preprocessed image |
| 图选项 |
2.2.2 最大稳定极值区域检测屋顶等人造物体,光反射能力比自然背景更加强烈,呈现团块高亮特点,如图 4所示,每个图对应的下方图像为其二值化图像,对比度高,并且在一定阈值范围内面积变化最小,符合MSER特征.
 |
| 图 4 单个房屋特征 Fig. 4 Features of single house |
| 图选项 |
利用第1节所述最大稳定极值区域提取算法,计算并标记图像稳定区域,数量为1 358个区域,图 5中椭圆标注的区域为稳定区域MSER+,图 6中椭圆标注的区域为代表图像反转后得到的稳定区域MSER-.
 |
| 图 5 MSER+区域Fig. 5 MSER+area |
| 图选项 |
 |
| 图 6 MSER-区域Fig. 6 MSER-area |
| 图选项 |
为了确定图像中建筑房屋的大小,还需知道图像的像素地面分辨率,在垂直下视的情况下,无人机高度为H(单位:m),拍摄的图像大小为w×h(单位:像素),摄像机的视角为水平α×垂直β(单位:°),计算方法如式(1)~式(4).选取实飞图像数据,飞行高度为5 km,摄像机视场角为14.38°×10.59°,图像大小为1 392像素×1 040像素,像素地面分辨率计算如图 7所示.水平距离=2×5 000×tan(7.19)=1 261.15 m=1 392像素,因为 1个像素≈0.906 m，同样，垂直方向:1个像素≈0.891 m.
式中,Lhor,Lver分别表示水平和垂直距离;Phor,Pver分别表示水平和垂直方向上单位像素的实际地理距离.
 |
| 图 7 像素地面分辨率计算Fig. 7 Calculation of ground pixel resolution |
| 图选项 |
郊区或农村房屋的面积S一般在30~200 m2,根据图 7计算的像素地面分辨率结果可知,在图像中一间房屋长度和宽度所占像素个数的范围分别在[8, 20]和[5, 12]之间,以此限定MSER检测的稳定区域大小,检测结果如图 8所示.
 |
| 图 8 建筑区域检测Fig. 8 Building area detection |
| 图选项 |
2.2.3 基于区域密度的建筑区筛选方法在实际图像中,MSER所检测得到的最大稳定极值区域并不都是建筑区,如图 7所示,田野中也存在部分最大稳定极值区域,形成干扰.鉴于通过平滑滤波或无重叠框遍历图像的方法来排除干扰不够准确,本方法利用建筑区特征丰富密集的特点,通过计算最大稳定极值区域密度筛选出建筑区.确定MSER检测的最大稳定极值区域的中心,并用来代替最大稳定极值区域计算区域密度.如图 9所示,黑点代表特征区域,白色为背景.采用m×m大小的窗口,依次计算每个特征位置(x,y)的区域密度f(x,y).
式中点(x,y)为特征区域中心.当f(x,y)>
时,认为该点是房屋,属于建筑区,筛选之后的效果如图 10所示. |
| 图 9 建筑区检测点 Fig. 9 Detected points of building area |
| 图选项 |
 |
| 图 10 滤波去除噪点Fig. 10 Filter to remove noise |
| 图选项 |
2.2.4 自适应K均值聚类因为聚集性和分群而居的特点,同一幅图像中可能出现多个聚集的建筑区域,为了准确标记建筑区,需要对上述特征区域中心点进行聚类.K均值聚类算法[14]处理这种聚类问题简单高效,但是无人机图像中建筑区域的个数并不确定,因此无法自动确定算法的参数.由于无人机视场较小,在单幅无人机图像中,出现的建筑区域个数并不会太多,因此本文在K均值算法的基础上提出了一种自适应策略,给定K一个较大的初始值K=6,从而达到自动确定建筑区数量的目的.具体流程如图 11所示.
 |
| 图 11 自适应K均值聚类计算流程图 Fig. 11 Flow chart of adaptive K-means clustering calculation |
| 图选项 |
限于图像实际地理范围,给定初始K值为6,自适应聚类步骤如下:1) 利用K均值聚类算法,对离散点进行聚类;2) 分别计算K个区域的中心点;3) K个区域两两组合,如图 12所示,计算区域间最短距离CD;
 |
| 图 12 区域间距离计算方法Fig. 12 Calculation methods of distance between areas |
| 图选项 |
4) 若距离CD>V或者K=1,则认为全部都是独立区域,否则K值减1,继续循环计算,阈值V的选取根据像素所代表的实际距离计算,V=
，按照图 7条件,V值取150.基于此方法,对图 10处理结果为K=1,存在一个建筑区.2.2.5 生成建筑区包络根据2.2.4节得到的K个离散区域,采用经典的Graham算法[15]生成建筑区凸壳包络,该算法为最优凸壳算法,时间复杂度约为O(nlogn).Graham算法的基本思想是:以y坐标最小点为初始点P1,计算该点与其他点连线的水平夹角,按夹角大小和到初始点P1的距离进行排序,得到一系列点集合P={P1,P2,…,Pn},其中Pn+1=P1,对点集合{P1,P2,…,Pn,Pn+1}依据凸多边形的各顶点必在该多边形的任意一条边的同一侧的方法原理,删除不属于凸壳上的点,得到新的点集合P′={P1,P2,…,Pm},最后根据点集合P′标记边界,实现建筑区的自动提取,效果如图 13所示. |
| 图 13 建筑区包络图 Fig. 13 Envelop of building area |
| 图选项 |
3 实验结果与分析对部分图像人工标注出建筑区域作为基准数据,并将提取结果与人工标注结果相比较.图 14展示了不同测试数据的提取结果.
 |
| 图 14 测试结果Fig. 14 Experiment results |
| 图选项 |
从图 14直观上看,人工标记的结果与自动提取的结果大体上比较接近,由于Graham算法是凸包算法,只能生成区域凸壳,因此人工标注结果与自动提取结果有部分位置的偏差.为了更好地描述算法效果,采用无人机图像数据集,对自动提取的像素数目做统计,并以人工提取的像素数目作为标准,统计准确率、误检率和漏检率及时间性能.本文进行两个方面的测试：一方面是MSER性能分析;另一方面是分析图像预处理和自适应K均值聚类方法对结果的影响.本方法以无人机中低空侦察图像集为对象,无人机高度为5 km,摄像机视场角为14.38×10.59°,图像大小为1 392像素×1 040像素,实验计算机配置为Intel Core 2 Duo双核处理器,主频2.20 GHz,内存2.00 GB,平台为Microsoft Visual C++6.0.3.1 MSER性能分析基于特征统计的建筑区域提取方法中,利用DSM、光谱等信息有自身应用的局限性,而根据SIFT、纹理特征有更为广泛的适用性.本部分讨论MSER算法相比基于Gabor变换的纹理特征、SIFT特征点的提取算法的时间性能分析,Gabor滤波器选择4方向,设定滤波窗口大小为尺度为5×5.时间性能方面,如表 1所示,针对大小为1 392像素×1 040像素的图像集做特征检测,MSER算法平均检测1 358个特征区域耗时1.092 s,SIFT算法平均检测1 175个特征点耗时3.073 s,纹理特征检测算法平均耗时2.509 s.因此,在相同特征点数量的情况下,MSER算法时间性能优于SIFT,在图像大小相同的情况下,MSER算法优于纹理检测方法,计算简单高效. 表 1 特征检测方法分析Table 1 Analysis of feature detection methods
| 方法 | 图像大小/像素 | 特征数量/个 | 平均耗时/s |
| SIFT | 1 392×1 040 | 1 175 | 3.073 |
| 纹理 | 1 392×1 040 | 2.509 | |
| MSER | 1 392×1 040 | 1 358 | 1.092 |
表选项
3.2 实验结果分析表 2为本算法提取结果,采取4组图像集测试,共3 722个建筑数量,平均正确率达到92.25%,误检率也较低.同时,分析对比有无图像预处理和自适应K均值聚类两部分的算法结果,如表 3所示,实验1为本文算法结果,实验2为没有图像预处理的提取结果,实验3代表了没有自适应K均值聚类的提取结果.实验1和2对比,在没有预处理的情况下,虽然时间性能得到提高仅有0.06s,但正确率下降了3.5%同时造成误检率上升;实验1和3对比,自适应K均值聚类对正确率和漏检率基本无影响,但有效降低了误检率,非自适应K均值聚类的情况下,虽然运算时间减少了0.02s(约1.69%),但误检率高. 表 2 算法提取结果分析Table 2 Analysis of algorithm extraction results
| 图像集 | 建筑数量 | 正确数量 (正确率) | 漏检数量 (漏检率) | 误检数量 (误检率) |
| A1 | 876 | 829(94.10%) | 47(5.90%) | 12(1.37%) |
| A2 | 771 | 733(93.46%) | 38(6.54%) | 7(0.91%) |
| A3 | 799 | 714(86.01%) | 85(13.99%) | 8(1.00%) |
| A4 | 1 276 | 1 225(95.42%) | 51(4.58%) | 15(1.18%) |
| 总计 | 3 722 | 3 501(92.25%) | 221(7.75%) | 42(1.12%) |
表选项
表 3 提取结果对比分析Table 3 Comparison analysis of extraction results
| 实验 | 建筑 数量 | 正确数量 (正确率) | 漏检数量 (漏检率) | 误检数量 (误检率) | 时间/s |
| 1 | 3 722 | 3 501(92.25%) | 221(7.75%) | 42(1.12%) | 1.18 |
| 2 | 3 722 | 3 368(87.93%) | 358(12.07%) | 58(1.56%) | 1.12 |
| 3 | 3 722 | 3 501(92.25%) | 221(7.75%) | 111(2.97%) | 1.16 |
表选项
因此,本方法在保证时间性能的前提下取得了较高的正确检测率,大多数图像中的建筑区域能够被检出.另外,也会造成区域漏检和误检,例如只检测出部分区域的情况,造成区域的漏检,以及检测出不属于建筑区的区域,造成误检,但漏检率和误检率比较低.这种情况的发生,主要是因为若干建筑区域面积较小不易被检出,或者居民区距离较近,此时居民区之间的空地被连入建筑区范围内,造成误检,误检率在1.1%左右.文献[8, 9]中使用纹理检测原理检测建筑区,使用中低分辨率图像,图像大小为235像素×265像素,算法耗时分别为1.99 s和0.42 s,本文算法使用1 392像素×1 040像素大小图像耗时1.18 s.综上所述,相比SIFT和纹理检测方法,本算法耗时较短,处理效率较高.4 结 论通过分析计算,现得出结论如下：1) 最大稳定极值区域提取算法具有良好的稳定性，计算简单高效;2) 将MSER检测结果与区域大小、密度计分布特征相结合,采用自适应K均值聚类的方法可稳定地提取建筑区域.实验数据表明,该方法提取精度为92.25%,具有较好的准确率,有效可行.但是,该算法采用Graham算法生成的凸壳边界较为简单,这也是造成误检率很重要的一个原因;另外,在森林地区由于树木之间的遮挡造成局部存在稳定区域,对建筑区域检测提取造成误扰.如何改进边界生成的方法和增强本文算法鲁棒性是日后工作的重点和方向.
参考文献
| [1] | 刘海飞, 常庆瑞,李粉玲.高分辨率影像城区建筑物提取研究[J].西北农林科技大学学报:自然科学版,2013,41(10):221-227. Liu H F,Chang Q R,Li F L.Urban building extraction of high-resolution images[J].Northwest Agriculture and Forestry University of Science and Technology:Natural Science Edition,2013,41(10):221-227(in Chinese). |
| Cited By in Cnki | |
| [2] | Tao C, Tan Y H,Yu J G,et al.Urban area detection using multiple Kernel Learning and graph cut[C]//2012 32nd IEEE International Geoscience and Remote Sensing Symposium.Piscataway,NJ:IEEE,2012:83-86. |
| Click to display the text | |
| [3] | Sirmacek B, Unsalan C.Urban-area and building detection using SIFT keypoints and graph theory[J].Geoscience and Remote Sensing,IEEE Transactions on,2009,47(4):1156-1167. |
| Click to display the text | |
| [4] | 张立民,张建廷, 徐涛.基于对象的最优尺度建筑物信息提取方法[J].计算机应用研究,2012,29(12):4789-4792. Zhang L M,Zhang J T,Xu T.Object-based of optimal scale building information extraction method[J].Application Research of Computers,2012,29(12):4789-4792(in Chinese). |
| Cited By in Cnki (1) | |
| [5] | 黄金库,冯险峰, 徐秀莉,等.基于知识规则构建和形态学修复的建筑物提取研究[J].地理与地理信息科学,2011,27(4): 28-31. Huang J K,Feng X F,Xu X L,et al.Building extraction based on knowledge rule and morphological restoration[J].Geography and Geo-Information Science,2011,27(4):28-31(in Chinese). |
| Cited By in Cnki (4) | |
| [6] | 杨萍,姜志国, 刘滨涛.一种遥感图像建筑物检测新方法[J].航天返回与遥感,2013,34(5):70-77. Yang P,Jiang Z G,Liu B T.A new building detection method in remote sensing image[J].Aerospace & Remote Sensing,2013,34(5):70-77(in Chinese). |
| Cited By in Cnki (2) | |
| [7] | Sirmacek B, Unsalan C.Urban area detection using local feature points and spatial voting[J].IEEE Geoscience and Remote Sensing Letters,2010,7(1):146-150. |
| Click to display the text | |
| [8] | 谷多玉,郭江, 李书晓,等.基于Gabor滤波器的航空图像居民区域提取[J].北京航空航天大学学报,2012,38(1):106-110. Gu D Y,Guo J,Li S X,et al.Resident region extraction using Gabor filter in aerial imagery[J].Journal of Beijing University of Aeronautics and Astronautics,2012,38(1):106-110(in Chinese). |
| Cited By in Cnki (1) | |
| [9] | Matas J, Chum O,Urban M,et al.Robust wide-baseline stereo from maximally stable extremal regions[J].Image and Vision Computing,2004,22(10):761-767. |
| Click to display the text | |
| [10] | Mikolajczyk K, Tuytelaars T,Schmid C,et al.A comparison of affine region detectors[J].International Journal of Computer Vision,2005,65(1-2):43-72. |
| Click to display the text | |
| [11] | 王永明,王贵锦. 图像局部不变性特征与描述[M].北京:国防工业出版社,2010:102-127. Wang Y M,Wang G J.Image local invariant features and description[M].Beijing:Defense Industry Press,2010:102-127(in Chinese). |
| [12] | Murphy-Chutorian E, Trivedi M.N-tree disjoint-set forests for maximally stable extremal regions[C]//2006 17th British Machine Vision Conference.Edinburgh,United Kingdom:British Machine Vision Association,2006:739-748. |
| Click to display the text | |
| [13] | Mikolajczyk K, Schmid C.A performance evaluation of local descriptors[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2005,27(10):1615-1630. |
| Click to display the text | |
| [14] | MacQueen J. Some methods for classification and analysis of multivariate observations[C]//Proceedings of the fifth Berkeley Symposium on Mathematical Statistics and Probability.Berkeley,California:University of California Press,1967:281-297. |
| Click to display the text | |
| [15] | Graham R L. An efficient algorithm for determining the convex hull of a finite planar set[J].Information Processing Letters,1972,1(4):132-133. |
| Click to display the text |
