一种基于高分辨率遥感影像的农村居民点信息提取方法

技术领域

本发明涉及一种遥感影像信息提取方法，具体地说是一种基于 高分辨率遥感影像的农村居民点信息提取方法，属于图像智能处理 技术领域。

背景技术

城镇化是人口持续向城镇集聚的过程，是世界各国工业化进程 中必然经历的历史阶段，是实现工业化、现代化历程中的重要标志， 体现了社会生产生活方式的质变与优化。我国直至改革开放以后， 才迎来城镇化发展的浪潮。国家统计局的数据显示，中国的城镇化 水平由1978年的17.9％上升到2012年的52.6％，上升了34.7个 百分点，年均上升1.0个百分点，达到了世界平均水平。但快速发 展的城镇化背后潜藏的诸多矛盾、问题也日益凸显。诸如，城镇化 与工业化之间的不匹配，土地城镇化与人口城镇化之间的非规整， 城镇结构体系不合理，城镇化导致的土地浪费，环境质量降低等等 问题。因此，在党的十八大报告中，提出了有中国特色的新型城镇 化发展之路，将其定位为我国面向新时期经济社会发展提出的国家 战略。为改善城镇化与导致的土地浪费的问题，新型城镇化在城镇 建设方面强调“集聚增长、混合利用、紧凑开发”的集聚紧凑策略， 注重土地资源的合理配置与利用。另外，新型的城镇化建设过程中 既要快速的监测城镇建成区面积信息，又要快速的获取农村居民点 面积信息，以服务于国民经济的宏观调控和国土资源的高效利用。

农村居民点面积是判断一个区域经济社会发展规模和阶段的重 要指标，也是判断一个区域城镇发展水平的重要依据，以及判断一 个区域土地利用效率的基础数据，反映了一个区域的综合经济实力 与现代化水平。

伴随遥感技术的快速发展，高分辨率遥感影像已经成为获取农 村居民点信息的主要途径。如何从海量高分辨率遥感影像数据中高 效、精准地提取农村居民点区域边界信息，是高分辨率遥感影像智 能解译中亟待解决的关键技术问题之一。同时，农村居民点是遥感 影像中典型的、很常见也很重要的地物要素类型，其信息的有效获 取，在地理数据更新、地形图测制与修测、城市规划管理等领域均 有及其重要的意义。

在遥感图像农村居民点提取方法上，目前应用较为广泛的方法 包括：目视解译法、监督分类法、非监督分类法、面向对象的分类 算法、人工神经网络法、基于谱间特征与多种指数法、基于空间结 构的提取方法等。由于农村居民点内部地物复杂性,空间分布的差 异性与时域的变异性,目前农村居民点提取方法中精度最高的仍是 目视解译方法，但其需要投入巨大的人力和时间。而现有基于图像 分类、光谱指数和空间结构的方法，往往受到“同物异谱，异物同 谱”和地物空间结构的复杂性影响，通常需要后期的人工参与进行 识别修正，以提高提取精度。另外，从数据源上，目前已有的方法 多数适用于中低空间分辨率的遥感影像，部分提出的高分辨率遥感 农村居民点提取方法又往往受影像质量、场景复杂度的影响较大、 且需要大量的人工干预，这降低了方法的普适性和自动化程度。

而在居民地内部包含有大量的人造目标(如建筑物顶、道路、停 车场等)，这些人造目标存在大量的直角点特征；同时，自然地物(如 林地、草地、耕地)不存在或者仅仅存在少量直角点特征。这反应 在影像特征方面，表现为：居民点区域的高分辨率遥感影像可以检 测出大量的直角点，非居民地区域的高分辨率遥感影像检测不出或 者可以检测出少量的直角点，且居民点区域高分辨率遥感影像的直 角点的密度显著的大于非居民点区域高分辨率遥感影像的直角点密 度。因此，如果能可靠地检测到属于这些人工地物的直角点，很自 然地就可以利用影像中的角点密度特征及其分布来推断候选居民地 的位置及其大小。

近20年来，人们提出了很多角点检测方法，最著名的是Harris 角点检测算法。尽管Harris角点检测算法对角点的定位非常准确， 并且能在居民地内部检测到大量的角点，但存在的不足是，该方法 对纹理区域十分敏感，容易在一些纹理丰富的非居民地中(如森林、 农田等)检测到大量的角点。因此，直接利用Harris角点提供的信 息来推断影像中的居民地区域是不切实际的。

发明内容

针对现有技术的不足，本发明提供了一种基于高分辨率遥感影 像的农村居民点信息提取方法，它能够满足影像中农村居民地提取 的需要，提高高分辨率遥感影像农村居民点提取的鲁棒性和普适性。

本发明解决其技术问题采取的技术方案是：一种基于高分辨率 遥感影像的农村居民点信息提取方法，其特征是，包括以下步骤：

步骤一，对高分辨率遥感影像进行边缘检测获取矢量边缘线；

步骤二，对矢量边缘线进行化简提取直线段，只保留较长的直 线段；

步骤三，根据直线段间的邻接关系和夹角约束提取直角点，并 生成直角点密度特征图像；

步骤四，对直角点密度特征图像进行二值化处理，提取农村居 民点矢量图斑，从而实现了农村居民点信息的提取。

优选地，在步骤一中，对高分辨率遥感影像进行Canny边缘检 测，通过链码边缘追踪方法获取矢量边缘线。

优选地，在步骤二中，分别对每一条矢量边缘线进行道格拉斯 —普克(Douglas-Peukcer)分裂提取直线段，并按照长度阈值约束剔 除较短的直线段、保留较长的直线段。

优选地，在步骤三中，根据直线段间的邻接关系和夹角约束提 取直角点，并统计一定空间区域范围内直角点的密度特征以及生成 直角点密度特征图像，且生成的直角点密度特征图像与高分辨率遥 感图像具有相同的空间范围和空间分辨率。

优选地，在步骤四中，利用大津算法(Otsu算法)对直角点密 度特征图像进行二值化处理，并通过连通成分分析提取农村居民点 矢量图斑。

进一步地，所述步骤一具体包括以下步骤：(1)采用高斯滤波 器对高分辨率遥感影像进行平滑处理；(2)计算梯度的幅值和方向； (3)对梯度幅值进行非极大值抑制；(4)用双阈值算法检测图像边 缘；(5)通过链码边缘追踪方法获取矢量边缘线。

进一步地，所述步骤二具体包括以下步骤：(1)对于某一矢量 的曲线，计算曲线之间距离弦距离最大的点C；(2)如果距离 d(C,)大于一定的阈值，则点C保留下来，作为最终曲线的一个顶点； (3)继续对曲线按照步骤(1)和(2)进行处理，即如果弧之间距 离最大的顶点D到弦的距离仍然大于预设阈值，则顶点D保留下来作 为新的顶点；同样，计算弧之间的距弦距离最大的顶点E，如果 距离大于预设阈值，则顶点E保留下来作为新的顶点；(4)重复步 骤(3)继续对曲线进行处理，直到没有超过预设阈值的顶点为止。

进一步地，所述步骤三具体包括以下步骤：(1)对某一直线段 的一个端点，搜索距离该端点一定空间距离阈值内的所有直线段， 并检查是否有其他直线段与该直线段垂直；如果存在垂直该直线段 的直线段，则求取两垂直直线的交点作为直角点；(2)对上述直线 段的另一端点做类似的处理，如果获取的直角点与已有的直角点不 重复，则作为新的直角点；反之，不保留该直角点；(3)继续用按 照步骤(1)和(2)处理其它直线段，直至所有的直线段判别完成， 则可以生成该高分辨率遥感图像上的所有直角点；(4)生成一个新 的直角点密度特征图像，该直角点密度特征图像与高分辨率遥感图 像具有相同的空间范围和空间分辨率，且图像的每一个像素值标记 为0；(5)对直角点密度特征图像按照一定的规则进行分块，每一 块呈正方形、且块与块之间无重叠；(6)计算每一块内直角点的数 量n，同时该块内直角点密度特征图像的像素值标记为n，直至所有 的块处理完毕，其中，n为正整数。

进一步地，所述步骤四具体包括以下步骤：(1)对直角点密度 特征图像采用大津算法进行聚类处理，把直角点密度特征图像的每 一像素按像素值分成两类，即农村居民点类和非农村居民点类；(2) 对农村居民点类的像素进行4连通的连通成分分析，对获取的连通 成分进行栅格矢量化处理生成农村居民点矢量图斑。

本发明的有益效果如下：

(1)改进了直角点的提取方法，使用邻近直线段求交生成直角 点，使直角点提取更加鲁棒，克服了常规的角点检测方法受影像质 量、场景复杂度和自然地物影响的弱点。

(2)通过直角点密度强度特征分析获取了高分辨率遥感影像的 农村居民点区域和非农村居民点区域信息，极大地提高了高分辨率 遥感影像农村居民点提取的精度和效果。

(3)相比现有的农村居民点提取方法，本发明的的鲁棒性和普 适性更好。

附图说明

图1为本发明的方法流程图；

图2(a、b、c、d)为本发明的对矢量边缘线进行化简提取直线 段的过程示意图；

图3为本发明的提取直角点的示意图；

图4为本发明农村居民点信息提取的技术流程图；

图5为某一农村区域的高分辨率遥感影像；

图6为经典的Harris角点检测算法的检测结果及局部放大图；

图7为本发明直角点提取方法的检测结果及局部放大图；

图8为本发明基于高分辨率遥感影像的农村居民点信息(白色区 域)提取结果图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并 结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同 的实施例或例子用来实现本发明的不同结构。为了简化本发明的公 开，下文中对特定例子的部件和设置进行描述。此外，本发明可以 在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚 的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应 当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了 对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

针对农村居民地信息提取的需要，本发明提供了一种基于直角 点密度特征分析的高分辨率遥感影像农村居民点信息提取方法，尤 其采取了一种基于矢量直线段的直角点生成方法，以提高直角点检 测和高分辨率遥感影像农村居民点提取的鲁棒性和普适性，可应用 于高分辨率遥感图像的智能解译，特别是遥感制图、城镇化监测、 生态红线监测等技术领域。

如图1所示，本发明的一种基于高分辨率遥感影像的农村居民 点信息提取方法，它包括以下步骤：

步骤一，对高分辨率遥感影像进行Canny边缘检测，通过链码 边缘追踪方法获取矢量边缘线；

步骤二，分别对每一条矢量边缘线进行道格拉斯—普克 (Douglas-Peukcer)分裂提取直线段，并按照长度阈值约束剔除较短 的直线段、只保留较长的直线段；

步骤三，根据直线段间的邻接关系和夹角约束提取直角点，并 统计一定空间区域范围内直角点的密度特征以及生成直角点密度特 征图像，且生成的直角点密度特征图像与高分辨率遥感图像具有相 同的空间范围和空间分辨率；

步骤四，利用大津算法(Otsu算法)对直角点密度特征图像进 行二值化处理，并通过连通成分分析提取农村居民点矢量图斑，从 而实现了农村居民点信息的提取。

进一步地，所述步骤一具体包括以下步骤：

(1)采用高斯滤波器对高分辨率遥感影像进行平滑处理

采用I[i,j]表示原始图像中像素(行号为i、列号为j)的像素值， 使用可分离滤波方法求图像与高斯平滑滤波器卷积，得到的结果是一 个已平滑数据阵列，如式(1)所示：

S[i,j]＝G[σ]*I[i,j]，     (1)

其中S[i,j]表示平滑后像素值；G(σ)是高斯函数；σ是散布参数，它 控制着平滑程度。

(2)计算梯度的幅值和方向

式(1)所示已平滑数据阵列S[i,j]的梯度可以使用2×2一阶有限差 分近似式来计算x与y偏导数的两个阵列P[i,j]与Q[i,j]，如式(2)所示：

P[i，j]≈(S[i，j+1]-S[i，j]+S[i+1，j+1]-S[i+1，j])/2

A                            (2)

Q[i，j]≈(S[i，j]-S[i+1，j]+S[i，j+1]-S[i+1，j+1])/2

在这个2×2正方形内求有限差分的均值，以便在图像中的同一点计 算x和y的偏导数梯度。幅值M[i,j]和方位角θ[i,j]可用直角坐标到极 坐标的坐标转化公式来计算，如式(3)和式(4)所示：

$M[i,j]=\sqrt{P{[i,j]}^2+Q{[i,j]}^2}---\left(3\right)$

θ[i,j]＝arctan(Q[i,j]/P[i,j])     4)

其中，反正切函数包含了两个参量，它表示一个角度，其取值范 围是整个圆周范围内。

(3)对梯度幅值进行非极大值抑制

为了精确定位边缘，必须细化梯度幅值图像M[i,j]中的屋脊带， 只保留幅值局部变化最大的点，这一过程就是非极大值抑制 (nonmaxima suppression,NMS)。这一算法首先将梯度角θ[i,j]的变化 范围减小到圆周的四个扇区之一，公式如式(5)所示：

ζ[i,j]＝Sector(θ[i,j])     (5)

四个扇区的标号为0到3，对应着3×3邻域内元素的四种可能组合， 任何通过邻域中心的点必通过其中一个扇区；梯度线可能方向的圆周 分区用度来标记。该算法使用一个3×3邻域作用于幅值阵列M[i,j]的所 有点；在每一点上，邻域的中心像素M[i,j]与沿着梯度线的两个元素 进行比较，其中梯度线是由邻域的中心点处的扇区值ζ[i,j]给出的。如 果在邻域中心点处的幅值M[i,j]不比沿梯度线方向上的两个相邻点幅 值大，则M[i,j]赋值为零。这一过程可以把M[i,j]宽屋脊带细化成只有 一个像素点宽。在非极大值抑制过程中，保留了屋脊的高度值。

设

N[i,j]＝NMS(M[i,j],ζ[i,j])     (6)

表示非极大值抑制过程，N[i,j]中的非零值对应着图像强度阶跃变 化处的对比度。尽管在边缘检测的第一步对图像进行了平滑，但非极 大值抑制幅值图像N[i,j]仍会包含许多由噪声和细纹理引起的假边缘 段。实际中，假边缘段的对比度一般是很小的。

(4)用双阈值算法检测图像边缘

为了减少假边缘的数量，Canny算子采用了双阈值算法。双阈值 算法对非极大值抑制图像N[i,j]作用双阈值τ₁和τ₂，且τ₂≈2τ₁，得到两 个阈值边缘图像T₁[i,j]和T₂[i,j]。由于图像T₂[i,j]是用高阈值得到的，因 此它含有很少的假边缘，但T₂[i,j]可能在轮廓上有间断(太多的假错 误)。双阈值法要在T₂[i,j]中把边缘连接成轮廓，当到达轮廓的端点时， 该算法就在T₁[i,j]的8-邻点位置寻找可以连接到轮廓上的边缘，这样， 算法将不断地在T₁[i,j]中收集边缘，直到将T₂[i,j]中所有的间隙连接起 来为止。进行完连接后，得到二值化的细化的边缘图像。

(5)通过链码边缘追踪方法获取矢量边缘线

边缘跟踪也称为边缘点链接，是由梯度图中一个边缘点出发， 依次搜索并连接相邻边缘点从而逐步检测出边界的方法。为了消除 噪声的影响，保持边界的光滑性，在搜索时每确定一个新的边界点 都要考虑先前得到的边界点。而为了克服噪声造成的边缘点之间的 不连通，对梯度图要充分保持其已有的信息。一般来说边界跟踪包 括三个步骤：

⑴确定作为搜索起点的边缘点(根据算法不同，可以是一个点或 多个点)，起点的选择很重要，整个算法对此依赖性很大；

⑵确定和采取一种合适的数据结构和搜索机理，在已发现的边界 点的基础上确定新的边界点，要注意研究先前的结果对选择下一个 检测像素和下一个结果的影响；

⑶确定搜索终结的准则或终止条件(如封闭边界则回到起点)， 并在满足条件时停止进程，结束搜索。

进一步地，所述步骤二具体包括以下步骤：(1)对于某一矢量 的曲线，计算曲线之间距离弦距离最大的点C,如图2(a)所示； (2)如果距离d(C,)大于一定的阈值(本发明中设置为3个像素， 下同)，则点C保留下来，作为最终曲线的一个顶点，如图2(b)所 示；(3)继续对曲线按照步骤(1)和(2)进行处理，即如果弧之 间距离最大的顶点D到弦的距离仍然大于预设阈值，则顶点D保留下 来作为新的顶点；同样，计算弧之间的距弦距离最大的顶点E， 如果距离大于预设阈值，则顶点E保留下来作为新的顶点，如图2 (c)所示；(4)重复步骤(3)继续对曲线进行处理，直到没有超 过预设阈值的顶点为止，如图2(d)所示。

进一步地，所述步骤三具体包括以下步骤：(1)对某一直线段 的一个端点，搜索距离该端点一定空间距离阈值内的所有直线段， 并检查是否有其他直线段与该直线段垂直；如果存在垂直该直线段 的直线段，则求取两垂直直线的交点作为直角点；(2)对上述直线 段的另一端点做类似的处理，如果获取的直角点与已有的直角点不 重复，则作为新的直角点；反之，不保留该直角点；(3)继续用按 照步骤(1)和(2)处理其它直线段，直至所有的直线段判别完成， 则可以生成该高分辨率遥感图像上的所有直角点；(4)生成一个新 的直角点密度特征图像，该直角点密度特征图像与高分辨率遥感图 像具有相同的空间范围和空间分辨率，且图像的每一个像素值标记 为0；(5)对直角点密度特征图像按照一定的规则进行分块，每一 块呈正方形、且块与块之间无重叠；(6)计算每一块内直角点的数 量n，同时该块内直角点密度特征图像的像素值标记为n，直至所有 的块处理完毕，其中，n为正整数。如图3所示，直线段Line1为 当前待判别的直线段，直线段Line1一端的端点标记为o，直线段 Line2、Line3、Line4距离端点o最近的端点的距离分别为d2、d3、 d4，且d2、d3、d4的长度均小于设定的距离阈值δ。其中，唯有Line3 与Line1的夹角接近90°；此时，求直线段Line1与直线段Line3 的交点作为一个新的直角点。继续进行下一直线段的判别和直角点 的求取；但如果直角点已经存在，则不算新的直角点，并忽略。

进一步地，所述步骤四具体包括以下步骤：(1)对直角点密度 特征图像采用大津算法进行聚类分类处理。居民地与非居民地的特 征图像像素值服从一个双峰分布，二者之间必然存在一个分割阈值， 利用大津算法方法可以找到最佳的分割阈值。即，把直角点密度特 征图像的每一像素按像素值分成两类，即农村居民点类和非农村居 民点类。(2)对农村居民点类的像素进行4连通的连通成分分析。 连通成分分析的过程是:

第一编扫描：逐行的搜索整个图像R，对于每个非零像素R(i,j)赋 一个非零的值v。根据邻域像素的标号来选择v值，其中邻域的性质 是4连通。

如果所有的邻域都是背景像素，则R(i,j)被赋予一个新的标号；

如果仅有一个邻域像素有非零标号，那么就把这个标号赋予像素 R(i,j)；

如果邻域中有不止非零像素，则把这些像素中的任意一个的标号 赋予要标注的像素。如果邻域的标号有不同的，即标号冲突，则 将标号对作为等价的保存起来。等价对被保存在单独的数据结构 ——等价表中。

第二遍扫描：所有的区域像素在第一编扫描时被标注了，但是 一些区域存在具有不同标号的像素(由于标号冲突)。再一遍扫描图 像，使用等价表的信息重新标注像素(例如用等价表中的最小值)。 当目标的形状是U形、E形的镜像等时，经常会发生标号冲突。等 价表是一个出现在图像中的所有标号对的列表；所有的等价标号在 第二步中被用一个唯一的标号代替。因为通常标号冲突的数目事先 不知道，所以为把等价表保存在数组中必须分配足够的空间。推荐 使用动态分配的数据结构。更进一步，如果指针被赋予标号标识， 第二遍图像扫描就没有必要了，而且仅仅重写这些指针所指的标号 会更快一些。算法在4-邻域和8-邻域的情况下基本相同，不同点仅 在邻域掩模的形状上。为了便于在第二遍扫描中对区域进行简单计 数，给区域赋予递增的标号是有用的。

对获取的连通成分进行栅格矢量化处理生成农村居民点矢量图 斑。

本发明创造性地引入邻接的、夹角满足一定条件的长直线段求 交获取直角点的检测算法，利用新的直角点检测算法，以局部区域 的直角点密度大小特征作为农村居民点的判别依据，识别和提取农 村居民点矢量图斑。同时还集成了经典的Canny边缘检测算法、道 格拉斯—普克(Douglas-Peukcer)、连通成分分析、Otosu算法等， 形成了一套完整的适合于农村居民点提取的技术流程。

如图4所示，本发明进行农村居民点信息提取的数值计算流程 如下：

(I)加载农村区域的高分辨率遥感影像数据；

(II)对高分辨率遥感影像进行Canny边缘检测；

(III)进行边缘追踪生成矢量边缘线；

(IV)对矢量边缘线利用道格拉斯—普克(Douglas-Peukcer) 算法分裂提取直线段；

(V)按照长度阈值约束剔除较短的直线段、而保留较长的直线 段；

(VI)根据直线段间的邻接关系和夹角约束提取直角点；

(VII)生成直角点密度特征图像；

(VIII)利用大津算法(Otsu算法)对密度特征图像进行二值 化分类，即农村居民点类、非农村居民点类；

(Ⅸ)对农村居民点类像素进行连通成分分析；

(Ⅹ)对获取的连通成分进行栅格矢量化处理生成农村居民点 图斑。

为了验证基于直角点密度特征分析的高分辨率遥感影像农村居 民点信息提取方法的有效性，同时为了比较经典的Harris角点检测 算法和本发明提出的直角点提取算法的性能，结合某一高分辨率卫 星影像进行了农村居民点提取实验、Harris角点提取实验和本发明 提出的直角点提取实验。

本实验在相同实验平台下，实验硬件平台为CPU P42.6GHz， RAM 2G，操作系统为Windows XP，实验数据为山东省临沂市沂水县 的某一农村区域高分辨率遥感影像，如图5所示。经典的Harris角 点检测算法的检测结果如图6所示，Harris角点(白色十字)的提 取结果为39795个角点；本发明提出的直角点提取算法的检测结果 如图7所示，本发明的直角点(白色十字)提取方法的结果为11553 个直角点；本发明基于高分辨率遥感影像农村居民点提取结果分别 如图8所示，图8中白色区域为农村居民点。由此可知，在相同的 实验平台和实验数据情况下，本发明提出的直角点提取算法提取的 直角点的数量少、且集中分布于农村居民点内部区域；而经典的 Harris角点检测算法提取的角点的数量较多、其中有部分非直角点， 且有大量的点分布于非农村居民点内部区域；可见，本发明提出的 直角点提取算法的性能优于经典的Harris角点检测算法。另外，基 于直角点密度特征分析的高分辨率遥感影像农村居民点提取结果与 人工解译的结果基本一致，证明了本发明涉及方法具有优异的提取 效果。

以上所述只是本发明的优选实施方式，对于本技术领域的普通 技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改 进和润饰，这些改进和润饰也被视为本发明的保护范围。