高 娟，王荣彬，马 晶，曾 超，沈焕锋

（1.武汉大学资源与环境科学学院，湖北武汉430079；

2.武汉大学测绘遥感信息工程国家重点实验室，湖北武汉430079；3.中国土地勘测规划院，北京100035）

一种遥感影像边界无效像元的检测方法及应用

高 娟1，王荣彬2，3，马 晶1，曾 超2，沈焕锋2

（1.武汉大学资源与环境科学学院，湖北武汉430079；

2.武汉大学测绘遥感信息工程国家重点实验室，湖北武汉430079；3.中国土地勘测规划院，北京100035）

遥感数据在进行几何校正或投影变换后常常会在边界形成一些无效像元，这些无效像元会对影像的辐射信息统计、质量评价产生影响。提出了一种基于区域生长的影像边界无效像元检测方法，以4个顶点为种子点，考察种子点周围的所有边界来进行区域增长，通过这些点的区域增长将与无效像元具有相同灰度值属性的相邻像素合并到此区域。以信息熵为例，阐述了该方法在影像统计与质量评价中的应用意义。

边界无效像元；区域生长法；阈值法；信息熵

遥感成像的过程中，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，常造成影像相对于地面目标发生几何畸变。在遥感影像实际使用之前，针对这些几何畸变必须进行几何校正；另外，在影像数据的使用过程中，出于实际需要经常要将某一地图投影系统下的遥感影像向另一个地图投影系统进行变换。遥感数据在上述变换后影像形状会发生变化，成为一个不规则的近似四边形，然而在数据的实际储存和显示过程中，都是以矩形的形式来处理，因此储存和显示出的影像数据周围会被填充一些特定的值，比如 0 (显示为黑边)、255(显示为白边)或者是根据使用需要而定的其他值。由于这些黑边或者白边并不含有实际的信息，在影像的使用过程中可能会产生误导，因此有必要将这些点和真实的数据区分开来。目前对于遥感影像边界无效像元检测的研究较少，主要是通过设定阈值进行检测[1]。阈值法是对输入影像从第 1个像元点开始逐个进行检查，若像元的值与无效像元的灰度值相同，则将该点标记为无效像元，否则该点为有效信息点，继续判断下一像素点，直至遍历整幅影像。但是，阈值法容易将影像中间部分的信息误认为边界无效像元，从而使检测到的无效像元数超过实际值。本文提出一种基于区域生长法检测遥感影像边界无效像元的方法：对于有边界无效像元的遥感影像，将影像的4个顶点作为种子点，采用区域生长法将初始的种子点进行扩展并得到整幅影像的边界无效像元，计算无效像元占整幅影像的百分比，并输出区分边界无效像元与真实信息的二值图像。

1 影像边界无效像元检测方法

区域生长是把图像分割为若干个小区域，比较相邻区域特征的相似程度，若它们达到一定的相似度，则将其合并为同一区域。通过该方法将特征相似的小区域不断合并，直到不能合并为止，最后将图像划分为特征不同的区域。区域生长根据选取的邻域方式和相似性准则的不同，产生了不同的区域扩张方式，可以分为：单一型（像素与像素）、质心型（像素与区域）和混合型（区域与区域）3种。根据不同的影像分割目的，采用不同的区域生长法[2]。本文中采用单一型区域生长法进行影像边界无效像元检测。

基于区域增长的方法是和一系列的种子点相关的。这个过程是从种子点集合出发，根据某一相似规则将相邻的单元加入到这个种子点集合中去[3]。在影像边界无效像元的检测过程中，首先选取影像4个顶点作为种子点。从种子点的集合开始，考察“生长核”周围的所有的边界来进行区域增长，通过这些点的区域增长将具有与无效像元具有相同灰度值属性的相邻像素合并到此区域[4]。它是一个迭代的过程，这里每个种子像素点都迭代生长，直到处理过每个像素，因此最后可以形成一些完整的区域。本文进行影像边界无效像元检测过程中，以遥感影像4个顶点为种子点，设灰度差的阈值为0，用简单区域生长法将具有相同灰度的像元合并到同一区域。图1是用区域生长法进行黑边检测的流程图。

图1 黑边检测流程图

下面以黑边检测为例，说明利用区域生长法进行影像边界无效像元检测的具体步骤：

1）将输入影像的4个顶点作为种子点进行入队列操作，并这4个顶点标记为已访问；

2）判断队列是否为空，若为空，检测过程结束，不为空则继续下面的步骤；

3）取队首元素并判断其是否属于黑边（灰度值为0），若为黑边则标记该点为黑边，计数器加1，并将为访问过四邻域元素入队列，标记为已访问；

4）继续步骤2)，直到队列为空；

5）通过统计检测出的黑边像元数，计算黑边占整幅影像百分比；

6）输出区分黑边和有效信息的二值图像。

2 影像边界无效像元检测的应用

在遥感影像处理中，信息熵经常被用来度量同一类地物影像亮度值分散程度和均匀程度[5,6]，对遥感影像质量评价具有重要意义。假设一幅遥感影像的灰度范围为 [1,n]，各灰度像素出现的概率为pi，各灰度像素具有的信息量为-log2pi，则该遥感影像的平均信息量（熵）数学表达式为[7]：

灰度频率的计算式为：

影像边界无效像元的存在一定程度上影响了影像的灰度分布情况，从而导致遥感影像灰度直方图中，某一特定值的灰度值出现的概率大大增加。因此，影像信息量受到影像边界无效像元的影响较大，降低了遥感影像信息的丰富程度。为了准确计算影像的信息熵，必需剔除无效像元。在计算信息熵时，只统计和计算表示真实信息的像元即可，计算公式如下：

式中，f'i为表示真实信息的各灰度值出现的频数；N'为不包括无效像元在内的像素总数。

3 实验及结果分析

3.1 阈值法和区域生长法有效性比较

为了定量比较和验证基于阈值法和区域生长法这2种方法进行边界无效像元检测的有效性，利用模拟实验对阈值法和区域生长法检测影像边界无效像元结果进行了对比。本文采用L and sat-7获取的武汉市2000年12月26日的 ETM+影像进行实验。图2 a)是对上述ETM+影像截取一部分并旋转5°得到的图像，边界无效像元灰度值为0；图2 b)是用阈值法对图2 a)进行边界无效像元检测得到的二值图像，并可计算出无效像元所占百分比为16.36%；图2 c)是用区域生长法对图2 a)进行边界无效像元检测得到的二值图像，并可计算出无效像元所占百分比为 14.74%。由图 2可知：阈值法将影像中间部分的信息误认为无效像元，从而使检测出的无效像元百分比大于实际值；而区域生长法则能够准确地检查出影像无效像元。图中，黑色表示无效像元，白色表示有用信息。

图2 阈值法与区域生长法进行边界无效像元检测结果对比

通过上述 2种方法对比可以发现，对于中间部分的实际信息，阈值法无法进行识别，容易将其误认为无效像元；而区域生长法则能有效地排除中间部分的实际信息，从而将真正的非实际信息，即影像边界无效像元提取出来。因此，采用区域生长法进行影像边界无效像元检测优于阈值法。

3.2 影像边界无效像元检测的应用实验

为了定量验证基于区域生长法进行影像边界无效像元检测方法在信息量计算的应用，通过单波段灰度影像和多光谱影像实验，分别计算有边界无效像元影像和无边界无效像元影像的信息熵。通过对比分析，验证影像边界无效像元检测在信息量计算的应用。

1）单波段灰度影像实验。

图3 单波段灰度影像实验影像图

图3a)为L and sat-7获取的武汉市2000年12月26日的ETM+真实遥感影像（局部图），图3b)、图3c)和图3d)分别为对图3a)进行顺时针旋转5°、10°、15°，并加上边界无效像元（无效像元灰度值为0）的结果图。分别对图3a)、图3b)、图3c)和图3d)进行边界无效像元检测和影像信息熵计算，另外，对上述4幅影像计算剔除无效像元的信息熵，得到表1所示结果。

表1 灰度影像模拟实验结果对比

从表1可以看出，影像信息熵随着无效像元的增加而减小，并且减小值有一定的线性规律；而剔除无效像元计算得到的影像信息熵则与原始图像基本相同且保持稳定。

2）多光谱影像实验。

图4 多光谱影像实验影像图

图4 a)为L and sat 4/5获取的长江中游2003年4月14日的 TM影像（局部图），图4 b)、图4 c)和图4 d)分别为对图4 a)进行顺时针旋转8°、16°、24°，并加上边界无效像元（无效像元灰度值为0）的结果图。分别对图4 a)、图4 b)、图4 c)和图4 d)进行边界无效像元检测和影像信息熵计算，另外，对上述4幅影像计算剔除无效像元的信息熵，得到表2所示结果。

表2 多光谱影像实验结果对比

多光谱影像信息熵计算方法是分波段计算信息熵，然后对每个波段取平均值。由于多光谱影像各波段边界无效像元百分比基本相同，因此多光谱影像的边界无效像元检测只需检测第一波段。从表2可以看出，多光谱影像实验结果与灰度图像实验结果大致相同，但影像信息熵的减小值的线性规律性没有灰度影像明显。在一定的无效影像百分比范围内，影像边界无效像元越多，影像信息熵越少，而剔除无效像元计算得到的影像信息熵则与原始图像相差不大且较为稳定。

3）实验结果分析。通过对单波段灰度影像和多光谱影像的实验发现：一般情况下，原始影像的信息熵大于带有无效像元影像的信息熵，说明不受无效像元影响的影像信息量更加丰富；此外，剔除无效像元计算得到的信息熵与原始影像信息熵基本相同，说明了边界无效像元的存在对计算信息熵是有影响的，无效像元越多，影像信息量越小，信息越不丰富。因此，通过遥感影像边界无效像元的检测，能够剔除无效像元从而更加准确地计算影像的信息熵。

4 结 语

本文通过将使用阈值法和区域生长法检测遥感影像边界无效像元进行对比，证明采用区域生长法检测遥感影像边界无效像元更加有效。基于区域生长法检测遥感影像边界无效像元的方法是以4个顶点为种子点，考察种子点周围的所有的边界来进行区域增长，通过这些点的区域增长将与无效像元具有相同灰度值属性的相邻像素合并到此区域，该方法能够有效地检测遥感影像边界无效像元。此外，通过实验证明，边界无效像元的检测对于剔除无效像元进行影像信息熵的计算具有实际意义。

[1] 杨晖.图像分割的阈值法研究[J].辽宁大学学报：自然科学版，2006，33(2):135-137

[2] 贾永红.数字图像处理[M].武汉:武汉大学出版社,2003

[3] 程东旭,秦新强,张太发，等.基于区域增长的轮廓线提取算法[J].西安理工大学学报,2005,21(4)：413-416

[4] 陈方昕.基于区域生长法的图像分割技术[J].科技信息(科学教研),2008（15）：58-59

[5] 郑学芬,林宗坚,范丽，等.遥感影像信息量的计算方法研究[J].山东科技大学学报：自然科学版,2008,27(1)：80-83

[6] 王占宏,杜道生.利用马尔可夫信源原理计算遥感影像信息量[J].遥感信息,2008(3):26-30

[7] 王占宏.遥感影像信息量及质量度量模型的研究[D].武汉：武汉大学，2004

Implementation of a Method for Detecting the Invalid Boundary Pixels of Remote Sensing Image

by GAO Juan

During geometric correction or after the projection transformation，remote sensing data often form invalid pixels in the boundary. These invalid pixels would affect the radiation information statistics and quality evaluation of the image.A method based on region growing was proposedto detect remote sensing imagewhich had invalid boundary pixels.With four vertices as seed points,examining all the boundaries aroundthe seedpointand mergingtheadjacentpixels which hadthe same gray value with the invalid pixels into this area through regional growth of these points.Using information entropy as an example,the significance of the application of this method in image statistics and quality evaluation is described.

invalid boundary pixels，region growing，Threshold Method，entropy

2011-08-01

项目来源：国家973计划资助项目（2011CB707103）；国家自然科学基金资助项目（41071269）；中国土地勘测规划院资助项目（20101709369）。

P237

B

1672-4623(2012)02-0012-04

高娟，主要研究方向为遥感影像质量评价。