基于Matlab软件对影像提取地性线的方法
2014-10-23叶波姜华根姬星
叶波+姜华根+姬星
摘 要：该文介绍了基于影像快速提取山脊线和山谷线的研究。采用主成分分析方法确定地性线影像的分量样本。运用单一扩张和质心型增长相结合的混合增长方法，设定一定阈值内的种子点自动搜索，对地性线进行提取研究。通过Matlab实现对提取图像的去噪、断线连接、骨架化等处理，最终得到单像素线性特征地性线信息。
关键词：卫星遥感图像；数学形态学；区域分割原理；主成分变换
中图分类号 TP75 文献标识码 A 文章编号 1007-7731（2014）18-123-04
1 脊谷线的地貌特征
影像中山脊和山谷线人工目视解译中较易判读，然而自动提取干沟和水系不易。一般从沟谷的形态着手，结合影像的色调、阴影等信息建立判读标志 [1]。一般来说，山脊线和山谷线具有以下影像特征：（1）山谷多位于像素灰度值较亮的区域，与岸边植被具有较为明显的界限，灰度相差较大，并在可见光和近红外波段，反射率呈正相关。（2）山脊宽度变化幅度较小且变化缓慢，山脊与山谷在粗糙度和表面覆盖方面存在差异，山脊线和山谷线的方向变化缓慢。（3）山脊和山谷内部的灰度与背景灰度相差较大，但是灰度表现较平稳，在水流方向，灰度短距离变化不大。（4）山脊线和山谷线具有一定的长度、曲率，几何形状特征主要表现为狭长、断裂或蛇曲的带状分布。
2 主成分变换及应用
主成分变换是遥感数字图像处理中常用的变换算法。这种算法在影像处理方面具有独特的优势，经过变换的图像，消除了各波段间的相关性，并可以进行特征选择，不仅用于图像波谱信息的增强和提取，还用于增强和提取图像中时间信息和结构信息[2]。在原来彩色合成的色调基础上，提高色彩饱和度，以便于解译识别。本文以树枝状山谷影像为试验对象，通过Arcmap主成分分析，对影像6个波段的主成分分析。
在遥感应用领域，利用主成分分析方法压缩试验区多维信息，达到信息综合和增强的目的，主要用于去相关，图像增强，突出光谱特征空间物理显著指数，动态监测地表覆盖物变化等方面。而脊骨线的提取方面，建立在分析主成分方法中多个指数分量的原理基础上，加入湿度分量研究，从而达到快速提取脊骨线的目的[3]。
对TM1-6波段作六分量主成分变换，变换系数为原图像空间协方差的特征向量矩阵的转置矩阵。本试验使用Arcmap进行主成分变换，而主成分逆变换是指将经主成分变换获得的图像重新恢复到RGB色彩空间，其中的去相关、对比度拉伸等处理，在Arcmap主成分分析工具中自动进行，从而达到图像增强的目的。主分量输出图1所示。
图1 主成分分量影像对比
对于此山谷的提取，由于含水量的敏感程度，第五主分量影像特征较为突出，试验使用第五主分量进行后续处理。在后续的处理中，使用Matlab对影像进行区域生长以及形态学处理。
3 终止生长规则的确定
如何确定终止规则是区域生长法提取山谷线的关键问题。从种子点的集合开始的区域增长，是通过合并具有相似属性，如颜色、灰度、纹理等相邻像素的每个种子点到一个区域的过程。一般情况下，在没有像素满足假如某个区域的条件时，区域生长就会终止 [4]。譬如，在灰度级中比较2个相邻空间像素或像素集合之间的平均灰度级的最小差分，假如差分比相似度阙值小，则标记此像素或像素集。
对于例如颜色、灰度和纹理这类准则来说，都属于局部性质，并没有考虑区域生长的“历史”。通常利用待选像素与生长区内像素间大小、相似性的比较以及生长区域的形状等，来增强区域生长算法的处理结果。
本文对第五主分量的区域生长提取，首先在Matlab中将图像灰度化，通过相似性选择阈值，设置判定条件对像素点包围区域循环判断，最终对判定条件点赋值，从而达到种子点生长提取效果。区域生长提取前后对比图像，如图2所示：
图2 种子点生长算法对比
通过种子点生长算法的提取，第五主分量影像得到轮廓较为清晰的提取结果，然而由于影像分辨率和提取算法等诸多因素的影像，得到的结果存在较大噪声，需要通过进一步的去噪处理，使影像得到较好的效果。区域生长提取后影像如图3所示：
图3 区域生长提取结果
笔者主要阐述了图像分割的原理，通过研究对比2种种子点生长提取算法对地性特征的提取，确定综合运用单一扩张和质心型增长相结合的混合增长方法，对地性线进行提取研究。实验证明，该方法能克服部分噪声断点，搜索出比较完整的地性线。然而，此方法由于遥感图像的类别以及研究区域特征的不同，并不适用于所有地貌，需要针对影像的特征以及算法机理的综合分析，才能确定某种或多种方法的综合使用。
4 基于数学形态学的图像处理
膨胀和腐蚀是2种基本的形态学变换运算，也是许多其他形态学算法的基础。本实验对山谷线的提取结果中，山谷边缘毛刺状明显，需要利用膨胀和腐蚀算法去除毛刺噪声，同时使断开的线连接起来，填充部分空洞 [5]。其形态学处理结果如图4所示，断开的部分经过开闭运算方法，使得山谷重新形成为连通的区域，而细小的毛刺噪声也被去除，虽然整体效果膨胀，再下面的细化处理后，会得到更好的表示效果。
图4 形态学开运算结果
形态学开运算，通过先腐蚀再膨胀，使断点断线得到有效连接，图像更为清晰，虽然仍然存在较多噪声，但是可以通过后续操作逐渐去除。然而对于形态学运算的使用，结构元素的选择决定了处理后的效果。不同影像中地性信息的提取尺度不同，主线和侧线宽窄不一，因此结构元素并非可以通用，需要根据实际情况选择合适的结构元素，并经过多次处理从而达到最优效果。就目前的区域地性情况而言，没有固定的适合所有地区的方法。
5 去除噪声
由于山谷的自然作用，河岸周边相似的地貌特征导致种子点生长结果会出现大量同谱异物现象，而扩大生长终止条件的同时也会导致结果图像中出现毛刺等其他噪声。因此，为了更好的提取效果，需要对图像进行形态学去噪处理。
在地性线主干提取后，由于各种客观因素的存在，图像中会出现若干小面积斑块，而地性线所要提取的结果是一种总体的地貌形态特征，所以可以利用数学形态学中的计算连通成分面积算法，计算出各个连通单元的面积，然后通过设置限值，将面积不符合的小斑块作为噪声去除，从而得到总体地面形态单元信息 [6]。也可以利用数学形态学多种方法综合去除小斑点，本文主要使用综合的二值形态学函数，利用Matlab对图像进行处理。首先利用二值形态学函数bwmorph中的majority（将某一像素置1，如果该像素的3×3邻域中至少有5个像素为1；否则将该像素置0）字符串，对开运算后的图像进行处理，运算次数使用默认值，即n次运算，运算结果如图5所示。
图5 形态学majority处理
由于图像中白色区域像素值为1，黑色区域像素值为0。因此可以对图像再进行一次close闭运算，进一步去除斑点。然后使用thicken字符串和fill字符串，对目标外部加厚，填充孤立像素，使二值图像中0的区域压缩。运算结果如图6所示。
图6 形态学加粗填充处理
6 细化处理
为了得到地性线单像素骨架线，需要对提取的二值图像进行细化处理。对目标图像进行细化处理，是指将图像中几何元素信息的线条，以其中心轴线为参考，将线条细化成一个像素宽的处理过程。这个处理过程与骨架有着紧密的关系，也可以将细化看成是连续剥离图形最外层元素，一直到获得单位宽度的连通线（即骨架）的过程[7]。
本文提出应用二值图像的细化算法对种子生长去噪后的图像进行细化处理，而数学形态学细化算法，要求结构单元的选择必须能满足图像在细化的每一次迭代过程中，结构的连通性，并且保证整个图形结构不改变。实现基于数学形态学细化算法的结构单元选择模板如图7所示。
图7 结构单元模板
图中[D={D1，D2，D3，D4}]和[E={E1，E2，E3，E4}]为2种结构单元模板，D模板是用来去掉东南、西南、东北、西北方向4个角上的点，E模板是用来去掉东、南、西、北4个方向上的点。“[1]”表示参考中心点；“1”表示目标在图像上的点；“0”表示背景图像上的点；“[x]”表示既可以是背景图像上的点，也可以是目标图像上的点。
基于数学形态学细化算法的迭代过程，第n次迭代过程可表示为：
[Sn（X）=i=147（X，D，E，n，i）][n=0，1，…，N]
式中[D5=D1]表示迭代循环一次，对此并行算法收敛，即可得到目标图像[X]的骨架：
[S（X）=n=0NSn（X）]
通过使用形态学细化算法，对种子点生长算法中得到具有噪声的图像进行处理。首先将加粗填充的结果图像取反，对图像使用thin字符串减薄目标，并利用二值形态学函数中的bridge字符，对图像进行连接断线处理，确保像素中尉单像素连接线[8]。得到的结果如图8所示。效果较为明显地满足了图像原有的骨架连通性和结构稳定性的。
图8 轮廓细化结果
通过阐述数学形态学的理论和基本运算，了解数学形态学算法中各种运算对图像处理的帮助，最后对图像进行细化操作，细化的效果主要取决于去噪的程度以及断线的处理，而不同的图像需要选用不同的结构单元。并不拥有通适的结构元素能够对所有图像进行处理。在下步处理中，可以通过骨架化算法，对区域连通目标进行骨架的提取，目前正在研究该算法的适用性。
7 程序设计
7.1 程序设计平台 本程序设计采用Win7的64位操作系统作为开发环境。Win7操作系统为现今主流操作系统，具有全新的系统体系结构以及漂亮的人机交互界面，操作方便快捷，同时为各类复杂的应用软件系统的开发提供了稳定、可靠的环境。当前流行的开发语言有C++、C#、Java、Delphi、Power Builder等，各种开发语言都没有绝对的优劣，而面向图像处理的平台工具当中，由美国MathWorks公司推出的Matlab（Matrix Laboratory，矩阵实验室），具有强大的矩阵运算和处理能力，其图像处理工具箱中提供了丰富的图像处理函数[9]，从而大大节省了编写底层代码的时间。由于Matlab属于解释方式的编程语言，相对于编译方式的编程语言执行速度慢，不能产生脱离Matlab环境的可执行二进制代码，比较适合作为图像工程的研究探索与算法设计仿真测试平台。不过也可以利用Mathtools公司的Matcom工具，实现将Matlab的M文件翻译为C或C++语言[10]。
7.2 程序设计代码 本文在试验的程序设计方面，采用Matlab编程语言，实现区域生长，形态学处理等多种功能，最终完成对原始影像地性线的提取以及细化。然而由于M文件的限制，目前的工具尚不能转换为流行的编程语言，因此，需要继续加深对其他语言的理解，实现自动化提取。
8 结论
本论文对遥感影像中的地性线进行了提取的试验，在主成分变换的图像中，进行增强、去相关，并得到影像压缩分量的结果，其结果良好地反映了包括山脊和山谷在内的完整地性线特征，这是提取遥感影像地性线的关键。通过对区域生长后的图像进行种子点半自动生长，得到很好的流向搜索结果，能够清晰的进行目视判读。最后应用数学形态学的多种细化、去噪处理组合，使提取的地性线细化，为地性线的分类、识别以及地理信息数据更新提供有利的条件。
参考文献
[1]都金康，黄永胜，冯学智，等.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报，2001，5.
[2]黄宁.关于主成分分析应用的思考[J].数理统计与管理，1999，18（5）：44-47.
[3]冯德俊，李永树，兰燕.基于主成分变换的动态监测变化信息自动发现[J].计算机工程和应用，2004，36：199-202.
[4]Byme G F，Crapper P F，Mayo K.Monitoring Land cover by principal component analysis of multitemporal Landsat data[J].Remote Sensing of Environment，1980，10：175-184.
[5]Rafael C Gonzalez，Richard E Woods.数字图像处理[M].2版.阮秋琦，阮宇智，译.北京：电子工业出版社，2003.
[6]崔林丽.一种基于对象和多种特征整合的分类识别方法研究[J].遥感学报，2006，10（1）：104-110.
[51]李利伟，刘吉平，尹作为.基于数学形态学的高分辨率遥感影像道路提取[J].遥感信息，2005，5.
[7]李德仁，陈晓勇.数学形态学及其在二值图象分析中的应用[J].武汉测绘科技大学学报，1989，14（3）.
[8]曹周峰，秦军等.数学形态学在二值数字图像断续线形目标恢复上的应用[J].四川测绘，2007，4.
[9]岑曙炜，刘政凯.一种改进的基于形态骨架的二值图像编码[J].中国图像图形学报，2001，6（8）：784-790.
[10]郝文化.MATLAB图形影像处理应用教程（第1版）[M].北京：中国水利水电出版社，2003.
（责编：张宏民）endprint
7.2 程序设计代码 本文在试验的程序设计方面，采用Matlab编程语言，实现区域生长，形态学处理等多种功能，最终完成对原始影像地性线的提取以及细化。然而由于M文件的限制，目前的工具尚不能转换为流行的编程语言，因此，需要继续加深对其他语言的理解，实现自动化提取。
8 结论
本论文对遥感影像中的地性线进行了提取的试验，在主成分变换的图像中，进行增强、去相关，并得到影像压缩分量的结果，其结果良好地反映了包括山脊和山谷在内的完整地性线特征，这是提取遥感影像地性线的关键。通过对区域生长后的图像进行种子点半自动生长，得到很好的流向搜索结果，能够清晰的进行目视判读。最后应用数学形态学的多种细化、去噪处理组合，使提取的地性线细化，为地性线的分类、识别以及地理信息数据更新提供有利的条件。
参考文献
[1]都金康，黄永胜，冯学智，等.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报，2001，5.
[2]黄宁.关于主成分分析应用的思考[J].数理统计与管理，1999，18（5）：44-47.
[3]冯德俊，李永树，兰燕.基于主成分变换的动态监测变化信息自动发现[J].计算机工程和应用，2004，36：199-202.
[4]Byme G F，Crapper P F，Mayo K.Monitoring Land cover by principal component analysis of multitemporal Landsat data[J].Remote Sensing of Environment，1980，10：175-184.
[5]Rafael C Gonzalez，Richard E Woods.数字图像处理[M].2版.阮秋琦，阮宇智，译.北京：电子工业出版社，2003.
[6]崔林丽.一种基于对象和多种特征整合的分类识别方法研究[J].遥感学报，2006，10（1）：104-110.
[51]李利伟，刘吉平，尹作为.基于数学形态学的高分辨率遥感影像道路提取[J].遥感信息，2005，5.
[7]李德仁，陈晓勇.数学形态学及其在二值图象分析中的应用[J].武汉测绘科技大学学报，1989，14（3）.
[8]曹周峰，秦军等.数学形态学在二值数字图像断续线形目标恢复上的应用[J].四川测绘，2007，4.
[9]岑曙炜，刘政凯.一种改进的基于形态骨架的二值图像编码[J].中国图像图形学报，2001，6（8）：784-790.
[10]郝文化.MATLAB图形影像处理应用教程（第1版）[M].北京：中国水利水电出版社，2003.
（责编：张宏民）endprint
7.2 程序设计代码 本文在试验的程序设计方面，采用Matlab编程语言，实现区域生长，形态学处理等多种功能，最终完成对原始影像地性线的提取以及细化。然而由于M文件的限制，目前的工具尚不能转换为流行的编程语言，因此，需要继续加深对其他语言的理解，实现自动化提取。
8 结论
本论文对遥感影像中的地性线进行了提取的试验，在主成分变换的图像中，进行增强、去相关，并得到影像压缩分量的结果，其结果良好地反映了包括山脊和山谷在内的完整地性线特征，这是提取遥感影像地性线的关键。通过对区域生长后的图像进行种子点半自动生长，得到很好的流向搜索结果，能够清晰的进行目视判读。最后应用数学形态学的多种细化、去噪处理组合，使提取的地性线细化，为地性线的分类、识别以及地理信息数据更新提供有利的条件。
参考文献
[1]都金康，黄永胜，冯学智，等.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报，2001，5.
[2]黄宁.关于主成分分析应用的思考[J].数理统计与管理，1999，18（5）：44-47.
[3]冯德俊，李永树，兰燕.基于主成分变换的动态监测变化信息自动发现[J].计算机工程和应用，2004，36：199-202.
[4]Byme G F，Crapper P F，Mayo K.Monitoring Land cover by principal component analysis of multitemporal Landsat data[J].Remote Sensing of Environment，1980，10：175-184.
[5]Rafael C Gonzalez，Richard E Woods.数字图像处理[M].2版.阮秋琦，阮宇智，译.北京：电子工业出版社，2003.
[6]崔林丽.一种基于对象和多种特征整合的分类识别方法研究[J].遥感学报，2006，10（1）：104-110.
[51]李利伟，刘吉平，尹作为.基于数学形态学的高分辨率遥感影像道路提取[J].遥感信息，2005，5.
[7]李德仁，陈晓勇.数学形态学及其在二值图象分析中的应用[J].武汉测绘科技大学学报，1989，14（3）.
[8]曹周峰，秦军等.数学形态学在二值数字图像断续线形目标恢复上的应用[J].四川测绘，2007，4.
[9]岑曙炜，刘政凯.一种改进的基于形态骨架的二值图像编码[J].中国图像图形学报，2001，6（8）：784-790.
[10]郝文化.MATLAB图形影像处理应用教程（第1版）[M].北京：中国水利水电出版社，2003.
（责编：张宏民）endprint
