城市高分辨率遥感影像房屋提取与变化监测
通常与顶帽变换联合使用，用来增强图像的对比度。
（10）图像求反（Complement）
图像求反，即是将图像的灰度倒置，亮度越高的，经过求反后，反而变得越低。用公式表示为：
Complement(x)?Grayscale?x-1 （3-10）
其中，Grayscale为图像的灰度级数，通常为256级。图像求反通常用于增强图像暗色区域中的白色或者是灰色细节。 3.2 形态学图像处理
通常，房屋有以下特点：
（1）房屋的屋顶反射率较高，与其周围的背景形成了很好的对比。故亮度值DN为提取房屋的很好的切入点；
（2）房屋大部分为规则的矩形；
（3）房屋的尺寸一般在一个尺度范围内，太大或太小都不可能是房屋； （4）房屋的方向呈各向同性的特征。
形态学房屋指数MBI（Morphological Building Index）就是根据房屋的以上特性，来进行提取的 。
计算步骤：
（1）开启运算。由第二章遥感影像预处理部分，式（2-4），得到了需要的，经过亮度重构灰度图像L(x,y)。
Opens(x,y)?Ds(Es(x,y)) （3-11）
其中，E和D分别代表腐蚀和膨胀运算，s为结构元素的尺寸大小。此处为基于亮度重构的开启运算。经过开启运算后，图像的轮廓更加的平滑，形状保持较好。
（2）顶帽变换。用重构图像L(x,y)减去其开运算的结果：
THs(x,y)?L(x,y)?Opens(x,y) （3-12）
此处为基于亮度重构的顶帽变换。选取大尺寸的结构元素，经过顶帽变换之后，图像背景达到均衡化效果，房屋与背景的对比度相应提高。
（3）考虑房屋的方向性。以前遥感影像的形态学房屋提取采用的结构元素为圆盘
第 12 页 共 32 页
城市高分辨率遥感影像房屋提取与变化监测
结构，未考虑其方向性，为了增加对房屋方向性的考虑，可以采用线性结构元素，取各方向顶帽值的平均。计算公式如下：
THs?mean(THs.dir(x,y)) （3-13）
dir其中，dir为选取的方向角。
（4）考虑尺寸因素。由于遥感影像中房屋在空间的差异性，其大小，形状，高度，面积等尺度因素的不同，因此，我们需要考虑其尺度与粒度问题。差分形态学属性DMP(Differential Morphological Profiles)下的顶帽变换定义如下：
?max???Smin??SS??TH,?,TH,?,TH?TH??DMPDMPDMPDMP?????????S?s?Δss(x,y)?TH(x,y)?THDMP?TH? （3-14） ???Smin?S?Smax???????其中?s是粒度间隔。
（5）上述步骤已经将房屋的特性考虑入算法之中，房屋的亮度，对比度和方向及尺寸已经得到了考虑，因此，形态学房屋指数MBI可以由上述步骤得出。MBI取每个尺度顶帽值的均值。
MBI?mean(THDMP) （3-15）
sMBI中值越大的元素，其相对应的像元为房屋的可能性也就越大。
（6）后处理
为了剔除结果中的非房屋对象，需要对提取结果进行后处理。筛选房屋的约束条件有尺度因素中的面积和长宽比。
SI?Area （3-16）
Length?With在乔木遍布的地区，高大乔木的冠层及其冠层阴影形成的图斑，与周围的房屋大小相近，所以在有高大乔木生长的地方进行房屋提取时，可以考虑加入植被指数，依据其不同值域代表着不同地物，来进行进一步的筛选。其中，如果实验所用的遥感图像包含近红外（NIR）波段和可见光的红色波段，则可以考虑使用植被归一化指数NDVI（Normalized Difference Vegetation Index），如果使用的遥感图像只有可见光波段（R、
第 13 页 共 32 页
城市高分辨率遥感影像房屋提取与变化监测
G、B），则可以使用归一化差异指数NDI[20]（Normalized Differential Index）,其定义为，可见光的绿波段与红波段只差，同这两个波段之和的比值，其表达式如下：
NDI?G?R （3-17） G?R式中，G和R分别代表图像的可见光波段中的绿波段和红波段，NDI指数的值域为-1到1。其数值与NDVI所表示的意义相同。当NDI为正时，表示有植被覆盖，当它为负时，表示非植被。
（a） （b） （c） （d） （e） （f） 图3-1 MBI算法对三组数据提取的结果
表3-1 MBI算法的参数设置
最小尺寸（像素） 粒度间隔（像素） 最大尺寸（像素）
9
4
45
方向数 4
分割阈值 15/255
第 14 页 共 32 页
城市高分辨率遥感影像房屋提取与变化监测
图3-1为MBI算法的计算结果，选取的参数详见表3-1。本次实验结果说明了MBI算法对反射率较高的屋顶具有较好的提取效果，在提取的结果中，由于局部房屋的亮度与背景的亮度对比度不大，所以初步分类结果中仍然含有大量的非房屋像元。依据分类后处理的筛选条件因子，我们对三组图像的初步提取结果进行进行了分类后处理，对被误分为房屋的非房屋像元进行剔除。如图3-2，为分类后处理的结果。其详细参数见表3-2。
（a） （b） （c） （d） （e）
（f） 图3-2 对初步MBI算法结果的后处理结果
第 15 页 共 32 页
城市高分辨率遥感影像房屋提取与变化监测
表3-2 分类后处理参数设置
（a） （b） （c） （d） （e） （f）
最小面积指数
100 200 200 350 600 100
最大面积指数
6000 6000 6000 6000 12000 6000
形状指数 0.13 0.15 0.16 0.13 0.11 0.13
平均灰度指数
0.50 0.55 0.30 0.46 0.60 0.50
经过分类后处理的计算结果，剔除了非房屋的像元，如植被和道路。其需要人工处理工作强度的较处理之前减少了。 3.3 精度评定
对MBI算法的结果及其后处理的结果进行精度评定，本文使用生产精度PA（Producer Accuracy），用户精度UA（User Accuracy），总体精度OA（Overall Accuracy）和Kappa系数。
PA为制图精度[6]，表示分类器将整幅影像的像元正确分为某一类的像元数（混淆矩阵这一类对角线处的值），与这一类的真实参考像元数（混淆矩阵中这一类列的总和）的百分比。表示为：
PA?PjjP?j （3-18）
其中，Pjj为正确分类像元数，P?j为参考数据中的该类像元总数。
UA为用户精度[6]，表示分类器将整幅影像的像元正确分类到某一类的像元总数（混淆矩阵这一类对角线处的值），与这分类器将整幅图像分类为这一类的像元数（混淆矩阵中这一类行的总和）之比。表达式为：
UA?Pii （3-19） Pi?其中Pii为正确分类像元数，Pi?为所有分为该类的像元数。
第 16 页 共 32 页
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库城市高分辨率遥感影像房屋提取与变化监测 - 图文(4)在线全文阅读。
相关推荐：