張宏偉 趙寶強(qiáng) 陳小衛(wèi)

摘要：遙感影像中建筑物的提取一直以來(lái)都是研究的一個(gè)難點(diǎn)問(wèn)題，而建筑物輪廓邊緣的檢測(cè)是建筑物準(zhǔn)確提取的基礎(chǔ)。本文對(duì)Edison算子、OFMM亞像素邊緣檢測(cè)方法和利用極值梯度的通用亞像素邊緣檢測(cè)方法進(jìn)行了分析與實(shí)驗(yàn)，結(jié)果表明Edison算子在弱邊緣的檢測(cè)以及檢測(cè)結(jié)果的連續(xù)性上要優(yōu)于另外兩種方法。

關(guān)鍵詞：遙感影像；建筑物；邊緣檢測(cè)；分割

中圖分類號(hào)：P237 文獻(xiàn)標(biāo)識(shí)碼：B DOI：10.3969/j.issn.1001-0270.2017.05.30

Abstract： Building extraction in remote sensing images has always been a difficult problem of research. And building outline edge detection is the foundation of building extraction accurately. In this paper， the Edison operator， OFMM subpixel edge detection method， and universal subpixel edge detection algorithm based on extremal gradient were analyzed with the experiment. The results show that Edison operator is better than the other two methods in weak edge detection and continuity.

Key Words： Remote Sensing Images； Building； Edge Detection； Segmentation

1 引言

影像的邊緣檢測(cè)是計(jì)算機(jī)視覺和數(shù)字圖像處理中很重要的處理環(huán)節(jié)[1]，它對(duì)于圖像分割[2]、紋理特征提取[3]、形狀特征提取[4]和圖像識(shí)別[5]等方面起著重要的作用。在建筑物提取時(shí)，通過(guò)選擇合適的邊緣檢測(cè)方法，可以對(duì)影像中的建筑物邊緣的進(jìn)行可靠準(zhǔn)確的檢測(cè)，這對(duì)于建筑物的有效提取具有重要的意義。因此，本文首先對(duì)Edison算子、OFMM亞像素邊緣檢測(cè)方法和利用極值梯度的通用亞像素邊緣檢測(cè)方法進(jìn)行了簡(jiǎn)要介紹，利用這三種方法對(duì)影像中的建筑物邊緣進(jìn)行檢測(cè)，并對(duì)檢測(cè)結(jié)果進(jìn)行對(duì)比分析。

2 算法描述

2.1 Edison算子[6]

Edison算子是Canny算子[7]的一種性能較優(yōu)異的改進(jìn)算法，在利用梯度大小的基礎(chǔ)上，將梯度的相位信息引入方法中加以利用，進(jìn)一步提高了算法對(duì)弱邊緣的檢測(cè)能力和抗噪能力。Edison算子在引入梯度相位信息時(shí)，首先根據(jù)相位確定標(biāo)準(zhǔn)的邊緣模板，然后將歸一化的灰度矢量與邊緣模板中數(shù)據(jù)矢量相關(guān)系數(shù)作為邊緣的置信度，最后在二維參數(shù)平面中對(duì)邊緣強(qiáng)度和邊緣置信度進(jìn)行磁滯閾值處理以得到邊緣特征。

2.2 正交Fourier-Mellin矩（OFMM）亞像素邊緣檢測(cè)方法[8]

2.3 利用極值梯度的通用亞像素邊緣檢測(cè)方法[9]

利用極值梯度的通用亞像素邊緣檢測(cè)方法在研究已有的利用梯度進(jìn)行邊緣檢測(cè)方法基礎(chǔ)上，將梯度分解為正梯度和負(fù)梯度兩部分，在分別確定各像點(diǎn)對(duì)應(yīng)的兩部分梯度值并進(jìn)行非極大抑制處理后，通過(guò)判斷兩種邊緣的分布特征以確定所屬的邊緣類型，并利用相應(yīng)的擬合模型確定亞像素邊緣點(diǎn)的位置，有效提高了邊緣檢測(cè)方法的精度和通用性。

3 實(shí)驗(yàn)與分析

為了對(duì)上述三種方法的性能進(jìn)行對(duì)比分析，選取航空影像的一部分進(jìn)行邊緣檢測(cè)試驗(yàn)，該截取影像的大小為530像素x530像素，該區(qū)域?yàn)榈湫偷某鞘薪ㄖ飬^(qū)域影像，某些建筑物的屋頂在影像中存在一些弱邊緣特征。上述三種算法的邊緣檢測(cè)結(jié)果如圖1所示。

選擇以上實(shí)驗(yàn)結(jié)果中三個(gè)框選區(qū)域進(jìn)行對(duì)比可知，Edison算子對(duì)弱邊緣的檢測(cè)能力相比較其它兩種算法有著更好的表現(xiàn)，而且所得邊緣的連續(xù)性較好，盡管OFMM方法與利用極值梯度的通用亞像素邊緣檢測(cè)方法能達(dá)到亞像素級(jí)的定位精度，但OFMM方法的邊緣響應(yīng)較寬，而且就建筑物輪廓直線特征提取這一應(yīng)用而言，弱邊緣提取效果與邊緣連續(xù)性好更加有利于后續(xù)的處理。

4 結(jié)論

本文介紹了三種建筑物輪廓邊緣檢測(cè)方法，并利用其對(duì)建筑物區(qū)域影像進(jìn)行邊緣檢測(cè)，實(shí)驗(yàn)表明Edison算子可以獲得更佳的檢測(cè)效果，將有助于下一步的建筑物提取工作。

參考文獻(xiàn)：

[1]徐建華.圖像處理與分析[M].北京：科學(xué)出版社，1992.

[2]王斌，李潔，高新波.一種基于邊緣與區(qū)域信息的先驗(yàn)水平[1]集圖像分割方法[J].計(jì)算機(jī)學(xué)報(bào)，2012，35（5）：1067-[1]1072.

[3]李川，羅金生，劉傳輝.基于輪廓與邊緣紋理特征融合的掌[1]紋識(shí)別[J].兵工自動(dòng)化，2015，34（11）：52-56.

[4]高晶，孫繼銀，吳昆，李琳琳.基于形狀特征的紅外目標(biāo)檢[1]測(cè)方法[J].激光與紅外，2013，43（1）：49-53.

[5]秦雪，王歡，嚴(yán)曄，吳玉寧，蘇偉.基于圖像邊緣檢測(cè)的圖像[1]識(shí)別算法[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2015[1]（4）：127-131.

[6]Peter Meer， Bogdan Georgescu. Edge Detection with[1]Embedded Confidence[J]. IEEE Trans. on PAMI， 2001，23[1]（12）：1351-1365.

[7]CANNY J F. A Computational Approach to Edge Detection[1][J]. IEEE Trans. on PAMI， 1986，8（6）：679-698.

[8]Tan Jiubin， Ao Lei. Subpixel Edge Location Based on[1]Orthogonal Fourier Mellin Moments[J]. Image and Vision [1]Computing，2008，26（4）：563-569.

[9]陳小衛(wèi).利用極值梯度的通用亞像素邊緣檢測(cè)方法[J].測(cè)[1]繪學(xué)報(bào)，2014，43（5）：500-507.