【正文】 授人以魚不如授人以漁，置身其間，耳濡目染，潛移默化，使我不僅接受了全新的思想觀念，樹立了宏偉的學(xué)術(shù)目標(biāo)，領(lǐng)會(huì)了基本的思考方式，從論文題目的選定到論文寫作的指導(dǎo),經(jīng)由您悉心的點(diǎn)撥,再經(jīng)思考后的領(lǐng)悟,常常讓我有“山重水復(fù)疑無路,柳暗花明又一村”。將圖像分割與邊緣檢測(cè)結(jié)合起來，充分利用兩者的優(yōu)點(diǎn)。通過本文的研究發(fā)現(xiàn)，可以將基于灰度特征的建筑物提取與基于邊緣特征的建筑物提取兩種方法進(jìn)行融合，通過對(duì)提取后的圖像進(jìn)行單個(gè)像素點(diǎn)的相加，這樣既有了基于灰度特征提取的避免圖像中無關(guān)信息干擾的優(yōu)點(diǎn)，也具有了基于邊緣特征的直線提取的優(yōu)點(diǎn)。第三章中系統(tǒng)的研究了基于灰度特征的建筑物輪廓提取算法，首先對(duì)圖像進(jìn)行基于灰度的閾值分割后將圖像二值化，并通過二值數(shù)學(xué)形態(tài)學(xué)中的開啟與閉合運(yùn)算解決二值圖像中的孔洞填充問題。該種方法仍需要改進(jìn)。由上圖實(shí)驗(yàn)結(jié)果可以看出，經(jīng)典Hough變換容易導(dǎo)致原始圖像許多信息損失。根據(jù)二者的值完成對(duì)二維累加數(shù)組的的累加。最終數(shù)組的值就是在處共線點(diǎn)的個(gè)數(shù)。同理，對(duì)于點(diǎn)也有上述兩種表達(dá)式，設(shè)這兩條直線在參數(shù)空間交于一點(diǎn)，因?yàn)樵擖c(diǎn)在圖像空間里同時(shí)滿足和，所以該點(diǎn)在該空間里對(duì)應(yīng)一條過點(diǎn)和的直線。（4）根據(jù)屬性計(jì)算得到各種不同的圖像事件,諸如長(zhǎng)直線、高對(duì)比度直線（強(qiáng)紋理）、低對(duì)比度直線（弱紋理）以及在特定方向和位置上的直線。它包括邊緣提取、相近特征記號(hào)的編組、直線段代替和層次編組四步。常用的有基于連接的直線提取算法和基于Hough變換的算法。雖然 Robert 和 Sobel 算子檢測(cè)的邊緣比較明顯，但存在邊緣像素寬、噪聲干擾等缺點(diǎn)，Canny 算子在抑制噪聲和邊緣提取方面效果都比較理想，在加入噪聲的圖像中進(jìn)行試驗(yàn)，Canny 算子的這一性能更能容易體現(xiàn)出來，而且得到的邊緣較清晰，連續(xù)性好。實(shí)際中，假邊緣段的對(duì)比度一般是很小的。該算法使用一個(gè)33鄰域作用于幅值陣列的所有點(diǎn)。我們將通過下面的符號(hào)對(duì) Canny 邊緣檢測(cè)器算法作一概括說明。抑制噪聲和邊緣精確定位是無法同時(shí)得到滿足的，也就是說，邊緣檢測(cè)算法通過圖像平滑算子去除了噪聲，但卻增加了邊緣定位的不確定性；反過來，若提高邊緣檢測(cè)算子對(duì)邊緣的敏感性，同時(shí)也提高了對(duì)噪聲的敏感性。平滑和銳化、積分和微分是一對(duì)矛盾的兩個(gè)側(cè)面，統(tǒng)一在一起后就變成了最佳因子。該算子是一個(gè)與方向無關(guān)的各向同性（旋轉(zhuǎn)軸對(duì)稱）邊緣檢測(cè)算子。求出梯度后，可設(shè)定一個(gè)常數(shù)T，當(dāng)T時(shí)，標(biāo)出該點(diǎn)為邊界點(diǎn)，其像素值設(shè)定為0，其他的設(shè)定為255，適當(dāng)調(diào)整常數(shù)T的大小來達(dá)到最佳效果。 邊緣檢測(cè)算子經(jīng)典邊緣檢測(cè)算子是考察每個(gè)像素在某個(gè)鄰域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律提取邊緣，包括如Robert算子、Sobel算子、Granient算子、Krshc算子、Robisnon算子、Prewitt算子等一階微分算子和Laplaican算子等二階微分算子。對(duì)于階躍狀邊緣，圖像灰度變化曲線在邊緣點(diǎn)的一階導(dǎo)數(shù)為極值點(diǎn)，二階導(dǎo)數(shù)為零交叉點(diǎn)；對(duì)于屋頂邊緣，圖像灰度變化曲線在邊緣點(diǎn)的一階導(dǎo)數(shù)為零交叉點(diǎn)，二階導(dǎo)數(shù)為極值點(diǎn)。（2）基于曲面擬合的方法基于曲面擬合的方法的基本思想是將灰度看成高度，用一個(gè)曲面來擬合一個(gè)小窗口內(nèi)的數(shù)據(jù)，然后根據(jù)該曲面來決定邊緣點(diǎn)。 邊緣檢測(cè)技術(shù)邊緣檢測(cè)技術(shù)可以按照處理的技術(shù)分為串行邊緣檢測(cè)及并行邊緣檢測(cè)。圖37 閉合結(jié)果與開啟結(jié)果基于灰度特征的建筑物輪廓提取步驟如下所示：圖38 輪廓提取流程圖39 建筑群圖像圖310 圖像分割結(jié)果圖311 輪廓提取結(jié)果從實(shí)驗(yàn)結(jié)果來看，基于灰度特征的建筑物輪廓提取方法對(duì)噪聲的處理較好，也能夠排除非建筑物的樹木對(duì)建筑物輪廓提取的干擾，但對(duì)于有遮擋的建筑物的處理效果還有待增強(qiáng)。膨脹的運(yùn)算符號(hào)是，AB表示A用B來膨脹，定義為： 其中，表示空集，為集合B的映射集： 公式(314) 用膨脹的過程是，先對(duì)B做關(guān)于原點(diǎn)的映射，再將其映像平移x，這里與映像的交集不為空集。這里我們使用的改進(jìn)中心差分邊緣檢測(cè)的閾值Threshold(313)，是各像素點(diǎn)各方向差分值的平均值，下圖是使用改進(jìn)中心差分算子進(jìn)行圖像二值化處理各步驟結(jié)果。(4) 基于邊緣特征的圖像二值化算法[15]基本思想如下：首先使用某種邊緣檢測(cè)算子，根據(jù)邊緣檢測(cè)結(jié)果來確定各像素點(diǎn)二值化閾值。局部閾值法把圖像分成若干區(qū)域，然后對(duì)每個(gè)區(qū)域設(shè)置一個(gè)閾值進(jìn)行二值化，或者對(duì)圖像中每個(gè)像素點(diǎn),根據(jù)其領(lǐng)域像素點(diǎn)的灰度變化情況來設(shè)定閾值，然后逐點(diǎn)對(duì)圖像進(jìn)行二值化。建筑物在遙感影像上的灰度特征表現(xiàn)為，建筑物的邊緣以及不同建筑物的連接處的灰度變化比較大，而建筑物內(nèi)部灰度值相對(duì)比較均勻，與周圍環(huán)境對(duì)比度比較大；屋頂與道路的光譜值相仿，但紋理不同；平頂建筑物的紋理分布均勻，人字形建筑物在同一側(cè)具有相同的紋理。圖212 西安石油大學(xué)新校區(qū)圖像圖213 新校區(qū)圖像直方圖均衡化圖214 新校區(qū)圖像灰度直方圖圖215 新校區(qū)圖像灰度均衡化后直方圖圖216 哈佛大學(xué)建筑群圖像圖217 建筑群圖像直方圖均衡化圖218 建筑群圖像灰度直方圖圖219 建筑群圖像灰度均衡化后直方圖上圖是建筑物圖像直方圖均衡化前后對(duì)比效果圖。它將[0,s1]映射到[0,t1]，[s1,s2]映射到[t1,t2]，[s2,L1]映射到[t2,L1]。直接在圖像像素空間進(jìn)行處理的操作叫做空間域法；頻域方法是將圖像映射到某個(gè)變換域后再對(duì)圖像進(jìn)行處理；模糊處理方法[12]是先對(duì)圖像進(jìn)行模糊化映射，將其變換為特征平面上的模糊圖像數(shù)據(jù)，再對(duì)該模糊圖像進(jìn)行相應(yīng)的處理，使得經(jīng)過逆映射后的圖像具有特征增強(qiáng)的效果。根據(jù)水平平面的外形不同又可以將其進(jìn)一步分成諸如矩形、L型、U型、H型和任意多邊型。對(duì)于此類普遍類型的建筑物，其特征可以歸結(jié)為以下幾個(gè)方面：（1）幾何特征建筑物在遙感影像上表現(xiàn)為面狀地物，按照頂部的投影形狀可以分為矩形、L 形、U形、以及由多直角構(gòu)成的建筑物，它們的相鄰邊緣相垂直。第五章是總結(jié)和展望，總結(jié)本文的研究?jī)?nèi)容，提出進(jìn)一步研究的方向。本文的研究步驟如圖11所示。王永剛等利用數(shù)學(xué)形態(tài)學(xué)及區(qū)域標(biāo)識(shí)和面積閾值分割等相關(guān)知識(shí)和技術(shù)實(shí)現(xiàn)提取建筑物輪廓信息提取[7]，王波等用邊緣檢測(cè)算子進(jìn)行邊緣檢測(cè)后，再用改進(jìn)的Hough變換提取直線段來完成提取建筑物的邊緣檢測(cè)[8]。根據(jù)所查找的文獻(xiàn)資料顯示，南加州大學(xué)的 Nevatia 所領(lǐng)導(dǎo)的研究小組最早在美國國防高級(jí)研究項(xiàng)目管理機(jī)構(gòu)的支持下展開了相關(guān)的工作，其研究成果代表了該領(lǐng)域研究的一個(gè)方向，結(jié)合感知分組理論對(duì)建筑物目標(biāo)進(jìn)行假設(shè)和驗(yàn)證[1]。因此，從有限的圖像表面信息中提取出建筑物的信息，其難度要較前者大。在這些應(yīng)用中，產(chǎn)生了許多自動(dòng)提取建筑物的方法。從影像上自動(dòng)識(shí)別地物類型并精確量測(cè)地物形狀、大小，是衛(wèi)星影像和攝影測(cè)量研究中的熱點(diǎn)和難點(diǎn)，也是最終高度自動(dòng)化地由影像獲取基礎(chǔ)地理信息的關(guān)鍵問題?；诖?，建筑物信息的提取與描述方法處于不斷的發(fā)展與完善過程中，是攝影測(cè)量與遙感、計(jì)算機(jī)視覺、圖像理解等領(lǐng)域的研究熱點(diǎn)，同時(shí)，由于問題的復(fù)雜性也是一個(gè)難點(diǎn)。主要進(jìn)行了如下幾方面工作：闡述了建筑物提取的基礎(chǔ)理論。不僅如此，近年來基于衛(wèi)星圖像或者航拍圖像的建筑物識(shí)別與輪廓提取算法的提出與研究改進(jìn)，更有助于實(shí)現(xiàn)對(duì)城市建筑物的識(shí)別和分類。這些圖像數(shù)據(jù)包含豐富的地物細(xì)節(jié)信息，為地物提取提供了豐富的數(shù)據(jù)源。利用衛(wèi)星圖像或者航空照片來對(duì)地物進(jìn)行信息提取，大大提高了工作效率。從實(shí)際應(yīng)用角度來說，實(shí)現(xiàn)影像中建筑物的識(shí)別需要能夠滿足遙感影像制圖、地理信息系統(tǒng)的數(shù)據(jù)獲取和自動(dòng)更新的需要；從研究的角度出發(fā)，由于遙感影像中目標(biāo)的高度多樣性和復(fù)雜性，成功的建筑物自動(dòng)識(shí)別系統(tǒng)將為其他類型的影像理解問題提供具有普遍指導(dǎo)意義的理論和方法。 另一類是利用影像信息結(jié)合圖像處理與分析、機(jī)器視覺、人工智能等學(xué)科領(lǐng)域的新方法而實(shí)現(xiàn)對(duì)建筑物屋頂信息半自動(dòng)甚至全自動(dòng)的識(shí)別與提取。本文主要研究第二類方法中的基于灰度信息與建筑物形態(tài)信息的輪廓提取算法。趙潔等利用小波變換方法實(shí)現(xiàn)對(duì)遙感影像數(shù)據(jù)中的建筑物識(shí)別[4]。但是，建筑物提取的最終目的是走向?qū)嶋H應(yīng)用，國內(nèi)外雖然已經(jīng)實(shí)現(xiàn)了一些實(shí)驗(yàn)系統(tǒng)，但是距離真正完善的自動(dòng)系統(tǒng)還存在差距，算法完全滿足實(shí)用要求依然有待探索和完善。并針對(duì)該算法給出的試驗(yàn)結(jié)果進(jìn)行綜合的檢測(cè)與分析。本著適應(yīng)普遍建筑物的目的,在實(shí)際操作中，可以對(duì)那些具有普遍特征的建筑物運(yùn)用一定方法去自動(dòng)化提取，對(duì)于復(fù)雜特殊的建筑物輔以人工手段來解決。建筑物邊緣附近存在陰影，建筑物周圍通常是水泥地或綠地。利用上述建筑物模型可以大大簡(jiǎn)化我們重建建筑物的過程以及獲得較高的測(cè)量精度。但有時(shí)這種取舍也是值得的，常用這種方法分析遙感資料降水問題。則一幅灰度圖像中灰度級(jí)ri出現(xiàn)的概率近似為 則 其中，n是圖像像素的總和，k為圖像對(duì)應(yīng)的總灰度級(jí)數(shù)。所以本文使用線性灰度變換增強(qiáng)圖像對(duì)比度。將原圖像轉(zhuǎn)化為二值圖像時(shí)，需要滿足以下兩個(gè)條件：盡可能明顯地將目標(biāo)與其背景區(qū)分開來；最大限度地保留目標(biāo)的幾何特征。 (1)平均灰度閾值法：計(jì)算整幅圖像的平均灰度，將平均灰度作為閾值將圖像轉(zhuǎn)換成二值圖像(2)直方圖閾值法：根據(jù)灰度直方圖的雙峰之間的谷底處的灰度值作為閾值轉(zhuǎn)換成二值圖像。因此，在檢測(cè)水平、垂直方向差分基礎(chǔ)上，檢測(cè)與垂直向上的方向夾角近似為45o和135o方向的差分，如公式(38)(39)(310)(311)(312)所示： //水平方向 //垂直方向 //正斜向（從左上到右下） //反斜向（從右上到左下） 使用改進(jìn)中心差分算子進(jìn)行邊緣檢測(cè)，得到邊緣圖像f，對(duì)圖像f中非邊緣點(diǎn)，設(shè)置統(tǒng)一的全局閾值128。數(shù)學(xué)形態(tài)學(xué)的實(shí)質(zhì)是使用不同結(jié)構(gòu)元素與圖像集合相互作用來提取不同層面上有意義的圖像信息。前者先對(duì)圖像進(jìn)行腐蝕后再膨脹其結(jié)果；后者先對(duì)圖像進(jìn)行膨脹后再腐蝕其結(jié)果（這里使用同一個(gè)結(jié)構(gòu)元素）。 邊緣檢測(cè)邊緣檢測(cè)對(duì)于處理數(shù)字圖像非常重要，因?yàn)檫吘壥钦f要提取目標(biāo)和背景的邊界線，提取出邊緣才能將目標(biāo)和背景區(qū)分開來。（1）邊緣檢測(cè)算子邊緣檢測(cè)算子對(duì)圖像中灰度的變化進(jìn)行檢測(cè)，通過求一階導(dǎo)數(shù)極值點(diǎn)或二階導(dǎo)數(shù)過零點(diǎn)來檢測(cè)邊緣。圖41 常見邊緣的分類由于噪聲和模糊的存在，檢測(cè)到的邊界可能會(huì)變寬或在某些點(diǎn)處發(fā)生間斷[17]，因此，邊界檢測(cè)包括兩個(gè)基本內(nèi)容：首先抽取出反應(yīng)灰度變化的邊緣點(diǎn)，然后剔除某些邊界點(diǎn)或填補(bǔ)邊界間斷點(diǎn)，并將這些邊緣連接成完整的線。梯度是一階導(dǎo)數(shù)的二維等效式，定義為向量 有兩個(gè)重要的性質(zhì)與梯度有關(guān)：（1）向量 G(x,y)的方向就是函數(shù)f(x,y)增大時(shí)的最大變化率方向；（2）梯度的幅值由下式給出： 在實(shí)際應(yīng)用中，通常用絕對(duì)值來近似梯度幅值： 或 由向量分析可知，梯度的方向定義為 其中角是相對(duì)x軸的角度。 索貝爾(Sobel)邊緣算子索貝爾算子是一組方向算子，從不同的方向檢測(cè)邊緣。求出梯度后，可設(shè)定一個(gè)常數(shù)T，當(dāng)T時(shí)，標(biāo)出該點(diǎn)為邊界點(diǎn)，其像素值設(shè)定為0，其他的設(shè)定為255，適當(dāng)調(diào)整常數(shù)T的大小來達(dá)到最佳效果。該算子先用高斯算子對(duì)圖像進(jìn)行平滑，然后采用拉普拉斯算子根據(jù)二階微分過零點(diǎn)來檢測(cè)圖像邊緣。由于實(shí)際的圖像中的階躍邊緣不是十分陡立。他還證明了最佳濾波器是一階 Guass 導(dǎo)函數(shù)，并導(dǎo)出了二階邊緣檢測(cè)最佳算子即 Canny 邊緣檢測(cè)算子。為了精確定位邊緣，必須細(xì)化梯度幅值圖像中的屋脊帶，只保留幅值局部變化最大的點(diǎn)，這一過程就是非極大值抑制(nonmaxima suppression,NMS)[20]。設(shè) 表示非極大值抑制過程。進(jìn)行完連接后，得到二值化的細(xì)化的邊緣圖像。在圖像預(yù)處理和圖像邊緣檢測(cè)后，僅能得到反映圖像灰度變化的基本單元——邊緣。假定邊緣圖像上的邊緣點(diǎn)都為圖中的節(jié)點(diǎn)，連接操作是搜索圖中構(gòu)成最小損失路徑的節(jié)點(diǎn)集。該算法由以下幾步構(gòu)成：（1）首先將梯度方向相似、相鄰近的邊緣編成邊緣支持區(qū)域，這個(gè)區(qū)域不受具體尺寸限制。式(322)也可以寫成 式(423)代表參數(shù)空間PQ中過點(diǎn)的一條直線。Hough變換根據(jù)這些關(guān)系把圖像空間中的檢測(cè)問題轉(zhuǎn)換到參數(shù)空間里，通過在參數(shù)空間里進(jìn)行簡(jiǎn)單的累加統(tǒng)計(jì)完成檢測(cè)任務(wù)。針對(duì)第二點(diǎn)不足，在實(shí)際應(yīng)用中采用極坐標(biāo)方程表示直線，如式(424)所示。它