本站小編為你精心準備了圖割法提取建筑物輪廓及鑲嵌線參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：闡述了一種基于圖割的建筑物輪廓信息提取及自動搜索鑲嵌線算法，其基本思路是用圖割對影像進行分塊并提取直線。根據直線組合得到矩形，參考矩形周邊的陰影判斷區域是否為建筑物，根據已經確定的建筑物的屬性進行學習。結合已經得到的屬性對附近的區域進行再次提取建筑物輪廓，綜合之后得到權重圖，利用簡單的方法得到初始的鑲嵌線并參考權重圖移動初始鑲嵌線中的關鍵點，最后利用最短路徑算法在權重圖上得到鑲嵌線，經過篩選最終完成自動鑲嵌線。

關鍵詞：圖割輪；廓提取；權重圖；鑲嵌線；算法

DOM數字正射影像是對航空（或航天）影像進行數字微分糾正和鑲嵌，通常由多張正射影像鑲嵌而成，其中鑲嵌線對于實際成果的影響至關重要。在實際生產中，DOM中的鑲嵌線大都是在軟件自動生成簡單鑲嵌線的基礎上進行人工編輯，生產成本高、耗時長。研究鑲嵌線的自動生成方法對于提高DOM的質量與生產效率具有重要意義。

1算法簡介

本算法提出如下思路：首先利用圖割[1]對影像進行分塊，對每張影像進行Canny變換，然后提取輪廓和線段；接著根據矩形直角的特點，對線段進行組合得到矩形或者近似矩形，結合之前的分塊信息對矩形區域進行判斷。因為建筑物周邊通常有陰影（局部低亮度），這一重要參考因素將決定所檢測到的矩形否為建筑物，根據已經確定的建筑物區域的紋理進行學習。結合紋理對附近的非規則區域進行建筑物提取[2]，同時參考鄰近圖像相減得到的差值，綜合之后得到權重圖備用，根據簡單的初始鑲嵌線，參考權重圖移動初始鑲嵌線中的關鍵點。最后利用最短路徑（shortestpath）[3]在權重圖上得到鑲嵌線，經過反饋和篩選完成自動生成鑲嵌線。

2提取建筑物輪廓

2.1圖像分割

圖像分割是數字圖像處理領域一個主要研究方向，在許多計算機視覺應用的研究中作為第一步，起到十分關鍵的作用。圖像分割算法通常可以分為兩類：①全自動圖像分割。一般采用聚類算法來最大化前景與背景的差；②用戶互動式圖像分割。用戶提供前景和背景的種子，然后對前景背景建立概率分布模型。為了實現圖像的自動分割，以Opencv提供的FloodFill算法和WaterShed算法為例，這兩種算法本身并不提供用于分割的種子，但是采取一定的措施讓FloodFill和WaterShed實現自動取種，以此實現圖像的自動分割功能。FloodFill官方譯作“漫水填充”，是一種用特定的顏色填充連通區域，通過設置可連通像素的上下限以及連通方式來達到不同的填充效果的方法，漫水填充經常被用來標記或分離圖像的一部分以便對其進行進一步處理或分析。我們根據影像的尺寸，均勻分布適當數量的種子點，對每個種子點得到的區域進行疊加，就可以實現對影像區域的自動分割，實現效果如圖1所示。從圖中的效果可以看到，FloodFill算法可以得到較為理想的分割結果，但部分分割細節出現錯誤，建筑物和地表被分割到一個區域。針對WaterShed算法，有人提出了用Canny之后的輪廓信息作為用于分割的種子點的辦法，可以達到利用分水嶺算法自動分割的目的，是一種改進。在使用分水嶺算法之前需要對圖像進行平滑處理，以減少噪點對于圖像分割的影響，必要時可以對圖像進行重采樣，圖2是這種改進方法的效果。分水嶺算法是一種圖像區域分割法，在分割的過程中，它會把跟鄰近像素間的相似性作為重要的參考依據，從而將在空間位置上相近并且灰度值相近的像素點互相連接起來構成一個封閉的輪廓，封閉性是分水嶺算法的一個重要特征。圖2可以看到，改進后的分水嶺算法可以得到良好的分割細節，但是分割內容過多，建筑物基本上都被拆分，如圖3所示。一般來說，初步分割可能會提取到部分建筑物，但是也很有可能提取不到，這個時候就需要對各個區域進行進一步的處理。

2.2矩形提取

對每一幅影像進行Canny變換，然后在結果中提取線段，注意這里需要剔除背景的影響。對線段的提取和組合中，如果有接近直角的線段，則首先認為其是矩形的兩邊，然后對周邊的線段進行判斷，如果正好存在可能組成矩形的線段，則認為其很可能是矩形；而如果其有矩形的第四條邊，再結合矩形大小（建筑物大小在一定的范圍之內），判斷其是否是建筑物或者疑似建筑物，同時可以判斷該區域是否為非建筑物，比如道路、水域等。矩形判斷完成之后，對線段進行組合得到矩形或者近似矩形。結合之前的分塊信息，必要的話對分塊信息進行不斷分割與合并，然后對矩形區域進行判斷，因為建筑物周邊通常有陰影（局部低亮度），這一重要參考因素將決定所檢測到的矩形否為建筑物[4]。根據同樣的方法，可以甄別非建筑物區域。

2.3相鄰影像的差異

相鄰影像的差異可以通過圖像相減得到。通常這部分差異可以很好地表示建筑物的輪廓，這部分信息對于輪廓提取也至關重要，在后面的權重圖生成的時候也用到了相鄰影像的差異，如圖4所示。用P(x,y)表示在坐標(x,y)點的像素值，則其基本公式為：

2.4建筑物提取

對于已經檢測到是建筑物的矩形，我們可以提取矩形區域的屬性，屬性包括紋理信息、尺寸、顏色、亮度、陰影（局部低亮度）等。對鄰近的可能為建筑物的屬性進行再次判斷，這種反饋可以大大提高檢測的正確性。如圖5是檢測結果范例，圖中的房屋屋頂具有明顯的紋理特征，所以也能夠取得較好的檢測效果。

2.5權重圖

權重圖是根據建筑物提取結果，結合鄰近影像的差值得到的重要圖像，將直接影響自動鑲嵌線的結果。權重圖有兩類：第一類是用于移動初始鑲嵌線關鍵點的權重圖；第二類是利用最短路徑搜尋鑲嵌線的權重圖。這兩類權重圖都是綜合了單張影像的權重圖，影像背景的權值最高，其次就是建筑物的權值，在沒有其他信息時采用了影像梯度信息作為權重，權值最低的為道路，涉及到道路檢測的相關內容[5]，本算法中采用了與建筑物輪廓提取相同的方法，對于提取到的路面設置為比較低的權值，若多張影像上共同檢測到路面，則將其權值設置更低，無論是移動關鍵點還是自動鑲嵌線的時候都更容易選取到路面上。這里對權重圖的灰度值進行增強以方便查看，如圖6所示。

2.6構建初始鑲嵌線和移動關鍵點

初始鑲嵌線的生成方如下：首先對相鄰的兩幅影像進行分塊，分塊的大小根據影像的尺寸自適應。然后判斷每個小塊的中心點與兩個影像的中心點的距離，根據距離的大小來決定每個小塊應該屬于哪一幅影像，以此得到初始鑲嵌線[6]。如圖7所示，初始鑲嵌線通常比較簡單，很可能穿過建筑物等。初始鑲嵌線的節點稱之為關鍵點，如果關鍵點正好落在房屋上，則需要對其進行移動，通常來說將其移動到路面上是不錯的選擇，而移動的方法為根據之前得到的第一類權重圖，將其移動到權值較小的路面的中心位置，如圖8所示。移動關鍵點的主要方法為：①選擇公共區域內權值小的點，利用與一個固定的矩陣的乘積可使得新的關鍵點更容易選取到道路的中心位置[7]。②結合多邊形的方法來將不必要的關鍵點壓縮到一起，有利于后續獲取自動鑲嵌線，減少干擾。

2.7自動鑲嵌線

自動鑲嵌線主要利用了最短路徑算法，在已經合理設計的權重圖的基礎之上，結合已經移動好的關鍵點，對每一條需要自動鑲嵌線的走線進行重新走線，再配合控制好多邊形形狀以及走線平滑、美觀等要求對鑲嵌線進行選取和處理，得到最終的鑲嵌線。

3結語

本文提出了一種基于圖割的建筑物輪廓信息提取及自動搜索鑲嵌線算法，實現了自動提取建筑物信息以及自動鑲嵌線的功能，在實際應用中取得了良好的效果。

參考文獻

[6]拉斐爾C岡薩雷斯.數字圖像處理[M].北京:電子工業出版社,2017

作者：程曉慶 張丹 單位：黃河水利職業技術學院