从高空间分辨率光学影像中提取倒塌房屋的方法及装置

摘要

本发明实施例提供了一种从高分辨率光学影像中提取倒塌房屋的方法及装置，使用结构元素，提取待处理光学影像中的方向纹理信息，并依据方向形态纹理信息，计算所述待处理光学影像的方向不变形态纹理特征影像，再对方向不变形态纹理特征影像进行阈值分割后重建，从而获取待处理光学影像中的倒塌房屋图像，因为利用方向形态纹理信息计算得到方向不变形态纹理特征影像，所以，能够充分刻画倒塌房屋的结构方向信息，从而提高提取结果的准确性，同时，又因为提取方向形态纹理信息的方法基于数据形态学，因此，相比与利用灰度共生矩阵的方法，减小了计算量，由此可见，本发明实施例所述的方法及装置，能够兼顾计算效率与计算精度。

说明书

技术领域

本发明涉及模式识别领域，尤其涉及一种从高空间分辨率光学影像中提 取倒塌房屋的方法及装置。

背景技术

高分辨率光学影像（高分影像）通常是指空间分辨率小于或等于1米的可 见光彩色三波段或者全色单波段光学影像。因受到外力影响出现结构性粉碎 性损坏而倒塌的房屋，在高分辨率光学影像中会呈现出明显的视觉特征。

灾后救援是当前应对地震灾害的主要手段。灾后倒塌房屋的数量及其分 布信息对灾后科学救援起着关键作用。近年来，国内外利用灾后单时相高分 影像进行倒塌房屋快速提取已有初步尝试。该方法不受灾前数据缺失的制约， 同时，能够很大程度减轻人机交互工作量。该方法的核心是对灾后高分影像 中倒塌房屋与其它地物在高频区域的空间分布差异进行建模，但现有方法很 难兼顾计算效率和计算精度。

发明内容

有鉴于此，本发明实施例提供了一种从高空间分辨率光学影像中提取倒 塌房屋的方法及装置，目的在于解决现有的从高分影像中提取倒塌房屋的方 法不能兼顾计算效率与计算精度的问题。

为了实现上述目的，本发明实施例提供了以下技术方案：

一种从高分辨率光学影像中提取倒塌房屋的方法，包括：

使用结构元素，提取待处理光学影像中的方向形态纹理信息；

依据所述方向形态纹理信息，计算所述待处理光学影像的方向不变形态 纹理特征影像；

利用预设的第一阈值分割所述方向不变纹理特征影像，得到第一分割影 像，利用预设的第二阈值分割所述方向不变纹理特征影像，得到第二分割影 像；

将所述第一分割影像及所述第二分割影像进行基于数学形态学的重建， 从而获取倒塌房屋图像。

优选地，所述使用结构元素，提取待处理光学影像中的方向形态纹理信 息包括：

分别使用预设数量不同方向的、最小单元的线状结构元素对待处理光学 影像进行高帽变换，从而得到所述预设数量的不同方向的形态纹理信息影像。

优选地，所述依据所述方向形态纹理信息，计算所述待处理光学影像的 方向不变形态纹理特征影像包括：

对所述方向形态纹理信息影像进行平滑滤波；

依据滤波后的方向形态纹理信息影像，选取满足预设条件的方向形态纹 理信息影像；

将所述满足预设条件的方向纹理信息影像确定为所述待处理光学影像的 方向不变形态纹理特征影像。

优选地，所述将所述第一分割影像及所述第二分割影像进行基于数学形 态学的重建包括：

将所述第一分割影像作为种子，将所述第二分割影像作为掩膜，进行基 于数学形态学的重建计算，所述第一阈值大于所述第二阈值。

优选地，所述方法还包括：

依据所述待处理光学影像的类型，将所述待处理光学影像与所述倒塌房 屋图像进行融合可视化。

一种从高分辨率光学影像中提取倒塌房屋的装置，包括：

提取模块，用于使用结构元素，提取待处理光学影像中的方向形态纹理 信息；

计算模块，用于依据所述方向形态纹理信息，计算所述待处理光学影像 的方向不变形态纹理特征影像；

分割模块，用于利用预设的第一阈值分割所述方向不变纹理特征影像， 得到第一分割影像，利用预设的第二阈值分割所述方向不变纹理特征影像， 得到第二分割影像；

重建模块，用于将所述第一分割影像及所述第二分割影像进行基于数学 形态学的重建，从而获取倒塌房屋图像。

优选地，所述提取模块包括：

高帽变换单元，用于分别使用预设数量不同方向的、最小单元的线状结 构元素对待处理光学影像进行高帽变换，从而得到所述预设数量的不同方向 的形态纹理信息影像。

优选地，所述计算模块包括：

滤波单元，用于对所述方向形态纹理信息影像进行平滑滤波；

选取单元，用于依据滤波后的方向形态纹理信息影像，选取满足预设条 件的方向形态纹理信息影像；

确定单元，用于将所述满足预设条件的方向纹理信息影像确定为所述待 处理光学影像的方向不变形态纹理特征影像。

优选地，所述重建模块包括：

重建单元，用于将所述第一分割影像作为种子，将所述第二分割影像作 为掩膜，进行基于数学形态学的重建计算，所述第一阈值大于所述第二阈值。

优选地，所述装置还包括：

可视化模块，用于依据所述待处理光学影像的类型，将所述待处理光学 影像与所述倒塌房屋图像进行融合可视化。

本发明实施例所述的从高分辨率光学影像中提取倒塌房屋的方法及装 置，使用结构元素，提取待处理光学影像中的方向纹理信息，并依据方向形 态纹理信息，计算所述待处理光学影像的方向不变形态纹理特征影像，再对 方向不变形态纹理特征影像进行阈值分割后重建，从而获取待处理光学影像 中的倒塌房屋图像，因为利用方向形态纹理信息计算得到方向不变形态纹理 特征影像，所以，能够充分刻画倒塌房屋的结构方向信息，从而提高提取结 果的准确性，同时，又因为提取方向形态纹理信息的方法基于数据形态学， 因此，相比与利用灰度共生矩阵的方法，减小了计算量，由此可见，本发明 实施例所述的方法及装置，能够兼顾计算效率与计算精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种从高分辨率光学影像中提取倒塌房屋的 方法的流程图；

图2为本发明实施例公开的又一种从高分辨率光学影像中提取倒塌房屋 的方法的流程图；

图3为本发明实施例公开的一种从高分辨率光学影像中提取倒塌房屋的 方法中的结构元素的示意图；

图4为本发明实施例公开的又一种从高分辨率光学影像中提取倒塌房屋 的方法的流程图；

图5为本发明实施例公开的一种从高分辨率光学影像中提取倒塌房屋的 装置的结构示意图。

具体实施方式

本发明实施例公开了一种从高分辨率光学影像中提取倒塌房屋的方法及 装置，其核心发明点在于，使用结构元素提取待处理光学影像中的方向纹理 信息，并依据提取出的方向纹理信息，计算待处理光学影像中的方向不变形 态纹理特征影像，因为方向不变纹理特征影像能够更为细致地刻画倒塌房屋 的结构方向信息，因此，在此基础上对图像进行阈值分割后重建，能够得到 精确的倒塌房屋信息，并且，基于数学形态学的方向纹理信息提取方法与传 统的基于灰度共生矩阵的方法而言，能够大大减小计算量，从而提高倒塌房 屋提取的效率。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种从高分辨率光学影像中提取倒塌房屋的方法， 如图1所示，包括：

S101：使用结构元素，提取待处理光学影像中的方向形态纹理信息；

所述结构元素，是基于数学形态学的图像处理方法中常用的处理工具， 具体表现为矩阵的形式。

通常，首先将灾后高分影像在计算机上进行降采样可视化显示，可以利 用已有的基础地理数据确定居民区的大致范围，也可以通过在降分辨率后的 小图像上目视确定居民区的大致范围。获取高分辨率影像中居民区自然聚集 区域后，按照次序将其编号，本实施例中所述的待处理光学影像是指编号后 的居民区自然聚集区域。

需要说明的是，当一个居民区自然聚集区域内的影像受到地形阴影、云、 雾霾等成像条件影响出现明显的对比度差异时，需要按照明显的对比度边界 将居民区进行再次分块，则再次分块后的子影像作为待处理的光学影像。即 本实施例中所述的待处理的光学影像为分块后的、满足处理条件的、包含居 民区的子影像。

S102：依据所述方向形态纹理信息，计算所述待处理光学影像的方向不 变形态纹理特征影像；

S103：利用预设的第一阈值分割所述方向不变纹理特征影像，得到第一 分割影像，利用预设的第二阈值分割所述方向不变纹理特征影像，得到第二 分割影像；

S104：将所述第一分割影像及所述第二分割影像进行基于数学形态学的 重建，从而获取倒塌房屋图像。

本实施例所述的方法，通过提取出待处理光学影像中的方向形态纹理信 息，进而计算出待处理光学影响的方向不变纹理特征影像，因为方向不变纹 理特征影像能够更细致地刻画倒塌房屋的结构信息，因此，后续基于方向不 变纹理特征影像提取出的倒塌房屋的准确性更高，并且，由于待处理光学影 响的方向不变纹理特征影像的计算基于数学形态学，因此能够提高计算的速 度，从而提到倒塌房屋提取的效率。

本发明实施例公开的又一种从高分辨率光学影像中提取倒塌房屋的方 法，应用于以下场景：针对<1m空间分辨率影像数据进行处理，提取结构性 粉碎性损坏而倒塌的房屋。模型假设影像中倒塌房屋包含精细的纹理结构， 且房屋倒塌后形成目标面积所占像元尺寸不小于5×5个像元。要求影像像元 尺寸与空间分辨率的比例是1：1，不处理经过缩放后像元尺寸大于空间分辨 率的影像，因为，利用常用缩放技术进行像元尺寸放大影响最小纹理信息的 尺度，且不增加信息量。

如图2所示，包括：

S201：分别使用预设数量不同方向的、最小单元的线状结构元素对待处 理光学影像进行高帽变换，从而得到所述预设数量的不同方向的形态纹理信 息影像；

本实施例中，优选结构元素的数量为4个，结构元素的形状为线状，结 构元素的长度的3个像素，中心点为第二个像素，即中间的像素。四组线状 结构元素的方向分别为0°，45°，90°和135°，结构元素如图3所示，图 3中（a）、（b）、（c）、（d）分别表示0°，45°，90°和135°的结构 元素，其中黑色部分表示各个结构元素中的中心点，每一个方格表示各个结 构元素中的像素，即每个结构元素中包含3个像素。

本实施例中，采用最小长度的线状结构元素的目的在于，假设绝大多数 倒塌房屋在影像中具有精细的纹理结构，这个假设已在实际应用中得到验证。 一种极端情况，通常出现在空间分辨率小于0.2m时，由于空间分辨率很高， 也即像元尺寸很大，造成倒塌房屋最小纹理单元大于3个像元，此时，需要 增加结构元素尺度至与倒塌房屋最小纹理相匹配的尺度。实际应用中，为了 快速获取大面积区域灾情信息，这种数据获取方式不多，存在这种情况时， 建议空间分辨率小于0.2m的影像可以利用像元平均方法降分辨率重采样到 0.2m再进行处理，基本不影响倒塌房屋信息的提取精度，同时，提高计算效 率。

数学形态学中的高帽变换不依赖于局部或全局统计特性，能够将不同方 向的运算及不同像素位置的运算并行处理，极大地提高了计算效率，使用上 述四组结构元素对待处理光学影像进行高帽变换的具体过程如以下公式表 示：

I₀=Tophat(I,SE(1,3,0))；

I₄₅=Tophat(I,SE(1,3,45))；

I₁₃₅=Tophat(I,SE(1,3,135))；

I₉₀=Tophat(I,SE(1,3,90))。

其中，其中，I表示原始影像，Tophat为高帽变换，SE表示形态变换所 用的结构元素，1，3，0/45/135/90分别表示结构元素的宽、长、角度。I₀、I₄₅、 I₁₃₅、I₉₀分别表示生成的方向形态特征影像。

通常，高帽变换通过利用原始影像与其开运算结果进行差值运算实现， 其中，开运算可以由任一种具有方向性的低通滤波替代，这里不做限定。

需要说明的是，本实施例中优选4组结构元素，在实际应用中，结构元 素的数量还可以为8个、16个等，也可以为2个，因此，本发明实施例中并 不做限定，选定4个结构元素能够较好地兼顾计算效率与对方向纹理信息的 刻画精度。

每一个方向结构元素高帽变换的结构都是一幅特征图像，代表该方向上 空间尺度小于或等于结构元素长度的细节信息。

需要强调的是，方向纹理信息是高分影像中区分倒塌房屋与非倒塌房屋 信息的一个重要标志。这主要是由于正常居民区房屋大多属于人工目标，具 有相对明显的几何和方向性，但是，受损后的建筑在影像中的结构方向性不 明显，因此，方向纹理信息有助于对倒塌房屋进行更准确的刻画。

S202：对所述方向形态纹理信息影像进行平滑滤波；

本实施例中，优选使用低通均值滤波对方向形态纹理信息影像进行滤波， 如以下公式所示：

F₀=mean(I₀,size)；

F₄₅=mean(I₄₅,size)；

F₁₃₅=mean(I₁₃₅,size)；

F₉₀=mean(I₉₀,size)。

其中，F表示滤波后的特征图像，mean代表均值低通滤波，size表示滤 波窗口大小。

均值滤波所采用的窗口大小需要依据图像空间分辨率和兴趣房屋类型大 小共同决定，兴趣建筑实际尺寸B固定，图像分辨率S可变，因此，空间分 辨率S越高，窗口W越大。呈线性比例变化，B=W*S。

需要说明，多方向形态纹理特征对窗口大小具有一定鲁棒性，利用最小 尺寸以上的窗口进行滤波能够较好增强大面积倒塌房屋，同时不明显损失小 尺寸的倒塌房屋信息。

S203：依据滤波后的方向形态纹理信息影像，选取满足预设条件的方向 形态纹理信息影像；

S204：将所述满足预设条件的方向形态纹理信息影像确定为所述待处理 光学影像的方向不变形态纹理特征影像；

本实施例中，可以选择方向形态纹理信息影像中特征值最小的方向形态 纹理信息影像作为待处理光学影像的方向不变形态纹理特征影像，即可以如 以下公式所示确定方向不变形态纹理特征影像：

OIF=minmum(F₀,F₄₅,F₁₃₅,F₉₀)。

其中，minmum表示取最小值，OIF表示方向不变形态纹理特征影像。

需要说明的是，除了使用上述选择最小值的方法确定方向不变形态纹理 特征影像，也可以将所有滤波后的方向形态纹理信息影像均值影像确定为方 向不变形态纹理特征影像。

S205：利用预设的第一阈值分割所述方向不变纹理特征影像，得到第一 分割影像，利用预设的第二阈值分割所述方向不变纹理特征影像，得到第二 分割影像；

本实施例中，第一阈值与第二阈值可以通过人工交互的方式获取，具体 的获取过程包括：

将原始高分辨率光学影像和所述的方向不变纹理特征影像进行几何联接 显示，交互观察方向不变纹理特征影像中高亮度区域及其在原始高分辨率光 学影像中对应区域，利用多边形工具选择倒塌房屋区域作为样本信息，在不 同的位置选择大于5个的样本区域。

统计旋转不变纹理特征影像的直方图，并从大到小进行二值分割，逐一 判断所选的样本区域与分割后目标图像的关系，当被分割出来的目标与每一 个样本区域的交集都达到对应样本区域面积的10%时，该阈值作为第一阈值； 进一步减小阈值，当被分割出来的目标与每一个样本区域的交集都达到对应 样本区域面积的90%时，该阈值作为第二阈值。

需要说明的是，旋转不变纹理特征影像与原始高分辨影像具有相同的大 小，可以直接在原始高分辨率影像中获取倒塌房屋区域，再将其转绘到旋转 不变纹理特征影像对应位置上，这里交互利用二者进行样本区域选取，是因 为旋转不变纹理特征影像中高亮度信息能够协助更快地定位到倒塌房屋区 域。其中，样本区域个数越多结果更加稳定，实际应用中个数大于5块后， 结果变化不明显。第一阈值获取参数可在10%±5%之间浮动，第二阈值获取 参数可在90%±5%之间浮动，不同阈值获取参数对获取的倒塌房屋目标边界 有一定影响，但对于减灾应用中最关心的检测和定位倒塌房屋目标的结果影 响不明显。

利用第一阈值与第二阈值多方向不变形态纹理特征影像进行分割的原理 可以由下述公式表示：

$\mathrm{mask}=\left(\begin{array}{cc}1,& \mathrm{OIF}\left(x\right)>\log \_\mathrm{threshold}\\ 0,& \mathrm{OIF}\left(x\right)<\mathrm{low}\_\mathrm{threshold}\end{array}\right)$

$\mathrm{mark}=\left(\begin{array}{cc}1,& \mathrm{OIF}\left(x\right)>\mathrm{high}\_\mathrm{threshold}\\ 0,& \mathrm{OIF}\left(x\right)<\mathrm{high}\_\mathrm{threshold}\end{array}\right)$

其中，OIF(x)代表方向不变形态特征影像中一个像元的特征值， low_threshold表示第一阈值与第二阈值中的较小值，high_threshold表示第一阈 值与第二阈值中的较大值。

S206：将所述第一分割影像作为种子（mark），将所述第二分割影像作 为掩膜（mask），进行基于数学形态学的重建计算，所述第一阈值大于所述 第二阈值，从而获取倒塌房屋图像。

即如以下公式所示：

CB(x)=partial_recon(mark,mask,N)

其中，CB(x)表示提取得到的倒塌房屋分布图，partial_recon表示局部重建 算法，N表示重建次数。

本实施例中所述的方法，使用基于数学形态学的方法从待处理高分影像 中获取方向形态纹理信息及方向不变形态纹理特征，利用方向不变纹理特征 进行双阈值分割及重建，从而将倒塌房屋从待处理高分影像中提取出来。与 现有技术相比，本实施例所述的方法能够兼顾提取的效率与精度。

本发明实施例公开的又一种从高分辨率光学影像中提取倒塌房屋的方 法，如图4所示，包括：

S401：使用结构元素，提取待处理光学影像中的方向形态纹理信息；

S402：依据所述方向形态纹理信息，计算所述待处理光学影像的方向不 变形态纹理特征影像；

S403：利用预设的第一阈值分割所述方向不变纹理特征影像，得到第一 分割影像，利用预设的第二阈值分割所述方向不变纹理特征影像，得到第二 分割影像；

S404：将所述第一分割影像及所述第二分割影像进行基于数学形态学的 重建，从而获取倒塌房屋图像；

需要说明的是，上述各个步骤的具体实施方式可以如上一实施例所述， 这里不再赘述。

S405：依据所述待处理光学影像的类型，将所述待处理光学影像与所述 倒塌房屋图像进行融合可视化。

本实施例中，如果原始高分光学影像为全色波段，通过以下公式对两幅 图像进行融合，从而增强原始影像中倒塌房屋信息，便于人工可视化协助进 行灾情的交互认知：

Fusion=0.5*(O+CB)

其中O代表原始波段，CB代表倒塌房屋二值影像，Fusion代表倒塌房屋 增强后波段。

如果原始影像为RGB三波段，把获取的倒塌房屋信息与原始影像的绿波 段信息以下公式进行融合，代替原始数据的绿波段信息，与红蓝波段信息合 成彩色数据并显示：

Fusion={R,G+10*CB,B}

其中RGB分别代表原始红绿蓝波段，CB代表倒塌房屋二值影像，Fusion 代表倒塌房屋增强后RGB图像。

融合后图像在计算机中显示能够很好的增强原始图像中倒塌房屋信息， 相比原始影像或二值倒塌房屋图像，融合后影像能够更好的协助减灾人员进 行可视化灾情评估。

优选地，本实施例中，还可以将不同的倒塌房屋影像的二值图或融合图 进行拼接，拼接后按照不同制图分辨率进行专题图制作，以方便获取掌握更 大范围内倒塌房屋的整体分布情况，帮助进行灾后应急救援科学有序进行。

与上述方法实施例相对应的，本发明实施例还公开了一种从高分辨率光 学影像中提取倒塌房屋的装置，如图5所示，包括：

提取模块501，用于使用结构元素，提取待处理光学影像中的方向形态纹 理信息；

计算模块502，用于依据所述方向形态纹理信息，计算所述待处理光学影 像的方向不变形态纹理特征影像；

分割模块503，用于利用预设的第一阈值分割所述方向不变纹理特征影 像，得到第一分割影像，利用预设的第二阈值分割所述方向不变纹理特征影 像，得到第二分割影像；

重建模块504，用于将所述第一分割影像及所述第二分割影像进行基于数 学形态学的重建，从而获取倒塌房屋图像。

本实施例所述的装置的具体工作过程与上述方法实施例所述，这里不再 赘述。

本实施例所述的装置，通过数学形态学的方法提取待处理高分光学影像 中的方向纹理信息，依据方向纹理信息计算出待处理高分光学影像中的方向 不变形态纹理特征影像，再针对方向不变形态纹理特征影像进行阈值分割及 重建，从而提取出倒塌房屋的影响，能够兼顾提取效率与精度。

进一步地，所述提取模块包括：

高帽变换单元，用于分别使用预设数量不同方向的、最小单元的线状结 构元素对待处理光学影像进行高帽变换，从而得到所述预设数量的不同方向 的形态纹理信息影像。

进一步地，所述计算模块包括：

滤波单元，用于对所述方向形态纹理信息影像进行平滑滤波；

选取单元，用于依据滤波后的方向形态纹理信息影像，选取满足预设条 件的方向形态纹理信息影像；

确定单元，用于将所述满足预设条件的方向纹理信息影像确定为所述待 处理光学影像的方向不变形态纹理特征影像。

进一步地，所述重建模块包括：

重建单元，用于将所述第一分割影像作为种子，将所述第二分割影像作 为掩膜，进行基于数学形态学的重建计算，所述第一阈值大于所述第二阈值。

进一步地，优选地，本实施例所述的装置还可以包括：

可视化模块，用于依据所述待处理光学影像的类型，将所述待处理光学 影像与所述倒塌房屋图像进行融合可视化。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的 产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样 的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可 以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若 干指令用以使得一台计算设备（可以是个人计算机，服务器，移动计算设备 或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前 述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、 随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可 以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都 是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下， 在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。