一种利用多光谱双向检测和多尺度角特征验证的角提取方法

　　遥感影像中的角即指在地物边缘上连接不同方向线段的像元,线段间的最小夹角在0°至180°之间,由于其决定了影像上各种目标地物的几何形状特征,包含了重要的信息,因此常用于人工地物信息的识别和提取[1, 2]。

　　角提取技术即依据影像边缘特征(如曲率、夹角、方向等)或像元的灰度值/梯度信息(如梯度幅值、变化率、局部区域内灰度值的变化等),将符合某些特征或规律的像元定义为角[3]。目前,常用的角提取技术可分为两大类:①基于边缘特征的提取技术,如Kitchen和Rosenfeld[4]提出一种基于像元曲率的角提取方法,即在特征窗口内,由行/列方向的梯度信息求中心像元的曲率,并求中心像元的曲率与梯度幅值的乘积,将乘积为局部极大值的像元定义为角;Ray等[5-7]结合小波变换工具对影像进行多尺度分解,利用多尺度下像元的曲率及其变化趋势,提出基于多尺度曲率空间的角检测算法;张恒等[8]提出了一种加权Gabor梯度算法,基于加权Gabor梯度信息,从多个尺度实现角的提取。②基于梯度信息的角提取技术,如Moravec等[9]提出一种基于自相关函数的角提取方法,即在一个以某一像元为中心的特征窗口,沿任一方向变换窗口,依据窗口内灰度值在变换前和变换后是否有明显的差异,来判定窗口中心像元是否为角;Harris等[10-12]结合由梯度信息定义的自相关矩阵,利用自相关矩阵的特征向量进行角检测。在两种角提取技术中,基于梯度信息的提取技术由于其操作简便且易于实现,因而被广泛用于灰度影像的角提取[13-16],其典型的算法有HS (Harris-Stephens)角检测器[10]、TK(Tomasi-Kanade, TK)角检测器[11]和SUSAN角检测器[12]等。

　　1　原理和方法

　　1.1　角检测

　　1.1.1　TK角检测器

　　TK角检测器即是以检测窗口η内梯度信息所构成的自相关矩阵特征向量的大小为依据,确定检测窗口中心像元是否为角。具体为:假设在大小为I×J的影像内,像元的坐标集合S={s:s=(x,y),0≤x≤I,0≤y≤J},检测某像元s (s∈S)是否为角时,即在以该像元为中心,大小为N×N的角检测窗口η内,由行和列两个方向的梯度信息构成一个自相关矩阵C:

　　TK角检测器依据(λ1,λ2)中较小分量的大小,对窗口中心像元s为角的可能性(此处简称为角显著度)进行估算[4]:

　　以Ms大小为依据实现角检测,即将Ms大于或等于ε1(事先给定的检测阈值)的像元定义为角。本文提出应以影像中角的尺寸为依据来设置检测窗口η的大小N,即N为不大于影像中最短的角连接边长的最大奇数。

　　然而,TK角检测器存在以下两个弊端:①由于角显著度因角对比度的不同而不同,使得TK角检测器对角对比度的变化较为敏感。角对比度越小,Ms越低,角被“漏检”的可能性越大。②由于检测方向单一,造成TK角检测器对角相位的变化也较为敏感。若用角的中心线在几何象限中的角度(即方位角)来表示角相位,那么对于方位角不同的角来说,虽然角对比度均为最大值,但角显著度之间仍存在较大悬殊,对于方位角为±45°左右的角来说,由于其角显著度偏低,因此易被“漏检”。