论文部分内容阅读
摘 要：为研究航空影像中建筑物的自动、半自动提取，通过分析直线Snake算法，对其内部能量函数增加1个平均连通距离，修改二阶项，归一化外部能量函数，增加1个外部力，然后用改进后的直线Snake算法结合贪婪算法对建筑物进行提取.该方法能正确地自动提取建筑物.实验结果表明新算法可以提高提取效率.
关键词：直线Snake；贪婪算法；建筑物检测
中图分类号：TP751 文献标志码：A
Automatic building extraction method based on improved line Snake algorithm
LIU Jiong，LI Guangyao
(CAD Research Center，Tongji Univ.，Shanghai 200092，China)
Abstract：To study building extraction from aerial images automatically or semi-automatically，the algorithm of line Snake is analyzed，a connecting distance on average is added into its internal energy function，its second order item is modified，its external energy function is normalized，and an external force is added. The buildings in images are extracted with the improved algorithm and greedy algorithm. The methods can automatically extract buildings correctly. The experimental results show that it can improve the extraction efficient.
Key words：line Snake；greedy algorithm；building detection
0 引 言
建筑物自动提取技术指以计算机为辅助手段，从单(多)幅航空或者卫星图像中提取建筑物，获取其位置、高度等信息.其主要目标是快速准确地处理海量图像数据(大范围图像或图像序列)，检测并识别特定的建筑物，以减少人工操作的负担.
建筑物自动提取的应用范围包括测绘、相片判读、市政规划、通信资源配置、虚拟城市漫游以及地理信息系统数据获取等众多领域.机器自动检测建筑物是1个难度极大的课题，它跨越模式识别、图像处理、计算机视觉、光学、遥感成像等诸多学科研究领域.
随着图形学的发展，建筑物自动提取得到越来越多的关注，不同的学者提出许多不同的方法.文献[1]利用建筑物的灰度特征对图像进行一系列的分割，识别出矩形建筑物.文献[2]利用矩形的特点——对边平行、相邻边成直角等检测出边缘并分组，并以此为基础检测出建筑物.文献[3]和文献[4]则利用知觉分组的技术对边缘线段进行分组处理，达到提取矩形建筑物的目标.文献[5]使用基于Bayes网络的建筑物检测，使用边界检测提取直线特征，生成二维假设.面对众多的假设，构建并使用Bayes网络进行选取和验证，得到最佳的建筑物三维模型参数.文献[6]基于小波分析的建筑物提取，利用小波及其滤波器对建筑物进行边缘检测、影像分解与重建.
在现有这些方法中，前几种主要基于矩形建筑物，虽然方法很有针对性，但会遗漏其他形状的建筑物.传统的方法一般基于矩形的特点——对边平行、相邻边成直角等来检测建筑物，但是这样会遗漏许多轮廓为多边形的建筑物.基于Bayes网络的方法推理十分方便、有效，但建立在一系列假设的基础上，随着问题的复杂化和网络节点的增加，参数学习也成为研究发展的重要前提.在基于小波分析的方法中，小波的许多特性能大大改进建筑物的提取，但其潜在的问题是：不是1种算法就能满足所有建筑物的准确匹配.直线Snake方法的出现为有效解决这个问题提供良好契机.
本文在研究、分析图像预处理、边缘检测、链码跟踪、直线提取等技术的基础上，分析研究直线Snake算法，根据建筑物的特点提出基于改进直线Snake算法的建筑物自动提取方法，并用其提取建筑物，实验结果表明该方法能够正确地自动提取建筑物，效率得到提高.
1 Snake模型及其算法改进
1.1 Snake模型
Snake模型是有效地寻找目标轮廓的搜索算法，具有良好的提取、跟踪特定区域内目标边缘的能力，在国外已广泛用在边缘检测、建模、图像分割和运动跟踪等场合.其一般公式为
2 基于改进直线Snake算法的建筑物自动提取
为了验证所提方法的正确性，设计1个测试系统，采用改进的直线Snake算法对建筑物的轮廓进行自动提取.试验的环境为：Intel Pentium 4(2.5 GHz)，512 MB RAM，Microsoft Windows 2000 Professional，Microsoft Visual C++ 6.0.
2.1 图像预处理
图像的预处理是识别的重要步骤，在地图扫描输入或摄像输入时，由于线不光滑以及硬件系统分辨率等因素限制，使得一些曲线目标带有多余的小分支及裂隙等，都会影响后续的跟踪识别.预处理包括图像二值化、噪声剔除、高斯平滑等工作.
扫描输入后的地形图是具有256个灰度级的栅格数据文件，为了便于目标跟踪必须首先将目标像素从背景像素中分离出来，即将图像二值化.
由于图像扫描输入本身及二值化过程中往往存在着干扰噪声，这些噪声影响数字化图像的质量，若不在识别前去除，会造成很大误差和失真，给识别造成困难.一般图像中主要的干扰有毛刺噪声和空洞或凹陷噪声，见图1和2.除此之外，由于地图上的斑点和污迹造成数字图像中的黑点也是常见的噪声之一.
剔除噪声算法一般基于像素8邻域连通性准则，毛刺噪声用图3所示的模板，空洞噪声用图4所示的模板及它们的3次90°旋转模板进行处理，只要像素与这些模板中的任意1个匹配，则认为是噪声.
最后用标准卷积实现高斯平滑，见图5.
1.4的高斯函数离散近似
2.2 边缘跟踪
预处理完成之后，首先提取图像的边缘信息，它是重要的图像特征信息.本文采用目前比较流行的canny算子来检测边缘.它包括如下5步：(1)用梯度搜寻边缘；(2)计算方向角；(3)方向角规范化；(4)非最大化抑制；(5)双阈值分割.
2.3 链码轮廓跟踪
检测出边缘后，下一步工作就是跟踪其边缘.本文采用常用的FREEMAN链码.FREEMAN 于1961年最早提出用链码表现平面线条图像的方法.根据线条的不同走势方向，分别用{0，1，…，7}8个标志表示，见图6.这样任何1个连续的平面线条图像都可以用一串由{0，1，…，7}中的元素组成的链码近似描述.如果按逆时针方向绕行，可得到如图7的轮廓线的FREEMAN 链码(7600212212).
2.4 直线提取
建立二维边缘轮廓链表后，所关心的是一系列房屋的转折点.使用Splitting方法从一系列光滑的曲线中寻找房屋的转折点.方法如下：
(1)首先给定一定距离的阈值d0，用直线连接曲线点集的两个端点A和B.
(2)设检测点集中距离直线AB最大的点C对应的最大距离为d1，若d1>d0，则记录点C的坐标，C为寻找的下一个转折点，否则算法结束.
(3)由上一步找出的转折点与原曲线点集的两个端点形成新的两个曲线点集.对这两个曲线点集同样进行上述操作，直至算法结束.
2.5 建筑物自动提取
航空摄影图像中房屋的检测、描述和重建是图像理解的重要研究内容，它不仅为从图像中感知三维人造结构体的研究提供1个良好的具体模型，而且在地物测绘自动化、智能视觉监控与导航等领域有着重要的实用价值.其中，对城市航空影像的研究是热点和难点问题.
在航空图像中，为了提取1个物体，必须知道如何把相关的像素组织成区域，进而通过其他知识(例如区域的平滑度、连续性以及场景和物体的关系)，把区域组织成物体.这就是所谓的目标分割(Object Segmentation)问题.然而，单幅航空图像中自动检测建筑物的困难是多方面的.尽管有距离传感器，绝大多数数据是二维图像，缺少直接的三维数据.航空图像还会由于尺度、光谱范围、传感器的几何图像、图像质量、成像条件(如气候、光照)等的不同而相差较大.建筑物本身的结构也相差较大，它们还常常被一些人造目标或自然目标包围，造成部分断档.在这些情况下，解决建筑物的自动检测不仅有重要的实际意义，同时也为发展新的计算机视觉和图像理解提供很好的试床.
本文采用的是贪婪算法.它认为轮廓曲线上各直线在计算能量时与其他各直线不相关.也就是说，认为其他各直线均处在最佳位置，仅计算当前直线的可能位置，且每计算一直线就更新其位置.贪婪算法具有计算效率高、时间复杂度低的优点.由于传统Snake的贪婪算法没有考虑轮廓点间具有相互关联性，因而降低Snake的鲁棒性.但是，在直线Snake中，考虑到直线段已经表述大部分轮廓点间的相互关联关系(共线关系)，因而目前的贪婪算法不但计算效率十分出众，而且也满足较强鲁棒性的要求.也就是说，贪婪算法效率高，而在很多时候直线检测算法承担着算法对噪声等的鲁棒性要求.这再次表明直线Snake的优势，即它由于充分利用中层处理技术对图像的初步解释功能，具备较高的计算效率和鲁棒性.具体如下：
(1)先设定1个初始位置给Snake，设此初始位置所在直线为j.设有n个直线段，对于每个直线段，设置式(5)中的a和b为1，并设置1个较大的常数Em.
(2)对于直线j，在其一定邻域内(设为e)计算每条直线段的能量值，即Ei=Eint，i+Eext，i.其中，i=0，1，…，m-1，m为Snake邻域窗口内的直线段数目.如果搜不到直线段，则对当前直线段加一惩罚项，使其Snake能量过大，返回上一直线段.
(3)若EiEm，则算法结束.
2.6 检验建筑物
应用航空像片或影像可以有效提取各种线性特征，一般要求分辨率较高、无几何变形、信噪比好、对比度强的航空图像.但它对建筑物的准确定位和形状重构方面较差，因为图上各种线性目标如树木、空中的线路、太阳照射形成的阴影都会干扰建筑物的边界.很难根据提取的线性边界来准确判断哪些线段应该构成建筑物的轮廓，可能会组成事实上不存在的建筑物，因此可以根据传统的建筑物在结构上一定的几何形态特征——通常表现为多边形，且建筑物表面的灰度分布较均匀，来检测第2.5节中识别出的建筑物.
(1)多边形特征：建筑物通常为矩形或矩形的组合，对于不完整的矩形可以退化为U形、L形和平行线特征.建筑物屋顶一般为水平顶、斜坡顶、人字型顶及其3种的组合类型.建筑物的轮廓清晰，角特征明显，特征线排列整齐，建筑物之间排列规则有序，而且影像上的建筑物都保持自己最基本的属性—区域特征，即“面”特征.
(2)夹角(交角)特征：建筑物的另一显著特征是建筑物的夹角，它具有平移、旋转、放缩不变性等特性，因此可以利用这一特征来识别建筑物.由于航空像片通常拍摄角度垂直或接近垂直于地面，因此通常多边形建筑物的夹角(交角)在90°左右.
(3)阴影特征：阴影是高出地面的物体在阳光照射下产生的，在相片上常表现为地面物体由于背光而形成的深色色调.阴影是各种影像常见的基本特征之一，它对图像判读和信息提取有好处也有坏处.由于太阳方位角和高度角的不同，物体的阴影在不同时刻及不同地点也会有变化.由于建筑物通常比周围的物体高，所以会在像片上形成阴影.像片上的阴影除了建筑物会产生以外，树木由于遮挡太阳光线也常常形成阴影.因此，阴影的存在虽然会使检测建筑物变得困难，常常对建筑物信息的有效提取形成干扰，但也是证明建筑物存在的有效依据.
(4)灰度特征：一般来说建筑物的顶部灰度分布比较平均，而且高于周围的背景灰度，因此灰度特征可以用来作为识别建筑物目标的依据.
2.7 实验结果
图8是某区域的卫星照片，图片中有各种各样形状的建筑物.图9为用文献[8]直线Snake算法在进行建筑物提取后的图片.它共提取出42幢建筑物，误检测5幢，漏检测4幢，在所设计的测试系统中共花费85 s.图10是利用第1.2节改进的直线
图 8 某区域的 图 9 直线Snake 图 10 改进的直线
卫星像片 算法的检Snake算法
测结果的检测结果Snake算法提取出的建筑物.它共提取出44幢建筑物，误检测3幢，漏检测4幢，在测试系统中共花费70 s.由此可以看出，改进后的直线Snake算法无论是运算时间还是运行结果都优于原来的算法.
从图10的检测结果看，虽然图像中有些建筑物的形状较为复杂，但是发现用改进的直线Snake方法不仅能检测出常规的矩形建筑物，还能识别出一些多边形建筑物.尽管一些建筑物因为梯度方向误差、阴影遮挡等原因不能完整提取，但得到的结果为建筑物提取提供充分依据和重要线索.本文计算方法达到预期的效果，且不需要花费太多的时间，满足实际应用的需求.
4 结论与下一步工作
建筑物自动提取不但成为地图数字化技术的发展方向，也是实现地图信息获取智能化乃至自动化的必由之路，有很大的实际应用价值.本文在研究已有方法的基础上，提出改进直线Snake算法的建筑物自动提取方法.试验结果表明，该方法能在很大程度上提高建筑物提取效率.下一步的工作是在该方法的基础上加强建筑物识别和检测的研究，提高其自动化程度.
参考文献：
[1] 杨益军，赵荣椿，汪文秉. 航空图像中人工建筑物的自动检测[J]. 计算机工程，2002，28(8)： 20-21.
[2] 陶文兵，柳健，田金文. 一种新型的航空图像城区建筑物自动提取方法[J]. 计算机学报，2003，26(7)： 866-873.
[3] LIN C，HUERTAS A，NEVATIA R.Detection of buildings using perceptual grouping and shadows[C]//IEEE Proc Computer Vision & Pattern Recognition，Seattle，Washington，USA，1994： 62-69.
[4] JAYNES C，STOLLE F，COLLINS R. Task driven perceptual organization for extraction of rooftop polygons[C]//Proc ARPA Image Understanding Workshop，1994.
[5] 钱隆. 贝叶斯网络在基于几何模型的建筑物检测中的应用研究[D].合肥：合肥工业大学，2003.
[6] 林怡. 小波分析在遥感影像建筑物提取中的应用研究[D]. 上海：同济大学，2003.
[7] KASS M，WITKIN A，TERZOPOULOS D. Snakes： active contour models[J]. International J Computer Vision，1987： 321-331.
[8] 谢兴灿. 城市航空影像中建筑物信息的自动提取方法研究[D]. 西安： 西安电子科技大学，2004.
(编辑 于 杰)
注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”
关键词：直线Snake；贪婪算法；建筑物检测
中图分类号：TP751 文献标志码：A
Automatic building extraction method based on improved line Snake algorithm
LIU Jiong，LI Guangyao
(CAD Research Center，Tongji Univ.，Shanghai 200092，China)
Abstract：To study building extraction from aerial images automatically or semi-automatically，the algorithm of line Snake is analyzed，a connecting distance on average is added into its internal energy function，its second order item is modified，its external energy function is normalized，and an external force is added. The buildings in images are extracted with the improved algorithm and greedy algorithm. The methods can automatically extract buildings correctly. The experimental results show that it can improve the extraction efficient.
Key words：line Snake；greedy algorithm；building detection
0 引 言
建筑物自动提取技术指以计算机为辅助手段，从单(多)幅航空或者卫星图像中提取建筑物，获取其位置、高度等信息.其主要目标是快速准确地处理海量图像数据(大范围图像或图像序列)，检测并识别特定的建筑物，以减少人工操作的负担.
建筑物自动提取的应用范围包括测绘、相片判读、市政规划、通信资源配置、虚拟城市漫游以及地理信息系统数据获取等众多领域.机器自动检测建筑物是1个难度极大的课题，它跨越模式识别、图像处理、计算机视觉、光学、遥感成像等诸多学科研究领域.
随着图形学的发展，建筑物自动提取得到越来越多的关注，不同的学者提出许多不同的方法.文献[1]利用建筑物的灰度特征对图像进行一系列的分割，识别出矩形建筑物.文献[2]利用矩形的特点——对边平行、相邻边成直角等检测出边缘并分组，并以此为基础检测出建筑物.文献[3]和文献[4]则利用知觉分组的技术对边缘线段进行分组处理，达到提取矩形建筑物的目标.文献[5]使用基于Bayes网络的建筑物检测，使用边界检测提取直线特征，生成二维假设.面对众多的假设，构建并使用Bayes网络进行选取和验证，得到最佳的建筑物三维模型参数.文献[6]基于小波分析的建筑物提取，利用小波及其滤波器对建筑物进行边缘检测、影像分解与重建.
在现有这些方法中，前几种主要基于矩形建筑物，虽然方法很有针对性，但会遗漏其他形状的建筑物.传统的方法一般基于矩形的特点——对边平行、相邻边成直角等来检测建筑物，但是这样会遗漏许多轮廓为多边形的建筑物.基于Bayes网络的方法推理十分方便、有效，但建立在一系列假设的基础上，随着问题的复杂化和网络节点的增加，参数学习也成为研究发展的重要前提.在基于小波分析的方法中，小波的许多特性能大大改进建筑物的提取，但其潜在的问题是：不是1种算法就能满足所有建筑物的准确匹配.直线Snake方法的出现为有效解决这个问题提供良好契机.
本文在研究、分析图像预处理、边缘检测、链码跟踪、直线提取等技术的基础上，分析研究直线Snake算法，根据建筑物的特点提出基于改进直线Snake算法的建筑物自动提取方法，并用其提取建筑物，实验结果表明该方法能够正确地自动提取建筑物，效率得到提高.
1 Snake模型及其算法改进
1.1 Snake模型
Snake模型是有效地寻找目标轮廓的搜索算法，具有良好的提取、跟踪特定区域内目标边缘的能力，在国外已广泛用在边缘检测、建模、图像分割和运动跟踪等场合.其一般公式为
2 基于改进直线Snake算法的建筑物自动提取
为了验证所提方法的正确性，设计1个测试系统，采用改进的直线Snake算法对建筑物的轮廓进行自动提取.试验的环境为：Intel Pentium 4(2.5 GHz)，512 MB RAM，Microsoft Windows 2000 Professional，Microsoft Visual C++ 6.0.
2.1 图像预处理
图像的预处理是识别的重要步骤，在地图扫描输入或摄像输入时，由于线不光滑以及硬件系统分辨率等因素限制，使得一些曲线目标带有多余的小分支及裂隙等，都会影响后续的跟踪识别.预处理包括图像二值化、噪声剔除、高斯平滑等工作.
扫描输入后的地形图是具有256个灰度级的栅格数据文件，为了便于目标跟踪必须首先将目标像素从背景像素中分离出来，即将图像二值化.
由于图像扫描输入本身及二值化过程中往往存在着干扰噪声，这些噪声影响数字化图像的质量，若不在识别前去除，会造成很大误差和失真，给识别造成困难.一般图像中主要的干扰有毛刺噪声和空洞或凹陷噪声，见图1和2.除此之外，由于地图上的斑点和污迹造成数字图像中的黑点也是常见的噪声之一.
剔除噪声算法一般基于像素8邻域连通性准则，毛刺噪声用图3所示的模板，空洞噪声用图4所示的模板及它们的3次90°旋转模板进行处理，只要像素与这些模板中的任意1个匹配，则认为是噪声.
最后用标准卷积实现高斯平滑，见图5.
1.4的高斯函数离散近似
2.2 边缘跟踪
预处理完成之后，首先提取图像的边缘信息，它是重要的图像特征信息.本文采用目前比较流行的canny算子来检测边缘.它包括如下5步：(1)用梯度搜寻边缘；(2)计算方向角；(3)方向角规范化；(4)非最大化抑制；(5)双阈值分割.
2.3 链码轮廓跟踪
检测出边缘后，下一步工作就是跟踪其边缘.本文采用常用的FREEMAN链码.FREEMAN 于1961年最早提出用链码表现平面线条图像的方法.根据线条的不同走势方向，分别用{0，1，…，7}8个标志表示，见图6.这样任何1个连续的平面线条图像都可以用一串由{0，1，…，7}中的元素组成的链码近似描述.如果按逆时针方向绕行，可得到如图7的轮廓线的FREEMAN 链码(7600212212).
2.4 直线提取
建立二维边缘轮廓链表后，所关心的是一系列房屋的转折点.使用Splitting方法从一系列光滑的曲线中寻找房屋的转折点.方法如下：
(1)首先给定一定距离的阈值d0，用直线连接曲线点集的两个端点A和B.
(2)设检测点集中距离直线AB最大的点C对应的最大距离为d1，若d1>d0，则记录点C的坐标，C为寻找的下一个转折点，否则算法结束.
(3)由上一步找出的转折点与原曲线点集的两个端点形成新的两个曲线点集.对这两个曲线点集同样进行上述操作，直至算法结束.
2.5 建筑物自动提取
航空摄影图像中房屋的检测、描述和重建是图像理解的重要研究内容，它不仅为从图像中感知三维人造结构体的研究提供1个良好的具体模型，而且在地物测绘自动化、智能视觉监控与导航等领域有着重要的实用价值.其中，对城市航空影像的研究是热点和难点问题.
在航空图像中，为了提取1个物体，必须知道如何把相关的像素组织成区域，进而通过其他知识(例如区域的平滑度、连续性以及场景和物体的关系)，把区域组织成物体.这就是所谓的目标分割(Object Segmentation)问题.然而，单幅航空图像中自动检测建筑物的困难是多方面的.尽管有距离传感器，绝大多数数据是二维图像，缺少直接的三维数据.航空图像还会由于尺度、光谱范围、传感器的几何图像、图像质量、成像条件(如气候、光照)等的不同而相差较大.建筑物本身的结构也相差较大，它们还常常被一些人造目标或自然目标包围，造成部分断档.在这些情况下，解决建筑物的自动检测不仅有重要的实际意义，同时也为发展新的计算机视觉和图像理解提供很好的试床.
本文采用的是贪婪算法.它认为轮廓曲线上各直线在计算能量时与其他各直线不相关.也就是说，认为其他各直线均处在最佳位置，仅计算当前直线的可能位置，且每计算一直线就更新其位置.贪婪算法具有计算效率高、时间复杂度低的优点.由于传统Snake的贪婪算法没有考虑轮廓点间具有相互关联性，因而降低Snake的鲁棒性.但是，在直线Snake中，考虑到直线段已经表述大部分轮廓点间的相互关联关系(共线关系)，因而目前的贪婪算法不但计算效率十分出众，而且也满足较强鲁棒性的要求.也就是说，贪婪算法效率高，而在很多时候直线检测算法承担着算法对噪声等的鲁棒性要求.这再次表明直线Snake的优势，即它由于充分利用中层处理技术对图像的初步解释功能，具备较高的计算效率和鲁棒性.具体如下：
(1)先设定1个初始位置给Snake，设此初始位置所在直线为j.设有n个直线段，对于每个直线段，设置式(5)中的a和b为1，并设置1个较大的常数Em.
(2)对于直线j，在其一定邻域内(设为e)计算每条直线段的能量值，即Ei=Eint，i+Eext，i.其中，i=0，1，…，m-1，m为Snake邻域窗口内的直线段数目.如果搜不到直线段，则对当前直线段加一惩罚项，使其Snake能量过大，返回上一直线段.
(3)若Ei
2.6 检验建筑物
应用航空像片或影像可以有效提取各种线性特征，一般要求分辨率较高、无几何变形、信噪比好、对比度强的航空图像.但它对建筑物的准确定位和形状重构方面较差，因为图上各种线性目标如树木、空中的线路、太阳照射形成的阴影都会干扰建筑物的边界.很难根据提取的线性边界来准确判断哪些线段应该构成建筑物的轮廓，可能会组成事实上不存在的建筑物，因此可以根据传统的建筑物在结构上一定的几何形态特征——通常表现为多边形，且建筑物表面的灰度分布较均匀，来检测第2.5节中识别出的建筑物.
(1)多边形特征：建筑物通常为矩形或矩形的组合，对于不完整的矩形可以退化为U形、L形和平行线特征.建筑物屋顶一般为水平顶、斜坡顶、人字型顶及其3种的组合类型.建筑物的轮廓清晰，角特征明显，特征线排列整齐，建筑物之间排列规则有序，而且影像上的建筑物都保持自己最基本的属性—区域特征，即“面”特征.
(2)夹角(交角)特征：建筑物的另一显著特征是建筑物的夹角，它具有平移、旋转、放缩不变性等特性，因此可以利用这一特征来识别建筑物.由于航空像片通常拍摄角度垂直或接近垂直于地面，因此通常多边形建筑物的夹角(交角)在90°左右.
(3)阴影特征：阴影是高出地面的物体在阳光照射下产生的，在相片上常表现为地面物体由于背光而形成的深色色调.阴影是各种影像常见的基本特征之一，它对图像判读和信息提取有好处也有坏处.由于太阳方位角和高度角的不同，物体的阴影在不同时刻及不同地点也会有变化.由于建筑物通常比周围的物体高，所以会在像片上形成阴影.像片上的阴影除了建筑物会产生以外，树木由于遮挡太阳光线也常常形成阴影.因此，阴影的存在虽然会使检测建筑物变得困难，常常对建筑物信息的有效提取形成干扰，但也是证明建筑物存在的有效依据.
(4)灰度特征：一般来说建筑物的顶部灰度分布比较平均，而且高于周围的背景灰度，因此灰度特征可以用来作为识别建筑物目标的依据.
2.7 实验结果
图8是某区域的卫星照片，图片中有各种各样形状的建筑物.图9为用文献[8]直线Snake算法在进行建筑物提取后的图片.它共提取出42幢建筑物，误检测5幢，漏检测4幢，在所设计的测试系统中共花费85 s.图10是利用第1.2节改进的直线
图 8 某区域的 图 9 直线Snake 图 10 改进的直线
卫星像片 算法的检Snake算法
测结果的检测结果Snake算法提取出的建筑物.它共提取出44幢建筑物，误检测3幢，漏检测4幢，在测试系统中共花费70 s.由此可以看出，改进后的直线Snake算法无论是运算时间还是运行结果都优于原来的算法.
从图10的检测结果看，虽然图像中有些建筑物的形状较为复杂，但是发现用改进的直线Snake方法不仅能检测出常规的矩形建筑物，还能识别出一些多边形建筑物.尽管一些建筑物因为梯度方向误差、阴影遮挡等原因不能完整提取，但得到的结果为建筑物提取提供充分依据和重要线索.本文计算方法达到预期的效果，且不需要花费太多的时间，满足实际应用的需求.
4 结论与下一步工作
建筑物自动提取不但成为地图数字化技术的发展方向，也是实现地图信息获取智能化乃至自动化的必由之路，有很大的实际应用价值.本文在研究已有方法的基础上，提出改进直线Snake算法的建筑物自动提取方法.试验结果表明，该方法能在很大程度上提高建筑物提取效率.下一步的工作是在该方法的基础上加强建筑物识别和检测的研究，提高其自动化程度.
参考文献：
[1] 杨益军，赵荣椿，汪文秉. 航空图像中人工建筑物的自动检测[J]. 计算机工程，2002，28(8)： 20-21.
[2] 陶文兵，柳健，田金文. 一种新型的航空图像城区建筑物自动提取方法[J]. 计算机学报，2003，26(7)： 866-873.
[3] LIN C，HUERTAS A，NEVATIA R.Detection of buildings using perceptual grouping and shadows[C]//IEEE Proc Computer Vision & Pattern Recognition，Seattle，Washington，USA，1994： 62-69.
[4] JAYNES C，STOLLE F，COLLINS R. Task driven perceptual organization for extraction of rooftop polygons[C]//Proc ARPA Image Understanding Workshop，1994.
[5] 钱隆. 贝叶斯网络在基于几何模型的建筑物检测中的应用研究[D].合肥：合肥工业大学，2003.
[6] 林怡. 小波分析在遥感影像建筑物提取中的应用研究[D]. 上海：同济大学，2003.
[7] KASS M，WITKIN A，TERZOPOULOS D. Snakes： active contour models[J]. International J Computer Vision，1987： 321-331.
[8] 谢兴灿. 城市航空影像中建筑物信息的自动提取方法研究[D]. 西安： 西安电子科技大学，2004.
(编辑 于 杰)
注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”