前言
形态学建筑物指数MBI通过建立建筑物的隐式特征和形态学算子之间的关系进行建筑物的提取[1]。
原理
上图源自[2]。
实验数据
简单找了一张小图片：
test.jpg
代码
为了支持遥感图像，读写数据函数都是利用GDAL写的。
import numpy as np
import gdal
# 读取tif数据集
def readTif(fileName, xoff = 0, yoff = 0, data_width = 0, data_height = 0):
dataset = gdal.Open(fileName)
if dataset == None:
print(fileName + "文件无法打开")
# 栅格矩阵的列数
width = dataset.RasterXSize
# 栅格矩阵的行数
height = dataset.RasterYSize
# 波段数
bands = dataset.RasterCount
# 获取数据
if(data_width == 0 and data_height == 0):
data_width = width
data_height = height
data = dataset.ReadAsArray(xoff, yoff, data_width, data_height)
# 获取仿射矩阵信息
geotrans = dataset.GetGeoTransform()
# 获取投影信息
proj = dataset.GetProjection()
return width, height, bands, data, geotrans, proj
# 保存tif文件函数
def writeTiff(im_data, im_geotrans, im_proj, path):
if 'int8' in im_data.dtype.name:
datatype = gdal.GDT_Byte
elif 'int16' in im_data.dtype.name:
datatype = gdal.GDT_UInt16
else:
datatype = gdal.GDT_Float32
if len(im_data.shape) == 3:
im_bands, im_height, im_width = im_data.shape
elif len(im_data.shape) == 2:
im_data = np.array([im_data])
im_bands, im_height, im_width = im_data.shape
#创建文件
driver = gdal.GetDriverByName("GTiff")
dataset = driver.Create(path, int(im_width), int(im_height), int(im_bands), datatype)
if(dataset!= None):
dataset.SetGeoTransform(im_geotrans) #写入仿射变换参数
dataset.SetProjection(im_proj) #写入投影
for i in range(im_bands):
dataset.GetRasterBand(i+1).WriteArray(im_data[i])
del dataset
接下来就是就算MBI，代码注释很详细，也可以对着原理来看。
from skimage.morphology import square, white_tophat
from skimage.transform import rotate
# 计算MBI
# s_min: 结构元素大小最小值
# s_max: 结构元素大小最大值
# delta_s: 颗粒测定的间隔
def CalculationMBI(filePath, MBIPath, s_min, s_max, delta_s):
# 读取图像的相关信息
width, height, bands, image, geotrans, proj = readTif(filePath)
# 多光谱带的最大值对应于具有高反射率的特征->取光谱带最大值作为后续计算数据
gray = np.max(image, 0)
# 为消除白帽边缘效应，进行边缘补零
gray = np.pad(gray, ((s_min, s_min), (s_min, s_min)), 'constant', constant_values=(0, 0))
# 形态学剖面集合
MP_MBI_list = []
# 差分形态学剖面DMP集合
DMP_MBI_list = []
# 计算形态学剖面
for i in range(s_min, s_max + 1, 2 * delta_s):
print("s = ", i)
# 大小为i×i的单位矩阵
SE_intermediate = square(i)
# 只保留中间一行为1,其他设置为0
SE_intermediate[ : int((i - 1) / 2), :] = 0
SE_intermediate[int(((i - 1) / 2) + 1) : , :] = 0
# SE_intermediate表示结构元素，用于设定局部区域的形状和大小
# 旋转0 45 90 135°
for angle in range(0, 180, 45):
SE_intermediate = rotate(SE_intermediate, angle, order = 0, preserve_range = True).astype('uint8')
# 多角度形态学白帽重构
MP_MBI = white_tophat(gray, selem = SE_intermediate)
MP_MBI_list.append(MP_MBI)
# 计算差分形态学剖面DMP
for j in range(4, len(MP_MBI_list), 1):
# 差的绝对值
DMP_MBI = np.absolute(MP_MBI_list[j] - MP_MBI_list[j - 4])
DMP_MBI_list.append(DMP_MBI)
# 计算MBI
MBI = np.sum(DMP_MBI_list, axis = 0) / (4 * (((s_max - s_min) / delta_s) + 1))
# 去除多余边缘结果
MBI = MBI[s_min : MBI.shape[0] - s_min, s_min : MBI.shape[1] - s_min]
# 写入文件
writeTiff(MBI, geotrans, proj, MBIPath)
# 原图像
filePath = r"test.jpg"
# MBI结果
MBIPath = r"test_mbi.jpg"
# 建筑物提取结果
buildingPath = r"test_building.jpg"
# 结构元素大小最小值
s_min = 3
# 结构元素大小最大值
s_max = 20
# 测定的间隔
delta_s = 1
# 计算MBI
CalculationMBI(filePath, MBIPath, s_min, s_max, delta_s)
test_mbi.jpg
MBI计算出来了以后，我们就要取阈值来提取建筑物了，阈值可以手动设置，也可以用算法自动求出阈值，这里我们采用OTSU算法[3]。
from skimage.filters import threshold_otsu
def BuildingExtraction_otsu(MBIPath, buildingPath):
width, height, bands, image, geotrans, proj = readTif(MBIPath)
thresh = threshold_otsu(image) #返回一个阈值
image[image>thresh] = 255
image[image<=thresh] = 0
image = image.astype(np.uint8)
writeTiff(image, geotrans, proj, buildingPath)
# otsu自动计算阈值提取建筑物
BuildingExtraction_otsu(MBIPath, buildingPath)
test_building.jpg
目视对照一下的话，感觉效果还不错。
参考
-
^Huang X and Zhang L. 2011. A multidirectional and multiscale morphological index for automatic building extraction from multispectral geoeye-1 imagery. Photogrammetric Engineering and Remote Sensing, 77(7), 721-732. [DOI: 10.14358/PERS.77.7.721]
-
^魏旭,高小明,岳庆兴,郭正胜.一种结合MBI和SLIC算法的遥感影像建筑物提取方法[J].测绘与空间地理信息,2019,42(10):100-103.
-
^otsu（大津算法）-百度百科 https://baike.baidu.com/item/otsu/16252828?fr=aladdin
来源：应用推广部
供稿：技术研发部
编辑：方梅