利用角點(diǎn)進(jìn)行高分辨率遙感影像居民地檢測方法

陶 超，鄒崢嶸，丁曉利

1.中南大學(xué) 地球科學(xué)與信息物理學(xué)院，湖南，長沙，410083；2.香港理工大學(xué) 土地測量與地理資訊學(xué)系，香港，九龍

1 引 言

遙感影像能夠快速地獲取地球表面信息，特別是隨著高分辨率遙感影像的應(yīng)用，使其成為GIS數(shù)據(jù)庫以及地圖更新的重要信息來源［1］。但是如何從高分辨率遙感影像中自動獲取特征信息，一直是遙感應(yīng)用的重要問題。其中，自動提取和監(jiān)控居民地區(qū)域在居民地變化檢測、數(shù)字化居民地以及軍事偵察等多個(gè)領(lǐng)域都有著重要應(yīng)用，因此，近20年來，從遙感影像中進(jìn)行居民地檢測已成為一個(gè)研究熱點(diǎn)，學(xué)者們提出了很多用于居民地檢測的模型與策略。

在高分辨率遙感影像中，居民地通常由密集的建筑物群、內(nèi)部的道路交通網(wǎng)以及周邊鄰近的綠地城所構(gòu)成，因此在影像中居民地是一類面積較大的目標(biāo)。相對于其他自然地物，如耕地、林地等，居民地區(qū)域內(nèi)部的紋理細(xì)節(jié)更豐富，因此傳統(tǒng)的居民地檢測方法大多采用紋理特征來描述居民地，然后構(gòu)建分類器實(shí)現(xiàn)居民地檢測。文獻(xiàn)［2］提出一種基于Radon變換和樹型小波變換的紋理特征提取方法，并將其應(yīng)用于遙感影像居民地提取。文獻(xiàn)［3］把區(qū)域的光譜特征和基于灰度共生矩陣的紋理特征結(jié)合起來，對QuickBird復(fù)雜居民地區(qū)域進(jìn)行試驗(yàn)，結(jié)果表明結(jié)合紋理和光譜信息可以有效地改善高分辨率遙感影像居民地提取效果。文獻(xiàn)［4］利用基于模糊準(zhǔn)則的灰度共生矩陣提取影像中的紋理特征，并構(gòu)造建筑區(qū)因子（build－up presence index）從全色遙感影像中提取居民地區(qū)域。文獻(xiàn)［5—7］利用數(shù)學(xué)形態(tài)學(xué)構(gòu)造多尺度的空間特征剖面，并用神經(jīng)網(wǎng)絡(luò)融合形態(tài)特征和光譜特征，取得較好的居民地分類結(jié)果。文獻(xiàn)［8］提出一種多條件隨機(jī)場集成模型，并結(jié)合多種紋理特征對IKONOS遙感影像進(jìn)行居民地提取。文獻(xiàn)［9］提出基于Log－Gabor濾波器的快速居民區(qū)提取方法。文獻(xiàn)［10］利用多尺度3DGabor濾波器提取紋理特征，然后從高光譜影像中提取居民地區(qū)域。另外，也有學(xué)者研究基于直線、邊緣等結(jié)構(gòu)信息的居民地提取方法。文獻(xiàn)［11］用一定區(qū)域內(nèi)的直線統(tǒng)計(jì)特征，從高分辨率遙感影像中識別居民區(qū)、鄉(xiāng)村和居民地。文獻(xiàn)［12］利用影像的邊緣信息提取結(jié)構(gòu)特征，并聯(lián)合多光譜信息提高居民地分類精度。文獻(xiàn)［13］對基于邊緣特征從高分辨率多光譜影像中提取居民地進(jìn)行了詳細(xì)的研究工作。

盡管國內(nèi)外研究學(xué)者已經(jīng)提出不少的居民地檢測方法，但仍然存在一些不足，筆者認(rèn)為主要體現(xiàn)在以下兩個(gè)方面：第一，它們大多是基于監(jiān)督分類機(jī)制，為提高分類精度，需要提供大量人工標(biāo)注的數(shù)據(jù)樣本，過程十分繁瑣，面對海量級的遙感影像數(shù)據(jù)，難以滿足當(dāng)前各種應(yīng)用的自動化和實(shí)時(shí)化需求；第二，這些方法大多是基于影像的紋理、光譜、形狀等特征，當(dāng)影像出現(xiàn)尺度、光照等條件變化時(shí)，將導(dǎo)致這些特征出現(xiàn)變化，造成算法的穩(wěn)健性下降。而局部不變特征（例如，角點(diǎn)）卻不易受到這些因素的影響。為此，筆者提出一種基于角點(diǎn)特征的居民地自動檢測方法，分為3個(gè)階段。第1階段，在傳統(tǒng)的Harris算子基礎(chǔ)上，加入兩個(gè)約束準(zhǔn)則，檢測影像中的角點(diǎn)。第2階段，根據(jù)影像中角點(diǎn)的分布自適應(yīng)地構(gòu)建似然函數(shù)，來度量影像中每一個(gè)像素點(diǎn)屬于居民地的概率。第3階段，采用Ostu方法確定居民地與非居民地的最佳分割閾值，并最終提取影像中的居民地區(qū)域。

2 面向居民地檢測的角點(diǎn)提取算法

在影像分析中，角點(diǎn)通常被定義為影像邊緣線段上的曲率極值點(diǎn)或者兩條邊緣以一定角度相交的點(diǎn)［14］，因此角點(diǎn)可以用來描述一些重要的幾何結(jié)構(gòu)，如直角矩形，T型、X型交叉點(diǎn)等。在高分辨率遙感影像中，居民地內(nèi)部包含有大量的人造目標(biāo)（如建筑物頂、道路、停車場等），而角點(diǎn)特征是這些人造目標(biāo)存在的最直接證據(jù)之一［15］。因此，如果能可靠地檢測到屬于這些人造目標(biāo)的角點(diǎn)，很自然地就可以利用影像中的角點(diǎn)分布來推斷候選居民地的位置及其大小。

近20年來，人們提出了很多角點(diǎn)檢測方法，最著名的是由Harris和Stephens提出的Harris角點(diǎn)提取算子［16－17］。它的基本原理是取以目標(biāo)像素為中心的一個(gè)小窗口，計(jì)算窗口沿任何方向移動后的灰度變化，并結(jié)合預(yù)先定義的角點(diǎn)響應(yīng)函數(shù)來判斷該像素是否為角點(diǎn)。圖1是兩幅高分辨率居民地遙感影像及其Harris角點(diǎn)檢測結(jié)果。從圖中可以看出，盡管Harris角點(diǎn)檢測算法對角點(diǎn)的定位非常準(zhǔn)確，并且能在居民地內(nèi)部檢測到大量的角點(diǎn)，但存在的不足是，該方法對紋理區(qū)域十分敏感，容易在一些紋理豐富的非居民地中（如森林、綠地等）檢測到大量的角點(diǎn)。因此，直接利用Harris角點(diǎn)提供的信息來推斷影像中的居民地區(qū)域是不切實(shí)際的。針對居民地檢測的需要，本文改進(jìn)了Harris角點(diǎn)檢測算法，基本思想是利用居民地角點(diǎn)獨(dú)有的幾何特性生成兩個(gè)約束準(zhǔn)則，對已提取的Harris角點(diǎn)進(jìn)行驗(yàn)證，從而剔除非居民地角點(diǎn)。

為了敘述的方便，先定義一些數(shù)學(xué)符號：D為已檢測的Harris角點(diǎn)集合；N為D中的角點(diǎn)個(gè)數(shù)；pi為D中的第i個(gè)角點(diǎn)（i＝1，2，…，N）；U為D中屬于居民地的角點(diǎn)集合；l1i、l2i為角點(diǎn)pi最鄰近的兩條影像邊緣；θi為邊緣l1i與邊緣l2i之間的夾角。

2.1 約束準(zhǔn)則1

從圖1（a）和（b）的結(jié)果可以看出，居民地角點(diǎn)一般來自居民地內(nèi)部密集的建筑物群，其對應(yīng)的幾何結(jié)構(gòu)通常為直角矩形。也就是說，如果一個(gè)角點(diǎn)pi∈U，那么它應(yīng)該是兩條接近垂直的邊緣交點(diǎn)。而非居民地角點(diǎn)通常是由于局部紋理或梯度響應(yīng)極值的干擾而被誤檢到，實(shí)質(zhì)上并沒有對應(yīng)明顯的幾何結(jié)構(gòu)。根據(jù)這一特點(diǎn)，首先定義如下約束準(zhǔn)則

式中，σ1為給定閾值；θi表示角點(diǎn)pi對應(yīng)的最鄰近的兩條邊緣l1i和l2i之間的夾角。

圖1 高分辨率居民地遙感影像及其Harris角點(diǎn)檢測結(jié)果Fig.1 The corners extracted from high－resolution satellite images by Harris operator

2.2 約束準(zhǔn)則2

除分析單個(gè)角點(diǎn)對應(yīng)的幾何結(jié)構(gòu)特性外，還可以分析它鄰域內(nèi)的角點(diǎn)密度分布，進(jìn)一步區(qū)分居民地角點(diǎn)和非居民地角點(diǎn)。首先定義角點(diǎn)pi的鄰域角點(diǎn)集合Mpi如下

式中，鄰域Npi表示以Pi為中心，半徑為r的圓形區(qū)域。由于居民地角點(diǎn)鄰域內(nèi)的角點(diǎn)數(shù)量比非居民地角點(diǎn)領(lǐng)域內(nèi)的角點(diǎn)數(shù)目多得多，根據(jù)這一特點(diǎn)，給出約束準(zhǔn)則如下

式中，｜·｜表示集合的勢或者集合內(nèi)元素的個(gè)數(shù)；σ2為給定的閾值。

在定義上述兩個(gè)約束準(zhǔn)則后，完整的面向居民地檢測的角點(diǎn)提取算法如下：

步驟1：讀入一幅高分辨率遙感影像I1。

步驟2：對I1進(jìn)行Harris角點(diǎn)檢測，得到初始的角點(diǎn)集合D＝｛pi｜1≤i≤N1｝。

步驟3：使用Canny算子［18］對I進(jìn)行邊緣檢測，得到二值化邊緣影像I2。

步驟4：對I2中的每條邊緣線段，采用Douglas－Peucker（DP）算法［19］將其近似表示為一條或者多條直線lj。

步驟5：對于pi∈D，找到與其距離最近的兩條直線li1和li2，記θi為直線li1和li2之間的夾角，如果且｜Mp｜＞σ2，則將角點(diǎn)pii添加到居民地角點(diǎn)集合U。

圖2給出了面向居民地檢測的角點(diǎn)提取結(jié)果，從中可以看出本文算法能夠檢測到大部分來自于居民地的角點(diǎn)，并且非居民地角點(diǎn)明顯減少。

圖2 面向居民地檢測的角點(diǎn)提取的角點(diǎn)檢測結(jié)果Fig.2 Corners extracted by the improved Harris operation

3 基于角點(diǎn)分布的居民地提取

在上節(jié)提出的角點(diǎn)檢測算法中，利用居民地角點(diǎn)獨(dú)有的幾何特性生成兩個(gè)約束準(zhǔn)則對提取的Harris角點(diǎn)進(jìn)行篩選，可有效地剔除大部分非居民地角點(diǎn)，檢測到的角點(diǎn)在居民地的分布比較密集，而在非居民地呈稀疏分布。也就是說，對于一個(gè)屬于居民地的像素點(diǎn)（x0，y0），由于已檢測到的角點(diǎn)在其周圍密集分布，因此它到這些角點(diǎn)的總距離要比一個(gè)屬于非居民地像素到這些角點(diǎn)的總距離小得多。利用這一特性，定義如下似然函數(shù)來度量影像中每一個(gè)像素（x，y）屬于居民地的概率

式中，（xk，yk），k＝1，…，N2表示已提取的N1個(gè)角點(diǎn)的影像坐標(biāo)。

LS（x，y）越大，表明像素（x，y）屬于居民地的可能性就越大。

定義了上述似然函數(shù)后，基于角點(diǎn)分布的居民地提取算法包含3個(gè)步驟：

（1）利用式（4）計(jì)算輸入影像I1中每一個(gè)像素屬于居民地的概率，得到似然函數(shù)影像LS，如圖3所示。

（2）將似然函數(shù)影像LS規(guī)格化至［0，255］之間。

（3）選擇合適的分割閾值對輸入影像I1進(jìn)行如下的二值化處理，得到候選的居民地區(qū)域

式中，Topt表示最優(yōu)的分割閾值，可以采用類似于OSTU閾值選取方法［20］自動得到。

圖3 似然影像結(jié)果Fig.3 The results of likelihood image

圖4給出基于角點(diǎn)分布的居民地提取結(jié)果，從圖中可以看出，本文算法可以有效地檢測到影像中的居民地區(qū)域。

圖4 基于角點(diǎn)分布的居民地區(qū)域提取結(jié)果Fig.4 Residential area detection based on corner distribution

4 試驗(yàn)結(jié)果與分析

4.1 試驗(yàn)設(shè)計(jì)

前面通過兩個(gè)算例演示了本文算法的整個(gè)流程。為進(jìn)一步驗(yàn)證本文算法的有效性，分別選取包含不同場景，不同空間分辨率的兩組高分辨率遙感影像數(shù)據(jù)集進(jìn)行試驗(yàn)：①數(shù)據(jù)集1包含10幅IKONOS全色影像，空間分辨率為1m；②數(shù)據(jù)集2包含30幅高分辨率遙感全色影像（15幅為1m空間分辨率的IKONOS影像，15幅為0.61m空間分辨率QuickBird影像）。其中，數(shù)據(jù)集2主要用于測試本文算法對于不同空間分辨率的影像的魯棒性。試驗(yàn)使用的計(jì)算機(jī)配置為Intel Core（TM）2 2.4－GHz CPU，4－GB RAM，操作系統(tǒng)為Windows7，程序開發(fā)環(huán)境為Matlab 2009。

4.2 結(jié)果分析與性能評價(jià)

圖5給出了測試數(shù)據(jù)集2中部分影像的居民地檢測結(jié)果，其中第1行為本文提出算法的居民地檢測結(jié)果，第2行為文獻(xiàn)［8］的基于監(jiān)督分類的居民地檢測算法的檢測結(jié)果，第3行是人工標(biāo)注的居民地檢。在人工標(biāo)注過程中，將居民地定義為由密集的建筑物群、內(nèi)部的道路交通網(wǎng)以及周邊鄰近的綠地所構(gòu)成的區(qū)域。從圖中可以看出，本文算法能夠較為精確地檢測到影像中的居民地。

圖5 居民地檢測結(jié)果Fig.5 Residential area detection result

為定量評價(jià)算法性能，將算法自動提取居民地的結(jié)果與人工提取結(jié)果進(jìn)行基于像素的比較。設(shè)Nc為算法自動檢測結(jié)果中被正確分類為居民地的像素?cái)?shù)；Nf為被誤分為居民地的像素?cái)?shù)；Nt為人工標(biāo)注的居民地像素?cái)?shù)，則居民地檢測的定量評價(jià)指標(biāo)為：

正確檢測率

虛警率

為了考察本文算法的居民地檢測效果，與文獻(xiàn)［8］的監(jiān)督分類檢測方法進(jìn)行了對比試驗(yàn)。試驗(yàn)中，首先隨機(jī)地從測試數(shù)據(jù)集中選擇10幅影像作為訓(xùn)練數(shù)據(jù)用于訓(xùn)練文獻(xiàn)［8］中使用的條件隨機(jī)場模型。對于每一幅訓(xùn)練影像，首先對其進(jìn)行分塊處理，得到尺寸相等（32像元×32像元）的若干個(gè)子影像，然后對它們進(jìn)行標(biāo)注，得到最終的訓(xùn)練樣本集，包含12 365個(gè)居民地樣本和21 463個(gè)非居民地樣本。接下來，按照文獻(xiàn)［8］中的參數(shù)設(shè)置對測試數(shù)據(jù)集1和2進(jìn)行居民地檢測。試驗(yàn)結(jié)果如表1所示。從表1數(shù)據(jù)可以看出：

（1）對于數(shù)據(jù)集1，文獻(xiàn)［8］方法的檢測率為88.13%，虛警率為3.09%，而本文算法的檢測率為88.79%，虛警率為3.69%，兩種方法的檢測精度大體相當(dāng)。

（2）對于數(shù)據(jù)集2，本文算法的居民地檢測精度優(yōu)于文獻(xiàn)［8］的方法。究其原因就在于，相對于文獻(xiàn)［8］中所使用的紋理特征，本文所使用的角點(diǎn)特征不易受到可能出現(xiàn)的影像尺度、光照等條件變化的影響，因此當(dāng)測試影像集中包含不同空間分辨率的影像時(shí)，本文算法的檢測性能仍然具有良好的穩(wěn)定性。

（3）從算法運(yùn)行效率來看，對單幅影像進(jìn)行居民地提取，本文算法和文獻(xiàn)［8］算法的總運(yùn)行時(shí)間分別為5.32s和5.56s。由于文獻(xiàn)［8］是一種基于監(jiān)督分類的居民地檢測算法，因此還需要165min用于分類器的訓(xùn)練。因此，相對于文獻(xiàn)［8］算法，本文算法無論從檢測性能上還是運(yùn)行效率上都得到了一定程度的提高。

表1 居民地檢測算法性能對比Tab.1 The performance evaluation of proposed algorithm and the method of［8］

4.3 參數(shù)分析

本節(jié)主要考察算法中的可調(diào)參數(shù)對于居民地檢測結(jié)果魯棒性的影響，其中涉及的可調(diào)參數(shù)有：①居民地角點(diǎn)檢測算子局部約束準(zhǔn)則中的參數(shù)σ1；②居民地角點(diǎn)檢測算子全局約束準(zhǔn)則中的參數(shù)σ2。圖6（a）為σ1取1～15、σ2為30時(shí)，對測試數(shù)據(jù)集2中30幅居民地影像進(jìn)行試驗(yàn)得到的居民地平均檢測率Pd的變化曲線。從圖中的結(jié)果可以看出，參數(shù)σ1的最優(yōu)取值為8，當(dāng)σ1在7～15之間時(shí)，Pd的變化并不明顯且穩(wěn)定在84%以上。但是它的取值不能過小，從圖中也可以看出，當(dāng)σ1小于6時(shí)，Pd出現(xiàn)明顯上升趨勢。圖6（b）給出參數(shù)σ2為10～100、σ1為8時(shí)居民地平均檢測率Pd的變化曲線。從圖中可以看出，當(dāng)它的取值在10～60之間時(shí)對于居民地檢測結(jié)果的影響并不明顯。但是它的取值不能過大，從圖中也可以看出，當(dāng)σ2大于60時(shí)，Pd出現(xiàn)明顯下降趨勢。以上試驗(yàn)結(jié)果表明本文算法對于參數(shù)變化具有良好的魯棒性。

圖6 居民地平均檢測率在不同參數(shù)下的變化曲線Fig.6 Parameters analysis for the residential areadetection performance

5 結(jié) 論

傳統(tǒng)的居民地檢測方法大多是基于影像的紋理、光譜、形狀等特征，當(dāng)影像出現(xiàn)尺度、光照等條件變化時(shí)，將導(dǎo)致這些特征出現(xiàn)變化，造成算法的穩(wěn)健性下降。針對這一問題，筆者提出一種基于角點(diǎn)分布的居民地提取方法。試驗(yàn)結(jié)果表明，本文算法可以高效、準(zhǔn)確地檢測到影像中的居民地。與已有的監(jiān)督分類方法相比，由于本文算法所使用的角點(diǎn)特征不易受到可能出現(xiàn)的影像尺度、光照等條件變化的影響，因此當(dāng)測試影像集中包含不同空間分辨率的影像時(shí)，算法的檢測性能仍然具有良好的穩(wěn)定性。同時(shí)，由于本文方法無需任何訓(xùn)練樣本，在執(zhí)行效率上也得到了提高。下一步研究工作考慮利用已提取的居民地區(qū)作為感興趣區(qū)域，完成影像中如建筑物、道路等精細(xì)地物信息提取。

［1］ LI Deren.Towards the Development of Remote Sensing and GIS in the 21st Century［J］.Geomatics and Information Science of Wuhan University，2003，28（2）：127－130.（李德仁.論21世紀(jì)遙感與GIS的發(fā)展［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2003，28（2）：127：130.）

［2］ GUO Lin，MA Li，YE Shichun.Remote Sensing Image Extraction of Residential Areas Based on Radon and Treestructured Wavelet Transformation［J］.Geomatics ＆Spatial Information Technology，2012，35（1）：150－153.（過林，馬莉，葉詩淳.基于Radon和樹型小波變換的遙感影像居民地提取［J］.測繪與空間地理信息，2012，35（1）：150－153.）

［3］ WEI S，LI J，CHEN Y H，et al.Textural and Local Spatial Statistics for the Object－oriented Classification of Urban Areas Using High Resolution Imagery［J］.International Journal of Remote Sensing，2008，29（11）：3105－3117.

［4］ PESARESI M，GERHARDINGER A，KAYITAKIRE F.A Robust Built－up Area Presence Index by Anisotropic Rotation－invariant Textural Measure［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2008，1（3）：180－192.

［5］ BENEDIKTSSON J A，PALMASON J A，SVEINSSON J R.Classification of Hyperspectral Data from Urban Areas Based on Extended Morphological Profiles［J］.IEEE Transaction on Geoscience and Remote Sensing，2005，43（3）：480－491.

［6］ PESARESI M，BENEDIKTSSON J A.A New Approach for the Morphological Segmentation of High－resolution Satellite Imagery［J］.IEEE Transaction on Geoscience and Remote Sensing，2001，39（2）：309－320.

［7］ BELLENS R，GAUTAMA S，F(xiàn)ONTE L M.Improved Classification of VHR Images of Urban Areas Using Directional Morphological Profiles［J］.IEEE Transaction on Geoscience and Remote Sensing，2008，46（10）：2803－2812.

［8］ ZHONG P，WANG R.A Multiple Conditional Random Fields Ensemble Model for Urban Area Detection in Remote Sensing Optical Images［J］.IEEE Transaction on Geoscience and Remote Sensing，2007，45（12）：3978－3988

［9］ XIAO J，CAI C.Fast Urban Extraction from Remote Sensing Image Based on Log－Gabor Filter［C］∥Proceedings of SPIE.［S.l.］：SPIE，2011：1－4.

［10］ SHI Beiqi，LIU Chun，CHEN Neng，et al.Residential Area Recognition Using Texture Filtering from Hyper－spectral Remote Sensing Imagery［J］.Geomatics and Information Science of Wuhan University，2012，8（12）：1423－1426.（施蓓琦，劉春，陳能，等.利用高光譜遙感影像紋理濾波的居民地識別［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2012，8（12）：1423－1426.）

［11］ üNSALAN C，BOYER K L.Classifying Land Development in High－resolution Panchromatic Satellite Images Using Straight－line Statistics ［J］. IEEE Transaction on Geoscience and Remote Sensing，2004，42（4）：907－919.

［12］ HUANG X，ZHANG L P，LI P.Classification of very High Spatial Resolution Imagery Based on the Fusion of Edge and Multispectral Information［J］.Photogrammetric Engineering and Remote Sensing，2008，74（12）：1585－1596.

［13］ TAN Qulin.Residential Area Building Extraction from VHR Multispectral Images Using Object－based Classification［J］.Acta Geodaetica et Cartographica Sinica，2010，39（6）：618－623.（譚衢霖.高分辨率多光譜影像居民地建筑物提取研究［J］.測繪學(xué)報(bào)，2010，39（6）：618－623.）

［14］ WANG Tianmiao，WANG Junchen，YANG Yan，et al.A Fully Automatic Endoscopic Image Correction Method Using Harris Corner Detection ［J］.Acta Automatica Sinica，2011：37（11），1360－1367.（王田苗，王君臣，楊艷，等.基于Harris角點(diǎn)的內(nèi)窺鏡影像變形全自動校正算法［J］.自動化學(xué)報(bào)，2011，37（11）：1360－1367.）

［15］ WANG Mingfu，YANG Shihong，WU Qinzhang.A Geometric Quality Assessment Algorithm of Remote Sensing Image Based on Corner Detection［J］.Acta Geodaetica et Cartographica Sinica，2011，40（2）：175－179.（王明富，楊世洪，吳欽章，等.基于角點(diǎn)檢測的遙感影像幾何質(zhì)量評價(jià)方法［J］.測繪學(xué)報(bào)，2011，40（2）：175－179.）

［16］ HARRIS C G，STEPHENS M.A Combined Corner and Edge Detector［C］∥Proceedings of Fourth Alley Vision Conference. Manchester： University of Manchester，1988：147－152.

［17］ SHI J B，TOMASI C.Good Features to Track［C］∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Seattle：IEEE，1994：593－600.

［18］ CANNY J.A Computational Approach to Edge Detection［J］.IEEE Transaction on Pattern Analysis and Machine Intelligence，1986，8（6）：679－698.

［19］ MA Jingsong，SHEN Jie，XU Shouchen.A Parallel Implementation of Douglas－Peucker Algorithm for Real－time Map Generalization of Polyline Features on Multi－core Processor Computers［J］.Geomatics and Information Science of Wuhan University，2011，36（12）：1423－1426.（馬勁松，沈婕，徐壽成.利用Douglas－Peucker并行算法在多核處理器上實(shí)時(shí)綜合地圖線要素［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2011，36（12）：1423－1426.）

［20］ SEZGIN M，SANKUR B.Survey over Image Threshold Techniques and Quantitative Performance Evaluation［J］.Journal of Electronic Imagine，2003，13（1）：146－165.

［21］ TAO Chao.Research on Urban and Building Detection from High Resolution Remotely Sensed Imagery［D］.Wuhan：Huazhong University of Science and Technology，2012.（陶超.高分辨率遙感影像中的城區(qū)與建筑物檢測方法研究［D］.武漢：華中科技大學(xué)，2012.）