基于SLIC區(qū)域分割的三維地形重建算法*

常方媛，馮志勇，徐 超

(1.天津大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，天津 300072；2.天津大學(xué)軟件學(xué)院，天津 300072)

基于SLIC區(qū)域分割的三維地形重建算法*

常方媛1，馮志勇1，徐 超2

(1.天津大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，天津 300072；2.天津大學(xué)軟件學(xué)院，天津 300072)

為利用無(wú)人機(jī)在高空連續(xù)拍攝的兩幅航拍圖像準(zhǔn)確實(shí)現(xiàn)三維地形重建，提出了通過(guò)將圖像進(jìn)行區(qū)域分割來(lái)達(dá)到不同地形區(qū)域分別生成數(shù)字高程模型DEM數(shù)據(jù)的方法。首先利用簡(jiǎn)單線(xiàn)性迭代聚類(lèi)SLIC超像素算法將圖像分割為多個(gè)包含單一地形的超像素區(qū)域，再利用各區(qū)域的顏色信息進(jìn)行相鄰?fù)?lèi)地形區(qū)域的融合，最后在所得的各區(qū)域內(nèi)通過(guò)SIFT特征點(diǎn)提取與匹配、計(jì)算三維坐標(biāo)來(lái)生成DEM數(shù)據(jù)。通過(guò)將重建地形結(jié)果與衛(wèi)星地圖對(duì)比表明，利用該方法能夠有效實(shí)現(xiàn)地形重建；通過(guò)對(duì)比本文算法與傳統(tǒng)地形重建算法的重建結(jié)果表明，利用該方法能準(zhǔn)確呈現(xiàn)各地形間的邊界信息。

地形重建;簡(jiǎn)單線(xiàn)性迭代聚類(lèi)超像素算法;區(qū)域分割;SIFT算法

1 引言

三維地形重建是在已有數(shù)據(jù)基礎(chǔ)上，建立描述某一部分地球表面及其特征的曲面模型，與原數(shù)據(jù)相比，它具有更強(qiáng)的立體感與真實(shí)感，擁有廣闊的應(yīng)用前景[1]。等高線(xiàn)數(shù)據(jù)是進(jìn)行地形重建常用的一種數(shù)據(jù)形式，Zhang Z等人[2]基于等高線(xiàn)數(shù)據(jù)，提出了一種純粹幾何算法來(lái)進(jìn)行地形重建，該算法利用貼磚準(zhǔn)則確保了在地形重建過(guò)程中，任意分枝地形都能進(jìn)行正確的拓?fù)鋭澐?。等高線(xiàn)數(shù)據(jù)雖然具有高度準(zhǔn)確性，但對(duì)于數(shù)據(jù)的讀取需要一定的專(zhuān)業(yè)知識(shí)基礎(chǔ)[3]，且在一定程度上無(wú)法提供足夠的精確性，因此在地形重建過(guò)程中，更多的是利用數(shù)字高程模型DEM(Digital Elevation Model)數(shù)據(jù)與二維圖像來(lái)實(shí)現(xiàn)[4]。Wilson R C和Hancock E R在方差偏差分析基礎(chǔ)上對(duì)DEM數(shù)據(jù)進(jìn)行網(wǎng)格優(yōu)化；Lu Y H等人[5]在對(duì)圖像進(jìn)行圖像匹配與分割后，分別獲得圖像中的房屋、樹(shù)木等區(qū)域，最后根據(jù)DEM數(shù)據(jù)實(shí)現(xiàn)地形重建；介鳴等人利用兩幅圖像進(jìn)行特征點(diǎn)的匹配，然后通過(guò)運(yùn)動(dòng)估計(jì)、圖像校正與視差計(jì)算實(shí)現(xiàn)月球表面的地形重建；Chen Jie等人[6]通過(guò)對(duì)無(wú)人機(jī)拍攝的具有大面積重疊的圖像對(duì)進(jìn)行像素級(jí)的SIFT特征點(diǎn)匹配與像素坐標(biāo)計(jì)算來(lái)實(shí)現(xiàn)地形重建。

與DEM數(shù)據(jù)相比，二維圖像的獲取更加容易，因此本文將二維圖像作為三維地形重建的原始數(shù)據(jù)；與此同時(shí)，無(wú)人機(jī)航拍圖像具有分辨率高、拍攝范圍廣、對(duì)拍攝環(huán)境要求低等優(yōu)點(diǎn)，同時(shí)因?yàn)樗呐臄z角度是隨機(jī)選取，無(wú)法過(guò)多地進(jìn)行人為的調(diào)整，因此利用無(wú)人機(jī)航拍圖像進(jìn)行地形重建的算法也更具有普適性。然而，現(xiàn)有的地形重建算法通常是在整幅圖像范圍內(nèi)進(jìn)行數(shù)據(jù)處理，當(dāng)處理無(wú)人機(jī)航拍圖像等分辨率高的圖像時(shí)耗時(shí)較多[7]，同時(shí)由于圖像中會(huì)同時(shí)存在多種不同的地形，若使用統(tǒng)一的方法進(jìn)行地形重建，會(huì)不可避免地造成不同地形間的邊界模糊與位置不準(zhǔn)確等問(wèn)題。因此，本文首先利用改進(jìn)的簡(jiǎn)單線(xiàn)性迭代聚類(lèi)SLIC(Simple Linear Iterative Clustering)超像素分割算法將圖像中的不同地形進(jìn)行了區(qū)域劃分，然后集合并改進(jìn)了幾種簡(jiǎn)單而有效的算法，在各個(gè)區(qū)域內(nèi)分別生成三維坐標(biāo)數(shù)據(jù)，最終實(shí)現(xiàn)三維地形的重建。該重建算法主要包括三個(gè)部分：基于SLIC算法的區(qū)域分割、SIFT特征點(diǎn)的提取與匹配、特征點(diǎn)坐標(biāo)計(jì)算及DEM數(shù)據(jù)生成。本文首先利用SLIC算法將圖像分割成多個(gè)僅包含一種地形的超像素區(qū)域，再利用它們的顏色信息實(shí)現(xiàn)相鄰超像素間同類(lèi)地形的融合，從而大大減少SLIC算法中所得超像素?cái)?shù)量，以提高算法效率；然后進(jìn)行SIFT特征點(diǎn)的提取與匹配，為了便于后續(xù)分區(qū)域計(jì)算坐標(biāo)數(shù)據(jù)，此步驟在第一階段生成的各個(gè)超像素區(qū)域內(nèi)分別進(jìn)行；最后在各個(gè)區(qū)域內(nèi)計(jì)算特征點(diǎn)的三維坐標(biāo)并分別生成DEM數(shù)據(jù)，從而實(shí)現(xiàn)地形的三維重建。

2 基于SLIC區(qū)域分割的三維地形重建算法

2.1 SLIC超像素分割算法

超像素算法將像素聚合成有意義的子區(qū)域，既方便計(jì)算圖像特征，又能降低圖像處理復(fù)雜度[8]，因此在近幾年被廣泛應(yīng)用于圖像預(yù)處理階段[9,10]。其中，SLIC算法是一種基于顏色相似度和空間臨近度的像素聚類(lèi)方法[11]，不僅生成的超像素邊緣清晰，而且具有運(yùn)算速度快、靈活易用等優(yōu)點(diǎn)[12]。因此，本文首先利用SLIC算法將圖像進(jìn)行超像素分割，使得每個(gè)超像素中僅存在一種地形。

對(duì)于一幅CIELAB顏色空間中的彩色圖像，該算法首先將圖像分成k個(gè)大小均勻的矩形區(qū)域，作為初始的超像素集合。在每個(gè)超像素集合中，將在3×3的鄰域內(nèi)梯度最小的點(diǎn)選定為各集合的初始中心點(diǎn)Ci=[li,ai,bi,xi,yi]T，其中l(wèi)i、ai、bi分別為點(diǎn)Ci的L、A、B顏色分量值，xi、yi為點(diǎn)Ci在圖中的坐標(biāo)，這樣選取可以有效地避免邊界點(diǎn)與噪聲像素被選為中心點(diǎn)。

(1)

式(1)中引入了新的參數(shù)m，它代表了超像素分割后的緊湊程度，取值范圍為[1，20] ，默認(rèn)情況下取m=10。

重復(fù)上述過(guò)程直到殘差E小于設(shè)定的閾值δ為止。

2.2 基于SLIC的區(qū)域分割算法

經(jīng)過(guò)SLIC分割以后，圖像被劃分成了k個(gè)區(qū)域，但為了保證不同區(qū)域間的邊界被正確劃分，k值不能取得過(guò)小。若在這種情況下，直接對(duì)k個(gè)超像素集合分別進(jìn)行三維重建，將會(huì)造成算法的繁瑣與低效，因此本文在SLIC算法的基礎(chǔ)上，利用圖像的RGB顏色信息，將相鄰的同類(lèi)地形區(qū)域融合為一個(gè)更大的超像素集合。融合的方法為：

(1)提取各個(gè)超像素集合的RGB顏色信息，分別計(jì)算R、G、B顏色分量的均值，并將均值數(shù)值最大的顏色(如R)作為該超像素集合的主顏色；

(2)對(duì)于任意兩個(gè)相鄰的超像素集合，在主顏色相同(如同為R)的情況下，計(jì)算主顏色均值差值的絕對(duì)值(如|Rs-Rt|)，若小于設(shè)定的閾值，則將這兩個(gè)超像素集合進(jìn)行融合。

此融合方法僅計(jì)算了各超像素集合內(nèi)的主顏色數(shù)值，雖然另外兩種顏色分量間的差別也會(huì)對(duì)融合結(jié)果造成影響，但考慮到無(wú)人機(jī)航拍圖像的分辨率相對(duì)于圖像中實(shí)際地形大小而言，顏色細(xì)節(jié)仍然比較粗糙，各地形區(qū)域的主顏色會(huì)呈現(xiàn)同類(lèi)地形數(shù)值相近、不同地形數(shù)值相差較多的趨勢(shì)，因此造成的影響可以忽略不計(jì)。實(shí)驗(yàn)結(jié)果也證明，僅考慮主顏色進(jìn)行融合完全能夠滿(mǎn)足實(shí)驗(yàn)需求。

本文提出的基于SLIC的區(qū)域分割算法，是基于“具有相同語(yǔ)義的相鄰區(qū)域間顏色相近”的假定，因此此分割算法主要適用于同類(lèi)地形相對(duì)集中且顏色相近、不同地形間顏色差別比較明顯的自然場(chǎng)景圖像。當(dāng)圖像內(nèi)包含過(guò)多的人為建筑時(shí)，由于區(qū)域顏色與語(yǔ)義之間的對(duì)應(yīng)關(guān)系被削弱，因此會(huì)影響區(qū)域分割的準(zhǔn)確性；此外，當(dāng)航拍圖像受外界因素影響，導(dǎo)致圖像間色調(diào)發(fā)生較大偏差時(shí)，同樣會(huì)對(duì)分割結(jié)果產(chǎn)生不利影響。

2.3 SIFT特征點(diǎn)的提取與匹配

SIFT算法由Lowe D在1999年發(fā)表，并于2004年進(jìn)行了發(fā)展與完善。該算法主要包括兩個(gè)階段[13]，第一階段是SIFT特征的生成，第二階段是SIFT特征向量的匹配。其中特征向量的生成算法主要包括四個(gè)步驟：(1)通過(guò)尺度空間極值檢測(cè)，來(lái)初步確定關(guān)鍵點(diǎn)的位置與所在的尺度；(2)通過(guò)擬合三維二次函數(shù)來(lái)精確確定關(guān)鍵點(diǎn)的位置和尺度，同時(shí)去除對(duì)比度低的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)；(3)為各個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)；(4)生成SIFT特征向量。當(dāng)兩幅圖像的SIFT特征向量生成后，利用關(guān)鍵點(diǎn)特征向量間的歐氏距離作為匹配的判定標(biāo)準(zhǔn)。

連續(xù)拍攝的圖像雖然具有大面積的重疊，但仍會(huì)存在形狀、顏色的局部差異，而SIFT算法對(duì)平移、旋轉(zhuǎn)、尺度縮放、亮度變化、遮擋和噪聲等具有良好的不變性[14]，因此本文利用SIFT算法進(jìn)行特征點(diǎn)的提取與匹配。

在進(jìn)行SIFT特征點(diǎn)的提取與匹配時(shí)，存在兩種不同的方式，一種是在整幅圖像范圍內(nèi)進(jìn)行，另一種是在各個(gè)超像素區(qū)域內(nèi)分別進(jìn)行。由于連續(xù)拍攝的兩幅圖像間除了位置的偏移，在其他方面沒(méi)有較大的差別，因此兩種方式下得到的特征點(diǎn)數(shù)量不會(huì)存在太大差異。但是，當(dāng)在各區(qū)域內(nèi)分別進(jìn)行時(shí)，因?yàn)槿サ袅藚^(qū)域以外的部分，減少了對(duì)特征點(diǎn)匹配過(guò)程的干擾，所以能夠有效地減少誤匹配特征點(diǎn)對(duì)的數(shù)量。圖1顯示了利用不同方式進(jìn)行匹配的結(jié)果。從圖1中可見(jiàn)，在整幅圖像范圍內(nèi)進(jìn)行匹配時(shí)出現(xiàn)了明顯的錯(cuò)誤，而在超像素區(qū)域內(nèi)進(jìn)行時(shí)并未發(fā)生；在算法運(yùn)行時(shí)間方面，第一種方式用時(shí)7.08 s，第二種方式用時(shí)10.13 s，雖然分區(qū)域進(jìn)行特征點(diǎn)提取與匹配耗時(shí)較多，但若綜合考慮算法的精度與速度，顯然后一種方式更具優(yōu)勢(shì)；此外，將各個(gè)超像素區(qū)域內(nèi)所含特征點(diǎn)的匹配結(jié)果彼此分開(kāi)，將方便后續(xù)階段在各個(gè)區(qū)域內(nèi)分別生成DEM數(shù)據(jù)。因此，本文在進(jìn)行SIFT特征點(diǎn)的提取與匹配時(shí)，采取在各個(gè)超像素區(qū)域內(nèi)分別進(jìn)行的方式。

Figure 1 Matching results in different ways

2.4 基于雙目立體視覺(jué)的三維地形重建

在得到了匹配的特征點(diǎn)對(duì)以后，利用它們的坐標(biāo)關(guān)系，通過(guò)雙目立體視覺(jué)原理，便可以計(jì)算出各特征點(diǎn)的深度值[15]，進(jìn)而得到三維坐標(biāo)。假定輸入的兩幅航拍圖像為無(wú)人機(jī)在空中飛行過(guò)程中，先后拍攝的兩幅圖像，兩幅圖像的拍攝間隔較短；飛機(jī)在飛行過(guò)程中沿直線(xiàn)飛行，且機(jī)身與地面平行，因此可以近似地認(rèn)為連續(xù)拍攝的兩張圖像處于同一XY平面內(nèi)且相互之間平行[16]，此時(shí)特征點(diǎn)對(duì)的坐標(biāo)值與深度值的關(guān)系可簡(jiǎn)化為：

(2)

其中， x1與 x2分別為一對(duì)特征點(diǎn)在兩幅圖像中的橫坐標(biāo)，λ為相機(jī)焦距，B為拍攝兩幅圖像的間隔距離，W(X,Y,Z)為特征點(diǎn)對(duì)所對(duì)應(yīng)的世界坐標(biāo)，h為點(diǎn)W(X,Y,Z)相對(duì)于無(wú)人機(jī)的深度值。在得到點(diǎn)W(X,Y,Z)的深度值以后，再利用圖像拍攝時(shí)無(wú)人機(jī)相對(duì)于地面的相對(duì)高度值，便能方便地得出點(diǎn)W(X,Y,Z)的相對(duì)高度值，即特征點(diǎn)的三維高度信息。

經(jīng)上述步驟得到各超像素區(qū)域的特征點(diǎn)三維坐標(biāo)后，針對(duì)不同區(qū)域內(nèi)地形特點(diǎn)，可以使用不同的插值方法來(lái)分別生成DEM數(shù)據(jù)，其中地勢(shì)平坦、坡度較緩的道路、農(nóng)田等利用少數(shù)特征點(diǎn)直接進(jìn)行線(xiàn)性插值即可，對(duì)于高度較大、坡度較陡的山地則可以采用AMLE算法[17]，最后利用OpenGL實(shí)現(xiàn)地形的三維重建。

在此算法的三個(gè)階段之中，區(qū)域分割算法主要適用于同類(lèi)地形相對(duì)集中且顏色相近、不同地形間顏色差別比較明顯的自然場(chǎng)景圖像；特征點(diǎn)的提取與匹配階段選用了適應(yīng)性較好的SIFT特征，因此對(duì)輸入圖像幾乎沒(méi)有限制；DEM數(shù)據(jù)生成階段則是需要根據(jù)不同的地形特征選取與之相應(yīng)的插值方法，因此本文算法的適用范圍與區(qū)域分割算法適用范圍一致。

3 實(shí)驗(yàn)結(jié)果與分析

基于上述方法，選取了無(wú)人機(jī)在北緯45.285 67°、東經(jīng)119.888 8°處連續(xù)拍攝的兩幅圖像作為原始數(shù)據(jù)(如圖2所示)，兩幅圖像的尺寸均為5 616×3 744，圖中方框內(nèi)為兩幅圖像的重疊區(qū)域，即需要進(jìn)行地形重建的區(qū)域。實(shí)驗(yàn)平臺(tái)為Intel(R) Core(TM) i5處理器，4.00 GB內(nèi)存，軟件平臺(tái)為Windows 7操作系統(tǒng)，Matlab2012a、Visual C++ 6.0和三維圖形標(biāo)準(zhǔn)庫(kù)OpenGL。

Figure 2 Original pictures

首先，分別對(duì)兩幅圖像進(jìn)行SLIC超像素分割，其中參數(shù)k根據(jù)經(jīng)驗(yàn)選取為k=60。圖3顯示了不同m值情況下的分割結(jié)果，當(dāng)m=10時(shí)，分割所得的超像素區(qū)域細(xì)節(jié)過(guò)于繁瑣(如圖3a所示)，不利于在此基礎(chǔ)上進(jìn)行區(qū)域融合，因此適當(dāng)增大m值，由圖3b可知，當(dāng) m=15時(shí)分割結(jié)果已經(jīng)可以滿(mǎn)足后續(xù)的實(shí)驗(yàn)需求，因此取 m=15。接下來(lái)利用2.2節(jié)提出的方法對(duì)所得的超像素集合進(jìn)行融合，通過(guò)對(duì)比不同閾值的融合效果，最終選取 γ=0.15，經(jīng)過(guò)在SLIC超像素分割算法的基礎(chǔ)上進(jìn)行融合，兩幅圖像分別被分割成了四個(gè)超像素區(qū)域(如圖4所示)，上述兩個(gè)步驟共用時(shí)257.65 s。由圖4可以看出，本文算法對(duì)圖像進(jìn)行的區(qū)域分割是合理的，且兩幅圖像的分割結(jié)果基本一致，這表明本文算法能夠有效地實(shí)現(xiàn)圖像的區(qū)域分割。接下來(lái)，將上步中得到的各對(duì)應(yīng)區(qū)域分別進(jìn)行SIFT特征點(diǎn)的提取與匹配，總共用時(shí)10.13 s；由于所拍攝圖像中大部分地形比較平緩，因此本文在利用式(2)計(jì)算得到特征點(diǎn)的三維坐標(biāo)后，在各區(qū)域內(nèi)利用線(xiàn)性插值方法分別生成DEM數(shù)據(jù)；最后將重疊區(qū)域的圖像作為紋理，利用OpenGL進(jìn)行地形的三維重建，總共用時(shí)10.51 s，重建結(jié)果如圖5a所示。

Figure 3 Segmentation results of the superpixel algorithm

Figure 4 Segmentation results

Figure 5 Comparison between the 3D terrain reconstruction result and the satellite map

利用Google地球?qū)D像拍攝位置進(jìn)行定位，得到衛(wèi)星地圖如圖5b所示，通過(guò)將其與本文算法重建出的三維地形進(jìn)行對(duì)比可以看出，本文重建出的地形與衛(wèi)星地圖的地形在地勢(shì)起伏走向方面是完全一致的，相對(duì)應(yīng)的部分已在圖中進(jìn)行了標(biāo)示，這表明本文算法能夠有效地實(shí)現(xiàn)地形的三維重建。為了更清晰地表明此算法在三維地形重建中的優(yōu)勢(shì)，利用去除算法的第一步而保持其他部分不變，即不進(jìn)行圖像的區(qū)域分割，直接進(jìn)行特征點(diǎn)提取與匹配，最后生成DEM數(shù)據(jù)的方法再次進(jìn)行了地形的三維重建，結(jié)果如圖6所示。通過(guò)對(duì)比兩種方法所得結(jié)果不難看出，在不進(jìn)行圖像分割的情況下，圖中被標(biāo)出的部分本應(yīng)向下凹陷，但由于兩側(cè)地形內(nèi)特征點(diǎn)的海拔高度相近，因此當(dāng)利用線(xiàn)性插值方法生成DEM數(shù)據(jù)時(shí)，此處變成了左右兩部分的過(guò)渡區(qū)域，丟失了兩個(gè)區(qū)域之間的邊界信息，導(dǎo)致重建出的地形與實(shí)際地形差別較大，而利用本文算法得到的實(shí)驗(yàn)結(jié)果則能較準(zhǔn)確地呈現(xiàn)出左右兩個(gè)區(qū)域之間的邊界細(xì)節(jié)；此外，由于利用整幅圖像進(jìn)行SIFT特征點(diǎn)的提取與匹配無(wú)法自動(dòng)去除誤匹配點(diǎn)，因此會(huì)造成特征點(diǎn)三維坐標(biāo)的計(jì)算錯(cuò)誤，最終導(dǎo)致生成地形中右上角的地形趨勢(shì)與實(shí)際地形不符，而利用本文算法則能有效地減少此類(lèi)錯(cuò)誤的發(fā)生。因此，雖然本文算法進(jìn)行圖像區(qū)域分割額外耗費(fèi)了一些時(shí)間，但它對(duì)于提高重建地形的準(zhǔn)確性具有至關(guān)重要的作用。

Figure 6 3D terrain reconstruction results with and without segmentation

4 結(jié)束語(yǔ)

為了解決三維地形重建中出現(xiàn)的不同地形間邊界模糊、位置不準(zhǔn)確的問(wèn)題，本文提出了基于SLIC區(qū)域分割的三維地形重建算法。該算法首先利用SLIC超像素分割算法對(duì)圖像進(jìn)行預(yù)處理，接著再利用各個(gè)超像素的顏色信息進(jìn)行相鄰超像素間同類(lèi)地形融合，從而實(shí)現(xiàn)圖像中不同地形區(qū)域的分割；然后在各區(qū)域內(nèi)分別進(jìn)行特征點(diǎn)的提取與匹配、DEM數(shù)據(jù)的生成；最終實(shí)現(xiàn)對(duì)地形的重建。通過(guò)與衛(wèi)星地圖對(duì)比可知，本文算法重建出的地形是準(zhǔn)確、可靠的；與未經(jīng)區(qū)域分割重建出的地形對(duì)比表明，本文算法能夠很好地解決地形重建中邊界模糊、位置不準(zhǔn)確等問(wèn)題，從而大大提高地形重建的準(zhǔn)確性。在接下來(lái)的研究中，可以通過(guò)增加原始圖像數(shù)量來(lái)不斷擴(kuò)展圖像間的重疊部分，從而對(duì)DEM數(shù)據(jù)進(jìn)行修正，使生成的三維地形更加準(zhǔn)確；此外，在對(duì)連續(xù)拍攝的序列圖像進(jìn)行區(qū)域分割時(shí)，可以令后一幅圖像在前面圖像分割結(jié)果的基礎(chǔ)上通過(guò)修正來(lái)實(shí)現(xiàn)，從而減少算法的運(yùn)行時(shí)間。

[1] Xiong Qiu-bo. Based on two-dimension image 3d modeling technology research[J]. China Computer & Communication,2009(11):63-64.(in Chinese)

[2] Zhang Z Y,Knoon K,Tokuyama Y. 3D terrain reconstruction based on contours[C]∥Proc of the 9th International Conference on Computer Aided Design and Computer Graphics,2005:325-300.

[3] Wang Ning,Zhang Chuan-lin,Zhang Wen-zheng. A simple 3-D surface reconstruction method[J]. Journal of Jinan University(Natural Science),2010,31(5):467-470. (in Chinese)

[4] Pollefeys M,Luc V G. From images to 3D models[J]. Communication of the ACM,2002,45(7):50-55.

[5] Lu Y H,Kubik K,Bennamoun M. Image segmentation and image matching for 3D terrain reconstruction[C]∥Proc of the 14th International Conference on Pattern Recognition,1998:1535-1537.

[6] Chen J,Fang Y M,Xia Y H,et al. A study of three-dimensional reconstruction using high overlap aerial photograph sequence[C]∥Proc of 2011 International Symposium on Image and Data Fusion,2011:1-4.

[7] Domrongwatthanayothin B, Roeksabutr A, Chongchaewchamnanand M, et al. A simple static-shadow based algorithm for 3D complex-terrain surface reconstruction[C]∥Proc of 2005 IEEE International Geoscience and Remote Sensing Symposium,2005:1738-1741.

[8] Radhakrishna A,Appu S,Smith K,et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[9] Lawrence Zitnick C,Sing B K. Stereo for image-based rendering using image over-segmentation[J]. International Journal of Computer Vision,2007,75(1):49-65.

[10] Fulkerson B,Vedaldi A,Soatto S. Class segmentation and object localization with superpixel neighborhoods[C]∥Proc of IEEE 12th International Conference on Computer Vision,2009:670-677.

[11] Radhakrishna A,Appu S,Smith K,et al. SLIC superpixels: EPFL-Report-149300[R]. 2010.

[12] Kim K S,Zhang D N,Kang M C,et al. Improved simple linear iterative clustering superpixels[C]∥Proc of IEEE 17th International Symposium on Consumer Electronics(ISCE),2013:259-260.

[13] Wang J D,Li X Y,Shou L D,et al. A SIFT pruning algorithm for efficient near-duplicate image matching[J]. Journal of Computer Aided Design & Computer Graphics,2010,22(6):1042-1055.

[14] Zhang J,Sang H S. SIFT matching method based on scale transformation[J]. Journal of Infrared and Millmeter Waves,2014,33(2):177-182.

[15] Liu W,Wang Z C,Ning X L,et al. An object recognition and location based on binocular stereo vision[C]∥Proc of International Forum on Computer Science-Technology and Applications,2009:97-99.

[16] Du J J,He J S,Zhu J J. A method study of generating digital terrain map for Lunar exploration based on the stereo vi-

sion[C]∥Proc of 2011 IEEE International Conference on Information and Automation,2011:117-122.

[17] Andrés A,Frédéric C,Yann G,et al. Interpolation of digital elevation models using AMLE and related methods[J]. IEEE Transactions on Geoscience and Remote Sensing,2002,40(2):314-325.

附中文參考文獻(xiàn):

[1] 熊秋波. 基于二維圖像的三維建模技術(shù)研究[J]. 信息與電腦,2009(11):63-64.

[3] 王寧，張傳林，張文爭(zhēng). 一種簡(jiǎn)單的三維地形重建方法[J]. 暨南大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,31(5):467-470.

常方媛(1989-),女,河北唐山人，碩士生，研究方向?yàn)閰^(qū)域分割和三維重建。E-mail:fangyuanc@163.com

CHANG Fang-yuan,born in 1989,MS candidate,her research interests include region segmentation, and 3D reconstruction.

馮志勇(1965-),男,內(nèi)蒙古呼和浩特人，博士，教授，CCF會(huì)員(E200007516S)，研究方向?yàn)橹R(shí)工程、服務(wù)計(jì)算和計(jì)算機(jī)認(rèn)知。E-mail:zyfeng@tju.edu.cn

FENG Zhi-yong,born in 1965,PhD,professor,CCF member(E200007516S)，his research interests include knowledge engineering, service computing, and computer cognition.

徐超(1982-),男,山東沂水人，博士，副教授，CCF會(huì)員(E200013645M),研究方向?yàn)榍楦杏?jì)算、預(yù)動(dòng)計(jì)算和知識(shí)管理。E-mail:xc@tju.edu.cn

XU Chao,born in 1982,PhD,associate professor,CCF member(E200013645M)，his research interests include affective computing, proactive computing, and knowledge management.

A 3D terrain reconstruction algorithm based on SLIC segmentation

CHANG Fang-yuan1,FENG Zhi-yong1,XU Chao2

(1.School of Computer Science and Technology,Tianjin University,Tianjin 300072;2.School of Computer Software,Tianjin University,Tianjin 300072,China)

Most traditional 3D terrain reconstruction algorithms cannot represent the accurate structure of the terrain and are time consuming as well, thus the technological development is seriously hindered . In order to realize the 3D terrain reconstruction accurately by using pictures taken by unmanned aerial vehicle (UAV) with the advantages of high resolution, wide camera range and low demand of shot environment, we propose a method that generates digital elevation model (DEM) data respectively in different superpixel terrain areas by segmenting the images at the preprocessing stage. Firstly, the simple linear iterative clustering (SLIC) algorithm, which shows good performance in superpixel generation and is convenient to use, is adopted to segment the images into multiple superpixel terrain areas which contain just a single terrain type. Then the adjacent superpixel areas containing the same terrain are fused according to the LAB color information, in which way the number of superpixel areas is decreased and the speed of the algorithm is improved. Thirdly the scale-invariant feature transform (SIFT) feature points’ extraction and matching are done in each area. Based on the matching results, the 3D coordinates are computed with the method of binocular stereo vision and DEM data are generated in the end to reconstruct the terrain. Comparing with the satellite map, the proposed algorithm can reconstruct 3D terrains effectively, and it can present the boundaries information accurately in contrast with traditional 3D terrain algorithms.

terrain reconstruction;simple linear iterative clustering superpixel algorithm;region segmentation;scale-invariant feature transform algorithm

1007-130X(2015)09-1718-06

2014-10-11;

2015-01-16基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61304262)

TP751.1

A

10.3969/j.issn.1007-130X.2015.09.020

通信地址：300072 天津市天津大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院

Address:School of Computer Science and Technology,Tianjin University,Tianjin 300072,P.R.China