基于MSER的無人機圖像建筑區(qū)域提取

丁文銳，康傳波，李紅光，劉碩

(1.北京航空航天大學(xué) 無人駕駛飛行器設(shè)計研究所，北京100191;2.北京航空航天大學(xué) 電子信息工程學(xué)院，北京100191)

近年來，隨著技術(shù)的不斷發(fā)展，無人機廣泛應(yīng)用在軍事和民用領(lǐng)域.建筑區(qū)域?qū)τ跓o人機而言，是一類重要的感興趣目標(biāo)，一方面對其快速檢測，是無人機完成導(dǎo)航、偵察、監(jiān)測等任務(wù)的基礎(chǔ)和重要內(nèi)容;另一方面，無人機在出現(xiàn)故障等緊急情況時，通過對建筑區(qū)域進(jìn)行準(zhǔn)確檢測并及時規(guī)避，從而極大地減少或避免人員傷亡和財產(chǎn)損失.

與現(xiàn)有文獻(xiàn)針對的SAR圖像、高光譜圖像及航空數(shù)碼圖像不同，無人機機載CCD攝像機拍攝的中低航空高度圖像，主要具有以下特征:

1)在空間分布方面，無人機可拍攝的地域廣闊;

2)從獲取時間上，不同時間可獲取的無人機圖像會受到不同氣象條件的影響;

3)從建筑區(qū)域在圖像中的特性而言，建筑區(qū)內(nèi)部及周圍紋理復(fù)雜，部分地區(qū)建筑分布不規(guī)則，區(qū)域整體沒有明顯的方向性，不利于紋理特征的檢測.

目前，建筑區(qū)域提取的方法主要分為基于監(jiān)督學(xué)習(xí)的方法和基于特征統(tǒng)計的方法.基于監(jiān)督學(xué)習(xí)的方法主要是融合多種特征訓(xùn)練分類器，從而完成圖像區(qū)域分類和建筑區(qū)域提取.文獻(xiàn)［1］提出一種知識規(guī)則與支持向量機(SVM，Support Vector Machine)相結(jié)合的面向?qū)ο蠼ㄖ锾崛》椒?文獻(xiàn)［2］利用多核SVM學(xué)習(xí)，綜合多種特征，并設(shè)計基于圖割的算法提高邊界分割精細(xì)程度.這類方法需要人工確定合適的訓(xùn)練特征和分類類別，并且訓(xùn)練樣本的選取對分類結(jié)果具有很大影響.無人機執(zhí)行任務(wù)的地域廣闊，不同的地域圖像特征差異較大及工況條件復(fù)雜，以現(xiàn)有無人機圖像作為樣本訓(xùn)練得到的分類器，往往不能適應(yīng)實際應(yīng)用需求.

基于特征統(tǒng)計的方法，利用多種特征進(jìn)行統(tǒng)計分析，從而判斷圖像中的建筑區(qū)域.文獻(xiàn)［3］利用SIFT特征、多模版匹配和圖論的方法進(jìn)行檢測，取得一定效果，但是時間復(fù)雜度高，并且當(dāng)房屋屋頂與背景對比度不高以及房屋密度過于集中的情況下，檢測結(jié)果不理想;文獻(xiàn)［4］利用地面高程模型(DSM，Digital Surface Model)和光譜信息排除非建筑物，該方法依賴DSM高度等信息，應(yīng)用范圍狹窄;文獻(xiàn)［5］利用知識規(guī)則，依靠幾何、灰度及拓?fù)涮卣鲗ㄖ镞M(jìn)行描述，并不能適應(yīng)多種多樣的建筑;文獻(xiàn)［6］利用直線檢測形成屋頂矩形幾何形狀結(jié)合亮度信息，綜合紋理特征的SVM噪點去除，但該方法在直線特征復(fù)雜及對比度低的場景具有局限性.在基于特征統(tǒng)計的方法中，利用紋理進(jìn)行建筑區(qū)域檢測的方法是國內(nèi)外研究學(xué)者關(guān)注的重點.由于Gabor濾波器兼具方向性和紋理分析的優(yōu)點，研究者提出了多種基于Gabor紋理描述的建筑區(qū)域檢測方法.文獻(xiàn)［7］利用Gabor濾波器提取圖像特征，再使用最優(yōu)決策分類方法，取得了較文獻(xiàn)［3］相似的性能，大大減少了計算時間;文獻(xiàn)［8］利用核密度估計生成居民區(qū)置信圖像并計算自適應(yīng)閾值分割置信圖，對候選區(qū)幾何形狀進(jìn)行選擇，較文獻(xiàn)［7］方法計算效率更高，但由于光照視角等因素影響，某些地質(zhì)區(qū)域會呈現(xiàn)居民區(qū)域相似紋理，導(dǎo)致準(zhǔn)確度下降.紋理特征提取尺度參數(shù)仍需依據(jù)經(jīng)驗值給定，缺乏自適應(yīng)性，并且無人機圖像中建筑區(qū)內(nèi)部紋理復(fù)雜，紋理特征往往不具備明顯主方向，影響檢測效果;同時，在無人機中低空偵察圖像中，道路、草地、水域等紋理對建筑區(qū)紋理的提取形成很大干擾.

基于上述分析，利用紋理、監(jiān)督訓(xùn)練等方法對無人機中低空偵察圖像進(jìn)行建筑區(qū)域檢測并不能完全滿足要求.注意到，無人機圖像中建筑區(qū)域表現(xiàn)出高亮性和團聚性，主要是由于自然背景的光反射能力較弱，使得人造區(qū)域的亮度值較大，形成局部高亮，同時會團聚成具有一定面積大小、分布集中的區(qū)域.本文結(jié)合無人機實際應(yīng)用需求，從無人機圖像中建筑區(qū)域的高亮性和團聚性出發(fā)，利用最大穩(wěn)定極值區(qū)域(MSER，Maximum Stable Extremal Regions)檢測建筑物，并根據(jù)局部房屋密度去除噪點，采用自適應(yīng)K均值聚類算法得到聚集的若干建筑區(qū)域，最后采用Graham算法生成建筑區(qū)邊界，從而實現(xiàn)建筑區(qū)域的自動快速提取.

1 最大穩(wěn)定極值區(qū)域提取算法

Matas等［9］所提出的最大穩(wěn)定極值區(qū)域主要基于魯棒性的寬基線立體重建，使用地形中分水嶺的概念來求解穩(wěn)定局部區(qū)域.文獻(xiàn)［10］證明，MSER檢測算子在眾多仿射不變特征區(qū)域檢測中，多數(shù)情況下具有最佳性能.實驗證明，該方法具有仿射變化不變性、良好的穩(wěn)定性、計算簡單高效，并且可以檢測不同精細(xì)程度的區(qū)域.其基本思想如下:選取一系列閾值 t={0，1，…，255}對圖像進(jìn)行二值分割，低于閾值的像素置為黑色，高于或等于閾值的像素置為白色.在閾值t從0增大到255的過程中，圖像中會形成閉合區(qū)域，其中在一定閾值范圍內(nèi)面積變化最小的區(qū)域即為最大極值穩(wěn)定區(qū)域.

最大穩(wěn)定極值穩(wěn)定區(qū)域提取算法步驟包括以下幾個步驟［11］.

1.1 MSER 檢測

1)對給定的圖像根據(jù)灰度值排序，如果是彩色圖像，需要將彩色圖像轉(zhuǎn)換成灰度圖像

2)按照降序或升序?qū)⑴判蚝蟮南袼胤湃雸D像中，鏈接區(qū)域的列表和面積使用高效的合并-查找(UnionFind)［12］算法來維護(hù).

3)Qi表示二值化閾值對應(yīng)的二值圖像中的任意連通區(qū)域，當(dāng)二值化閾值在［i－Δ，i+Δ］變化時，連通區(qū)域也相應(yīng)地變?yōu)?Qi+Δ和 Qi－Δ.在這個變化范圍內(nèi)具有極小變化率q(i)區(qū)域就被認(rèn)為是MSER.

為了能同時得到最小灰度(即黑色)和最大灰度(即白色)的MSER，在求得最小灰度MSER+后，需要將原始圖像進(jìn)行反轉(zhuǎn):Ir=Imax－I，再利用反轉(zhuǎn)后的圖像求取最大灰度的MSER－.

1.2 MSER區(qū)域擬合及歸一化

完成圖像中MSER的區(qū)域檢測后，不規(guī)則區(qū)域不便于進(jìn)行歸一化和提取特征描述，必須對它們進(jìn)行橢圓擬合.為了能夠構(gòu)造具有仿射不變性的特征描述子，首先將MSER對應(yīng)的橢圓擬合區(qū)域擴大成抽取特征用的橢圓特征測量區(qū)，測量區(qū)與擬合區(qū)同中心，一般測量區(qū)尺度是擬合區(qū)尺度的3倍.然后將測量區(qū)歸一化為指定大小的區(qū)域(成為歸一化區(qū))，再在歸一化區(qū)的圖像上提取特征描述子.區(qū)域歸一化的方法主要包括3步［13］:

1)將MSER擬合區(qū)對應(yīng)的測量區(qū)進(jìn)行仿射歸一化，得到一個半徑指定大小的歸一化區(qū)，歸一化區(qū)的半徑尺寸為20～30像素.

2)在歸一化區(qū)內(nèi)進(jìn)行圖像梯度直方圖統(tǒng)計，其目的是找出該直方圖的最大值，并將該最大值對應(yīng)的方向作為歸一化區(qū)圖像梯度的主方向.

3)根據(jù)主方向?qū)w一化區(qū)圖像再進(jìn)行旋轉(zhuǎn)歸一化，旋轉(zhuǎn)后圖像的梯度主方向為零度.

2 建筑區(qū)域提取算法

2.1 方法框架和流程

如圖1所示，本方法的總體思路為:首先對無人機航拍圖像進(jìn)行預(yù)處理，去除模糊，然后利用MSER算法提取建筑房屋，進(jìn)而計算每個房屋中心點鄰域內(nèi)的房屋密度，房屋密度較低的區(qū)域被認(rèn)為是干擾點予以剔除，完成點的選擇與濾波后，再利用自適應(yīng)K均值聚類算法，將離散點聚成若干建筑區(qū)，最后采用Graham算法，生成每個建筑區(qū)的包絡(luò)，完成建筑區(qū)的自動提取與標(biāo)記，并在最后輸出區(qū)域的數(shù)量K，若為K=0，則表示不存在建筑區(qū).

圖1 算法流程圖Fig.1 Algorithm flow chart

2.2 算法原理

2.2.1 無人機圖像預(yù)處理

無人機圖像容易受不同氣象條件的影響，尤其在霧天等不良天氣狀況下拍攝的圖像模糊不清，圖像質(zhì)量差，導(dǎo)致提取的特征數(shù)量較少，給建筑區(qū)域檢測帶來影響.為了使算法既簡潔又高效，采用直方圖均衡和GAMMA調(diào)節(jié)對圖像進(jìn)行預(yù)處理，擴展圖像的動態(tài)范圍，同時增強圖像的亮度，實驗表明經(jīng)過預(yù)處理之后，檢測的特征數(shù)量明顯增加，進(jìn)一步提高建筑區(qū)的可分辨性.預(yù)處理前后的結(jié)果對比如圖2和圖3所示.

圖2 原始圖像Fig.2 Initial image

圖3 預(yù)處理后的圖像Fig.3 Preprocessed image

2.2.2 最大穩(wěn)定極值區(qū)域檢測

屋頂?shù)热嗽煳矬w，光反射能力比自然背景更加強烈，呈現(xiàn)團塊高亮特點，如圖4所示，每個圖對應(yīng)的下方圖像為其二值化圖像，對比度高，并且在一定閾值范圍內(nèi)面積變化最小，符合MSER特征.

圖4 單個房屋特征Fig.4 Features of single house

利用第1節(jié)所述最大穩(wěn)定極值區(qū)域提取算法，計算并標(biāo)記圖像穩(wěn)定區(qū)域，數(shù)量為1 358個區(qū)域，圖5中橢圓標(biāo)注的區(qū)域為穩(wěn)定區(qū)域MSER+，圖6中橢圓標(biāo)注的區(qū)域為代表圖像反轉(zhuǎn)后得到的穩(wěn)定區(qū)域MSER－.

圖5 MSER+區(qū)域Fig.5 MSER+area

圖6 MSER-區(qū)域Fig.6 MSER-area

為了確定圖像中建筑房屋的大小，還需知道圖像的像素地面分辨率，在垂直下視的情況下，無人機高度為H(單位:m)，拍攝的圖像大小為w×h(單位:像素)，攝像機的視角為水平 α×垂直β(單位:°)，計算方法如式(1)～式(4).選取實飛圖像數(shù)據(jù)，飛行高度為5 km，攝像機視場角為14.38°× 10.59°，圖像大小為1392像素×1040像素，像素地面分辨率計算如圖7所示.水平距離 =2×5 000×tan(7.19)=1 261.15 m=1392像素，因為1個像素≈0.906m，同樣，垂直方向:1個像素≈0.891 m.

圖7 像素地面分辨率計算Fig.7 Calculation of ground pixel resolution

式中，Lhor，Lver分別表示水平和垂直距離;Phor，Pver分別表示水平和垂直方向上單位像素的實際地理距離.

郊區(qū)或農(nóng)村房屋的面積S一般在30～200 m2，根據(jù)圖7計算的像素地面分辨率結(jié)果可知，在圖像中一間房屋長度和寬度所占像素個數(shù)的范圍分別在［8，20］和［5，12］之間，以此限定MSER檢測的穩(wěn)定區(qū)域大小，檢測結(jié)果如圖8所示.

圖8 建筑區(qū)域檢測Fig.8 Building area detection

2.2.3 基于區(qū)域密度的建筑區(qū)篩選方法

在實際圖像中，MSER所檢測得到的最大穩(wěn)定極值區(qū)域并不都是建筑區(qū)，如圖7所示，田野中也存在部分最大穩(wěn)定極值區(qū)域，形成干擾.鑒于通過平滑濾波或無重疊框遍歷圖像的方法來排除干擾不夠準(zhǔn)確，本方法利用建筑區(qū)特征豐富密集的特點，通過計算最大穩(wěn)定極值區(qū)域密度篩選出建筑區(qū).

確定MSER檢測的最大穩(wěn)定極值區(qū)域的中心，并用來代替最大穩(wěn)定極值區(qū)域計算區(qū)域密度.如圖9所示，黑點代表特征區(qū)域，白色為背景.采用m×m大小的窗口，依次計算每個特征位置(x，y)的區(qū)域密度 f(x，y).

圖9 建筑區(qū)檢測點Fig.9 Detected points of building area

圖10 濾波去除噪點Fig.10 Filter to remove noise

2.2.4 自適應(yīng)K均值聚類

因為聚集性和分群而居的特點，同一幅圖像中可能出現(xiàn)多個聚集的建筑區(qū)域，為了準(zhǔn)確標(biāo)記建筑區(qū)，需要對上述特征區(qū)域中心點進(jìn)行聚類.K均值聚類算法［14］處理這種聚類問題簡單高效，但是無人機圖像中建筑區(qū)域的個數(shù)并不確定，因此無法自動確定算法的參數(shù).由于無人機視場較小，在單幅無人機圖像中，出現(xiàn)的建筑區(qū)域個數(shù)并不會太多，因此本文在K均值算法的基礎(chǔ)上提出了一種自適應(yīng)策略，給定K一個較大的初始值K=6，從而達(dá)到自動確定建筑區(qū)數(shù)量的目的.具體流程如圖11所示.

圖11 自適應(yīng)K均值聚類計算流程圖Fig.11 Flow chart of adaptive K-means clustering calculation

限于圖像實際地理范圍，給定初始K值為6，自適應(yīng)聚類步驟如下:

1)利用 K均值聚類算法，對離散點進(jìn)行聚類;

2)分別計算K個區(qū)域的中心點;

3)K個區(qū)域兩兩組合，如圖12所示，計算區(qū)域間最短距離CD;

4)若距離CD＞V或者K=1，則認(rèn)為全部都是獨立區(qū)域，否則K值減1，繼續(xù)循環(huán)計算，閾值V的選取根據(jù)像素所代表的實際距離計算，V=，按照圖7條件，V值取150.

基于此方法，對圖10處理結(jié)果為K=1，存在一個建筑區(qū).

圖12 區(qū)域間距離計算方法Fig.12 Calculation methods of distance between areas

2.2.5 生成建筑區(qū)包絡(luò)

根據(jù)2.2.4節(jié)得到的K個離散區(qū)域，采用經(jīng)典的Graham算法［15］生成建筑區(qū)凸殼包絡(luò)，該算法為最優(yōu)凸殼算法，時間復(fù)雜度約為O(nlogn).

Graham算法的基本思想是:以y坐標(biāo)最小點為初始點P1，計算該點與其他點連線的水平夾角，按夾角大小和到初始點P1的距離進(jìn)行排序，得到一系列點集合 P={P1，P2，…，Pn}，其中Pn+1=P1，對點集合{P1，P2，…，Pn，Pn+1}依據(jù)凸多邊形的各頂點必在該多邊形的任意一條邊的同一側(cè)的方法原理，刪除不屬于凸殼上的點，得到新的點集合P′={P1，P2，…，Pm}，最后根據(jù)點集合 P′標(biāo)記邊界，實現(xiàn)建筑區(qū)的自動提取，效果如圖13所示.

圖13 建筑區(qū)包絡(luò)圖Fig.13 Envelop of building area

3 實驗結(jié)果與分析

對部分圖像人工標(biāo)注出建筑區(qū)域作為基準(zhǔn)數(shù)據(jù)，并將提取結(jié)果與人工標(biāo)注結(jié)果相比較.圖14展示了不同測試數(shù)據(jù)的提取結(jié)果.

圖14 測試結(jié)果Fig.14 Experiment results

從圖14直觀上看，人工標(biāo)記的結(jié)果與自動提取的結(jié)果大體上比較接近，由于Graham算法是凸包算法，只能生成區(qū)域凸殼，因此人工標(biāo)注結(jié)果與自動提取結(jié)果有部分位置的偏差.為了更好地描述算法效果，采用無人機圖像數(shù)據(jù)集，對自動提取的像素數(shù)目做統(tǒng)計，并以人工提取的像素數(shù)目作為標(biāo)準(zhǔn)，統(tǒng)計準(zhǔn)確率、誤檢率和漏檢率及時間性能.本文進(jìn)行兩個方面的測試:一方面是MSER性能分析;另一方面是分析圖像預(yù)處理和自適應(yīng)K均值聚類方法對結(jié)果的影響.

本方法以無人機中低空偵察圖像集為對象，無人機高度為5 km，攝像機視場角為14.38×10.59°，圖像大小為 1 392像素 ×1 040像素，實驗計算機配置為Intel Core 2 Duo雙核處理器，主頻2.20 GHz，內(nèi)存 2.00 GB，平臺為 Microsoft Visual C++6.0.

3.1 MSER性能分析

基于特征統(tǒng)計的建筑區(qū)域提取方法中，利用DSM、光譜等信息有自身應(yīng)用的局限性，而根據(jù)SIFT、紋理特征有更為廣泛的適用性.本部分討論MSER算法相比基于Gabor變換的紋理特征、SIFT特征點的提取算法的時間性能分析，Gabor濾波器選擇4方向，設(shè)定濾波窗口大小為尺度為5×5.

時間性能方面，如表1所示，針對大小為1392像素 ×1 040像素的圖像集做特征檢測，MSER算法平均檢測1 358個特征區(qū)域耗時1.092 s，SIFT算法平均檢測1 175個特征點耗時3.073 s，紋理特征檢測算法平均耗時 2.509 s.因此，在相同特征點數(shù)量的情況下，MSER算法時間性能優(yōu)于SIFT，在圖像大小相同的情況下，MSER算法優(yōu)于紋理檢測方法，計算簡單高效.

表1 特征檢測方法分析Table1 Analysis of feature detection methods

3.2 實驗結(jié)果分析

表2為本算法提取結(jié)果，采取4組圖像集測試，共3722個建筑數(shù)量，平均正確率達(dá)到92.25%，誤檢率也較低.同時，分析對比有無圖像預(yù)處理和自適應(yīng)K均值聚類兩部分的算法結(jié)果，如表3所示，實驗1為本文算法結(jié)果，實驗2為沒有圖像預(yù)處理的提取結(jié)果，實驗3代表了沒有自適應(yīng)K均值聚類的提取結(jié)果.實驗1和2對比，在沒有預(yù)處理的情況下，雖然時間性能得到提高僅有0.06s，但正確率下降了3.5%同時造成誤檢率上升;實驗1和3對比，自適應(yīng)K均值聚類對正確率和漏檢率基本無影響，但有效降低了誤檢率，非自適應(yīng)K均值聚類的情況下，雖然運算時間減少了 0.02s(約 1.69%)，但誤檢率高.

表2 算法提取結(jié)果分析Table2 Analysis of algorithm extraction results

表3 提取結(jié)果對比分析Table3 Comparison analysis of extraction results

因此，本方法在保證時間性能的前提下取得了較高的正確檢測率，大多數(shù)圖像中的建筑區(qū)域能夠被檢出.另外，也會造成區(qū)域漏檢和誤檢，例如只檢測出部分區(qū)域的情況，造成區(qū)域的漏檢，以及檢測出不屬于建筑區(qū)的區(qū)域，造成誤檢，但漏檢率和誤檢率比較低.這種情況的發(fā)生，主要是因為若干建筑區(qū)域面積較小不易被檢出，或者居民區(qū)距離較近，此時居民區(qū)之間的空地被連入建筑區(qū)范圍內(nèi)，造成誤檢，誤檢率在1.1%左右.文獻(xiàn)［8-9］中使用紋理檢測原理檢測建筑區(qū)，使用中低分辨率圖像，圖像大小為235像素×265像素，算法耗時分別為1.99 s和0.42 s，本文算法使用1392像素×1 040像素大小圖像耗時1.18 s.綜上所述，相比SIFT和紋理檢測方法，本算法耗時較短，處理效率較高.

4 結(jié)論

通過分析計算，現(xiàn)得出結(jié)論如下:

1)最大穩(wěn)定極值區(qū)域提取算法具有良好的穩(wěn)定性，計算簡單高效;

2)將MSER檢測結(jié)果與區(qū)域大小、密度計分布特征相結(jié)合，采用自適應(yīng)K均值聚類的方法可穩(wěn)定地提取建筑區(qū)域.

實驗數(shù)據(jù)表明，該方法提取精度為92.25%，具有較好的準(zhǔn)確率，有效可行.但是，該算法采用Graham算法生成的凸殼邊界較為簡單，這也是造成誤檢率很重要的一個原因;另外，在森林地區(qū)由于樹木之間的遮擋造成局部存在穩(wěn)定區(qū)域，對建筑區(qū)域檢測提取造成誤擾.如何改進(jìn)邊界生成的方法和增強本文算法魯棒性是日后工作的重點和方向.

References)

［1］ 劉海飛，常慶瑞，李粉玲.高分辨率影像城區(qū)建筑物提取研究［J］.西北農(nóng)林科技大學(xué)學(xué)報:自然科學(xué)版，2013，41(10):221-227.Liu H F，Chang Q R，Li F L.Urban building extraction of highresolution images［J］.Northwest Agriculture and Forestry University of Science and Technology:Natural Science Edition，2013，41(10):221-227(in Chinese).

［2］ Tao C，Tan Y H，Yu J G，et al.Urban area detection using multiple Kernel Learning and graph cut［C］//2012 32nd IEEE International Geoscience and Remote Sensing Symposium.Piscataway，NJ:IEEE，2012:83-86.

［3］ Sirmacek B，Unsalan C.Urban-area and building detection using SIFT keypoints and graph theory［J］.Geoscience and Remote Sensing，IEEE Transactions on，2009，47(4):1156-1167.

［4］ 張立民，張建廷，徐濤.基于對象的最優(yōu)尺度建筑物信息提取方法［J］.計算機應(yīng)用研究，2012，29(12):4789-4792.Zhang L M，Zhang J T，Xu T.Object-based of optimal scale building information extraction method［J］.Application Research of Computers，2012，29(12):4789-4792(in Chinese).

［5］ 黃金庫，馮險峰，徐秀莉，等.基于知識規(guī)則構(gòu)建和形態(tài)學(xué)修復(fù)的建筑物提取研究［J］.地理與地理信息科學(xué)，2011，27(4):28-31.Huang J K，F(xiàn)eng X F，Xu X L，et al.Building extraction based on knowledge rule and morphological restoration［J］.Geography and Geo-Information Science，2011，27(4):28-31(in Chinese).

［6］ 楊萍，姜志國，劉濱濤.一種遙感圖像建筑物檢測新方法［J］.航天返回與遙感，2013，34(5):70-77.Yang P，Jiang Z G，Liu B T.A new building detection method in remote sensing image［J］.Aerospace ＆ Remote Sensing，2013，34(5):70-77(in Chinese).

［7］ Sirmacek B，Unsalan C.Urban area detection using local feature points and spatial voting［J］.IEEE Geoscience and Remote Sensing Letters，2010，7(1):146-150.

［8］ 谷多玉，郭江，李書曉，等.基于Gabor濾波器的航空圖像居民區(qū)域提?。跩］.北京航空航天大學(xué)學(xué)報，2012，38(1):106-110.Gu D Y，Guo J，Li S X，et al.Resident region extraction using Gabor filter in aerial imagery［J］.Journal of Beijing University of Aeronautics and Astronautics，2012，38(1):106-110(in Chinese).

［9］ Matas J，Chum O，Urban M，et al.Robust wide-baseline stereo from maximally stable extremal regions［J］.Image and Vision Computing，2004，22(10):761-767.

［10］ Mikolajczyk K，Tuytelaars T，Schmid C，et al.A comparison of affine region detectors［J］.International Journal of Computer Vision，2005，65(1-2):43-72.

［11］ 王永明，王貴錦.圖像局部不變性特征與描述［M］.北京:國防工業(yè)出版社，2010:102-127.Wang Y M，Wang G J.Image local invariant features and description［M］.Beijing:Defense Industry Press，2010:102-127(in Chinese).

［12］ Murphy-Chutorian E，Trivedi M.N-tree disjoint-set forests for maximally stable extremal regions［C］//2006 17th British Machine Vision Conference.Edinburgh，United Kingdom:British Machine Vision Association，2006:739-748.

［13］ Mikolajczyk K，Schmid C.A performance evaluation of local descriptors［J］.Pattern Analysis and Machine Intelligence，IEEE Transactions on，2005，27(10):1615-1630.

［14］ MacQueen J.Some methods for classification and analysis of multivariate observations［C］//Proceedings of the fifth Berkeley Symposium on Mathematical Statistics and Probability.Berkeley，California:University of California Press，1967:281-297.

［15］ Graham R L.An efficient algorithm for determining the convex hull of a finite planar set［J］.Information Processing Letters，1972，1(4):132-133.