基于栅格覆盖模型林相图斑快速矢量化方法.docVIP

基于栅格覆盖模型林相图斑快速矢量化方法 　　【摘 要】本文提出基于栅格覆盖的面状目标快速矢量化方法，以林相图斑为例，引入栅格覆盖模型，采用面向对象思想，结合图像分割及数学形态学等，实现其快速矢量化。结果表明，采用栅格覆盖模型，显著提高了矢量化效率；图斑拓扑关系得以保存，精度满足应用要求，自动化程度较好。 【关键词】栅格覆盖模型；林相图斑；面向对象；矢量化 0 引言 随着GIS应用的深入，林业GIS大量投入使用；林相信息快速获取显得尤为关键[1]。数据是GIS应用的基础和重要组成部分，其质量的好坏将直接影响GIS的可靠性与价值。GIS数据采集方法包括原始数据采集及派生数据采集，前者常用地面或摄影测量、卫星遥感及GPS测量等方式；后者主要以已有的地图为数据源，通过矢量化获取信息。传统的矢量化方法一般采用矢量数据结构，较关注像素信息，以求精确描述几何对象及其拓扑属性，但矢量化效率有待进一步提高[2-3]。在面状对象矢量化过程中，如果能基于面向对象的思想[4]，将色彩或灰度相似的区域视为对象，将图像分割为不同斑块；通过数学形态学运算，即可达到充分描述面状要素的目的[5]，该研究已在工程地质图、地形图矢量化及地物识别等得到应用，但在林相专题图方面存在欠缺。 1 原理与方法 1.1 栅格覆盖模型 基于林相图斑的特点，借鉴前人关于栅格覆盖模型的研究，首次将其引入GIS数据采集领域，以支持图斑的快速矢量化[6]。 完整的栅格覆盖模型含像素（Pixel）、栅格区（RasterRegion）及栅格空间（RasterCoverage）三个层次的对象，其关系如图1。其中Pixel描述二维空间R2中一个规则正方形区域的信息，是构成栅格数据的基本单元。RasterRegion描述地理空间中的连续分布现象，连续的区域用一个RasterRegion表达；该区域不仅记录栅格数据本身，还记录了栅格数据的分布范围等信息。RasterCoverage表达多个RasterRegion组成的集合，其中的RasterRegion可以彼此独立；也可以是属性不同而相互邻接的不同区域。Pixel与RasterRegion、RasterRegion与RasterCoverage彼此间构成n：1关系。 1.2 处理原理与步骤 传统林相图斑矢量化策略的实质是识别林相图斑边缘并将其转换为折线段，是典型的基于矢量数据模型的数字化方法，处理流程如图2上半部分。 基于林相专题图的简明性及颜色差异等特征，可以依据某一标准（如RGB或灰度阈值），重分类（reclassify）纸质扫描图，得到不同类别、以栅格数据描述的RasterRegion，这是对林相专题图的粗描述；粗描述的RasterRegion不可避免存在很多瑕疵，Pixel的作用体现在对RaterRegion的增强和细化描述，可以用数学形态学的去噪、膨胀及腐蚀等运算加以实现。RasterCoverage体现在不同含义林相图斑叠加形成对整个纸质扫描图的栅格覆盖，以支持对不同林相含义的描述。RasterCoverage形成后，不同属性值的RaterRegion相互区别，实施栅格-矢量转换，即可实现多边形对象内部、外部边缘一体化识别，处理流程如图2下半部分。 从图2可以看出面向对象方法与人工勾绘方法相比，用“聚类/分类”的方法解决了人工判读扫描信息的过程，初步得到自动识别的对象；其后又以数学形态学运算等处理为核心，实现基于栅格覆盖模型的对象充分描述，并最终通过栅格-矢量转换方法得到数字化林相图。这种处理过程自动化程度高，简化了人工判读过程，降低了手工勾绘的劳动强度，充分提高了生产效率。 1.3 数学形态学方法 数学形态学是由一组形态学的代数运算子组成的，它的基本运算有4个： 膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合， 它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边缘检测、 图像滤波、图像增强和恢复等[7]。 2 应用实例 以川中丘陵区某镇林相专题图为实验样区，对其快速矢量化方法进行了实验分析。区域有马尾松、杉木、柏木等优势树种；图3是实验样区扫描图（部分）；图4是RasterRegion粗分割结果；图5是Pixel形态学运算处理效果；图6是多个RasterRegion叠加形成RasterCoverage并执行栅格-矢量转换效果。 2.1 直接粗分割 从分割的图中我们可以看出粗描述不能充分逼近林相图斑边缘，或存在内部空洞。从而出现欠描述区域。 2.2 数学形态学方法处理 根据公式开运算可以看做将一个结构元素先做腐蚀运算