基于视觉感知的乡村居住景观视觉敏感度特征提取

邹初红

基于视觉感知的乡村居住景观视觉敏感度特征提取

邹初红

（皖西学院 艺术学院，安徽 六安 237012）

由于当前景观特征敏感度提取方法存在特征点定位误差较大的问题，提出一种基于视觉感知的乡村居住景观视觉敏感度特征提取方法。采集乡村居住景观视觉敏感度的遥感数据与矢量数据，其中遥感数据收集使用的遥感信息源为资源三号影像，收集的矢量数据则包括乡村居住景观的数字地形图等。使用ArcGIS 2.0与ENVI 3.4软件，对相关数据实施预处理。预处理的环节包括图像融合、辐射校正、配准等环节。基于处理后的数据构建乡村居住景观区域视觉敏感度数据的数字高程模型。基于视觉感知对乡村居住景观视觉敏感度数字高程模型中的特征进行分析，通过SIFT算法分别对几种特征进行提取。通过进行对比实验，证明设计方法的特征点定位误差较小，应用价值很高。

视觉感知；乡村居住景观；图像融合

乡村居住景观是一种具备特定景观内涵、形态与行为的乡村景观类型，是乡村地域中多个土地单元组合而成的自然景观、文化景观、经济景观、聚落景观的复合体。其中，各土地单元的配置、形状、大小均具备很大的异质性，并兼具美学价值、生态价值、社会价值以及经济价值[1]。乡村居住景观的特征是土地利用较为粗放、乡村特有的生活和文化特征[2]。乡村居住景观在发展中受到自然环境与人类活动的双重影响，可以反映出不同历史时期自然环境受到人类干扰的程度，是价值极高的乡村景观遗产[3]。并且乡村居住景观还具备为生态系统与人类社会提供服务与产品的能力，因此，乡村居住景观也是整体乡村资源体系中利用价值、开发价值、保护价值最高的综合资源种类[4]。提取乡村居住景观视觉敏感度特征，对于乡村居住景观视觉环境的保护与乡村居住景观的合理开发具有很大意义，基于该背景对乡村居住景观视觉敏感度特征提取进行研究。

对于乡村居住景观视觉敏感度特征的研究，其引起学者重视的时间并不长，因此相关研究成果较少。19世纪国外学者提出了景观视觉敏感度的概念，认为景观视觉敏感度是景观醒目程度、清晰性、可见性、易见性等特质的综合反映，对景观质量表现起着决定性作用。而我国相关学者对乡村居住景观视觉敏感度特征提取的研究则在近些年才正式开始。在相关研究成果中，一种被广泛应用的方法是基于横向空间的乡村居住景观视觉敏感度特征提取方法。还有学者提出了一种基于空间分析法的乡村居住景观视觉敏感度特征提取方法，也得到了广泛的应用。由于以上方法存在特征点定位误差较大的问题，因此将视觉感知概念引入乡村居住景观视觉敏感度特征提取的研究中，提出一种基于视觉感知的乡村居住景观视觉敏感度特征提取方法。

1 基于视觉感知的乡村居住景观视觉敏感度特征提取方法

1.1 乡村居住景观视觉敏感度数据采集

对乡村居住景观视觉敏感度数据进行采集，包括遥感数据与矢量数据[5]。其中遥感数据收集使用的遥感信息源为资源三号影像，其数据分发具体源自我国的卫星资源应用中心，其时相与影像轨道号的如表1所示[6]。

表1 资源三号影像的时相与影像轨道号

通过资源三号影像获取乡村居住景观视觉敏感度的遥感影像数据。

收集的矢量数据则包括乡村居住景观的数字地形图、资源评价图、综合现状图[7]。

1.2 敏感度数据预处理

对于收集的遥感数据与矢量数据，需要对其实施预处理，预处理数据时使用的软件为ArcGIS 2.0与ENVI 3.4，预处理的环节包括图像融合、辐射校正、配准等环节，预处理的具体流程如图1所示[8]。

对于收集的遥感数据，首先通过ArcGIS 2.0对资源三号的影像进行读取，其中选择的模型为IKONOS，并将tif影像文件打开[9]。根据资源三号多光谱相机卫星绝对辐射的对应定标系数，具体如表2所示。对多光谱图像实施DN值转换处理，将其转换成辐亮度图像。

转换公式具体如下：

表2 资源三号多光谱相机卫星绝对辐射的对应定标系数

图1 预处理的具体流程

通过ENVI 3.4进行图像配准，具体步骤如下：

（1）选取GCP控制点：将乡村居住景观视觉敏感度全色图像作为参考选取控制点，以对其他时相的对应图像进行影像配准[10]。选取具备以下特征的控制点：

①在图像上的点位标志清晰而明显，如河流交汇点、标志性地标地物、桥梁中心、道路交叉点等。

②在时间变化的情况下多个时相的地物图像基本不发生改变。

（2）实施图像配准：确定控制点后，对图像上各控制点的像元坐标进行读取，并通过数据校正模型实施图像初步配准，数据校正模型的具体公式如下：

接着对地面控制点的对应均方根误差进行计算，对配准结果进行检验。

地面控制点对应均方根误差的具体计算公式如下：

裁剪影像分为两步来执行，第一步是矢量栅格化，第二步是掩膜计算[13]。具体步骤如下：（1）对乡村居住景观视觉敏感度边界数字化数据进行转化，并将其转化为图像二值栅格文件，保持文件像元和被裁剪图像的大小一致。（2）对二值图像中裁剪区域值进行设定，将其设成区域外取值，与被裁剪图像进行交集运算，获取计算后图像即为图像裁剪的实际结果。

图像融合是对MUX影像与CCD影像实施融合处理，使处理后的图像具备多光谱特征与空间分辨率，通过ENVI 3.4软件中的GSSS函数实施全色影像与多光谱影像的融合[14]。

1.3 构建区域DEM

基于处理后的数据构建乡村居住景观区域视觉敏感度数据的数字高程模型[15]。通过TIN文件形式在Arc GIS内导入处理后的乡村居住景观视觉敏感度数据，通过Arc GIS内的空间分析模块，生成乡村居住景观视觉敏感度TIN模型，接着将其转化成Grid栅格数据，以实现乡村居住景观区域视觉敏感度数据数字高程模型的构建。

1.4 视觉敏感度特征提取

基于视觉感知对乡村居住景观视觉敏感度数字高程模型中的特征进行分析，包括对相对坡度、相对距离、视觉几率、醒目程度、敏感度等视觉敏感度特征，也就是通过Arc Map生成乡村居住景观视觉敏感度的相对坡度图、相对距离图、视觉几率图、醒目程度图以及敏感度图，并对图中的相对坡度、相对距离、视觉几率、醒目程度、敏感度等数据进行计算。其中相对坡度图具体如图2所示[16]。

图2 相对坡度图

根据计算获得的数据，通过SIFT算法分别对几种特征进行提取，提取步骤具体如下：

（1）建立视觉敏感度特征的尺度空间并实施极值检测，将检测点作为乡村居住景观视觉敏感度特征关键点[17]。构建的视觉敏感度特征的尺度空间呈现金字塔模型的效果，具体如图3所示。

图3 视觉敏感度特征尺度空间

（2）对视觉敏感度特征的特征关键点进行定位，并对特征关键点的主方向进行确定。

（3）对SIFT特征向量进行生成作为特征点的描述符，实现乡村居住景观视觉敏感度特征的提取。其中生成特征向量需要分块特征关键点邻域图像的区域，并对各块的对应梯度直方图进行计算，从而生成独特的SIFT特征向量。

2 视觉敏感度特征提取实验验证

2.1 实验区域概况与实验设计

实验中的乡村居住景观选择某省西北部的3个乡村，总面积约1097.11m²。实验地区的地势呈现西高东低的特征，西部多为山脉，中部多为坎地和丘陵，而东部地势则相对平坦，是一个丘陵到平原的典型过渡区。该区域东西部分布着自然风景区与历史遗址，北部与其他村落相邻，而南部则与国道相邻，因此旅游资源丰富且交通十分便捷。

该区域地貌类型信息具体如表3所示。

表3 该区域地貌类型信息

研究区域的土壤类型比较单一，主要是石灰性黄土状褐土、泥质粗骨土，具体信息如表4所示。

表4 土壤类型信息

研究区域的气候属于四季较为分明的温带大陆性气候，气候条件信息具体如表5所示。

表5 气候条件信息

在研究区域中重点选取一些调查点进行乡村居住景观视觉敏感度特征提取研究，调查点的分布具体如图4所示。

利用基于视觉感知的乡村居住景观视觉敏感度特征提取方法，对研究区域进行乡村居住景观视觉敏感度特征提取实验。获取该方法的特征点定位误差数据作为实验数据并对数据进行记录。为提高实验结果的对比性，将原有的两种方法包括基于横向空间、基于空间分析法的乡村居住景观视觉敏感度特征提取方法作为实验中的对比方法。

2.2 由西到东的实验结果分析

基于视觉感知的乡村居住景观视觉敏感度特征提取方法与基于横向空间、基于空间分析法的乡村居住景观视觉敏感度特征提取方法，由西到东的特征点定位误差对比实验数据具体如图5所示。

根据上图实验数据，基于视觉感知的乡村居住景观视觉敏感度特征提取方法，由西到东的特征点定位误差低于基于横向空间、基于空间分析法的乡村居住景观视觉敏感度特征提取方法的特征点定位误差。

图4 调查点的分布

2.3 由南到北的实验结果分析

基于视觉感知的乡村居住景观视觉敏感度特征提取方法与基于横向空间、基于空间分析法的乡村居住景观视觉敏感度特征提取方法，由南到北的特征点定位误差对比实验数据具体如图6所示。

根据图6由南到北的特征点定位误差对比实验数据可知，基于视觉感知的乡村居住景观视觉敏感度特征提取方法，由南到北的特征点定位误差低于两种对比实验方法的特征点定位误差。

图5 由西到东的特征点定位误差对比实验数据

图6 由南到北的特征点定位误差对比实验数据

3 结束语

为了提高乡村居住景观的规划质量，提出一种基于视觉感知的乡村居住景观视觉敏感度特征提取方法。对乡村居住景观的遥感数据与适量数据进行采集，并采用ArcGIS 2.0与ENVI 3.4软件，对所采集数据进行融合、校正以及配准处理。最后采用SIFT算法对敏感度特征进行提取。实验结果表明，将视觉感知应用于乡村居住景观视觉敏感度特征提取的研究中实现了特征点定位误差的降低，是一个价值很高的研究方向。可以为乡村居住环境的建设，提供一定的参考。

[1] 高艺源，于德介，王好将，等. 基于图谱指标的滚动轴承故障特征提取方法[J]. 航空动力学报，2018, 33(8): 2033-2040.

[2] 章侃丰，角媛梅，刘歆，等. 基于敏感度-主观偏好矩阵的哈尼梯田视觉景观关键区识别[J]. 生态学报，2018, 38(10): 3661-3672.

[3] 王奕. 基于机器视觉图像提取的马铃薯内部病虫害特征识别[J]. 食品与机械，2019, 35(9): 151-155.

[4] 毛锦，李林聪，刘凯，等. 无人驾驶汽车行车环境下鲁棒性声学特征提取算法[J]. 中国公路学报，2019, 32(6): 169-175.

[5] 周军，蔡建，郭俊先，等. 基于机器视觉的核桃仁特征提取与分级方法研究[J]. 江苏农业科学，2018, 46(11): 175-179.

[6] 董天阳，杨丽锦，张鑫鹏. 用户多维感知的3D图像体验质量评价[J]. 中国图象图形学报，2019, 24(5): 782-793.

[7] 邹昊翰，徐佳慧，张琳，等. 基于机器学习的数据模型辅助诊断亚临床期圆锥角膜的研究[J]. 中华眼科杂志，2019, 55(12): 911-915.

[8] 刘思远，李晓明，刘建勋，等. 基于振动烈度的液压泵故障多信息特征提取方法研究[J]. 振动与冲击，2018, 37(14): 269-276.

[9] 丁佳军，陈婧，曾焕强，等. 结合时空梯度感知特征的HEVC-SCC码率控制算法[J]. 信号处理，2019, 35(3): 402-409.

[10] 魏乐松，陈俊豪，牛玉贞. 基于边缘和结构的无参考屏幕内容图像质量评估[J]. 北京航空航天大学学报，2019, 45(12): 2449-2455.

[11] 王乾，王聪. 基于确定学习理论和Lempel-Ziv复杂度的非线性系统动态特征提取[J]. 自动化学报，2018, 44(10): 1812-1823.

[12] 何子龙，吕闻冰，秦耿耿，等. 基于数字乳腺断层摄影图像纹理特征提取的单纯肿块型病变的深度学习分类模型构建的可行性[J]. 中华放射学杂志，2018, 52(9): 668-672.

[13] 刘洪豪，刘贤喜，张开兴，等. 基于光传播Monte Carlo模拟的三维模型特征提取方法[J]. 光谱学与光谱分析，2020, 40(2): 385-390.

[14] 景星烁，邹卫军，夏婷，等. 融合HOG类特征的尺度自适应压缩跟踪算法[J]. 电光与控制，2018, 25(8): 54-59.

[15] 刘朋，任工昌，杨力鹏，等. 基于斜率差的激光雷达环境特征提取方法[J]. 中国机械工程，2019, 30(14): 1679-1683.

[16] 张骞予，管姝，谢红薇，等. 基于深度特征学习的图像自适应目标识别算法[J]. 太原理工大学学报，2018, 49(4): 80-86.

[17] 杜振东，赵建民，张鑫. 基于敏感度分析与概率神经网络的液压泵故障诊断方法研究[J]. 机床与液压，2018, 46(19): 165-169.

Feature extraction of visual sensitivity of rural residential landscape based on visual perception

ZOU Chu-hong

(Academy of Art Design, West Anhui University, Anhui Lu'an 237012, China)

Given the current landscape characterized by the presence of the sensitivity of feature points extracted large error method, and therefore proposed rural residential landscape visual sensitivity characteristics based on visual perception extraction methods. Rural Landscape visual sensitivity acquisition live remote sensing data and vector data, wherein the remote sensing data collected by remote sensing information for the resource used in the 3rd image vector data was collected includes a digital topographic map, etc. rural residential landscape. Use ArcGIS 2.0 and ENVI 3.4 software to preprocess related data. The preprocessing steps include image fusion, radiometric correction, and registration. The processed data to build a digital elevation model of rural residential area landscape visual sensitivity data. Analysis of rural residential landscape visual sensitivity digital elevation model based on visual perception characteristics, several features are extracted by SIFT algorithm respectively. By comparison experiments show features, in the design method of the error was small, a high application value.

visual perception；rural residential landscape；image fusion

2020-12-15

皖西地区乡村人居环境研究项目（SK2019A0442）

邹初红（1973-），男，安徽广德人，讲师，硕士，主要从事景观建筑规划研究，zouchuhong1@163.com。

P901;TP391.41

A

1007-984X(2021)04-0066-05