首页 > 新闻频道 > 编辑推荐 > 正文

基于遥感图像分块直线特征检测的机场跑道检测方法

2016-08-17 14:46:03来源:北京市遥感信息研究所 编辑:ToMe浏览:

针对遥感图像机场跑道检测问题,提出了一种基于图像分块直线特征检测的机场跑道检测方法。

首先,针对遥感图像数据量大带来的计算处理问题,设计了基于直线分割检测子(LSD)的遥感图像分块直线特征检测环节;

然后,在总结归纳机场跑道数学特性的基础上,对提取的直线特征进行平行线分组、直线生长、平行线合并,并以Radon变换为基础,找出候选机场跑道区域;

最后,使用灰度统计信息并结合梯度方向直方图对候选区域进行处理,筛选出最终的机场道路区域。

实验结果表明,在能够提取出有效直线特征的情况下,该方法可以对多类机场跑道进行有效定位。

机场目标的检测与识别是遥感图像处理的一个重要分支,在民用和军用领域都具有重要的意义。

由于机场跑道具有明显的直线和纹理特征,所以,目前的机场检测方法大多以跑道检测为基础。

常见的机场跑道检测方法大致可分为以下几类:

第1类方法基于机场跑道的形状特征对跑道进行定位,这也是最常采用的方法。

例如,Tripathi和Swarup首先利用机场跑道的长管状特征对图像进行粗分割,然后使用颜色特征进行修正,得到跑道区域;

应龙等使用嵌入置信度的边缘检测和基于线基元的直线提取方法直接对机场跑道进行检测;

曹世翔等首先利用跑道的对比度信息和长直线特征提取潜在跑道中心线,并使用Hough变换检测平行直线对,然后根据跑道在平行线对法向投影的结果搜索出机场跑道两端;

邸男等对链码跟踪算法进行了改进,结合分层Hough变换进行直线提取,并将算法嵌入了TMS320C6416硬件平台。

这类方法的相关文献往往聚焦于Hough变换、链码跟踪、边缘检测等直线提取算法,对于直线提取后的跑道定位处理讨论较少。

第2类方法以机场跑道区域的灰度和纹理特征为基础进行检测。

该类方法又可大致分为2种。一种直接利用各种特征进行目标检测。

例如,Zongur等使用Adaboost方法对机场跑道的多种纹理特征(不仅包括颜色、灰度均值、方差、矩等基本统计特征,还包括傅里叶能量谱、小波等特征)进行学习,利用提升后的分类器对跑道目标进行提取,类似的方法也出现在Aytekin等的文献中。

这类方法需要对多种纹理特征的大量样本进行学习,学习过程较复杂,另外,纹理特征的选择倾向于多种特征的罗列,对于具体特征的选择缺少有效的理论依据。

另一种方法以求取全局最优解为目标。例如,耿振伟等提出的基于Mean-Shift特征空间对遥感图像进行分块并行聚类分析定位机场的方法;王彪等引入马尔可夫随机场,提出了结合纹理信息和期望最大化(EM)算法的机场跑道区域分割方法。此类方法的结果受图像背景环境影响较大,计算过程常常涉及迭代收敛,对于大幅遥感图像,往往无法满足实时性要求。

第3类方法对机场跑道进行建模,利用先验知识对跑道进行查找。

例如,邓湘金和彭海良针对SPOT卫星图像采用6个特性对机场跑道进行描述,其中4个描述几何特性,2个描述灰度特性,之后采用逐点寻找的方式定位机场区域;

因倩等通过对机场影像特征的分析,建立了机场知识库,采用自上而下的知识驱动策略提取遥感图像中的机场跑道感兴趣区域。这类方法充分利用了机场跑道的各种特征,且处理过程有一定的理论依据,本文工作也是基于这一思路展开的。

在总结机场跑道数学特征的基础上,本文使用满足一定约束条件的平行直线对机场跑道进行数学描述,将机场跑道定位过程简化为直线特征检测过程,然后利用纹理特征对检测结果进行修正。

1遥感图像分块直线检测

1.1直线分割检测子(LSD)直线检测方法简介

LSD是von Gioi等基于Burns等的算法提出的一套图像直线边缘检测方法。其以梯度特征为基础,使用称为直线支撑域(Lins Support Region)的结构对图像中的直线边缘进行建模。检测时遍历图像中的矩形区域,通过角度容差和a contrario等方法对边缘区域进行确认。该方法无需参数调节,可以自动调节错检率,能提供亚像素级的检测精度。

1.2基于LSD的遥感图像分块直线检测

LSD针对整幅图像数据进行处理,未考虑图像大小问题。而遥感图像文件往往很大(几百兆甚至几个吉字节),如果直接对整图处理,不仅速度缓慢,甚至会出现因内存不足造成程序无法执行的情况。

为解决这一问题,本文采用了遥感图像分块LSD检测的方法。将图像划分为m×n(m和n分别为图像横向和纵向分块的个数)个子区域,分别对各子区域进行LSD检测,并将结果作为最终整幅图像的检测结果。这种分块计算方式会使直线在子区域分界处被截断为2条甚至多条,并使最终检测到的直线数量大于真实直线数量。但是,由于后续处理中采用了直线合并的方法,所以以上问题不会对最终的机场跑道检测结果造成影响。

子区域划分时没有使用直观的平均划分方法,而是采用了如图1所示的重叠划分的方式。例如,子区域11在平均划分时代表矩形ABCD,重叠划分后扩展为矩形AB′C′D′;子区域22平均划分结果为区域CEFG,重叠划分后扩展为区域C″E″F″G″。即重叠划分后,在平均划分结果的四周分别扩展出宽度为ε的边缘区域。ε的值视图像分辨率和计算机配置而定。根据实验结果,应确保ε≥20,以减少直线检测的虚警率。本文中ε=40。

图1图像分块示意图

之所以没有采用平均划分的方法,是因为与整图LSD检测结果相比,平均划分后进行LSD检测时,划分的子区域边缘会出现漏检的情况。以图2所示某机场图像直线检测结果为例:图2(a)为将整幅图像作为LSD输入得到的检测结果;图2(b)为平均划分检测结果;图2(c)为重叠划分检测结果。可以看出,与图2(a)相比,图2(b)的结果丢失了左侧跑道上边缘和下方跑道右边缘信息,而图2(c)并没有出现漏检的情况。因此,重叠划分方式比平均划分方式更加适用于分块遥感图像直线检测方法。

图2不同划分方式检测结果比较

遥感图像分块进行LSD检测的另一个优势是可以采用并行处理的方法提高检测效率。由于分块后各子区域作为独立子图分别参与检测,检测过程中互相之间不存在约束关系,所以可以把每个子图的检测作为一个独立的进程单独处理,加快算法运行效率。由于分块处理会将较长的直线割裂为多条较短的直线,对后续直线筛选造成影响,因此需要调节m和n的值,以获得速度和准确性的平衡。

2机场跑道检测

2.1机场跑道数学描述

经分析比较并结合相关文献内容,本文方法利用了机场跑道的以下数学特征(为描述方便,本文所述直线均指长度有限的线段):

图3跑道两侧长度差

特性6:跑道区域内的图像具有相对稳定的纹理特征,例如,均值、方差和梯度方向直方图等。

2.2基于直线特征的机场跑道检测

本文算法流程如图4所示。

图4算法流程图

下面对部分算法进行详细说明。

2.21平行线分组

图5平行线分组示意图

2.2.2直线生长及平行线合并

受成像器件分辨率的影响,遥感图像中目标边缘模糊的情况是普遍存在的,而LSD方法在检测过程中会对错检率和准确率进行自动调节,所以常常会出现一条较长的直线被检测为多条较短直线的情况(如图6所示)。为了减少这一情况对最终检测结果的影响,首先需要对各组平行线进行生长,即对于一定条件下满足共线条件的多条直线进行合并。

图6同一边缘被检测为多条直线示例

图7直线合并说明

采用最小二乘法根据待合并各直线的参数确定合并后直线的参数。

2.23候选道路平行线组查找

该环节及后文候选道路合并环节主要基于Radon变换实现。

图8候选道路查找

2.24候选道路合并

使用2.2.2节中提到的平行线生长与合并的方法对跑道边缘进行合并。当2条候选道路的对应边缘都分别符合合并条件时,才将这2条道路 合并为1条。

完成合并后,某方向的平行线组数量将急剧缩减。之后遍历合并后的平行线组,判断是否满 足特性2、 3和5的要求,并对图8( b)所示情况进 行排查。若均满足,则认为该组平行线内的区域 属于候选机场跑道区域。

2.24候选道路合并

使用2.2.2节中提到的平行线生长与合并的方法对跑道边缘进行合并。当2条候选道路的对应边缘都分别符合合并条件时,才将这2条道路合并为1条。

完成合并后,某方向的平行线组数量将急剧缩减。之后遍历合并后的平行线组,判断是否满足特性2、3和5的要求,并对图8(b)所示情况进行排查。若均满足,则认为该组平行线内的区域属于候选机场跑道区域。

2.25非跑道区域排除

事实上,能够满足特性1~特性5的平行线组之间的区域除了机场跑道外,还可能是较宽的道路或河流。为了对这些干扰因素进行排除,本文使用了跑道区域的均值、方差等统计信息对候选跑道进行筛选。

2.26道路生长及机场跑道确定

由于各种地物及光照、阴影、云层等影响,经过以上步骤处理后得到的机场跑道往往不是完整的跑道区域。为此,设计了以下基于梯度 方向直方图的道路生长方法对跑道检测结果进行微调。

图9道路生长过程

由于无法保证生长前跑道两边缘长度相等,所以生长初始区域为两边缘共同包围的道路区域。

经以上步骤后,即可得到完整的机场跑道区域。

3实验结果

由前文可知,分块直线检测是机场跑道检测的基础。图像分辨率高,目标的细节清晰,则直线检测的结果更加准确,因此机场跑道检测的准确率也高;相反,同等条件下,图像分辨率降低会直接降低机场跑道的检测率。

本文算法程序基于Visual Studio 2005,使用C++语言开发,实验环境为1.8GHz Intel Core (TM)2 Duo CPU,3.5 GB 内存,32位Windows7 操作系统的笔记本电脑。实验数据均来自Google Earth7.0,图像尺寸为1920×1011像素,均为彩色图像。运算过程中仅使用图像灰度信息。将结果显示在彩色图片上以便于直观分析。直线检测时对图像进行4×4划分,重叠区域ε=40。

针对不同视角海拔高度的70张Google Earth图像进行了实验,图像中实际跑道总数为101条。结果如表1所示,共检测出113条跑道,其中,定义准确拟合跑道边缘结果为正确检测,共92条;完全没有定位到跑道的结果定义为错误检测(如将河流或高速公路误检为跑道),共12条;其余为未成功检测,即介于两者之间的情况,例如仅定位到某跑道的局部,如图10所示的情况,共9条。

表1实验结果

图10未成功检测示例

3.1算法流程中间结果示例

图11展示了针对杜塞尔多夫国际机场(Dus-seldorf International Airport)检测过程中的部分实验结果。图11(a)为跑道方向平行直线筛选结果;图11(b)为候选道路查找结果;图11(c)为候选道路合并结果;图11(d)为最终检测结果,即道路生长后的结果。可以看出,图11(b)中,由于对跑道的最短长度进行了限制,所以剔除掉了图11(a)中的大部分干扰直线对。另一方面,由于仅对平行线组的长度进行了Lmin≤PA-PD≤Lmax的限制,没有对跑道宽度和长宽比进行限制, 所以下方的平行线对未被排除。经道路合并后,虚警道路得到排除。由于原始图像右侧跑道边缘较模糊,LSD检测结果中未能包括完整的跑道区域,使得检测结果标识的跑道区域并不完整,尤其是上方的跑道边缘两端未能对跑道区域进行很好描述。为此,需按照2.26节所述对跑道区域进行修正。经道路生长后,最终可得到结果图11(d)。可以看出,检测结果比较理想。

3.2成功检测结果示例

图12是实验结果中成功检测的部分示例,分别针对英国纽卡斯尔机场、英国绍森德机场、揭阳潮汕机场和台湾高雄机场进行检测,可以看出检 测效果均较理想。

3.3漏检结果分析

漏检示例1为布鲁塞尔机场跑道检测结果(如图13所示),图13(a)为使用本文方法对布鲁塞尔机场跑道的检测结果,图13(b)为上方跑道LSD检测结果。可以看出,由于图像分辨率等原因,LSD方法未能找到足够长的有效的跑道边缘特征,这导致直线筛选过程中无法找到有效的平行线对,并最终使该跑道未被检出。

图13漏检示例1

图14目标为美国纽瓦克自由国际机场。与例1类似,漏检的原因主要归咎于LSD方法未能提取有效的机场跑道边缘。由于LSD方法检测出的上方跑道边缘直线特征很少、长度均很短,而且相互间距离较远,因此,在直线筛选阶段这些特征大部分被排除掉,无法合并为有效的直线。

另一方面,假如针对以上问题刻意调整程序阈值,使得仅使用类似图14(a)跑道边缘特征就可以进行有效的直线生长,这不仅会给检测过程带来大量干扰特征,而且会导致出现直线生长过程中角度偏移的情况。角度偏移在一定情况下会造成道路边缘无法满足平行条件的要求,最终会造成该直线对因不满足道路平行条件而被排除。 因此,以上漏检问题无法通过阈值调整解决。

因此,可以得出结论,LSD未能检出有效的跑道边缘特征是造成检测结果不成功的最主要原因。

4结论

1)设计了基于LSD的遥感图像分块直线特征检测方法。

2)总结概括了机场跑道的6点数学特征。

3)以Radon变换为基础,结合提出的数学特性,设计了基于直线特征的机场跑道候选区域筛选流程。

4)使用灰度统计信息结合梯度方向直方图对候选机场跑道区域进行判定,确定最终机场跑道区域。

5)所提方法基于直线特征进行机场跑道提取,使用分块检测的方法解决了遥感图像数据量过大的问题,适合工程化应用。实验结果表明,在可以提取有效直线特征的情况下,本文方法能够对多类机场跑道进行有效定位。

声明:本站发布此文章意在传递信息,并不表明同意其观点或证实其描述,仅供大家学习交流与分享。

热门资讯

解决Google Earth 无法连接服务器方法
解决Google Earth 无法连接服务器方法

谷歌地球变谷歌黑洞啦~!从昨日中午起就有论坛007

不一样的世界地图
不一样的世界地图

世界地图的基本构架形成于16—18世纪,后来就无大

谷歌地球看海南文昌卫星发射中心规划图
谷歌地球看海南文昌卫星发射中心规划图

文昌航天发射中心位于中国海南省文昌市附近约北纬

南沙群岛现状地图
南沙群岛现状地图

虽然历史和法理依据均证明,南沙群岛的主权毫无疑

广州增城市新塘镇事件地图
广州增城市新塘镇事件地图

我叔叔有个工厂,所以养了十几条狗看家护院。有外

卫星图片看被菲律宾强占的我南海9大岛礁
卫星图片看被菲律宾强占的我南海9大岛礁

南沙群岛自古以来就是中国领土的一部分,而,随着

让油价不再飞涨——上海打折加油站地图上线
让油价不再飞涨——上海打折加油站地图上线

 2月25日,由折扣网站“爱折客”牵头组织、部分

利比亚地图 分析最新局势
利比亚地图 分析最新局势

3月8日,一年一度的国际妇女节,特别的是,今年的

Google地图Android版正式支持离线包下载
Google地图Android版正式支持离线包下载

心心念念“无网亦可用”的离线地图终于正式上线了

关于Google的Hosts无法访问原因
关于Google的Hosts无法访问原因

近日,多个Google 在国内的Hosts的IP地址都失效


关于上帝之眼| 招贤纳士| 意见反馈| 联系我们| 网站地图| 友情链接| 卫星库| 地球论坛

©2005-2019 Godeyes,cn Interactive. All rights reserved 上帝之眼版权所有

桂ICP备13002970号-2

网警 联系电话