高分辨遥感图像中快速提取机场目标的方法

摘要

本发明公开了一种高分辨遥感图像中快速提取机场目标的方法，用于解决现有的机场目标识别方法提取的机场目标质量差的技术问题。技术方案是利用模糊增强对图像进行预处理，然后利用基于像素梯度与标准差的模糊边缘检测方法提取图像边缘；对图像边缘进行筛选只留下长直线，并利用Hough变化检测平行的长直线作为跑道特征；以特征点8领域范围内最高灰度的点作为种子点，进行区域增长提取机场目标，提高了所提取机场目标的质量。

说明书

技术领域

本发明涉及一种遥感图像中提取机场目标的方法，特别是高分辨遥感图像中快速提取机场目标的方法。

背景技术

现有的机场目标识别方法分为两类：一类是基于图像分割的机场目标检测与提取。而基于图像分割的方法较依赖于图像分割结果的质量，对于含有复杂地表信息的高分辨遥感图而言往往检测算法的鲁棒性不强。另一类是基于边缘检测的机场目标检测方法。边缘检测方法较之图像分割方法而言有更好的鲁棒性，然而边缘强度阈值也同样很难选则，若选择不当可能会出现漏检或者过检现象，这就可能严重影响接下来机场目标检测与提取的质量。

发明内容

为了克服现有的机场目标识别方法提取的机场目标质量差的不足，本发明提供一种高分辨遥感图像中快速提取机场目标的方法，该方法利用模糊增强对图像进行预处理，然后利用基于像素梯度与标准差的模糊边缘检测方法提取图像边缘；对图像边缘进行筛选只留下长直线，并利用Hough变化检测平行的长直线作为跑道特征；以特征点8领域范围内最高灰度的点作为种子点，进行区域增长提取机场目标，可以提高所提取机场目标的质量。

本发明解决其技术问题所采用的技术方案：一种高分辨遥感图像中快速提取机场目标的方法，其特点是包括下述步骤：

(a)通过T变换

μ_mn＝T(X_mn)＝1-(X_max-X_mn)/D                    (1)

将待处理的图像Image，m×n象素，L级灰度；从灰度空间G＝{G_mn}映射为与之对应的广义隶属度空间P＝{μ_mn}；式中，X_max表示图像G中最大灰度值；D是常数，取D＝2×(X_max-X_min)/3；X_min表示图像G中最小灰度值；

通过广义模糊算子GFO

${\mu }_{\mathrm{mn}}^{\prime }=\mathrm{GFO}\left[{\mu }_{\mathrm{mn}}\right]=\left(\begin{array}{cc}-{[-((r^{1/f-1}+r)·{\mu }_{\mathrm{mn}}-{{\mu }^2}_{\mathrm{mn}})]}^f& (-r\le {\mu }_{\mathrm{mn}}<0)\\ {\left[((r^{1/f-1}+r)·{\mu }_{\mathrm{mn}}-{{\mu }^2}_{\mathrm{mn}})\right]}^f& (0\le {\mu }_{\mathrm{mn}}\le r)\end{array}\right)---\left(2\right)$

处理像素隶属度μ′_mn＝GFO[μ_mn]；式中，r和f是常数，其范围是0＜r≤1及f＞0；当-r≤μ_mn＜0时，μ′_mn≤μ_mn；当0≤μ_mn≤r时μ_mn≤μ′_mn；

通过T^-1逆变换X_mn＝X_max-D×(1-μ_mn)对隶属度P′进行逆变换，将隶属度空间P′映射为增强后的灰度空间图像G′，完成对图像进行增强预处理；

(b)先利用sobel算子对图像每个像素点的梯度值和梯度方向进行计算，把像素梯度值投影到[1-100]的范围内，作为模糊系统的一个输入值，利用公式

$\mathrm{Im}{\mathrm{SD}}_{P_5}=\sqrt{\frac{1}{9}\underset{i=1}{\overset{9}{\Sigma }}{(P_i-E\left(P_i\right))}^2}---\left(3\right)$

计算每个像素点的方差值；式中，Pi(i＝1，2，...，9)表示像素点及周围八个领域点；把其值也投影到[1-100]的范围内，作为模糊系统的另一个输入值；定义四个常数阈值：a1，a2，c1，c2；把梯度和方差分为高H、中M、低L三类；当值在范围[0，c1]内，则属于低值类SDL/GDL，SD代表标准差，GD代表梯度；若在[a1，c2]范围内，则属于中值类SDM/GDM；在[a2，100]内属于高值类SDH/GDH；模糊系统的输出是一个像素点属于边界点的概率，也同样分为三类，由高到低分别为EL，EM，EH；

由公式

P_final＝∑(C_j×P_Edge(j))                                (4)

计算出图像每一点的边界隶属度，若值大于阈值则为边界点，否则为背景点；得到图像的边缘检测结果；式中，j是EL，EM，EH三类之一，C_j代表第j类的边界隶属度，P_Edge(j)代表当前点隶属于第j类的概率；

(c)利用梯度相位信息以及线段长度剔除较短或者弯曲线段，并利用Hough变化对剩下的轮廓线进行平行直线检测，检索出平行的直线作为机场跑道的特征图像S；

(d)遍历机场跑道的特征图像S，通过访问标示图判断其是否被访问，若其相应的标示点为0代表未被访问，为1则代表被访问；如果已被访问则回到步骤(a)继续查找，否则保存该点坐标记为Sp；

在模糊增强后的图片G′中以Sp为中心点，遍历其八领域，找到灰度最高的点作为种子节点；保存其坐标，记为SeedP；

以点SeedP为种子点开始区域生长，直到所有符合要求的点，都生长完毕，并把所有访问过的点标识都设为1；判断图像S是否遍历完毕；若是，则输出区域生长后的结果图片，结束；若否则返回步骤(a)继续查找特征点。

本发明的有益效果是：由于利用模糊增强对图像进行预处理，然后利用基于像素梯度与标准差的模糊边缘检测方法提取图像边缘；对图像边缘进行筛选只留下长直线，并利用Hough变化检测平行的长直线作为跑道特征；以特征点8领域范围内最高灰度的点作为种子点，进行区域增长提取机场目标，提高了所提取机场目标的质量。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明高分辨遥感图像中快速提取机场目标的方法流程图。

图2是本发明高分辨遥感图像中快速提取机场目标的方法用八领域模板图。

图3是本发明高分辨遥感图像中快速提取机场目标的方法用模糊规则图。

具体实施方式

参照图1～3。

1.模糊增强预处理。

为了使目标的提取更加精确，首先对图像进行增强预处理。其具体步骤如下：

(1)通过T变换

μ_mn＝T(X_mn)＝1-(X_max-X_mn)/D                         (1)

将待处理的图像Image，m×n象素，L级灰度；从灰度空间G＝{G_mn}映射为与之对应的广义隶属度空间P＝{μ_mn}；式中，X_max表示图像G中最大灰度值；D是常数，一般取D＝2×(X_max-X_min)/3；X_min表示图像G中最小灰度值。

(2)通过广义模糊算子GFO

${\mu }_{\mathrm{mn}}^{\prime }=\mathrm{GFO}\left[{\mu }_{\mathrm{mn}}\right]=\left(\begin{array}{cc}-{[-((r^{1/f-1}+r)·{\mu }_{\mathrm{mn}}-{{\mu }^2}_{\mathrm{mn}})]}^f& (-r\le {\mu }_{\mathrm{mn}}<0)\\ {\left[((r^{1/f-1}+r)·{\mu }_{\mathrm{mn}}-{{\mu }^2}_{\mathrm{mn}})\right]}^f& (0\le {\mu }_{\mathrm{mn}}\le r)\end{array}\right)---\left(2\right)$

处理像素隶属度μ′_mn＝GFO[μ_mn]，该过程实质上是一种模糊增强的过程。式中，r和f是常数，其范围是0＜r≤1及f＞0。在这里取f值为0.5，而r值为1。当-r≤μ_mn＜0时，μ′_mn≤μ_mn；当0≤μ_mn≤r时μ_mn≤μ′_mn。显然广义模糊算子通过降低-r≤μ_mn＜0区域中μ_mn的值和增加0≤μ_mn≤r区域中μ_mn的值，起到了增强两个区域之间对比度的作用。

(3)通过T^-1逆变换X_mn＝X_max-D×(1-μ_mn)对隶属度P′进行逆变换，将隶属度空间P′映射为增强后的灰度空间图像G′，从而完成整个模糊增强的过程。

2.图像边缘检测。

先利用sobel算子对图像每个像素点的梯度值和梯度方向进行计算，把像素梯度值投影到[1-100]的范围内，作为模糊系统的一个输入值。利用公式

$\mathrm{Im}{\mathrm{SD}}_{P_5}=\sqrt{\frac{1}{9}\underset{i=1}{\overset{9}{\Sigma }}{(P_i-E\left(P_i\right))}^2}---\left(3\right)$

计算每个像素点的方差值。式中，Pi(i＝1，2，...，9)表示为像素点及周围八个领域点。把其值也投影到[1-100]的范围内，作为模糊系统的另一个输入值。接着定义四个常数阈值：a1，a2，c1，c2。这里，c1＝12，a1＝37，a2＝62，c2＝87。把梯度和方差分为高H、中M、低L三类。当值在范围[0，c1]内，则属于低值类SDL/GDL，SD代表标准差，GD代表梯度。若在[a1，c2]范围内，则属于中值类SDM/GDM。在[a2，100]内属于高值类SDH/GDH。模糊系统的输出是一个像素点属于边界点的概率，也同样分为三类，由高到低分别为EL，EM，EH。这三类隶属于边界点的隶属度分别为0.25，0.5和0.75。

由公式

P_final＝∑(C_j×P_Edge(j))                          (4)

计算出图像每一点的边界隶属度。式中，j是EL，EM，EH三类之一，C_j代表第j类的边界隶属度，P_Edge(j)代表当前点隶属于第j类的概率。

在得到该点的边界隶属度之后，对其进行判断。若值大于阈值则为边界点，否则为背景点。一般来说判断阈值应取0.5。由此得到图像的边缘检测结果。

举例说明：若一个像素点的标准差值SD为75，梯度值GD为30，根据四个阈值a1，a2，c1，c2。(12，37，62，87)可以计算出其SD隶属于低中高三类的隶属度分别为μ(SD_L)＝0，GD隶属于低中高三类的隶属度分别为μ(GD_H)＝0。则根据模糊规则：

P_Edge(EL)＝μ(GD_L)×μ(SD_M)＝0.28×0.48＝0.13

P_Edge(EM)＝μ(GD_M)×μ(SD_M)+μ(GD_L)×μ(SD_H)＝0.49

P_Edge(EH)＝μ(GD_M)×μ(SD_H)＝0.72×0.52＝0.37

P_final＝∑(C_j×P_Edge(j))＝C_EL×P_Edge(EL)+C_EM×P_Edge(EM)+C_EH×P_Edge(EH)＝0.56

P_final＞0.5则该像素点被判定为边界点。

3.机场目标特征提取。

利用边缘点的梯度相位信息消除干扰的边缘轮廓线：在边缘图像中自上向下寻找边缘点，即白点，当找到白点Pe后，设为当前点，寻找其八领域，若找到白点Pe′，对两点梯度相位信息的差值进行判断，若|OG_Pe-OG_Pe′|≤threshold，这里threshold＝0.3，则可判断其大致为同一条直线上的点。设Pe′为当前点继续寻找直到找不到符合要求的点，则找全一条直线，之后统计并记录该直线所含像素点个数。重复以上步骤直到边缘图像中所有边缘点遍历完毕。这样基本上保留下来的都是近似于直线的边缘轮廓，再取合适的阈值以去除过短的直线，得到只含有长直线的边缘图像。

对经长直线筛选过的边缘图像进行Hough变换以寻找平行的长直线作为机场的特征。Hough变换是采用直线的极坐标方程：r＝xsinθ+ycosθ。同一条直线上所有的点在参数空间(r，θ)中对应的曲线，会交于同一点(r₀，θ₀)。则在参数空间中的一个局部最大值就代表了图像空间中的一条直线。若两条直线的θ值相同则说明两条直线平行。把检测到的平行线所含的像素点标识为白色，就得到了机场跑道特征的图像S。

4.提取机场目标。

提取了机场跑道特征之后，还需要对机场目标进行提取。由于材质，光滑度等原因，大多数机场跑道区域的灰度会比陆地区域要高。可以根据这一特征，提取机场目标。算法描述如下：

(1)遍历特征图像S，查找机场特征点。

(2)找到特征点后，通过访问标示图判断其是否被访问，若其相应的标示点为0代表未被访问，为1则代表被访问。如果已被访问则跳回步骤1继续查找，否则保存该点坐标记为Sp。

(3)在模糊增强后的图片G′中以Sp为中心点，遍历其八领域，找到灰度最高的点作为种子节点。保存其坐标，记为SeedP。

以点SeedP为种子点开始区域生长，直到所有符合要求的点，都生长完毕。即灰度值与种子点绝对值之差小于一定阈值，这里阈值取20。并把所有访问过的点标识都设为1。判断图像S是否遍历完毕。若是，则输出区域生长后的结果图片，算法结束。若否则返回步骤1继续查找特征点。