一种基于国产GF2遥感影像的机场跑道提取方法

摘要

本发明公开了一种基于国产GF2遥感影像的机场跑道提取方法，涉及遥感领域。使用GF2中JPG图片、MSS多光谱、PAN全色三种不同分辨率的数据，在不同尺度下通过计算光谱特征、几何特征、边缘特征，按照疑似机场靶区识别、机场区域确定、机场跑道提取与定位的技术途径提取机场跑道，提高了识别效率与运算速度，且对由多个跑道方向、复合材料构成跑道面的复杂机场跑道提取也具有较好的稳定性。主要包括：在JPG图片数据上做全局检测，得到多个疑似机场靶区；在疑似机场靶区内，通过多方向平行线组特征，确定机场区域；在机场区域内，通过局部极大值抑制算法提取不同复杂情况的机场跑道。本发明能够自动提取到机场跑道位置信息且识别效果较为良好。

说明书

技术领域

本发明涉及遥感技术领域，特别是一种基于国产GF2遥感影像的机场跑道提取方法。

背景技术

机场作为重要的交通设施与典型的战略目标，不仅在民用领域有十分重要的意义，在军事上，通常是作战双方侦察和打击的对象，而机场跑道作为飞机起降的主要平台，其变化检测结果能够直接反映毁伤情况，进而制约战略部署。至今为止，虽然国内外很多学者提出了许多识别算法，也取得了不错的研究效果，然而随着科学技术的快速发展，机场检测技术依然存在着很大的挑战，比如背景复杂多变，城镇、道路等地物的干扰；机场形态各异，跑道走势具有多个不同的方向；机场跑道面材质的使用也不再仅仅局限于水泥；遥感图像数据量越来越大等问题。

目前，机场跑道检测算法大致可以分为四类：第一类是基于跑道边缘和直线特征提取的方法。该算法虽然原理简单，但在实际情况中机场的多样性可能导致直线特征不明显，再加上周围道路、建筑群也具有类似直线特征的情况，这就要求算法具有很强的抗噪性；第二类是基于显著性检测和区域分割的方法。显著性检测是用数学建模的方法提取显著的区域，对于跑道面材质单一的机场检测效果较好。但随着沥青渐渐取代水泥作为修补或扩建时的主要材料，经常出现机场跑道与周围道路具有同样的光谱特征与几何特征、跑道前后段构成材料不同的情况而导致显著性检测模型出现遗漏，越来越复杂的环境对检测算法的应用产生了极大的挑战；第三类是基于模板匹配的方法。该方法需要建立模板库，对机场目标的先验知识要求更高，而且基于像素匹配的方法计算量较大，比较容易受到干扰，在实际应用中也具有很大的局限性；第四类是使用神经网络。神经网络本身具有复杂度相对较高等特点，再加上影像机场跑道目标检测领域可用的公共数据集很少，导致该方法的适用性能需要根据具体的情况进行选择和判断。

因此，及时跟进技术与周围环境发展的脚步，实时调整机场跑道识别算法，对军、民的交通组织均有重大现实意义。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于国产GF2遥感影像的机场跑道提取方法，本发明既不受由机场跑道面材料不同带来的干扰，对具有多条不同跑道方向的复杂机场也有较好的稳定性，自动提取到机场跑道位置信息且识别效果较为良好。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于国产GF2遥感影像的机场跑道提取方法，包括以下步骤：

步骤一、数据采集；

采集GF2影像数据，GF2影像数据包括JPG图像数据、原始MSS多光谱数据、原始PAN全色数据；

步骤二、疑似机场靶区识别；

首先，根据JPG图像数据中的光谱特征、面特征和边缘特征建立特征集，去除部分非机场区域；然后利用特征集、形态学滤波对去除部分非机场区域后的JPG图像数据做全局检测，得到疑似机场靶区，并制作疑似机场靶区掩模图；

步骤三、机场区域确定；

首先，对原始MSS多光谱数据实施降采样，利用步骤二得到的疑似机场靶区域掩模图定位，得到降采样后MSS多光谱数据中的疑似机场靶区；其次，利用多方向平行线组提取算法对降采样后MSS多光谱数据中的疑似机场靶区作进一步筛选，得到确定的机场区域；最后，将降采样后MSS多光谱数据中确定的机场区域反向定位至原始MSS多光谱数据中，并标出机场区域；

其中，利用多方向平行线组提取算法对降采样后MSS多光谱数据中的疑似机场靶区作进一步筛选，得到确定的机场区域；具体如下：

步骤(1)、在降采样后MSS多光谱数据中的疑似机场靶区内做LSD直线段检测，得到疑似机场靶区内所有直线段；

步骤(2)、计算步骤(1)得到的每条直线段的角度和长度信息；

步骤(3)、基于步骤(2)得到的直线段的角度和长度信息，构建疑似机场靶区内的多方向平行线组向量集；

步骤(4)、基于多方向平行线组向量集的分布特征，提取降采样后MSS多光谱数据中疑似机场靶区内的多方向平行线组，再利用提取的多方向平行线组定位，确定机场区域；

步骤四、机场跑道提取；

首先，对原始PAN全色数据实施降采样，利用步骤三得到的机场区域定位，得到降采样后PAN全色数据中的机场区域；其次，采用多方向平行线组提取算法，提取降采样后PAN全色数据中机场区域内的多方向平行线组；最后，利用降采样后PAN全色数据中的机场区域内的多方向平行线组的分布特性，提取机场跑道；

其中，采用多方向平行线组提取算法，提取降采样后PAN全色数据中机场区域内的多方向平行线组的步骤如下：

步骤①、在降采样后PAN全色数据中的机场区域内做LSD直线段检测，得到机场区域内所有直线段的长度，并计算每条直线段的角度；

步骤②、基于步骤①得到的直线段的长度与角度，构建机场区域内的多方向平行线组向量集；

步骤③、基于步骤②的多方向平行线组向量集的分布特征，对步骤①中LSD直线段检测结果进行筛选与合并，得到多方向平行线组；

步骤④、基于步骤③的多方向平行线组定位至降采样后PAN全色数据中，提取降采样后PAN全色数据中的机场跑道；

步骤五、对步骤四得到降采样后PAN全色数据中的机场跑道进行逆采样变换，将变换后的机场跑道定位至原始PAN全色数据中。

作为本发明所述的一种基于国产GF2遥感影像的机场跑道提取方法进一步优化方案，步骤二具体如下：

步骤2.1、去除JPG图片数据中2、3波段间像元值差值小于15、且R、G、B三个波段的值均在(51，120)范围内的像素点；将去除区域的像素点标注为0，保留下来区域的像素点标注为1，制作JPG图片数据的二值图；

步骤2.2、首先，将步骤2.1的二值图定位至JPG图片数据中，删除像素点为0的区域，保留像素点为1的区域；其次，利用模板为3×3的Sobel算子对JPG图片数据中保留下来区域的第三波段做边缘检测，并将边缘检测的结果进行线性归一化，线性归一化公式如下：

其中，i＝1,2,...N，N表示步骤2.1中像素值为1的个数，X

步骤2.3、对步骤2.2中X′做膨胀处理，然后，再删除膨胀处理后面积连通域小于1000个像元大小的区域；

步骤2.4、首先，利用开运算，以半径为15和25个像元大小的圆型结构对步骤2.3的处理结果做膨胀、腐蚀处理；其次，采用闭运算填补膨胀、腐蚀后出现漏洞和裂缝的区域；最后，剔除在开运算、闭运算处理后面积连通域小于1500个像元大小的区域，得到二值图；

步骤2.5、将步骤2.4得到的二值图作为疑似机场靶区保留，制作疑似机场靶区掩模图。

作为本发明所述的一种基于国产GF2遥感影像的机场跑道提取方法进一步优化方案，步骤三具体如下：

步骤3.1、对原始MSS多光谱数据实施降采样，将步骤2.5得到的疑似机场靶区的掩模图定位至降采样后的MSS多光谱数据中，得到降采样后MSS多光谱数据中的疑似机场靶区；

步骤3.2、构建多方向平行线组向量集；具体步骤如下：

步骤3.2.1、对步骤3.1得到的疑似机场靶区进行LSD直线段检测，得到疑似机场靶区内所有直线段；

步骤3.2.2、在步骤3.2.1的基础上，加入对所有直线段的角度计算，得到疑似机场靶区内所有直线段的角度和长度信息；

步骤3.2.3、在0-180度范围内，依据步骤3.2.2中每一条直线段的角度与长度信息，按每隔1度为一组的方式，将所有直线段分在编号为1-180的组别内，构建多方向平行线组向量集T，该向量集的表达式为：

T＝{T

其中，α是组编号；T

步骤3.3、基于降采样后的MSS多光谱数据，对该数据中的疑似机场靶区利用多方向平行线组的分布特性确定机场区域，具体如下：

步骤3.3.1、将步骤3.2.3中T内的数值按照从大到小的顺序，绘制直线方向直方图；

步骤3.3.2、利用步骤3.3.1得到的直方图，判断疑似机场靶区中向量集T的最大值是否大于机场平行线组长度阈值Z，若大于Z则疑似机场靶区为机场区域，否则，为非机场区域；

步骤3.4、对步骤3.3.2中确定后的机场区域进行逆采样变换，将逆采样变换后的机场区域定位至原始MSS多光谱数据中，并在原始MSS多光谱数据中标出机场区域。

作为本发明所述的一种基于国产GF2遥感影像的机场跑道提取方法进一步优化方案，步骤四具体实施步骤如下：

步骤4.1、对原始PAN全色数据实施降采样，将步骤3.4所得机场区域定位到降采样后的PAN全色数据中，得到降采样后PAN全色数据中的机场区域；

步骤4.2、构建多方向平行线组向量集；具体如下：

步骤4.2.1、对步骤4.1的机场区域进行LSD直线段检测，得到机场区域内所有直线段；

步骤4.2.2、在步骤4.2.1的基础上，加入对所有直线段的角度计算，得到机场区域内所有直线段的角度和长度信息；

步骤4.2.3、在0-180度范围内，依据步骤4.2.2中每一条直线段的角度与长度信息，按每隔1度为一组的方式，将所有直线段分在编号为1-180的组别内，构建多方向平行线组向量集S，该向量集的表达式为：

S＝{S

其中，α是组编号；S

步骤4.2.4、首先，将步骤4.2.3的向量集S中S

Q＝{Q

其中，向量集Q内共有β

然后，将向量集Q中Q

步骤4.3、利用多方向平行线组向量集的分布特征，对步骤4.2.2中的所有直线段进行筛选与合并，得到多方向平行线组；具体实施步骤如下：

步骤4.3.1、首先，通过多方向平行线组向量集的分布特性判断机场跑道方向与数量，判断过程如下：

第一步，初始化β＝1；

第二步，首先，计算Q

第三步，令β＝β+1，并返回第二步继续执行；

步骤4.3.2、多方向平行线组的合并；

首先，对步骤4.3.1保留的所有多方向平行线组进行判断，判断过程如下：

步骤A、对步骤4.3.1保留的所有多方向平行线组中的所有直线段中任取两条直线段，若两条直线段合并后的长度大于合并前的长度，则进行步骤B；否则两直线段不能合并；

步骤B、计算步骤A选取的两条直线段的距离、角度和最大截距偏差是否小于距离阈值D1、角度阈值A1、最大截距偏差阈值E；若都小于阈值则两直线段进行合并，否则不能合并；

步骤C、完成对所有直线段的判断，将合并后的长度小于长度阈值D2的直线段剔除，得到的多方向平行线组就是机场跑道内的多方向平行线组，且多方向平行线组的方向与数量即代表了不同方向跑道的方向与数量；

步骤4.4、将步骤4.3.2得到的多方向平行线组定位至降采样后的PAN全色数据中，提取机场跑道。

作为本发明所述的一种基于国产GF2遥感影像的机场跑道提取方法进一步优化方案，阈值Z为350-400米之间。

作为本发明所述的一种基于国产GF2遥感影像的机场跑道提取方法进一步优化方案，B1取5。

作为本发明所述的一种基于国产GF2遥感影像的机场跑道提取方法进一步优化方案，D1取10、A1取0到5度之内、E取50。

作为本发明所述的一种基于国产GF2遥感影像的机场跑道提取方法进一步优化方案，阈值D2取400。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明利用GF2的JPG图片、MSS多光谱、PAN全色数据，在不同尺度下分别计算光谱特征、几何特征、边缘特征等，按照疑似机场靶区识别、确定机场区域识别、机场跑道提取与定位的技术途径提取机场跑道，提高了识别效率与运算速度，且对由多个跑道方向、复合材料构成跑道面的复杂机场跑道提取也具有较好的稳定性，基本实现了自动化。

(2)本发明通过GF2数据的光谱特征、几何特征、边缘特征，采用多方向平行线组提取算法对机场跑道分级提取，本方法既不受由机场跑道面材料不同带来的干扰，对具有多条不同跑道方向的复杂机场也有较好的稳定性，且识别效果较为良好；本发明无需进行繁琐的预处理即可自动提取到机场跑道位置信息。

附图说明

图1是本发明方法的流程示意图。

图2a是本发明实施例一所使用的原始数据。

图2b是本发明实施例一的机场区域标注示意图。

图3a是本发明实施例一的疑似机场靶区一。

图3b是本发明实施例一的疑似靶区一内多方向平行线组向量集的直方图。

图3c是本发明实施例一的疑似机场靶区二。

图3d是本发明实施例一的疑似靶区二内多方向平行线组向量集的直方图。

图4a是本发明实施例一中LSD直线段检测算法检测结果图。

图4b是本发明实施例一中多方向平行线组提取结果图。

图4c是本发明实施例一的机场跑道提取结果图。

图5a是本发明实施例二的复杂机场区域检测结果图。

图5b是本发明实施例二的复杂机场跑道提取结果图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

本发明的技术流程图参见图1。下面将对流程图中的关键步骤分别描述。

步骤二，疑似机场靶区识别。首先，使用图2a中的JPG图像数据中的光谱特征、面特征和边缘特征建立特征集，去除部分非机场区域；然后利用特征集、形态学滤波对去除部分非机场区域后的JPG图像数据做全局检测，得到疑似机场靶区，并制作疑似机场靶区掩模图，步骤如下：

步骤1.1，光谱特征提取。利用RGB三个波段的光谱值的差异去除水体、植被、农作区；

步骤1.2，边缘特征提取。基于边缘提取利用面积特征、连通域阈值、长宽比阈值去除房区、空旷水泥厂等建筑区域；

步骤1.3，形态学处理。利用开运算消除图像的边缘毛刺和孤立斑点,抑制图像中的斑点噪声；利用闭运算填补图像中的漏洞和裂缝,然后利用面积特征、连通域阈值删除干扰区域；

步骤1.4，剩下的区域作为疑似机场靶区保留，并制作疑似机场靶区掩膜图。

步骤三，机场区域确定，具体实施步骤如下：

步骤2.1，对原始MSS多光谱数据实施5倍降采样，将步骤一所得疑似机场靶区定位到降采样后的MSS数据中，得到降采样后MSS多光谱数据中的疑似机场靶区，见图3a、图3c；

步骤2.2，构建多方向平行向量集。

首先，在降采样后MSS多光谱数据中，利用LSD直线段检测算法对疑似机场靶区进行直线段检测，获取每个疑似机场靶区内的直线段长度信息；

其次，在步骤2.2的LSD直线段检测结果的基础上，对每条直线段加入角度的计算，得到每条直线的长度与角度信息；

最后，在0-180度范围内，依据上一步中每一条直线段的角度与长度信息，按每隔1度为一组的方式，将所有直线段分在编号为1-180的组别内，构建多方向平行线组向量集T；

步骤2.3，确定机场区域。首先，根据步骤2.2的多方向平行向量集绘制直线方向特征图；然后，判断最大值是否大于400米，若小于四百米见图3d，则该区域为非机场区域；若大于四百米见图3b，则该区域确定为机场区域见图3c和本发明实施例二的复杂机场区域检测结果图5a；

步骤2.4，标记机场区域。首先，对确定后的机场区域进行逆采样变换；然后，依据逆采样变换后的机场区域坐标定位至原始MSS多光谱数据中，并在原始MSS多光谱数据中标出，如图2b；

步骤四，机场跑道提取，步骤如下：

步骤3.1，对原始PAN全色数据实施2倍降采样，将步骤2.4所得机场区域定位到降采样后PAN全色数据中；

步骤3.2，构建多方向平行线组向量集。

首先，对步骤3.1得到的机场区域进行LSD直线段检测，得到机场区域内所有直线段；

其次，在LSD直线段检测的基础上，加入对所有直线段的角度计算，得到机场区域内所有直线段的角度和长度信息；

最后，在0-180度范围内，依据上一步中每一条直线段的角度与长度信息，按每隔1度为一组的方式，将所有直线段分在编号为1-180的组别内，构建多方向平行线组向量集S，并删除向量集S中数值小于Z所对应的组别删除，得到新的多方向平行线组向量集Q，将向量集Q中的数值按照从大到小的顺序排列，并绘制直线方向直方图；

步骤3.3，多方向平行线组提取。

首先，依次计算向量集Q内相邻数值之间的比值，通过阈值判断机场不同方向的跑道。

其次，对上一步保留下来的线段采用多方向平行线组合并算法对直线段进行合并，LSD直线段检测算法效果见图4a，多方向平行线组提取算法效果见图4b；

步骤3.4，将步骤3.3得到的多方向平行线组定位至降采样后的PAN全色数据中，提取机场跑道。

步骤五，对步骤四得到降采样后PAN全色数据中的机场跑道进行逆采样变换，将变换后的机场跑道定位至原始PAN全色数据中，机场跑道提取结果见图4c和本发明实施例二的复杂机场跑道提取结果图5b。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。