CN101159009A - 从遥感图像中检测桥梁的方法 - Google Patents

Abstract

本发明公开了一种从遥感图像中检测桥梁的方法。考虑到桥梁和河流的位置关系，首先根据遥感图像中水域的特点，利用河流粗分割和河流细分割两个步骤分割出河流区域；其次，对河流区域进行Beamlet变换，在Beamlet变换基础之上，利用得到的线特征信息，根据桥梁的特征准确的检测并分割出桥梁，考虑到桥梁的长直线特征，对得到的结果进行后处理，得到桥梁检测的最终结果。由于采用Beamlet变换提取被检桥梁的线特征信息，利用Beamlet变换具有抗噪性的特点，提高了抗噪性；利用Beamlet变换所提取的线特征信息进行桥梁检测，与现有技术采用搜索桥梁点的方法相比，对桥梁的宽度没有限制，且检测率达到了86％以上，不易漏检和误检。

Description

从遥感图像中检测桥梁的方法

技术领域

本发明涉及一种从遥感图像中检测桥梁的方法。

背景技术

桥梁是遥感图像中一种重要的人工目标，自动、快速地从中检测、分割桥梁，有非常重要的意义。现有的桥梁自动检测与识别方法主要有：基于知识的检测方法和模板匹配的方法。文献“一种航拍图像中水上桥梁的实时识别算法，电子学报，2007，Vol.35(3)，p511-514”公开了一种在水域分割的基础上识别桥梁的算法。此方法采用阈值分割和形态学处理的方法分割出河流区域，之后采用桥梁目标定位和桥梁目标验证两个步骤检测桥梁。在桥梁目标定位阶段，此方法利用桥梁和河流的位置关系搜索桥梁点；在桥梁目标验证阶段，此方法利用桥梁的两条边缘基本平行来验证桥梁目标。但是，在桥梁目标定位阶段，由于搜索时假设桥梁的宽度为5～10个像素点，因此对于不同宽度的桥梁目标，具有局限性，无法检测宽度在5～10个像素点范围之外的桥梁；在桥梁目标的验证阶段，利用桥梁的两条边缘上的各点所对应的梯度值应该一致来验证桥梁的两条边缘是否平行，具有局限性且抗噪性差。

综上所述，现有的遥感图像中桥梁检测方法易受噪声影响，并对被检桥梁的宽度进行了限制，容易漏检和误检，检测率低。

发明内容

为了克服现有技术方法抗噪性差以及对被检桥梁限制宽度的不足，本发明提供一种从遥感图像中检测桥梁的方法，采用Beamlet变换提取线信息，由于Beamlet变换具有抗噪性，因此抗噪性好；利用Beamlet变换所提取的线特征信息进行桥梁检测，因此对桥梁的宽度没有限制，不易漏检和误检。

本发明解决其技术问题所采用的技术方案：一种从遥感图像中检测桥梁的方法，其点是包括以下步骤：

(a)输入一幅遥感图像，选用Daubechies3小波，对遥感图像每个像素的邻域进行小波变换，所得的高频图像和低频图像作为小波子图像，用公式

$e=\frac{1}{M*N}\underset{x,y=0}{\overset{M*N-1}{\mathrm{\Σ}}}{\left|s(x,y)\right|}^2$

分别计算各子图像能量特征，作为当前中心象素点的纹理特征，对每一象素的纹理特征，采用快速模糊C聚类算法将图像分成目标和背景两类，得到河流的粗分割结果；

(b)选用面积百分比阈值去除河流中较小的噪声区域，对步骤(a)得到的河流区域进行连通区域标记，计算每一个区域的平均梯度avgGrads[i]，设待分类的区域的平均梯度avgGrads的范围在[gradsLow，gradsHigh]之间，阈值T将区域划分为两类，利用类内方差最小的方法确定最佳平均梯度阈值T^*，比较平均梯度与最佳梯度阈值，确定河流区域；

(c)对河流区域的canny边缘做快速Beamlet变换，得到桥梁和海岸线的线信息，利用桥梁的特征进行桥梁检测：将图像分解成尺度为4的子束单元，对每个子束单元进行变换处理：从子束单元的左上点起，顺时针标记为p(0)，p(1)，p(2)......p(snum-1)；snum为子束单元边界点的个数，start＝0，end＝1，即以p(0)为起点，p(1)为终点，由起点和端点，可唯一确定一条线段，该线段上的象素点由Bresenham算法确定，该线段上的象素点依次标记d(0)，d(1)，d(2)......d(num-1)，其中num为该线段上象素点的个数，d(0)为线段起点，d(num-1)为线段终点， $\mathrm{sum}=\underset{i=0}{\overset{\mathrm{num}-1}{\mathrm{\Σ}}}\mathrm{GrayLevel}\left(d\left(i\right)\right),$ GrayLevel(d)为该象素点d的灰度值，T_f(b)＝sum/255；

(d)对河流区域的canny边缘做快速Beamlet变换，得到桥梁和海岸线的线信息，利用桥梁的特征进行桥梁检测，包括两个边缘平行、外接形状近似为矩形、矩形的宽为桥梁的宽度、桥梁的宽度小于河流的宽度、桥梁的边缘像素点的邻域像素属于相同的连通区域，即河流连通区域，而海岸线像素点的邻域像素属于不同的连通区域；

(e)将提取出来的桥梁再次进行短线连接，满足同一尺度、同一方向且端点距离小于一定阈值的短信进行连接，得到完整的桥梁图。

本发明的有益效果是：由于采用Beamlet变换提取被检桥梁的线特征信息，利用Beamlet变换具有抗噪性的特点，提高了抗噪性；利用Beamlet变换所提取的线特征信息进行桥梁检测，与现有技术采用搜索桥梁点的方法相比，对桥梁的宽度没有限制，且检测率达到了86％以上，不易漏检和误检。

下面结合附图和实施例对本发明作详细说明。

附图说明

附图是本发明从遥感图像中检测桥梁的方法的流程图。

具体实施方式

参照附图，首先进行河流分割。输入一幅遥感图像，对河流进行粗分割。选用Daubechies3小波，对遥感图像每个像素的3×3邻域进行小波变换，采用了4个小波子图像，分别是第一次小波分解所得的3个高频图像、第一次小波分解所得的低频图像，然后用公式(1)分别计算各子图像能量特征，作为当前中心象素点的纹理特征。

$e=\frac{1}{M*N}\underset{x,y=0}{\overset{M*N-1}{\mathrm{\Σ}}}{\left|s(x,y)\right|}^2---\left(1\right)$

对每一象素的纹理特征，采用快速模糊C聚类算法(FCM)将图像分成目标和背景两类，得到河流的粗分割结果。在此河流粗分割过程中可以选用其他小波变换，变换域可以为5×5，本发明均已进行过试验，取得了不错的效果。

由于受噪声影响，存在着部分灰度值和河流比较接近、有细微纹理的非河流区域，例如建筑物或其他自然景物的阴影，被误分割为河流的现象，因此需要对河流进一步的细分割。

河流细分割：首先选用面积百分比阈值0.2％去除河流中较小的噪声区域。此处的面积百分比阈值可以根据不同的图像选择0.1％～2％之间，在去除细小区域之后，对每个区域用下列模板计算其梯度，从水平和垂直两个方向考察当前区域灰度值的变化。

$\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$ $\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$

水平梯度算子模板A    垂直梯度算子模板B

模板中心点(x，y)水平方向梯度幅值为：

$G_x=\underset{i=-1}{\overset{1}{\mathrm{\Σ}}}\underset{j=-1}{\overset{1}{\mathrm{\Σ}}}A(i+2,j+2)\×f(x-i,y-j)---\left(2\right)$

其中f(x，y)为(x，y)处的灰度值。同理，垂直方向梯度幅值为：

$G_x=\underset{i=-1}{\overset{1}{\mathrm{\Σ}}}\underset{i=-1}{\overset{1}{\mathrm{\Σ}}}B(i+2,j+2)\×f(x-i,y-j)---\left(3\right)$

(x，y)处的梯度幅度为： $\mathrm{Grad}(x,y)=\sqrt{G_x^2+G_y^2}$

对粗分割得到的河流区域进行连通区域标记，计算每一个区域的平均梯度avgGrads[i]，设待分类的区域的平均梯度avgGrads的范围在[gradsLow，gradsHigh]之间，阈值T将区域划分为两类

$\{\begin{array}{c}\mathrm{ifavgGrads}\left[I\right]\≤T,I\∈C_1\\ \mathrm{ifavgGrads}\left[I\right]>T,I\∈C_2\end{array}----\left(4\right)$

则，C₁＝[gradsLow，T]C₂＝[T+1，gradsHigh]C₁类的区域个数为N₁，C₂类的区域个数为N₂，C₁，C₂每类的梯度的平均值分别为μ₁，μ₂，方差分别为σ₁ ²，σ₂ ²，则按照模式识别理论，这两类的类内方差为：

${\mathrm{\σ}}^2=(N_1\×{\mathrm{\σ}}_1^2+N_2\×{\mathrm{\σ}}_2^2)/(N_1+N_2)---\left(5\right)$

使σ²最小的T即为最佳平均梯度阈值T^*。

$\{\begin{array}{c}\mathrm{if}\left(\mathrm{avgGrads}\right[I]>T*),I\&NotElement;\mathrm{RiverRegion}\\ \mathrm{if}\left(\mathrm{avgGrads}\right[I]<=T*),I\&Element;\mathrm{RiverRegion}\end{array}---\left(6\right)$

如果某区域的平均梯度大于最佳阈值，则此区域不属于河流区域；如果小于等于最佳阈值，则此区域属于河流区域，从而实现了对河流的细分割。

其次进行桥梁分割。由于桥梁是两条平行直线，而Beamlet变换在提取线特征方面表现优秀，因而本发明对分割出的河流区域的边缘进行Beamlet变换固定尺度的Beamlet变换，得到线特征的信息，然后根据桥梁特征分割出桥梁。

桥梁具有以下特征：(1)桥梁的两个边缘平行；(2)桥梁的外接形状近似为矩形，且矩形的宽为桥梁的宽度；(3)桥梁的宽度小于河流的宽度；(4)桥梁的边缘像素点的邻域像素属于相同的连通区域，即河流连通区域，而海岸线像素点的邻域像素属于不同的连通区域，

对河流区域的canny边缘做快速Beamlet变换：

(1)确定子束单元的尺度，本实施实例选择尺度为4个像素；

(2)将图像分解成尺度为4的子束单元。

(3)对每个子束单元进行变换处理：

(a)从子束单元的左上点起，顺时针标记为p(0)，p(1)，p(2)......p(snum-1)。snum为子束单元边界点的个数。

(b)start＝0，end＝1，即以p(0)为起点，p(1)为终点。

(c)由起点和端点，可唯一确定一条线段。该线段上的象素点由Bresenham算法确定。该线段上的象素点依次标记d(0)，d(1)，d(2)......d(num-1)，其中num为该线段上象素点的个数，d(0)为线段起点，d(num-1)为线段终点。

$\left(d\right)\mathrm{sum}=\underset{i=0}{\overset{\mathrm{num}-1}{\mathrm{\&Sigma;}}}\mathrm{GrayLevel}\left(d\left(i\right)\right).$ GrayLevel(d)为该象素点d的灰度值

T_f(b)＝sum/255。

(e)如果end不等于snum-1

则end＝end+1，重复(c)，(d)。

否则start＝start+1。

如果start等于snum，则停止。

否则重复(c)，(d)步骤。

快速离散Beamlet变换之后，得到了桥梁和海岸线的线信息，因此可以利用桥梁的特征进行桥梁检测。

设(P₁，P₂)，(P₃，P₄)为桥梁两个边，P₁，P₂，P₃，P₄分别为两条边的端点，P_x，P_y为其上的任意点，θ₁，θ₂为两条边的角度，D为河流分割时所产成的连通区域矩阵，陆地为一连通区域，河流和桥梁为另一连通区域，则桥梁应满足如下条件：

1)|θ₁-θ₂|＜thetaThreshold

2)|dist(p₁，p₃)-dist(p₂，p₄)|＜distThreshold&&

|dist(p₁，p₄)-dist(p₂，p₃)|＜distThreshold

(dist(p₁，p₃)≈bridgeWidth)or(dist(p₁，p₄)≈bridgeWidth)

3)D(Px+e，Py)＝D(Px-e，Py)&&D(Px，Py+e)＝D(Px，Py-e)

其中e为偏移量，为一常数，值为5，thetaThreshold为角度阈值，取值为8，distThreshold为距离阈值，取值为40，bridgeWidth为近似的桥梁宽度，取值为20。

最后进行后处理。利用桥梁的上述特征，可以将桥梁提取出来。由于桥梁为长直线，所以将提取出来的桥梁再次进行短线连接，从而得到完整的桥梁图。

后处理的算法如下：

①对于每一子束单元下的线段L₁，倾斜角度为θ₁，两个端点分别记为P₁和P₂，寻找与此线的某一个端点共尺度边的线段L₂，倾斜角度为θ₂，端点分别记为P₃和P₄；

②求这两个线段的两两端点间的距离，得到四个距离，即Dist(P₁，P₂)，Dist(P₁，P₄)，Dist(P₃，P₂)，Dist(P₃，P₄)

③条件1：四个距离中最小的距离Min(Dist)小于Beamlet变换的分解尺度4，

条件2：|θ₁-θ₂|＜阈值threshold，此处，threshold取8；

条件3：四个距离中最大的距离max(Dist)大于两条直线中最长的长度，

④当步骤③成立时，连接两条线段，删除参与连接的两条线段L₁和L₂。

⑤当步骤③不成立时，有可连接的线段，回到步骤①；没有可连接的线段，结束。

总之，本发明利用Beamlet变换所提取的线特征信息进行桥梁检测，与现有技术采用搜索桥梁点的方法相比，对桥梁的宽度没有限制。经过对本发明进行的仿真检验，达到了86％以上的检测率。

Claims (2)

1.一种从遥感图像中检测桥梁的方法，其特征包括以下步骤：

(a)输入一幅遥感图像，选用Daubechies3小波，对遥感图像每个像素的邻域进行小波变换，所得的高频图像和低频图像作为小波子图像，用公式

$e=\frac{1}{M*N}\underset{x,y=0}{\overset{M*N-1}{\mathrm{\&Sigma;}}}{\left|s(x,y)\right|}^2$

分别计算各子图像能量特征，作为当前中心象素点的纹理特征，对每一象素的纹理特征，采用快速模糊C聚类算法将图像分成目标和背景两类，得到河流的粗分割结果；

(b)选用面积百分比阈值去除河流中较小的噪声区域，对步骤(a)得到的河流区域进行连通区域标记，计算每一个区域的平均梯度avgGrads[i]，设待分类的区域的平均梯度avgGrads的范围在[gradsLow，gradsHigh]之间，阈值T将区域划分为两类，利用类内方差最小的方法确定最佳平均梯度阈值T^*，比较平均梯度与最佳梯度阈值，确定河流区域；

(c)对河流区域的canny边缘做快速Beamlet变换，得到桥梁和海岸线的线信息，利用桥梁的特征进行桥梁检测：将图像分解成尺度为4的子束单元，对每个子束单元进行变换处理：从子束单元的左上点起，顺时针标记为p(0)，p(1)，p(2)......p(snum-1)；snum为子束单元边界点的个数，start＝0，end＝1，即以p(0)为起点，p(1)为终点，由起点和端点，可唯一确定一条线段，该线段上的象素点由Bresenham算法确定，该线段上的象素点依次标记d(0)，d(1)，d(2)......d(num-1)，其中mum为该线段上象素点的个数，d(0)为线段起点，d(num-1)为线段终点， $\mathrm{sum}=\underset{i=0}{\text{\&Sigma;}}\mathrm{GrayLevel}\left(d\left(i\right)\right),$ GrayLevel(d)为该象素点d的灰度值，T_f(b)＝sum/255；

(d)对河流区域的canny边缘做快速Beamlet变换，得到桥梁和海岸线的线信息，利用桥梁的特征进行桥梁检测，包括两个边缘平行、外接形状近似为矩形、矩形的宽为桥梁的宽度、桥梁的宽度小于河流的宽度、桥梁的边缘像素点的邻域像素属于相同的连通区域，即河流连通区域，而海岸线像素点的邻域像素属于不同的连通区域；

(e)将提取出来的桥梁再次进行短线连接，满足同一尺度、同一方向且端点距离小于一定阈值的短信进行连接，得到完整的桥梁图。

2.根据权利要求1所述的从遥感图像中检测桥梁的方法，其特征在于：所述的面积百分比阈值的取值范围根据不同的图像选择0.01％～5％。

Images