CN101634706B - 高分辨率sar图像中桥梁目标的自动检测方法 - Google Patents

Abstract

本发明公开了一种高分辨率SAR图像中水上桥梁的自动检测方法，它涉及SAR图像处理技术领域，主要解决现有方法对背景复杂的图像、桥梁的大小和形状各不相同且灰度值上存在很大差异时不能准确检测桥梁的问题。其实现步骤为：首先采用基于疏散度的方法结合Canny边缘修正提取水域；再根据桥梁与水域的位置关系确定桥梁候选区；然后根据桥梁的几何特性进行直线检测去除伪桥梁区并在桥梁区对桥梁进行定位。该发明能够处理背景复杂的SAR图像，当桥梁的大小和形状各不相同，灰度值上也存在很大差异时，仍然能够有效的检测桥梁，并对桥梁进行精确定位，可用于对桥梁目标的自动检测。

Description

高分辨率SAR图像中桥梁目标的自动检测方法

技术领域

本发明属于图像处理技术领域，涉及SAR图像的目标检测，具体地说是一种高分辨率SAR图像中水上桥梁目标的自动检测方法。该方法可用在高分辨率SAR图像中水上桥梁目标的自动检测中。

背景技术

高分辨率遥感图像中桥梁的自动检测对于地理数据库的更新、自然灾害，如洪水、地震后的灾害评估等具有重要意义。而且桥梁又是一种重要的军事目标，其检测对目标打击、战略计划的制定等有重要意义。

针对不同的图像，例如多极化SAR图像、全色高分辨率遥感图像、多光谱图像，目前已经有学者提出了许多桥梁检测的方法，但是由于这些图像与高分辨率SAR图像特点不同，图像中桥梁表现的特征也不同，所以这些方法不适于高分辨率SAR图像中桥梁的检测。也有学者提出了结合两种图像的桥梁检测方法，例如WU等提出了一种结合SAR图像和光学图像的桥梁检测方法。但是此方法需要同一时间、同一地方、同一分辨率的SAR图像和光学图像，数据源很难获取，不利于推广。

目前提出的高分辨率SAR图像中桥梁目标检测方法有：

侯彪等在文章“高分辨SAR图像中桥梁目标的自动分割”中提出了一种高分辨SAR图像的桥梁目标自动分割方法，采用改进的最大类间方差阈值将图像二值化，然后进行边缘模板后处理，最后采用中轴线搜索算法自动分割带有桥梁目标的区域。该算法只检测出桥梁所在的矩形区域，没有精确的定位桥梁，且分割结果存在较多的伪目标。

戴光照等在文章“高分辨率SAR图像中的桥梁识别方法研究”中提出了一种高分辨SAR图像的桥梁目标自动分割方法，该方法首先采用直方图阈值和经验阈值分割出水域和桥梁区域，然后在去除虚警后的水域和桥梁区域中确定感兴趣区，最后根据桥梁的几何特征去除感兴趣区内的伪目标。该方法当桥梁的灰度值较低时，不能准确的检测目标。

ZHANG等在文章“Fast Detection ofBridges in SAR Images”中提出了一种SAR图像桥梁的快速检测算法，首先通过最大类间方差阈值和后处理分割出河流区域，再检测桥梁和河流的边缘，然后对此边缘进行快速离散Beamlet变换，根据桥梁的几何特征检测桥梁段，最后进行直线连接。该算法的优点是不需要进行滤波，缺点是进行河流分割时，若阈值处理后图像中含有面积较大的伪河流区域，后处理并不能去除这些伪河流区域，导致产生假的桥梁和河流边缘，影响后续的桥梁检测，且形态学处理中结构元素的大小及运算次数难以确定。

综上所述，当图像背景复杂，桥梁大小和形状各不相同，并且灰度值上也存在很大差异时，这些算法不能准确的检测桥梁。

发明内容

本发明的目的在于克服上述已有技术的缺点，提出了一种高分辨率SAR图像中桥梁目标的自动检测方法，以实现对桥梁目标的准确检测。

本发明的技术方案是：整个处理过程分为水域提取和桥梁检测两大部分，首先采用基于疏散度的方法并结合Canny边缘修正提取水域，再根据桥梁与水域的位置关系确定桥梁候选区，然后根据桥梁的几何特性进行直线检测去除伪桥梁区并对桥梁进行定位。其具体步骤包括如下：

(1)采用迭代阈值对原始高分辨率SAR图像进行二值化，得到初始水域提取结果图；

(2)设定尺寸为M×N的二值区块B的疏散度为：

$P\left(B\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}s\left(B\left(i\right)\right)+\underset{j=1}{\overset{N}{\mathrm{\Σ}}}s\left(B\left(j\right)\right)$

其中，B(i)和B(j)分别表示B的第i行和第j列像素点的灰度值组成的序列.s(x)表示二值序列x中0和1之间跃变的次数；

(3)选择初始水域提取结果图中的水域像素点7×7邻域的疏散度作为特征，采用模糊C均值进行重新分类，去掉分类结果图中的小面积水块，填充剩余水块中的孔洞，得到填充孔洞后的结果图；

(4)将初始水域提取结果图分成32×32的子块，采用贝叶斯阈值将图像分为建筑物区和非建筑物区两类，得到分块分类结果；

(5)根据分块分类结果，去掉填充孔洞后的结果图中完全位于建筑物区的水域区块，得到去噪后的水域提取结果图；

(6)对去噪后的水域提取结果图采用Canny边缘修正水域边缘，得到最终的水域提取结果；

(7)在水域提取结果图中利用桥梁与水域的位置关系检测桥梁候选区；

(8)在桥梁候选区内利用Radon变换进行直线检测，去掉伪桥梁区；

(9)去掉桥梁区内的水域像素点，剩余像素点即为桥梁像素点。

本发明由于采用基于疏散度的方法并结合Canny边缘修正提取水域，然后在检测出的桥梁候选区内利用Radon变换进行直线检测，去除伪桥梁区，所以具有如下优点：

(A)、对于背景复杂的高分辨SAR图像可以有效的检测桥梁。

(B)、当桥梁的大小和形状各不相同，灰度值上也存在很大差异时，本发明仍然能够有效的检测桥梁，并对桥梁进行精确定位。

实验证明，本发明对高分辨SAR图像可以准确的检测桥梁，并对桥梁进行精确定位。

附图说明

图1是本发明的整体实现流程图；

图2是本发明的去除初始水域提取结果中噪声点的流程图；

图3是本发明对桥梁大致定位的示意图；

图4是原始SAR图像；

图5是本发明实验得到的水域提取结果图；

图6是本发明实验得到的桥梁检测结果图；

图7是本发明实验中使用的人工标记桥梁检测示意图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，采用迭代阈值对输入图像进行水域和非水域的初始分割。

由于水在微波波段的反射率很低，所以雷达接受到的回波信号强度非常弱，使得SAR图像中水域的灰度值一般比其它物体低，呈现出较暗的匀质区域。本发明采用改进的迭代阈值将图像分为水域和非水域两类，得到初始水域提取结果图。改进迭代阈值是原始的迭代阈值平移一个参数得到的，其计算公式为：

T₀＝T-K

其中，T是迭代阈值，K是阈值平移参数。本发明中设置K＝0.15，这样可以使提取的水域较完整且杂点较少。

步骤2，采用基于疏散度的特征去除初始水域提取结果图中的噪声点。

由于建筑物阴影的灰度值与水域灰度值相当，故依据灰度阈值分割方法建筑物阴影也会被错分为水域，导致初始水域提取结果中存在很多噪声。为了去除这些噪声，本发明提出了一种衡量二值图像的局部区域灰度值相同的像素点聚集程度的特征——疏散度(porosity)，具体计算二值图像局部区域内各个行和列像素值为0和1的变化次数之和，这里假设二值图像的灰度值为0或者1。对于像素大小为M×N的二值区块B，其疏散度计算公式如下：

$P\left(B\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}s\left(B\left(i\right)\right)+\underset{j=1}{\overset{N}{\mathrm{\Σ}}}s\left(B\left(j\right)\right)$

其中，B(i)和B(j)分别表示B的第i行和第j列像素点的灰度值组成的序列，s(x)表示二值序列x中0和1之间跃变的次数。由此公式可知，疏散度小意味着二值区块中灰度值相同的像素点相互聚集，则该图像区块存在较少孔洞，整体较平滑；反之，疏散度大意味着灰度值相同的像素点相互交隔，则该图像区块存在较多孔洞，整体较粗糙。当图像区块的像素值全为0或全为1时，疏散度取得极小值0；当图像区块的像素值为0和1像素点交替出现时，疏散度取得极大值(N-1)×M+(M-1)×N。

采用基于疏散度的特征去除初始水域提取结果图中的噪声点的步骤，参照图2描述如下：

(2a)选择初始水域提取结果图中的水域像素点7×7邻域的疏散度作为特征，采用模糊C均值进行重新分类，去掉分类结果图中的小面积水块，填充剩余水块中的孔洞，得到填充孔洞后的结果图。

为了去除初始水域提取结果中的噪声点，本发明对其中的水域像素点进行水域和非水域的再分类，选取的特征为以该像素点为中心的大小为7×7像素的邻域内的疏散度，即以每个水域像素点为中心的7×7邻域作为一个二值区块，计算其疏散度。由于噪声在初始分割后的二值图像上表现为多孔白块，而真实水域则表现为较大面积的少孔白块，所以真实水域像素点邻域内的疏散度相对噪声像素点邻域内的疏散度较小，故采用模糊C均值可将其分为水域和非水域两类。由于小面积的水块是噪声而不是真实水块，所以将模糊C均值分类结果中面积小于一定阈值的水块去除。若阈值取的过大，将造成真实水块的丢失，太小则会保留一些噪声。考虑到本发明处理的是高分辨SAR图像，这里面积阈值取为200。然后填充剩余水块中的孔洞。

(2b)将初始水域提取结果图分成32×32的子块，采用贝叶斯阈值将图像分为建筑物区和非建筑物区两类，得到分块分类结果。

填充孔洞后的图像中仍可能存在噪声，这些噪声是建筑物的阴影，为了去除这些阴影，我们将初始的水域提取结果图分成大小为32×32的子块，并计算各块的疏散度。假设建筑物区和非建筑物区的疏散度均满足高斯分布，采用EM算法估计两者的概率密度函数；假设各块的疏散度相互独立，根据贝叶斯最小误差理论得到最优阈值，将图像分为建筑物区和非建筑物区两类。

(2c)去除填充孔洞后的图像中完全位于建筑物区的水块；具体操作如下：逐个考虑填充孔洞后的图像中的水块，若此水块所有像素点均位于建筑物区，则认为此区块是噪声，将其删除得到去噪后的水域提取结果。

步骤3，对去噪后的水域提取结果图采用Canny算子修正水域边缘。

去噪后的水域提取结果图中水域边缘效果较差，不利于后续的桥梁检测。为了改善边缘效果，本发明提出了两种Canny边缘修正方法：

第一种边缘修正方法按如下步骤执行：

(3a1)对初始分割结果图采用Canny算子提取图像的Canny边缘；

(3a2)将去噪后的水域提取结果图与得到的Canny边缘叠加，即两者进行或操作；

(3a3)将与去噪后的水域提取结果图中的水域不连通的Canny边缘去除；

(3a4)填充水块中的孔洞。

第二种边缘修正方法按如下步骤执行：

(3b1)保留初始分割结果中与去噪后的水域提取结果有公共部分的水块，去除其它水块得到公共水域图B_s；

(3b2)对公共水域图B_s采用Canny算子提取图像的Canny边缘；

(3b3)将去噪后的水域提取结果图与得到的Canny边缘叠加，即两者进行或操作；

(3b4)填充水块中的孔洞。

为了更加准确的提取水域，本发明综合两方法的结果，若二者均认为是水域的像素点才判断为水域，即将两者的结果进行与操作。

此时得到的二值图像可能包含一些非水域区块和与水域连通的单线边缘，对桥梁的检测造成干扰，所以需要进行一些后处理。本发明先采用中值滤波去除单线边缘，然后去除中值滤波后的结果中与去噪后的水域提取结果图中的水域无公共点的水块，得到最终的水域提取结果。经过Canny边缘修正，水域边缘效果得到明显改善，大大降低了水域的漏检率，有利于后续的桥梁检测。

步骤4，根据桥梁与水域的位置关系确定桥梁候选区。

由于桥梁是位于两水块之间的长条状的物体，所以本发明采用如下步骤确定桥梁候选区：

(4a)对提取的水域进行连通区域标记，这里选取的是八连通区域标记，对属于相同连通区域的水域像素点给予相同的标号，属于不同连通区域的水域像素点给与不同的标号，假设水块个数为N，则水块分别被标记为1，…，N，然后提取水域边缘，边缘点的标号与其所属的水块的标号相同；

(4b)按标号顺序依次考察每个水块，假设当前水块标号为i，考虑此水块的所有边缘点，若其15×15像素的邻域内存在其他水块的边缘点即标号不为i的边缘点，则将这些水块的标号记录下来，执行步骤(4c)和(4d)，若此水块的所有边缘点的15×15像素的邻域内都不存在其他水块的边缘点则考察下一水块；

(4c)假设(4b)中记录的水块标号为l₁，l₂，...，l_k，1≤k≤N-1，考虑标号为i的所有边缘点，若其15×15像素的邻域内存在标号为l₁的边缘点，则将这些标号为i和标号为l₁的边缘点坐标分别存入两个数组，形成具有可能桥梁关系的边缘点对，然后对l₂，...，l_k执行类似的操作；

(4d)根据记录的边缘点对的坐标的最大值、最小值确定矩形桥梁候选区，这里的矩形桥梁候选区是一些尺寸不同的二值图像，其中具有可能桥梁关系的边缘点对的灰度值为1，其它像素点的灰度值为0。

步骤5，对桥梁候选区进行直线检测，去除伪桥梁区。

此时检测出的桥梁候选区置信度相对较低，包含桥梁区和伪桥梁区，必须利用桥梁的特征对桥梁候选区作进一步分析，验证其是否确实含有与桥梁模型相匹配的目标。本发明根据桥梁的几何特性，即桥梁是窄的、边缘近似为直线的物体，利用Radon变换在桥梁候选区内进行直线检测去除伪桥梁区。

利用Radon变换在桥梁候选区内对进行直线检测的具体操作如下：在桥梁候选区内对两水块的边缘点分别采用Radon变换检测是否存在直线，若检测出两者均存在直线，则认为桥梁候选区为桥梁区，否则认为是伪桥梁区，将其去除。采用Radon变换检测是否存在直线按如下步骤执行：首先进行Radon变换，角度变化范围是0～2π，得到Radon变换矩阵R；然后判断R中的最大值是否大于一定的阈值RTH，若大于阈值则存在直线，否则不存在直线；这里阈值RTH设置为3000。

步骤6，在桥梁区对桥梁进行定位。

在桥梁区内对两水块的边缘点分别采用Radon变换检测直线并计算直线的参数：首先进行Radon变换，角度变化范围是0～2π，得到Radon变换矩阵R；然后根据R中的最大值的坐标计算直线的各种参数，假设对两水块的边缘点检测到的直线分别是L₁和L₂。

在桥梁区内分别从两水块的边缘点中找出与对应直线距离小于4个像素的边缘点，记录这些边缘点中距离最大的两点，假设记录的点为P₁、P₂、Q₁、Q₂。根据记录的4个点的几何位置关系确定一个不规则的凸四边形区域，完成对桥梁的大致定位，其示意图如图3。

通过以上步骤得到的不规则的凸四边形区域包含桥梁像素点和水域像素点，根据水域提取结果去除此四边形区域内的水域像素点，剩余像素点即为桥梁像素点，至此完成桥梁的精确定位。

本发明的效果可以通过仿真实验具体说明：

1.实验条件

实验所用微机CPU为Intel Pentium4 3.0GHz内存1GB，编程平台是Matlab 7.0.1。实验中采用的图像数据为华盛顿地区分辨率为1m的KU波段SAR图像，大小为1984×800，图像来自美国sandia国家实验室的网站。

2.实验内容

本实验分为水域提取和桥梁检测两步：

首先采用迭代阈值对原始SAR图像进行分割，得到初始的水域提取结果图，再去除初始水域提取结果图中的噪声点，得到去噪后的水域提取结果图，然后经过Canny边缘修正后得到最终的水域提取结果。

得到最终的水域分割结果后，先根据桥梁与水域的位置关系确定桥梁候选区，然后根据桥梁的几何特性利用Radon进行直线检测去除伪桥梁区，最后对桥梁进行定位，并标记出检测到的桥梁。

通过比较人工标记的桥梁检测参考图和实验得到的桥梁检测结果图，来评价本发明的效果。

3.实验结果

图4是原始SAR图像，图5是最终的水域提取结果，其中提取水域为白色，图6是桥梁检测结果，其中桥梁像素点标记为白色，图7实验中使用的人工标记的桥梁检测示意图。

从图4可以看出，图像背景复杂，桥梁的大小和形状各不相同且灰度值上也存在很大差异。通过比较图6和图7可以看出，图7中标记的所有桥梁都被检测出来，两座弱灰度特征的桥梁即标号为13、15的桥梁，和两座形状不是矩形或者平行四边形的桥梁即标号为7、14的桥梁都被检测出来。

Claims (6)

1.高分辨率SAR图像中桥梁目标的自动检测方法，包括如下步骤：

(1)采用迭代阈值对原始高分辨率SAR图像进行二值化，得到初始水域提取结果图；

(2)设定尺寸为M×N的二值区块B的疏散度为：

$P\left(B\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}s\left(B\left(i\right)\right)+\underset{j=1}{\overset{N}{\mathrm{\Σ}}}s\left(B\left(j\right)\right)$

其中，B(i)和B(j)分别表示B的第i行和第j列像素点的灰度值组成的序列，s(x)表示二值序列x中0和1之间跃变的次数；

(3)选择初始水域提取结果图中的水域像素点7×7邻域的疏散度作为特征，采用模糊C均值进行重新分类，去掉分类结果图中的小面积水块，填充剩余水块中的孔洞，得到填充孔洞后的结果图；

(4)将初始水域提取结果图分成32×32的子块，采用贝叶斯阈值将图像分为建筑物区和非建筑物区两类，得到分块分类结果；

(5)根据分块分类结果，去掉填充孔洞后的结果图中完全位于建筑物区的水域区块，得到去噪后的水域提取结果图；

(6)对去噪后的水域提取结果图采用Canny边缘修正水域边缘，得到最终的水域提取结果；

(7)在水域提取结果图中利用桥梁与水域的位置关系检测桥梁候选区；

(8)在桥梁候选区内利用Radon变换进行直线检测，去掉伪桥梁区；

(9)去掉桥梁区内的水域像素点，剩余像素点即为桥梁像素点。

2.根据权利要求1所述的高分辨率SAR图像中桥梁目标的自动检测方法，其中步骤(1)所述的迭代阈值是在原始的迭代阈值T中剔除阈值平移参数K，得到改进后的迭代阈值T₀：

T₀＝T-K

其中，K根据实验设置为K＝0.15。

3.根据权利要求1所述的高分辨率SAR图像中桥梁目标的自动检测方法，其中步骤(6)所述的对去噪后的水域提取结果图采用Canny边缘修正水域边缘，按如下步骤进行：

(3a)对初始水域提取结果图提取Canny边缘，将去噪后的水域提取结果图与得到的Canny边缘叠加，将叠加结果中与去噪后的水域提取结果图中的水域不连通的Canny边缘去掉，填充水块中的孔洞；

(3b)保留初始水域提取结果图中与去噪后的水域提取结果图有公共部分的水块，去掉其它水块得到公共水域图B_S，对公共水域图B_S提取Canny边缘，将去噪后的水域提取结果图与得到的Canny边缘叠加，填充水块中的孔洞；

(3c)分别进行上述步骤(3a)和步骤(3b)操作，取两者结果的与操作得到最终的水域提取结果图。

4.根据权利要求1所述的高分辨率SAR图像中桥梁目标的自动检测方法，其中步骤(7)所述的在最终的水域提取结果图中利用桥梁与水域的位置关系检测桥梁候选区，按如下操作进行：

首先，对水域进行八连通区域标记，对属于相同连通区域的像素给予相同的标号，属于不同连通区域的像素给与不同的标号；

然后，提取水域边缘，并按标号顺序逐个水块考虑其边缘点，若此水块边缘点15×15邻域内存在其他的水块边缘点，则将这两个水块边缘点的坐标分别记录下来，形成具有可能桥梁关系的边缘点对；

最后，根据这些边缘点对的坐标的最大值、最小值确定矩形桥梁候选区。

5.根据权利要求1所述的高分辨率SAR图像中桥梁目标的自动检测方法，其中步骤(8)所述的在桥梁候选区内利用Radon变换进行直线检测，去掉伪桥梁区，是在矩形桥梁候选区内对两个水块的边缘点分别采用Radon变换检测直线，若检测出二者均存在直线，则认为桥梁候选区为桥梁区，否则认为是伪桥梁区，将其去掉。

6.根据权利要求1所述的高分辨率SAR图像中桥梁目标的自动检测方法，其中步骤(9)所述的去掉桥梁区内的水域像素点是在桥梁区找出两水块的边缘点中分别位于对应直线上的点，记录这些点中距离最大的两点，根据记录的4个点的几何位置关系确定一个不规则的凸四边形区域，去掉凸四边形中的水域像素点。

Images