CN102750703A - 一种基于直线分割的遥感图像机场自动检测方法 - Google Patents
一种基于直线分割的遥感图像机场自动检测方法 Download PDFInfo
- Publication number
- CN102750703A CN102750703A CN2012102168154A CN201210216815A CN102750703A CN 102750703 A CN102750703 A CN 102750703A CN 2012102168154 A CN2012102168154 A CN 2012102168154A CN 201210216815 A CN201210216815 A CN 201210216815A CN 102750703 A CN102750703 A CN 102750703A
- Authority
- CN
- China
- Prior art keywords
- straight
- line segment
- remote sensing
- airport
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 241001212149 Cathetus Species 0.000 claims description 6
- 244000188472 Ilex paraguariensis Species 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种基于直线分割的遥感图像机场自动检测方法,有五大步骤:一、计算机在MATLABR2008b环境下读取数据;二、对遥感图像进行降采样和图像增强预处理;三、基于LSD的方法,对处理后的遥感图像进行直线段检测;四、由于机场的直线特性,对于斜率差小于一定的阈值,且在同一平行线范围的直线段进行连接;五、提取机场区域,选取直线段中较长的直线10条,分别搜索这些线段周围的直线,直线域大的即为机场区域。本发明利用LSD的方法进行机场检测,传统的边缘检测方法,克服了传统方法检测时间长和检测率小的缺点,从而达到了效率高的效果。本发明实现了遥感图像的快速高效机场检测,在遥感图像领域里具有实用价值和广阔的应用前景。
Description
(一)技术领域:
本发明涉及一种基于直线分割检测(LSD)遥感图像机场自动检测方法,属于遥感图像应用技术领域。
(二)背景技术:
近些年来,遥感图像处理技术凭借可获取大范围数据资料,速度快、周期短,获取的信息受条件限制少、手段多、信息量大等特点,己经被广泛应用于军事领域。纵观世界上所发生的各个局部战争,我们不难发现,高技术条件下的信息化战争已经逐渐取代传统的机械化战争,信息技术制胜的时代己经来临,精确制导武器己成为信息化战争中重要的攻击武器,在战争中发挥了关键作用。此外,机场识别技术运用到民用飞机导航方面,它与传统的方法相比具有主动性强、抗干扰能力强等特点,对方飞机自动导航和安全着陆会有更大的帮助。综上所述,我们可以看出,无论是从军事方面还是民用方面,本发明具有重要的实际意义。
在机场检测的过程中,最有利用价值的就是跑道的特征。目前国内外的研究人员一般也都是将跑道的存在作为检测和识别机场的最重要的依据。在一幅含有机场的遥感图像中,机场中的直线表现的尤为突出。其通用做法是在遥感图像上利用跑道的灰度特征进行图像分割,再根据跑道的灰度特性和几何特性,建立跑道通用模型,增加判断规则,将跑道比较完整的提取出来。然后,根据提取出的跑道来确定机场的存在性。在通过对大量的实际图像进行分析,为了提高目标的自动化程度及识别的准确率,决定在机场检测中尽量减少对跑道的灰度特征的依赖,更多利用跑道的形状特征,形状特征受光照、噪声、不同时相等影响要比灰度特征小的多。
一般地,遥感图像机场自动检测可以分为三个步骤:(1)对输入的遥感图像进行降采样和图像增强预处理,如采用直方图均值化,增加对比度;(2)通过边缘检测算子,如Canndy算子,Sobel算子等,进行边缘检测。边缘检测主要提取出灰度图中对比度比较大的边缘。(3)通过变换检测直线,分析机场的特征,利用机场中大量的直线特征作为其存在的主要依据。通常采用Hough变化检测直线,由于含有机场的遥感图像中,机场的直线比较明显,而且对比度大。一般用Hough检测到直线在机场区域,然后根据直线的位置圈出机场的区域。目前对于机场检测方法中,还有用支持向量机的模板匹配方法,基于sift的特种匹配方法等。
由于我们的发明是基于直线分割检测(LSD)的基础上的,现在对其作简要的介绍:
直线分割检测(LSD)区别于传统的直线检测,它将梯度与统计学理论结合起来,根据灰度图像检测直线,该方法不仅能够给出精确的结果,而且对参数选择有很好的自适应性。相比于传统的边缘检测,LSD方法将Burn方法和Desolneux方法有效的结合起来,该方法分为三部分:(1)将图像分割为直线支持域,这些直线支持域有相同梯度方向并且由联通的区域组成。(2)找出能够逼近直线支持域的矩形。(3)利用统计的方法,并以直线支持域的信息为基础,判断直线段。
选择直线支持域,其中在梯度的定义过程中,采用2×2的模板,即
其中i表示图像,x,y表示图像坐标。
从每一个没有被标记的像素点开始遍历,在周围的领域中含有相同梯度角的像素进入该支持域,且梯度角随着区域的不断增加而变化,即
其中ang表示像素的梯度角。基于每个像素点的梯度大小,利用矩形区域去逼近直线支持域。对于直线域的定位,不同于以往的定位方法,该方法采用梯度大小的定位方式,即梯度值大的表示权值高,位于中心的概率就越大。同时在矩形域中会存在密度较小的情况,对该情况采用两种方法进行处理:(1)减小角度的阈值;(2)减小区域半径。
在确定的矩形域中,判断是否为有效的直线段,采用contrario模型和Helmholtz准则,即在contrario的模型中,结构事件发生的平均概率很小的话,判断该事件为直线段:
其中I为示性函数,E为数学期望,R为矩形集,γ为不同均匀密度的个数,r为矩形集中的矩阵,NFA为错误率,H0为直线区域的随机模型,它满足:
(1){LLA(j)}j∈Pixels由独立的随机变量组成;
τ为设定的阈值,其中LLA(j)为在像素j的梯度角。
定义错误率数量(number of false alarms,NFA)
NFA(r,i)=(NM)5/2γ·B(n(r),k(r,i),p)
M,N分别为矩形的长和宽,γ为不同均匀密度的个数,i为第i副图像,j为第j个像素,r为第r个矩阵,ε表示阈值,B(n,k,p)为二项式,n为矩形框中像素数,k为矩形框中满足一定梯度角像素个数,p为均匀分布概率。
以往的直线检测一般采用阈值的方法判断直线,在LSD中创造性的利用Desolneux方法。在随机模型H0中,如果一个矩形的NFA值较大,说明该模型在H0中出现。如果NFA小于阈值ε,则该矩形在随机模型H0中发生的概率小,即为有意义的矩形区域。
我们的发明方法是基于LSD对遥感图像中机场区域进行检测,由于机场区域中直线较明显,且直线域密度大,故采用LSD的方法能够有效的检测机场。
(三)发明内容:
1、目的:本发明的目的是提供一种基于直线分割的遥感图像自动机场检测方法,此方法能够对遥感图像中的机场进行检测,不仅时间短而且效率高;利用LSD快速检测直线,依据机场的特性对直线域中密度大的区域进行聚类,从而实现及场地区域的快速检测。
2、技术方案:本发明是通过以下技术方案实现的:
本发明一种基于直线分割的遥感图像自动机场检测方法,该方法具体步骤如下:
步骤一:用计算机读取数据:计算机在MATLAB R2010a环境下读取遥感图像,图像大小为12000*12000,图像分辨为1米,含有RGB三个波段。将遥感图像读入计算机,得到的图像数据为12000*12000*3。
步骤二:降采样和图像增强预处理。得到遥感图像数据后,由于图像过大,不仅运行程序时间长,而且机场检测的效率低,故进行降采样处理,本发明对遥感图像降10倍处理,将处理后的图像转化为灰度图像。为了增加机场的对比度,进行图像的灰度变换(调节灰度图像的亮度或彩色图像的颜色矩阵),即J=imadjust(I),将灰度图像I中的亮度值映射到J中的新值,增加了输出图像J的对比度值。
步骤三:基于LSD的方法,对处理后的遥感图像进行直线段检测。具体步骤如下
(1)基于高斯子采样的方式将输入的灰度图像大小减小到原始图像尺寸的80%;
(2)计算图像上每个像素的梯度大小和梯度方向;
(3)基于梯度大小进行排序;
(4)辅助矩阵STATUS用于标记像素被使用状态,初始化像素为NOT USED;
(5)对于梯度大于ρ的像素在STATUS的矩阵中标记为USED;
(6)以梯度最大的像素点P开始检测直线段,并且标记该状态为NOT USED:
1)以P作为种子像素点,开始区域生长。在像素P点连接,与像素P梯度角小于一定阈值的像素进入生长区域,且标记为USED;
2)用矩形框逼近法覆盖生长域中被标记的像素;
3)如果在矩形框中匹配的像素点的密度小于阈值D(D=70%),则对该矩形框进行处理:
①减小角度阈值;
②减小区域半径。
4)计算矩形框中NFA的值;
5)改进矩形框,减小NFA的值;
6)如果错误率(NFA(r)≤ε),则将矩形框增加到输出列。其中:
NFA(r,i)=(NM)5/2γ·B(n(r),k(r,i),p)
其中M,N分别为矩形的长和宽,γ为不同均匀密度的个数,i为第i副图像,j为第j个像素,r为第r个矩阵,ε表示阈值,B(n,k,p)为二项式,n为矩形框中像素数,k为矩形框中满足一定梯度角像素个数,p为均匀分布概率。
LSD的方法被看作自动的直线检测工具,因为他不需要参数的调整。而对于影响算法的参数能够使用于所有的图像,而且这些参数属于内参,无需使用者的选择。
步骤四:连接直线段,经过LSD方法处理后的图像,含有很多直线段,且机场区域的直线段较为集中,为了能够选取较长直线段作为被选目标,故对含有某些特征的直线段进行连接。这些特性表现为:
(1)直线斜率角小于ε阈值;
(2)在距离直线段的2ε平面域内;
(3)直线段的中心距离在一定的τ范围内。
判断直线段是否在该平面域内,首先在满足(1)的条件下,得到近乎相同斜率的直线段,对这些直线段进行聚类判断,将直线段距离小于ε的聚为一类;然后将满足(3)条件直线段连在一起,即为新得到的直线段。对这些新得到的直线段依长度进行排序处理,并选取排在前十位的直线段。
步骤五:检测机场并提取机场区域。由于机场中直线密度比较大,依据这样的特性,对于选取的直线段进行一一判别。判别过程如下:
(1)以此选取直线段L1,长度即为d1;
(2)在该直线的周围,且与该直线含有相同斜率或小于一定阈值范围内的直线段L2,长度即为d2。对于满足这些条件的直线段,进行长度累加,即为D=d1+d2+…
(3)记录这些直线域总长度。
(4)总长度最长的即为机场区域。
在记录的直线域过程中,每个直线段坐标被记录下来,当选取top10中某个直线段(该直线段的直线域总长度最长),这些是直线段的几何中心即为机场区域的中心。根据统计,机场的面积约为3000*3000平方米,对于分辨率为1米的遥感图像,选取3000*3000大小的区域即为机场区域。由于遥感图像降采样十倍后,机场的大小也相应的减少十倍,故对于降采样后的图像用300*300的矩形框标记。由于世界各地的机场大小规模不尽相同,对矩形框标记的图像进行后期处理,在选取直线域中,被选中的直选段的端点,如果没有在矩形框中,则以与中心点最远的端点为边界点重新画矩形域。经过后期处理后即检测到的遥感图像的机场区域。
3、优点及功效:本发明的优点是,它利用LSD的方法,能够实现图像中直线段的检测。在检测直线方法过程中,它区别于传统的直线检测方法,它将统计的原理应用到直线检测中。在计算过程中,弥补了以往的机场检测方法中消耗时间长,检测率低的情况,本发明在检测直线过程中消耗时间短。在检测过程中本发明基于遥感图像中机场的区域特点,并且将含有相同特性的直线段连接起来,这样增加了机场检测的效率。根据机场区域中直线段密度大的显著特点,能够准确的检测机场。
(四)附图说明:
图1本发明所述方法流程图
图2基于LSD的遥感图像直线段检测图
图3基于LSD的遥感图像直线段连接图
图4基于LSD的遥感图像直线段中top10直线段
图5遥感图像机场自动检测结果
实验中所用到的图像来源于个GoogleEarth,其大小为12000*12000,分辨率为1米。机场类型包含军用机场和民用机场,机场所在地平原,草地,麦田,郊区,海边等区域。其中遥感图像中除了包含机场区域,还有更多复杂的信息,比如海边,麦田,道路,河流等都会含有明显的直线域,都会影响到机场的检测。实验所用的遥感图像包含机场,麦田,道路,房屋等区域。经过LSD的直线段检测,进行直线的后期处理,即可得到检测到的机场区域(如图5)
(五)具体实施方式:
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述:
本发明在MATLAB R2010a语言环境下实现。计算机读取遥感图像数据后,获取的是数据立方体。其计算机配置采用:Intel(R)Core(TM)2Duo CPU E73002.66GHz。
见图1,本发明一种基于直线分割的遥感图像自动机场检测方法,该方法包括如下步骤:
步骤一:用计算机读取数据:计算机在MATLAB R2010a环境下读取遥感图像,图像大小为12000*12000,图像分辨为1米,含有RGB三个波段。将遥感图像读入计算机,得到的图像数据为12000*12000*3。
步骤二:降采样和图像增强预处理。得到遥感图像数据后,由于图像过大,不仅运行程序时间长,而且机场检测的效率低,故进行降采样处理,本发明对遥感图像降10倍处理,将处理后的图像转化为灰度图像。为了增加机场的对比度,进行图像的灰度变换(调节灰度图像的亮度或彩色图像的颜色矩阵),即J=imadjust(I),将灰度图像I中的亮度值映射到J中的新值,增加了输出图像J的对比度值。图像对比度的增强能够更好的将边缘区域显示出来。
步骤三:基于LSD的方法,对处理后的遥感图像进行直线段检测。具体步骤如下
(1)基于高斯子采样的方式将输入的灰度图像大小减小到原始图像尺寸的80%;
(2)计算图像上每个像素的梯度大小和梯度方向;
(3)基于梯度大小进行排序;
(4)辅助矩阵STATUS用于标记像素被使用状态,初始化像素为NOT USED;
(5)对于梯度大于ρ的像素在STATUS的矩阵中标记为USED;
(6)以梯度最大的像素点P开始检测直线段,并且标记该状态为NOT USED:
1)以P作为种子像素点,开始区域生长。在像素P点连接,与像素P梯度角小于一定阈值的像素进入生长区域,且标记为USED;
2)用矩形框逼近法覆盖生长域中被标记的像素;
3)如果在矩形框中匹配的像素点的密度小于阈值D(D=70%),则对该矩形框进行处理:
①减小角度阈值;
②减小区域半径。
4)计算矩形框中NFA的值;
5)改进矩形框,减小NFA的值;
6)如果错误率(NFA(r)≤ε),则将矩形框增加到输出列。
NFA(r,i)=(NM)5/2γ·B(n(r),k(r,i),p)
其中M,N分别为矩形的长和宽,γ为不同均匀密度的个数,i为第i副图像,j为第j个像素,r为第r个矩阵,ε表示阈值,B(n,k,p)为二项式,n为矩形框中像素数,k为矩形框中满足一定梯度角像素个数,p为均匀分布概率。
LSD的方法被看做为自动的直线检测工具,因为它不需要参数的调整。而对于影响算法的参数能够使用于所有的图像,而且这些参数属于内参,无需使用者的选择。通过LSD的直线检测如图2所示,被检测到的直线段集中在机场区域。从图中可以看出LSD的直线检测对于边缘能够达到很好的效果。
步骤四:连接直线段,经过LSD方法处理后的图像,含有很多直线段,且机场区域的直线段较为集中,为了能够选取较长直线段作为被选目标,故对含有某些特征的直线段进行连接。这些特性表现为:
(4)直线斜率角小于ε阈值;
(5)在距离直线段的2ε平面域内;
(6)直线段的中心距离在一定的τ范围内。
判断直线段是否在该平面域内,首先在满足(1)的条件下,得到近乎相同斜率的直线段,对这些直线段进行聚类判断,将直线段距离小于ε的聚为一类;然后将满足(3)条件直线段连在一起,即为新得到的直线段。如图3所示为连接后的直线段图像,这些连接后的直线段能更好的表示机场区域,且他们这些直线段表现出平行的特性,对这些新得到的直线段依长度进行排序处理,并选取排在前十位的直线段。如图4所示选取top10的直线段,从图中可以看出机场区域中的直线段密度较大。
步骤五:检测机场并提取机场区域。由于机场中直线密度比较大,依据这样的特性,对于选取的直线段进行一一判别。判别过程如下:
(5)以此选取直线段L1,长度即为d1;
(6)在该直线的周围,且与该直线含有相同斜率或小于一定阈值范围内的直线段L2,长
度即为d2。对于满足这些条件的直线段,进行长度累加,即为D=d1+d2+…
(7)记录这些直线域总长度。
(8)总长度最长的即为机场区域。
在记录的直线域过程中,每个直线段坐标被记录下来,当选取top10中某个直线段(该直线段的直线域总长度最长),这些是直线段的几何中心即为机场区域的中心。根据统计,机场的面积约为3000*3000平方米,对于分辨率为1米的遥感图像,选取3000*3000大小的区域即为机场区域。由于遥感图像降采样十倍后,机场的大小也相应的减少十倍,故对于降采样后的图像用300*300的矩形框标记。由于世界各地的机场大小规模不尽相同,对矩形框标记的图像进行后期处理,在选取直线域中,被选中的直选段的端点,如果没有在矩形框中,则以与中心点最远的端点为边界点重新画矩形域。经过后期处理后即检测到的遥感图像的机场区域。如图5所示基于LSD检测到的机场区域。
实验结果:为了验证本发明的方法——基于LSD有效性,我们选取了50副遥感图像(包含20副民用机场和30副军用机场)数据进行实验,这些数据分辨率都在1米以上,大小为12000*12000,通过降采样、图像增强预处理,然后进行LAD边缘检测如图2所示,本方法能够有效的检测机场的中的直线,为了增加识别率,根据机场区域的特性,即直线域中直线密度比较集大,如图3所示,选取直线较长的直线段作为备选区域,如图4,最后检测到机场集中直线域中,如图5所示。在下列表1中,LSD能够说明本发明检测遥感图像机场精确性和高效性,与传统的边缘检测相比,在时间上和检测率上都有了很大的提高,在表1中,分别在时间上和检测率上将LSD和传统的方法进行比较,如下表示所示
表1本发明使用LSD的遥感图像机场自动检测
方法 | 检测率 | 时间(s) |
边缘检测 | 82% | 111.0s |
LSD | 94% | 15.2s |
从实验结果可以看出,本发明对遥感图像机场自动检测取得较好的效果,它在遥感图像检测领域里具有实用价值和广阔的应用前景。
Claims (1)
1.一种基于直线分割的遥感图像机场自动检测方法,其特征在于:该方法具体步骤如下:
步骤一:用计算机读取数据:计算机在MATLAB R2010a环境下读取遥感图像,图像大小为12000*12000,图像分辨为1米,含有RGB三个波段,将遥感图像读入计算机,得到的图像数据为12000*12000*3;
步骤二:降采样和图像增强预处理:得到遥感图像数据后,由于图像过大,不仅运行程序时间长,而且机场检测的效率低,故进行降采样处理;对遥感图像降10倍处理,将处理后的图像转化为灰度图像,为了增加机场的对比度,进行图像的灰度变换即调节灰度图像的亮度或彩色图像的颜色矩阵,即J=imadjust(I),将灰度图像I中的亮度值映射到J中的新值,增加了输出图像J的对比度值;
步骤三:基于LSD的方法,对处理后的遥感图像进行直线段检测:具体步骤如下
(1)基于高斯子采样的方式将输入的灰度图像大小减小到原始图像尺寸的80%;
(2)计算图像上每个像素的梯度大小和梯度方向;
(3)基于梯度大小进行排序;
(4)辅助矩阵STATUS用于标记像素被使用状态,初始化像素为NOT USED;
(5)对于梯度大于ρ的像素在STATUS的矩阵中标记为USED;
(6)以梯度最大的像素点P开始检测直线段,并且标记该状态为NOT USED:
1)以P作为种子像素点,开始区域生长,在像素P点连接,与像素P梯度角小于预定阈值的像素进入生长区域,且标记为USED;
2)用矩形框逼近法覆盖生长域中被标记的像素;
3)如果在矩形框中匹配的像素点的密度小于阈值D,D=70%,则对该矩形框进行处理:
①减小角度阈值;
②减小区域半径;
4)计算矩形框中NFA的值;
5)改进矩形框,减小NFA的值;
6)如果错误率NFA(r)≤ε,则将矩形框增加到输出列;其中:
NFA(r,i)=(NM)5/2γ·B(n(r),k(r,i),p)
其中,M,N分别为矩形的长和宽,γ为不同均匀密度的个数,i为第i副图像,j为第j个像素,r为第r个矩阵,ε表示阈值,B(n,k,p)为二项式,n为矩形框中像素数,k为矩形框中满足一定梯度角像素个数,p为均匀分布概率;
LSD的方法被看作自动的直线检测工具,因为它不需要参数的调整;而对于影响算法的参数能够使用于所有的图像,而且这些参数属于内参,无需使用者的选择;
步骤四:连接直线段,经过LSD方法处理后的图像,含有很多直线段,且机场区域的直线段较为集中,为了能够选取较长直线段作为被选目标,故对含有某些特征的直线段进行连接;这些特性表现为:
(1)直线斜率角小于ε阈值;
(2)在距离直线段的2ε平面域内;
(3)直线段的中心距离在一定的τ范围内;
判断直线段是否在该平面域内,首先在满足(1)的条件下,得到近乎相同斜率的直线段,对这些直线段进行聚类判断,将直线段距离小于ε的聚为一类;然后将满足(3)条件直线段连在一起,即为新得到的直线段,对这些新得到的直线段依长度进行排序处理,并选取排在前十位的直线段;
步骤五:检测机场并提取机场区域:由于机场中直线密度比较大,依据这样的特性,对于选取的直线段进行一一判别;判别过程如下:
(1)以此选取直线段L1,长度即为d1;
(2)在该直线的周围,且与该直线含有相同斜率或小于预定阈值范围内的直线段L2,长度即为d2;对于满足这些条件的直线段,进行长度累加,即为D=d1+d2+…
(3)记录这些直线域总长度;
(4)总长度最长的即为机场区域;
在记录的直线域过程中,每个直线段坐标被记录下来,当选取top10中某个直线段,该直线段的直线域总长度最长,这些是直线段的几何中心即为机场区域的中心;根据统计,机场的面积约为3000*3000平方米,对于分辨率为1米的遥感图像,选取3000*3000大小的区域即为机场区域;由于遥感图像降采样十倍后,机场的大小也相应的减少十倍,故对于降采样后的图像用300*300的矩形框标记;由于世界各地的机场大小规模不尽相同,对矩形框标记的图像进行后期处理,在选取直线域中,被选中的直选段的端点,如果没有在矩形框中,则以与中心点最远的端点为边界点重新画矩形域,经过后期处理后即检测到的遥感图像的机场区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210216815.4A CN102750703B (zh) | 2012-06-27 | 2012-06-27 | 一种基于直线分割的遥感图像机场自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210216815.4A CN102750703B (zh) | 2012-06-27 | 2012-06-27 | 一种基于直线分割的遥感图像机场自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102750703A true CN102750703A (zh) | 2012-10-24 |
CN102750703B CN102750703B (zh) | 2015-01-07 |
Family
ID=47030852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210216815.4A Expired - Fee Related CN102750703B (zh) | 2012-06-27 | 2012-06-27 | 一种基于直线分割的遥感图像机场自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102750703B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914830A (zh) * | 2014-02-22 | 2014-07-09 | 小米科技有限责任公司 | 直线检测方法和装置 |
CN104794495A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 一种基于直线统计特征的大幅面遥感影像区域分类方法 |
CN104992144A (zh) * | 2015-06-11 | 2015-10-21 | 电子科技大学 | 遥感图像中输电线与公路的区分方法 |
CN105005780A (zh) * | 2015-06-29 | 2015-10-28 | 叶秀兰 | 一种车牌识别方法 |
CN105022992A (zh) * | 2015-06-29 | 2015-11-04 | 叶秀兰 | 一种车牌自动鉴别方法 |
CN105046208A (zh) * | 2015-06-29 | 2015-11-11 | 叶秀兰 | 一种车牌自动识别系统 |
CN105160308A (zh) * | 2015-08-20 | 2015-12-16 | 武汉大学 | 基于线分类和纹理分类的机场目标自动识别方法 |
CN105158272A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工商大学 | 一种纺织品缺陷检测方法 |
CN103810462B (zh) * | 2012-11-14 | 2017-02-08 | 中国科学院沈阳自动化研究所 | 一种基于线状目标的高压输电线检测方法 |
CN107392141A (zh) * | 2017-07-19 | 2017-11-24 | 武汉大学 | 一种基于显著性检测和lsd直线检测的机场提取方法 |
CN107886505A (zh) * | 2017-11-08 | 2018-04-06 | 电子科技大学 | 一种基于线基元聚合的合成孔径雷达机场检测方法 |
CN108986125A (zh) * | 2017-11-30 | 2018-12-11 | 成都通甲优博科技有限责任公司 | 物体边缘提取方法、装置及电子设备 |
CN109598729A (zh) * | 2018-11-28 | 2019-04-09 | 江苏科技大学 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
CN109741325A (zh) * | 2019-01-14 | 2019-05-10 | 南京理工大学 | 一种布线垂直度智能检测方法 |
CN110063753A (zh) * | 2019-03-18 | 2019-07-30 | 深圳蓝韵医学影像有限公司 | 超声图像中测量胎儿头围的方法与装置 |
CN110188601A (zh) * | 2019-04-16 | 2019-08-30 | 昆明理工大学 | 一种基于学习的机场遥感图像检测方法 |
WO2020042866A1 (zh) * | 2018-08-30 | 2020-03-05 | 京东方科技集团股份有限公司 | 线段检测方法、装置、设备和计算机可读存储介质 |
CN111652071A (zh) * | 2020-05-08 | 2020-09-11 | 中国工程物理研究院总体工程研究所 | 一种快速的跑道截断分析方法 |
CN114842494A (zh) * | 2021-12-23 | 2022-08-02 | 华南理工大学 | 一种自动识别电力系统厂站接线图连接关系的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
US20110200225A1 (en) * | 2010-02-17 | 2011-08-18 | Vikas Kukshya | Advanced background estimation technique and circuit for a hyper-spectral target detection method |
CN102214298A (zh) * | 2011-06-20 | 2011-10-12 | 复旦大学 | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 |
-
2012
- 2012-06-27 CN CN201210216815.4A patent/CN102750703B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110200225A1 (en) * | 2010-02-17 | 2011-08-18 | Vikas Kukshya | Advanced background estimation technique and circuit for a hyper-spectral target detection method |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
CN102214298A (zh) * | 2011-06-20 | 2011-10-12 | 复旦大学 | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 |
Non-Patent Citations (4)
Title |
---|
FIRAT, O.等: "Application of context invariants in airport region of interest detection for multi-spectral satellite imagery", 《SIGNAL PROCESSING AND COMMUNICATIONS APPLICATIONS CONFERENCE (SIU), 2012 20TH》 * |
VON GIOI, R.G.等: "LSD: A Fast Line Segment Detector with a False Detection Control", 《PATTERN ANALYSIS AND MACHINE INTELLIGENCE, IEEE TRANSACTIONS ON》 * |
唐德瑾等: "改进相位编组直线算法提取遥感图像中的机场目标", 《影像技术》 * |
应龙 等: "高分辨率遥感图像中机场跑道快速检测方法", 《小型微型计算机系统》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810462B (zh) * | 2012-11-14 | 2017-02-08 | 中国科学院沈阳自动化研究所 | 一种基于线状目标的高压输电线检测方法 |
US9449245B2 (en) | 2014-02-22 | 2016-09-20 | Xiaomi Inc. | Method and device for detecting straight line |
WO2015123973A1 (zh) * | 2014-02-22 | 2015-08-27 | 小米科技有限责任公司 | 直线检测方法和装置 |
CN103914830A (zh) * | 2014-02-22 | 2014-07-09 | 小米科技有限责任公司 | 直线检测方法和装置 |
CN103914830B (zh) * | 2014-02-22 | 2017-02-01 | 小米科技有限责任公司 | 直线检测方法和装置 |
CN104794495A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 一种基于直线统计特征的大幅面遥感影像区域分类方法 |
CN104794495B (zh) * | 2015-05-04 | 2018-02-06 | 福建师范大学 | 一种基于直线统计特征的大幅面遥感影像区域分类方法 |
CN104992144A (zh) * | 2015-06-11 | 2015-10-21 | 电子科技大学 | 遥感图像中输电线与公路的区分方法 |
CN104992144B (zh) * | 2015-06-11 | 2018-05-29 | 电子科技大学 | 遥感图像中输电线与公路的区分方法 |
CN105046208A (zh) * | 2015-06-29 | 2015-11-11 | 叶秀兰 | 一种车牌自动识别系统 |
CN105022992A (zh) * | 2015-06-29 | 2015-11-04 | 叶秀兰 | 一种车牌自动鉴别方法 |
CN105005780A (zh) * | 2015-06-29 | 2015-10-28 | 叶秀兰 | 一种车牌识别方法 |
CN105160308A (zh) * | 2015-08-20 | 2015-12-16 | 武汉大学 | 基于线分类和纹理分类的机场目标自动识别方法 |
CN105160308B (zh) * | 2015-08-20 | 2018-05-29 | 武汉大学 | 基于线分类和纹理分类的机场目标自动识别方法 |
CN105158272A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工商大学 | 一种纺织品缺陷检测方法 |
CN107392141A (zh) * | 2017-07-19 | 2017-11-24 | 武汉大学 | 一种基于显著性检测和lsd直线检测的机场提取方法 |
CN107392141B (zh) * | 2017-07-19 | 2020-04-24 | 武汉大学 | 一种基于显著性检测和lsd直线检测的机场提取方法 |
CN107886505A (zh) * | 2017-11-08 | 2018-04-06 | 电子科技大学 | 一种基于线基元聚合的合成孔径雷达机场检测方法 |
CN108986125A (zh) * | 2017-11-30 | 2018-12-11 | 成都通甲优博科技有限责任公司 | 物体边缘提取方法、装置及电子设备 |
WO2020042866A1 (zh) * | 2018-08-30 | 2020-03-05 | 京东方科技集团股份有限公司 | 线段检测方法、装置、设备和计算机可读存储介质 |
US11276178B2 (en) * | 2018-08-30 | 2022-03-15 | Boe Technology Group Co., Ltd. | Line segment detection method, apparatus, device, and computer-readable storage medium |
CN109598729B (zh) * | 2018-11-28 | 2022-09-13 | 江苏科技大学 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
CN109598729A (zh) * | 2018-11-28 | 2019-04-09 | 江苏科技大学 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
CN109741325A (zh) * | 2019-01-14 | 2019-05-10 | 南京理工大学 | 一种布线垂直度智能检测方法 |
CN110063753B (zh) * | 2019-03-18 | 2022-03-22 | 深圳蓝韵医学影像有限公司 | 超声图像中测量胎儿头围的方法与装置 |
CN110063753A (zh) * | 2019-03-18 | 2019-07-30 | 深圳蓝韵医学影像有限公司 | 超声图像中测量胎儿头围的方法与装置 |
CN110188601B (zh) * | 2019-04-16 | 2022-07-15 | 昆明理工大学 | 一种基于学习的机场遥感图像检测方法 |
CN110188601A (zh) * | 2019-04-16 | 2019-08-30 | 昆明理工大学 | 一种基于学习的机场遥感图像检测方法 |
CN111652071A (zh) * | 2020-05-08 | 2020-09-11 | 中国工程物理研究院总体工程研究所 | 一种快速的跑道截断分析方法 |
CN114842494A (zh) * | 2021-12-23 | 2022-08-02 | 华南理工大学 | 一种自动识别电力系统厂站接线图连接关系的方法 |
CN114842494B (zh) * | 2021-12-23 | 2024-04-05 | 华南理工大学 | 一种自动识别电力系统厂站接线图连接关系的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102750703B (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102750703A (zh) | 一种基于直线分割的遥感图像机场自动检测方法 | |
Chen et al. | Coastline information extraction based on the tasseled cap transformation of Landsat-8 OLI images | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN101299237B (zh) | 一种基于信息量维数序列的高光谱数据监督分类方法 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN102945374B (zh) | 一种高分辨率遥感图像中民航飞机自动检测方法 | |
Pan et al. | Object-based and supervised detection of potholes and cracks from the pavement images acquired by UAV | |
CN102254191B (zh) | 一种基于图像处理的降水粒子相态识别方法 | |
CN102043958A (zh) | 一种高分辨率遥感图像多类目标检测识别方法 | |
CN103020592A (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
Lambers et al. | Towards detection of archaeological objects in high-resolution remotely sensed images: the Silvretta case study | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
CN116310853A (zh) | 一种基于多源数据的中小城市边缘区提取方法 | |
CN101980295A (zh) | 基于偏度分析的黄河主溜线检测方法 | |
Tsai et al. | Implementation of automatic crack evaluation using crack fundamental element | |
CN109740504A (zh) | 一种基于遥感影像提取海域资源的方法 | |
CN107203790A (zh) | 利用二级抽样模型的中国陆地夜光遥感分类精度评价方法 | |
CN102013097A (zh) | 基于光谱相似性与空间连续性的黄河主溜线检测方法 | |
CN106548209A (zh) | 一种基于多纹理特征的sar绿潮信息提取方法 | |
CN103955914A (zh) | 基于随机投影和Signature/EMD框架的SAR图像分割方法 | |
Fahmi et al. | Segmentation and distribution of watershed using K-Modes clustering algorithm and Davies-Bouldin index based on geographic information system (GIS) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150107 |