CN103246887A - 基于几何特征的光学遥感图像机场目标的多线程检测方法 - Google Patents
基于几何特征的光学遥感图像机场目标的多线程检测方法 Download PDFInfo
- Publication number
- CN103246887A CN103246887A CN2013100989442A CN201310098944A CN103246887A CN 103246887 A CN103246887 A CN 103246887A CN 2013100989442 A CN2013100989442 A CN 2013100989442A CN 201310098944 A CN201310098944 A CN 201310098944A CN 103246887 A CN103246887 A CN 103246887A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- airport
- detection
- multithreading
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于几何特征的光学遥感图像机场目标的多线程检测方法,以解决光学遥感图像中机场目标的自动检测问题。第一步:对光学遥感图像进行预处理;首先读取光学遥感图像,并对该图像进行分块,其次对分块后的图像块进行线程任务分配;第二步:基于线程中的图像块进行机场目标的检测;首先提取所述图像块中的直线,并对所检测到平行直线对进行筛选;第三步:去除第二步的结果中的非机场区域,对机场区域的灰度分布进行判断,剔除海上的误选目标,当检测出多余两个的目标区域时,仅取检测面积最大的两个目标,删除其余的目标。
Description
技术领域
本发明涉及光学遥感图像处理技术领域中关于机场目标检测的方法,是一种综合多种特征来实现对有复杂背景的光学遥感图像中机场目标的自动检测的方法。
背景技术
随着遥感图像获取技术的不断进步,军用和民用的光学遥感图像呈现爆炸性增长,遥感图像处理技术的应用领域也随之不断扩大。由于需要耗费大量的人力物力,传统的依靠人工来对遥感图像中目标进行检测和解译的方式而变得不现实。因此,遥感图像的检测作为图像处理技术中的一个重要环节,日益成为各种图像处理应用不可缺少的部分。由于现有图像的数据量大,分辨率不一,目标类型多样、结构复杂,所处场景的变化也较多,目前目标自动检测的准确度并不是很高,常常出现漏检和错检的情况,使得某些需要精确定位目标的应用难以完成。因而,如何提高光学遥感图像中的复杂目标的检测效率和准确率是一个很有意义的研究问题。
机场作为重要的交通运输目标,受到了目标检测和识别领域越来越多的关注。机场目标所处的区域一般在城市的郊区,检测背景不甚复杂,但遥感图像普遍尺寸较大,仍有道路、楼房等其它物体的干扰,因此在复杂背景的遥感图像中实现机场的检测仍然是一项相当有挑战的任务。
Dehong Liu等提出了纹理分割和基于形状的检测的方法实现机场检测。首先把遥感图像分块,通过纹理特征对图像块进行分类,提取候选区域ROI,然后对候选ROI使用基于形状的检测判别。Chao Tao等提出了一种尺度特征不变子(SIFT)的机场目标检测方法。他们使用SIFT点在粗尺度上获取候选区域,然后映射至原始尺度的图像上,最后使用先验知识实现机场的识别工作。但由于相同传感器获取的图像中,不同机场目标的纹理特征不尽相同,而不同传感器获取的图像的质量也千差万别,因此上述的两种方法都有它们的局限性。
对于机场目标,最明显的特征应该是跑道的直线特征和机场区域的相对平滑的特征,这对我们使用Hough变换有着很重要的意义,能够确保我们能够使用Hough变换准确检测到跑道的平行线特征。
发明内容
本发明的目的是提供一种基于几何特征的光学遥感图像机场目标的多线程检测方法,以解决光学遥感图像中机场目标的自动检测问题。
为实现上述目的,本发明的技术方案如下:
一种基于几何特征的光学遥感图像机场目标的多线程检测方法,包括以下步骤:
第一步:对光学遥感图像进行预处理;首先读取光学遥感图像,并对该图像进行分块,其次对分块后的图像块进行线程任务分配;
第二步:基于线程中的图像块进行机场目标的检测;首先提取所述图像块中的直线,并对所检测到平行直线对进行筛选;
第三步:去除第二步的结果中的非机场区域,对机场区域的灰度分布进行判断,剔除海上的误选目标,当检测出多余两个的目标区域时,仅取检测面积最大的两个目标,删除其余的目标。
第一步中图像分块后的子图像尺寸为2000×2000,相邻块之间有1000×1000大小的重叠区域。
第二步中提取所述图像块中的直线采用以下方法:
2.1.1、使用Gaussian核对图像块进行卷积平滑处理;
2.1.2、使用Canny边缘检测算子对图像块进行边缘检测,获得图像块的边缘图像;
2.1.3、使用Hough直线检测算法边缘图像进行直线检测;
2.1.4、由于图像复杂背景的影响,Canny算子检测出的边缘图像中会出现直线断开的情况,因此合并共线的直线段;
2.1.5、设置平行线对的最小间隔和最大间隔,搜索符合条件的平行直线对,并取得平行直线对四个端点。
上述第二步中2.1.4中判断是否共线采用以下方法:将直线L1和L2表达为极坐标形式(ρ1,θ1)和(ρ2,θ2),若|ρ1–ρ2|<5且(θ1-θ2)<5°,则认为L1和L2在一条直线上,将L1和L2合并。
第二步中筛选采用以下方法:
2.2.1、设定边缘比例阈值,若图像块中的边缘比率大于该阈值,则舍去该块的检测结果;
2.2.2、收集并将检测到的平行直线对的集合中的相近邻的平行直线对所包含区域合并,至此生成了机场目标的候选区域。
本发明的有益效果:
1、本发明提供的方法结合了机场目标的直线、灰度等多个特征,提供了一种能够较准确的定位机场目标的方法,能够准确检测到机场目标的同时较好的控制虚警率,对于较高分辨率的遥感图像中的机场目标有着很好的检测效果。
2、本发明提供的方法通过预处理模块将大尺寸遥感图像分块多线程处理,极大程度提高了检测速度。检测模块通过图像的边缘检测,Hough直线检测提取图像中的平行线对特征以对应出机场的跑道特征。去虚警模块通过检测区域的灰度和经验信息对检测结果进行后处理,以去除检测结果中的虚警目标。
附图说明
图1为本发明基于几何特征的光学遥感图像机场目标的多线程检测方法的流程图。
具体实施方式
图1本发明基于几何特征的光学遥感图像机场目标的多线程检测方法的流程图,具体包括包括以下步骤:
第一步,对光学遥感图像进行预处理:
1.1、使用Gdal读取光学遥感图像;
1.2、由于光学遥感图像尺寸较大,因此需要对图像进行分块,分块后的子图像尺寸为2000×2000,相邻块之间有1000×1000大小的重叠区域;
1.3、对上一步形成的图像块进行线程任务分配;
第二步,对分块后的图像进行机场目标的检测:
2.1、提取图像块中的直线,具体步骤如下:
2.1.1、使用3×3大小的Gaussian核对图像块进行卷积平滑处理;
2.1.2、使用Canny边缘检测算子对图像块进行边缘检测,获得图像块的边缘图像,其中,Canny算子上下限阈值分别选定为200和50;
2.1.3、使用Hough直线检测算法边缘图像进行直线检测,其中在检测参数中设定线段的最小长度minLineLength为Canny图像块宽度的1/10,若检测到的直线小于minLineLength,则舍去该结果;
2.1.4、由于图像复杂背景的影响,Canny算子检测出的边缘图像中可能会出现直线断开的情况,因此需要合并共线的直线段,其中对两条直线L1和L2判断是否共线的方法是:
将L1和L2表达为极坐标形式(ρ1,θ1)和(ρ2,θ2),若|ρ1–ρ2|<5且(θ1-θ2)<5°,则认为L1和L2在一条直线上,将L1和L2合并;
2.1.5、基于2.1.4的直线检测结果,设置平行线对的最小间隔和最大间隔,搜索符合条件的平行直线对,并取得平行直线对四个端点,其中搜索平行线对算法设置以下参数:
a.平行线最大间隔maxGap,设置为250。
b.平行线最小间隔minGap,设置为30。
c.平行线最小长度minLengh,设置为200。
2.2、对所检测到平行直线对进行筛选,具体步骤如下:
2.2.1、由于机场跑道区域灰度均匀,因此在跑道区域所检测到的边缘数量较少,因此设定边缘比例阈值0.12,若图像块中的边缘比率大于该阈值,则舍去该块的检测结果;
2.2.2、收集并将检测到的平行直线对的集合中的相近邻的平行直线对所包含区域合并,至此生成了机场目标的候选区域;
第三步,对检测的结果进行后续去虚警处理:
3.1、对机场区域的灰度分布进行判断,对检测出的机场区域进行均值和方差的计算,若区域的灰度均值小于40,且方差小于5,则认为所检测出的机场区域为海上虚警;
3.2、基于经验的判别,由于一景图像最多有两个机场目标,因此当检测出多余两个的目标区域时,仅取检测面积最大的两个目标,删除其余的目标。
Claims (5)
1.一种基于几何特征的光学遥感图像机场目标的多线程检测方法,其特征在于,包括以下步骤:
第一步:对光学遥感图像进行预处理;首先读取光学遥感图像,并对该图像进行分块,其次对分块后的图像块进行线程任务分配;
第二步:基于线程中的图像块进行机场目标的检测;首先提取所述图像块中的直线,并对所检测到平行直线对进行筛选;
第三步:去除第二步的结果中的非机场区域,对机场区域的灰度分布进行判断,剔除海上的误选目标,当检测出多余两个的目标区域时,仅取检测面积最大的两个目标,删除其余的目标。
2.如权利要求1所述的一种基于几何特征的光学遥感图像机场目标的多线程检测方法,其特征在于,第一步中图像分块后的子图像尺寸为2000×2000,相邻块之间有1000×1000大小的重叠区域。
3.如权利要求1或2所述的一种基于几何特征的光学遥感图像机场目标的多线程检测方法,其特征在于,第二步中提取所述图像块中的直线采用以下方法:
2.1.1、使用Gaussian核对图像块进行卷积平滑处理;
2.1.2、使用Canny边缘检测算子对图像块进行边缘检测,获得图像块的边缘图像;
2.1.3、使用Hough直线检测算法边缘图像进行直线检测;
2.1.4、由于图像复杂背景的影响,Canny算子检测出的边缘图像中会出现直线断开的情况,因此合并共线的直线段;
2.1.5、设置平行线对的最小间隔和最大间隔,搜索符合条件的平行直线对,并取得平行直线对四个端点。
4.如权利要求3所述的一种基于几何特征的光学遥感图像机场目标的多线程检测方法,其特征在于,上述第二步中2.1.4中判断是否共线采用以下方法:将直线L1和L2表达为极坐标形式(ρ1,θ1)和(ρ2,θ2),若|ρ1–ρ2|<5且(θ1-θ2)<5°,则认为L1和L2在一条直线上,将L1和L2合并。
5.如权利要求1或2或4所述的一种基于几何特征的光学遥感图像机场目标的多线程检测方法,其特征在于,第二步中筛选采用以下方法:
2.2.1、设定边缘比例阈值,若图像块中的边缘比率大于该阈值,则舍去该块的检测结果;
2.2.2、收集并将检测到的平行直线对的集合中的相近邻的平行直线对所包含区域合并,至此生成了机场目标的候选区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100989442A CN103246887A (zh) | 2013-03-26 | 2013-03-26 | 基于几何特征的光学遥感图像机场目标的多线程检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100989442A CN103246887A (zh) | 2013-03-26 | 2013-03-26 | 基于几何特征的光学遥感图像机场目标的多线程检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103246887A true CN103246887A (zh) | 2013-08-14 |
Family
ID=48926400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100989442A Pending CN103246887A (zh) | 2013-03-26 | 2013-03-26 | 基于几何特征的光学遥感图像机场目标的多线程检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103246887A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714344A (zh) * | 2013-12-19 | 2014-04-09 | 西南交通大学 | 基于几何部件及径向梯度角的遥感检测飞机的方法 |
CN107992366A (zh) * | 2017-12-26 | 2018-05-04 | 网易(杭州)网络有限公司 | 对多个目标对象进行检测和跟踪的方法、系统和电子设备 |
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 |
CN111738094A (zh) * | 2020-05-28 | 2020-10-02 | 中国国土勘测规划院 | 一种遥感影像道路自动提取方法及装置 |
CN111833329A (zh) * | 2020-07-14 | 2020-10-27 | 中国电子科技集团公司第五十四研究所 | 一种大型遥感影像的人工判证辅助方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298698A (zh) * | 2011-05-30 | 2011-12-28 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
-
2013
- 2013-03-26 CN CN2013100989442A patent/CN103246887A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298698A (zh) * | 2011-05-30 | 2011-12-28 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
Non-Patent Citations (2)
Title |
---|
应龙,栾悉道,吴玲达: "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》, 28 February 2006 (2006-02-28) * |
耿振伟,蒋咏梅,粟毅,郁文贤: "一种巨幅遥感影像中机场ROI检测算法", 《电子与信息学报》, 30 November 2005 (2005-11-30) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714344A (zh) * | 2013-12-19 | 2014-04-09 | 西南交通大学 | 基于几何部件及径向梯度角的遥感检测飞机的方法 |
CN103714344B (zh) * | 2013-12-19 | 2017-02-08 | 西南交通大学 | 基于几何部件及径向梯度角的遥感检测飞机的方法 |
CN107992366A (zh) * | 2017-12-26 | 2018-05-04 | 网易(杭州)网络有限公司 | 对多个目标对象进行检测和跟踪的方法、系统和电子设备 |
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 |
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 |
CN111738094A (zh) * | 2020-05-28 | 2020-10-02 | 中国国土勘测规划院 | 一种遥感影像道路自动提取方法及装置 |
CN111738094B (zh) * | 2020-05-28 | 2023-08-25 | 中国国土勘测规划院 | 一种遥感影像道路自动提取方法及装置 |
CN111833329A (zh) * | 2020-07-14 | 2020-10-27 | 中国电子科技集团公司第五十四研究所 | 一种大型遥感影像的人工判证辅助方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Automatic pavement defect detection using 3D laser profiling technology | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
KR101856401B1 (ko) | 차선 데이터의 처리 방법, 장치, 저장매체 및 기기 | |
CN104392224B (zh) | 一种公路路面裂纹检测方法 | |
CN103605953B (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
CN103063159B (zh) | 一种基于ccd的零件尺寸测量方法 | |
Chen et al. | An improved license plate location method based on edge detection | |
CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
CN109101924A (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN105865344A (zh) | 一种基于机器视觉的工件尺寸测量方法和装置 | |
CN103246887A (zh) | 基于几何特征的光学遥感图像机场目标的多线程检测方法 | |
CN102676633A (zh) | 一种菌落自动计数方法 | |
CN108596165A (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
CN103528534A (zh) | 一种基于图像监测的输电线路覆冰厚度检测方法 | |
JP2018173749A (ja) | 道路標示検出装置、道路標示検出方法、プログラム、及び道路面検出装置 | |
Zhang et al. | Rapid inspection of pavement markings using mobile LiDAR point clouds | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN116503760A (zh) | 基于自适应边缘特征语义分割的无人机巡航检测方法 | |
Gui et al. | Object-based crack detection and attribute extraction from laser-scanning 3D profile data | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
Lee et al. | Extraction of weather information on road using CCTV video | |
Ryu et al. | Feature-based pothole detection in two-dimensional images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130814 |