CN103473760A - 一种高分辨率遥感图像机场感兴趣区域快速检测方法 - Google Patents

一种高分辨率遥感图像机场感兴趣区域快速检测方法 Download PDF

Info

Publication number
CN103473760A
CN103473760A CN2013103319743A CN201310331974A CN103473760A CN 103473760 A CN103473760 A CN 103473760A CN 2013103319743 A CN2013103319743 A CN 2013103319743A CN 201310331974 A CN201310331974 A CN 201310331974A CN 103473760 A CN103473760 A CN 103473760A
Authority
CN
China
Prior art keywords
win
rectangular window
resolution remote
sensing image
remote sensing
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
Application number
CN2013103319743A
Other languages
English (en)
Other versions
CN103473760B (zh
Inventor
韩军伟
姚西文
郭雷
程塨
周培诚
张鼎文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201310331974.3A priority Critical patent/CN103473760B/zh
Publication of CN103473760A publication Critical patent/CN103473760A/zh
Application granted granted Critical
Publication of CN103473760B publication Critical patent/CN103473760B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及一种高分辨率遥感图像机场感兴趣区域快速检测方法。首先采用LSD算法和FT算法分别计算出高分率遥感图像的直线检测二值结果图和显著图,然后在高分率遥感图像中随机选取巨量的矩形窗口,计算这些矩形窗口的物体度量性分数,根据它们的物体度量性分数采用非极大值抑制算法筛选出少量矩形窗口组成机场感兴趣区域。本发明利用了两种简单特征的互补性,可以很稳定地检测出感兴趣区域,并且计算量很小,大大提高了高分率遥感机场检测的速度和精度,实用性很强。

Description

一种高分辨率遥感图像机场感兴趣区域快速检测方法
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种高分辨率遥感图像机场感兴趣区域快速检测方法
背景技术
机场作为军用和民用的战略性目标,从高分率遥感图像中快速、准确地检测出机场,在飞机组合导航、军事侦察和精确打击等领域有着重要的实用价值,受到人们越来越多的关注。但高分辨遥感图像背景复杂,存在大量的公路、河流、人工建筑物等混淆的杂物,这都给机场的检测增加了难度。在对机场进行检测的时候,为了增加检测速度,减少背景杂物的影响,通常会先进行机场感兴趣区域的检测。中国专利申请号201210280777.9,记载了一种“一种星载红外遥感图像机场ROI快速检测方法”,核心思想是利用红外图像中机场亮度明显的特性,采用图像灰度特征阈值分割出机场感兴趣区域,该方法适合背景比较简单的红外遥感图像,但对于背景复杂的高分率遥感图像,容易造成大量的误检。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种高分辨率遥感图像机场感兴趣区域快速检测方法。
技术方案
一种高分辨率遥感图像机场感兴趣区域快速检测方法,其特征在于步骤如下:
步骤1:采用LSD算法对高分辨率遥感图像进行直线检测得到直线检测结果二值图Lineb,采用FT算法进行显著性检测得到高分辨率遥感图像显著图S;
步骤2:在高分辨率遥感图像中随机选取n个矩形窗口;所述矩形窗口的长、宽以及选取的位置都是任意的,需保证选取的矩形窗口大小要小于高分辨率遥感图像;
步骤3:按照Score(win)=αLD(win)+(1-α)FTS(win)计算每一个矩形窗口的物体性度量分数,其中win表示矩形窗口,Score(win)表示矩形窗口win的物体性度量分数,α为线性组合系数,LD(win)为矩形窗口win的直线特征度量分数,FTS(win)为矩形窗口win的显著性特征度量分数,LD(win)按照进行计算,其中p表示矩形窗口win内的像素点,Lineb(p)表示像素点p在直线检测结果二值图Lineb中的值,Area(win)表示矩形窗口win的面积,FTS(win)按照:
Figure BDA00003608112100022
进行计算,其中p表示矩形窗口win内的像素点,I表示高分辨遥感图像,S(p)表示像素点p在高分辨遥感图像显著图S中的显著值,Area(win)表示矩形窗口win的面积;
步骤4:根据这n个矩形窗口的物体性度量分数,采用非极大值抑制算法筛选出m个矩形窗口,将这m个矩形窗口用最小的矩形框框起来,即是检测到的高分辨率遥感图像机场感兴趣区域。
所述n个矩形窗口的n=500。
所述m个矩形窗口的m=20。
有益效果
本发明提出的一种高分辨率遥感图像机场感兴趣区域快速检测方法,首先采用LSD算法和FT算法分别计算出高分率遥感图像的直线检测二值结果图和显著图,然后在高分率遥感图像中随机选取巨量的矩形窗口,计算这些矩形窗口的物体度量性分数,根据它们的物体度量性分数采用非极大值抑制算法筛选出少量矩形窗口组成机场感兴趣区域。
本发明与现有技术相比,没有采用分割的方法来得到机场感兴趣区域,而是综合利用机场的线性特征以及和周围环境的显著特征对随机选取的矩形窗口进行物体性度量,根据度量分数采用非极大值抑制算法筛选出矩形窗口组成机场感兴趣区域,本发明利用了两种特征的互补性,可以很稳定地检测出感兴趣区域,并且计算量很小,大大提高了高分率遥感机场检测的速度和精度,实用性很强。
附图说明
图1是本发明的实现流程图;
图2是高分辨遥感图像;
图3是对图2进行直线检测的结果二值图;
图4是对图2进行显著性检测的显著图;
图5是在图2中随机选取的矩形窗口示意图;
图6是在图5中筛选出的矩形窗口;
图7是检测出的机场感兴趣区域。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
用于实施的硬件环境是:因特尔酷睿2双核2.93G计算机、2.0GB内存、512M显卡,运行的软件环境是:Matlab R2012a,Windows XP。我们用Matlab软件实现了本发明提出的方法。高分辨遥感图像为从Google Earth上截取的,大小为1141*940。
本发明具体实施如下:
步骤1:对图2中的高分辨率遥感图像,采用LSD算法进行直线检测得到直线检测结果二值图Lineb即图3,采用FT算法进行显著性检测得到高分辨率遥感图像显著图S即图4;
步骤2:在高分辨率遥感图像中随机选取n个矩形窗口,这些矩形窗口的长、宽以及选取的位置都是任意的,只需保证选取的矩形窗口大小要小于高分辨率遥感图像,如图5所示;
步骤3:对选取的500个矩形窗口,计算每一个窗口win的物体性度量分数Score(win)=αLD(win)+(1-α)FTS(win),其中α为线性组合系数,取值0.75,而LD(win)和FTS(win)则分别按照 LD ( win ) = Σ p ∈ win Line b ( p ) Area ( win ) , FTS ( win ) = Σ p ∈ win S ( p ) Σ p ∈ I S ( p ) + Σ p ∈ win S ( p ) Area ( win ) 进行计算,p为窗口win内的像素点,Area(win)表示求取窗口win的面积;
步骤4:根据这500个矩形窗口的物体性度量分数,采用非极大值抑制算法筛选出20个矩形窗口,如图6所示,将这20个矩形窗口用最小的矩形框框起来,即是检测到的高分辨率遥感图像机场感兴趣区域,结果如图7所示。

Claims (4)

1.一种高分辨率遥感图像机场感兴趣区域快速检测方法,其特征在于步骤如下:
步骤1:采用LSD算法对高分辨率遥感图像进行直线检测得到直线检测结果二值图Lineb,采用FT算法进行显著性检测得到高分辨率遥感图像显著图S;
步骤2:在高分辨率遥感图像中随机选取n个矩形窗口;所述矩形窗口的长、宽以及选取的位置都是任意的,需保证选取的矩形窗口大小要小于高分辨率遥感图像;
步骤3:按照Score(win)=αLD(win)+(1-α)FTS(win)计算每一个矩形窗口的物体性度量分数,其中win表示矩形窗口,Score(win)表示矩形窗口win的物体性度量分数,α为线性组合系数,LD(win)为矩形窗口win的直线特征度量分数,FTS(win)为矩形窗口win的显著性特征度量分数,LD(win)按照进行计算,其中p表示矩形窗口win内的像素点,Lineb(p)表示像素点p在直线检测结果二值图Lineb中的值,Area(win)表示矩形窗口win的面积,FTS(win)按照:
Figure FDA00003608112000012
进行计算,其中p表示矩形窗口win内的像素点,I表示高分辨遥感图像,S(p)表示像素点p在高分辨遥感图像显著图S中的显著值,Area(win)表示矩形窗口win的面积;
步骤4:根据这n个矩形窗口的物体性度量分数,采用非极大值抑制算法筛选出m个矩形窗口,将这m个矩形窗口用最小的矩形框框起来,即是检测到的高分辨率遥感图像机场感兴趣区域。
2.根据权利要求1所述高分辨率遥感图像机场感兴趣区域检测方法,其特征在于:所述n个矩形窗口的n=500。
3.根据权利要求1所述高分辨率遥感图像机场感兴趣区域检测方法,其特征在于:所述线性组合系数α=0.75。
4.根据权利要求1所述高分辨率遥感图像机场感兴趣区域检测方法,其特征在于:所述m个矩形窗口的m=20。
CN201310331974.3A 2013-08-01 2013-08-01 一种高分辨率遥感图像机场感兴趣区域快速检测方法 Expired - Fee Related CN103473760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310331974.3A CN103473760B (zh) 2013-08-01 2013-08-01 一种高分辨率遥感图像机场感兴趣区域快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310331974.3A CN103473760B (zh) 2013-08-01 2013-08-01 一种高分辨率遥感图像机场感兴趣区域快速检测方法

Publications (2)

Publication Number Publication Date
CN103473760A true CN103473760A (zh) 2013-12-25
CN103473760B CN103473760B (zh) 2016-02-03

Family

ID=49798594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310331974.3A Expired - Fee Related CN103473760B (zh) 2013-08-01 2013-08-01 一种高分辨率遥感图像机场感兴趣区域快速检测方法

Country Status (1)

Country Link
CN (1) CN103473760B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408733A (zh) * 2014-12-11 2015-03-11 武汉大学 基于对象随机游走的遥感图像视觉显著性检测方法及系统
CN106022307A (zh) * 2016-06-08 2016-10-12 中国科学院自动化研究所 基于船只旋转矩形空间的遥感图像船只检测方法
CN106599891A (zh) * 2016-10-18 2017-04-26 华中科技大学 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
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

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831402A (zh) * 2012-08-09 2012-12-19 西北工业大学 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831402A (zh) * 2012-08-09 2012-12-19 西北工业大学 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIE FENG,ETAL: "Salient Object Detection by Composition", 《COMPUTER VISION(ICCV),2011 IEEE INTERNATIONAL CONFERENCE ON》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408733A (zh) * 2014-12-11 2015-03-11 武汉大学 基于对象随机游走的遥感图像视觉显著性检测方法及系统
CN104408733B (zh) * 2014-12-11 2017-02-22 武汉大学 基于对象随机游走的遥感图像视觉显著性检测方法及系统
CN106022307A (zh) * 2016-06-08 2016-10-12 中国科学院自动化研究所 基于船只旋转矩形空间的遥感图像船只检测方法
CN106022307B (zh) * 2016-06-08 2019-09-27 中国科学院自动化研究所 基于船只旋转矩形空间的遥感图像船只检测方法
CN106599891A (zh) * 2016-10-18 2017-04-26 华中科技大学 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
CN106599891B (zh) * 2016-10-18 2019-05-14 华中科技大学 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
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

Also Published As

Publication number Publication date
CN103473760B (zh) 2016-02-03

Similar Documents

Publication Publication Date Title
Deng et al. Entropy-based window selection for detecting dim and small infrared targets
CN102831402B (zh) 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法
Chen et al. Automatic power line extraction from high resolution remote sensing imagery based on an improved radon transform
CN103473760B (zh) 一种高分辨率遥感图像机场感兴趣区域快速检测方法
CN104239884A (zh) 一种基于遥感植被指数时间序列的异常淹没区域检测方法
CN102542295A (zh) 一种采用图像分类技术从遥感图像中进行滑坡检测的方法
CN110263646A (zh) 一种基于卷积神经网络的海面弱目标探测方法和系统
CN103871081A (zh) 一种自适应鲁棒在线目标跟踪方法
CN104408711A (zh) 一种基于多尺度区域融合的显著区域检测方法
Dakhia et al. Multi-scale pyramid pooling network for salient object detection
CN104915672A (zh) 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统
CN102542267B (zh) 结合空间分布和全局对比的显著区域检测方法
Yanan et al. Dynamic monitoring and driving force analysis on rivers and lakes in Zhuhai city using remote sensing technologies
CN203733180U (zh) 一种地铁智能防逃票实时检测系统
Liu et al. Extraction of lane markings using orientation and vanishing point constraints in structured road scenes
Yelekçi et al. Spatial and seasonal distributions of frontal activity over the French continental shelf in the Bay of Biscay
CN103413123B (zh) 一种基于条件随机场模型的高分辨率遥感图像机场检测方法
CN103530601A (zh) 一种基于贝叶斯网络的监控盲区人群状态推演方法
CN103293523B (zh) 基于多孔径信息处理的高光谱遥感异常小目标检测方法
CN102034233A (zh) 一种基于contourlet变换的SAR图像波群参数检测方法
Ping et al. Application of a sea surface temperature front composite algorithm in the Bohai, Yellow, and East China Seas
Xing et al. An enhancing normalized radon transform method for ship wake detection in SAR imagery
Kang et al. Accurate inter-vehicle distance measurement based on monocular camera and line laser
Zhang et al. SAR image ship detection based on a superpixel non-window fast cfar strategy
Xie et al. Monitoring of Lake Area Changes from SAR Images Based on Convolutional Neural Networks and Markov Random Field

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: 20160203

Termination date: 20190801

CF01 Termination of patent right due to non-payment of annual fee