CN103927743B - 一种遥感成像中人造目标的检测方法 - Google Patents

Abstract

一种遥感成像中人造目标的检测方法涉及图像中目标的检测领域，该方法是：采用改进的相位编组算法对源图像进行直线段检测，计算各像素点的梯度后，在区域生长过程中不断更新区域的方向角，将区域周围梯度方向角与该区域方向角相同的像素点纳入该区域，然后计算区域的最小外接矩形，以矩形的主轴方向计算直线段的端点、中心点和方向；采用改进的k‑means聚类算法，依据线段中心点的距离信息，将距离较近的直线段聚为一类，进而自动将直线段进行分类；依据每个类内的直线段数目和几何基元情况进行判定，满足条件的类即为人造目标。本发明采用k‑means聚类和几何特征判定技术，可以实现对各种类型的人造目标的快速有效检测、准确的定位。

Description

一种遥感成像中人造目标的检测方法

技术领域

本发明涉及图像中目标的检测技术领域，具体涉及一种遥感成像中人造目标的检测方法。

背景技术

目前，从遥感图像中检测人造目标的方法，往往只是针对建筑物、汽车或者舰船等某种具体目标类别的检测，不具有普遍性，而且需要针对多种感兴趣的人造目标进行统一处理，计算复杂度较高，实时性差，不能够快速准确地从遥感图像中提取出各种类型的人造目标。

传统的相位编组算法抗噪性能差，且受固定分区的限制；K-means聚类算法中K值需要事先给定，而实际应用中K值却很难估计，另外，该方法容易受到聚类个数以及初始聚类中心的限制，选择不同的初始聚类中心会产生不同的聚类结果。

发明内容

本发明的目的是提供一种遥感成像中人造目标的检测方法，该方法能够从遥感图像中快速准确地提取出各种类型的人造目标的目的。

为了实现上述目的，本发明采取的技术方案如下：

一种遥感成像中人造目标的检测方法包括如下步骤：

第一步、采用改进的相位编组算法对遥感成像的源图像进行直线段检测：在计算各像素点的梯度后，在区域生长过程中不断更新区域的方向角，将区域周围梯度方向角与该区域方向角相同的像素点纳入该区域，然后计算区域的最小外接矩形，以矩形的主轴方向计算直线段的端点、中心点和方向；

第二步、采用改进的k-means聚类算法，将第一步获取的直线段进行分类，过程如下：

步骤2.1、聚类处理的对象为第一步获取的直线段的中心点，按照下述过程确定聚类数目K以及初始聚类中心：

步骤2.1.1、设定直线段中心点的类间距离阈值为d1和类内距离阈值为d2，逐个计算每个中心点与其它中心点的距离，并记录与每个中心点距离小于d1的点的数目，即计算每个中心点在d1邻域内的密度，初始聚类数目K=0；

步骤2.1.2、扫描对象，记录密度最大的中心点作为第一个聚类中心，更新聚类数目K=K+1，并将该点密度设为0；

步骤2.1.3、扫描对象，找到密度最大的中心点，计算该点到聚类中心的距离，若距离小于d2，则直接将该点密度赋为0，否则，记录该点为新的聚类中心，并更新聚类数目K=K+1后将该点密度赋为0；

步骤2.1.4、重复步骤2.1.3，直到所有点的密度都为0，此时的K值和聚类中心即为最后确定的聚类数目K和初始聚类中心；

步骤2.2、根据各个对象与初始聚类中心的距离，将其添加到最近的类中；

步骤2.3、更新质心为类内所有对象的平均值，并按照下式计算误差平方和E的值：

式中P代表类C_i中的对象，m_i代表类C_i的质心；

步骤2.4、重复步骤2.2和步骤2.3的操作，直到每个类的质心和E的值不再发生变化，完成直线段的分类；

第三步、依据第二步分类后的每个类内的直线段数目以及平行线、45°角、90°角、135°角四种几何基元情况进行有效线段的判定，并根据有效线段的端点信息画出人造目标区域的外接矩形框，定位出人造目标。

本发明的有益效果是：采用k-means聚类和几何特征判定技术，可以实现对各种类型的人造目标的快速有效检测、准确的定位。本发明的检测方法无论是在检测速度方面还是在检测准确度方面都优于现有的检测方法。

附图说明

图1是运用改进的相位编组算法对汽车的直线段检测结果示意图。

图2是运用本发明遥感成像中人造目标的检测方法对两组遥感图像人造目标检测的结果示意图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明遥感成像中人造目标的检测方法包括如下步骤：

步骤1、采用改进的相位编组算法对遥感成像的源图像进行直线段检测

直线段的提取和描述是运用几何形状特征进行目标检测的基础和关键。为了达到实时检测的目的，本发明改进了目前应用广泛的相位编组算法，改进后的相位编组算法不仅打破了传统算法固定梯度分区方式的限制，提升了算法的检测精度，而且具有极快的检测速度，能够快速的获取直线的端点、中心和方向等信息。

1.1图像的梯度

运用下面所示的2×2差分算子，分别计算图像I中像素点(x,y)处梯度的水平分量和垂直分量

对应的公式

为

I(x,y)为(x,y)处像素点的灰度值，梯度的方向角θ和幅值G(x,y)分别为

1.2区域生长

通过区域生长的方法生成直线支持区，选取具有较大梯度值的像素点作为种子像素点，进行区域生长。生长过程中每个像素点最多进行一次生长，生长过和梯度幅值小于梯度阈值的像素点不再进行生长。梯度阈值由下式计算得到

式中，N_h、N_v分别表示图像I的长度和宽度。

对于种子像素点P，其生长区域的方向角为θ_region，θ_region初始化为像素点P的梯度方向角θ，如果邻域像素点P_j的方向角θ_j与θ_region之差不超过阈值π/8，则认为两像素点的梯度方向一致，将P_j加到该区域中，当有新像素点加入区域后，区域方向角按下式进行更新

当没有新像素点加入时，该种子像素点的生长过程结束。

1.3直线段的提取与判定

由区域生长得到直线支持区域后，首先计算出该区域的最小外接矩形，然后计算出该区域对应的一条直线段。矩形的质心(C_x,C_y)可由该区域的像素点坐标和梯度通过下式计算得到

点(x_i，y_i)是直线支持区域中的第i个像素点的坐标，G_i是其对应的梯度值，k是该区域所包含的总像素个数。矩形的主轴方向为矩阵M的最小特征值的特征向量的方向

其中

设矩阵M的最小特征值的特征向量为(a₁，a₂)^T，则矩形的主轴方向θ_r为

由于并不是所有的直线支持区域都对应有效的直线段，所以需要对直线支持区进行判定是否有对应的直线段。本发明采用矩形的填充比进行判定，矩形填充比定义为

式中，l_r和w_r分别表示区域最小外接矩形的长和宽，可由下式计算得到

l_r＝l₁-l₂

w_r＝w₁-w₂

其中

l_1.2＝max，min{(x_i-c_x)·cosθ_r+(y_i-c_y)·sinθ_r}

w_1.2＝max，min{-(x_i-c_x)·sinθ_r+(y_i-c_y)·cosθ_r}

如果填充比d大于阈值D（此处取0.7），则认为该区域对应一条直线段，否则则认为该区域无对应的直线段。直线段的两端点坐标为

(x₁，y₁)＝(c_x，c_y)+(cosθ_r，sinθ_r)·l₁

(x₂，y₂)＝(c_x，c_y)+(cosθ_r，sinθ_r)·l₂

直线段的方向即为矩形的主轴方向。

图1是运用上述改进的相位编组算法对汽车的直线段检测结果示意图。

步骤2、采用改进的k-means聚类算法，将步骤1获取的直线段进行分类

通常人造目标区域会出现较密集的直线段，因此本发明采用目前应用广泛的K-means聚类算法，对检测到的直线段进行聚类分析，得到潜在的人造目标区域。但传统的K-means聚类算法中K值是需要事先给定，而实际应用中K值是很难估计的，另外，传统方法容易受到聚类个数以及初始聚类中心的限制，选择不同的初始聚类中心会产生不同的聚类结果。针对传统K-means算法的缺点，本发明将密度聚类的思想引入到K-means聚类算法中，对K-means聚类算法进行了改进。

聚类时处理的对象为获取的直线段的中心点，聚类前先设定类间距离阈值为d1和类内距离阈值为d2，聚类数目的确定和初始聚类中心的选取过程如下：

步骤2.1.1、逐个计算每个中心点与其它中心点的距离，并记录与每个中心点距离小于d1的点的数目，即计算每个中心点在d1邻域内的密度，初始聚类数目K=0；

步骤2.1.2、扫描对象，记录密度最大的中心点作为第一个聚类中心，更新聚类数目K=K+1，并将该点密度设为0；

步骤2.1.3、扫描对象，找到密度最大的中心点，计算该点到聚类中心的距离，若距离小于d2，则直接将该点密度赋为0，否则，记录该点为新的聚类中心，并更新聚类数目K=K+1后将该点密度赋为0；

步骤2.1.4、重复步骤2.1.3，直到所有点的密度都为0，此时的K值和聚类中心即为最后确定的聚类数目K和初始聚类中心。

改进后的K-means聚类算法的实现过程如下：

步骤2.1、按照上述步骤2.1.1至步骤2.1.4的过程确定聚类数目K以及初始聚类中心：

步骤2.2、根据各个对象与初始聚类中心的距离，将其添加到最近的类中；

步骤2.3、更新质心为类内所有对象的平均值，并按照下式计算误差平方和E的值：

式中P代表类C_i中的对象，m_i代表类C_i的质心；

步骤2.4、重复步骤2.2和步骤2.3的操作，直到每个类的质心和E的值不再发生变化，完成直线段的分类。

步骤3、依据步骤2分类后的每个类内的直线段数目以及平行线、45°角、90°角、135°角四种几何基元情况进行有效线段的判定，并根据有效线段的端点信息画出人造目标区域的外接矩形框，定位出人造目标。具体过程如下：

在构建几何基元过程中，设定了直线段之间的角度容限（10°）和距离容限（6pixel），平行线、45°角、90°角和135°角四种几何基元的构建过程如下：

步骤3.1、计算两直线段端点之间的距离，若在上述距离容限内，则进入步骤3.2进行角度几何基元的构建，否则进入步骤3.3进行平行线基元的构建；

步骤3.2、若两直线段的角度差在上述角度容限内成45°或90°或135°角，则认为两直线段构成45°或90°或135°角基元；

步骤3.3、若两直线段在上述角度容限内平行，则计算两直线段之间的距离，如果计算得到的距离在上述距离容限内，则认为两直线段构成平行线基元。

能够构成几何基元的直线段为有效线段，不能构成任何基元的直线段被认为无效的直线段。几何基元构建完成后，根据每个类内几何基元的数目进行人造目标判定，并根据有效线段的端点信息画出人造目标区域的外接矩形框，定位出人造目标。

图2为两组遥感图像人造目标的检测试验，第一行为原始图像，第二行为二值图像显示结果，第三行为原始图像显示结果。

Claims (2)

1.一种遥感成像中人造目标的检测方法，其特征在于，该方法包括如下步骤：

第一步、采用改进的相位编组算法对遥感成像的源图像进行直线段检测：在计算各像素点的梯度后，在区域生长过程中不断更新区域的方向角，将区域周围梯度方向角与该区域方向角相同的像素点纳入该区域，然后计算区域的最小外接矩形，以矩形的主轴方向计算直线段的端点、中心点和方向；

第二步、采用改进的k-means聚类算法，将第一步获取的直线段进行分类，过程如下：

步骤2.1、聚类处理的对象为第一步获取的直线段的中心点，按照下述过程确定聚类数目K以及初始聚类中心：

步骤2.1.1、设定直线段中心点的类间距离阈值为d1和类内距离阈值为d2，逐个计算每个中心点与其它中心点的距离，并记录与每个中心点距离小于d1的点的数目，即计算每个中心点在d1邻域内的密度，初始聚类数目K=0；

步骤2.1.2、扫描对象，记录密度最大的中心点作为第一个聚类中心，更新聚类数目K=K+1，并将该点密度设为0；

步骤2.1.3、扫描对象，找到密度最大的中心点，计算该点到聚类中心的距离，若距离小于d2，则直接将该点密度赋为0，否则，记录该点为新的聚类中心，并更新聚类数目K=K+1后将该点密度赋为0；

步骤2.1.4、重复步骤2.1.3，直到所有点的密度都为0，此时的K值和聚类中心即为最后确定的聚类数目K和初始聚类中心；

步骤2.2、根据各个对象与初始聚类中心的距离，将其添加到最近的类中；

步骤2.3、更新质心为类内所有对象的平均值，并按照下式计算误差平方和E的值：

$E=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{{P\∈C}_i}{\mathrm{\Σ}}{|P-m_i|}^2$

式中P代表类C_i中的对象，m_i代表类C_i的质心；

步骤2.4、重复步骤2.2和步骤2.3的操作，直到每个类的质心和E的值不再发生变化，完成直线段的分类；

第三步、依据第二步分类后的每个类内的直线段数目以及平行线、45°角、90°角、135°角四种几何基元情况进行有效线段的判定，并根据有效线段的端点信息画出人造目标区域的外接矩形框，定位出人造目标。

2.根据权利要求1所述的遥感成像中人造目标的检测方法，其特征在于，所述依据每个类内的直线段数目以及平行线、45°角、90°角、135°角四种几何基元情况进行有效线段判定的过程如下：

步骤3.1、设定直线段之间的角度容限和距离容限，计算两直线段端点之间的距离，若在上述距离容限内，则进入步骤3.2进行角度几何基元的构建，否则进入步骤3.3进行平行线基元的构建；

步骤3.2、若两直线段的角度差在上述角度容限内成45°或90°或135°角，则认为两直线段构成45°或90°或135°角基元；

步骤3.3、若两直线段在上述角度容限内平行，则计算两直线段之间的距离，如果计算得到的距离在上述距离容限内，则认为两直线段构成平行线基元；

步骤3.4、经过步骤3.1至步骤3.3能够构成几何基元的直线段为有效线段，没有构成任何基元的直线段为无效的直线段。