CN104050663A - 用以车辆和路面识别的交通遥感图像处理方法 - Google Patents
用以车辆和路面识别的交通遥感图像处理方法 Download PDFInfo
- Publication number
- CN104050663A CN104050663A CN201410242595.1A CN201410242595A CN104050663A CN 104050663 A CN104050663 A CN 104050663A CN 201410242595 A CN201410242595 A CN 201410242595A CN 104050663 A CN104050663 A CN 104050663A
- Authority
- CN
- China
- Prior art keywords
- pixel
- remote sensing
- road surface
- image
- layer
- 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
Abstract
本发明公开一种用以车辆和路面识别的交通遥感图像处理方法,包括1)将图像分为两个图层;2)将每个图层的亮度进行增强;3)将其中一个图层进行翻转,使其与另一个图层具有相同的像素区间;4)将翻转后的两个图层,分别使用最大类间方差法确定阈值,从而完成图像中车、路分割的步骤。本发明首先以图层分离为核心,利用直方图中的路面像素点分布较集中、呈现峰状的特征,以峰值点为分水岭对遥感图像进行分层,将深色汽车和浅色汽车分离到深、浅两个图层内,然后,利用最大类间方差法进行阈值分割,实现了非常好的汽车和路面识别效果,汽车的坐标可以在遥感图像中精确定位。
Description
技术领域
本发明属于遥感图像处理技术,特别是关于一种用以车辆和路面识别的交通遥感图像处理方法。
背景技术
遥感平台从高空(甚至太空)俯视地面,能够大范围、全区域地判别整个城市的交通状况,一次性获取城市整体交通状况信息(即影像数据),非常有利于从全局角度为交通指挥决策提供依据。
目前主要的交通遥感图像处理方式是通过图像灰度阈值分割技术,区分遥感图像中的道路和汽车。通过一些预处理技术,还可以有效改善识别效果,例如在阈值分割前,先采用形态共享权神经网进行腐蚀和膨胀运算突出汽车的特征。此外,还有学者在研究以自适应建模的方式,区分汽车和路面,例如使用机器学习中的径向基神经网络、概率神经网络识别汽车,并通过加入纹理特征进一步提高识别率。
全色遥感图像中,汽车颜色呈现为深、浅两种形式,交通遥感图像处理需要实现深色汽车、浅色汽车和路面三者的区分。这是交通遥感图像处理的难点,要比仅是前景(汽车)和背景(路面)两者的区分更加复杂。
并且图像景物的多类分割一般很难做到准确:识别浅色车时,深色车的存在会使最大类间方差法自适应求取的阈值偏小,路面上一些较亮的点会被误识别为浅色车;识别深色车时,浅色车的存在会造成阈值偏大,较深的路面像素点会被误识别为深色车。
因此,目前常用的方法是在利用阈值区分车、路之前,先将一张遥感图像变为两张,通过形态神经网络使得一张削弱深色车保留浅色车、另一张削弱浅色车保留深色车,然后再用阈值分割法。但这种方法很难完全消除某一颜色的汽车,其残留部分仍会造成干扰。
发明内容
为了解决交通遥感图像处理中,难以区分深色汽车、浅色汽车和路面三者图像的问题,本发明提供一种用以车辆和路面识别的交通遥感图像处理方法,它采用图像分层,加入阈值处理的方式,将车辆和路面准确、明显区分开来。
该方法采取的具体方案是:一种用以车辆和路面识别的交通遥感图像处理方法,包括如下步骤:
1)将图像分为两个图层;
2)将每个图层的亮度进行增强;
3)将其中一个图层进行翻转,使其与另一个图层具有相同的像素区间;
4)将翻转后的两个图层,分别使用最大类间方差法确定阈值,从而完成图像中车、路分割。
在步骤1)中,采用直方图法将图像分割为深色和浅色两个图层,所述直方图法为:以横坐标为像素值,纵坐标为像素个数,建立遥感图像的灰度直方图,像素值区间是从0至255;以直方图中的峰值点对应的横坐标作为分界线,把图像分为左、右两个图层。
在步骤2)中,对两个图层进行亮度增强的方法是:将两个图层的像素都扩展到全部的像素级范围,即分别扩展为0~图像中的最高像素值,扩展方法是:采用线性变换,变换的数学表达式为:
式中,g(x,y)为扩展后图像在(x,y)处的灰度值,a为扩展前的灰度下限,b为扩展前的灰度上限,[a,b]为变换前的像素范围,f(x,y)为原始图像在(x,y)处的灰度值;
在步骤3)中,图层翻转相对于深色图层处理,其方法是:
用最高像素值与深色图层每个像素点逐点相减,数学描述为:
q(x,y)=255-g(x,y)
其中,q(x,y)为翻转后的图像在(x,y)处的灰度值,得到原图层中的0级对应最高像素级、原图层中的最高像素级对应0级。
在步骤4)中,使用最大类间方差法完成车、路分割的方法为:
设图像的灰度级范围是(0,1,2,.Λ,L-1),灰度级为i的像素点个数为mi,则图像的像素点总数为:
灰度级i出现的概率Pi的定义为:
用阈值t把图像的像素分为C0=(0,1,2,.Λ,t)和C1=(t+1,t+2,.Λ,L-1)两类区间,分别代表目标与背景,C0和C1类出现的概率分别对应为:
两类像素区间的平均灰度分别为:
这里,令
则这两类像素区间的类间方差为:
分类准则函数定义为:
取最大值时,这时的t就是分割的最佳阈值,阈值一侧即为汽车,另一侧即为路面。
图像分割后,再使用开启运算对两个图层进行滤波,去除噪声,识别出每辆汽车。
本发明由于采取以上技术方案,其具有以下优点:本发明设计的遥感图像处理方法可以准确识别出路面遥感图像中的每辆汽车。首先图像处理方法以图层分离为核心,利用直方图中的路面像素点分布较集中、呈现峰状的特征,以峰值点的灰度级作为分水岭对遥感图像进行分层,将深色汽车和浅色汽车分别分离到深、浅两个图层内,将深色车、浅色车、路面三者的区分转变为适于使用最大类间方差法的两两区分,即深色路面与深色车分割、浅色路面与浅色车分割;并且通过图像亮度增强和图层反转,进一步增强了图层中汽车和路面的对比度。然后,对各个图层利用最大类间方差法进行阈值分割,可以获得比较好的区分效果,可以实现非常好的汽车和路面识别效果,汽车的坐标可以在遥感图像中精确定位。
附图说明
图1是一幅路面遥感图像的灰度直方图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
在交通遥感图像处理中,区分汽车和路面是最核心的环节。本发明提供的一种应用于交通遥感图像的处理方法,主要为识别车辆和路面而设计,由图像分层、亮度增强、图层翻转、图像分割四部分内容组成,具体操作步骤为:
1)制作遥感图像的灰度直方图,将遥感图像分割为深色和浅色两个图层。
灰度直方图是遥感图像灰度级的函数,它表示遥感图像中具有某种灰度级的像素的个数,反映了图像中各个灰度级出现的频率。路面遥感图像的灰度直方图如图1所示,其中纵坐标为像素个数,横坐标为灰度级(即像素值),计算机中的图片灰度通常为256级。从0级至255级依次统计每个灰度级在遥感图像(全色)中的像素个数并绘制为曲线,即可获得遥感图像的直方图。
常用的全色路面交通遥感图像中,拍摄到的物体可以分为三类:深色车、路面、浅色车,它们的灰度特征可以在直方图中清晰地表现出来。深色车、路面、浅色车在遥感图像的直方图中分别分布在小、中、大(即黑、灰、白)三个灰度值区间,路面在遥感图像中占的面积最大,它在直方图中的比例也最大,在直方图中形成一个非常高的像素峰。
所以,我们可以以直方图中的峰值点对应的横坐标灰度级作为分界线,采用图像分割法,把图像分为左、右两个深、浅不同的图层。小于该灰度级的像素点构成深色图层,该图层中包含了全部的深色车和路面的深色像素点。大于该灰度级的像素点构成浅色图层,该图层中包含了全部的浅色车和路面的浅色像素点。
2)分别对两个图层进行亮度增强。
直方图中的两个图层的亮度都不足。深色图层像素仅占全部像素级范围的一部分(0~分界线像素值)。浅色图层像素也仅占全部像素级的一部分(分界线像素值~图像中的最高像素值)。为了改善识别效果,我们需要对深色和浅色图层进行亮度增强处理,将两个图层的像素都扩展到全部的像素级范围,即分别扩展到0~图像中的最高像素值。
一般图片在计算机中存储时的像素值为[0,255]范围。将各图层像素扩展到全部的像素级采用的是线性变换,所以将图层像素变化范围扩展到[0,255]范围,变换的数学表达式为:
式中,g(x,y)为扩展后图像在(x,y)处的灰度值,a为扩展前的灰度下限,b为扩展前的灰度上限,[a,b]为变换前的像素范围,f(x,y)为原始图像在(x,y)处的灰度值。
3)深色图层翻转。
为了提高图像处理的效率,为了使浅色图层和深色图层都能够适用同一套阈值来分割遥感图像中的汽车和路面,本发明还对深色图层进行翻转处理,使其与浅色图层一致。其方法是:
用最高像素值与深色图层每个像素点逐点相减,数学描述为:
q(x,y)=255-g(x,y)
其中,q(x,y)为翻转后的图像在(x,y)处的灰度值。
得到原图层中的0级对应最高像素级、原图层中的最高像素级对应0级,因此深色图层就变为与浅色图层像素一致的形式,都呈现汽车为浅色、路面为深色的表现形式。
4)完成图层分离、翻转后,可以使用最大类间方差法准确完成车、路分割。
本发明图像分层可以将深色汽车和浅色汽车完全分开,没有残留。经过图像分层后的遥感图像再使用最大类间方差法可以获得比较好的车辆识别效果,车辆与路面的区分很准确。最大类间方差法下面说明一下。
最大类间方差法可以按图像的灰度特性,将图像分成目标和背景两部分。两部分的类间方差越大,则目标和背景的差别越大,汽车和路面的区分效果越好。类间方差最大,表明阈值分割的错分概率最小。设图像的灰度级范围是(0,1,2,.Λ,L-1),灰度级为i的像素点个数为mi,则图像的像素点总数为:
灰度级i出现的概率Pi的定义为:
用阈值t把图像的像素分为C0=(0,1,2,.Λ,t)和C1=(t+1,t+2,.Λ,L-1)两类区间(分别代表目标与背景)。C0和C1类出现的概率分别对应为:
两类像素区间的平均灰度分别为:
这里,令
则这两类像素区间的类间方差为:
分类准则函数定义为:
取最大值时,这时的t就是分割目标(汽车)和背景(路面)的最佳阈值。不论是在深色图层中区分汽车和路面,还是在浅色图层中区分汽车和路面,都属于二分类问题,类间方差都只有一个最大值,通过该方法获取的就是最佳阈值。
遍历256个灰度级,取最大值对应的灰度级作为阈值即可精确区分路面和汽车。
采用最大类间方差法分别求取每个图层的最佳分割阈值,就可以获得汽车和路面比较好的分割。使用开启运算对两个图层的汽车识别效果滤波,去除噪声后的识别结果进行叠加,可以更为准确地识别出每辆汽车。开启运算是一种识别出汽车后对识别结果去噪声的方法,属于现有技术,在此不作赘述。
Claims (6)
1.一种用以车辆和路面识别的交通遥感图像处理方法,其特征在于:包括如下步骤:
1)将图像分为两个图层;
2)将每个图层的亮度进行增强;
3)将其中一个图层进行翻转,使其与另一个图层具有相同的像素区间;
4)将翻转后的两个图层,分别使用最大类间方差法确定阈值,从而完成图像中车、路分割。
2.根据权利要求1所述的用以车辆和路面识别的交通遥感图像处理方法,其特征在于:在步骤1)中,采用直方图法将图像分割为深色和浅色两个图层,所述直方图法为:以横坐标为像素值,纵坐标为像素个数,建立遥感图像的灰度直方图,像素值区间是从0至255;以直方图中的峰值点对应的横坐标作为分界线,把图像分为左、右两个图层。
3.根据权利要求1所述的用以车辆和路面识别的交通遥感图像处理方法,其特征在于:在步骤2)中,对两个图层进行亮度增强的方法是:将两个图层的像素都扩展到全部的像素级范围,即分别扩展为0~图像中的最高像素值,扩展方法是:采用线性变换,变换的数学表达式为:
式中,g(x,y)为扩展后图像在(x,y)处的灰度值,a为扩展前的灰度下限,b为扩展前的灰度上限,[a,b]为变换前的像素范围,f(x,y)为原始图像在(x,y)处的灰度值。
4.根据权利要求1所述的用以车辆和路面识别的交通遥感图像处理方法,其特征在于:在步骤3)中,图层翻转相对于深色图层处理,其方法是:
用最高像素值与深色图层每个像素点逐点相减,数学描述为:
q(x,y)=255-g(x,y)
其中,q(x,y)为翻转后的图像在(x,y)处的灰度值,得到原图层中的0级对应最高像素级、原图层中的最高像素级对应0级。
5.根据权利要求1所述的用以车辆和路面识别的交通遥感图像处理方法,其特征在于:在步骤4)中,使用最大类间方差法完成车、路分割的方法为:
设图像的灰度级范围是(0,1,2,.Λ,L-1),灰度级为i的像素点个数为mi,则图像的像素点总数为:
灰度级i出现的概率Pi的定义为:
用阈值t把图像的像素分为C0=(0,1,2,.Λ,t)和C1=(t+1,t+2,.Λ,L-1)两类区间,分别代表目标与背景,C0和C1类出现的概率分别对应为:
两类像素区间的平均灰度分别为:
这里,令
则这两类像素区间的类间方差为:
分类准则函数定义为:
取最大值时,这时的t就是分割的最佳阈值,阈值一侧即为汽车,另一侧即为路面。
6.根据权利要求1或5所述的用以车辆和路面识别的交通遥感图像处理方法,其特征在于:图像分割后,再使用开启运算对两个图层进行滤波,去除噪声,识别出每辆汽车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410242595.1A CN104050663A (zh) | 2014-06-03 | 2014-06-03 | 用以车辆和路面识别的交通遥感图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410242595.1A CN104050663A (zh) | 2014-06-03 | 2014-06-03 | 用以车辆和路面识别的交通遥感图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104050663A true CN104050663A (zh) | 2014-09-17 |
Family
ID=51503446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410242595.1A Pending CN104050663A (zh) | 2014-06-03 | 2014-06-03 | 用以车辆和路面识别的交通遥感图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104050663A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537643A (zh) * | 2014-12-09 | 2015-04-22 | 四川大学 | 一种标志定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6370260B1 (en) * | 1999-09-03 | 2002-04-09 | Honeywell International Inc. | Near-IR human detector |
CN103310195A (zh) * | 2013-06-09 | 2013-09-18 | 西北工业大学 | 车辆高分遥感图像的基于llc特征的弱监督识别方法 |
-
2014
- 2014-06-03 CN CN201410242595.1A patent/CN104050663A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6370260B1 (en) * | 1999-09-03 | 2002-04-09 | Honeywell International Inc. | Near-IR human detector |
CN103310195A (zh) * | 2013-06-09 | 2013-09-18 | 西北工业大学 | 车辆高分遥感图像的基于llc特征的弱监督识别方法 |
Non-Patent Citations (2)
Title |
---|
曹天扬 等: "一种交通车辆目标的遥感检测方法", 《第八届中国智能交通年会》 * |
曹天扬 等: "基于交通遥感图像处理的车辆目标识别方法", 《计算机测量与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537643A (zh) * | 2014-12-09 | 2015-04-22 | 四川大学 | 一种标志定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN101872416B (zh) | 对道路图像进行车牌识别的方法和系统 | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN107122777A (zh) | 一种基于视频文件的车辆分析系统及分析方法 | |
CN103258213B (zh) | 一种用于智能交通系统中的动态车辆车型识别方法 | |
CN103198315B (zh) | 基于字符轮廓和模板匹配的车牌字符分割算法 | |
CN107633220A (zh) | 一种基于卷积神经网络的车辆前方目标识别方法 | |
CN103020948A (zh) | 智能车载防撞预警系统中的夜间图像特征提取方法 | |
CN104751142A (zh) | 一种基于笔划特征的自然场景文本检测算法 | |
CN104021574A (zh) | 路面病害自动识别方法 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
CN103824081A (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN104217196A (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
CN111008647B (zh) | 一种样本提取及基于空洞卷积与残差链接的图像分类方法 | |
Radha et al. | A novel approach to extract text from license plate of vehicles | |
CN102915544A (zh) | 基于纹理检测和颜色分割的视频图像运动目标提取方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN105701844A (zh) | 基于颜色特征的障碍物或阴影检测方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN104951795A (zh) | 图像分类识别判断方法 | |
CN103247049A (zh) | 一种smt焊点图像分割方法 | |
CN101976347A (zh) | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 | |
CN105139011A (zh) | 一种基于标识物图像的车辆识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140917 |