CN104408437A - 一种基于合成孔径雷达的道路检测方法 - Google Patents

Abstract

本发明公开了一种基于合成孔径雷达的道路检测方法，适用于图像处理领域，以解决现有的道路检测耗时大、检测结果的虚警较高及精度低的缺陷。该方法包括：对获得的原始图像进行重叠分块，获得多个子图像；对多个子图像进行目录分类，目录的类别包括包含道路和不包含道路；对于包含道路的目录下的子图像进行道路检测；将经过检测的子图像进行拼接，获得道路检测结果。本发明应用于高分辨率SAR图像处理。

Description

一种基于合成孔径雷达的道路检测方法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于合成孔径雷达的道路检测方法。

背景技术

合成孔径雷达(SAR)是一种高分辨率成像雷达，具有全天候、全天时数据获取能力及对地物的穿透能力。SAR广泛应用在军事上，为军事作战提供侦察和目标探测信息，同时在气象、地形地貌、道路检测、灾情监控等民用上也有大量的应用。

道路检测的主要任务是确定道路的位置、形状，实现道路与图像背景的分离。随着图像信息的爆炸性增长，道路检测的难点主要有：(1)图像场景越来越复杂，需处理的数据量越来越大；(2)图像的细节信息丰富，存在更多的非道路特征，影响检测结果的精确性。同时，如果对图像所有像素进行处理，运算速度也会受到影响。

目前提出的SAR图像中道路的检测方法主要有：

(1)基于Hough变换的SAR图像道路目标检测方法。算法先对图像进行相干斑抑制、形态学滤波等预处理，然后进行Hough变换识别道路，最后采用全局CFAR检测对道路检测结果进行分割。对于低分辨SAR图像来说，细节信息不明显，该算法可以得到较为精确的检测结果；对于高分辨SAR图像，细节信息增多，图像包含大量冗余信息，该方法对图像上的所有像素进行相同操作，造成了时间上的浪费，且检测精度不高。

(2)基于边缘检测的SAR图像道路目标检测的方法。方法先对图像进行预处理，然后对图像进行全局阈值分割和形态学处理，最后进行边缘检测及边缘连接。此类方法建立的道路检测模型简单，只利用了图像的灰度信息和道路的边缘特征，不能充分反应出道路的各种特性，另外，对于高分辨SAR图像，图像背景十分复杂，图像中存在更多的非道路特征，使得直接在高分辨SAR图像上进行边缘检测会检测出许多非道路的细节信息，造成虚警极高，其通用性和稳定性不够好。

高分辨率SAR图像的特征之一是数据量大，上述方法均对图像的所有像素进行遍历，造成了时间上的浪费，无法保证检测的实时性。且会检测出背景中的非道路部分，使得检测结果的虚警较高，检测结果精确度不高。

发明内容

本发明提供一种基于合成孔径雷达的道路检测方法，以解决现有的道路检测耗时大、检测结果的虚警较高及精度低的缺陷。

本发明的第一方面提供一种基于合成孔径雷达的道路检测方法，包括：对获得的原始图像进行重叠分块，获得多个子图像；对所述多个子图像进行目录分类，目录的类别包括包含道路和不包含道路；对于所述包含道路的目录下的子图像进行道路检测；将经过检测的子图像进行拼接，获得道路检测结果。

根据第一方面，在第一种可能的实现方式中，所述对获得的原始图像进行重叠分块，获得多个子图像，包括：

根据公式1对获得的原始图像进行重叠分块，获得多个子图像；

其中，m,n分别为所述原始图像的长和宽；w为子图像长和宽；p％为设定的重叠率；N为获得的子图像总数。

根据第一方面，在第二种可能的实现方式中，对所述多个子图像进行目录分类，目录的类别包括包含道路和不包含道路，包括：根据先验信息获得场景类别数，根据所述场景类别数获得目录类别的数目；从所述目录类别中选取训练样本，对所述训练样本进行广义局部沃尔什变换GLWT，并利用GLWT特征对分类器进行训练；提取所述原始图像多个子图像的GLWT特征，利用训练好的分类器对所述多个子图像进行目录分类。

根据第一方面，在第三种可能的实现方式中，所述对于所述包含道路的目录下的子图像进行检测，包括：对所述包含道路的目录下的子图像进行Canny边缘检测；对Canny边缘检测的结果进行Hough变换，获得所述子图像中包含的直线段，提取所述线段的左右端点坐标及角度信息；滤除经Hough变换后的图像中的虚警线段；检测滤除虚警后的图像中的平行线段，滤除不平行线段。

根据第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述滤除经Hough变换后的图像中的虚警线段，包括：根据所述线段的左右端点坐标获得所述线段的长度；将所述线段的长度与预设的阀值进行比较，若所述线段的长度小于所述预设阀值，则判断所述线段为虚警，将所述线段滤除；若所述线段的长度大于或等于所述预设阀值，则保留所述线段。

根据第一方面的第四种可能的实现方式，在第五种可能的实现方式中，所述检测滤除虚警后的图像中的平行线段，滤除不平行线段，包括：根据所述线段的角度信息获得任意两个线段间的夹角；将所述夹角与预设的阀值进行比较，若所述夹角大于所述预设的阀值，则所述夹角对应的两个线段为不平行线段，滤除所述两个线段；若所述夹角小于或等于所述预设的阀值，则所述夹角对应的两个线段为平行线段，保留所述两个线段。

根据第一方面的第四种可能的实现方式，在第六种可能的实现方式中，所述将经过检测的子图像进行拼接，包括：

建立和所述原始图像同样大小的空白图像；

将经过检测的子图像根据分块时的次序映射到所述空白图像上；

或者，

将经过检测的子图像根据分块时的次序覆盖到所述原始图像上。

本发明提供的基于合成孔径雷达的道路检测方法，通过对高分辨SAR图像进行重叠分块，将背景复杂的SAR图像分成背景相对均匀的子图像集，很大程度上降低了复杂背景对高分辨SAR图像道路检测的影响，使得道路的特征更加清晰，检测结果更加准确，适用于多种场景类别的高分辨SAR图像。

附图说明

图1为本发明实施例提供的基于合成孔径雷达的道路检测方法的流程示意图；

图2为本发明实施例提供的基于合成孔径雷达的道路检测方法的广义局部沃尔什变换的变换系数模板的示意图；

图3为本发明实施例提供的基于合成孔径雷达的道路检测方法的3×3区域中邻域像素与中心像素位置关系的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的在于克服已有的高分辨SAR图像道路检测技术的不足，针对高分辨率SAR图像，将图像目录分类的方法引入到道路检测中，提出一种基于图像目录分类的道路检测算法。图像目录分类是在原始图像分块的基础上，根据子图像中所包含信息的不同，把子图像分到不同的目录类别下，以克服高分辨SAR图像冗余信息过多的影响，降低时间复杂度，达到高分辨SAR图像道路检测的实时性。同时，对于任意尺寸较小的子图像背景相对均匀，有利于提高检测结果的精确度。下面对本发明的实施例进行具体说明。

图1为本发明实施例提供的基于合成孔径雷达的道路检测方法的流程示意图，该方法适用于多种场景类别的高分辨SAR图像，主要包括以下步骤：

10、对获得的原始图像进行重叠分块，获得多个子图像。

其中，具体地，可以根据公式1对获得的原始图像进行重叠分块，获得多个子图像。原始图像为高分辨SAR图像。

重叠分块即为分块时相邻两个图像块之间存在着重叠部分。

分块个数如公式1所示。

其中，m,n分别为所述原始图像，即待检测的图像的长和宽；w为子图像长和宽；p％为设定的重叠率；N为获得的子图像总数。

重叠分块时，可以记录每个子图像的左上和右下两个顶点坐标存放到p_list中。p_list的表达式如公式2：

p_list＝(x_i,y_i,x_i+w-1,y_i+w-1,i)  (2)

其中i表示第i个子图像，i从1到N，x_i,y_i分别为该子图像左上角顶点的横轴、纵轴坐标值，x_i+w-1,y_i+w-1分别为该子图像右下角顶点的横轴、纵轴坐标值。

对待检测图像进行重叠分块可以避免因目标被分割而造成的错误检测。

通过对高分辨SAR图像进行重叠分块，将背景复杂的SAR图像分成背景相对均匀的子图像集，很大程度上降低了复杂背景对高分辨SAR图像道路检测的影响，使得道路的特征更加清晰，检测结果更加准确，适用于多种场景类别的高分辨SAR图像。

20、对多个子图像进行目录分类，目录的类别包括有道路和无道路。

目录分类是根据事先定义的场景类别对子图像进行分类，本发明中场景类别分为有道路和无道路两类。即，有道路的目录中所含有的子图像均包含道路信息，需对其进行道路检测；无道路的目录中所含有的子图像均不包含道路信息，无无需进行道路检测。

30、对于包含道路的目录下的子图像进行道路检测。

为提高检测的实时性，减少耗时，对于不包含道路的目录下的子图像不进行检测，只对包含道路的目录下的子图像进行检测。先对子图像进行边缘检测，检测出子图像中的边缘部分；再对检测出边缘的子图像进行直线检测，滤除不是直线的虚警部分，并提取出平行的直线段作为子图像道路检测的结果。

40、将经过检测的子图像进行拼接，获得道路检测结果。

拼接即为根据步骤10中保存的子图像的坐标信息进行映射，将含有道路检测结果的子图像按照其在原始待检测图像中的位置排列。

本实施例通过对子图像进行目录分类，根据先验知识剔除不包含道路目录的子图像，使得检测具有针对性，减少了冗余信息，保证了道路检测的实时性。通过对包含道路的目录下的子图像进行检测，很大程度上降低了复杂背景对道路检测的影响，使得道路的特征更加清晰，减少了虚警，使得检测结果更加准确。

在上述方案基础上，步骤20中，对多个子图像进行目录分类，目录的类别包括包含道路和不包含道路，可以优选包括以下步骤：

201、根据先验信息获得场景类别数，根据场景类别数获得目录类别的数目。

其中，先验信息是指在进行道路检测前已知的图像中包括的地物类型及其数目，图像的分辨率等。场景类别指待检测图像中包含的背景类型，如草地、森林、沙漠等。

202、从目录类别中选取训练样本，对训练样本进行广义局部沃尔什变换GLWT，并利用GLWT特征对分类器进行训练。

其中，可以从目录类别中随机选取训练样本，训练样本用于训练分类器，进而进行道路检测。广义局部沃尔什变换GLWT是一种重要的信号分析工具，被广泛用于图像处理领域。通过GLWT可以提取图像的纹理特征，且计算简单，复杂度低。

203、提取原始图像多个子图像的GLWT特征，利用训练好的分类器对多个子图像进行目录分类。

训练好的分类器可以优选是支持向量机SVM(Support Vector Machine)，通过利用训练好的分类器对所述多个子图像进行目录分类，得到每个子图像所属的场景类别。SVM的优势在于算法简单，检测结果只取决与少数的支持向量。

下面具体举例说明：

由先验信息可以得到SAR图像中场景类别数为M(本发明中M＝1)，每一种场景类型对应两种目录类别，即有道路和无道路，所以，总的目录类别共有2M个，每个目录类别记为C_q,q∈2M，其中C₁,C₂,...,C_M为包含道路的目录类别标号。

分别针对2M个目录类别随机选取训练样本。计算训练样本的广义局部沃尔什变换(GLWT)，变换系数由12个3×3模板与图像卷积得到，模板如图2所示。进而计算12个变换系数的一阶和二阶中心距，分别记为B₁(u)和B₂(u)，最后选择12个二阶中心距作为训练样本的特征向量，记为输入SVM。

$B_1\left(u\right)=\frac{1}{w^2}\underset{(s,t)\∈I}{\mathrm{\Σ}}W\left(u\right|s,t)$

$B_2\left(u\right)=\frac{1}{w^2}\underset{(s,t)\∈I}{\mathrm{\Σ}}{[W\left(u\right|s,t)-B_1\left(u\right)]}^2$

$\stackrel{\→}{f}=[B_2\left(0\right),B_2\left(1\right),...,B_2\left(11\right)]$

其中，若提取的是训练样本的GLWT特征，I代表训练样本；否则I代表待测图像重叠分块后得到的子图像，w分别为图像I的高度(图像高度和宽度相等)，u＝0,1,...,11是局部沃尔什变换系数的序号，W(u|s,t)为图像I中坐标值为(s,t),0≤s≤w,0≤t≤w的点对应的沃尔什变换系数。利用图2所示的模板与图像I进行卷积，得到的结果能准确反映图像I中被3×3模板覆盖区域的中心像素与邻域像素的差异。对所述的I，12个3×3模板由以下方式得到：

定义Hadamard变换矩阵为H₁＝[1], $H_{\mathrm{NH}}=\left[\begin{array}{cc}{H}_{\frac{\mathrm{NH}}{2}}& H_{\frac{\mathrm{NH}}{2}}\\ H_{\frac{\mathrm{NH}}{2}}& -H_{\frac{\mathrm{NH}}{2}}\end{array}\right],$ 其中NH为方阵的阶数。

$\left[\begin{array}{c}W\left(0\right|s,t)\\ W\left(1\right|s,t)\\ ...\\ W\left(10\right|s,t)\\ W\left(11\right|s,t)\end{array}\right]=H_{12}\×\left[\begin{array}{c}I\left(0\right|s,t)\\ I\left(1\right|s,t)\\ ...\\ I\left(6\right|s,t)\\ I\left(7\right|s,t)\end{array}\right]$

I(pixel|s,t)＝I_pixel-I(s,t),pixel＝0,1,...,7

其中pixel与(s,t)的位置关系如图3所示，(s,t)记为c。由上述两式可以求得图2所示的局部沃尔什变换系数的模板。

计算子图像的GLWT特征，利用训练好的分类器对其进行目录分类。目录分类结束后，对于不属于有道路目录类别的子图像予以舍弃。

在上述方案基础上，步骤30中，对于包含道路的目录下的子图像进行检测，可以优选包括以下步骤：

301、对包含道路的目录下的子图像进行Canny边缘检测。

其中，Canny边缘检测是现有边缘检测算法的一种，它的优点在于错误率低、定位精度高，即能准确定位子图像灰度变换最大的地方、抑制虚假边缘。

302、对Canny边缘检测的结果进行Hough变换，获得子图像中包含的直线段，提取直线段的左右端点坐标及角度信息。

Hough变换是一种直线检测方法，它能够将不连续的边缘连接起并返回线段的端点及角度信息。Hough变换的优点在于它受噪声和曲线间断的影响较小。

303、滤除经边缘检测和Hough变换后的图像中的虚警线段。

虚警线段是指经Hough变换检测出来，但由于长度过小被判为不是道路的线段。

304、检测滤除虚警线段的图像中的平行线段。

平行线段指夹角为零或小于某阈值的两条线段。由于道路的两个边缘呈现平行关系，因而认为子图像中具有平行关系的两条线段为道路的两个边缘。

进一步可选地，步骤303中，滤除经Canny边缘检测后的图像中的虚警线段，包括以下步骤：

A1、根据线段的左右端点坐标获得线段的长度；

A2、将线段的长度与预设的长度阀值进行比较，若线段的长度小于预设的长度阀值，则判断线段为虚警，将线段滤除；若线段的长度大于或等于预设的长度阀值，则保留线段。

还可选地，步骤304中，检测图像中的平行线段，滤除不平行线段，包括以下步骤：

B1、根据线段的角度信息获得任意两个线段间的夹角；

B2、将夹角与预设的夹角阀值进行比较，若夹角大于预设的夹角阀值，则夹角对应的两个线段为不平行线段，滤除两个线段；若夹角小于或等于预设的夹角阀值，则夹角对应的两个线段为平行线段，保留两个线段。

下面举例具体说明。

对子图像I_k,k∈(1,N)进行Canny边缘检测，结果记为I_c_k,k∈(1,N)。

对I_c_k进行Hough变换，检测出图像中的所有直线段，线段的总数记为SUM L_SUM第h条线段记为l_h,h∈(1,SUM)，提取线段的左右端点坐标及角度信息，分别记为：(l_ii,l_jj),(l_ss,l_tt),θ_h,h∈(1,SUM),ii,jj,ss,tt∈(1,w)。。

滤除图像中的长度过小的虚警线段：第h条线段的长度记为Length_h，预设的长度阈值为Th₁，当Length_h＜Th₁时，判断线段为虚警，将此线段剔除。将此结果记为I_c_k',k∈(1,N)，此时线段条数为SUM′。此时线段条数为L_SUM'。

检测平行线段：对I_c_k',k∈(1,N)来说，任意两条线段的夹角为θ，θ＝|θ_h-θ_j|,1≤h≤L_SUM',1≤j≤L_SUM'，假设预设的夹角阈值为Th₂，当θ>Th₂时，两条线段不平行，不是道路边缘；反之，将这两条线段标记出来。

至此得到了对包含道路的子图像的道路检测结果。

在上述方案基础上，步骤40中将经过检测的子图像进行拼接，可以包括两种方式：

方式一

包括以下步骤：

(1)建立和原始图像同样大小的空白图像。

(2)将经过检测的子图像根据分块时的次序映射到空白图像上。

空白图像记为Image，对于编号为i的子图像，根据分块时保存的p_list将其映射到Image上，得到最终道路检测结果。

方式二

将经过检测的子图像根据分块时的次序覆盖到原始图像上。

具体地，对于编号为i的子图像，根据分块时保存的索引p_list，对原图像相应的区域进行覆盖，这样既没有对图像的其他区域进行修改又显示了道路检测结果。

本发明具体涉及合成孔径雷达(SAR)图像目录分类、特征提取和道路检测的方法，可用于SAR图像道路检测。本发明首先对图像进行重叠分块，分块时保存子图像的编号及左上和右下两个顶点的坐标位置。然后引入图像目录分类方法，将所有的子图像分到不同的类别下，对于不属于任一类别的子图像自动舍弃，进而对包含道路目标的子图像进行道路检测。最后将包含道路检测结果的子图像进行拼接，得到最终的道路检测结果图。与传统的道路检测方法相比，本发明引入图像目录分类算法，减少了图像的冗余信息，保证了检测的实时性，同时将背景复杂的图像分成背景相对均匀的图像块，很大程度上降低了背景对道路检测的影响，尤其对于高分辨SAR图像，本发明的性能优越性更加显著。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于合成孔径雷达的道路检测方法，其特征在于，包括：

对获得的原始图像进行重叠分块，获得多个子图像；

对所述多个子图像进行目录分类，目录的类别包括包含道路和不包含道路；

对于所述包含道路的目录下的子图像进行道路检测；

将经过检测的子图像进行拼接，获得道路检测结果。

2.根据权利要求1所述的方法，其特征在于，所述对获得的原始图像进行重叠分块，获得多个子图像，包括：

根据公式1对获得的原始图像进行重叠分块，获得多个子图像；

其中，m,n分别为所述原始图像的长和宽；w为子图像长和宽；p％为设定的重叠率；N为获得的子图像总数。

3.根据权利要求1所述的方法，其特征在于，对所述多个子图像进行目录分类，目录的类别包括包含道路和不包含道路，包括：

根据先验信息获得场景类别数，根据所述场景类别数获得目录类别的数目；

从所述目录类别中选取训练样本，对所述训练样本进行广义局部沃尔什变换GLWT，并利用GLWT特征对分类器进行训练；

提取所述原始图像多个子图像的GLWT特征，利用训练好的分类器对所述多个子图像进行目录分类。

4.根据权利要求1所述的方法，其特征在于，所述对于所述包含道路的目录下的子图像进行检测，包括：

对所述包含道路的目录下的子图像进行Canny边缘检测；

对Canny边缘检测的结果进行Hough变换，获得所述子图像中包含的直线段，提取所述线段的左右端点坐标及角度信息；

滤除经边缘检测和Hough变换后的图像中的虚警线段；

检测滤除虚警线段的图像中的平行线段。

5.根据权利要求4所述的方法，其特征在于，所述滤除经Hough变换后的图像中的虚警线段，包括：

根据所述线段的左右端点坐标获得所述线段的长度；

将所述线段的长度与预设的阀值进行比较，若所述线段的长度小于所述预设阀值，则判断所述线段为虚警，将所述线段滤除；若所述线段的长度大于或等于所述预设阀值，则保留所述线段。

6.根据权利要求4所述的方法，其特征在于，所述检测滤除虚警后的图像中的平行线段，滤除不平行线段，包括：

根据所述线段的角度信息获得任意两个线段间的夹角；

将所述夹角与预设的阀值进行比较，若所述夹角大于所述预设的阀值，则所述夹角对应的两个线段为不平行线段，滤除所述两个线段；若所述夹角小于或等于所述预设的阀值，则所述夹角对应的两个线段为平行线段，保留所述两个线段。

7.根据权利要求1所述的方法，其特征在于，所述将经过检测的子图像进行拼接，包括：

建立和所述原始图像同样大小的空白图像；

将经过检测的子图像根据分块时的次序映射到所述空白图像上；

或者，

将经过检测的子图像根据分块时的次序覆盖到所述原始图像上。