CN104966065B - 目标识别方法及装置 - Google Patents

Abstract

本发明公开了一种目标识别方法和装置。该目标识别方法包括如下步骤：利用线性特征检测方法对待识别图像进行线性特征检测，得到检测出的线性特征，该线性特征检测方法将图像空间线性特征的检测转换为另一空间极值点的检测并且其中利用连续聚类算子来使得在所述转换中连续图像点比离散图像点的权重更大；以及根据待识别图像中待识别目标的特性，从检测出的线性特征中识别出待识别目标。利用根据本发明的目标识别方法和装置，可以在从高分辨率遥感图像中检测识别弱线性目标时，有效地抑制系统噪声和环境噪声，成功地识别并提取目标，防止误判，并且成功检测短线段。

Description

目标识别方法及装置

技术领域

本发明涉及图像处理技术，具体而言，涉及一种线性目标识别方法及装置。

背景技术

遥感图像中包括丰富的地表线性特征，比如道路、铁路、河流、海岸线等。从遥感图像中识别线性特征是一个广受研究者关注的问题。考虑到道路信息的重要性及更新地球信息系统的需要，过去的研究多侧重道路信息提取。过去几十年间，众多研究者针对该问题提出了各种各样的解决办法，以从高分辨率航拍图像、综合孔径雷达(SAR)图像以及高分辨率的卫星图像中识别并提取道路信息。

遥感图像中另一重要目标是电力线。传统研究多侧重从LiDAR图像、直升机航拍图像、无人机光学图像中提取电力线信息，以实现电力线检测，从而保障电力线与输变电设备的安全。迄今为止，少有研究涉及卫星遥感图像中的电力线识别与提取。

空间技术在过去十年间快速发展，由此可拍摄分辨率很高的卫星图像。卫星图像的分辨率可达亚米级，重访周期缩短到一天。目前常用的高分辨率商业卫星包括QuickBird、GeoEye以及Worldview，其最高分辨率已经达到0.31米，相信更高分辨率不久也会问世，这使得用遥感技术来进行电力线巡检成为可能。为此目的，需要从遥感图像提取线性特征。

但是，电力线是遥感图像中非常弱的线性目标，具有维度小(处于亚像素级别)、背景复杂等特征。用上述传统技术识别这类弱线性目标时，由于存在与待识别目标相比较强的环境噪声与系统噪声，往往会出现误判等各种问题。此外，现有的线性目标识别方法在处理短线段时往往能力不足。因此，亟需一种能从背景复杂的高分辨率遥感图像识别出弱线性目标的方法及相关装置，并希望该方法与装置能识别短线段。

发明内容

本发明目的在于克服现有技术的不足，提供一种基于高分辨率遥感图像的线性目标识别方法及装置，以实现亚像素、弱目标、背景复杂的图像中对弱线性目标的识别。

根据本发明的一方面，提供一种目标识别方法，包括如下步骤：

利用线性特征检测方法对待识别图像进行线性特征检测，得到检测出的线性特征，该线性特征检测方法将图像空间线性特征的检测转换为另一空间极值点的检测并且其中利用连续聚类算子来使得在转换中连续图像点比离散图像点的权重更大；以及

根据待识别图像中待识别目标的特性，从检测出的线性特征中识别出待识别目标。

在一个示例中，该目标识别方法还包括在进行线性特征检测之前先对待识别图像进行增强和边缘检测以消除待识别图像中的面状亮目标对检测的影响。

在一个示例中，所述连续聚类算子反比于所述待识别图像在二维方向上连续图像点的值之差。

在一个示例中，所述连续聚类算子正比于所述待识别图像在二维方向上具有近似/相等值的连续图像点的值之和。

在一个示例中，从所述图像空间线性特征的检测到所述另一空间极值点的检测的转换通过Radon或Hough变换实现。

在一个示例中，所述待识别目标的特性包括如下至少之一：

i)、长且直，并覆盖部分待识别图像或贯穿整个待识别图像；

ii)、宽度占据1-2个像素；

iii)、相互平行；

iv)、中间及两侧的背景相似。

在一个示例中，所述待识别目标为电力线。

在一个示例中，所述待识别目标为船舶尾波。

根据本发明的另一方面，提供一种目标识别装置，包括：线性特征检测模块，用于对待识别图像进行线性特征检测，得到检测出的线性特征，该线性特征检测将图像空间线性特征的检测转换为另一空间内极值点的检测并且其中利用连续聚类算子来使得在转换中连续图像点比离散图像点的权重更大；以及目标识别模块，用于根据所述待识别图像中待识别目标的特性，从检测出的线性特征中识别所述待识别目标。

在一个示例中，该目标识别装置还包括增强模块，用于对所述待识别图像进行增强。

在一个示例中，该目标识别装置还包括边缘检测模块，用于对所述待识别图像进行边缘检测。

利用根据本发明的目标识别方法及装置，可以在从高分辨率遥感图像中检测识别弱线性目标时，有效地抑制系统噪声和环境噪声，成功地识别并提取目标，防止误判。此外，根据本发明的方法及装置还可成功检测短线段。

附图说明

图1示出根据本发明实施例的目标识别方法的流程图；

图2为传统Radon变换的原理示意图；

图3为传统Radon变换误判情况示意图；

图4(a)～4(d)示出通过本发明图像识别方法消除亮面状目标的影响并识别线性目标；

图5(a)～5(e)示出通过本发明图像识别方法识别模拟的船舶尾波；

图6(a)～6(d)示出通过本发明图像识别方法识别卫星图像中的电力线；

图7(a)～7(c)示出通过本发明图像识别方法识别谷歌地球图像中的电力线；以及

图8是根据本发明实施例的目标识别装置的示意图。

具体实施方式

下面参考附图并结合具体实施例对本发明的技术方案进行详细描述。提供这些示例性实施例的目的是为了使得本领域普通技术人员能够清楚地理解本发明，并且根据这里的描述能够实现本发明。附图和具体实施例并非意在对本发明进行限定；本发明的范围由所附权利要求限定。

如图1所示，本发明所提出的目标识别方法包括如下步骤：

300：线性特征检测

在该步骤，利用线性特征检测方法对待识别图像进行线性特征检测，得到检测出的线性特征。本发明的线性特征检测方法将图像空间线性特征的检测转换为另一空间极值点的检测，并且利用连续聚类算子来使得在所述转换中连续图像点比离散图像点的权重更大。

400：待识别目标识别

在该步骤，根据待识别目标的特性，从检测出的线性特征中识别出待识别目标。图1简单示出了本发明的上述流程。

待识别的高分辨率遥感图像可以是卫星图像、SAR图像、LiDAR图像、直升机航拍图像、无人机光学图像。这些图像包括丰富的地表信息，如森林、草原、道路、建筑物、电力线等。这些图像中的弱线性目标，如电力线、船舶尾波等，是有待识别的目标。

为了从高分辨率遥感图像中识别出弱线性目标，通过变换算法将图像空间中的图形变换到另一空间。通过此变换，图像空间的线将转换为另一空间内的点。由此，从图像中识别线性目标的问题则转换成寻找另一空间内极值点的问题。根据本发明的一个实施例，用于将图像从图像空间变换到另一空间的变换为Radon变换。Radon变换具有抗噪能力强等突出优点，可以通过此变换，从高分辨率遥感图像中识别出非常弱的线性目标。

具体而言，传统Radon变换在任意维空间内具有多种定义形式，其在二维空间内的定义为：

R(ρ,θ)＝∫_Df(x,y)δ(xcosθ+ysinθ-ρ)dxdy (1)

其中，D是整个图像空间，f(x,y)为待识别图像上坐标(x,y)处图像点的灰度值(或二进制值)，δ为狄拉克δ函数，ρ为待识别图像平面即(x,y)平面中一直线到原点的距离，θ为原点到该直线的垂线与x轴的夹角。

参见图2，图像空间内一图像的Radon变换事实上是相对于与角度为θ的直线垂直的一组平行线在不同角度θ与位置处ρ的投影。从图2可以看出，Radon变换以线积分的形式把图像空间投影到Radon(ρ,θ)空间。图2中显示为灰色的一条在Radon空间为一个点(ρ_i,θ)。Radon变换后，图像空间的直线转换为Radon空间的点，从图像空间检测线性目标的问题转换成在Radon空间寻找极大值(亮线)和极小值(暗线)的问题。

然而传统Radon变换检测线性特征时，对非线性特征引起的系统噪声容易做出误判。如图3所示，图像右上方有一条直线，左方存在系统噪声造成的一条伪直线。伪直线在其方向上(垂直方向上)占据7个像素，而真实直线在其方向上(约135度方向上)只占据6个像素。传统Radon变换在将图像空间投影到Radon空间时，对原始图像某一方向上的所有图像点赋予同样的权重。这样一来，投影后Radon空间内伪直线对应的点的值大于真实直线对应的点的值，因而，首先提取的是伪直线，而不是真实直线。在线性弱目标如电力线的识别中，由于电力线本身的线性弱目标特性以及其背景噪声复杂性，这种情况非常普遍。为了克服传统Radon变换的上述缺陷，本发明引入连续聚类算子I_φ,r对传统Radon变换进行改进。

具体而言，连续聚类算子I_φ,r是赋予图像空间的每个图像点的一个权重，其用于突出连续图像点对Radon空间计算结果的贡献并减小离散图像点对Radon空间计算结果的影响。换句话说，连续聚类算子I_φ,r使得在进行Radon变换时连续图像点比离散图像点的权重更大。这样一来，某个方向上连续的图像点越多，这些连续图像点的I_φ,r的值越大，则该方向在Radon空间对应的点的值越大。反之，如果某个方向上的图像点都是离散的，则该方向上图像点的I_φ,r的值就较小，从而该方向在Radon空间对应的点的值就相对小。这样一来，就可以把待处理图像中的真实目标与噪声区分开来。

根据本发明的一个实施例，连续聚类算子可用下式表示：

其中，f_ρ,θ(x_m,y_n)为图像点(x,y)处φ方向r范围内的某一图像点(x_m,y_n)的值。对于一幅待识别图像，若图像中沿某方向存在一线性目标，则该线性目标对应的图像点为连续图像点，这些连续图像点的值相等或相近。相对而言，另一方向上存在的噪声对应的图像点为离散图像点，这些离散图像点的值相差较大。基于此，利用上面公式对图像点(x,y)处φ方向r范围内的所有图像点的值进行比较，如果两个图像点的值之差较小或为零，则说明这两个图像点是连续图像点，相应赋予这些图像点的权重就较大。如果两个图像点的值之差较大，则说明这两个图像点是离散图像点，相应赋予这些图像点的权重就较小。

根据上面公式的I_φ,r的范围为0到1。当I_φ,r为1时，图像点(x,y)处φ方向r范围内所有像素都具有同一值。当I_φ,r为零时，图像点(x,y)处φ方向r范围内的图像点(x_m,y_n)的值与范围r内所有其他像素的值都不同。这样的像素会被当作噪声滤除，不会对最终计算的值做出贡献。

连续聚类算子I_φ,r可以采用其他的计算形式，只要所设计的计算形式能使得在进行Radon变换时连续图像点比离散图像点的权重更大即可。例如，对于二值待识别图像，连续聚类算子I_φ,r可以采用如下公式计算：

这一形式的连续聚类算子I_φ,r与方向r范围内所有图像点的值之和成正比。也就是说，给定范围内连续的图像点越多，连续聚类算子I_φ,r的值越大；反之，给定范围内连续的图像点越少，连续聚类算子I_φ,r的值越小。

例如，对于图3所示情况，利用上面公式(2)对从图像点(1,2)开始到图像点(10,2)的伪直线进行计算。白色图像点的值为1，黑色图像点的值为零。假定r＝5，针对每个值为1的图像点，用公式(2)对从该图像点开始的五个图像点进行聚类计算，得到该图像点的聚类算子。例如，对于图像点(1,2)，其聚类算子I的值为1-(0+0+1+0)/(2+2+1+2)＝6/7。类似的，可以计算出其他图像点的聚类算子值。最后，计算得到从图像点(1,2)开始到图像点(10,2)的伪直线的R(ρ,θ)为5.6。此时，真实直线的R(ρ,θ)依然是6，所以，首先提取的是真实直线。相比之下，使用传统Radon变换计算时，伪直线的R(ρ,θ)是7，而真实直线的R(ρ,θ)是6，所以首先提取的是伪直线。由此可见，利用本发明方法可以避免由离散的系统噪声造成的误判。

将连续聚类算子引入Radon变换，可以得到如下式表示的改进的Radon变换：

利用上面改进的Radon变换，可以准确地识别出高分辨率遥感图像中的弱线性目标。之后，对于如电力线的线性目标，可以结合其独特的特性，将之与其他线性目标区别开来，从而提取出要识别的线性目标。

根据Radon域的识别结果，可以根据下面公式得到原图像空间的直线并将该直线叠加到原始待处理图像上：

y＝(ρ/sinθ)-xcotθ

此外，待处理图像中包括的亮面状目标会对Radon变换即线性特征检测结果造成不良影响，从而会导致线性目标识别时出现误判。为此，如图1所示，可在进行Radon变换之前，对待处理图像进行边缘检测(步骤200)，得到边缘检测图像，然后利用本发明提出的上述改进的Radon变换对边缘检测图像进行线性特征检测。根据本发明的一个实施例，通过最优边缘检测算子来提取检测图像中的边缘信息。最优边缘检测算子的一个例子为Canny算子。

此外，如图1所示，为了进一步优化处理效果，在进行边缘检测和线性特征检测之前，可对图像进行增强(步骤100)。根据本发明的一个实施例，可通过Curvelet变换和逆变换来增强原始图像，以降低噪声、提高图像对比度并强化待处理图像中的线性边缘特征，以利于如电力线的弱线性目标的识别。根据本发明的另一实施例，通过快速离散Curvelet变换来增强原始图像。也可用本领域技术人员公知的其他方法来增强原始图像。

根据本发明的另一实施例，用于将图像从图像空间变换到另一空间的变换为Hough变换。通过对传统Hough变换引入上述的连续聚类算子，可以抑制系统噪声和环境噪声，从而更准确的从待处理图像中识别出弱线性目标。

以上详细描述了根据本发明的目标识别与提取方法。根据该方法，可以识别并提取出高分辨率遥感图像中如电力线或道路的线性目标。这一方法可以成功抑制随机噪声和系统噪声并且准确提取出高分辨率遥感图像中的弱线性目标，避免由噪声造成的误判。

下面描述应用上述方法进行线性目标识别与提取的具体例子。

示例1

图4(a)示出以真实卫星图像为背景的合成图像，图像背景包括森林、建筑、道路等。图像中从左上到右下方向有两条电力线，图像背景左侧中部与右上角的两处屋顶为高亮度面状目标。图4(b)示出用传统Radon变换进行线性特征检测的结果，其中几乎所有伪直线都是由亮的面状目标造成的。图4(c)经边缘检测后用传统Radon变换进行线性特征检测的结果。从图4(c)可以看出，虽然成功消除了由亮的面状目标造成的伪直线，但是检测结果中存在大量由林地造成的伪直线。图4(d)示出经边缘检测后利用本发明方法进行线性特征检测的结果。从图4(d)可以看出，两条模拟的电力线被准确检测出来。然后，结合电力线特有的特性，即可从图中提取电力线。

示例2

图5(a)的合成图像包括短的线段，用于模拟船舶的尾波，找到这种V型尾波可用于追踪船舶。用方差等于5的高斯噪声对图5(a)进行噪声处理得到图5(b)的待处理图像。利用本发明提出的目标识别方法对图5(b)进行目标识别后得到如图5(c)所示结果。从图5(c)可知本发明的方法亦可成功识别出短的线段。图5(d)和图5(e)分别示出利用传统Radon编号进行线性特征检测及利用本发明方法进行线性特征检测时在Radon空间的二维分布。通过对比两幅图，可以看到本发明方法有效地抑制了噪声、增强了作为线性特征的两个短线段，图5(e)中的两个峰值点对应原合成图像中的两个线段。

示例3

图6(a)是待处理原始图像，为分辨率为512×512的GeoEye-1遥感影像。从图6(a)中可以看见，遥感图像上由正北向东南有一条斜跨图像的电力线，其背景非常复杂，包括裸地、公路、变电站、和南部大片林地，存在大量噪声，增加了电力线的识别与提取难度。边缘检测的结果如图6(b)所示，从中可以看到大量系统噪声的存在。图6(c)示出利用本发明方法进行目标识别后的结果。从图6(c)中可以看出，除了所感兴趣的电力线以外，还提取了待处理图像的道路信息。此时，为了进一步提取要提取的电力线，考虑电力线的如下特性：

i)、拓扑结构简单，一般都长且直，并覆盖部分待识别图像或贯穿整个高分辨率遥感影像；

ii)、电力线宽度一般占据1-2个像素；

iii)、电力线之间相互平行；

iv)、电力线背景地物较为复杂，既包括森林，河流等自然地物，也包括道路，建筑物等人造地物；

除上述4个特征，为了从其他线性特征中提取电力线，本实施例，提出第5个特点：

v)、不同于道路边界线等其他线性特征，电力线两侧及中间的背景相似。

基于上述特性，从图6(c)成功地提取出电力线，并叠加到原始图像上，得到图6(d)所示结果。

示例4

图7(a)是待处理的谷歌地球图像，分辨率为512×512。该图包括三种地表特征：裸地、森林和草地，以及从西北向东南横贯整幅图的三对电力线。图7(b)示出利用本发明目标识别方法处理原始图像后所得结果，其中清楚示出三对电力线以及其他线性特征。结合上述电力线的特征，可得到图7(c)的识别结果。该结果显示，对于没有亮面状目标的图像，可以利用本发明方法直接对待识别图像进行目标识别。这样可以更多地保留原始图像的细节从而得到更好的识别结果。

从以上例子可以看出，利用根据本发明的目标识别与提取方法，可以在从高分辨率遥感图像中检测识别弱线性目标时，有效地抑制系统噪声和环境噪声，成功地识别并提取目标，防止误判。此外，根据本发明的方法和装置还可成功检测短线段。

本发明的另一方面提供一种目标识别装置800。如图8所示，根据本发明的目标识别装置800包括：线性特征检测模块810，用于对待识别图像进行线性特征检测，得到检测出的线性特征。线性特征检测将图像空间线性特征的检测转换为另一空间内极值点的检测并且其中利用连续聚类算子来使得在所述转换中连续图像点比离散图像点的权重更大。同时，根据本发明的线性目标识别装置还包括目标识别模块820，用于根据待识别图像中待识别目标的特性，从检测出的线性特征中识别待识别目标。

此外，根据本发明的线性目标识别装置还可包括增强模块830以及边缘检测模块840。增强模块830用于对待处理图像进行增强，得到增强图像。边缘检测模块840用于对增强图像进行边缘检测，得到边缘检测图像。通过图像增强和边缘检测，可以强化待识别图像中的线性特征，消除亮面状目标对线性特征检测的影响，优化目标识别的效果。

这里，从图像空间线性特征的检测到另一空间极值点的检测的转换通过Radon变换或Hough变换实现。有关具体变换过程请参考上述对本发明目标识别方法的描述，在此不再赘述。

根据本发明的上述目标识别装置可用于对高分辨率遥感图像进行处理，以识别其中的弱线性目标，如电力线、船舶尾波等。利用根据本发明的目标识别装置，可以在从高分辨率遥感图像中检测识别弱线性目标时，有效地抑制系统噪声和环境噪声，成功地识别并提取目标，防止误判。此外，根据本发明的目标识别装置还可成功检测短线段。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种目标识别方法，包括如下步骤：

利用线性特征检测方法对待识别图像进行线性特征检测，得到检测出的线性特征，所述线性特征检测方法将图像空间线性特征的检测转换为另一空间极值点的检测并且其中利用连续聚类算子来使得在所述转换中连续图像点比离散图像点的权重更大；以及

根据所述待识别图像中待识别目标的特性，从检测出的线性特征中识别出待识别目标，

其中，所述连续聚类算子反比于所述待识别图像在二维方向上连续图像点的值之差，

所述连续聚类算子以下式表示：

其中，f_ρ,θ(x_m,y_n)为像素点(x,y)处方向r范围内某一像素点(x_m,y_n)的值。

2.如权利要求1所述的目标识别方法，还包括在进行线性特征检测之前先对所述待识别图像进行增强和边缘检测以消除所述待识别图像中的面状亮目标对检测的影响。

3.如权利要求1或2所述的目标识别方法，其中从所述图像空间线性特征的检测到所述另一空间极值点的检测的转换通过Radon变换实现。

4.如权利要求1或2所述的目标识别方法，其中从所述图像空间线性特征的检测到所述另一空间极值点的检测的转换通过Hough变换实现。

5.如权利要求1或2所述的目标识别方法，其中所述待识别目标的特性包括如下至少之一：

i)、长且直，并覆盖部分待识别图像或贯穿整个待识别图像；

ii)、宽度占据1-2个像素；

iii)、相互平行；

iv)、中间及两侧的背景相似。

6.如权利要求5所述的目标识别方法，其中所述待识别目标为电力线。

7.如权利要求5所述的目标识别方法，其中所述待识别目标为船舶尾波。

8.一种目标识别装置，包括：

线性特征检测模块，用于对待识别图像进行线性特征检测，得到检测出的线性特征，所述线性特征检测将图像空间线性特征的检测转换为另一空间内极值点的检测并且其中利用连续聚类算子来使得在所述转换中连续图像点比离散图像点的权重更大；以及

目标识别模块，用于根据所述待识别图像中待识别目标的特性，从检测出的线性特征中识别所述待识别目标,

其中，所述连续聚类算子反比于所述待识别图像在二维方向上连续图像点的值之差，

所述连续聚类算子以下式表示：

其中，f_ρ,θ(x_m,y_n)为像素点(x,y)处方向r范围内某一像素点(x_m,y_n)的值。

9.如权利要求8所述的目标识别装置，还包括增强模块，用于对所述待识别图像进行增强。

10.如权利要求8所述的目标识别装置，还包括边缘检测模块，用于对所述待识别图像进行边缘检测。

11.如权利要求8所述的目标识别装置，其中从所述图像空间线性特征的检测到所述另一空间极值点的检测的转换通过Radon变换实现。

12.如权利要求8所述的目标识别装置，其中从所述图像空间线性特征的检测到所述另一空间极值点的检测的转换通过Hough变换。