CN105160308B - 基于线分类和纹理分类的机场目标自动识别方法 - Google Patents

基于线分类和纹理分类的机场目标自动识别方法 Download PDF

Info

Publication number
CN105160308B
CN105160308B CN201510513760.7A CN201510513760A CN105160308B CN 105160308 B CN105160308 B CN 105160308B CN 201510513760 A CN201510513760 A CN 201510513760A CN 105160308 B CN105160308 B CN 105160308B
Authority
CN
China
Prior art keywords
straightway
line
rectilinear section
current
section
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.)
Active
Application number
CN201510513760.7A
Other languages
English (en)
Other versions
CN105160308A (zh
Inventor
肖志峰
唐阁夫
刘清
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201510513760.7A priority Critical patent/CN105160308B/zh
Publication of CN105160308A publication Critical patent/CN105160308A/zh
Application granted granted Critical
Publication of CN105160308B publication Critical patent/CN105160308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于线分类和纹理分类的机场目标自动识别方法，本发明对机场目标的多维跑道线特征进行学习得到线特征分类器，通过线特征分类器筛选机场跑道线，无需设定大量的阈值条件，具有更广泛的适用性；对提取的直线段进行筛选并确定ROI区域，而不是直接依赖大量先验知识确定ROI区域；根据纹理特征学习得到的纹理特征分类器判断ROI区域是否为机场目标，这种集成多分类器的识别方法有效避免了单纯依靠线特征分类器导致机场目标提取错误的情况，可有效提高机场目标自动识别的精度。

Description

基于线分类和纹理分类的机场目标自动识别方法
技术领域
本发明属于目标自动识别技术领域，特别是涉及一种基于线分类和纹理分类的机场目标自动识别方法。
背景技术
机场作为一种常见的交通设施和军用设施，在经济建设和国防建设中具有十分重要的地位。从遥感影像中自动识别机场目标在飞机自动驾驶和机场定位导航等领域有着重要的实用价值，是目标识别领域的热点问题。目前，机场目标识别方法主要有两种，一是根据机场的灰度特征，通过图像分割或视觉显著机制等方法确定疑似机场目标的感兴趣区域(ROI)，然后利用纹理特征分类等方法验证ROI区域中是否确实含有机场目标；二是根据机场跑道的结构特征，通过Hough直线检测等方法提取图像的边缘信息，再结合跑道的长度和宽度等先验知识确定机场跑道的位置，后续采用诸如区域增长等方法确定机场目标。
上述机场目标识别方法中，通过图像分割或视觉显著机制进行处理时，对于灰度分布不均匀和分辨率较高的图像难以取得理想的效果。而基于机场跑道结构特征的目标识别方法，过于依赖先验知识，很难保证其适用性。
发明内容
针对现有技术存在的问题，本发明结合机场跑道直线结构特征信息和纹理特征信息，提供了一种基于线分类和纹理分类的机场目标自动识别方法。
为解决上述技术问题，本发明采用如下的技术方案：
基于线分类和纹理分类的机场目标自动识别方法，包括步骤：
S1提取遥感影像中直线段，即原始直线段；
S2将[0,π)平分成m个角度区间，与水平方向夹角属于同一角度区间的原始直线段归为一组，m为18～25；分别统计各直线段组中原始直线段的特征信息，采用线特征分类器将各直线段组中各原始直线段分类为机场跑道线和非机场跑道线，保留分类为机场跑道线的原始直线段，即保留直线段；线特征分类器采用机场跑道线和非机场跑道线的特征信息样本数据训练SVM获得；
S3根据保留直线段提取ROI区域；
S4对ROI区域分块获得图像块，提取各图像块的纹理特征信息，采用纹理特征分类器将图像块分类为机场跑道图像块和非机场跑道图像块；纹理特征分类器采用机场跑道和非机场跑道的纹理特征信息训练SVM获得；
S5当机场跑道图像块数和ROI区域中所有图像块数之比大于阈值T时，该ROI区域即机场目标，阈值T为经验值。
步骤S1中利用LSD直线检测法提取遥感影像中直线段。
步骤S2中所述的统计各直线段组中原始直线段的特征信息，具体为：
对各直线段组，连接其中共线的原始直线段，对共线连接后的各直线段组，分别统计其中各原始直线段的如下特征信息：
(1)当前原始直线段的宽度wid、长度len以及与水平方向的夹角ang；
(2)当前原始直线段两侧的像素灰度差异dif：分别计算当前原始直线段两侧单个像素距离内所有像素点的灰度均值，两侧的像素灰度均值差的绝对值即dif；
(3)当前原始直线段和与其共线的原始直线段的间距最小值hdmin；
(4)当前原始直线段所在共线直线段长度lenlong，若当前原始直线段不与任何原始直线段共线，lenlong即当前原始直线段自身长度；
(5)当前原始直线段和当前直线段组中其他原始直线段间距离的最小值vdmin和最大值vdmax，当前原始直线段和其他原始直线段间距离即当前原始直线段中点到其他原始直线段的距离；
(6)最大投影重叠比率projmax：分别计算当前原始直线段所在共线直线段到当前直线段组中其他共线直线段的投影重叠比率，最大的投影重叠比率即projmax；
(7)当前直线段组中距当前原始直线段特定距离内的共线直线段条数，当前原始直线段和当前直线段组中共线直线段间距离即当前原始直线段中点到共线直线段的距离。
步骤S3进一步包括子步骤：
3.1确定主方向：
将[0,π)平分成m个角度区间，m为18～25；针对各角度区间，统计与水平方向的夹角位于该角度区间的保留直线段数，若保留直线段数大于全部保留直线段数的四分之一，该角度区间中心角度值即主方向值；
3.2在各主方向下，分别执行如下操作：
将当前主方向下保留直线段顺时针旋转角度θ，θ即主方向值，利用滑动窗口检测一系列两长边沿水平方向的矩形区域，矩形区域尺寸不小于机场实际尺寸；
在满足的矩形区域中，r2值最大且r2值大于的矩形区域即ROI区域，和为经验值，r1＝P/S，r2＝P/Q，S为当前主方向下保留直线段所占像素数，P为当前主方向下保留直线段在矩形区域内所占像素数，Q为矩形区域像素数。
子步骤3.2中，和分别在0.65～0.75和0.05～0.08范围内取值。
步骤S5中的阈值T在0.35～0.45范围内取值。
和现有技术相比，本发明具有如下优点和有益效果：
对机场目标的多维跑道线特征进行学习得到线特征分类器，通过线特征分类器筛选机场跑道线，无需设定大量的阈值条件，具有更广泛的适用性；对提取的直线段进行筛选并确定ROI区域，而不是直接依赖大量先验知识确定ROI区域；根据纹理特征学习得到的纹理特征分类器判断ROI区域是否为机场目标，这种集成多分类器的识别方法有效避免了单纯依靠线特征分类器导致机场目标提取错误的情况，可有效提高机场目标自动识别的精度。
附图说明
图1为本发明的具体流程示意图；
图2为部分直线段及其特征示意图，其中，图(a)为某组内的直线段示意图；图(b)为图(a)中共线的直线段连接后示意图；图(c)为平行直线段间的投影重叠比率示意图；图(d)为距当前直线段特定距离内的平行直线段示意图；
图3为LSD直线检测与分类效果示意图，其中，图(a)为原始遥感影像；图(b)为LSD直线检测结果；图(c)为直线段分类效果，其中所保留的直线段被分类为机场跑道线；
图4为ROI区域的提取流程示意图，其中，图(a)为保留直线段及其主方向；图(b)为旋转后的坐标系和矩形区域；图(c)为返回原坐标系下的矩形区域；
图5为部分ROI区域验证结果，其中，图(a)和图(b)为机场区域，图(c)为非机场区域。
具体实施方式
本发明基于遥感影像中机场目标独特的直线结构特征和纹理特征，提出了一种结合了线分类和纹理分类的机场目标自动识别方法。首先，提取遥感影像中直线段，并统计各直线段本身的基本特征及直线段间的位置关系特征，通过训练的线特征分类器对所有直线段进行判别，获得被判别为机场跑道线的直线段。然后，对被判别为机场跑道线的直线段进行图形学处理，提取疑似机场目标的ROI区域，对ROI区域分块，提取各图像块的纹理特征。最后，采用训练的纹理特征分类器对各图像块的属性进行判断，根据ROI区域中被判定为机场跑道的图像块比例判断ROI区域是否为机场目标。
本发明流程见图1所示，具体步骤如下：
步骤1，利用LSD直线检测法检测遥感影像中直线段。
采用经典的LSD直线检测法检测遥感影像中直线段，检测结果包括各直线段的起始点坐标和宽度。为提高后续的计算效率，删除长度小于预设值的直线段，即基于直线段长度预先删除明显的非机场跑道线。由于机场跑道线一般均超过100米，因此，预设值可设为100米。当然预设值并不限于100米，可根据实际情况自行设定，但预设值的设定要保证能删除明显的非机场跑道线，但不能删除机场跑道线。
步骤2，统计直线段的特征信息。
仅根据原始直线段的起始点坐标和宽度难以判断原始直线段是否为机场跑道线，因此需要获得原始直线段更详细的特征信息，包括原始直线段本身的基本特征和原始直线段间的位置关系特征。由于机场跑道线互相平行，因此在考虑直线段间位置关系特征时，仅考虑近似平行的原始直线段间的位置关系。基于以上思想，根据原始直线段的方向对原始直线段进行分组，将近似平行的原始直线段归为一组，具体实施时，将[0,π)平分成m个角度区间，与水平方向夹角属于同一角度区间的原始直线段归为一组，最后可获得多组直线段组，其中，m为18～25。见图2，其中图2(a)为分组后的某直线段组，该组内原始直线段互相近似平行。将图2(a)中共线的直线段连接，连接后示意图见图2(b)。
连接直线段组中共线的原始直线段，将共线连接后的直线段组中直线段称为“共线直线段”，共线连接后的直线段组中共线直线段可能为原始直线段，也可能为共线的原始直线段连接后所得直线段。对共线连接后的各直线段组，分别统计其中各原始直线段的如下特征信息，这里原始直线段指步骤1获得的直线段，即未进行共线连接前的直线段：
(a)当前原始直线段的宽度wid：
当前原始直线段的宽度可根据LSD检测结果直接获得。
(b)当前原始直线段的长度len：
当前原始直线段的长度可根据原始直线段的起始点坐标计算获得。
(c)当前原始直线段的角度ang：
当前原始直线段与水平方向的夹角，角度范围[0,π)。
(d)当前原始直线段两侧的像素灰度差异dif：
对位于当前原始直线段两侧单个像素距离内的所有像素点，分别计算像素灰度平均值，获得当前原始直线段左侧和右侧的像素灰度均值，取两侧像素灰度均值的差的绝对值，即当前原始直线段两侧的像素灰度差异dif。
(e)当前原始直线段和与其共线的原始直线段的间距最小值hdmin：
考察与当前原始直线段共线的原始直线段，分别计算当前原始直线段和与其共线的原始直线段的间距，最小间距即hdmin；若与当前原始直线段共线的原始直线段仅有一条，最小间距hdmin即当前原始直线段和该唯一的共线的原始直线段的间距。见图2(a)，当前原始直线段①与原始直线段②、③均共线，分别计算当前原始直线段①和原始直线段②、③的间距hd1、hd2，hd1和hd2中较小值即当前原始直线段①和与其共线的原始直线段的间距最小值hdmin。
(f)共线的原始直线段连接后所得的共线直线段长度lenlong。
将共线的原始直线段连接后所得共线直线段的长度作为各共线的原始直线段的一项特征信息。见图2(a)，当前原始直线段①与原始直线段②、③共线，连接原始直线段①、②、③得到共线直线段1，见图2(b)，共线直线段1长度lenlong即当前原始直线段①的一项特征信息，同样也是与当前原始直线段①共线的原始直线段②、③的一项特征信息。
若当前原始直线段不与任何原始直线段共线，当前原始直线段的该项特征信息len即当前原始直线段自身长度。
(g)当前原始直线段和其所在直线段组(即当前直线段组)中其他原始直线段间距离的最小值vdmin：
考察当前直线段组中除当前原始直线段以外的其他原始直线段，分别计算当前原始直线段和这些原始直线段的距离，最小距离即vdmin。见图2(a)～2(b)，当前原始直线段①和其他原始直线段间距离的最小值vdmin即图2(b)中的vd1。
当前原始直线段和其他原始直线段间的距离即当前原始直线段中点到其他原始直线段的距离。
(h)当前原始直线段和当前直线段组中其他原始直线段间距离的最大值vdmax：
考察当前直线段组中除当前原始直线段以外的其他原始直线段，分别计算当前原始直线段和这些原始直线段的距离，最大距离即vdmax。见图2(a)～2(b)，当前原始直线段①和当前直线段组中其他原始直线段间距离的最大值vdmax即图2(b)中的vd3。
(i)当前原始直线段所在共线直线段到当前直线段组中其他共线直线段的最大投影重叠比率projmax：
考察当前直线段组中除当前原始直线段所在共线直线段外的其他共线直线段，分别计算当前原始直线段所在共线直线段到其他共线直线段的投影重叠比率，最大的投影重叠比率即projmax。两直线段间的投影重叠比率的计算见图2(c)，令直线段5和6的长度分别为L1和L2，直线段6为当前原始直线段，直线段6到直线段5的投影重叠部分长度为Lproj，则直线段6到直线段5的投影重叠比率proj为：
式(1)中，min(L1,L2)表示L1和L2中的较小值。
两直线段间的投影重叠部分的获得方法为：将两直线段分别记为第一直线段和第二直线段，将第一直线段垂直投影到第二直线段所在直线，获得投影线段，投影线段和第二直线段的重叠部分即第一直线段到第二直线段的投影重叠部分。
若原始直线段无共线的直线段时，原始直线段所在共线直线段即原始直线段本身。
(j)当前直线段组中距当前原始直线段特定距离内的共线直线段条数：
由于机场跑道实际宽度大小不等，为考虑更多机场情形，需给定不同的特定距离，本发明中，基于大多数机场跑道的宽度范围，给定了三个特定距离，分别为200米、400米和600米。特定距离的设定并没有明确的选择方法，根据机场跑道宽度和试验验证进行人为设定。
分别统计当前直线段组中距当前原始直线段特定距离内的共线直线段条数，因此可得到三个统计量num1、num2和num3。见图2(d)，直线段7为当前原始直线段所在共线直线段，该图中，三个特定距离内与直线段7平行的共线直线段条数分别为1条、4条和5条，即num1＝1，num2＝4，num3＝5。
当前原始直线段和当前直线段组中共线直线段间的距离即当前原始直线段中点到当前直线段组中共线直线段的距离。
根据上述定义，对于共线的原始直线段，它们的第(f)、(g)、(h)、(i)和(j)项特征是相同的。最后，基于提取的上述12维线特征，通过样本数据结合SVM训练线特征分类器，采用线特征分类器有效区分机场跑道线和非机场跑道线。
步骤3，提取ROI区域。
根据原始直线段的特征信息，采用线特征分类器对原始直线段进行分类，保留分类为机场跑道线的原始直线段(后文简称为“保留直线段”)，原始直线段的提取和分类的效果见图3。由于机场的矩形结构，可从保留直线段中提取合适的矩形区域作为ROI区域。首先，根据保留直线段与水平方向的角度(后文简称为“保留直线段角度”)确定保留直线段的主方向，即，将[0,π)平分成m个角度区间，m取18～25。针对各角度区间，统计该角度区间的保留直线段数(即保留的原始直线段数)，该角度区间的保留直线段即与水平方向的夹角属于该角度区间的保留直线段；若保留直线段数大于全部保留直线段数的四分之一，则该角度区间中心角度值即主方向，该角度区间的保留直线段即该主方向下的保留直线段。主方向最多有3个。若所有角度区间的保留直线段数均不大于全部保留直线段数的四分之一，则认为当前遥感图像中不存在机场目标，即不提取ROI区域，结束机场目标提取。
在各主方向下，分别执行下述操作：
假设主方向与水平方向的夹角为θ，该主方向下的保留直线段顺时针旋转角度θ，使这些保留直线段近似水平。此时，可以从这些近似水平的直线段中提取合适的矩形区域作为疑似机场区域，矩形区域的两长边呈水平方向。此外，由于机场是一个足够大的区域，因此矩形区域的长度和宽度应不小于机场尺寸，本具体实施方式中，矩形区域的长度和宽度分别不少于2500米和200米。
令当前主方向下保留直线段所占像素数为S，利用滑动窗口检测一系列矩形区域。对任意矩形区域，计算矩形区域内保留直线段所占像素数P和矩形区域像素数Q，计算比率r1＝P/S和r2＝P/Q。理想的ROI区域应满足以下条件：r1足够大时，r2取得最大值。具体实施时，在滑动窗口检测的一系列矩形区域中，对满足的所有矩形区域，r2值最大其r2值大于的矩形区域为ROI区域；若r2的最大值不大于，则认为当前主方向下无合适的ROI区域，ROI区域的提取过程见图4。通过大量实验表明，和的取值分别为0.65～0.75和0.05～0.08时效果最优。
步骤4，ROI区域分块及纹理特征提取。
对提取的ROI区域，需结合遥感影像内容作具体判断，以提高机场目标识别的准确性。机场跑道区域灰度较为平坦，与背景灰度差异显著，具有灰度跃变性，可采用基于灰度的纹理特征和具有良好分类能力的SVM分类器作为分类判别函数。由于所提取的各ROI区域大小均不一致，机场形状和方向各相同，不宜直接将整个ROI区域看作待分类对象。为解决该问题，将大小Nx×Ny的ROI区域划分成若干个大小为N×N的无重叠的图像块，将各图像块看作待分类的基本单元，根据图像纹理分类的知识，对各图像块分别提取以下纹理特征信息：
(a)基本纹理特征：
机场具有独特的纹理结构，例如，机场跑道区域比背景区域具有更高的亮度。因此，选取以下8个基本纹理特征：灰度均值、灰度方差、区域光滑性、三阶矩、区域一致性表示、区域随机性表示、梯度均值和梯度方差。
(b)灰度共生矩阵：
灰度共生矩阵可用于二阶纹理特征的计算，通过灰度共生矩阵，可提取以下5个二阶纹理特征信息：能量、对比度、相关、同质性和熵。
(c)Zerinke矩：
Zerinke矩是一种具有旋转不变性的图像矩，因此，可作为旋转不变特征用于图像分类。本发明中，Zerinke矩的秩的取值范围从0到4，包括A0,0、A1,1、A2,0、A2,2、A3,1、A3,3、A4,0、A4,2和A4,4共9个图像矩。
基于提取的上述22维纹理特征，通过样本数据结合SVM训练纹理特征分类器，纹理特征分类器能判别各图像块是否为机场跑道图像块。
步骤5，识别机场目标。
利用纹理特征分类器对ROI区域中图像块进行分类，获得被分类为机场跑道图像块数量和ROI区域中所有图像块数量的比例r＝X/Y，其中，Y表示ROI区域中图像块数，X表示ROI区域中被分类为机场跑道图像块的数量，r可看作ROI区域为机场目标的概率。若r值超过预设阈值T，便认为ROI区域为机场目标；否则，认为该ROI区域不是机场目标。实验结果表明，T取值0.35～0.45时识别效果较为理想。部分ROI区域的验证结果见图5所示，图5(a)和图5(b)是机场目标区域，图(c)为非机场目标区域，左上角圆形标记的图像块被判定为机场跑道图像块，从左到右三个ROI区域的r值分别为0.71、0.90和0.19。

Claims (5)

1.基于线分类和纹理分类的机场目标自动识别方法，其特征在于，包括步骤：
S1提取遥感影像中直线段，即原始直线段；
S2将[0,π)平分成m个角度区间，与水平方向夹角属于同一角度区间的原始直线段归为一组，m为18～25；分别统计各直线段组中原始直线段的特征信息，采用线特征分类器将各直线段组中各原始直线段分类为机场跑道线和非机场跑道线，保留分类为机场跑道线的原始直线段，即保留直线段；线特征分类器采用机场跑道线和非机场跑道线的特征信息样本数据训练SVM获得；
S3根据保留直线段提取ROI区域；
S4对ROI区域分块获得图像块，提取各图像块的纹理特征信息，采用纹理特征分类器将图像块分类为机场跑道图像块和非机场跑道图像块；纹理特征分类器采用机场跑道和非机场跑道的纹理特征信息训练SVM获得；
S5当机场跑道图像块数和ROI区域中所有图像块数之比大于阈值T时，该ROI区域即机场目标，阈值T为经验值；
步骤S2中所述的统计各直线段组中原始直线段的特征信息，具体为：
对各直线段组，连接其中共线的原始直线段，对共线连接后的各直线段组，分别统计其中各原始直线段的如下特征信息：
(1)当前原始直线段的宽度wid、长度len以及与水平方向的夹角ang；
(2)当前原始直线段两侧的像素灰度差异dif：分别计算当前原始直线段两侧单个像素距离内所有像素点的灰度均值，两侧的像素灰度均值差的绝对值即dif；
(3)当前原始直线段和与其共线的原始直线段的间距最小值hdmin；
(4)当前原始直线段所在共线直线段长度lenlong，若当前原始直线段不与任何原始直线段共线，lenlong即当前原始直线段自身长度；
(5)当前原始直线段和当前直线段组中其他原始直线段间距离的最小值vdmin和最大值vdmax，当前原始直线段和其他原始直线段间距离即当前原始直线段中点到其他原始直线段的距离；
(6)最大投影重叠比率projmax：分别计算当前原始直线段所在共线直线段到当前直线段组中其他共线直线段的投影重叠比率，最大的投影重叠比率即projmax；
(7)当前直线段组中距当前原始直线段特定距离内的共线直线段条数，当前原始直线段和当前直线段组中共线直线段间距离即当前原始直线段中点到共线直线段的距离。
2.如权利要求1所述的基于线分类和纹理分类的机场目标自动识别方法，其特征在于：
步骤S1中利用LSD直线检测法提取遥感影像中直线段。
3.如权利要求1所述的基于线分类和纹理分类的机场目标自动识别方法，其特征在于：
步骤S3进一步包括子步骤：
3.1确定主方向：
将[0,π)平分成m个角度区间，m为18～25；针对各角度区间，统计与水平方向的夹角位于该角度区间的保留直线段数，若保留直线段数大于全部保留直线段数的四分之一，该角度区间中心角度值即主方向值；
3.2在各主方向下，分别执行如下操作：
将当前主方向下保留直线段顺时针旋转角度θ，θ即主方向值，利用滑动窗口检测一系列两长边沿水平方向的矩形区域，矩形区域尺寸不小于机场实际尺寸；
在满足的矩形区域中，r2值最大且r2值大于的矩形区域即ROI区域，和为经验值，r1＝P/S，r2＝P/Q，S为当前主方向下保留直线段所占像素数，P为当前主方向下保留直线段在矩形区域内所占像素数，Q为矩形区域像素数。
4.如权利要求3所述的基于线分类和纹理分类的机场目标自动识别方法，其特征在于：
子步骤3.2中，和分别在0.65～0.75和0.05～0.08范围内取值。
5.如权利要求1所述的基于线分类和纹理分类的机场目标自动识别方法，其特征在于：
步骤S5中的阈值T在0.35～0.45范围内取值。
CN201510513760.7A 2015-08-20 2015-08-20 基于线分类和纹理分类的机场目标自动识别方法 Active CN105160308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510513760.7A CN105160308B (zh) 2015-08-20 2015-08-20 基于线分类和纹理分类的机场目标自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510513760.7A CN105160308B (zh) 2015-08-20 2015-08-20 基于线分类和纹理分类的机场目标自动识别方法

Publications (2)

Publication Number Publication Date
CN105160308A CN105160308A (zh) 2015-12-16
CN105160308B true CN105160308B (zh) 2018-05-29

Family

ID=54801160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510513760.7A Active CN105160308B (zh) 2015-08-20 2015-08-20 基于线分类和纹理分类的机场目标自动识别方法

Country Status (1)

Country Link
CN (1) CN105160308B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334844B (zh) * 2018-02-06 2022-08-12 贵州电网有限责任公司 一种输电线路巡检的沿线自动跟踪方法
CN110188601B (zh) * 2019-04-16 2022-07-15 昆明理工大学 一种基于学习的机场遥感图像检测方法
CN112487977B (zh) * 2020-11-30 2024-03-26 东南大学 一种基于国产gf2遥感影像的机场跑道提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156882A (zh) * 2011-04-14 2011-08-17 西北工业大学 一种基于高分辨遥感图像的机场目标检测方法
CN102750703A (zh) * 2012-06-27 2012-10-24 北京航空航天大学 一种基于直线分割的遥感图像机场自动检测方法
CN104156722A (zh) * 2014-08-14 2014-11-19 西北工业大学 一种基于高分辨遥感图像的机场目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102149274B1 (ko) * 2013-11-29 2020-08-28 한화테크윈 주식회사 특징점 매칭을 이용한 영상매칭 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156882A (zh) * 2011-04-14 2011-08-17 西北工业大学 一种基于高分辨遥感图像的机场目标检测方法
CN102750703A (zh) * 2012-06-27 2012-10-24 北京航空航天大学 一种基于直线分割的遥感图像机场自动检测方法
CN104156722A (zh) * 2014-08-14 2014-11-19 西北工业大学 一种基于高分辨遥感图像的机场目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Novel Airport Detection Method via Line Segment Classification and Texture Classification;Gefu Tang 等;《IEEE Geoscience and Remote Sensing Letters》;20151009;第12卷(第12期);第2408-2412页 *
Texture-Based Airport Runway Detection;Ö. Aytekin 等;《IEEE Geoscience and Remote Sensing Letters》;20130331;第10卷(第3期);第471-475页 *
机场目标识别;管凌霄 等;《测绘科学与工程》;20141231;第34卷(第6期);第50-55页 *

Also Published As

Publication number Publication date
CN105160308A (zh) 2015-12-16

Similar Documents

Publication Publication Date Title
WO2017190574A1 (zh) 一种基于聚合通道特征的快速行人检测方法
CN105701483B (zh) 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法
CN108549864A (zh) 面向车载热成像行人检测的感兴趣区域过滤方法和装置
CN105389556B (zh) 一种顾及阴影区域的高分辨率遥感影像车辆检测方法
CN103761526B (zh) 一种基于特征位置优选整合的城区检测方法
Gao et al. A novel target detection method for SAR images based on shadow proposal and saliency analysis
CN103971126A (zh) 一种交通标志识别方法和装置
CN104408482A (zh) 一种高分辨率sar图像目标检测方法
CN107203973A (zh) 一种三维激光扫描系统中线激光中心的亚像素定位方法
CN104915672B (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
CN107301638B (zh) 一种基于弧支持线段的椭圆检测方法
CN104573707B (zh) 一种基于多特征融合的车牌汉字识别方法
CN104636749A (zh) 目标对象检测方法及装置
CN103729649A (zh) 一种图像旋转角度检测方法和装置
CN105160308B (zh) 基于线分类和纹理分类的机场目标自动识别方法
CN102867195B (zh) 一种遥感图像多类目标检测和识别方法
CN102663724B (zh) 基于自适应差异图的遥感图像变化检测方法
CN108629286A (zh) 一种基于主观感知显著模型的遥感机场目标检测方法
CN102945378A (zh) 一种基于监督方法的遥感图像潜在目标区域检测方法
CN105989334A (zh) 基于单目视觉的道路检测方法
CN109389167A (zh) 交通标志识别方法及系统
CN103198319A (zh) 用于矿山井筒环境下的模糊图像角点提取方法
CN103390151A (zh) 人脸检测方法及装置
CN108734200A (zh) 基于bing特征的人体目标视觉检测方法和装置
Su et al. Hyperspectral image classification based on volumetric texture and dimensionality reduction

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant