CN107862238A - 一种基于局部纹理密度与散度的在轨飞机候选区筛选方法 - Google Patents
一种基于局部纹理密度与散度的在轨飞机候选区筛选方法 Download PDFInfo
- Publication number
- CN107862238A CN107862238A CN201611219023.7A CN201611219023A CN107862238A CN 107862238 A CN107862238 A CN 107862238A CN 201611219023 A CN201611219023 A CN 201611219023A CN 107862238 A CN107862238 A CN 107862238A
- Authority
- CN
- China
- Prior art keywords
- candidate regions
- pixel
- aircraft
- divergence
- block
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于局部纹理密度与散度的在轨飞机候选区筛选方法,采用固定大小的滑动窗口在机场目标候选区SalMap上滑动,根据人工地物与飞机目标纹理差异,首先采用局部纹理密度去除纹理分布密集的地物,如大面积密集植被与建筑区域;考虑到飞机停靠在纹理平滑的停机坪与跑道上,滑动框内飞机区域纹理较为集中,散度较小,可利用散度去除纹理密度相近,纹理分布分散的人工地物。通过纹理密度与散度构建双阈值逻辑判决条件,降低目标候选区数目,提高虚警剔除性能,能够解决现有技术候选区筛选效果不佳,过多的人工地物被划分为飞机候选区,从而加大后续处理数据量的问题。
Description
技术领域
本发明属于遥感图像目标检测领域,尤其涉及一种基于局部纹理密度与散度的在轨飞机候选区筛选方法。
背景技术
利用卫星遥感图像完成机场中重点关注飞机目标检测,从而掌握敌方的空军火力配备与军事动态一直以来都是发展天基侦查系统重要研究方向。考虑到星地数传带宽限制与用户接受信息的高实时性需求,需要在星上完成快速机场飞机检测,仅对检测结果数据进行下传。作为检测流程中的前期阶段,非目标区域的剔除程度决定了后续复杂虚警剔除模块的输入对象个数,直接影响硬件计算开销与功耗。因此一种能够在保证几乎完全包含目标,不漏检候选区,且能够最大限度的剔除虚警的光学飞机候选区筛选技术就变的非常有必要。
目前在机场飞机候选区提取技术,一部分主要集中在通过机场跑道检测的形状纹理特性检测获取机场跑道信息,进而获取疑似飞机候选区,然而不同机场跑道形状不尽一致,且飞机可能停靠在停机坪等地方,此类方法不具备鲁棒性。另一部分方法主要利用飞机目标的形状、灰度信息设计相应的滤波器对图像进行滤波,从而采用相应的阈值限制获取疑似目标位置,此类方法计算迅速,一定程度上克服涂色伪装带来漏检的缺陷,但仅对部分机型较为适用,且在目标对比度较低的情况下,效果较差。
发明内容
为解决上述问题,本发明提供一种基于局部纹理密度与散度的在轨飞机候选区筛选方法,采用固定大小的图像块在目标候选区域图SalMap上滑动,利用局部纹理密度与散度构建逻辑判决条件,从而将机场中非飞机目标区域去除,降低目标候选区数目,能够解决现有技术中飞机候选区筛选技术中鲁棒性差、非目标区域多给整体算法时效性带来的不利影响。
一种在轨飞机候选区筛选方法,包括以下步骤:
步骤1:对机场场景的可见光图像进行圆周频域滤波,然后采用阈值T对圆周频域滤波结果进行0/1二值化,得到目标候选区域图SalMap,其中1表示此像素点属于飞机候选区,0表示此像素点不属于飞机候选区;对目标候选区域图SalMap进行备份,分别得到四个候选区备份图像Result1、Result2、Result3以及Result4;
步骤2:从目标候选区域图SalMap左上角开始,采用设定尺寸的窗口,按照从上到下、从左至右的方式以设定的步长在目标候选区域图SalMap上进行滑动,直至遍历整幅目标候选区域图SalMap;其中每次滑动得到的区域为Block;
步骤3:分别统计各个Block中的纹理密度Num1和散度Num2,具体步骤如下:
步骤31:分别统计各个Block内像素值为1的像素点总数,并将其记为各个纹理密度Num1;
步骤32:设散度Num2的初始值为0,将各个Block均匀划分各个小块;
步骤33:分别统计各个Block中的小块像素值为1的像素点个数;其中:
如果像素值为1的个数不小于像素值为0的个数,则称该小块被点亮;否则小块不被点亮;
步骤34:分别统计各个Block中小块被点亮的个数,并将其计为各个Block的散度Num2;
步骤4:如果各个Block的纹理密度Num1和散度Num2同时满足Num1>NumSet1且Num2>NumSet2,则将候选区备份图像Result1上与该Block相同位置区域内的像素值全部置零,否则保持不变,直至遍历整个目标候选区域图SalMap的所有Block,并获得更新完成的候选区备份图像ResultNew1;
步骤5:更换步骤2中的起始位置,并重复步骤2~步骤4,依次获得更新完成的候选区备份图像ResultNew2、ResultNew3以及ResultNew4;
步骤6:融合更新完成的候选区备份图像,得到最终的候选区筛选结果图ResultAll,具体步骤为:
步骤61:依次对比各个候选区备份图像每个像素点的像素值,如果更新完成的候选区备份图像ResultNew1、ResultNew2、ResultNew3以及ResultNew4在相同像素点位置的像素值均为1,则候选区筛选结果图ResultAll对应像素点位置的像素值更新为1,否则置为0;
步骤62:遍历各个更新完成的候选区备份图像所有的像素点,得到最终的候选区筛选结果图ResultAll。
一种在轨飞机候选区筛选方法,步骤2中所述步长为所述窗口设定尺寸的一半。
一种在轨飞机候选区筛选方法,步骤32中所述小块的面积为M×M,其中M为像素的个数,且窗口设定尺寸的像素个数被M整除。
一种在轨飞机候选区筛选方法步骤61中所述候选区备份图像ResultNew1、ResultNew2、ResultNew3以及ResultNew4对应的窗口在目标候选区域图SalMap上滑动的起始坐标依次为(1,1)、(1+S/8,1+S/8)、(1+2×S/8,1+2×S/8)、(1+3×S/8,1+3×S/8),其中S为窗口设定尺寸的像素个数。
有益效果:
(1)本发明采用固定大小的滑动窗口在机场目标候选区SalMap上滑动,根据人工地物与飞机目标纹理差异,首先采用局部纹理密度去除纹理分布密集的地物,如大面积密集植被与建筑区域;考虑到飞机停靠在纹理平滑的停机坪与跑道上,滑动框内飞机区域纹理较为集中,散度较小,可利用散度去除纹理密度相近,纹理分布分散的人工地物。通过纹理密度与散度构建双阈值逻辑判决条件,降低目标候选区数目,提高虚警剔除性能,能够解决现有技术候选区筛选效果不佳,过多的人工地物被划分为飞机候选区,从而加大后续处理数据量的问题。
(2)改变每次取块在目标候选区域图SalMap的起始坐标,左分别为(1,1)、(1+S/8,1+S/8)、(1+2×S/8,1+2×S/8)、(1+3×S/8,1+3×S/8),获取四组ResultNew1、ResultNew2、ResultNew3、ResultNew4备份图,采用相应的融合规则合并备份图获取最终的结果,能够解决单纯的一种滑块方式无法适应地物分布复杂性的弊端。
附图说明
图1为本发明的基于局部区域纹理密度与散度的可见光飞机候选区筛选方法流程图。
图2(a)为本发明对目标候选区域图SalMap进行分块滑动的示意图;
图2(b)为本发明Block中的M×M小块示意图。
具体实施方式
为了解决背景技术中所提出的问题,在机场场景可见光遥感图像中尽可能的去除非飞机区域,提升飞机候选区筛选效率,利用圆周频域滤波实现遥感图像滤波,进行二值化操作,将纹理平滑性强的机场跑道和停机坪区域从候选区中剔除,对二值化结果就行分块划窗操作,统计滑块中亮点的个数(纹理密度)与分布离散程度(散度)与固定常数阈值比较,这是基于飞机区域通常停靠在纹理平滑的机场,纹理密度与散度通常低于其它人工地物(建筑区域),从而到达剔除非飞机区域的效果。考虑到地物分布的随机性,在不同的起始位置,取相同大小的窗口,有重叠的取块,综合判定飞机候选区。为此,提出了一种基于局部区域纹理密度与散度的可见光图像飞机候选区筛选方法。
下面结合附图并举实施例,对本发明进行详细描述。
图1示出了本发明提供的基于局部区域纹理密度与散度的飞机候选区筛选方法流程图。如图1所示,本发明提供的基于局部区域纹理密度与散度的飞机候选区筛选方法,具体包括以下步骤:
步骤1:读入一幅行列数相同的机场场景的可见光图像,其行列数记做N,对机场场景的可见光图像进行圆周频域滤波,在滤波结果中发现纹理较为平滑的飞机跑道与停机坪区域的像素值普遍低于飞机目标或是其它人工地物,因此采用阈值T对圆周频域滤波结果进行二值化,得到目标候选区域图SalMap;对目标候选区域图SalMap进行备份,分别得到四个与目标候选区域图SalMap完全一样的候选区备份图像Result1、Result2、Result3以及Result4;
所述二值化具体方法为:将圆周频域滤波结果图像中的每一个像素点的像素值依次与阈值T相比,如果该像素值大于阈值T,则此像素点对应的像素值记为1,否则记为0;其中1表示此像素点为复杂结构的人工地物或飞机目标,属于飞机候选区,0表示此像素点为平滑的跑道与停机坪,不属于飞机候选区;
步骤2:从目标候选区域图SalMap从左上角的起始坐标(1,1)位置开始,采用尺寸为S×S的窗口,从上到下,从左至右以S/2的步长在目标候选区域图SalMap上进行滑动,直至遍历整幅目标候选区域图SalMap;其中S为像素的个数,S通常取N/64或N/32,以保障图像的边界不会溢出,每次滑动得到的面积为S×S的区域记为Block;如图2(a)所示,为本发明对目标候选区域图SalMap进行分块滑动的示意图,其中目标候选区域图SalMap的行列数N取1024,滑块Block边长S取64,滑动步长取32;
步骤3:分别统计各个Block中的纹理密度Num1和散度Num2;具体步骤如下:
步骤31:分别统计各个Block内像素值为1像素点的总数,并将其记为纹理密度Num1;
步骤32:设散度Num2的初始值为0,将各个Block不重叠的均匀划分为面积为M×M的小块,其中M为像素的个数,且S被M整除,M通常取S/16;
步骤33:分别统计各个Block中的M×M的小块像素值为1的像素点个数;其中:
如果像素值为1的个数不小于像素值为0的个数,则称该M*M的小块被点亮;否则M×M的小块不被点亮;
步骤34:分别统计各个Block中M×M小块被点亮的个数,并计为散度Num2;
如图2(b)所示,为本发明Block中的M×M小块示意图,浅灰色的4×4小块被点亮,而其他两个深灰色的4×4小块不被点亮,不参与统计;
步骤4:双阈值限定获取候选区备份图像;这里认为机场跑道或停机坪上的飞机目标的纹理较建筑、密集停放的车辆分布更加稀疏,所以在本操作中,将各个Block的纹理密度Num1和散度Num2依次分别与两个固定值NumSet1和NumSet2相比,如果Num1>NumSet1且Num2>NumSet2,则将候选区备份图像Result1上与Block相同位置区域内的像素值全部置零,这是认为该Block中目标为其它具有复杂纹理结构的人工目标,需要从飞机候选区中剔除;遍历整个目标候选区域图SalMap的所有Block,并获得更新完成的候选区备份图像Result1,记为ResultNew1;
步骤5:在步骤2中在目标候选区域图SalMap中的左上角坐标处(1,1)开始取块,为了避免固定取块方式导致地物被切分在不同的Block中从而影响筛选结果,因此本实施例将尺寸为S×S的窗口在目标候选区域图SalMap滑动起始坐标依次变为(1+S/8,1+S/8)、(1+2×S/8,1+2×S/8)、(1+3×S/8,1+3×S/8),并重复步骤2~步骤4,依次获得更新完成的候选区备份图像ResultNew2、ResultNew3以及ResultNew4;
步骤6:融合更新完成的候选区备份图像,得到最终的候选区筛选结果图ResultAll,具体步骤为:
步骤61:依次对比各个候选区备份图像每个像素点的像素值,如果更新完成的候选区备份图像ResultNew1、ResultNew2、ResultNew3以及ResultNew4在相同像素点位置的像素值均为1,则候选区筛选结果图ResultAll对应像素点位置的像素值更新为1,否则保持为0;
步骤62:遍历各个更新完成的候选区备份图像所有的像素点,完成多个更新完成的候选区备份图像的融合,得到最终的候选区筛选结果图ResultAll。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种在轨飞机候选区筛选方法,其特征在于,包括以下步骤:
步骤1:对机场场景的可见光图像进行圆周频域滤波,然后采用阈值T对圆周频域滤波结果进行0/1二值化,得到目标候选区域图SalMap,其中1表示此像素点属于飞机候选区,0表示此像素点不属于飞机候选区;对目标候选区域图SalMap进行备份,分别得到四个候选区备份图像Result1、Result2、Result3以及Result4;
步骤2:从目标候选区域图SalMap左上角开始,采用设定尺寸的窗口,按照从上到下、从左至右的方式以设定的步长在目标候选区域图SalMap上进行滑动,直至遍历整幅目标候选区域图SalMap;其中每次滑动得到的区域为Block;
步骤3:分别统计各个Block中的纹理密度Num1和散度Num2,具体步骤如下:
步骤31:分别统计各个Block内像素值为1的像素点总数,并将其记为各个纹理密度Num1;
步骤32:设散度Num2的初始值为0,将各个Block均匀划分各个小块;
步骤33:分别统计各个Block中的小块像素值为1的像素点个数;其中:
如果像素值为1的个数不小于像素值为0的个数,则称该小块被点亮;否则小块不被点亮;
步骤34:分别统计各个Block中小块被点亮的个数,并将其计为各个Block的散度Num2;
步骤4:如果各个Block的纹理密度Num1和散度Num2同时满足Num1>NumSet1且Num2>NumSet2,则将候选区备份图像Result1上与该Block相同位置区域内的像素值全部置零,否则保持不变,直至遍历整个目标候选区域图SalMap的所有Block,并获得更新完成的候选区备份图像ResultNew1;
步骤5:更换步骤2中的起始位置,并重复步骤2~步骤4,依次获得更新完成的候选区备份图像ResultNew2、ResultNew3以及ResultNew4;
步骤6:融合更新完成的候选区备份图像,得到最终的候选区筛选结果图ResultAll,具体步骤为:
步骤61:依次对比各个候选区备份图像每个像素点的像素值,如果更新完成的候选区备份图像ResultNew1、ResultNew2、ResultNew3以及ResultNew4在相同像素点位置的像素值均为1,则候选区筛选结果图ResultAll对应像素点位置的像素值更新为1,否则置为0;
步骤62:遍历各个更新完成的候选区备份图像所有的像素点,得到最终的候选区筛选结果图ResultAll。
2.如权利要求1所述的一种在轨飞机候选区筛选方法,其特征在于,步骤2中所述步长为所述窗口设定尺寸的一半。
3.如权利要求2所述的一种在轨飞机候选区筛选方法,其特征在于,步骤32中所述小块的面积为M×M,其中M为像素的个数,且窗口设定尺寸的像素个数被M整除。
4.如权利要求2或3所述的一种在轨飞机候选区筛选方法,其特征在于,步骤61中所述候选区备份图像ResultNew1、ResultNew2、ResultNew3以及ResultNew4对应的窗口在目标候选区域图SalMap上滑动的起始坐标依次为(1,1)、(1+S/8,1+S/8)、(1+2×S/8,1+2×S/8)、(1+3×S/8,1+3×S/8),其中S为窗口设定尺寸的像素个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611219023.7A CN107862238B (zh) | 2016-12-26 | 2016-12-26 | 一种基于局部纹理密度与散度的在轨飞机候选区筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611219023.7A CN107862238B (zh) | 2016-12-26 | 2016-12-26 | 一种基于局部纹理密度与散度的在轨飞机候选区筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862238A true CN107862238A (zh) | 2018-03-30 |
CN107862238B CN107862238B (zh) | 2021-05-14 |
Family
ID=61698937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611219023.7A Active CN107862238B (zh) | 2016-12-26 | 2016-12-26 | 一种基于局部纹理密度与散度的在轨飞机候选区筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862238B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554666A (zh) * | 2021-07-22 | 2021-10-26 | 南京航空航天大学 | 一种机载光学图像中的飞机目标候选区域提取装置及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010135617A1 (en) * | 2009-05-21 | 2010-11-25 | Edge3 Technologies Llc | Gesture recognition systems and related methods |
CN102073748A (zh) * | 2011-03-08 | 2011-05-25 | 武汉大学 | 一种基于视觉关键词的遥感影像语义检索方法 |
CN102298698A (zh) * | 2011-05-30 | 2011-12-28 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
CN102945374A (zh) * | 2012-10-24 | 2013-02-27 | 北京航空航天大学 | 一种高分辨率遥感图像中民航飞机自动检测方法 |
US20140079297A1 (en) * | 2012-09-17 | 2014-03-20 | Saied Tadayon | Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities |
CN103955700A (zh) * | 2014-04-04 | 2014-07-30 | 云南大学 | 一种形状特征形式化的高分辨率遥感影像飞行器识别方法 |
-
2016
- 2016-12-26 CN CN201611219023.7A patent/CN107862238B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010135617A1 (en) * | 2009-05-21 | 2010-11-25 | Edge3 Technologies Llc | Gesture recognition systems and related methods |
CN102073748A (zh) * | 2011-03-08 | 2011-05-25 | 武汉大学 | 一种基于视觉关键词的遥感影像语义检索方法 |
CN102298698A (zh) * | 2011-05-30 | 2011-12-28 | 河海大学 | 基于角点与边缘信息融合的遥感图像飞机检测方法 |
US20140079297A1 (en) * | 2012-09-17 | 2014-03-20 | Saied Tadayon | Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities |
CN102945374A (zh) * | 2012-10-24 | 2013-02-27 | 北京航空航天大学 | 一种高分辨率遥感图像中民航飞机自动检测方法 |
CN103955700A (zh) * | 2014-04-04 | 2014-07-30 | 云南大学 | 一种形状特征形式化的高分辨率遥感影像飞行器识别方法 |
Non-Patent Citations (2)
Title |
---|
LIPING ZHANG等: "Aircraft discrimination in high resolution SAR images based on texture analysis", 《2010 2ND INTERNATIONAL ASIA CONFERENCE ON INFORMATICS IN CONTROL,AUTOMATION AND ROBOTICS》 * |
曾接贤等: "特征点和不变矩结合的遥感图像飞机目标识别", 《中国图象图形学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554666A (zh) * | 2021-07-22 | 2021-10-26 | 南京航空航天大学 | 一种机载光学图像中的飞机目标候选区域提取装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107862238B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
Cohen et al. | Crater detection via convolutional neural networks | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN107610164A (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
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 | |
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 | |
CN102637301B (zh) | 航空摄影过程中实时自动评定影像色彩质量的方法 | |
CN107451982A (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
CN107742276A (zh) | 一种基于无人机遥感图像机载一体化快速处理系统和方法 | |
CA2660125C (en) | Geospatial modeling system for separating foliage data from building data based upon noise filtering operations and related methods | |
CN104913784A (zh) | 一种行星表面导航特征自主提取方法 | |
Uzar | Automatic building extraction with multi-sensor data using rule-based classification | |
CN103035006A (zh) | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 | |
CN112634130A (zh) | Quick-SIFT算子下无人机航拍图像拼接方法 | |
CN103942786A (zh) | 无人机可见光和红外图像的自适应团块目标检测方法 | |
CN103927557A (zh) | 基于分层模糊证据合成的lidar数据地物分类方法 | |
Yang et al. | Superpixel image segmentation-based particle size distribution analysis of fragmented rock | |
CN107862238A (zh) | 一种基于局部纹理密度与散度的在轨飞机候选区筛选方法 | |
CA2660343C (en) | Geospatial modeling system for separating foliage data from building data based upon loose and strict tolerance noise filtering operations and related methods | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
Bhadauria et al. | Building extraction from satellite images | |
Anwar et al. | Classification of foggy images for vision enhancement | |
CN113284232B (zh) | 一种基于四叉树的光流跟踪方法 | |
CN105809177A (zh) | 执行遥感影像分类的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |