CN110245600B - 自适应起始快速笔画宽度无人机道路检测方法 - Google Patents

Abstract

本发明公开了一种自适应起始快速笔画宽度无人机道路检测方法，获取遥感影像下的道路图像；对获得的道路图像进行灰度化处理；然后进行对比度增强处理；然后进行高通滤波处理；然后进行笔画宽度变换算法处理；对获得的笔画宽度图像设定平均值、长度、方差的阈值，保留符合的图像，然后进行用均点法改进后的Kmeans聚类。本发明采用改进后的笔画宽度变换算法，在面对不同种类的图像有更好的检测效果和抗噪性能，也实现了改进算法的快速性。

Description

自适应起始快速笔画宽度无人机道路检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种自适应起始快速笔画宽度无人机道路检测方法。

背景技术

无人机遥感，即利用先进的无人驾驶飞行器技术、遥感传感器技术、遥测遥控技术、通讯技术、GPS差分定位技术和遥感应用技术，能够实现自动化、智能化、专用化快速获取国土资源、自然环境、地震灾区等空间遥感信息，且完成遥感数据处理、建模和应用分析的应用技术。无人机遥感系统由于具有机动、快速、经济等优势，已经成为世界各国争相研究的热点课题，现已逐步从研究开发发展到实际应用阶段，成为未来的主要航空遥感技术。

道路作为无人机遥感理解图像的主要对象，在航拍图像中，如何精确检测出道路也成为了一项重要课题。Epstein等人曾提出过关于描述文字的笔画宽度特征，并称为笔画宽度变换(SWT)，该方法的原理是根据局部区域文字笔画宽度基本不变，从而改善检测结果。而无人机一般飞行高度超过100米，拍摄的道路图像也如同文字一般具有连续性的宽度，因此SWT同时也能应用于无人机的道路检测。

SWT的关键是检测道路的边缘，边缘的图像属性中显著变化的分界线，检测出了边缘，也就意味着剔除了不相关的信息从而大幅度减少数据量，同时保留了物体的形状信息。常用的边缘检测模板有Laplacian算子、Robert算子、Sobel算子、log(Laplacian-Gauss)算子、Krisch算子和Prewitt算子等，但这些边缘检测模板抗噪能力差，提取效果不好。Canny算法使用两种不同的阈值来检测强边缘和弱边缘，再通过是否与强边缘连接判断是否是真正的弱边缘，这一优点使其得到了广泛应用。但Canny算法尽管较其同类算法出色，还是对噪声比较敏感，容易出现不规则梯度方向的边缘像素，使笔画宽度提取的准确性大大降低。

发明内容

本发明的目的在于一种自适应起始快速笔画宽度无人机道路检测方法，以克服上述现有技术存在的缺陷，本发明在面对不同种类的图像有更好的检测效果和抗噪性能，也实现了算法的快速性。

为达到上述目的，本发明采用如下技术方案：

自适应起始快速笔画宽度无人机道路检测方法，包括以下步骤：

步骤1：获取遥感影像下的道路图像；

步骤2：对步骤1中获得的道路图像进行灰度化处理；

步骤3：对步骤2中获得的灰度图像进行对比度增强处理；

步骤4：对步骤3中获得的道路图像进行高通滤波处理；

步骤5：对步骤4中获得的道路图像进行改进的笔画宽度变换算法处理；

步骤6：对步骤5中获得的笔画宽度图像设定宽度和方差的阈值，保留低于宽度阈值和方差的图像；

步骤7：对步骤6中获得的笔画宽度图像进行Kmeans聚类。

进一步地，步骤3中对比度增强处理具体为：获取灰度图像的像素矩阵，得到像素值I的二维矩阵，再对每个I值进行判断，如果像素值I＜80，则令I*0.25；如果像素值I的范围为80≤I≤180，则令I*2.2-156；如果像素值I的范围为I＞180，则令I*0.2+204。

进一步地，步骤4采用Butterworth高通滤波，公式如下：

式中，D(u,v)表示频域中点到频域平面的距离，D₀取10，n取2，构成Butterworth滤波器的传递函数，当D(u,v)增大时，对应的H(u,v)逐渐接近1，从而使得高频部分得以通过，显示高频部分的图像；而当D(u,v)减小时，H(u,v)逐渐接近0，实现低频部分过滤，删去低频部分的图像。

进一步地，步骤5包括以下步骤：

步骤5.1：对步骤4获得的图像采用改进后的Canny算子进行边缘检测；

步骤5.2：对步骤5.1获得的边缘检测进行笔画宽度获取；

步骤5.3：对步骤5.2获取的笔画宽度验证；

其中，步骤5.1具体步骤为：

步骤5.1.1：对步骤4获得的图像使用改进的中值滤波降低噪声影响；

步骤5.1.2：对步骤5.1.1获得的图像用改进的3×3的Sobel边缘算子计算梯度幅值；

步骤5.1.3：对5.1.2获得的梯度幅值进行非极大值抑制；

步骤5.1.4：对5.1.3抑制后的梯度幅值使用改进的自适应双阈值方法检测和连接边缘，将高于高阈值的点确定为强边缘点，低于高阈值但高于低阈值的点判断为弱边缘点，对每个弱边缘点进行判断，如果它的邻域内有强边缘点，那么认为这个弱边缘点是可连接的点；将每个强边缘点直接认为是可连接的点，最后将所有被认为是可连接的点连接。

进一步地，步骤5.1.1中使用的改进的中值滤波采用二维的改进中值滤波方法，具体为：对步骤4获得的图像模板窗口像素中心的3×3邻域信息进行处理，如果像素点与邻域点差值大于阈值，则判断像素点是噪声点，将该像素点的邻域像素点的中值赋值给该像素点；否则，保持不变。

进一步地，步骤5.1.2中使用的改进的3×3的Sobel边缘算子计算步骤5.1.1获取的图像的梯度幅值，具体方法为：在x方向和y方向的基础上，增加45°和135°两个方向，结合成为3×3的边缘算子来进行计算，公式如下：

G_x＝(U₇+2U₈+U₉)-(U₁+2U₂+U₃)

G_y＝(U₃+2U₆+U₉)-(U₁+2U₄+U₇)

其中，

G_x为G在x方向上的值，G_y为G在y方向上的值，U_i为3×3矩阵中的对应值，U₁、U₃、U₇、U₉是Sobel改进算子控制45°和135°方向的参数值。

进一步地，步骤5.1.4中的改进的自适应双阈值方法为逐次逼近法与Otsu法相结合的算法，其中逐次逼近法用于确定高阈值的自适应，Otsu法用于确定低阈值的自适应；

所述逐次逼近法是先设置初始阈值，再根据5.1.3进行非极大值抑制后的梯度幅值划分，梯度幅值大于阈值的为确定是边缘点的，梯度幅值小于阈值的为可能是边缘点的，求得这两部分梯度幅值的密度与当前阈值的关系是否符合如下公式，如果不符合，则继续循环逼近，直到符合下式：

其中，ρ₁是边缘点的梯度幅值密度，ρ₂是可能是边缘点的点的梯度幅值密度，T是当前阈值的值，循环结束后，T即最适宜的高阈值T_H；

所述Otsu法是在0～T_H之间运用如下公式求解低阈值T_L：

其中，

其中，P_i为灰度级为i的概率，P_a为灰度级在1到T_L的概率，即在0与低阈值之间的概率，P_b为灰度级在T_L+1到T_H的概率，即在低阈值与高阈值之间的概率。

进一步地，步骤5.2中笔画宽度获取采用了限长法，具体方法为：先用MSER算法检测得到步骤5.1获得的边缘检测的最大的长轴长度，将长轴长度的值设为笔画宽度变换中边缘射线点寻找长度的阈值，如果寻找长度大于这个阈值，则从下一个边缘射线点开始寻找，直到所有边缘射线点都寻找完成。

进一步地，步骤6中宽度阈值取图像宽度的0.2倍，方差阈值取0.7。

进一步地，步骤7中采用均点法改进后的Kmeans聚类，具体方法为：Kmeans将步骤6获得的图像的所有像素分成k类，聚类将图像划分为k部分，同时拥有k个迭代起点，再通过以下公式计算到迭代起点距离小于r的点的数量，r为邻域半径，将这些点化为一类，同时计算这些点像素的均值，然后用新的均值点替换之前的迭代点，成为新的迭代点；重复迭代，直到两次迭代的均值点一致，公式如下：

(x_i)＝{p∈c|dist(x_i，p)≤r}

其中，x_i表示迭代点，p表示距离迭代点小于r的点的像素，c表示距离迭代点小于r的点的像素的集合，r表示邻域半径。

与现有技术相比，本发明具有以下有益的技术效果：

本发明检测方法中参数具有自适应起始的能力，能适应不同拍摄环境下的图像，提高了笔画宽度变换算法的稳定性；另外本发明对多个步骤的算法进行了改进，提高了笔画宽度变换的精度，降低了笔画宽度变换算法对于道路图像的误检率和漏检率；对部分步骤进行了简化或加入条件，使算法运行时间显著减少，体现了改进算法快速性。

附图说明

图1是本发明的流程示意图；

图2是本发明的效果图，(a)作为输入图像，是无人机在高空航拍的道路图像，(b)是输入图像经过灰度化和对比度增强后的效果图，(c)是(b)的效果图经过高通滤波后的效果图，(d)是(c)经过笔画宽度变换算法及其之后Kmeans聚类对道路区域进行提取后的。

具体实施方式

下面结合附图对本发明作进一步详细描述：

参见图1，一种自适应起始快速笔画宽度无人机道路检测方法，主要工作体现在以下几点：结合逐次逼近法和Otsu算法来改进Canny算法的双阈值选取方法，相较于原始Canny算法的给定双阈值，在面对不同种类的图像有更好的检测效果和抗噪性能；传统SWT的边缘射线点最终都会由于重复的赋值而确定为一个最小值，通过设定边缘射线点的长度阈值，能够剔除远大于可能的最小值的那些边缘射线点长度，从而缩短算法运行的时间，实现了改进算法的快速性。

具体步骤如下：

步骤1、获取遥感影像下的道路图像，等待下一步处理。

步骤2、对步骤1中获得的道路图像进行灰度化处理。

步骤3、对步骤2中获得的道路图像进行对比度增强处理，具体为：获取灰度图的像素矩阵，得到一个像素值I的二维矩阵，再对每个I值进行判断，如果像素值I＜80，则令I*0.25；如果像素值I的范围为80≤I≤180，则令I*2.2-156；如果像素值I的范围为I＞180，则令I*0.2+204。

步骤4、对步骤3中获得的道路图像进行高通滤波处理。使用Butterworth高通滤波，公式如下：

式中，D(u,v)表示频域中点到频域平面的距离，D₀一般取10，n一般取2，构成butterworth滤波器的传递函数。当D(u,v)增大时，对应的H(u,v)逐渐接近1，从而使得高频部分得以通过，显示高频部分的图像；而当D(u,v)减小时，H(u,v)逐渐接近0，实现低频部分过滤，删去低频部分的图像。

步骤5、对步骤4中获得的道路图像进行改进的笔画宽度变换算法处理。

使用的改进的中值滤波采用二维的改进中值滤波方法为：对模板窗口像素中心的3×3邻域信息进行处理，如果像素点与邻域点差值大于阈值，阈值通常取60，则判断像素点是噪声点，将该像素点的邻域像素点的中值赋值给该像素点；否则，保持不变。使用的改进的3×3的Sobel边缘算子计算梯度幅值，具体方法为：除了传统的x方向和y方向，增加45°和135°两个方向，结合成为3×3的边缘算子来进行计算。公式如下：

G_x＝(U₇+2U₈+U₉)-(U₁+2U₂+U₃)

G_y＝(U₃+2U₆+U₉)-(U₁+2U₄+U₇)

其中，

G_x为G在x方向上的值，G_y为G在y方向上的值。U_i为3×3矩阵中的对应的梯度幅值，U₁为第一行第一列的值，U₂为第一行第二列的值……以此类推。U₁、U₃、U₇、U₉是Sobel改进算子控制45°和135°方向的参数值。

使用的改进的自适应双阈值方法，为逐次逼近法与Otsu法相结合的算法，其中逐次逼近法来确定高阈值的自适应，Otsu法确定低阈值的自适应。逐次逼近法是先设置初始阈值，再根据梯度幅值划分，梯度幅值大于阈值的为确定是边缘点的，梯度幅值小于阈值的为可能是边缘点的。求得这两梯度幅值的密度与当前阈值的关系是否符合如下公式，如果不符合，则继续循环逼近，直到符合下式：

其中，ρ₁是边缘点的梯度幅值密度，ρ₂是可能是边缘点的点的梯度幅值密度，T是当前阈值的值。循环结束后，T就是最适宜的高阈值T_H。

使用的改进的自适应双阈值方法，为逐次逼近法与Otsu法相结合的算法，其中逐次逼近法来确定高阈值的自适应，Otsu法确定低阈值的自适应。Otsu法是在0～T_H之间运用如下公式求解低阈值T_L：

其中，

其中，P_i为灰度级为i的概率，P_a为灰度级在1到T_L的概率，即在0与低阈值之间的概率，P_b为灰度级在T_L+1到T_H的概率，即在低阈值与高阈值之间的概率，高于高阈值的点确定为强边缘点，低于高阈值但高于低阈值的点判断为弱边缘点，对每个弱边缘点进行判断，如果它的邻域内有强边缘点，那么认为这个弱边缘点是可连接的点；将每个强边缘点直接认为是可连接的点。将所有被认为是可连接的点颜色值设为255，显示为白色；将不被认为是可连接的点颜色值设为0，显示为黑色。这样就构成了一副显示出所有连接的边缘的图像。

笔画宽度获取采用了限长法，具体方法为：先用MSER算法检测得到边缘检测的最大的长轴长度，将长轴长度的值设为笔画宽度变换中边缘射线点寻找长度的阈值，如果寻找长度大于这个阈值，则从下一个边缘射线点开始寻找，直到所有边缘射线点都寻找完成。

步骤6、对步骤5中获得的笔画宽度图像设定宽度、方差的阈值，其中宽度阈值取图像宽度的0.2倍，方差阈值取0.7，保留低于宽度阈值和方差阈值的图像。

步骤7、对步骤6中获得的笔画宽度图像进行改进后的Kmeans聚类。使用的是均点法改进的Kmeans聚类。原因是传统Kmeans聚类里，聚类方法是随机选择聚类的迭代起点，不同初始中心对应的笔画路径也不相同，容易造成局部而非整体的最优解。因此本发明采用均点法改进的Kmeans聚类。具体方法：Kmeans将图像像素分成k类，聚类将图像划分为k部分，同时拥有k个迭代起点，再通过以下公式计算到迭代起点距离小于r的点的数量，r为邻域半径，将这些点化为一类，同时计算这些点像素的均值，然后用新的均值点替换之前的迭代点，成为新的迭代点；重复迭代，直到两次迭代的均值点一致。这种利用相近距点的密度代替迭代起点被我们命名为均点法：

(x_i)＝{p∈c|dist(x_i，p)≤r}

其中，x_i表示迭代点，p表示距离迭代点小于r的点的像素，c表示距离迭代点小于r的点的像素的集合，r表示邻域半径。

从图2可以看出自适应起始快速笔画宽度变换算法能够在不同拍摄环境下的航拍图像中取得理想的结果。

Claims (5)

1.自适应起始快速笔画宽度无人机道路检测方法，其特征在于，包括以下步骤：

步骤1：获取遥感影像下的道路图像；

步骤2：对步骤1中获得的道路图像进行灰度化处理；

步骤3：对步骤2中获得的灰度图像进行对比度增强处理；

对比度增强处理具体为：获取灰度图像的像素矩阵，得到像素值I的二维矩阵，再对每个I值进行判断，如果像素值I＜80，则令I*0.25；如果像素值I的范围为80≤I≤180，则令I*2.2-156；如果像素值I的范围为I＞180，则令I*0.2+204；

步骤4：对步骤3中获得的道路图像进行高通滤波处理；

其中，采用Butterworth高通滤波，公式如下：

式中，D(u,v)表示频域中点到频域平面的距离，D₀取10，n取2，构成Butterworth滤波器的传递函数，当D(u,v)增大时，对应的H(u,v)逐渐接近1，从而使得高频部分得以通过，显示高频部分的图像；而当D(u,v)减小时，H(u,v)逐渐接近0，实现低频部分过滤，删去低频部分的图像；

步骤5：对步骤4中获得的道路图像进行改进的笔画宽度变换算法处理；

具体地，步骤5.1：对步骤4获得的图像采用改进后的Canny算子进行边缘检测；

步骤5.2：对步骤5.1获得的边缘检测进行笔画宽度获取；

步骤5.3：对步骤5.2获取的笔画宽度验证；

其中，步骤5.1具体步骤为：

步骤5.1.1：对步骤4获得的图像使用改进的中值滤波降低噪声影响；

步骤5.1.2：对步骤5.1.1获得的图像用改进的3×3的Sobel边缘算子计算梯度幅值；使用的改进的3×3的Sobel边缘算子计算步骤5.1.1获取的图像的梯度幅值，具体方法为：在x方向和y方向的基础上，增加45°和135°两个方向，结合成为3×3的边缘算子来进行计算，公式如下：

G_x＝(U₇+2U₈+U₉)-(U₁+2U₂+U₃)

G_y＝(U₃+2U₆+U₉)-(U₁+2U₄+U₇)

其中，

G_x为G在x方向上的值，G_y为G在y方向上的值，U_i为3×3矩阵中的对应值，U₁、U₃、U₇、U₉是Sobel改进算子控制45°和135°方向的参数值；

步骤5.1.3：对5.1.2获得的梯度幅值进行非极大值抑制；

步骤5.1.4：对5.1.3抑制后的梯度幅值使用改进的自适应双阈值方法检测和连接边缘，将高于高阈值的点确定为强边缘点，低于高阈值但高于低阈值的点判断为弱边缘点，对每个弱边缘点进行判断，如果它的邻域内有强边缘点，那么认为这个弱边缘点是可连接的点；将每个强边缘点直接认为是可连接的点，最后将所有被认为是可连接的点连接；

具体地，改进的自适应双阈值方法为逐次逼近法与Otsu法相结合的算法，其中逐次逼近法用于确定高阈值的自适应，Otsu法用于确定低阈值的自适应；

所述逐次逼近法是先设置初始阈值，再根据5.1.3进行非极大值抑制后的梯度幅值划分，梯度幅值大于阈值的为确定是边缘点的，梯度幅值小于阈值的为可能是边缘点的，求得这两部分梯度幅值的密度与当前阈值的关系是否符合如下公式，如果不符合，则继续循环逼近，直到符合下式：

其中，ρ₁是边缘点的梯度幅值密度，ρ₂是可能是边缘点的点的梯度幅值密度，T是当前阈值的值，循环结束后，T即最适宜的高阈值T_H；

所述Otsu法是在0～T_H之间运用如下公式求解低阈值T_L：

其中，

其中，P_i为灰度级为i的概率，P_a为灰度级在1到T_L的概率，即在0与低阈值之间的概率，P_b为灰度级在T_L+1到T_H的概率，即在低阈值与高阈值之间的概率；

步骤6：对步骤5中获得的笔画宽度图像设定宽度和方差的阈值，保留低于宽度阈值和方差的图像；

步骤7：对步骤6中获得的笔画宽度图像进行Kmeans聚类。

2.根据权利要求1所述的自适应起始快速笔画宽度无人机道路检测方法，其特征在于，步骤5.1.1中使用的改进的中值滤波采用二维的改进中值滤波方法，具体为：对步骤4获得的图像模板窗口像素中心的3×3邻域信息进行处理，如果像素点与邻域点差值大于阈值，则判断像素点是噪声点，将该像素点的邻域像素点的中值赋值给该像素点；否则，保持不变。

3.根据权利要求1所述的自适应起始快速笔画宽度无人机道路检测方法，其特征在于，步骤5.2中笔画宽度获取采用了限长法，具体方法为：先用MSER算法检测得到步骤5.1获得的边缘检测的最大的长轴长度，将长轴长度的值设为笔画宽度变换中边缘射线点寻找长度的阈值，如果寻找长度大于这个阈值，则从下一个边缘射线点开始寻找，直到所有边缘射线点都寻找完成。

4.根据权利要求1所述的自适应起始快速笔画宽度无人机道路检测方法，其特征在于，步骤6中宽度阈值取图像宽度的0.2倍，方差阈值取0.7。

5.根据权利要求1所述的自适应起始快速笔画宽度无人机道路检测方法，其特征在于，步骤7中采用均点法改进后的Kmeans聚类，具体方法为：Kmeans将步骤6获得的图像的所有像素分成k类，聚类将图像划分为k部分，同时拥有k个迭代起点，再通过以下公式计算到迭代起点距离小于r的点的数量，r为邻域半径，将这些点化为一类，同时计算这些点像素的均值，然后用新的均值点替换之前的迭代点，成为新的迭代点；重复迭代，直到两次迭代的均值点一致，公式如下：

(x_i)＝{p∈c|dist(x_i，p)≤r}

其中，x_i表示迭代点，p表示距离迭代点小于r的点的像素，c表示距离迭代点小于r的点的像素的集合，r表示邻域半径。

Images