CN114118144A - 抗干扰的航空遥感图像阴影精准检测方法 - Google Patents
抗干扰的航空遥感图像阴影精准检测方法 Download PDFInfo
- Publication number
- CN114118144A CN114118144A CN202111330503.1A CN202111330503A CN114118144A CN 114118144 A CN114118144 A CN 114118144A CN 202111330503 A CN202111330503 A CN 202111330503A CN 114118144 A CN114118144 A CN 114118144A
- Authority
- CN
- China
- Prior art keywords
- image
- shadow
- edge
- aerial
- remote sensing
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提出基于c3空间影像阴影检测改进方法,在航空影像增强、多边加权平滑去噪、边缘检测三方面做出改进,采用对数变换对c3空间图像进行对比度增强,大幅扩展低灰度区域像素值范围而提高阴影区域内阴图像素提取的准确率;采用多边加权滤波对图像进行去噪处理,去除图像噪声的同时还能够保持图像边缘细节;基于Canny算子,增加对角线方向来改进梯度幅值计算方法,并采用自适应双临界域选取确定临界域,最后采用双临界域进行边缘检测;实验证明,本申请方法能够成功的检测出阴影区域,并且能够有效减弱屋顶与道路等地物对检测结果的干扰,相较于改进前的原有算法,阴影检测正确率有明显提高。
Description
技术领域
本申请涉及一种航空遥感图像阴影精准检测,特别涉及一种抗干扰的航空遥感图像阴影精准检测方法,属于遥感图像阴影检测技术领域。
背景技术
航空遥感图像是指在飞机或者其它航空飞行器上,通过航空摄影机拍摄地面景物的图像,近年来,随着传感器技术的不断发展,高分辨率的航空遥感图像获取更加容易且应用更加广泛。航空遥感图像可用来研究分析较为微观的空间结构,其具有波谱信息丰富、空间分辨率高、灵活性强等特点。航空遥感图像具有大量城市环境信息,被广泛应用于GIS产业、城市信息化建设、服务与旅游产业等城市经济与社会发展事业中。
在航空遥感图像中,快速、自动、准确的获取人造地物是数字城市建设的前提和关键,而航空遥感图像中进行地物识别或者自动探测时,阴影的存在总是不可避免。虽然阴影可以用来推测光源强度、位置,以及目标物体的形状、位置和表面特征等相关信息,采用这些信息进行虚拟现实建模,增强其立体感和空间感,但阴影存在于航空遥感图像中会引起图像降质,削弱被遮挡区域物体的光学、物理信息,给后续的遥感图像处理,包括模式识别、图像匹配、地物提取等带来困难,阴影的存在也会破坏地物边缘信息的连续性和完整性,还会影响产品可视化的美观效果。对于航空遥感图像,阴影的处理十分必要。
由于航空遥感图像中地物类型复杂多样,现有技术最初的阴影处理只是针对简单的户外场景图像,由于阴影区域内地物环境复杂而图像信息又被削弱,使得阴影处理具有极大的挑战性和发展潜力。按照处理的先后顺序,遥感图像阴影处理分为阴影检测和阴影去除(补偿)两部分。阴影的检测与阴影区域的提取,是阴影处理的前提。任何一幅航空遥感图像在进行阴影处理操作时,都需要先对图像中的阴影进行检测提取,而阴影检测提取的精度也会直接影响到接下来阴影去除的效果。如何准确的检测出航空遥感图像中的阴影是当前需要解决的问题。
阴影检测是对图像中的阴影区域进行定位和提取,目前遥感图像的阴影检测方法,根据是否需要环境条件的先验知识,分为两大类:基于模型的方法和基于特征的方法。基于模型的阴影检测方法,需要根据航空遥感图像中遮挡物体的几何形状、光源的照射方位、传感器的相关参数等信息来确定阴影区域,该类方法所需的信息太多,其中有很多数据是未知的,而且计算量很大,所以该方法的应用范围有限;基于特征的阴影检测方法,需要根据阴影的几何特征和光谱特征,例如阴影的几何结构、灰度统计信息、亮度和纹理等信息,以及其与非阴影区域的差异来检测识别阴影区域,由于对阴影特征的采用比获取先验知识更简单快捷,基于特征的方法对不同场景及光照条件具有较强的鲁棒性。
现有技术根据阴影区域的亮度值比非阴影区域小得多的特点提出了阴影检测方法,简单且操作性强,但阴影具有低亮度这一特征并不具有稳定性,如果将它用作判断阴影区域的唯一依据,则算法的检测结果容易出现错误。基于直方图的阴影检测方法,检测结果取决于临界域的选取,算法的适应性不强。基于RGB色彩空间的图像阴影检测方法,当阴影区域内存在强反射性地物(如道路)时会出现检测误差,而且人为设定临界域也会对检测结果产生影响。基于K-I变换的阴影检测方法在大多数情况下能正确检测出阴影区域,但当阴影区域中存在反射因子非常大的地物时,在该地物附近的阴影区域检测结果会出现错误。基于光照无关的阴影检测方法在成像场景复杂地物种类多样的情况仍具有较强的鲁棒性,但该算法所基于的假设条件难以同时满足,因此应用范围十分有限。基于区域生长的阴影检测方法当阴影区域不连续相似时需要指定多个种子点。基于色彩空间特征陟影检测方法,虽然能有效的检测阴影,但检测结果很大程度上依赖于临界值的正确选取。基于区域对的阴影检测方法对于阴影场景复杂的图像无法得到有效的检测结果。采用卷积神经网络进行特征学习,结台条件随机场对图像进行标签的方法,首先确定聚类中心,分别以聚类中心为中心进行窗口提取,然后合成训练样本,训练样本在卷积神经网络中训练得到后验分布,得到的后验分布反馈给条件随机场生成有标签的图像,但算法思想过于复杂且计算时间长,参数的选择依赖于人工而具有一定的主观性,该方法不具有普适性。
综上所述,现有技术的航空遥感图像阴影检测存在许多不足,本申请的难点和待解决的问题主要集中在以下方面:
第一,航空遥感图像上进行关键地物识别和自动探测时,由于航空成像技术的限制以及高大地物遮挡等因素的存在,高分辨率航空遥感图像在成像过程中,不可避免的会出现阴影,阴影会削弱被遮挡区域内物体的光学、物理信息,造成地物信息的干扰或者丢失,严重影响图像数据信息的连续性、准确度、完整性,给后续的遥感图像处理,包括模式识别、图像匹配、地物提取等带来诸多困难,阴影也会破坏地物边缘信息的连续性和完整性,还会影响航空遥感产品可视化的质量和美观效果,对遥感图像上的阴影进行准确处理非常必要,而如何准确的对阴影区域进行检测,是阴影处理中极其重要的一步,现有技术缺少一种航空遥感图像阴影精准检测方法;
第二,现有技术基于e3空间的阴影检测方法存在一些不足:一是把非阴影区域的低饱和地物检测为阴影,航空遥感图像中地物类型复杂多样,而采用c3空间检测阴影时,沥青道路、水体、植被等地物饱和度和色调均较低,与阴影区域特征相同,在c3空间中出现不稳定性,常常被检测为阴影;二是将非阴影区域中亮度极大或者极小的地物检测为阴影,航空遥感图像中亮度极大或者极小的地物转换到c3空间时,与阴影区域特征相同而容易与阴影区域混淆,常被检测为阴影;三是把非阴影区域的蓝色地物检测为阴影,蓝色地物与阴影区域在c3空间的特点相同,从而被检测为阴影区域;四是c3空间图像对噪声十分敏感,导致将阴影区域的像素检测为非阴影区域;五是c3空间的航空遥感图像白色区域阴影边缘不明显,容易边缘处像素容易检测错误,导致阴影边缘检测准确率不高;现有技术同时存在预处理过程中直接将c3空间图像灰度规范到[0,255],虽然能达到增强图像对比度的效果,但均匀变换会导致预处理效果不佳;
第三,相比于其它经典的边缘检测方法,Canny算法鲁棒性强,但由于航空图像在采集、传输、转换过程中可能受到各种因素的干扰,对其采用传统的Canny算法进行边缘检测会存在模型缺陷:一是传统Canny算法采用高斯函数对图像进行平滑去噪,由于高斯滤波函数的空间尺度参数是人为确定的,不同的大小会对后期结果产生不同影响,人为确定的参数值很难在信噪比和边缘精确定位上取得平衡;二是传统Canny算法通过在2×2邻域中采用一阶偏导差分计算梯度幅值,计算的偏导数与梯度幅值中心不重合,结果本身有偏移,对边缘的精确定位会产生较大影响;三是传统Canny算法中高、低临界值都是人为设定的,主观性太强,不同的临界值带来的边缘检测结果也不同,面对不同的图像环境时需要调整不同的参数值,自适应能力差;
第四,现有技术对增强后的图像进行平滑处理消除噪声的高斯滤波没有考虑图像的边缘,处理后得到的模糊结果使航空图像的整体模糊,图像的边缘也模糊掉,高斯核只考虑了像素点的空间分布,没有考虑到像素灰度值之间的差异,然而航空图像灰度变化剧烈的位置往往是图像边缘,处理后无法保持初始图像的大体分块进而无法保持图像边缘信息;有时不能够成功的检测出阴影区域,并且对屋顶与道路等地物对检测结果的干扰十分敏感,阴影检测抗干扰弱,使航空遥感图像阴影检测的应用价值大幅降低。
发明内容
针对航空遥感图像上的阴影问题,本申请提出基于c3空间影像阴影检测改进方法,在现有技术的基于c3空间影像阴影检测方法的基础上,针对其不足在航空影像增强、多边加权平滑去噪、边缘检测三方面做出改进,采用对数变换对c3空间图像进行对比度增强,大幅扩展低灰度区域像素值范围而提高阴影区域内阴图像素提取的准确率;采用多边加权滤波对图像进行去噪处理,去除图像噪声的同时还能够保持图像边缘细节;基于Canny算子,增加对角线方向来改进梯度幅值计算方法,并采用自适应双临界域选取确定临界域,最后采用双临界域进行边缘检测;实现了对遥感图像上的阴影区域的精准检测,是阴影处理中极其重要的一步,有效解决了航空图像中阴影造成地物信息的干扰丢失,严重影响图像数据信息的连续性、准确度、完整性,对后期遥感模式识别、地物提取、图像匹配等处理操作造成影响的问题,还能提高遥感图像的质量和产品可视化的美观性。
为实现以上技术效果,本申请所采用的技术方法如下:
抗干扰的航空遥感图像阴影精准检测方法,在基于c3空间影像阴影检测方法的基础上,针对其不足在航空影像增强、多边加权平滑去噪、边缘检测三方面做出改进,具体实现方法是:采用对数变换对c3空间图像进行对比度增强,大幅扩展低灰度区域像素值范围而提高阴影区域内阴图像素提取的准确率;采用多边加权滤波对图像进行去噪处理,去除图像噪声的同时还能够保持图像边缘细节;基于Canny算子改进,增加对角线方向来改进梯度幅值计算方法,并采用自适应双临界域选取确定临界域,最后采用双临界域进行边缘检测;
改进的基于c3空间的航空影像阴影精准检测方法的步骤包括:
第一步:对初始航空遥感图像进行色彩空间转换,将其从RGB色彩空间转换到c1c2c3色彩空间,并对图像进行通道分离,得到c3空间图像;
第二步:采用对数变换对c3空间图像进行航空影像增强处理;
第三步:采用多边加权滤波对增强后的c3空间图像进行多边加权平滑去噪处理;
第四步:采用改进后的Canny算法对平滑后的c3空间图像进行边缘检测处理;
第五步:依次读取边缘检测图像、平滑后的c3空间图像,通过图像融合、色彩处理提取航空影像阴影区域;
第六步:读取提取出的航空影像阴影图像,采用形态学闭运算进行后置处理,得到最终阴影检测结果。
抗干扰的航空遥感图像阴影精准检测方法,进一步的,航空影像增强:采用非线性变换进行改进,在增强c3空间图像中非阴影区域与阴影区域对比度的同时,扩展低灰度范围,使得图像的细节特征更加明显,提高阴影检测准确率,采用非线性变换中的对数变换对c3空间图像进行航空影像增强,对数变换表示为:
f(x,y)=d+eln(g(x,y)+1) 式1
式中,d、e是人工设定的参数,调整变换曲线的位置和形状,d为Y轴上的截距,e控制变换曲线的变换速率,ln(g(x,y)+1)避免对0求对数,对数变换使得图像的高灰度范围被压缩而低灰度范围得以扩展,由于人眼对高亮度的分辨率高于对低亮度的分辨率,变换后的航空图像更符合人的视觉效果,经过对数变换后,c3空间图像中非阴影区域与阴影区域的对比度显著增强。
抗干扰的航空遥感图像阴影精准检测方法,进一步的,多边加权平滑去噪:加入局部加权平均,针对高斯权因子直接与图像信息做卷积运算进行图像滤波,将滤波权因子优化成高斯函数的图像亮度信息的乘积,优化后的权因子再与图像信息做卷积运算,在滤波的同时考虑到图像信息中的边缘信息,使遥感图像在正常高斯滤波后模糊的边缘信息得以保持清晰,并且图像边缘更加平滑,在处理临近像素点的灰度值时,既考虑到像素点之间几何距离,又考虑到亮度上的近似度,通过对二者的非线性组合,自适应滤波得到平滑图像,多边加权滤波的加权因子由两部分组成,一部分由像素间的空间距离决定,为空间邻近度因子;一部分由像素间的灰度差决定,为灰度近似度因子;
假设g(i,j)为含噪声的航空图像,f(i,j)为平滑处理后的图像,处理后航空图像的像素值取决于邻域内像素灰度值的加权平均,采用式2来进行航空图像滤波:
权重因子k(i,j,w,l)取决于空间域影像滤波核函数:
和灰度影像滤波核函数:
的乘积;
上式中,C(i,j)表示中心点(i,j)的(2m+1)×(2m+1)大小的邻域,vs表示在空域影像滤波时的高斯函数的标准差,vr表示图像灰度通过高斯函数进行滤波时的灰度标准差,空间域滤波核函数ks(i,j,w,l)随着中心点与像素点两者之间距离的增大而减小,灰度滤波核函数kr(i,j,w,l)随着中心点与像素点两者之间灰度差的增大而减小。
当图像变化平缓时,一定邻域内的所有像素之间的灰度值差异较小,此时多边加权滤波器相当于高斯低通滤波器,通过灰度平均来消除噪声;当图像变化剧烈时,对于边缘异侧的像素点灰度影像滤波核函数的值趋近于0,对于边缘同侧的像素点灰度影像滤波核函数的值趋近于1,滤波器采用边缘点一定邻域内灰度值相似的像素点灰度值平均代替原灰度值,离得较远的像素不会过多的影响边缘点的像素值,多边加权滤波器在平滑图像的同时,保持航空图像的边缘信息。
抗干扰的航空遥感图像阴影精准检测方法,进一步的,多边加权滤波器基于三个参数:滤波模板半宽m、参数vs和vr,当模板越大,即m越大时,平滑滤波作用越强;vs和vr表示图像特征的大小和对比度,分别决定空间域影像滤波核函数和灰度影像滤波核函数的衰减程度,直接影响图像整体的平滑效果,通过调节滤波宽度,在图像特征过于平滑模糊和不够平滑之间取得合适的效果,vs越大则空间域影像滤波核函数的值越大,一定邻域内的像素点对中心点的作用越大,距离较远的像素点对中心点滤波后的灰度值构成影响;vr越大则灰度影像滤波核函数的值越大,一定邻域内的像素点对中心点的作用越大,灰度值差异较大的像素点对中心点滤波后的灰度值构成影响。
当滤波宽度越大时,滤波器频带越宽,平滑程度越好;当vs和vr的取值均接近于0时,多边加权滤波无法平滑输入图像;vr影响多边加权滤波器保持图像边缘信息的能力,且对保边的作用效果比vs的影响大,随着vr不断增大,灰度影像滤波核函数的曲线缓慢变宽并平坦直至最后趋近于直线;当vs逐渐增大时,图像特征越来越模糊,图像越来越平滑,此时如果vr取值较小,多边加权滤波器在实现多边加权平滑去噪的同时确保图像的边缘轮廓细节得到严格保护。
抗干扰的航空遥感图像阴影精准检测方法,进一步的,改进的梯度幅值计算方法:提出采用3×3邻域代替2×2邻域,并通过在水平、竖直和两对角线方向来分别差分计算获得梯度幅值,计算方法如下:
航空影像x方向的偏导数:
gx(i,j)=J(i,j+1)-J(i,j-1) 式5
航空影像y方向的偏导数:
gy(i,j)=J(i+1,j)-J(i-1,j) 式6
45度方向的偏导数:
g45度(i,j)=J(i+1,j+1)-J(i-1,j-1) 式7
135度方向的偏导数:
g135度(i,j)=J(i+1,j-1)-J(i-1,j+1) 式8
则水平方向的差分:
竖直方向的差分:
两个方向的卷积模板:
梯度幅值N:
梯度方向e:
其中,J(x,y)为平滑后的图像。
抗干扰的航空遥感图像阴影精准检测方法,进一步的,结合航空图像梯度直方图,自适应确定算法中的临界域:
对非极大值抑制后所得的图像M(i,j)进行梯度直方图统计,定义像素的梯度幅值为横坐标,每个梯度幅值对应的像素点个数为纵坐标,对其进行直方图统计,对比两幅航空遥感直方图得出:
第一,航空遥感梯度直方图所包含的信息比灰度直方图简单;
第二,对比灰度直方图,梯度直方图中没有明显的波峰波谷,当梯度值为0时存在一个很高的尖峰,对应图像M(i,j)中的非边缘点,即原图像中的背景区域;
第三,遥感梯度直方图中的曲线走势总体呈下降趋势,随着梯度值的增大对应像素点的数量不断减少,在某一梯度值后数量减为0;
第四,曲线虽总体下降,但在局部内有上下起伏的变化,即存在局部极大值,而该类局部极大值可用来检测出该区域内的边缘点。
抗干扰的航空遥感图像阴影精准检测方法,进一步的,自适应双临界域选取:采用最佳临界域进行图像分割,所得的两类具有最好的分离性;分割后采用类内特征差最小或者类间特征差最大作为类间分离性优劣的判定指标;
选取一个分割临界域为w,采用该临界域进行图像分割,可将所有像素分为两个区域:对象区域A和背景区域B,其中对象区域A中{g(x,y)≤w},背景区域B{g(x,y)>w},对象区域A出现的概率:
对象区域A的像素点总数:
对象区域A的灰度均值:
背景区域B出现的概率:
背景区域B的像素点总数:
背景区域B的灰度均值:
图像的灰度均值:
v=k1(w)v1(w)+k2(w)v2(w) 式22
采用下式来解算最佳临界域:
R=ArgMax[k1(w)(v1(w)-v)2+k2(w)(v2(w)-v)2] 式23
式中w∈[0,H-1];
由式23可得,等式右边为类间方差值,而方差表示遥感图像像素灰度分布均匀性,方差越大则遥感图像像素灰度分布越不均匀,遥感图像中目标与背景差别也越大。
抗干扰的航空遥感图像阴影精准检测方法,进一步的,双临界域选取:基于梯度直方图确定出高临界域RH,然后根据高临界域确定低临界域RL,实现双临界域的自适应选取;
设将非极大值抑制后所得图像M(i,j)的梯度幅值分为H级,进行图像分割的最佳临界域为w,此时RH=w,则RH将图像分为边缘像素点集合和非边缘像素点集合,依次计算梯度i出现的概率q(i)、边缘点出现的概率k1(RH)和边缘点总数M1(w)以及梯度平均值v1(RH)、非边缘点出现的概率k2(RH)和非边缘点总数M2(w)以及梯度平均值v2(RH)、所有具有梯度值的像素的梯度平均值v。
抗干扰的航空遥感图像阴影精准检测方法,进一步的,航空图像中存在不同尺度的边缘,在对不同梯度等级上的点计算均值时,在临界域计算过程中体现出这些差异,采用梯度平均方差来改进算法以计算最佳临界域,改进后的最佳临界域计算式如下所示:
R=ArgMax[k1(RH)(s1 2(RH)-s2)2+k2(RH)(s2 2(RH)-s2)2] 式24
式中:
由式24求得高临界域RH,令RL=0.4RH,采用双临界域进行图像边缘检测。
与现有技术相比,本申请的创新点和优势在于:
第一,针对航空遥感图像上的阴影问题,本申请提出基于c3空间影像阴影检测改进方法,在现有技术的基于c3空间影像阴影检测方法的基础上,针对其不足在航空影像增强、多边加权平滑去噪、边缘检测三方面做出改进,采用对数变换对c3空间图像进行对比度增强,大幅扩展低灰度区域像素值范围而提高阴影区域内阴图像素提取的准确率;采用多边加权滤波对图像进行去噪处理,去除图像噪声的同时还能够保持图像边缘细节;基于Canny算子,增加对角线方向来改进梯度幅值计算方法,并采用自适应双临界域选取确定临界域,最后采用双临界域进行边缘检测;实现了对遥感图像上的阴影区域的精准检测,是阴影处理中极其重要的一步,有效解决了航空图像中阴影造成地物信息的干扰丢失,严重影响图像数据信息的连续性、准确度、完整性,对后期遥感模式识别、地物提取、图像匹配等处理操作造成影响的问题,还能提高遥感图像的质量和产品可视化的美观性;
第二,针对现有技术对图像进行线性拉伸,直接将c3空间图像灰度规范到[0,255],均匀变换缺乏对灰度值区域特征的关注,导致处理效果不佳,本申请首先从航空影像增强方法进行改进,采用非线性变换进行改进,在增强c3空间图像中非阴影区域与阴影区域对比度的同时,扩展低灰度范围,使得图像的细节特征更加明显,提高阴影检测准确率,采用非线性变换中的对数变换对c3空间图像进行航空影像增强,由于人眼对高亮度的分辨率高于对低亮度的分辨率,变换后的航空图像更符合人的视觉效果,经过对数变换后,c3空间图像中非阴影区域与阴影区域的对比度显著增强,有利于提高影像阴影检测的有效性和准确性;且不容易受到遮挡影响,精度高且实用性强;
第三,针对航空影像增强过程中,噪声也随之得到了一定程度的增强,需要对增强后的图像进行平滑处理来消除噪声,提出采用多边加权滤波来进行多边加权平滑去噪,减弱航空图像上过多的噪声和假轮廓,同时保证图像边缘细节能够较好的保持;该方法加入局部加权平均,针对高斯权因子直接与图像信息做卷积运算进行图像滤波,将滤波权因子优化成高斯函数的图像亮度信息的乘积,优化后的权因子再与图像信息做卷积运算,在滤波的同时考虑到图像信息中的边缘信息,使遥感图像在正常高斯滤波后模糊的边缘信息得以保持清晰,并且图像边缘更加平滑。与高斯滤波不同的是,在处理临近像素点的灰度值时,既考虑到像素点之间几何距离,又考虑到亮度上的近似度,通过对二者的非线性组合,自适应滤波得到平滑图像,融合像素点的空间邻近度和像素间的近似度进行协同处理,同时基于空域信息和灰度近似度,在去除噪声的同时保持图像边缘信息,克服了高斯滤波没有考虑图像的边缘,处理后得到的模糊结果使航空图像的整体模糊,航空图像灰度变化剧烈的图像边缘也模糊掉的缺陷,去噪精度和可靠性好,具有巨大的运用价值;
第四,针对航空图像在采集、传输、转换过程中可能受到各种因素的干扰,对其采用经典的Canny算法进行边缘检测会存在模型缺陷,为保证边缘检测结果的准确度,基于航空遥感改进Canny边缘检测,主要针对梯度计算和双临界域选取做出改进,自适应确定空间尺度参数,在信噪比和边缘精确定位上取得平衡;采用3×3邻域代替2×2邻域,并通过在水平、竖直和两对角线方向来分别差分计算获得梯度幅值,计算的偏导数与梯度幅值中心重合,对边缘的定位更加精确;自适应设定高、低临界值,面对不同的图像环境时调整不同的参数值,自适应能力强。实验证明,本申请方法能够成功的检测出阴影区域,并且能够有效减弱屋顶与道路等地物对检测结果的干扰,相较于改进前的原有算法,阴影检测正确率有明显提高。
附图说明
图1是现对航空图像进行直方图统计得到的灰度直方图和梯度直方图。
图2是基于c3空间航空图像和边缘检测的阴影检测方法流程图。
图3是航空遥感图像A各阶段的阴影检测结果示意图。
图4是航空遥感图像B各阶段的阴影检测结果示意图。
图5是基于c3空间影像阴影检测方法改进前后的精度对比分析图。
具体实施方法
下面结合附图,对本申请提供的抗干扰的航空遥感图像阴影精准检测方法的技术方案进行进一步的描述,使本领域的技术人员能够更好的理解本申请并能够予以实施。
航空遥感图像具有空间分辨率高、波谱信息丰富等特点,被广泛应用于GIS产业、城市信息化建设、服务与旅游产业等。在航空遥感图像中,快速、自动、准确的获取人造地物是数字城市建设的前提和关键,而航空遥感图像上进行关键地物识别和自动探测时,阴影的存在总是不可避免的。虽然阴影可用来推测光源的强度、位置及目标物体的形状、位置和表面特征等相关信息,但阴影也会削弱被遮挡区域内物体的光学、物理信息,给后续的遥感图像处理,包括模式识别、图像匹配、地物提取等带来诸多困难,阴影的存在也会破坏地物边缘信息的连续性和完整性,还会影响航空遥感产品可视化的美观效果,航空遥感图像阴影的处理很有必要。
阴影处理包括阴影检测和阴影去除两部分,而阴影的检测与阴影区域的提取,是阴影处理的前提。本申请针对航空遥感图像上的阴影问题,提出基于c3空间影像阴影检测改进方法,在现有技术的基于c3空间影像阴影检测方法的基础上,针对其不足在航空影像增强、多边加权平滑去噪、边缘检测三方面做出改进,具体实现方法是:采用对数变换对c3空间图像进行对比度增强,大幅扩展低灰度区域像素值范围而提高阴影区域内阴图像素提取的准确率;采用多边加权滤波对图像进行去噪处理,去除图像噪声的同时还能够保持图像边缘细节;基于Canny算子,增加对角线方向来改进梯度幅值计算方法,并采用自适应双临界域选取确定临界域,最后采用双临界域进行边缘检测。
由于航空成像技术的限制以及高大地物遮挡等因素的存在,高分辨率航空遥感图像在成像过程中,不可避免的会出现阴影。航空图像中阴影的存在,不仅会造成地物信息的干扰或者丢失,严重影响图像数据信息的连续性、准确度、完整性,对后期遥感模式识别、地物提取、图像匹配等处理操作也会造成影响,还会影响图像质量和产品可视化的美观性,所以对遥感图像上的阴影进行准确处理非常必要,而如何准确的对阴影区域进行检测,是阴影处理中极其重要的一步。
一、基于c3空间的阴影检测方法存在的不足
根据c1c2c3色彩空间中色彩不变量的特点,采用其对于阴影区域的灵敏性和区分阴影区域与其它黑暗地物的特征,基于e3空间的阴影检测方法存在一些不足,主要包括:
一是把非阴影区域的低饱和地物检测为阴影,这是因为在航空遥感图像中,地物类型复杂多样,而采用c3空间检测阴影时,沥青道路、水体、植被等地物饱和度和色调均较低,与阴影区域特征相同,所以在c3空间中出现不稳定性,常常被检测为阴影;
二是将非阴影区域中亮度极大或者极小的地物检测为阴影,航空遥感图像中亮度极大或者极小的地物转换到c3空间时,与阴影区域特征相同而容易与阴影区域混淆,所以在检测过程中,常常被检测为阴影;
三是把非阴影区域的蓝色地物检测为阴影,这是由于在航空遥感图像中,蓝色地物与阴影区域在c3空间的特点相同,采用c3空间进行阴影检测时会出现不稳定﹐从而被检测为阴影区域;
四是c3空间图像对噪声十分敏感,也会导致将阴影区域的像素检测为非阴影区域;
五是c3空间的航空遥感图像白色区域的阴影边缘不明显,容易边缘处像素容易检测错误,从而导致阴影边缘检测准确率不高。
现有技术同时存在预处理过程中直接将c3空间图像灰度规范到[0,255],虽然可以达到增强图像对比度的效果,但是均匀变换会导致预处理效果不佳。
二、基于c3空间航空影像阴影检测方法的改进
针对现有技术c3空间影像阴影检测方法存在的问题,本申请从航空影像增强、多边加权平滑去噪、航空遥感改进的边缘和阴影检测三方面提出改进方法,提高影像阴影检测的有效性和准确性。
(一)航空影像增强
航空影像增强改善图像的视觉效果,将遥感图像转换位一种更适合人和机器进行分析处理的形式。有选择地突出某些人或者机器分析更重要的信息,抑制无用信息,提高遥感图像的采用价值。通过航空影像增强减少图像噪声提高图像质量,增大目标与背景的对比度,抑制或者强调图像中的某些细节信息。
将航空遥感图像色彩空间转换后分离通道,得到c3空间图像,但c3空间图像的对比度不明显,有些阴影区域不容易分辨出来,对c3空间图像进行航空影像增强处理。
如果对图像进行线性拉伸,直接将c3空间图像灰度规范到[0,255],虽然可以达到增强图像对比度的效果,但是均匀变换缺乏对灰度值区域特征的关注,导致处理效果不佳。
本申请采用非线性变换进行改进,在增强c3空间图像中非阴影区域与阴影区域对比度的同时,扩展低灰度范围,使得图像的细节特征更加明显,提高阴影检测准确率,采用非线性变换中的对数变换对c3空间图像进行航空影像增强,对数变换表示为:
f(x,y)=d+eln(g(x,y)+1) 式1
式中,d、e是人工设定的参数,调整变换曲线的位置和形状,d为Y轴上的截距,e控制变换曲线的变换速率,ln(g(x,y)+1)避免对0求对数,对数变换使得图像的高灰度范围被压缩而低灰度范围得以扩展,由于人眼对高亮度的分辨率高于对低亮度的分辨率,变换后的航空图像更符合人的视觉效果,经过对数变换后,c3空间图像中非阴影区域与阴影区域的对比度显著增强。
(二)多边加权平滑去噪
在前一步航空影像增强过程中,虽然增强了c3空间图像中阴影区域与非阴影区域的对比度,但航空图像中的噪声也随之得到了一定程度的增强,需要对增强后的图像进行平滑处理来消除噪声。考虑到在进行影像去噪处理的过程中,同时要保证图像边缘细节能够较好的保持,采用多边加权滤波来进行多边加权平滑去噪去噪,减弱航空图像上过多的噪声和假轮廓。
融合像素点的空间邻近度和像素间的近似度进行协同处理,同时基于空域信息和灰度近似度,在去除噪声的同时保持图像边缘信息。现有技术的高斯滤波没有考虑图像的边缘,处理后得到的模糊结果使航空图像的整体模糊,图像的边缘也模糊掉,高斯核只考虑了像素点的空间分布,没有考虑到像素灰度值之间的差异,然而航空图像灰度变化剧烈的位置往往是图像边缘,本申请多边加权滤波处理后保持初始图像的大体分块进而保持图像边缘信息。
本申请多边加权滤波加入局部加权平均,针对高斯权因子直接与图像信息做卷积运算进行图像滤波,将滤波权因子优化成高斯函数的图像亮度信息的乘积,优化后的权因子再与图像信息做卷积运算,在滤波的同时考虑到图像信息中的边缘信息,使遥感图像在正常高斯滤波后模糊的边缘信息得以保持清晰,并且图像边缘更加平滑。与高斯滤波不同的是,在处理临近像素点的灰度值时,既考虑到像素点之间几何距离,又考虑到亮度上的近似度,通过对二者的非线性组合,自适应滤波得到平滑图像,多边加权滤波的加权因子由两部分组成,一部分由像素间的空间距离决定,为空间邻近度因子;一部分由像素间的灰度差决定,为灰度近似度因子;
假设g(i,j)为含噪声的航空图像,f(i,j)为平滑处理后的图像,处理后航空图像的像素值取决于邻域内像素灰度值的加权平均,采用式2来进行航空图像滤波:
权重因子k(i,j,w,l)取决于空间域影像滤波核函数:
和灰度影像滤波核函数:
的乘积;
上式中,C(i,j)表示中心点(i,j)的(2m+1)×(2m+1)大小的邻域,vs表示在空域影像滤波时的高斯函数的标准差,vr表示图像灰度通过高斯函数进行滤波时的灰度标准差,空间域滤波核函数ks(i,j,w,l)随着中心点与像素点两者之间距离的增大而减小,灰度滤波核函数kr(i,j,w,l)随着中心点与像素点两者之间灰度差的增大而减小。
当图像变化平缓时,一定邻域内的所有像素之间的灰度值差异较小,此时多边加权滤波器相当于高斯低通滤波器,通过灰度平均来消除噪声;当图像变化剧烈时,对于边缘异侧的像素点灰度影像滤波核函数的值趋近于0,对于边缘同侧的像素点灰度影像滤波核函数的值趋近于1,滤波器采用边缘点一定邻域内灰度值相似的像素点灰度值平均代替原灰度值,离得较远的像素不会过多的影响边缘点的像素值,多边加权滤波器在平滑图像的同时,保持航空图像的边缘信息。
多边加权滤波器基于三个参数:滤波模板半宽m、参数vs和vr,当模板越大,即m越大时,平滑滤波作用越强;vs和vr表示图像特征的大小和对比度,分别决定空间域影像滤波核函数和灰度影像滤波核函数的衰减程度,直接影响图像整体的平滑效果,通过调节滤波宽度,在图像特征过于平滑模糊和不够平滑(噪声和细纹理所引起的意外突变量过多)之间取得合适的效果,vs越大则空间域影像滤波核函数的值越大,一定邻域内的像素点对中心点的作用越大,距离较远的像素点对中心点滤波后的灰度值构成影响;vr越大则灰度影像滤波核函数的值越大,一定邻域内的像素点对中心点的作用越大,灰度值差异较大的像素点对中心点滤波后的灰度值构成影响。
当滤波宽度越大时,滤波器频带越宽,平滑程度越好;当vs和vr的取值均接近于0时,多边加权滤波无法平滑输入图像;vr影响多边加权滤波器保持图像边缘信息的能力,且对保边的作用效果比vs的影响大,随着vr不断增大,灰度影像滤波核函数的曲线缓慢变宽并平坦直至最后趋近于直线;当vs逐渐增大时,图像特征越来越模糊,图像越来越平滑,此时如果vr取值较小,多边加权滤波器在实现多边加权平滑去噪的同时确保图像的边缘轮廓细节得到严格保护。
(三)航空遥感改进的边缘和阴影检测
在对航空图像进行阴影去除之前首先要将阴影区域准确检测提取出来,而边缘检测是阴影检测与阴影区域提取的重要步骤,边缘是航空图像的重要特征之一,往往存在于图像中局部特征不连续的位置,即存在于图像信号发生突变的位置,通过检测这些突变处,可得到航空图像边缘的位置与方向,而对于灰度图像,局部特征不连续是灰度值的突变,而图像边缘存在于灰度值突变较剧烈的位置,边缘检测通过将这些灰度值突变的点检测出来,确定它们在图像的位置和突变方向,这些突变点的集合最终构成图像的边缘。
相比于其它经典的边缘检测方法,Canny算法鲁棒性强,但在实际应用中,由于航空图像在采集、传输、转换过程中可能受到各种因素的干扰,对其采用传统的Canny算法进行边缘检测会存在模型缺陷:
第一,传统Canny算法采用高斯函数对图像进行平滑去噪,由于高斯滤波函数的空间尺度参数是人为确定的,不同的大小会对后期结果产生不同影响,人为确定的参数值很难在信噪比和边缘精确定位上取得平衡;
第二,传统Canny算法通过在2×2邻域中采用一阶偏导差分计算梯度幅值,而此方法计算的偏导数与梯度幅值中心不重合,结果本身具有一定程度的偏移,对边缘的精确定位会产生较大影响;
第三,传统Canny算法中高、低临界值都是人为设定的,主观性太强,不同的临界值带来的边缘检测结果也不同,面对不同的图像环境时需要调整不同的参数值,自适应能力差。
针对以上不足,为保证边缘检测结果的准确度,在传统Canny算法的基础上,基于航空遥感改进Canny边缘检测,主要针对梯度计算和双临界域选取做出改进。
1.改进的梯度幅值计算方法
传统Canny算法通过2×2邻域内差分计算获得梯度幅值,此方法计算所得的梯度会偏移当前处理点,影响遥感影像边缘精确定位。本申请提出采用3×3邻域代替2×2邻域,并通过在水平、竖直和两对角线方向来分别差分计算获得梯度幅值,计算方法如下:
航空影像x方向的偏导数:
gx(i,j)=J(i,j+1)-J(i,j-1) 式5
航空影像y方向的偏导数:
gy(i,j)=J(i+1,j)-J(i-1,j) 式6
45度方向的偏导数:
g45度(i,j)=J(i+1,j+1)-J(i-1,j-1) 式7
135度方向的偏导数:
g135度(i,j)=J(i+1,j-1)-J(i-1,j+1) 式8
则水平方向的差分:
竖直方向的差分:
两个方向的卷积模板:
梯度幅值N:
梯度方向e:
其中,J(x,y)为平滑后的图像。
2.自适应双临界域选取
临界域的大小对图像边缘检测结果有很大影响,选取合适的临界域非常关键。现有技术的边缘检测算子先求解图像内各像素的梯度幅值,然后根据梯度幅值的范围确定临界域,将临界域与图像各点的梯度幅值比较,根据梯度幅值大于或者小于临界域将所有点分为边缘点和非边缘点,得出边缘检测结果。传统Canny算法选取高临界域RH和低临界域RL,根据各点梯度幅值与高低临界域相比较的结果,得到边缘图像R1和R2,然后以R1为主R2为辅连接边缘点得到最终的边缘图像。由于算法中高低临界域均由人工选取,不具备自适应性。
本申请结合航空图像梯度直方图,自适应确定算法中的临界域:
对非极大值抑制后所得的图像M(i,j)进行梯度直方图统计,定义像素的梯度幅值为横坐标,每个梯度幅值对应的像素点个数为纵坐标。如图1所示,现对其进行直方图统计,灰度直方图如图1(a)所示,梯度直方图如图1(b)所示。
对比两幅航空遥感直方图得出:
第一,航空遥感梯度直方图所包含的信息比灰度直方图简单;
第二,对比灰度直方图,梯度直方图中没有明显的波峰波谷,当梯度值为0时存在一个很高的尖峰,对应图像M(i,j)中的非边缘点,即原图像中的背景区域;
第三,遥感梯度直方图中的曲线走势总体呈下降趋势,随着梯度值的增大对应像素点的数量不断减少,在某一梯度值后数量减为0;
第四,曲线虽总体下降,但在局部内有上下起伏的变化,即存在局部极大值,而该类局部极大值可用来检测出该区域内的边缘点。
采用最佳临界域进行图像分割,所得的两类具有最好的分离性;分割后采用类内特征差最小或者类间特征差最大作为类间分离性优劣的判定指标。
选取一个分割临界域为w,采用该临界域进行图像分割,可将所有像素分为两个区域:对象区域A和背景区域B,其中对象区域A中{g(x,y)≤w},背景区域B{g(x,y)>w},对象区域A出现的概率:
对象区域A的像素点总数:
对象区域A的灰度均值:
背景区域B出现的概率:
背景区域B的像素点总数:
背景区域B的灰度均值:
图像的灰度均值:
v=k1(w)v1(w)+k2(w)v2(w) 式22
采用下式来解算最佳临界域:
R=ArgMax[k1(w)(v1(w)-v)2+k2(w)(v2(w)-v)2] 式23
式中w∈[0,H-1];
由式23可得,等式右边为类间方差值,而方差表示遥感图像像素灰度分布均匀性,方差越大则遥感图像像素灰度分布越不均匀,遥感图像中目标与背景差别也越大。
双临界域选取:基于梯度直方图确定出高临界域RH,然后根据高临界域确定低临界域RL,实现双临界域的自适应选取。
设将非极大值抑制后所得图像M(i,j)的梯度幅值分为H级,进行图像分割的最佳临界域为w,此时RH=w,则RH将图像分为边缘像素点集合和非边缘像素点集合,依次计算梯度i出现的概率q(i)、边缘点出现的概率k1(RH)和边缘点总数M1(w)以及梯度平均值v1(RH)、非边缘点出现的概率k2(RH)和非边缘点总数M2(w)以及梯度平均值v2(RH)、所有具有梯度值的像素的梯度平均值v。
由于航空图像中存在不同尺度的边缘,在对不同梯度等级上的点计算均值时,一些细小的差异也会随之平均掉,为了在临界域计算过程中体现出这些差异,采用梯度平均方差来改进算法以计算最佳临界域,改进后的最佳临界域计算式如下所示:
R=ArgMax[k1(RH)(s1 2(RH)-s2)2+k2(RH)(s2 2(RH)-s2)2] 式24
式中:
由式24求得高临界域RH,令RL=0.4RH,采用双临界域进行图像边缘检测。
三、航空遥感图像阴影检测方法设计
本申请基于c3空间的阴影检测方法,在航空影像增强、多边加权平滑去噪以及边缘检测三方面做出改进,提出基于c3空间航空图像和边缘检测的阴影检测方法,该阴影检测方法的算法流程图如图2所示:
改进的基于c3空间航空影像阴影检测方法,检测步骤包括:
第一步:对初始航空遥感图像进行色彩空间转换,将其从RGB色彩空间转换到c1c2c3色彩空间,并对图像进行通道分离,得到c3空间图像;
第二步:采用对数变换对c3空间图像进行航空影像增强处理;
第三步:采用多边加权滤波对增强后的c3空间图像进行多边加权平滑去噪处理;
第四步:采用改进后的Canny算法对平滑后的c3空间图像进行边缘检测处理;
第五步:依次读取边缘检测图像、平滑后的c3空间图像,通过图像融合、色彩处理提取航空影像阴影区域;
第六步:读取提取出的航空影像阴影图像,采用形态学闭运算进行后置处理,得到最终阴影检测结果。
四、实验及分析
(一)结果分析
本申请选取两幅航空遥感图像,对所提出的航空遥感图像阴影检测方法进行验证,采用Matlab语言实现其功能,检测结果如以下所示。
如图3,航空遥感图像A如图3(a)所示,图像中的地物主要是道路、房屋,干扰因素为道路等低饱和度地物,在阴影检测过程中先对其进行色彩空间转换分离空间图像操作,结果如图3(b)所示,c3空间图像上大致可分辨出阴影区域的范围,然后对c3空间图像进行对数变换和多边加权滤波,结果如图3(c)、图3(d)所示,可以看出对数变换后图像对比度明显增强,白色阴影区域与非阴影区域之间的边界更加明显。采用改进后的Canny算子进行边缘检测操作,结果分别图3(e)所示,可以得到清晰的阴影边界,最后阴影检测结果如图3(f)所示。从以上结果中可以看出,本申请算法能够成功的检测出阴影区域,并且能够有效减弱屋顶与道路等地物对检测结果的干扰。
如图4,航空遥感图像B如图4(a)所示,图像中的地物主要为房屋、植被,干扰因素为绿色植被。在阴影检测过程中先对其进行色彩空间转换分离空间图像,结果如图4(b)所示,c3空间图像上大致可分辨出阴影区域的范围,但植被区域阴影与植被的界限难以区分,干扰较为严重,阴影提取较为困难。然后对c3空间图像进行对数变换和多边加权滤波,结果如图4(c)、图4(d)所示,可以看出对数变换后图像中地物的对比度得到明显增强,白色阴影区域与非阴影区域之间的边界更加清晰。采用改进后的Canny算子进行边缘检测操作,结果分别图4(e)所示,可以得到清晰的阴影边界,最后阴影检测结果如图4(f)所示。从以上结果可以得出,本申请算法能够成功的检测出建筑物的阴影。
(二)效果评估
针对算法实验结果,本申请采用准确率评估方法包括PA、CA、OA三个指标,其中,PA是阴影从阴影区域中被检测出的正确率,CA是检测出的所有阴影数据中正确阴影数据所占的比例,OA是被正确检测出的阴影数据和非阴影数据所占的比例。为了更加准确而全面的对算法效果进行评估,增加SP作为准确率评估指标,SP是非阴影像素被正确检测为非阴影区域中的比例,SP的数值越大,则表示算法的检测效果越好。
总的来说,任何一个评价指标都不能完全评估一个算法的好坏,应该综合分析这几个指标数据,来评估一个算法的性能。评估指标数据的值越大,则表示阴影检测方法的性能越好。
本申请采用图像处理软件将实验中所用的航空遥感图像数据中的阴图像素手动挑出,并与实验检测结果进行比较分析,计算出各评价指标的数值,结果如图5所示。
分析图5中的各个评价指标数值,可得出如下结论:本申请算法正确检测阴影、非阴影的概率较大,错误检测阴影、非阴影的概率较小,总体阴影检测的准确度较高。分析PA、CA、OA、CP数值可知,本算法相较于改进前的原有算法,阴影检测正确率有明显提高。
Claims (9)
1.抗干扰的航空遥感图像阴影精准检测方法,其特征在于,在基于c3空间影像阴影检测方法的基础上,针对其不足在航空影像增强、多边加权平滑去噪、边缘检测三方面做出改进,具体实现方法是:采用对数变换对c3空间图像进行对比度增强,大幅扩展低灰度区域像素值范围而提高阴影区域内阴图像素提取的准确率;采用多边加权滤波对图像进行去噪处理,去除图像噪声的同时还能够保持图像边缘细节;基于Canny算子改进,增加对角线方向来改进梯度幅值计算方法,并采用自适应双临界域选取确定临界域,最后采用双临界域进行边缘检测;
改进的基于c3空间的航空影像阴影精准检测方法的步骤包括:
第一步:对初始航空遥感图像进行色彩空间转换,将其从RGB色彩空间转换到c1c2c3色彩空间,并对图像进行通道分离,得到c3空间图像;
第二步:采用对数变换对c3空间图像进行航空影像增强处理;
第三步:采用多边加权滤波对增强后的c3空间图像进行多边加权平滑去噪处理;
第四步:采用改进后的Canny算法对平滑后的c3空间图像进行边缘检测处理;
第五步:依次读取边缘检测图像、平滑后的c3空间图像,通过图像融合、色彩处理提取航空影像阴影区域;
第六步:读取提取出的航空影像阴影图像,采用形态学闭运算进行后置处理,得到最终阴影检测结果。
2.根据权利要求1所述的抗干扰的航空遥感图像阴影精准检测方法,其特征在于,航空影像增强:采用非线性变换进行改进,在增强c3空间图像中非阴影区域与阴影区域对比度的同时,扩展低灰度范围,使得图像的细节特征更加明显,提高阴影检测准确率,采用非线性变换中的对数变换对c3空间图像进行航空影像增强,对数变换表示为:
f(x,y)=d+eln(g(x,y)+1) 式1
式中,d、e是人工设定的参数,调整变换曲线的位置和形状,d为Y轴上的截距,e控制变换曲线的变换速率,ln(g(x,y)+1)避免对0求对数,对数变换使得图像的高灰度范围被压缩而低灰度范围得以扩展,由于人眼对高亮度的分辨率高于对低亮度的分辨率,变换后的航空图像更符合人的视觉效果,经过对数变换后,c3空间图像中非阴影区域与阴影区域的对比度显著增强。
3.根据权利要求1所述的抗干扰的航空遥感图像阴影精准检测方法,其特征在于,多边加权平滑去噪:加入局部加权平均,针对高斯权因子直接与图像信息做卷积运算进行图像滤波,将滤波权因子优化成高斯函数的图像亮度信息的乘积,优化后的权因子再与图像信息做卷积运算,在滤波的同时考虑到图像信息中的边缘信息,使遥感图像在正常高斯滤波后模糊的边缘信息得以保持清晰,并且图像边缘更加平滑,在处理临近像素点的灰度值时,既考虑到像素点之间几何距离,又考虑到亮度上的近似度,通过对二者的非线性组合,自适应滤波得到平滑图像,多边加权滤波的加权因子由两部分组成,一部分由像素间的空间距离决定,为空间邻近度因子;一部分由像素间的灰度差决定,为灰度近似度因子;
假设g(i,j)为含噪声的航空图像,f(i,j)为平滑处理后的图像,处理后航空图像的像素值取决于邻域内像素灰度值的加权平均,采用式2来进行航空图像滤波:
权重因子k(i,j,w,l)取决于空间域影像滤波核函数:
和灰度影像滤波核函数:
的乘积;
上式中,C(i,j)表示中心点(i,j)的(2m+1)×(2m+1)大小的邻域,vs表示在空域影像滤波时的高斯函数的标准差,vr表示图像灰度通过高斯函数进行滤波时的灰度标准差,空间域滤波核函数ks(i,j,w,l)随着中心点与像素点两者之间距离的增大而减小,灰度滤波核函数kr(i,j,w,l)随着中心点与像素点两者之间灰度差的增大而减小;
当图像变化平缓时,一定邻域内的所有像素之间的灰度值差异较小,此时多边加权滤波器相当于高斯低通滤波器,通过灰度平均来消除噪声;当图像变化剧烈时,对于边缘异侧的像素点灰度影像滤波核函数的值趋近于0,对于边缘同侧的像素点灰度影像滤波核函数的值趋近于1,滤波器采用边缘点一定邻域内灰度值相似的像素点灰度值平均代替原灰度值,离得较远的像素不会过多的影响边缘点的像素值,多边加权滤波器在平滑图像的同时,保持航空图像的边缘信息。
4.根据权利要求3所述的抗干扰的航空遥感图像阴影精准检测方法,其特征在于,多边加权滤波器基于三个参数:滤波模板半宽m、参数vs和vr,当模板越大,即m越大时,平滑滤波作用越强;vs和vr表示图像特征的大小和对比度,分别决定空间域影像滤波核函数和灰度影像滤波核函数的衰减程度,直接影响图像整体的平滑效果,通过调节滤波宽度,在图像特征过于平滑模糊和不够平滑之间取得合适的效果,vs越大则空间域影像滤波核函数的值越大,一定邻域内的像素点对中心点的作用越大,距离较远的像素点对中心点滤波后的灰度值构成影响;vr越大则灰度影像滤波核函数的值越大,一定邻域内的像素点对中心点的作用越大,灰度值差异较大的像素点对中心点滤波后的灰度值构成影响;
当滤波宽度越大时,滤波器频带越宽,平滑程度越好;当vs和vr的取值均接近于0时,多边加权滤波无法平滑输入图像;vr影响多边加权滤波器保持图像边缘信息的能力,且对保边的作用效果比vs的影响大,随着vr不断增大,灰度影像滤波核函数的曲线缓慢变宽并平坦直至最后趋近于直线;当vs逐渐增大时,图像特征越来越模糊,图像越来越平滑,此时如果vr取值较小,多边加权滤波器在实现多边加权平滑去噪的同时确保图像的边缘轮廓细节得到严格保护。
5.根据权利要求1所述的抗干扰的航空遥感图像阴影精准检测方法,其特征在于,改进的梯度幅值计算方法:提出采用3×3邻域代替2×2邻域,并通过在水平、竖直和两对角线方向来分别差分计算获得梯度幅值,计算方法如下:
航空影像x方向的偏导数:
gx(i,j)=J(i,j+1)-J(i,j-1) 式5
航空影像y方向的偏导数:
gy(i,j)=J(i+1,j)-J(i-1,j) 式6
45度方向的偏导数:
g45度(i,j)=J(i+1,j+1)-J(i-1,j-1) 式7
135度方向的偏导数:
g135度(i,j)=J(i+1,j-1)-J(i-1,j+1) 式8
则水平方向的差分:
竖直方向的差分:
两个方向的卷积模板:
梯度幅值N:
梯度方向e:
其中,J(x,y)为平滑后的图像。
6.根据权利要求1所述的抗干扰的航空遥感图像阴影精准检测方法,其特征在于,结合航空图像梯度直方图,自适应确定算法中的临界域:
对非极大值抑制后所得的图像M(i,j)进行梯度直方图统计,定义像素的梯度幅值为横坐标,每个梯度幅值对应的像素点个数为纵坐标,对其进行直方图统计,对比两幅航空遥感直方图得出:
第一,航空遥感梯度直方图所包含的信息比灰度直方图简单;
第二,对比灰度直方图,梯度直方图中没有明显的波峰波谷,当梯度值为0时存在一个很高的尖峰,对应图像M(i,j)中的非边缘点,即原图像中的背景区域;
第三,遥感梯度直方图中的曲线走势总体呈下降趋势,随着梯度值的增大对应像素点的数量不断减少,在某一梯度值后数量减为0;
第四,曲线虽总体下降,但在局部内有上下起伏的变化,即存在局部极大值,而该类局部极大值可用来检测出该区域内的边缘点。
7.根据权利要求1所述的抗干扰的航空遥感图像阴影精准检测方法,其特征在于,自适应双临界域选取:采用最佳临界域进行图像分割,所得的两类具有最好的分离性;分割后采用类内特征差最小或者类间特征差最大作为类间分离性优劣的判定指标;
选取一个分割临界域为w,采用该临界域进行图像分割,可将所有像素分为两个区域:对象区域A和背景区域B,其中对象区域A中{g(x,y)≤w},背景区域B{g(x,y)>w},对象区域A出现的概率:
对象区域A的像素点总数:
对象区域A的灰度均值:
背景区域B出现的概率:
背景区域B的像素点总数:
背景区域B的灰度均值:
图像的灰度均值:
v=k1(w)v1(w)+k2(w)v2(w)式22
采用下式来解算最佳临界域:
R=ArgMax[k1(w)(v1(w)-v)2+k2(w)(v2(w)-v)2] 式23
式中w∈[0,H-1];
由式23可得,等式右边为类间方差值,而方差表示遥感图像像素灰度分布均匀性,方差越大则遥感图像像素灰度分布越不均匀,遥感图像中目标与背景差别也越大。
8.根据权利要求7所述的抗干扰的航空遥感图像阴影精准检测方法,其特征在于,双临界域选取:基于梯度直方图确定出高临界域RH,然后根据高临界域确定低临界域RL,实现双临界域的自适应选取;
设将非极大值抑制后所得图像M(i,j)的梯度幅值分为H级,进行图像分割的最佳临界域为w,此时RH=w,则RH将图像分为边缘像素点集合和非边缘像素点集合,依次计算梯度i出现的概率q(i)、边缘点出现的概率k1(RH)和边缘点总数M1(w)以及梯度平均值v1(RH)、非边缘点出现的概率k2(RH)和非边缘点总数M2(w)以及梯度平均值v2(RH)、所有具有梯度值的像素的梯度平均值v。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111330503.1A CN114118144A (zh) | 2021-11-11 | 2021-11-11 | 抗干扰的航空遥感图像阴影精准检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111330503.1A CN114118144A (zh) | 2021-11-11 | 2021-11-11 | 抗干扰的航空遥感图像阴影精准检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118144A true CN114118144A (zh) | 2022-03-01 |
Family
ID=80378378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111330503.1A Pending CN114118144A (zh) | 2021-11-11 | 2021-11-11 | 抗干扰的航空遥感图像阴影精准检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118144A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998377A (zh) * | 2022-08-05 | 2022-09-02 | 南京国盛华兴科技有限公司 | 一种图像的边缘检测方法、装置、电子设备及存储介质 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN115953329A (zh) * | 2023-03-13 | 2023-04-11 | 南昌理工学院 | 基于视觉的图像处理方法、系统、电子设备及存储介质 |
CN116612052A (zh) * | 2023-07-17 | 2023-08-18 | 青岛瑞源工程集团有限公司 | 一种建筑施工安全信息管理方法及系统 |
CN117036341A (zh) * | 2023-10-07 | 2023-11-10 | 青岛奥维特智能科技有限公司 | 一种基于图像处理的路面裂缝检测方法 |
CN117059047A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市柯达科电子科技有限公司 | 一种用于lcd显示图像色彩智能调整方法 |
CN117455908A (zh) * | 2023-12-22 | 2024-01-26 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
CN117808805A (zh) * | 2024-02-29 | 2024-04-02 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
CN117952841A (zh) * | 2024-03-26 | 2024-04-30 | 山东省地质测绘院 | 基于人工智能的遥感图像自适应增强方法 |
-
2021
- 2021-11-11 CN CN202111330503.1A patent/CN114118144A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998377A (zh) * | 2022-08-05 | 2022-09-02 | 南京国盛华兴科技有限公司 | 一种图像的边缘检测方法、装置、电子设备及存储介质 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN115351598B (zh) * | 2022-10-17 | 2024-01-09 | 安徽金锘轴承制造有限公司 | 一种数控机床轴承检测方法 |
CN115953329A (zh) * | 2023-03-13 | 2023-04-11 | 南昌理工学院 | 基于视觉的图像处理方法、系统、电子设备及存储介质 |
CN115953329B (zh) * | 2023-03-13 | 2023-06-16 | 南昌理工学院 | 基于视觉的图像处理方法、系统、电子设备及存储介质 |
CN116612052A (zh) * | 2023-07-17 | 2023-08-18 | 青岛瑞源工程集团有限公司 | 一种建筑施工安全信息管理方法及系统 |
CN116612052B (zh) * | 2023-07-17 | 2023-09-22 | 青岛瑞源工程集团有限公司 | 一种建筑施工安全信息管理方法及系统 |
CN117036341A (zh) * | 2023-10-07 | 2023-11-10 | 青岛奥维特智能科技有限公司 | 一种基于图像处理的路面裂缝检测方法 |
CN117059047B (zh) * | 2023-10-12 | 2023-12-22 | 深圳市柯达科电子科技有限公司 | 一种用于lcd显示图像色彩智能调整方法 |
CN117059047A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市柯达科电子科技有限公司 | 一种用于lcd显示图像色彩智能调整方法 |
CN117455908A (zh) * | 2023-12-22 | 2024-01-26 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
CN117455908B (zh) * | 2023-12-22 | 2024-04-09 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
CN117808805A (zh) * | 2024-02-29 | 2024-04-02 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
CN117808805B (zh) * | 2024-02-29 | 2024-05-24 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
CN117952841A (zh) * | 2024-03-26 | 2024-04-30 | 山东省地质测绘院 | 基于人工智能的遥感图像自适应增强方法 |
CN117952841B (zh) * | 2024-03-26 | 2024-06-04 | 山东省地质测绘院 | 基于人工智能的遥感图像自适应增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
CN108765325B (zh) | 一种小型无人机模糊图像复原方法 | |
CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
CN103679173B (zh) | 图像显著区域检测方法 | |
CN110490914A (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN105678245A (zh) | 一种基于哈尔特征的靶位识别方法 | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
CN110705634A (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
Wang et al. | An efficient method for image dehazing | |
CN112598002B (zh) | 一种雾气和噪声影响下的车牌识别方法 | |
CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN115908155A (zh) | Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 |
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 |