CN115909050B - 一种结合线段方向和形态学差分的遥感图像机场提取方法 - Google Patents

一种结合线段方向和形态学差分的遥感图像机场提取方法 Download PDF

Info

Publication number
CN115909050B
CN115909050B CN202211314640.0A CN202211314640A CN115909050B CN 115909050 B CN115909050 B CN 115909050B CN 202211314640 A CN202211314640 A CN 202211314640A CN 115909050 B CN115909050 B CN 115909050B
Authority
CN
China
Prior art keywords
airport
remote sensing
map
image
line segment
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
CN202211314640.0A
Other languages
English (en)
Other versions
CN115909050A (zh
Inventor
常晓宇
王敏
王港
刘宇
张晓男
郭争强
谢鑫浩
孙方德
朱进
陈金勇
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202211314640.0A priority Critical patent/CN115909050B/zh
Publication of CN115909050A publication Critical patent/CN115909050A/zh
Application granted granted Critical
Publication of CN115909050B publication Critical patent/CN115909050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种结合线段方向和形态学差分的遥感图像机场提取方法，属于遥感图像处理领域。其包括以下步骤：获取亮度图；获取机场长边所处的方向，计算其垂直方向；构建多尺度线性结构元素集合；对亮度图进行形态学运算，得到顶帽运算图集合；计算差分形态学图；计算机场方向和其垂直方向的差分形态学图，获得机场强度图；利用机场强度图获取图像分割阈值，并获取机场二值图；对机场二值图进行后处理，得到最终的机场目标区域。本发明可利用机场的几何特征和目标与周围像素光谱差异性，识别遥感图像中的机场范围，为机场识别提供可靠的技术支撑。

Description

一种结合线段方向和形态学差分的遥感图像机场提取方法
技术领域
本发明属于遥感图像处理技术领域，具体涉及一种结合线段方向和形态学差分的遥感图像机场提取方法。
背景技术
随着遥感卫星技术的快速发展，遥感影像的空间和时间分辨率越来越高，使得遥感的实效性和实用性大大提高，且民用遥感正在逐步走向大众视野。机场作为一种重要的国民经济交通枢纽和军事基础设施，其位置提取和边界划分具有重要意义。
机场在高分辨率遥感影像上具有较明显的光谱和几何特征，其光谱灰度值通常情况下比周围地物大，且大多机场呈矩形状分布，且由多条跑道组成。许多研究和专利均基于机场亮度特征和直线特征提取机场，取得一定可观的效果。但这些方法很少利用机场与周围地物之间光谱特征差异信息，且机场不同方向上的光谱信息差异一直未受到关注。因此，基于形态学方法，如何在高分辨率遥感影像上提取有效的机场成为现有技术中亟待解决的问题。
发明内容
本发明的目的在于提供一种结合线段方向和形态学差分的遥感图像机场提取方法，其可利用机场的几何特征和目标与周围像素光谱差异性，识别遥感图像中的机场范围，为机场识别提供可靠的技术支撑。
本发明采用的技术方案为：
一种结合线段方向和形态学差分的遥感图像机场提取方法，包括以下步骤：
步骤1，对多光谱遥感影像处理，取可见光三个波段最大值，获取亮度图bm；
步骤2，获取机场长边所处的方向d，并计算其垂直的方向d⊥；
步骤3，构建多尺度线性结构元素集合Langle；
步骤4，利用结构元素集合Langle中的每一个结构元素对亮度图bm进行形态学运算，得到顶帽运算图集合
Figure BDA0003908617430000011
步骤5，依据顶帽运算图集合
Figure BDA0003908617430000012
计算差分形态学图Dangle；
步骤6，分别计算机场方向和其垂直方向的差分形态学图Dd和
Figure BDA0003908617430000013
归一化后求其加权差，获得机场强度图/>
Figure BDA0003908617430000014
步骤7，利用机场强度图
Figure BDA0003908617430000021
获取图像分割阈值T，并获取机场二值图I；
步骤8，对机场二值图I进行后处理，得到最终的机场目标区域Ipost。
进一步地，步骤2中垂直方向d⊥的计算方式如下：
Figure BDA0003908617430000022
进一步地，步骤3中构建的多尺度线性结构元素集合Langle的方式如下：
Figure BDA0003908617430000023
Figure BDA0003908617430000024
其中，smin和smax分别表示构建线性结构元素集合的最小尺度和最大尺度，Δs为尺度间隔，n为划分出的尺度间隔，int()为取整函数；
Figure BDA0003908617430000025
表示尺度为s，角度为angle的线性结构元素。
进一步地，步骤4中顶帽运算图集合
Figure BDA0003908617430000026
的计算方式如下：
Figure BDA0003908617430000027
Figure BDA0003908617430000028
其中，imopen(*)表示对图像求形态学开运算，
Figure BDA0003908617430000029
表示以/>
Figure BDA00039086174300000210
为结构元素对图像求顶帽运算。
进一步地，步骤5的具体方式为：
首先计算相邻尺度形态学处理后图的差
Figure BDA00039086174300000211
Figure BDA00039086174300000212
则差分形态学图Dangle的计算方法为：
Figure BDA00039086174300000213
其中，si表示第i个尺度，q表示
Figure BDA00039086174300000214
中包含的所有顶帽运算图的个数。
进一步地，步骤6中机场强度图
Figure BDA00039086174300000215
的计算方法如下：
Figure BDA00039086174300000216
其中，nor()表示对图像进行归一化。
进一步地，步骤7中机场二值图I的计算方法如下：
Figure BDA0003908617430000031
Figure BDA0003908617430000032
其中，mean()和std()分别表示对图像灰度值求均值和方差，a表示调节系数。
进一步地，步骤8中机场目标区域Ipost的计算方式如下：
Ipost＝imopen(imclose(I))
其中，imopen()和imclose()分别表示对图进行开运算和闭运算。
本发明具有如下有益效果：
(1)本发明提出了结合线段方向和形态学差分的遥感图像机场提取方法，在不需要训练样本的情况下，可以有效提取遥感图像中的机场线段。
(2)应用本发明方法可以有效提取机场的轮廓范围，为遥感图像的机场检测提供技术支撑。
附图说明
图1为机场线段提取方法的原理示意图。
具体实施方式
下面结合附图及具体实施方式对本发明做进一步详细的说明。
一种结合线段方向和形态学差分的遥感图像机场提取方法，包括以下步骤：
步骤1，对多光谱遥感影像处理，取可见光三个波段最大值，获取亮度图bm，计算方式如下：
bm＝max[R,G,B]
式中，R、G和B分别表示可见光的三波段，max[*]表示按照位置求各元素的灰度最大值。
步骤2，获取机场长边所处的方向d，则机场长边的垂直方向d⊥的计算方式如下：
Figure BDA0003908617430000033
步骤3，构建多尺度线性结构元素集合Langle的表达方式如下：
Figure BDA0003908617430000041
Figure BDA0003908617430000042
其中，smin和smax分别表示构建线性结构元素集合的最小尺度和最大尺度，Δs为尺度间隔，n为划分出的尺度间隔，int()为取整函数；
Figure BDA0003908617430000043
表示由尺度为s，角度为angle的线性结构元素。
步骤4，利用结构元素集合Langle中的每一个结构元素对亮度图bm进行形态学运算，得到顶帽运算图集合
Figure BDA0003908617430000044
其计算方式如下：
Figure BDA0003908617430000045
Figure BDA0003908617430000046
其中，imopen(*)表示对图像求形态学开运算，
Figure BDA0003908617430000047
表示以/>
Figure BDA0003908617430000048
为结构元素对图像求顶帽运算。
步骤5，依据顶帽运算图集合
Figure BDA0003908617430000049
首先需要计算相邻尺度形态学处理后图的差
Figure BDA00039086174300000410
Figure BDA00039086174300000411
则差分形态学图Dangle的计算方法为：
Figure BDA00039086174300000412
其中，si表示第i个尺度，q表示
Figure BDA00039086174300000413
中包含的所有顶帽运算图的个数。
步骤6，分别计算机场方向和其垂直方向的差分形态学图Dd和
Figure BDA00039086174300000414
归一化后并求其加权差获得机场强度图/>
Figure BDA00039086174300000415
其计算方法如下：
Figure BDA00039086174300000416
其中，nor()表示对图像进行归一化。
步骤7，利用机场强度图
Figure BDA00039086174300000417
获取图像分割阈值T，并获取机场二值图I，机场二值图像的计算方法如下：
Figure BDA0003908617430000051
Figure BDA0003908617430000052
其中，mean()和std()分别表示对图像灰度值求均值和方差，a表示调节系数。
步骤8，对机场二值图I进行后处理，得到最终的机场目标区域Ipost，其计算方式如下：
Ipost＝imopen(imclose(I))
其中，imopen()和imclose()分别表示对图进行开运算和闭运算。
总之，本发明提出的机场检测算法，主要利用其几何形状及光谱对比特征，利用形态学处理方法提取机场强度，该方法无需选择训练样本，采用自动阈值选择方法，无需人工干预识别，为便捷、快速和精确的机场识别提供技术支撑。

Claims (7)

1.一种结合线段方向和形态学差分的遥感图像机场提取方法，其特征在于，包括以下步骤：
步骤1，对多光谱遥感影像处理，取可见光三个波段最大值，获取亮度图bm；
步骤2，获取机场长边所处的方向d，并计算其垂直的方向d⊥；
步骤3，构建多尺度线性结构元素集合Langle；
步骤4，利用结构元素集合Langle中的每一个结构元素对亮度图bm进行形态学运算，得到顶帽运算图集合
Figure FDA0003908617420000011
步骤5，依据顶帽运算图集合
Figure FDA0003908617420000012
计算差分形态学图Dangle；
步骤6，分别计算机场方向和其垂直方向的差分形态学图Dd和
Figure FDA0003908617420000013
归一化后求其加权差，获得机场强度图/>
Figure FDA0003908617420000014
步骤7，利用机场强度图
Figure FDA0003908617420000015
获取图像分割阈值T，并获取机场二值图I；
步骤8，对机场二值图I进行后处理，得到最终的机场目标区域Ipost。
2.根据权利要求1所述的一种结合线段方向和形态学差分的遥感图像机场提取方法，其特征在于，步骤2中垂直方向d⊥的计算方式如下：
Figure FDA0003908617420000016
3.根据权利要求2所述的一种结合线段方向和形态学差分的遥感图像机场提取方法，其特征在于，步骤3中构建的多尺度线性结构元素集合Langle的方式如下：
Figure FDA0003908617420000017
Figure FDA0003908617420000018
其中，smin和smax分别表示构建线性结构元素集合的最小尺度和最大尺度，Δs为尺度间隔，n为划分出的尺度间隔，int()为取整函数；
Figure FDA0003908617420000019
表示尺度为s，角度为angle的线性结构元素。
4.根据权利要求3所述的一种结合线段方向和形态学差分的遥感图像机场提取方法，其特征在于，步骤4中顶帽运算图集合
Figure FDA00039086174200000110
的计算方式如下：
Figure FDA00039086174200000111
Figure FDA0003908617420000021
其中，imopen(*)表示对图像求形态学开运算，
Figure FDA0003908617420000022
表示以/>
Figure FDA0003908617420000023
为结构元素对图像求顶帽运算。
5.根据权利要求4所述的一种结合线段方向和形态学差分的遥感图像机场提取方法，其特征在于，步骤5的具体方式为：
首先计算相邻尺度形态学处理后图的差
Figure FDA0003908617420000024
Figure FDA0003908617420000025
则差分形态学图Dangle的计算方法为：
Figure FDA0003908617420000026
其中，si表示第i个尺度，q表示
Figure FDA0003908617420000027
中包含的所有顶帽运算图的个数。
6.根据权利要求5所述的一种结合线段方向和形态学差分的遥感图像机场提取方法，其特征在于，步骤6中机场强度图
Figure FDA0003908617420000028
的计算方法如下：
Figure FDA0003908617420000029
其中，nor()表示对图像进行归一化。
7.根据权利要求6所述的一种结合线段方向和形态学差分的遥感图像机场提取方法，其特征在于，步骤7中机场二值图I的计算方法如下：
Figure FDA00039086174200000210
Figure FDA00039086174200000211
其中，mean()和std()分别表示对图像灰度值求均值和方差，a表示调节系数。
CN202211314640.0A 2022-10-26 2022-10-26 一种结合线段方向和形态学差分的遥感图像机场提取方法 Active CN115909050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211314640.0A CN115909050B (zh) 2022-10-26 2022-10-26 一种结合线段方向和形态学差分的遥感图像机场提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211314640.0A CN115909050B (zh) 2022-10-26 2022-10-26 一种结合线段方向和形态学差分的遥感图像机场提取方法

Publications (2)

Publication Number Publication Date
CN115909050A CN115909050A (zh) 2023-04-04
CN115909050B true CN115909050B (zh) 2023-06-23

Family

ID=86476871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211314640.0A Active CN115909050B (zh) 2022-10-26 2022-10-26 一种结合线段方向和形态学差分的遥感图像机场提取方法

Country Status (1)

Country Link
CN (1) CN115909050B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984947A (zh) * 2014-05-30 2014-08-13 武汉大学 基于形态学房屋指数的高分辨率遥感影像房屋提取方法
CN111340761A (zh) * 2020-02-18 2020-06-26 南京信息工程大学 基于分形属性和决策融合的遥感影像变化检测方法
CN113658129A (zh) * 2021-08-16 2021-11-16 中国电子科技集团公司第五十四研究所 一种结合视觉显著性和线段强度的阵地提取方法
CN114627104A (zh) * 2022-03-31 2022-06-14 天津滨海国际机场有限公司 一种机场净空保护区建筑变化的遥感影像检测方法
WO2022141145A1 (zh) * 2020-12-30 2022-07-07 深圳技术大学 面向对象的高分辨率遥感影像多尺度分割方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007207009A (ja) * 2006-02-02 2007-08-16 Fujitsu Ltd 画像処理方法及び画像処理装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984947A (zh) * 2014-05-30 2014-08-13 武汉大学 基于形态学房屋指数的高分辨率遥感影像房屋提取方法
CN111340761A (zh) * 2020-02-18 2020-06-26 南京信息工程大学 基于分形属性和决策融合的遥感影像变化检测方法
WO2022141145A1 (zh) * 2020-12-30 2022-07-07 深圳技术大学 面向对象的高分辨率遥感影像多尺度分割方法及系统
CN113658129A (zh) * 2021-08-16 2021-11-16 中国电子科技集团公司第五十四研究所 一种结合视觉显著性和线段强度的阵地提取方法
CN114627104A (zh) * 2022-03-31 2022-06-14 天津滨海国际机场有限公司 一种机场净空保护区建筑变化的遥感影像检测方法

Also Published As

Publication number Publication date
CN115909050A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
WO2018024030A1 (zh) 一种夜视红外图像中的基于显著性的道路目标提取方法
CN107066933B (zh) 一种道路标牌识别方法及系统
CN103020605B (zh) 基于决策层融合的桥梁识别方法
CN110334692B (zh) 一种基于图像处理的盲道识别方法
WO2018076138A1 (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
CN102842044B (zh) 高分辨率可见光遥感图像变化检测方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN104361589A (zh) 一种基于尺度间映射的高分辨率遥感影像分割方法
CN115049834B (zh) 基于夜间灯光数据与高分辨率影像的城市建成区提取方法
CN106875407B (zh) 一种结合形态学和标记控制的无人机影像林冠分割方法
CN107992856A (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN110889840A (zh) 面向地物目标的高分6号遥感卫星数据的有效性检测方法
Huang et al. Text detection and recognition in natural scene images
Wang et al. Building extraction in multitemporal high-resolution remote sensing imagery using a multifeature LSTM network
CN113744191A (zh) 一种卫星遥感影像自动云检测方法
Djerriri et al. Improving hyperspectral image classification by combining spectral and multiband compact texture features
Lu et al. Incorporating texture into SLIC super-pixels method for high spatial resolution remote sensing image segmentation
CN115909050B (zh) 一种结合线段方向和形态学差分的遥感图像机场提取方法
CN113033363A (zh) 一种基于深度学习的车辆稠密目标检测方法
CN110276270B (zh) 一种高分辨率遥感影像建筑区提取方法
CN110310263B (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法
Usha et al. Significance of texture features in the segmentation of remotely sensed images
CN113592770B (zh) 一种去除水草影响的藻华遥感识别方法
CN115578629A (zh) 一种公路护栏提取方法
CN104268836A (zh) 一种基于局域均质指标的分水岭分割标记点提取方法

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