遥感图像中机场跑道检测算法的研究与实现PPT

−1 − 2 −1 dy = 0 0 0 1 2 1
Sobel相比之 相比之Robert算子加入了加权局部平均，不仅能检测图像的 算子加入了加权局部平均， 相比之 算子加入了加权局部平均 边缘而且能进一步抑制噪声的影响， 边缘而且能进一步抑制噪声的影响，但是也由于进行加权局部 平均，它得到的边缘较粗，在飞机跑道检测的方面来说， 平均，它得到的边缘较粗，在飞机跑道检测的方面来说，需要 获取的边缘有一定宽度，因此该算子更适用。 获取的边缘有一定宽度，因此该算子更适用。
无方向二阶锐化
—— Laplace算子
• 拉普拉斯算子(Laplace) 算子是一种常用的边 缘检测二阶微分算子 ∂2 f ∂2 f • 计算公式： ∀2 f = 2 + 2 ∂x ∂y
1 1 1 1 1
0 −1 0
−1 4 −1
0 −1 0
传统Laplace算子模板阶锐化
——
Roberts算子 Roberts算子
计算公式如下： 计算公式如下：
g(i, j) =| f (i +1, j +1) − f (i, j) | + | f (i +1, j) − f (i, j +1) |
0 1 1 0 −1 0 0 −1
特点：算法简单 特点：算法简单, 时间复杂度低， 时间复杂度低， 但是边缘较细
关于边缘检测算子的结论
• 通过对上面检测效果图的对比以及以往的研究可以得出以 下几个结论： • （1）一阶微分算子通常会产生比较宽的边缘，这个宽是 相对比于二阶微分算子的，在上面三图中可看出，虽然 Laplace算子的检测效果图略显庞杂，但是其边缘和sobel 算子，Robert算子相比是更细的。 • （2）二阶微分处理对细节有较强的响应，如细线和孤立 点。这一点在Laplace检测图上有明显的表示，大量的细 节被标志出来，而在一阶微分检测图中就没有。 • （3）二阶微分处理形成的增强细节比一阶微分多很多， 这一点并不利于我们进行飞机跑道的边缘检测，我们需要 提取的边缘很直接就是飞机主跑道，形成太多的细节对于 后续的操作有不利影响，因此本算法选用一阶微分算子进 行边缘检测。
∀2 f =[ f (x+1 y) + f (x−1 y) + f (x, y +1) + f (x, y −1) −4f (x, y)] , ,
三种边缘检测算子测试及结论
图为台湾新竹空军基地 图片来自于Google Earth
Robert算子检测结果
Sobel算子检测结果
Laplace算子检测结果
第二章.图像预处理 2.3边缘检测算子
• 图像边缘包含了机场图像的绝大部分的有用信息， 成功检测出机场跑道的边缘就成功了一半，因此 边缘检测算子也是本文的研究重点之一。 • 由于机场的方向性，因此本文只讨论了各向同性 的边缘检测算子。 • 本文讨论并测试的三种算子包括： • 一阶微分检测算子：Robert算子，Sobel算子 • 二阶微分检测算子：Laplace算子
无方向一阶锐化
—— Sobel算子
Sobel算子的计算公式如下： Sobel算子的计算公式如下： 算子的计算公式如下
特点：锐化的 边缘信息较强
2 2 g(i, j) = {dx (i, j) + dy (i, j)} 1 2
−1 0 1 dx = − 2 0 2 −1 0 1
• • • • •
霍夫变换中的关键步骤
• • 在霍夫转换的编程实现中，有几个关键性的步骤需要重点研究： (1)第一步中的θ的定值就是一个难点，这里的θ值指的是参数空间中一个点代 表原图像空间中几度角，简单来说在某点上1度和2度两个方向上的直线进行 计算的时候，在参数空间中只对一个θ值进行累加。设置为90是基于本算法对 速度的要求，如果全部180度都计算的话，计算量要增加一倍以上，大幅拖慢 了速度。 (2)第二步中的顺序搜索有一个小问题就是本文算法在进行边缘检测二值化的 时候对原图像最外沿的一个像素进行了置零处理，因此这里要从第二个像素 开始进行搜索，在倒数第二个元素的时候停止。 (3)第三步没问题。 (4)第四步也是一个难点，为什么要进行清零操作？这还是要和第一步中的设 置进行关联，因为本文中θ的设置为2度，也就是说如果没有清零，则极有可 能在这个点的旁边也记录了直线，但是这条直线和之前的直线是同一条直线， 因此必须清零。否则的话极有可能检测出来4条相同的直线。 (5)第五步记录点的值，本文算法记录了四个点也就是四条直线，而不是像其 他算法一样设置一个阀值然后判断参数空间累加器的值是否大于该阀值来进 行直线的取舍。这是因为本文算法主要用来检测军事机场飞机跑道，而一个 军事机场的飞机跑道也仅仅只有主跑道，极少有副跑道，设置两个点就足够 了，这里设置4个点是为了防止有副跑道。 (6)第六步中需要两两进行不重复的判断，这个很好理解，如果进行重复的判 断的话，则会对一条直线进行反复的重绘。这一步是在跑道检测中才会有， 在普通的霍夫转换中可有可无。
结合图像二值化进行边缘检测
• 前面一节已经确定了使用一节微分算子来作为本文算法的检测算子， 但是使用哪一种一节微分算子呢？这要结合实际试验来确定。 • 这次使用的图片仍然是台湾新竹军事基地。
Robert-二值化处理
Sobel-二值化处理
边缘检测结论
• 结论：从上面的对比图来看，使用Sobel算 子处理过的最终图片边缘清晰，Robert算 子的边缘较细且有断点，因此本文算法选 用Sobel算子进行边缘检测。
•
•
感谢评委老师
• 感谢评委老师观赏PPT • 恳请各位评委老师批评指正
第二章.图像预处理部分 2.1图像灰度化
• 遥感图像拍摄下来是全彩色的，第一步需 要进行图像灰度化。 • 由于人眼对绿色的敏感最高，对蓝色敏感 最低，因此，按下式对RGB三分量进行加 权平均能得到较合理的灰度图像。 • f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j))
遥感图像中的机场俯瞰图
• 图片来自于Google Earth • 图为台湾新竹军事基地
本文所做的工作
• 图像预处理方面本文主要做了图像灰度花， 二值化，边缘检测，就不同的边缘检测算 子进行了测试。 • 在进行上面的图像预处理之后，对所得结 果进行霍夫转换，霍夫转换后进行平行检 测这几种工作，最终通过对几幅飞机场俯 瞰图进行跑道检测。 • 结合最终算法测试结果，分析了霍夫变换 的优缺点并给出了改进方向。
第一副图片处理后，完全标志出了主跑道和副跑道，角 度和方向完全符合。
图为台中军事基地 图片来自于Google Earth
这张图片检测出了主跑道而只检测出副跑道的下边缘，其原因在于副跑 道的上边缘不完整被几个分叉的服务道给分开了。
图为台湾花莲军事基地 图片来自于Google Earth
这张飞机跑道图片检测到了主跑道，但是没有检测到副跑道，因为 副跑道的灰度特征不够明显，而且边缘部分被白色部分遮挡了。
霍夫变换算法及测试
• 上一章中已经得到了经过边缘检测和二值 化后的飞机场边缘图像，现在的问题是如 何从该图像中提取出飞机跑道的直线，为 了提取直线，本文算法采用图像处理中经 典的直线检测方法霍夫变换算法。
霍夫变换原理
原图片中直线上的点
（ρ，θ）参数坐标系 中的对应曲线
霍夫变换流程
• （1）初始化一个变换域空间，初始化为零，编程实现 是设置一个数组，ρ方向上的量化数目图像对角线方向 的像素数，θ方向上的量化数目为90（角度从0~180,每 一格2度）。 （2）顺序搜索原图像中的所有的黑点，对于每一个黑 点，在对应的参数空间的对应点上加1，这是累加器的 效果。 （3）求出参数空间中的最大值并记录。 （4）将最大值及附近的点清零，这个附近是该点的八 邻域清零。 （5）依次求出参数空间累加器中的第二大，第三大， 第四大的点并记录。 （6）对所记录的四个点进行两两不重复判断平行，若 平行则绘出这两条直线，若不平行则结束。
根据飞机跑道明显区别于其他区域的图像特征，本文算法的 主要思路是首先把遥感图像进行灰度化，边缘检测，然后二 值化，然后对所得结果进行针对飞机跑道的霍夫变换，最终 在原图中绘出机场跑道。
算法总的流程图
开始
图片输入
灰度化
边缘检测
最佳阀值二值 化
霍夫变换
标注跑道
结束
算法检测效果
图为台湾新竹军事基地图片来自于Google Earth Google
图像灰度化处理效果
图为台湾花莲军事基地
转换后的灰度图片
二.图像预处理 2.2灰度图像二值化
• 霍夫变换中用到的图片需要是二值图像， 在上一步得到灰度图之后，我们需要对图 像进行二值化。 • 图像二值化若仅仅使用固定全局阀值进行 分割则效果不好，会丢失信息。因此本文 使用迭代阀值分割法进行二值化。 • 本文算法在边缘检测之后才用到二值化， 因此二值化结果在边缘检测后结合边缘检 测算子给出。
本次演示安排
第一章.课题研究背景及意义及本文所做 的工作 第二章.图像预处理部分 第三章.霍夫变换部分及测试 第四章.遥感图像中机场跑道检测算法 第五章.算法的改进方向
第一章.课题研究背景及意义
• 利用卫星或者飞机等所拍摄的照片监视或者侦查 地面目标，以其不受地域的限制，一直是获取有 关信息的重要手段，已经被应用于国防和国民经 济建设的许多领域之中。 • 遥感图像辅助目标识别的开发从20世纪70年代开 始一直是许多学者的兴趣所在，机场目标识别是 其中的一个分支，而对机场跑道的检测则是整个 机场目标识别的基础，能否准确得检测出跑道目 标无论是对遥感图像的计算机辅助判读还是GIS 信息的更新以及战场打击效果的评估都有重要的 意义。
• • •
•
•
第四章 遥感图像中飞机跑道检测算 法与研究
• • • • • • • 跑道的灰度特征主要有下面几个： (1)跑道部分在图像中灰度值较高。 (2)跑道表面的灰度值相近。 (3)跑道的长度在一定的范围内。 (4)跑道的长度一定要远远大于跑道的宽度。 (5)当跑道数目大于1时，仅限于平行而不能相交。 因为这个算法对图像的要求最重要的是跑道清晰可见且灰 度特征明显，整个跑道亮度均匀且平整无反光。