基于似圆阴影的光学遥感图像油罐检测

《基于似圆阴影的光学遥感图像油罐检测》由会员分享，可在线阅读，更多相关《基于似圆阴影的光学遥感图像油罐检测（7页珍藏版）》请在金锄头文库上搜索。

1、第 38 卷第 6 期 电 子 与 信 息 学 报 Vol.38No.6 2016 年 6 月 Journal of Electronics Quasi-circular shadow region; Visual saliency model; Feature detection; Oil tanks 1 引言 在光学遥感图像中，油罐作为原油等主要物资 的储备设施， 是一种典型的军事目标1。 对敌方油罐 进行有效打击，可破坏敌人的战略部署，降低敌方 机动性，甚至让其陷于瘫痪。因此，对光学遥感图 像中油罐目标的检测在军事上具有重要意义。 收稿日期： 2015-11-26； 改回日期： 2016

2、-03-23； 网络出版： 2016-05-05 *通信作者：刘云清 基金项目：国家 973 计划项目(613192) Foundation Item: The National 973 Program of China (613192) 近年来，国内外学者在油罐目标检测领域进行 了大量的研究工作，其中大部分方法是基于油罐目 标的圆形特征进行检测。文献2提出了通过使用区 域参数检测类圆形油库目标；文献3提出了使用模 糊Hough变换检测油库；文献4提出了基于梯度信 息的Hough变换提取油库目标圆形特征的方法；文 献5提出了基于显著模型和图像搜索的两步检测法 检测油罐目标；文献6提出了基于显

3、著区域和几何 特征的检测方法；文献7提出了基于视觉显著模型 和Hough变换的算法；文献8提出了由粗到精的油 罐检测方法；文献9提出了一个等级模型方法去检1490 电 子 与 信 息 学 报 第 38 卷 测遥感图像中呈亮圆形的油罐目标。上述方法在油 罐目标形状规则、亮度值大、对比度高时检测效果 较好，但是当油罐存在阴影区域，或其周围有类弧 状特征物体干扰时，检测效果不理想。 针对上述问题，本文提出一种将改进的视觉显 著模型与似圆阴影区域特征检测相结合的由粗到精 的油罐目标检测方法。 先建立改进的视觉显著模型， 得到粗分割后的油罐目标；然后，用改进的椭圆及 直线分割算子精检测分割后图中似圆阴影

4、区域，再 去除阴影；最后通过基于图搜索策略及先验知识， 确定油罐目标及油库区域。 2 油罐目标检测 本文所述方法步骤如图1所示。 图 1 油罐目标检测图 2.1 视觉显著模型建立 在对光学遥感图像油罐目标进行检测时，由于 油罐目标的背景环境较为复杂，传统的圆形检测算 法会将一些呈现为似圆形状的非油罐目标检测出 来，同时大量虚假目标的存在无法准确定位油罐目 标，导致油库区域扩大，影响最终的检测效果。为 了突出复杂背景中的真实油罐目标并将其从背景中 分离，提出了一种通过数学形态学方法建立基于多 尺度直方图对比的改进视觉显著模型。一个性能优 良的显著检测子应满足以下条件10，即当全部显著 物体具有清

5、晰的边界时，模型具有较高的运算速度 且较易实现；当在不使用任何先验知识对纹理和噪 声进行有效抑制前，显著模型可以形成全分辨率的 显著映射图。根据上述约束条件，提出了一种通过 数学形态学方法建立基于多尺度直方图对比的改进 视 觉 显 著模 型 (Modified Multi-scale Histogram Contrast, MMHC)，该模型可分离相互连接的油罐目标。我们首先构建一个基于光学遥感图像的高斯 图像金字塔，即 011,n=IIII? (1) 其中，n是图像金字塔的级数。采用文献11提出的 显著模型提取每一级图像中的显著区域，并对应到 显著映射，得到121,nH HH?。 HC( H

6、istogram-based Contrast)多尺度显著映 射定义为 121n=HHH?Sm (2) 式中，()表示在进行乘法运算前，先将元素尺度所 产生的像素矩阵121,nH HH?大小调整为与H0尺 寸相等，Sm是多尺度HC显著映射。 HC显著映射是将所有其它图像像素中的颜色 分离，以产生全分辨率的显著映射，从而分配已知 像素的显著值。使用基于直方图的方法进行有效的 处理，同时采用平滑步骤控制人为分层。注意到算 法针对的是自然场景，但在次理想情况下，算法也 可以从具有显著特征的场景中提取图像的显著特 性。 作为改进的HC显著映射， 当我们首次对区域中的输入图像进行分割时，合并空间关系产生

7、基于区域对比(Region Contrast, RC)的映射，然后对其分配显著值。通过与图像其他区域的对比度和空间距离进行估计， 使用整体对比评价计算区域的显著值。由于光学遥感图像的不同形态，使得一些油罐目标在图中直观地表现为相互连接或发生形变。数学形态学不仅将油罐形状简化，并在增强油罐目标的同时进一步抑制了背景区域。所以可用顶帽变换和底帽变换相结合的方法进行多尺度HC显著映射。其中，从原始图像中减去形态开启后的图像称为顶帽变换(用t表示)，而形态闭合后的图像减原始图像则为底帽变换(用b表示)，选取合适的结构元素进行灰度开运算可以使图像中仅剩下对背景的估计；也可将小于结构元素的噪声去除，从原始

8、图像中减去对背景的估计就可将目标提取出来。顶帽变换和底帽变换的具体数学描述如式(3)所示。 tb(),()IAAbIAbA=? (3) 式中，A为原始图像，b为结构元素。其中，在灰度 图像形态学分析中，结构元素起着重要作用。结构 元素是2维空间或其子空间上的一个可以在图像上 平移，且尺寸比图像小的集合，具有一定的大小和 形状，其形状有圆、点、有向线段、正方形等。结 构元素常常包括原点，其尺寸也远远小于被考察的 图像。其中，本文所使用的结构元素的形状是圆形，第 6 期 李 轩等： 基于似圆阴影的光学遥感图像油罐检测 1491 尺寸是33。 顶帽变换不同于从原始图像到开图像，该变换 可以提取更高阶

9、的灰度区域作为目标区域。底帽变 换不同于从原始图像到闭图像，该变换可提取更低 阶的灰度区域作为背景区域9。 我们将原始图像与顶 帽图像相加，然后减去底帽图像，再对图像进行腐 蚀运算，得到最终图像。 ptb=+(, )(, )IIbIbSmSmSm (4) p= Erode(, )IIb (5) 式中，Sm表示多尺度HC显著映射；It, Ib表示顶帽 变换和底帽变换；Erode表示腐蚀运算；b表示结构 元素；I 为最终图像。 如图2所示， 经过一系列变化后的最终图像不仅 使相互连接的油罐目标分离，而且增强了油罐目标 区域的对比度。 2.2 似圆阴影检测 目标检测的传统方法是使用滑动窗口遍历图 像

10、，但是这种方法受到计算量大和多尺度的影响， 同时由于光学遥感图像具有较大的尺寸且图中油罐 目标大小不一，因此，使用滑动窗口方法检测油罐 目标效果不理想，而采用候选区域选择的方法可提 高系统检测性能。由于油罐目标呈圆形，自然想到 用圆形检测方法进行候选区域选择。其中，Hough 变换3,4,12是最常用的圆形检测方法，但是当图像中 油罐目标边缘不清晰时，传统的Hough变换方法检 测效果不佳。另一方面，依赖于梯度方向的椭圆及 直线分割算子(Ellipse and Line Segment Detector, ELSD)在背景对比度较低时具有较好的性能，并且 在该算子的检测结果中，存在大量明显不合

11、实际的 目标区域。因此，使用改进的ELSD算子(Improved Ellipse and Line Segment Detector, IELSD)，即在 原始算子的检测步骤后，增加了确认步骤，提高算 子的检测性能。 2.2.1 椭圆及直线分割算子 在光学遥感图像中，由于光学传感器的作用及太阳高度角的变化，油罐目 标在图中会发生几何形变或自身产生阴影区域，表 现为类圆形状特征，所以文中对不需要参数的椭圆 及直线分割检测子(ELSD)13进行改进，以检测油罐 目标。ELSD 是非参数直线分割及椭圆弧检测子13， 具体分为曲线候选区域选择及确认两部分。 在候选区域选择过程中，其原理与区域生长类 似

12、。当像素具有相同的梯度方向时，区域生长按照 一定准则将这些像素聚集起来。 对于候选曲线区域， 其处理链在一定约束条件下近似为矩形区域。 其中， 矩形区域通过区域生长近似得到。约束条件为候选 区域应是凸状结构且较为平滑，此外，使用圆锥形 拟合的方法计算满足所选择区域的参数。 在区域确认步骤中， 采用基于文献14介绍的相 反近似概率的方法，对在随机完整区域中的候选区 域进行对比。在这个步骤中，首先计算出候选区域 中排列整齐的像素。对于曲线候选区域c，当满足式 (6)时，像素p的排列精度最大是。 Angle( ),dir(tan ( )cx pp (6) 式中，Angle(a,b)表示a和b之间的绝

13、对角度值，( )x p是图像x中像素p的梯度，dir(tanc(p)表示曲线c中像素p的切线垂直方向。通过文献13,15的验证，参数设为1/8符合实际应用。 所获得的kx(ci)是原始图像x中候选曲线区域c所排列的像素数，认为在随机图像X中排列的像素数是kX(ci)。原始图像中的候选区域在概率为P(kX(ci) kx(ci)时认为是误检测。 实际应用中， 使用二项式法则计算概率，由于图像X中的像素较易改变且相互独立，在随机图像中的概率是。 ()()( )( )( ( ),( ), )(1)ixiXixiixil c iili l ikcP kck cB l ck cC=(7) 图 2 视觉显著

14、模型检测油罐效果图及其对应的灰度直方图 1492 电 子 与 信 息 学 报 第 38 卷 式中，l(ci)是候选区域ci中像素总和。 此外，使用图像尺寸和6个自由参数描述圆弧， 从而判断图像中候选区域的数量。设图像尺寸是 mn， 可以用(mn)3判断图像中候选区域的数量。 最 终的圆弧曲线确认准则描述为 3NFA()(, , )cmnB l k= (8) 式中，表示图像允许的最大误检测值，将它设为 在文献13,15同样的数值1。 截至目前， 传统的ELSD算法处理过程结束， 我 们可以得到所选择的曲线以及它们的拟合参数。 2.2.2 改进的 ELSD 算子 传统的 ELSD 算子是基 于区域

15、生长的方式进行目标检测，只对边缘连续的 圆形弧状物体有较好的检测效果，并且对圆形物体 轮廓较敏感。所以，在光学遥感图像复杂背景中只 有部分圆形以及一些圆弧特征能同时被检测到。如 果我们只关注圆形检测的话，当在背景中检测到的 候选区域不表示圆形时，则会被移除。因此，在使 用传统 ELSD 算子检测后，增加另一个确认步骤以 提高传统算子的计算效率。在文献16和文献17中 使用相似的方法来评价所检测出环状物体的圆形 度。 本文中，首先用表示有效曲线的拟合参数(中心 坐标及半径)形成完整的圆形环。圆环上的像素满足 式(9)约束： 22(Cir_Cen_ )(Cir_Cen_ ),0rrccR + (9