|
|
|
发布时间: 2016-10-25 |
图像分析和识别 |
|
|
|
韩晓青1, 杜红悦2 |
收稿日期: 2016-05-04; 修回日期: 2016-06-28
基金项目: 国家科技支撑计划研究基金项目（2012BAH27B01）
第一作者简介: 韩晓青(1969-),女,高级工程师,1998年于核工业北京地质研究院获遥感地质硕士学位,主要研究方向为遥感地质、图像处理、高光谱遥感等。E-mail:han200310@sina.com
中图法分类号: TP391
文献标识码: A
文章编号: 1006-8961(2016)10-1337-11
|
摘要
目的 遥感影像提取识别机场目标是遥感领域研究的热点。但是大多研究仅使用被裁剪的影像进行提取识别,由于处理速度等原因很少使用整景高空间分辨率遥感影像提取机场目标。大多数研究是先提取出图像中的直线，根据直线确定机场跑道再确定机场目标，但高分辨率图像提取的直线不仅是机场跑道的，还有可能是高速公路、铁路、大型厂房的外墙、耕地边缘、山脉、地层等，如何区分提取的直线是机场跑道很少被研究。很多研究提取的都是大型机场目标，没有对小型机场进行提取识别，另外如果图像中同时有两个机场应该如何提取也没有被研究。天绘具有数据实时回收，数据全球覆盖等特点，本文将使用高空间分辨率天绘影像（6 000×6 000 像素）提取机场目标。天绘影像地物类型复杂，细节丰富，仅使用一般的空间滤波或边缘探测方法会导致检测结果中有过多的噪声和伪边缘，致使机场目标识别不出来，所以建立了一种以边缘提取追踪模型和SURF（speeded up robust features）检测结合的检测方法和提取流程，达到机场目标识别的目的。 方法 边缘提取追踪模型是建立在边缘提取基础上。首先对天绘影像进行滤波处理消除噪声，再对图像进行梯度幅值和法线梯度方向的计算，并利用改进的非极大值抑制方法找到梯度图像中局部变化的最大值，删掉其他值，获得单像素边缘图像，然后对边缘图像进行边缘轮廓线追踪提取出边缘轮廓线，最后使用直线检测和SURF检测方法识别出机场目标。 结果 使用本文方法成功地识别了4景天绘卫星图像中的机场目标。借助改进的非极大值抑制和边缘轮廓线追踪提取方法有效地提取了影像中所有地物的边缘，识别出的地物边缘都是清晰的、单像素的边缘，对地物边缘轮廓进行直线提取，并在提取直线的基础上使用SURF检测获得图像中的机场目标。利用天绘卫星图像成功在2景图像中分别提取出一大、一小两个机场，在另外两景图像中分别各提取出一个机场，顺利地实现了用天绘卫星图像提取识别机场目标的过程。 结论 本文提出的机场目标提取方法十分有效，该方法不仅适合于天绘卫星遥感数据，还适用于和天绘卫星类似的其他遥感卫星数据。其中对非极大值抑制方法的改进能够提取出更准确的边缘，也能提取出更细微的边缘, 抑制虚假边缘的产生，对提取小型机场有帮助。
关键词
改进的非极大值抑制; 边缘轮廓线追踪提取; SURF检测; 机场目标自动提取; 天绘卫星影像
Han Xiaoqing1, Du Hongyue2 Abstract
Objective Automatic airport recognition from a remote sensing image is popular in the remote-sensing community. However, most studies extracted objects from cropped images because performing the same task on a high-resolution image is time consuming. Most studies extracted the image of a straight line, which is determined based on airport runways, and then determined the target; however, the straight line is not only a high-resolution image extraction of airport runways, but may also be of highways, railways, external walls of large-scale plants, marginal lands, mountains, formations, and other structures. Methods of distinguishing extracted straight runways are rarely studied. Furthermore, these methods focused on a single and large airport instead of a small one, and few of these methods studied multiple targets. China has recently launched a high-resolution mapping satellite that has global reach data acquisition and real-time data transmission ability. Beyond surveying and mapping, the mapping satellite can also be used for land cover classification, land object recognition, and resource exploration. In this paper, mapping satellite imagery is used (with 6 000×6 000 pixels) as a source to detect airport images that have rich details and complex land covers. Traditional spatial filter and edge-detection methods tend to fail in airport detection because of noise and false edges. To solve this problem, an edge-tracing model combined with speeded up robust features (SURF) detection is proposed. Method This paper presents a new method that combines edge tracing and SURF to extract airport images. Edge tracing is based on edge extraction. First, filtering is applied to suppress noise. Then, gradient magnitude and gradient direction along norms are calculated. Greatest local variations of gradients found by improved non-maximum suppression (NMS) method are deleted to obtain a single-pixel edge image. A contour line is extracted from this edge image. Finally, airports are detected through line detection and SURF. Results Airports in four mapping satellite images are successfully recognized using the presented method. Improved NMS and edge-contour tracing are helpful for edge extraction. Most of the object edges are successfully detected and are considerably clear with single-edge width. After the line detection for ground objects, a SURF detector is applied to recognize airports in the image. Two airports with different sizes, one large and one small, are successfully detected and extracted from two mapping satellite images, which demonstrate the effectiveness of the proposed method. Conclusion The proposed method is considerably effective in airport detection. The airport detection method proposed in this paper is suitable not only for remote-sensing data of mapping satellites but also for application on day-painting satellites, such as other remote-sensing satellite data. The improved NMS method can extract more accurate and thinner edges while suppressing false edges. This method is extremely helpful for airport detection. The edge-tracing model can extract contours in different directions accurately, thereby improving line detection accuracy. Many ground targets, such as roads, railways, croplands, walls of factories and mines, mountains, strata, and others, can be recognized from line features. Thus, SURF is used to distinguish airports from these objects. Our experiments show that many key points extracted by SURF lie on the intersection of different lines inside the airports. Based on this observation, the airport can be identified by scanning images to find lines and key points.
Key words
improved non-maxima suppression; edge contour tracing extraction; speeded up robust features (SURF) detection; automatic airport extraction; Mapping Satellite imagery
0 引言
遥感技术应用的一个重要领域是地面目标物的探测和识别。遥感技术能够识别出的地面目标物一般包括机场、桥梁、港口、道路等人工目标物，其中机场是目标识别的重要地物。民用方面机场目标的识别可用于实现自动导航、飞机安全着陆等，军用方面一方面考虑机场是战略目标，另一方面机场目标的有效识别可以实现精确制导。机场目标是一个大的、外形较规整的地物，由飞机、跑道、机场外墙等组成，在图像上形成独特影像特征。
一直以来，目标探测识别是遥感图像目标检测的重要研究领域，国内外许多研究者都致力于这方面的研究。国外研究比较深入，但由于保密，能查到的相关文献很少，只有九十年代的文献，如美国国防部于20世纪70年代资助Delfniversity of Technology于1990年完成基于SPOT图像的道路自动提取系统[1]，Hevenor [2]在1994年的一份美国专利中,提出了雷达图像中自动提取机场跑道模型的算法,主要目的是针对已知的机场进行跑道的结构提取,算法的重点是边缘提取。法国的Michel[3]使用经过地理配准的多源图像及简单模型来检测机场的存在。我国中科院电子所邓湘金等人[4]根据飞机跑道在SPOT 图像中的特征，如几何性质、灰度性质等，建立了机场跑道模型，通过机场跑道模型来检测机场存在与否，再使用ROI算法初步确定机场存在区域，最后通过人机交互方式确定机场区域。陈旭光[5]使用分辨率为10 m的SPOT4卫星遥感图像先做模糊增强，再用阈值分割进行图像分割，利用像素标记法提取最大连通区域，作为疑似机场区域，最后通过ROI算法，实现对疑似机场区域的定位，然后用Canny算子对图像边缘提取，再用一种改进的Hough变换结合先前疑似机场，从边缘图像中提取出直线段，识别出机场跑道，最终确定机场区域。应龙等人[6]针对机场跑道的特点,首先检测图像边缘，然后用一种基于线基元搜索的方法从边缘图像中快速提取出直线，由于机场跑道应该包含在这些直线中,因此设计合理的搜索准则,在直线拟合的结果中检测出跑道，最后再确定机场区域。李潇等人[7]利用模糊增强方法对高分辨率遥感图像进行预处理，再用基于像素梯度和方差信息的模糊边缘检测算法对图像进行边缘检测，从中筛选出长直线，利用Hough 变换提取其中平行的直线作为机场跑道特征，在得到的特征点中选取种子点进行区域生长，从而提取出完整的机场目标。张立平等人[8]针对大场景高分辨率SAR图像提出的方法为：对图像做增强，再进行图像分割，然后做ROI提取，再用提取出的ROI与样本ROI做二叉决策树比对后确定机场目标。邸男等人[9]提出了一种将改进的链码跟踪与分层霍夫变换相结合的方法来提取直线，成功实现了航拍图像中机场跑道的实时高精度检测。杨顺辽等人[10]以改进的数学形态学预处理为基础,用改进和扩充的弗里曼链码法初步提取直线,最后完成了用Hough变换提取直线从而在SAR图像中机场跑道自动识别系统。王鑫等人[11]首先利用霍夫变换对遥感图像中是否存在机场目标进行初步筛选，然后利用改进后的基于图像的视觉显著性模型提取显著性区域，根据区域上的尺度不变特征变换特征并结合多层分类回归树完成机场目标的识别。马春红[12]提出了一种新的四边形识别算法。对比由跑道的先验知识经过透视变换得到的四边形与检测的四边形对应边长是否一致，进行前视红外图像中机场的识别。
上述的提取方法大多是先提取机场跑道，再根据提出的跑道确定机场目标，这类方法对裁切过的遥感图像比较有效，并且都是在图像中机场存在的前提下进行识别和提取,另外这类方法对图像中仅存在一个机场而且是大型机场有比较好的提取效果。如果图像没有被裁减过，而是用整景的高分辨率遥感图像，那么许多非跑道的线性目标都会被提取出来，如公路、铁路、耕地边缘、大型厂矿的外墙、山脉、地层等，这时再根据跑道确定机场目标会出现误差。还有现在机场检测的各类文献中对于识别的虚警率一般都没有涉及，但是当对各幅图像进行机场识别时，无论图像中是否有机场存在，都要保证识别结果的准确性，研究出的方法和流程应该能准确判断图像中是否存在机场，当有机场存在应该能准确识别出机场的位置、机场的方向、机场的形状等属性，这样的研究才有实际的应用价值。现有的研究方法对图像中的大型机场识别有帮助，但是如果图像中既有大机场，又有小机场，或者仅有小机场，现有的方法是否能提取出来还有待研究。
目前常用的机场提取方法是先对图像降分辨率处理，再进行边缘检测，然后进行机场跑道的直线HOUHGH识别，这种提取方法的不足是：1）因为考虑到计算机的处理能力，一般先对图像采取降分辨率处理，可以减少计算量和提高识别速度，但这会减少图像的很多细节，可能只能提取出大机场，当图像中有小机场时会误判，随着计算机技术的发展，计算机的处理速度和处理能力不断进步，可以无需进行降分辨率处理，直接对图像进行合适的滤波处理就可以达到减少计算量的目的；2）进行边缘检测时一般使用传统的非极大值抑制，传统的非极大值抑制仅进行4个方向像元梯度值的比较并提出像元局部的最大值，提取精度会差很多；3）仅用HOUHGH识别直线就判断机场目标误差很大，因为图像中很多目标都可能为线性。
现在目标识别使用的遥感数据类型有高分辨率可见光图像、红外图像、雷达SAR图像、航空图像等，其中高分辨率可见光图像因为成本低、容易获得、图像清晰、识别结果准确等特点被广泛用于目标识别，近年来，我国高分辨率天绘卫星发射成功，使用国产高分辨率遥感影像探测识别机场目标成为可能。
本文以天绘卫星高空间分辨率整景图像6 000×6 000像素为例，根据机场目标检测任务，提出了一种以边缘提取追踪模型与SURF检测为主的机场目标检测方法和流程。首先对天绘影像进行滤波处理消除噪声，再对图像进行梯度幅值和法线梯度方向的计算，并利用改进的非极大值抑制方法找到梯度图像中局部变化的最大值，删掉其他值，获得单像素边缘图像，然后对边缘图像进行边缘轮廓线追踪提取出边缘轮廓线，再用HOUGH变换检测出直线，由于图像中被检测出的直线是多条，最后再使用SURF检测方法将既是直线又有许多特征点的区域确定为机场区域。结果证明该方法对整景高空间分辨率遥感图像效果较好。
1 天绘卫星遥感图像机场目标检测原理和流程
1.1 天绘卫星遥感图像介绍
天绘1号、2号卫星是我国自主研发成功并已开始完成影像分发的高空间分辨率卫星。天绘卫星不仅能实现全球框架测绘和重要区域详细测绘，同时该卫星还在资源勘查、环境监测、土地管理、地物识别等领域得到广泛应用。天绘卫星的产品之一——多光谱数据图像共4个波段[13]，空间分辨率为10 m，整景图像的覆盖范围为60 km×60 km。
乌鲁木齐天绘卫星彩色合成图像如图 1所示。从图 1中可以看出，机场只占有限的区域，图 1中还包含大量的干扰，有些干扰具有机场区域的某些特征。对机场目标的分析表明，机场包括整个机场区域（跑道、滑道、机场外围墙）都为直线特征，可以认为直线的存在意味着机场的存在，因此可以通过检测图像中的直线信息达到识别机场目标的目的。
1.2 改进非极大值抑制的边缘检测
首先用边缘检测极大地降低后继图像分析处理的数据量,可以提高程序运行的速度。采用的边缘检测具体处理步骤为:
1) 用2维高斯滤波器与图像进行卷积对图像完成平滑。高斯函数被认为对图像平滑处理最优，可以去除噪声，保留更多图像特征。设f(x,y)表示输入图像，G(x,y)表示高斯函数，即
| $G(x,y)=\frac{1}{2\text{ }\!\!\pi\!\!\text{ }{{\sigma }^{2}}}{{\text{e}}^{-(\frac{{{x}^{2}}+{{y}^{2}}}{2{{\sigma }^{2}}})}}$ | (1) |
用G和f的卷积形成一幅平滑后的图像fs(x,y)，即
| ${{f}_{s}}(x,y)=G(x,y)\centerdot f(x,y)$ | (2) |
离散点的函数值是高斯模板值。进行高斯平滑时,方差σ一般选择大于1,但如果选的过大,那么平滑效果越明显，但相应地会影响到边缘的精确定位,不利于下一步的边缘检测。Opencv 2.4.6 教程[14]中的高斯滤波函数σ=1.4，这里也取σ=1.4获得高斯滤波模板。利用该模板与图像f(x,y)卷积得到高斯平滑图像(见图 2)。
2) 计算像元的梯度幅值和角度。图像的边缘是灰度突变处，用像元的梯度寻找边缘强度，采用3×3邻域一阶偏导数来计算，离散数据为图像f(x,y)在(i,j)点处x和y方向偏导数gx[i,j]和gy[i,j]，使用该方法能较好地抑制和平滑噪声，具体公式为
| $\begin{align} & {{g}_{x}}[i,j]=\frac{\partial f}{\partial x}=(f[i+1,j+1]+ \\ & 2f[i+1,j]+f[i+1,j-1]- \\ & f[i-1,j-1]-2f[i-1,j]-f[i-1,j+1] \\ \end{align}$ | (3) |
| $\begin{align} & {{g}_{y}}[i,j]=\frac{\partial f}{\partial y}=(f[i-1,j+1] \\ & +2f[i,j+1]+f[i+1,j+1]- \\ & f[i-1,j-1]-2f[i,j-1]-f[i+1,j-1] \\ \end{align}$ | (4) |
该点的梯度值和梯度方向分别为M(i,j)和θ(i,j)，即
| $M(x,y)=mag(\nabla f)=\sqrt{g_{x}^{2}+g_{y}^{2}}$ |
| $\theta (x,y)=\arctan \left[ \frac{{{g}_{y}}}{{{g}_{x}}} \right]$ |
梯度值图像如图 3所示。
3) 对梯度幅值图像使用改进的非极大值抑制提取边缘。目的是为了把梯度值图像中的“模糊边缘”变为“清晰的边缘”，也就是边缘细化，实际是找到梯度图像中局部变化的最大值，删掉其他值。非极大值抑制利用边缘法线方向(梯度向量)来验证局部变化的最大值。传统的方法是在3×3邻域围绕像元点(i,j)定义4个方向：0°、90°、45°、135°，针对每个方向分别将像元(i,j)的梯度值与两端像元的梯度值分别比较，如果点(i,j)的梯度值大于其他两个点的梯度值，那么点(i,j)为边缘点像元被保留，反之点(i,j)不是边缘点被删除。仅简单将像元点的梯度值与两端像元点的梯度值相比较,判断是否为边缘点,优点是计算速度快,但精度差,为了提高精度,采用线性插值方法求取当前点在梯度方向两边点的梯度值,进行梯度值比较后再确定是否为边缘点。改进的非极大值抑制方法是：图 4显示的是像元点f(i,j)的相邻点以及边缘法线的4个方向，如果f(i,j)处梯度值M(i,j)大于其法线方向点1和点2处的梯度值M1和M2，那么点M(i,j)为该边缘处的极大值。M1和M2通过M(i,j)处的x和y方向的偏导数gx和gy以及点f(i,j)的梯度值M(i,j)进行一阶插值得到，沿梯度方向θ(i,j)进行插值结果为
（1）当0≤θ＜45°和180°≤θ＜225°时
| $M1=(1-\frac{{{g}_{x}}}{{{g}_{y}}})M(i,j-1)+\frac{{{g}_{x}}}{{{g}_{y}}}M(i+1,j-1)$ |
| $M2=(1-\frac{{{g}_{x}}}{{{g}_{y}}})M(i,j+1)+\frac{{{g}_{x}}}{{{g}_{y}}}M(i-1,j+1)$ |
（2）当45°≤θ＜90°和225°≤θ＜270°时
| $M1=(1-\frac{{{g}_{y}}}{{{g}_{x}}})M(i+1,j)+\frac{{{g}_{y}}}{{{g}_{x}}}M(i+1,j-1)$ |
| $M2=(1-\frac{{{g}_{y}}}{{{g}_{x}}})M(i-1,j)+\frac{{{g}_{y}}}{{{g}_{x}}}M(i-1,j+1)$ |
（3）当45°≤θ＜90°和225°≤θ＜270°时
| $M1=(1-\frac{{{g}_{y}}}{{{g}_{x}}})M(i-1,j)+\frac{{{g}_{y}}}{{{g}_{x}}}M(i-1,j-1)$ |
| $M2=(1-\frac{{{g}_{y}}}{{{g}_{x}}})M(i+1,j)+\frac{{{g}_{y}}}{{{g}_{x}}}M(i+1,j+1)$ |
（4）当90°≤θ＜135°和270°≤θ＜315°时
| $M1=(1-\frac{{{g}_{x}}}{{{g}_{y}}})M(i,j-1)+\frac{{{g}_{x}}}{{{g}_{y}}}M(i-1,j-1)$ |
| $M2=(1-\frac{{{g}_{x}}}{{{g}_{y}}})M(i,j+1)+\frac{{{g}_{x}}}{{{g}_{y}}}M(i+1,j+1)$ |
图 5为非极大值抑制处理结果，改进的非极大值抑制能提高边缘检测准确度,抑制虚假边缘的产生。图中的单像素边缘都被完整地提取出来。
4) 用双阈值处理连接出完整的边缘。上一步非极大值抑制处理结果包含伪边缘，还需要进行阈值处理减少伪边缘点。如果使用单阈值处理，如果阈值设低了会有伪边缘，如果阈值设高了会删除有效的边缘，这里采用CANNY[15]的双阈值算法，高于阈值的点连接成边缘，当到达边缘端点时，在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。双阈值的选取方法为对图像进行直方图统计，选取前80%个灰度值中的最大的灰度值为高阈值，高低阈值的比率为2:1。图 6为处理结果，改进的非极大值抑制比传统的方法效果要好，提取出的边缘连续性好，边缘线更多，更清楚，尤其对小机场的提取更有效。
1.3 边缘轮廓线追踪提取模型和直线提取
1) 边缘轮廓线追踪提取模型。进行直线提取以前需要对上面完成的边缘提取图像进行连续边缘轮廓线的提取，这些轮廓线可能是直线，也可能是曲线，只要是连续的都要求提取出来。本文设计了快速提取边缘轮廓线的方法，如图 7所示。
图 7（a）表示像素八邻域情况，位于图像中的边缘轮廓线可以由每个像素的8个相邻像素表示，设扫描边缘图像是从上往下，从左往右，则遍历一条边缘轮廓线必须进行3个方向的移动，即0、1、2方向，1、2、3方向和2、3、4方向。图 7（b）为2、3、4 方向边缘轮廓线提取算法示意图，其算法步骤为：
（1）当前点(i,j)等于255时开始搜索当前点下方A2方向的点(i+1,j)，如果点(i+1,j)等于255则标记当前点并沿A2方向继续搜寻，直到A2方向的点等于0为止。
（2）如果沿A2方向搜寻时当前点(i,j)等于0，则沿A2方向返回到前一个等于255的点(i-1,j)，并从这个点开始转到(3)和(5)进行A3和A4方向的搜寻。
（3）当前点(i,j)等于255时开始搜索当前点左下方A3方向的点(i+1,j-1)，如果点(i+1,j-1)等于255则标记当前点并沿A3方向继续搜寻，直到A3方向的点等于0为止。
（4）如果沿A3方向搜寻时当前点(i,j)等于0，则沿A3方向返回到前一个等于255的点(i-1,j+1)，并从这个点开始转到(1)和(5)进行A2和A4方向的搜寻。
（5）同样的方法，当前点(i,j)等于255时开始搜索当前点左方A4方向的点(i,j-1)。
（6）搜寻图像中所有灰度值等于255的点直到所有像素都被标记。
图像中的机场目标内部的跑道、滑行道，机场区域的外墙等全都为直线，可以通过提取机场区域的直线达到识别机场的目的，同时分析还表明，一幅卫星图像中一般最多只有两个机场，两个机场之间有一定的距离，而且一定是一个大机场和一个小机场。实验表明如果边缘轮廓线的长度大于90像素，只能提取大机场边缘轮廓线，小机场边缘轮廓线就会被剔出，导致小机场提取不出来。分析实验结果时发现小机场轮廓线虽然沿机场跑道提出来了，但轮廓线都不连续，分成几段，而且每段都小于等于90像素，这是由于小机场规模、形状受限制，噪声较大，影响了提取效果。最终将边缘轮廓线的长度定为90像素。处理结果如图 8所示。
2) 直线提取。直线的提取与识别采用HOUHG变换。传统的HOUGH变化是在平面坐标中用直线的斜率—截距为变换函数，后来又将极坐标引入变换中，使HOUGH变换在直线提取中获得成功。在前面边缘轮廓线被识别的基础上，再进行HOUGH[16]变换可以提高对图像进行HOUGH变换的速度，同时改进的HOUGH 变换能够得到的直线端点坐标，可以很容易的判定直线之间的位置关系，为下一步的目标识别做好准备。应用HOUGH对上一步边缘轮廓线提取的结果（见图 8）做检测并将直线检测结果用红色直线标示在“天绘”卫星影像图上。共检测出113条直线段。表 1为每条线段的端点坐标：
表 1
检测出的直线坐标
Table 1
Rectilinear coordinate detected
| 线段序号 | 线段起始坐标 | 线段终止坐标 |
| i=1 | (574,2) | (709,2) |
| i=2 | (230,2 862) | (265,3 015) |
| i=3 | (911,672) | (956,881) |
| i=4 | (5 107,160) | (5 347,5) |
| | | |
| i=113 | (4 879,5 203) | (4 921,5 115) |
1.4 SURF检测识别机场目标
SURF是一种具有鲁棒性的局部特征检测算法，它首先由Herbert Bay[19]等人于2006 年提出，并在2008 年进行了完善。SURF 算法是在SIFT[17-18]算法的基础上实现的，SURF是速度最快的特征点提取方法，它可以快速搜索图像中的特征点、实现特征点匹配。SURF[19]算法包括4步：积分图像处理、DoH近似、尺度空间表示、SURF特征点生成，具体算法见Bay[19]的文献。SURF特征具有尺度、旋转、光照、缩放、平移不变性、视角不变性等特征，对于不同大小、方向的机场有着较好的适应性，并且该算法具有较快的计算速度。
提取出直线段的卫星影像进行SURF检测，该景图像检测出两个机场，对图像提取SURF特征点时发现，图像中机场区域提取出了大量的特征点，机场上的特征点大多落在机场内部直线交叉点处，在图像中按照直线段坐标点的位置对全图进行搜寻，将图像中既有直线段又存在大量特征点的区域定义为机场区域。图像中共有两处具备两种特征的区域，因此该景图像被检测出有两个机场，可见SURF特征可以较好地反映机场的特点。具体检测结果如图 9所示。
图 9(a)共检测出2个机场，图像中部偏右的大机场为乌鲁木齐市地卧铺机场，图像中部靠近左边缘的为乌鲁木齐市的小机场,图 9中绿色框内的目标为提取出的机场目标。可以推断，图 9（b）（c）有机场的区域即有检测出的直线段，也有更多的SURF特征点，而图 9（d）只有直线段或只有SURF特征点的区域没有机场目标。
2 实验与结果分析
本文提出利用改进的边缘提取和边缘轮廓线追踪模型以及SURF检测方法相结合的机场区域检测方法可以有效地提取天绘卫星影像中的机场区域。将本文方法用于其他3景天绘卫星影像都检测出机场目标区域区域，检测结果如表 2和图 10-图 12所示。
表 2
天绘卫星图像机场检测实验结果
Table 2
Experimental results for “Mapping Satellite” image detection
| 文件名 | 图像位置 | 检测机场个数 |
| TH01-01_P2012112844_1A_DGP.TIF | 密云 | 2 |
| TH01-01_P2013072528_1B_DGP.TIF | 乌鲁木齐 | 2 |
| TH01-01_P2013072536_1B_DGP.TIF | 阿勒泰 | 1 |
| TH01-01_P2013072535_1B_DGP.TIF | 鄂尔多斯 | 1 |
与近年相关的研究相比较，本文方法具有以下优点：
1）对非极大值抑制进行了改进，对像元8个方向采用线性插值方法求取当前点在梯度方向两边点的梯度值,再进行梯度值比较后再确定是否为边缘点，这样会提高边缘点提取的精度。实验结果表明，使用改进的非极大值抑制方法可以提取出图像中小型机场的边缘轮廓线，而传统的方法提取不出来。
2）提出了边缘轮廓提取模型，对像素八邻域进行3个方向边缘轮廓线提取，保证了图像中所有连续的轮廓线都被提出来，保证了下一步全部直线的准确提取。
3）提出了使用SURF检测确定与机场相关的直线区域。以前相关的研究都没有涉及如何区分机场跑道和其他线状目标，但区分直线的特性是机场提取必须要解决的问题。SURF检测图像证明机场区域中跑道、机场内部拐点等多处提取出特征点，这样可以判断图像中既有直线、又存在特征点的区域就是机场区域，这样就解决了对直线特性的判定。
天绘卫星影像为10 m分辨率的高分辨率影像，6 000×6 000像素，单景的幅宽为60 km×60 km，使用本文方法时影像不需要降分辨率，不需要裁切，不需要做拉伸增强处理，仅采用简单的假彩色合成或者直接使用单波段影像即可。另外，由于SURF具有较好的仿射不变性，并且计算速度快，可以将各种大小的机场、各种方向的机场都提取出来，实用性较强。本文方法易于实现，普通的遥感图像都可以被处理，识别成功率较高。所有实验均在Inter Xeon 2 E5645 CPU 2.4 GHz主频．14 GB内存的Windows7平台上进行．程序代码是在Microsoft Visual studio 2010用Visual c++编写。
3 结论
实验结果表明，国产高分辨率天绘卫星图像可以用于边缘提取和目标识别，取得了不错的效果。本文提出改进的边缘提取方法与边缘轮廓线提取模型和SURF检测方法结合提取机场目标区域可以处理整景的天绘高分辨率遥感影像，也可以推广到其他类型整景的遥感影像，可以提取各种不同类型的机场目标，具有提取速度快，提取准确等优点。如果再加上适当的界面，可以成为标准的机场自动提取程序，能够直接准确的检测定位遥感影像中是否存在机场目标，同时该方法进行适当的修改，也可以检测其他大型的人工目标，如港口、桥梁等。本次实验仅使用4景天绘卫星影像。目前在“既有直线段又存在大量特征点的区域定义为机场区域”这一步还是人工进行图像搜寻后才定义为机场区域，如果今后研究中使用足够多景的天绘卫星图像，将会确定出量化阈值，使利用遥感图像提取识别机场目标的自动化程度更高。
参考文献
-
[1] Gunst M E D. Automatic extraction of roads from SPOT images[R]. Technical Report, Delft: Delft University of Technology, 1991.
-
[2] Hevenor R A, Chen P F. Automated extraction of airport runway patterns from radar imagery: US, 5335298[P]. 1994-08-02.
-
[3] Michel A. Airport detection using a simple model, multisource images, and altimetric informations[C]//Proceeding of the SPIE 2315, Image and Signal Processing for Remote Sensing. Rome, Italy: SPIE, 1994, 2315: #604.[DOI: 10.1117/12.196760]
-
[4] Deng X J, Peng H L. An airport detection method based on remote sensing imagery[J]. Journal of Test and Measurement Technology , 2002, 16 (2) : 96–99. [ 邓湘金彭海良. 一种基于遥感图像的机场检测方法[J]. 测试技术学报 , 2002, 16 (2) : 96–99. DOI:10.3969/j.issn.1671-7449.2002.02.005 ]
-
[5] Chen X G. Study on Airport Region Recognition in Satellite Remote Sensing Image[D]. Nanjing: Nanjing University of Science and Technology, 2005. [陈旭光. 卫星遥感图像中机场区域的识别方法研究[D]. 南京: 南京理工大学, 2005.] http://www.oalib.com/references/17192307
-
[6] Ying L, Song H N, Su Y. A fast algorithm to detecting runway from remote sensing images[J]. Computer Applications and Software , 2006, 23 (3) : 94–97. [ 应龙, 宋海娜, 粟毅. 一种快速检测遥感图像中机场跑道的方法[J]. 计算机应用与软件 , 2006, 23 (3) : 94–97. DOI:10.3969/j.issn.1000-386X.2006.03.036 ]
-
[7] Li X, Li Y. Fast parallel method of airport target extraction in high resolution remote sensing image[J]. Computer Engineering and Applications , 2012, 48 (5) : 213–216. [ 李潇, 李映. 高分辨率遥感图像中机场目标的并行快速提取[J]. 计算机工程与应用 , 2012, 48 (5) : 213–216. DOI:10.3778/j.issn.1002-8331.2012.05.062 ]
-
[8] Zhang L P, Zhang H, Wang C, et al. A fast method of airport detection in large-scale SAR image with high resolution[J]. Journal of Image and Graphics , 2010, 15 (7) : 1112–1120. [ 张立平, 张红, 王超, 等. 大场景高分辨率SAR图像中机场快速检测方法[J]. 中国图象图形学报 , 2010, 15 (7) : 1112–1120. DOI:10.11834/jig.20100704 ]
-
[9] Di N, Zhu M, Wang Y N. Real-time detection of airport runway by extracting line feature[J]. Optics and Precision Engineering , 2009, 17 (9) : 2336–2341. [ 邸男, 朱明, 王毅楠. 提取直线特征实现机场跑道实时检测[J]. 光学精密工程 , 2009, 17 (9) : 2336–2341. DOI:10.3321/j.issn:1004-924X.2009.09.038 ]
-
[10] Yang S L, Lu L, Du Z G, et al. Automatic recognition of airport runways in SAR images[J]. Journal of Wuhan University of Technology: Transportation Science & Engineering , 2006, 30 (1) : 56–59. [ 杨顺辽, 卢凌, 杜宗岗, 等. SAR图像中机场跑道的自动识别研究[J]. 武汉理工大学学报: 交通科学与工程版 , 2006, 30 (1) : 56–59. DOI:10.3963/j.issn.2095-3844.2006.01.015 ]
-
[11] Wang X, Wang B, Zhang L M. Airport detection based on salient areas in remote sensing images[J]. Journal of Computer-Aided Design & Computer Graphics , 2012, 24 (3) : 336–344. [ 王鑫, 王斌, 张立明. 基于图像显著性区域的遥感图像机场检测[J]. 计算机辅助设计与图形学学报 , 2012, 24 (3) : 336–344. DOI:10.3969/j.issn.1003-9775.2012.03.008 ]
-
[12] Ma C H, Ye J C, Wang X P, et al. Automatic airfield runway recognition in forward looking infrared image[J]. Infrared and Laser Engineering , 2006, 35 (增刊) : 329–334. [ 马春红, 叶继昌, 王小平, 等. 前视红外图像中机场的自动识别[J]. 红外与激光工程 , 2006, 35 (增刊) : 329–334. DOI:10.3969/j.issn.1007-2276.2006.z4.064 ]
-
[13] Han X Q, Du H Y. The application of high-spatial resolution Tianhui remote sensing data to geologic exploration[J]. Uranium Geology , 2016, 32 (1) : 48–53. [ 韩晓青, 杜红悦. 高分辨率天绘卫星数据遥感地质应用研究[J]. 铀矿地质 , 2016, 32 (1) : 48–53. DOI:10.3969/j.issn.1000-0658.2016.01.008 ]
-
[14] Opencv2.4.6_tutorials.pdf.[2016-05-04] http://docs.opencv.org/2.4/doc/tutorials/tutorials.html.
-
[15] Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence , 1986, PAMI-8 (6) : 679–698. DOI:10.1109/TPAMI.1986.4767851]
-
[16] Fernandes L A F, Oliveira M M. Real-time Line detection through an improved Hough Transform voting scheme[J]. Pattern Recognition , 2008, 41 (1) : 299–314. DOI:10.1016/j.patcog.2007.04.003]
-
[17] Sun H, Wang C, Wang R S. A review of local invariant features[J]. Journal of Image and Graphics , 2011, 16 (2) : 141–151. [ 孙浩, 王程, 王润生. 局部不变特征综述[J]. 中国图象图形学报 , 2011, 16 (2) : 141–151. DOI:10.11834/jig.20110207 ]
-
[18] Harel J, Koch C, Perona P. Graph-based visual saliency[C]//Proceedings of the 2006 Conference Advances in Neural Information Processing Systems 19. Cambridge: The MIT Press, 2007: 545-552.
-
[19] Bay H, Tuytelaars T, Van Gool L. SURF: speeded up robust features[C]//Processing of the 9th European Conference on Computer Vision. Berlin Heidelberg: Springer, 2006: 404-417.[DOI: 10.1007/11744023_32]
