CN112907567B - 基于空间推理方法的sar图像有序人造构筑物提取方法 - Google Patents
基于空间推理方法的sar图像有序人造构筑物提取方法 Download PDFInfo
- Publication number
- CN112907567B CN112907567B CN202110296688.2A CN202110296688A CN112907567B CN 112907567 B CN112907567 B CN 112907567B CN 202110296688 A CN202110296688 A CN 202110296688A CN 112907567 B CN112907567 B CN 112907567B
- Authority
- CN
- China
- Prior art keywords
- points
- inference
- distance
- sar image
- spatial
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 230000000877 morphologic effect Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 14
- 238000011160 research Methods 0.000 description 12
- 238000012216 screening Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于空间推理方法的SAR图像有序人造构筑物提取方法,包括以下步骤:首先利用快速双参数恒虚警算法和FAST角点检测算法对SAR图像进行预处理,获取构筑物的特征点;然后对特征点进行空间关系建立,获取常规点状构筑物的特征点和特殊形状面状构筑物的空间关系特征,对空间关系特征进行建模,获取空间关系三参数和形态学特征双参数;最后利用三参数和双参数对SAR图像预处理后未识别出来的点进行空间推理判断,得到构筑物识别结果。本发明不仅能对具有特殊形态学特征的地表构筑物进行高精度识别与推理,还能对不具有特殊形态学特征的点目标物具有较好的识别与推理精度,为SAR图像中有序分布的孤立构筑物提取提供了有效解决方法。
Description
技术领域
本发明属于图像处理与信息提取技术领域,尤其涉及一种基于空间推理方法的SAR图像有序人造构筑物提取方法。
背景技术
自然灾害(如地震、滑坡、泥石流)发生后,迅速获取受灾地区有效信息对发起应急救援行动至关重要。遥感卫星能够快速准确地对地面进行大范围成像,提供有关受灾地区的重要信息,但由于灾害发生后,受阴雨等天气的影响较大,光学遥感影像在救灾决策中的作用受到限制。而合成孔径雷达(SAR)图像具有对大气条件相对不敏感,穿透力强,不受太阳光照影响等优势,使得雷达遥感技术在自然灾害研究中得到广泛深入应用。
有学者利用SAR图像进行单体构筑物识别研究时,利用单体构筑物的成像特征和形态结构特征进行单体构筑物本体语义模型建模,然后利用语义模型中的构筑物基元来对单体构筑物进行识别,实现了准确快速提取高分辨率SAR影像中的大型单体构筑物。还有学者借助一对高分辨率光学和SAR图像,利用光学数据和合成孔径雷达数据的互补性进行地物重建的处理方法来对孤立构筑物进行提取。由于人工目标散射复杂,且受波长、方位方向、空间分辨率、入射角等传感器参数影响,在SAR图像中很难找到一个特定的分布类型来描述,其分布特征也与目前使用的大部分统计模型都不太相符,很难通过较为简单的方法来对孤立构筑物进行识别与提取。此外,高分辨率SAR数据较少,常常不能满足灾害应急的快速响应需求,因此如何运用SAR数据快速提取灾后信息具有重要的减灾研究价值。
在SAR图像中人造构筑物和地形高亮点的特征极为相似,如果仅采取快速双参数CFAR算法与FAST角点检测算法来处理,识别结果中必然混有大量的地形高亮点,导致目标物识别精度较低,不利于灾后的信息及时反馈,因此如何在复杂环境中准确区分开人造构筑物和地形高亮点对于震情的识别也是至关重要的。
空间关系是地理信息***(GIS)中的重要理论问题之一,在GIS数据建模、空间查询、空间分析、空间推理和综合映射过程中起着重要作用。本发明为了对孤立构筑物进行快速高效识别,精确的将目标地物与地形高亮点区分开,引入了空间关系的相关理论及技术,提出了利用空间推理方法对SAR图像中人造构筑物进行快速识别的方法。
发明内容
针对上述背景技术中指出的不足,本发明提供了一种基于空间推理方法的SAR图像有序人造构筑物提取方法,旨在解决SAR图像中高亮山体干扰识别问题以及由于SAR成像特征造成的单体构筑物漏识问题。
为实现上述目的,本发明采用的技术方案是:
一种基于空间推理方法的SAR图像有序人造构筑物提取方法,包括以下步骤:
(1)利用快速双参数恒虚警(CFAR)算法和FAST角点检测算法分别对SAR图像进行预处理,分别获取SAR图像中常规点状构筑物的特征点和特殊形状面状构筑物的特征点;
(2)分别对所述特征点进行空间关系的建立,获取常规点状构筑物的特征点和特殊形状面状构筑物两种孤立构筑物对应的空间关系特征;
(3)对获得的常规点状构筑物的空间关系特征进行建模,获取常规点状构筑物的空间关系三参数;对获得的具有特殊形状面状构筑物的空间关系特征和形态学特征分别进行建模,获取特殊形状面状构筑物的空间关系三参数和形态学特征双参数;所述空间关系三参数为特征点的角度Tangle、偏移量Toffset和距离Tdistance,所述形态学特征双参数为特征点的半径Cr和夹角Cangle;
(4)利用常规点状构筑物的空间关系三参数对SAR图像预处理后未识别出来的常规点状构筑物进行两点间空缺推理、左右约束推理、起始点推理和结束点推理条件约束下的空间推理判断,得到常规点状构筑物的识别结果;利用特殊形状面状构筑物的空间关系三参数和形态学特征双参数对SAR图像预处理后未识别出来的特殊形状面状构筑物进行两点间空缺推理、左右约束推理、起始点推理和结束点推理条件约束下的空间推理判断,得到特殊形状的面状构筑物的识别结果。
优选地,所述快速双参数恒虚警(CFAR)算法对SAR图像进行预处理的过程如下:
首先,对SAR图像进行第一级全局滤波,滤除大量杂波;
然后,对第一级全局滤波的结果进行第二级全局滤波:对第一级全局滤波结果的像素灰度值进行排序,选取前k个像素灰度值对潜在的目标阈值进行估计,生成带有待检测区域的二值图像;
其次,将二值图像中的待检测区域赋予原图像的灰度值;
最后,对图像上待检测区域的每个监测点实施局部双参数CFAR算法,实现快速检测。
优选地,所述k的取值为第一级全局滤波后图像像素灰度值的65%。
优选地,所述第一级全局滤波对SAR图像中潜在目标检测的判断公式如下:
其中,pfa为恒虚警率,Tg为第一级全局滤波阈值,fb(x)为地面的杂波概率分布函数,I(x,y)为原始图像像素值,Ig1(x,y)为第一级全局滤波后的像素值。
优选地,所述第二级全局滤波对第一级全局滤波结果中潜在目标检测的判断准则如下:
其中,μ为前k个像素灰度值的灰度平均值,σ为前k个像素灰度值的方差,α为第二级全局滤波系数,α=0.95。
优选地,所述局部双参数CFAR算法对于目标检测的判断准则如下:
其中,μb为背景窗口的像素灰度值的均值,σb为背景窗口像素灰度值的方差,t为控制恒虚警率的检测参数,t=2.5。
优选地,所述两点间空缺推理的方法为:
首先获取临近距离异常值Edistance以及异常值的前后两点和异常值所在的线,获取所述线的角度Tangle、偏移量Toffset以及距离Tdistance三参数,并求出二维空间中的线性方程,然后根据三参数中的距离与距离异常值进行对比,条件如下式,从而获得距离异常值中存在漏检的点数;
然后以偏移量Toffset和距离Tdistance作为约束范围,根据角度Tangle延伸为推理方向,得到漏检点的推理坐标,根据推理坐标中横纵坐标的大小将漏检的点排列到线中。
优选地,所述左右约束推理的方法为:
首先获取某一线上的点数目Pnum,然后获取所述线相邻左右两条线的点数目Plnum和Prnum,进行约束推理,判断条件如下:
if|Plnum-Prnum|≤2,thenPnum=[0.5*(Flnum+Prnum)]
if|Plnum-Prnum|>2,thenPnum=Pnum。
其中[0.5*(Plnum+Prnum)]表是不超过0.5*(Plnum+Prnum)的最大整数
优选地,所述起始点推理的方法为:
借助所述左右约束推理的条件,首先获取每一方向上拥有最多点数的序列,以最多点数序列的起始点为基准点,求起始点连线的三参数角度Fangle、偏移量Foffset、距离Fdistance以及线性方程;然后以Fangle和Tangle两个方向作为推理的方向,以Foffset、Fdistance以及Toffset、Tdistance作为约束条件,求解缺少的起始点并更新到线性序列中。
优选地,所述结束点推理的方法为:
借助所述左右约束推理的条件,确定某一序列缺少的点数,然后根据所述序列的线性特征以及其常规三参数角度Tangle、偏移量Toffset和距离Tdistance来推断出剩余的结尾点。
相比于现有技术的缺点和不足,本发明具有以下有益效果:
(1)本发明首先利用快速双参数恒虚警算法和FAST角点检测算法对SAR图像进行初步的目标点或区域识别,然后借助空间关系、形态学特征以及空间推理方法来实现有序分布的孤立构筑物的提取与推理。本发明不仅能够对具有特殊形态学特征的地表构筑物进行精度颇高的识别与推理,还对不具有独特形态学特征的点目标识别与推理有着良好的精度,为SAR图像中有序分布的孤立构筑物的识别提供了一种有效的解决方法。
(2)本发明中采用快速双参数恒虚警算法在对图像进行两级全局滤波后,将二值图像中的检测区域赋予了原图像的灰度值以获取地物的真实情况,对图像上检测区域的每个监测点实施局部双参数CFAR算法,实现了快速检测。
附图说明
图1是本发明实施例提供的基于空间推理方法的SAR图像有序人造构筑物特征点提取方法的流程图。
图2是本发明实施例提供的快速双参数CFAR算法的流程图。
图3是本发明实施例提供的研究区的SAR图像。
图4是本发明实施例提供的双参数CFAR检测窗口示意图。
图5是本发明实施例提供的快速双参数CFAR算法处理结果。
图6是本发明实施例提供的FAST角点检测算法示意图。
图7是本发明实施例提供的FAST角点检测算法检测结果。
图8是本发明实施例提供的SAR图像预处理后电塔与风力发电机结果数据。
图9是本发明实施例提供的特征点进行空间关系建立时的遍历方向与遍历初始点检测窗口。
图10是本发明实施例提供的起始点检测结果。
图11是本发明实施例提供的电塔初始线性检测结果。
图12是本发明实施例提供的十字形状特征参数示意图。
图13是本发明实施例提供的风力发电机初始线性检测结果。
图14是本发明实施例提供的三参数约束下电塔的检测结果及异常示意图。
图15是本发明实施例提供的电塔的后续检测结果。
图16是本发明实施例提供的三参数约束下风力发电机的检测结果及异常示意图。
图17是本发明实施例提供的风力发电机的后续检测结果。
图18是本发明实施例提供的两点间空缺点的推理结果。
图19是本发明实施例提供的起始点更新推理结果。
图20是本发明实施例提供的结束点推理结果。
图21是本发明实施例提供的空间推理最终结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于空间推理方法的SAR图像有序人造构筑物提取方法,实现对SAR图像中常规点状构筑物和特殊形状面状构筑物两种孤立构筑物的识别。由于一般情况下,地面的建筑物都是聚集分布,且都在人员密集处,而孤立构筑物则相反,其大多为没有居住功能的人工构筑物,如电塔、风力发电机等,这些孤立的构筑物大多分布在人烟稀少地区,且较为零散,周围基本为草木、裸土等背景地物,因此在SAR影像中显示较为突出。但是,在SAR图像中,具有同样灰度值的像素点并不能代表同一种地物。而且,研究区内的构筑物周围分布有干涸的河床以及裸露的岩石等地形高亮要素时,在SAR图像上会呈现出大面积杂乱分布的高亮白色噪声,导致对混在其中的孤立构筑物难以提取。因此本发明引入了空间推理的方法,提出了一种基于空间推理方法的SAR图像有序人造构筑物特征点提取方法,流程图如图1所示。
首先,利用快速双参数恒虚警(CFAR)算法和FAST角点检测算法分别对SAR图像进行预处理,分别获取SAR图像中常规点状构筑物的特征点和特殊形状面状构筑物的特征点,即对应的特征数据;
然后,分别对特征点进行空间关系的建立,获取常规点状构筑物特征点和特殊形状面状构筑物特征点对应的空间关系特征;
其次,对获得的常规点状构筑物的空间关系特征进行建模,获取常规点状构筑物的空间关系三参数角度Tangle、偏移量Toffset和距离Tdistance;对获得的特殊形状面状构筑物的空间关系特征和形态学特征分别进行建模,获取特殊形状面状构筑物的空间关系三参数角度Tangle、偏移量Toffset和距离Tdistance和形态学特征双参数半径Cr和夹角Cangle;
最后,利用常规点状构筑物的空间关系三参数对SAR图像预处理后未识别出来的常规点状构筑物进行两点间空缺推理、左右约束推理、起始点推理和结束点推理条件约束下的空间推理判断,得到常规点状构筑物的识别结果;利用特殊形状面状构筑物的空间关系三参数和形态学特征双参数对SAR图像预处理后未识别出来的特殊形状面状构筑物进行两点间空缺推理、左右约束推理、起始点推理和结束点推理条件约束下的空间推理判断,得到特殊形状面状构筑物的识别结果。在SAR图像识别过程中,目标地物也是具有地理定位的,而且它也具有位置、形状与角度等属性,也是可以用离散目标集或者场来描述的。所以我们认为SAR图像中识别出来的地物是具有空间这一属性的。
传统的双参数CFAR检测算法是通过设置目标窗口,保护窗口以及背景窗口,它能够针对局部复杂的情况进行良好的检测,符合本发明研究区内孤立构筑物的分布情况。但其需要对整幅影像进行遍历,在遍历大幅SAR图像时,消耗大量运算资源,花费时间很长,因此很难做到实时检测,不利于自然灾害发生后快速获取灾情信息。因此,本发明提出了一种改进型的快速双参数CFAR算法,流程图参照图2,首先,对SAR图像进行第一级全局滤波,滤除大量杂波;然后,对第一级全局滤波的结果进行第二级全局滤波:对第一级全局滤波结果的像素灰度值进行排序,选取前k个像素灰度值对潜在的目标阈值进行估计,生成带有待检测区域的二值图像,k的取值以第一级全局滤波后图像像素灰度值的65%为最佳;再将二值图像中的待检测区域赋予原图像的灰度值;最后对图像上待检测区域的每个监测点实施局部双参数CFAR算法,实现快速检测。
本发明通过快速双参数CFAR算法检测点状地物,但并不适用于具有独特形态学结构地物的检测,因此,引入FAST角点检测算法来对图像进行进一步处理,可以在保留图像图形重要特征的同时,有效地减少信息的数据量,使含有较高的信息量。
实施例1
1、实验数据及研究区域
本发明以甘肃省玉门市西南郊外为研究区域,使用ALOS-2卫星数据,极化方式为水平方向单极化。卫星具体参数如表1所示:
该研究区域分布了数以百计的风力发电机、数以千计的配套设施以及干涸的河床、裸露的岩体等地物。其中,风力发电机以及配套的电塔都以一种线性规律的分布方式分布,干涸的河床及掩体等地形高亮要素混杂在其中。研究选取25平方千米左右的区域,研究区SAR图像如图3所示。
2、方法
研究区内交叉分布着风力发电机、电塔和电厂等构筑物以及裸露的岩体、干涸的河流等地形高亮点地物,地形高亮点与风力发电机以及电塔相互交错在一起,如果仅仅采取快速双参数CFAR算法与FAST角点检测算法来处理,识别结果中将混有大量的地形高亮点,导致目标物识别精度较低,不利于灾后的信息精准反馈,因此针对上述问题,本发明将空间推理运用到有序分布的构筑物识别中,较精确地区分了目标地物与地形高亮点,极大地提高了目标识别精度。该区域内的人造构筑物包含常规点状构筑物和特殊形状面状构筑物,电塔作为常规点状构筑物进行识别,风力发电机作为特殊形状面状构筑物进行识别。
2.1快速双参数CFAR算法
研究区内构筑物对地表杂波影响较小,因此假设SAR图像中,为背景占优,采用背景占优全局CFAR检测算法,对潜在目标判断公式为:
其中,pfa为恒虚警率,Tg为第一级全局滤波阈值,fb(x)为地面的杂波概率分布函数,I(x,y)为原始图像像素值,Ig1(x,y)为第一级全局滤波后的像素值。为了尽可能多的检测出潜在目标,通过将恒虚警率的值设置的高一点来实现,此时经过第一级全局滤波后的图像假设其目标占优,然后将其按照灰度值由高到低的顺序进行排序,选取前k个像素灰度值对目标阈值进行估计,本发明中k取第一级滤波后图像像素值的65%。二级滤波对潜在目标的检测判断规则为:
其中,μ为前k个像素值的灰度平均值,σ为前k个像素值的方差,α为第二级全局滤波系数,该系数经过反复实验得到了最优值(α为0.95),使用最优值能够检测更多的目标。
经过两级全局滤波后,整幅图像中杂波像素数目已经大大减少,但是对于待检测像素点来说,杂波总量依旧很多,为了保证目标检测的精度,进一步采用局部双参数CFAR算法对潜在目标进行二次识别。在检测中发现,双参数CFAR算法的检测窗口在移动中,背景窗口中会有上一次检测的重复数据,其数目为Wb(Wb-1)-Wp(Wb+1),因此在算法中可以重复利用,简化遍历方式,减少计算时间。其窗口示意图如图4所示。
局部双参数CFAR对于目标的判断准则为:
其中,μb为背景窗口的像素灰度值均值,σb为背景窗口像素灰度值方差,t是控制恒虚警率的检测参数,该值是根据多次实验的最优结果确定的,本发明中以取值2.5为佳。
快速双参数CFAR算法处理结果如图5所示,可以看出,从原数据到第一级全局滤波阶段,图像变化不是很明显,这是因为原始图像中像素灰度值都比较高导致的,而且地形高亮点对构筑物影响颇大。而构筑物中,环绕分布的电塔在图像的上部与地形高亮点几乎混杂在一起,难以分辨。图像中部的风力发电机则因为其自身的反射与折射,混杂在一起,难以看出其精确位置。经过第二级全局滤波后,地形高亮点基本被去除,仅剩下一些因为亮度与构筑物相差不多而难以去除的部分,图像下方的电厂构筑物也因为其亮度相近被保留。后续经过局部双参数CFAR算法处理后,构筑物高亮区被打散,成为数目众多的散点分布,风力发电机的形态特征也被拆解。另外还剩少量地形高亮点与电塔相互交叉分布在一起,干扰目标识别精度。但在图像上呈点状分布的电塔构筑物则被完整保留下来,符合本发明预期结果。
2.2 FAST角点检测算法
首先在图中选取一个像素点P,获取其像素值IP;然后定义一个阈值t,以P点为圆心,规划了一个半径r为5个像素的离散化Bresenham圆,其边界有20个点以供对比,t取值为0.8*IP,其检测示意图如图6所示。
FAST角点检测算法检测结果如图7所示,虽然风力发电机的十字形状特征被完整展现出来,但是其周围散乱分布的地形高亮点也会因此被筛选出来,如图7(b),可以看到图像中虽然目标物较为突出,但目标物周围的杂点较多,因此在后续又添加了灰度值以及联通区筛选。
2.2.1 FAST角点检测中的灰度值筛选
由于地形高亮点与目标构筑物之间灰度值之间的差距,可以选择一个阈值,对地形高亮点与目标构筑物进行区分,高于该值的为目标物,低于该值的则为地形高亮点。将FAST角点检测结果图中的所有灰度值进行排序,分别取其前50%、55%、60%、65%、70%的像素值求平均值与方差,并选择其中方差最小以及平均值与其他相差不大的作为阈值。其筛选结果如图7(c)所示,可见该阈值是较有代表性的,对图像的筛选也比较精确,但是在图像的下方还是有些非目标物的地形高亮点与发电厂厂房等也被筛选了出来,需要更进一步的处理。
2.2.2 FAST角点检测中的联通区筛选
连通区域(Connected Component)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。本发明使用了种子填充法(Seed Filling)来获取图像的联通区。由于本研究中,如果种子周围的像素值相同,会导致筛选结果破碎且形状特征不明显,因此设置范围阈值Ft,该阈值为40%~100%的起始像素灰度值。为了使风力发电机特征更加圆润,位置相邻我们选取的八联通。然后根据联通区内的像素数目进行筛选,其结果如图7(d)所示,可以看到,联通区筛选的结果比较完整,但是由于上一步灰度值筛选结果限制,图像下方的厂区构筑物还是存在,而且与风力发电机灰度值相近的地形高亮点也会混杂在风力发电机周围。
2.3空间推理方法
2.3.1起始点的确立
利用快速双参数CFAR算法的结果与FAST角点检测结果进行交集取反、掩膜等一系列操作,获得两部分数据,分别为环绕在图像周围的电塔数据(如图8(a)所示)以及分布在图像中间具有独特形态学特征的风力发电机数据(如图8(b)所示)。对图8两幅数据进行空间关系的建立,首先确立遍历方向,电塔数据由于是环绕图像的分布方式,所以从中间向四周开始遍历,而风力发电机则是数列的分布,因此选择从上向下遍历。然后确定遍历的起始点,遍历初始点的检测窗口半径固定为1个像素单元,对一个目标单元P的16个方向,进行延伸遍历,目标单元为该联通区的灰度最大值点,延伸的次数根据得到的每两个联通区间的距离Pd四舍五入后的众数决定。该延伸遍历到边界,如果某个方向分别存在不为零的灰度值,则确定其所在的联通区,并计算两个联通区的距离Pd2以及两个联通区连线的夹角Pangle。按照该夹角Pangle与其反方向P180°+angle和距离Pd2作为约束条件,进行再次延伸遍历,直到某一点的Pangle或P180°+angle方向延伸遍历一直为0值,则可确定其为遍历的起始点,其延伸遍历的窗口如图9所示。
利用图9的检测窗口能更快的对遍历起始点进行检测,对图8检测结果如图10所示,由图10(a)和(b)可以看出检测结果比较完整,少量风力发电机可以完整检测出来,而电塔的检测结果可以看出,由于快速双参数CFAR算法与FAST角点检测算法的结果会导致有些电塔与地形高亮点相混淆,每一个序列会出现两个或者多个极度相近的点,如图10(d)和(e)所示,这会严重干扰目标识别精度以及后续空间推理。此外,还有些电塔与风力发电机因为图像灰度值或者联通区限制没有被检测出来,如图10(c)所示,其线性分布的点序列中间缺少一部分,需要进一步的处理。
通过起始点的确立,确定了每条线性分布的构筑物基本空间特征:位置,根据这一位置,就能求出该线性分布的构筑物分布角度,距离等空间信息。后续能利用这些空间信息得到没有显示出来的未知构筑物。
2.3.2空间关系的确立
起始点确定之后,需要一个检索构筑物线性分布的方向,如果仅根据距离来检索的话,检测结果是目标与地形高亮点的混合地物,识别结果误差非常大。由于电塔与风力发电机的特征不同,所需要的特征参数也不相同,因此,本发明将图像分为两部分进行空间关系模型建立。
2.3.2.1三参数约束下的电塔空间关系模型建立
二维空间中的线性形状最基本的参数为斜率与偏移量,因此电塔的检索中添加了角度Tangle、偏移量Toffset以及距离Tdistance三种空间参数进行检索。由于图像中的电塔分布是围绕在图像四周,所以将图像分为上、下、右三个方向分别进行遍历检索。利用上一步确立的起始点检测窗口对每一个起始点进行延伸遍历。根据检测结果,如果检测遇到非零值,且延伸遍历的次数大于起始点联通区的直径,该非零像素所造的联通区为下一个目标点,然后根据两点在图像中的坐标值确定两点连线的k斜率与偏移值。根据得到的斜率,获得斜率中的众数并计算得到偏移角度,并以该角度±5°为参考值作为后续检索方向。初始电塔检测结果如图11(a)所示。为了使结果更加易懂,将起始点形状改为o形,检索的第二个点设置为*形。可以看到初始检测中,会有一些偏差,例如图11(b)中方框中,由于该点的正确下一次序点距离其相邻线最后一点更远,所以导致该点识别失败,这也是为何在前面要确定一个角度的众数作为后续方向,这样可以避免图11(b)中的失误,提高后续目标识别精度。经过计算,图像上方电塔的Tangle范围为45°~50°;图像右侧电塔的Tangle范围为-68°~-70°以及-75°~-80°;图像下方电塔的Tangle范围为0°~3°,电塔之间的距离Tdistance在18~20个像素之间。
2.3.2.2三参数与双参数约束下的风力发电机空间关系模型建立
风力发电机由于数目较少且分布形式较为单一,可以直接进行线性分布特征建模,采取自上而下的检索方向对风力发电机进行检测。但是,风力发电机周围存在很多地形高亮点,影响其识别结果,导致检测出来的目标点过多或者错误的情况,因此在电塔的检索三参数上又添加了风力发电机独特的十字形态学特征进行检索约束。为十字形态学特征添加半径Cr以及夹角Cangle两种形态学参数,半径Cr代表形态学特征的中心灰度最大值点距离横向边与纵向边最***的距离的最小值,而夹角Cangle则为形态学特征中相邻边的夹角。以风力发电机为例,其Cangle是十字形状的横向边与纵向边之间的夹角。通过对起始点的十字联通区缩放,进行形态学上的骨架提取,获得其骨架,然后根据联通区骨架来获取最小半径与十字夹角。经过计算,十字特征中的Cangle在78°~81°之间;Cr在7~9个像素之间;相邻的十字特征之间的距离Tdistance在200~220个像素之间。十字特征双参数示意图如图12所示。
利用形态学特征双参数与常规的三种参数限制检测,便可以对风力发电机进行更为精确的第二点的检测。为了对比结果,将常规三参数作为非必需参数,在检测中只需满足两类即可,而十字特征的两类参数则必须满足。十字特征的两类参数约束条件如下:
结果如图13(a)所示,检测结果中出现了两种情况,一是如图13(b)所示的正常情况,满足了三类常规参数也满足了十字特征的两类参数;二是如图13(c)所示的较为异常的情况,满足了十字特征中的两类参数和三类常规参数中的两类,异常的结果放大后可以看到,虽然其常规的三个参数中距离参数并未满足,但是,它的检测结果却是与十字特征最符合且相近的,反而距离其最近的十字特征基本没有体现,只是一道横线。即在常规三参数与十字特征中的两个特征参数约束下的,十字特征的约束有着较好的检测效果。
2.3.3根据空间关系检测剩余点
根据上一步得到的检测结果,对剩余线状分布的点进行后续检索,用常规三参数作约束对电塔的进行检索,电塔的最终检测结果如图14所示,可以看出,大部分线性分布良好的构筑物都检测成功,但是还有一些异常点,由于不满足三参数,导致检索停止。放大后可知,导致检索停止的基本都是Tdistance距离参数或者Tangle角度参数不满足检索条件而停止的,如图14(b)和(c)所示,图14(b)中,由于上一点与下一点之间的距离过远,不符合设定距离而停止检索;图14(c)中则是上一点与下一点线的角度与约束中的角度差距太大而导致停止检索。有了上述检测结果,便能在二维空间中建立每一条电塔线状分布的方程,然后将剩余点,带入每个方程,并设置一个阈值来限定误差。便可以将该点归入分布线中,进而完成整条分布线的检测。本次实验中将误差规定在5个像素以内,得到的结果如图15(a)所示,其检索结果基本准确。此外,由于受到误差限制,图15(b)中与目标构筑物相似的地形高亮点被剔除,没有出现在检测结果中。
风力发电机的后续检测因为约束参数众多,且三个常规参数只需满足两个即可,使得检测结果非常精确,因地形而偏移线状分布的风力发电机也能够被识别出来。识别结果如图16(a)所示。图16(b)中可以看到,十字特征的强约束效果,虽然第三个点远离分布线,但由于其本身的十字特征,依然被准确识别;而图16(c)中识别出来的较少则是因为十字特征的约束不满足导致的。后续检测中,只需对误差值限定在一定范围内即可,如果再利用十字特征的两类参数进行限定,会导致漏检,影响识别精度,总体结果如图17(a)所示。另外在结果中发现,图(17)b和(c)中的这一类十字特征在错误位置(左侧)或者十字特征处有两个地物,因为有误差约束也能够表达正确。如果仅根据十字特征判断其位置,会导致检测结果误差过大。
2.3.4空间推理方法的实现
(1)两点间空缺点的推理
上一步检测后的图像中,发现线状分布的电塔,有的线会出现某相邻两点间的距离过长,基本都长于其他相邻两点间的距离,是由于该点的灰度值受到周围地物影响并不高,因此被快速双参数CFAR算法以及FAST角点检测算法双双漏测。因此,首先获取这些临近距离异常值Edistance以及造成该异常值的前后两点和这两点所在的线,获取该线的常规三参数:角度Tangle、偏移量Toffset以及距离Tdistance,并求出其二维空间中的线性方程。对比三参数中的距离与距离的异常值,来获得异常距离值中可能存在的点数。条件如下式:
判断出漏检的点数便能根据角度Tangle、偏移量Toffset以及距离Tdistance三重限制对漏检点进行推理,其方法是,以距离和偏移量作为约束范围,以角度延伸为推理方向,从而得到被漏检点的推理坐标Px、Py,并根据横纵坐标的大小将其排列到分布线中。为了使其更精确,将推理坐标带入分布线的线性方程检验,如果误差大于2个栅格便取推理坐标与检验坐标的平均数作为新的推理坐标,以此来提高两点间空缺点的推理精度,其结果如图18所示。
(2)左右约束推理
图像中拐角处环绕分布的电塔,会存在三条相似的用于角度过渡的线,其目标点较少,且与周围的分布线不相近,它们也会存在漏检的点;此外,图像的左上方以及下方,电塔的分布由于受到地势影响会出现由右至左的递减。如果只按照上一步的推理结束,会有许多受这种地形影响的点推理不到,极大地影响目标提取精度。为此,提出了左右约束的条件,该条件为首先获取某一线的点数目Pnum,然后获取其相邻左右两条线的点数目Plnum、Prnum,如果Plnum与Prnum相差不大或者相等,便假定Pnum的值为Plnum与Prnum的平均值。具体判断条件如下:
该判断条件也为后续的起始点和结束点推理提供了依据。
(3)起始点推理
由于研究区地势的影响,会导致某一区域的电塔分布数目减少,推理数目不确定的点会有很大误差,为此提出了利用左右约束的推理条件进行起始点推理的方法。起始点和其他常规点一样,都有可能因为地形高亮点、地势或者自身灰度值不高等因素导致未被检测出来。借助上一步提出的左右约束推理,对所有分布线进行遍历,判断分布线是否为序列数目递减或者拐角的线。通过推理条件的约束,判断其应有的点数。由于电塔的规则分布,可以获取每一分布线的起始点作为新的线,通过该线与每一序列的分布线相互联立获取隐藏的起始点。因此,通过获取每一方向上拥有最多点数的序列,以其起始点为基准点,求其起始点连线的三参数以及线性方程。获得起始点的常规三参数角度Fangle、偏移量Foffset以及距离Fdistance,然后以Fangle和Tangle两个方向作为推理方向,以Foffset、Fdistance和Toffset、Tdistance作为约束条件,求解缺少的起始点,并将其更新到线状分布点序列中,就完成了起始点的模糊推理,推理结果如下图19所示。
(4)结束点推理
受左右约束的推理条件影响,在推理起始点时发现每一序列的结尾点也会存在相似的情况,会有少量结尾点因为地形高亮点、地势或者自身灰度值不高等因素导致其显示较暗,从而没有被识别出来。经过上述两步两点间空缺点的推理以及起始点的更新推理,剩下的缺失点基本都位于序列尾部。借助该左右约束的推理条件,能够确定某一序列缺少的点数,然后根据该序列所在线及其常规三参数,角度Tangle、偏移量Toffset和距离Tdistance来推断出剩余结尾点,推理结果如图20所示。
经过两点间空缺推理、左右约束推理、起始点推理和结束点推理条件约束下的空间推理判断,图像中的目标物基本完全识别,最终识别结果如图21所示。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于空间推理方法的SAR图像有序人造构筑物提取方法,其特征在于,包括以下步骤:
(1)利用快速双参数恒虚警算法和FAST角点检测算法分别对SAR图像进行预处理,分别获取单极化SAR图像中常规点状构筑物的特征点和特殊形状面状构筑物的特征点;
(2)分别对所述特征点进行空间关系建立,获取常规点状构筑物和特殊形状面状构筑物两种孤立构筑物对应的空间关系特征;
(3)对获得的常规点状构筑物的空间关系特征进行建模,获取常规点状构筑物的空间关系三参数;对获得的具有特殊形状面状构筑物的空间关系特征和形态学特征分别进行建模,获取特殊形状面状构筑物的空间关系三参数和形态学特征双参数;所述空间关系三参数为特征点的角度Tangle、偏移量Toffset和距离Tdistance,所述形态学特征双参数为特征点的半径Cr和夹角Cangle;
(4)利用常规点状构筑物的空间关系三参数对SAR图像预处理后未识别出来的常规点状构筑物的点进行两点间空缺推理、左右约束推理、起始点推理和结束点推理条件约束下的空间推理判断,得到常规点状构筑物的识别结果;利用特殊形状面状构筑物的空间关系三参数和形态学特征双参数,对SAR图像预处理后未识别出来的特殊形状面状构筑物的点进行两点间空缺推理、左右约束推理、起始点推理和结束点推理条件约束下的空间推理判断,得到特殊形状面状构筑物的识别结果。
2.如权利要求1所述的基于空间推理方法的SAR图像有序人造构筑物提取方法,其特征在于,所述快速双参数恒虚警算法对SAR图像进行预处理的过程如下:
首先,对SAR图像进行第一级全局滤波,滤除大量杂波;
然后,对第一级全局滤波的结果进行第二级全局滤波:对第一级全局滤波结果的像素灰度值进行排序,选取前k个像素灰度值对潜在的目标阈值进行估计,生成带有待检测区域的二值图像;
其次,将二值图像中的待检测区域赋予原图像的灰度值;
最后,对图像上的待检测区域的每个监测点进行局部双参数CFAR算法,实现快速检测。
3.如权利要求2所述的基于空间推理方法的SAR图像有序人造构筑物提取方法,其特征在于,所述k的取值为第一级全局滤波后图像像素灰度值的65%。
8.如权利要求1所述的基于空间推理方法的SAR图像有序人造构筑物提取方法,其特征在于,所述左右约束推理的方法为:
首先获取某一线上的点数目Pnum,然后获取所述线相邻左右两条线的点数目Plnum和Pmum,进行约束推理,判断条件如下:
if|Plnum-Prnum|≤2,thenPnum=[0.5*(Plnum+Prnum)]
if|Plnum-Prnum|>2,thenPnum=Pnum
其中[0.5*(Plnum+Prnum)]表示不超过0.5*(Plnum+Prnum)的最大整数。
9.如权利要求8所述的基于空间推理方法的SAR图像有序人造构筑物提取方法,其特征在于,所述起始点推理的方法为:
借助所述左右约束推理的条件,首先获取每一方向上拥有最多点数的序列,以最多点数序列的起始点为基准点,求起始点连线的三参数角度Fangle、偏移量Foffset、距离Fdistance以及线性方程;然后以Fangle和Tangle两个方向作为推理的方向,以Foffset、Fdistance以及Toffset、Tdistance作为约束条件,求解缺少的起始点并更新到线性序列中。
10.如权利要求8所述的基于空间推理方法的SAR图像有序人造构筑物提取方法,其特征在于,所述结束点推理的方法为:
借助所述左右约束推理的条件,确定某一序列缺少的点数,然后根据所述序列的线性特征以及其常规三参数角度Tangle、偏移量Toffset和距离Tdistance来推断出剩余的结尾点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110296688.2A CN112907567B (zh) | 2021-03-19 | 2021-03-19 | 基于空间推理方法的sar图像有序人造构筑物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110296688.2A CN112907567B (zh) | 2021-03-19 | 2021-03-19 | 基于空间推理方法的sar图像有序人造构筑物提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907567A CN112907567A (zh) | 2021-06-04 |
CN112907567B true CN112907567B (zh) | 2022-05-27 |
Family
ID=76105638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110296688.2A Active CN112907567B (zh) | 2021-03-19 | 2021-03-19 | 基于空间推理方法的sar图像有序人造构筑物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907567B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973013A (zh) * | 2022-05-25 | 2022-08-30 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于空间特征的sar图像电塔识别的推理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899562A (zh) * | 2015-05-29 | 2015-09-09 | 河南理工大学 | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 |
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
US10032077B1 (en) * | 2015-10-29 | 2018-07-24 | National Technology & Engineering Solutions Of Sandia, Llc | Vehicle track identification in synthetic aperture radar images |
CN109145872A (zh) * | 2018-09-20 | 2019-01-04 | 北京遥感设备研究所 | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 |
-
2021
- 2021-03-19 CN CN202110296688.2A patent/CN112907567B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101279A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国海洋大学 | 一种合成孔径雷达图像舰船目标快速检测方法 |
CN104899562A (zh) * | 2015-05-29 | 2015-09-09 | 河南理工大学 | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 |
US10032077B1 (en) * | 2015-10-29 | 2018-07-24 | National Technology & Engineering Solutions Of Sandia, Llc | Vehicle track identification in synthetic aperture radar images |
CN109145872A (zh) * | 2018-09-20 | 2019-01-04 | 北京遥感设备研究所 | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 |
Non-Patent Citations (2)
Title |
---|
"CFAR based morphological filter design to remove clutter from GB-SAR images:An application to real data";A Toktas等;《Microwave & Optical Technology Letters》;20170727;全文 * |
"结合变差纹理特征的极化SAR建筑物震害信息提取";肖修来等;《地震工程学报》;20200331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112907567A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
Du et al. | Fusion of difference images for change detection over urban areas | |
CN100533486C (zh) | 一种数字城市全自动生成的方法 | |
Barnsley et al. | Distinguishing urban land-use categories in fine spatial resolution land-cover data using a graph-based, structural pattern recognition system | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
Gilani et al. | Fusion of LiDAR data and multispectral imagery for effective building detection based on graph and connected component analysis | |
Elberink et al. | Detection of collapsed buildings by classifying segmented airborne laser scanner data | |
Zhou et al. | Comparison of UAV-based LiDAR and digital aerial photogrammetry for measuring crown-level canopy height in the urban environment | |
Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
CN112907567B (zh) | 基于空间推理方法的sar图像有序人造构筑物提取方法 | |
CN116994156B (zh) | 一种滑坡隐患综合遥感识别方法、***、设备及介质 | |
Ren et al. | Mapping high-resolution global impervious surface area: status and trends | |
CN114596489A (zh) | 一种高精度人类居住指数的多源遥感城市建成区提取方法 | |
An et al. | Object-oriented urban dynamic monitoring—A case study of Haidian District of Beijing | |
CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
Tian et al. | A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region | |
Wang et al. | Damaged buildings recognition of post-earthquake high-resolution remote sensing images based on feature space and decision tree optimization | |
Liu et al. | A Novel Impervious Surface Extraction Method Based on Automatically Generating Training Samples From Multisource Remote Sensing Products: A Case Study of Wuhan City, China | |
Zarro et al. | Semi-automatic classification of building from low-density Lidar data and worldview-2 images through OBIA technique | |
Kunyuan et al. | Automated object extraction from MLS data: A survey | |
Silván-Cárdenas et al. | Extraction of buildings footprint from lidar altimetry data with the hermite transform | |
Xiao | Detecting changes in trees using multi-temporal airborne LIDAR point clouds | |
Han et al. | Automatic terrain debris recognition network based on 3d remote sensing data | |
Wu | Object-oriented representation and analysis of coastal changes for hurricane-induced damage assessment | |
CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及*** |
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 |