CN114998740B - 一种基于线段分布的机场线性特征提取方法 - Google Patents

Abstract

本发明公开了一种基于线段分布的机场线性特征提取方法，属于遥感图像处理技术领域。其包括步骤：对多光谱遥感影像处理，提取可见光三个波段，并拉伸；提取图像的线段并计算其长度和倾角；以线段倾角作为依据，对线段集合分组，形成线段子集；将线段子集中线段抽象为具有质量的质点，并计算所有质点构成质点系的质心；计算线段子集中质点到质心的距离，并剔除显著离群线段，得到更新后的线段子集；对新线段子集计算线段长度的变异系数和线段质心平均距离；计算新线段子集的机场隶属度；选择隶属度最大的线段子集作为最终的机场区域线段。本发明可利用线段的空间位置及方向特性筛选出机场所属线段，为机场识别提供可靠的特征支撑。

Description

一种基于线段分布的机场线性特征提取方法

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于线段分布的机场线性特征提取方法。

背景技术

随着遥感技术的快速发展，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，被广泛地应用于各个领域。机场作为一种重要的基础设施，利用遥感图像识别其位置和轮廓信息具有非常重要的研究意义。

机场在高分辨率遥感影像上具有较为特殊光谱和纹理特征，通常情况下机场由大面积规则不透水层组成，导致其灰度值比周围地物大，且由多条跑道组成，直线特性明显。许多研究基于机场亮度特征和直线特征，重点利用显著性和线段联合构建模型提取机场，取得一定可观的效果。虽然利用机场跑道直线和平行的特点可以实现快速的目标提取，但其对直线特征利用往往不是很充分，导致许多具有线段的非机场目标也会被检测出来。因此，如何在高分辨率遥感影像上提取有效的机场线段特征成为一个亟待解决的研究方向。

发明内容

有鉴于此，本发明提供一种基于线段分布的机场线性特征提取方法，其可利用线段的空间位置及方向特性筛选出机场所属线段，为机场识别提供可靠的特征层支撑。

为了实现上述目的，本发明采用的技术方案为：

一种基于线段分布的机场线性特征提取方法，包括以下步骤：

步骤1，对多光谱遥感影像进行处理，提取可见光的三个波段，并进行线性拉伸；

步骤2，采用线段检测器LSD在遥感影像上提取线段，得到线段集合L_set；

步骤3，依据各线段的端点坐标计算线段集合L_set中每一条线段的长度l_t和倾角θ_t；

步骤4，以线段倾角θ_t作为依据，对线段集合L_set进行分组，形成线段子集

步骤5，将线段子集中的线段抽象为具有质量的质点P_i，并计算所有质点构成质点系的质心CM^k；

步骤6，计算线段子集中质点P_i到质心CM^k的距离，并剔除显著离群线段，得到更新后的线段子集/>

步骤7，对更新后的线段子集计算线段长度的变异系数/>

步骤8，先计算更新后的线段子集的质心SCM^k，再计算线段质心平均距离

步骤9，计算更新后的线段子集的机场隶属度P^k：

其中，为加权调节因子，Nor()表示对参数值进行最大值最小值归一化处理；

步骤10，选择机场隶属度P^k最大更新后的线段子集作为最终的机场区域线段L_ap。

进一步地，步骤1中，对波段bⁱ进行线性拉伸的计算方式如下：

式中，表示多光谱遥感图像第i个拉伸后的波段，/>和/>分别表示波段bⁱ的最小灰度值和最大灰度值。

进一步地，步骤3的具体方式为：

获取线段line_t的两个端点坐标和/>

每条线段的长度l_t计算方式如下：

每条线段的倾角θ_t计算方式如下：

其中，K_t表示线段line_t的斜率，arctan( )表示反正切函数，θ_t以弧度的形式表示。

进一步地，步骤4中，分组的方式如下：

设定倾角间隔θ^gap，θ^gap能够被180整除；将0-180度范围划分为180/θ^gap个区间，将倾角在同一区间内的线段划为一组；即：

θ^gap×(k-1)<θ_j≤θ^gap×k and line_j∈L_set

k＝1,2,3,...,180/θ^gap

其中，θ_j为线段line_j的倾角。

进一步地，步骤5中，以线段line_i的中点坐标为质点P_i的位置，以线段line_i的长度为质点P_i的质量；

中所有质点构成质点系的质心CM^k坐标为：

其中，和/>分别为质心CM^k的横纵坐标。

进一步地，步骤6中，线段子集中每个质点P_i到质心CM^k的距离d_ki为：

其中，d(P_i,CM^k)表示求质点P_i到质心CM^k的距离；

设线段子集中有j条线段，则依据长度l_i对所有线段进行排序，并获取长度上下四分位数Q₃和Q₁，则更新后的线段子集/>为：

其中，m为更新后的线段子集包含的线段总数。

进一步地，步骤7中，更新后的线段子集中线段长度的变异系数/>为：

其中，和/>分别表示/>中线段长度的均值和标准差。

进一步地，步骤8中，更新后的线段子集的线段质心平均距离/>计算方式如下：

其中，表示线段质点P_i到更新后的线段子集的质心SCM^k的距离。

本发明具有如下有益效果：

(1)本发明方法基于线段分布提取机场的线性特征，可以在不需要训练样本的情况下，有效提取遥感图像中的机场线段特性。

(2)应用本发明方法可以有效提取线段的空间分布、长度和方向特征，为机场检测提供关键的线段特性描述。

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。

如图1所示，一种基于线段分布的机场线性特征提取方法，包括以下步骤：

步骤1，对多光谱遥感影像处理，提取可见光三个波段，并对多光谱各波段bⁱ拉伸，计算方式如下：

式中，表示多光谱遥感图像第i个拉伸后的波段，/>和/>分别表示波段bⁱ的最小灰度值和最大灰度值。

步骤2，采用LSD算法在遥感影像上提取线段得到线段集合L_set；

步骤3，依据各线段的端点坐标计算线段集合L_set中每一条线段的长度l_t和倾角θ_t。首先需要获取线段line_t的两个端点坐标和/>则每条线段的长度l_t计算方式如下：

每条线段的倾角θ_t计算方式如下：

其中，K_t表示线段line_t的斜率，arctan()表示反正切函数，θ_t以弧度的形式表示。

步骤4，以线段倾角θ_t作为依据，对线段集合L_set进行分组，形成线段子集其分组规则如下：

θ^gap×(k-1)<θ_j≤θ^gap×k and line_j∈L_set

k＝1,2,3,...,180/θ^gap

其中，θ_j为line_j的倾角，θ^gap为线段倾角间隔。

步骤5，将线段子集中线段line_i抽象为具有质量的质点P_i，以中点为质点位置，长度为质点的质量，其位置计算方式如下：

其中，和/>分别为质点P_i的横纵坐标。

中所有线段质点构成质点系的质心CM^k，其坐标计算方式如下；

其中，和/>分别为质心CM^k的横纵坐标。

步骤6，计算线段子集中每个质点P_i到质心CM^k的距离/>为：

其中，d(P_i,CM^k)表示求质点P_i到质心CM^k的距离；

设线段子集中有j条线段，则依据长度l_i对所有线段进行排序，并获取长度上下四分位数Q₃和Q₁，利用长度筛选规则剔除显著离群线段，则更新后的新线段子集/>为：

其中，m为新线段子集包含的线段总数。

步骤7，对新线段子集计算线段长度的变异系数/>

其中，和/>分别表示/>中线段长度的均值和标准差。

步骤8，先计算新线段子集的质心SCM^k，再计算线段质心平均距离/>

其中，m为新线段子集包含的线段总数，/>表示线段质点P_i到质心SCM^k的距离。

步骤9，计算线段子集的机场隶属度P^k：

其中，为加权调节因子，Nor()表示对参数值进行最大值最小值归一化处理；

归一化函数Nor()为：

Nor(w)＝(w-min_w)/(max_w-min_w)

其中，w为输入的待归一化的数组，min_w和max_w分别表示输入数组w的最小值和最大值。

步骤10，选择隶属度P^k最大更新后的线段子集作为最终的机场区域线段L_ap：

其中，o表示机场最大隶属度的线段组编号。

总之，本发明提出的机场线段特征提取算法，可以为高分辨率遥感影像的机场提取提供较好的线段特征，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、快速和精确的目标线段特征提取提供技术支撑。

Claims (8)

1.一种基于线段分布的机场线性特征提取方法，其特征在于，包括以下步骤：

步骤1，对多光谱遥感影像进行处理，提取可见光的三个波段，并进行线性拉伸；

步骤2，采用线段检测器LSD在遥感影像上提取线段，得到线段集合L_set；

步骤3，依据各线段的端点坐标计算线段集合L_set中每一条线段的长度l_t和倾角θ_t；

步骤4，以线段倾角θ_t作为依据，对线段集合L_set进行分组，形成线段子集

步骤5，将线段子集中的线段抽象为具有质量的质点P_i，并计算所有质点构成质点系的质心CM^k；

步骤6，计算线段子集中质点P_i到质心CM^k的距离，并剔除显著离群线段，得到更新后的线段子集/>

步骤7，对更新后的线段子集计算线段长度的变异系数/>

步骤8，先计算更新后的线段子集的质心SCM^k，再计算线段质心平均距离

步骤9，计算更新后的线段子集的机场隶属度P^k：

其中，为加权调节因子，Nor()表示对参数值进行最大值最小值归一化处理；

步骤10，选择机场隶属度P^k最大更新后的线段子集作为最终的机场区域线段L_ap。

2.根据权利要求1所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤1中，对波段bⁱ进行线性拉伸的计算方式如下：

式中，表示多光谱遥感图像第i个拉伸后的波段，/>和/>分别表示波段bⁱ的最小灰度值和最大灰度值。

3.根据权利要求2所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤3的具体方式为：

获取线段line_t的两个端点坐标和/>

每条线段的长度l_t计算方式如下：

每条线段的倾角θ_t计算方式如下：

其中，K_t表示线段line_j的斜率，arctan()表示反正切函数，θ_t以弧度的形式表示。

4.根据权利要求3所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤4中，分组的方式如下：

设定倾角间隔θ^gap，θ^gap能够被180整除；将0-180度范围划分为180/θ^gap个区间，将倾角在同一区间内的线段划为一组；即：

θ^gap×(k-1)<θ_j≤θ^gap×k and line_j∈L_set

k＝1,2,3,...,180/θ^gap

其中，θ_j为线段line_j的倾角。

5.根据权利要求4所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤5中，以线段line_i的中点坐标为质点P_i的位置，以线段line_i的长度为质点P_i的质量；

中所有质点构成质点系的质心CM^k坐标为：

其中，和/>分别为质心CM^k的横纵坐标。

6.根据权利要求5所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤6中，线段子集中每个质点P_i到质心CM^k的距离/>为：

其中，d(P_i,CM^k)表示求质点P_i到质心CM^k的距离；

设线段子集中有j条线段，则依据长度l_i对所有线段进行排序，并获取长度上下四分位数Q₃和Q₁，则更新后的线段子集/>为：

其中，m为更新后的线段子集包含的线段总数。

7.根据权利要求6所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤7中，更新后的线段子集中线段长度的变异系数/>为：

其中，和/>分别表示/>中线段长度的均值和标准差。

8.根据权利要求7所述的一种基于线段分布的机场线性特征提取方法，其特征在于，步骤8中，更新后的线段子集的线段质心平均距离/>计算方式如下：

其中，表示线段质点P_i到更新后的线段子集的质心SCM^k的距离。