專利名稱：基于決策層融合的橋梁識別方法
技術(shù)領域：
本發(fā)明涉及一種信息處理技術(shù)，具體說，涉及一種基于決策層融合的橋梁識別方法。
背景技術(shù)：
近年來，隨著遙感技術(shù)的空前發(fā)展，獲取遙感數(shù)據(jù)的手段越來越多，遙感數(shù)據(jù)也越來越豐富。與此同時，遙感的應用領域也在不斷地擴大和深入。隨著遙感圖像的爆炸式增長，信息提取的能力與效率已成為限制遙感應用發(fā)展的瓶頸問題。目標識別技術(shù)是信息處理領域的重要內(nèi)容，如何準確地從圖像中識別目標在各個領域具有巨大的應用價值，如軍事中敏感目標的識別、醫(yī)學圖像中病灶的識別、工業(yè)生產(chǎn)中零件的識別、交通運輸中自主行走車輛對障礙物的識別等。橋梁目標作為重要的交通樞紐，其自動識別和精確定位，不論在軍用還是民用上都具有重大意義；橋梁作為人工地物是空間地理信息庫中的重要組成部分，橋梁目標的識別與提取直接影響到地物測繪的自動化水平，另外隨著城市建設的快速發(fā)展，橋梁等地物在地理數(shù)據(jù)庫中也是最容易發(fā)生變化和需要及時更新的部分；更為重要的是，當自然災害發(fā)生時，準確、及時的了解橋梁的情況非常有助于將救援物資迅速送達災區(qū)。對橋梁識別的主要方法可以歸納為以下幾類1、認為橋梁的最顯著特征是一對平行線，通過在水陸分割后的圖像的邊緣上，直接尋找平行線來判斷橋梁，常用的方法是Hough變換。2、按照目標的幾何特征、矩特征、變換特征，進行模板匹配、矩特征匹配和變換特征匹配的方法。該方法的參數(shù)的選擇對于處理的結(jié)果有很大的影響。3、通過建立河流、道路等和橋梁關(guān)系的模型，用樹搜索的方法在圖像中尋找匹配的位置來判別橋梁。該方法適用于高分辨率的局部圖像。4、先對圖像進行分割，然后根據(jù)先驗知識尋找潛在的橋梁目標點，或者通過聚類目標點分離出橋梁，或者通過檢查目標點所在的最小矩形，對目標進行驗證。現(xiàn)有技術(shù)中與本發(fā)明最接近的比較典型的橋梁識別方法1、徐勝榮等人在基于知識的橋梁目標識別方法研究[J].模式識別與人工智能，1993.5(2) :23-128中提出將遠距離側(cè)拍橋梁的識別過程分成低、中、高三個處理層次。低層處理時，通過原圖和梯度圖像的直方圖進行二值化，得到水域團塊基元及相應的邊緣曲線；中層處理用HOUGH變換進行線條檢測及線條關(guān)系的分析，得到假設的目標；高層處理進行“模型匹配雌理”，采用置信度的方法進行驗證。2、HuoBioa 等人在 Segmentation and Recognition of Bridges in HighResolution SAR Images[C], IEEE, 2001:479-482中提出采用小波變換進行去噪和保留河流邊緣，然后采用OTSU方法進行圖像分割，對提取出來的水域進行細化操作得到河流的中軸線，即得到一些線段，再通過尋找相距比較近的線段端點來找到橋梁。3、WuFna 等人在 Recognition of Bridges by Integrating Satellite SAR andOptical Imagery [C].1EEE, 2005:3939-3941中提出采用SAR遙感圖像和光學圖像結(jié)合的辦法來尋找橋梁，先在SAR圖像中找到感興趣區(qū)域，然后在光學圖像中驗證橋梁的存在。現(xiàn)有技術(shù)采用單一傳感器的圖像進行橋梁目標識別，提取信息不夠全面，不能有效地利用多源圖像信息互補特征，導致目標識別率較低，具體表現(xiàn)為 1、只用多光譜圖像進行橋梁識別，由于多光譜圖像分辨率較低，提取橋梁經(jīng)常會出現(xiàn)漏報或者虛警；2、只用SAR圖像進行橋梁識別，SAR圖像橋梁邊緣常存在斷裂現(xiàn)象，同時SAR圖像存在大量的噪聲，對于目標識別存在很大影響，容易造成虛警和漏報；3、只用全色圖像進行橋梁識別，河流的灰度層次豐富，河流區(qū)域很難提取，如果不利用河流的位置來提取橋梁，計算量太大。

發(fā)明內(nèi)容
本發(fā)明提供一種基于決策層融合的橋梁識別方法，采用多傳感器融合技術(shù)，綜合利用多光譜、全色、SAR圖像的互補特征進行橋梁識別，解決了單一圖像源目標識別率低的問題，有效提高了橋梁目標的正確識別率。具體技術(shù)方案如下一種基于決策層融合的橋梁識別方法，包括步驟1，讀入多光譜圖像、全色圖像及SAR圖像，將多光譜圖像由RGB空間轉(zhuǎn)換到HSV空間，得到H、S、V三個分量；步驟2，分別對H、S、V三個分量進行膨脹、腐蝕預處理；步驟3，分別對H、S、V進行閾值分割；步驟4，用8鄰域搜索去掉小面積干擾區(qū)域，得到水陸分割結(jié)果；步驟5，對水域進行膨脹、腐蝕處理，得到潛在橋梁區(qū)域；步驟6，在全色圖像中提取潛在橋梁區(qū)域的紋理特征，確定閾值，識別橋梁；1 :確定閾值根據(jù)實驗結(jié)果反復求證所得。2 :確定閾值后，所得紋理特征大于或者等于閾值的區(qū)域是橋梁區(qū)域，得到橋梁識別的結(jié)果一，紋理特征小于閾值的區(qū)域是非橋梁區(qū)域。步驟7，在SAR圖像中提取潛在橋梁區(qū)域的區(qū)域均值比特征，確定閾值，識別橋梁；1:確定閾值根據(jù)實驗結(jié)果反復求證所得。2 :確定閾值后，所得區(qū)域均值比特征大于或者等于閾值的區(qū)域是橋梁區(qū)域，得到橋梁識別的結(jié)果二，區(qū)域均值比特征小于閾值的區(qū)域是非橋梁區(qū)域。步驟8，將步驟6和步驟7橋梁識別的結(jié)果進行決策層融合，得到橋梁識別結(jié)果。進一步所述步驟I中，由RGB空間轉(zhuǎn)換到HSV空間的公式為S = (MAX-MIN) /MAX；
f60^(G-_S)/( U4X - MIN) R = MiX
孖=120+60 * 詔-K) / (K-LiX - MN) G = MAX
[240+60 * (Λ - G) / (MAX - MIN) B = M4X·V = MAX ；MAX = max (R，G，B)MIN = min (R，G，B)；其中MAX和MIN分別為RGB顏色模型中R、G、B三個分量的最大和最小值，R、G、B分別為三個分量的灰度值，H、S、V為得到的HSV顏色模型三個分量的灰度值。進一步對步驟I中H、S、V三個分量分別進行迭代閾值處理。進一步對步驟I中H、S、V三個分量進行降維處理。進一步所述步驟3中，閾值分割的過程為求出圖像的最大灰度值和最小灰度值，分別記為Zmax和Zmin,令初始閾值為T0= (Zmax+Zmin) /2 ；根據(jù)閾值Tk將圖像分割為前景和背景，分別求出兩者的平均灰度值Ztj和Zb ;求出新閾值Tk+1 = (Z0+ZB) /2 ；若Tk = Tk+1，則Tk即為閾值；否則轉(zhuǎn)第二步，迭代計算，直到達到最終閾值。進一步所述步驟4中，用8鄰域搜索去掉小面積干擾區(qū)域的過程為設邊緣圖像的目標像素為0，背景像素為255，按從上到下、從左到右的順序掃描圖像，遇到目標像素P，則標記為新的標記值L ；以P為種子點，將其8鄰域內(nèi)的目標像素標記為L，直到該連通區(qū)域標記完畢；繼續(xù)掃描圖像，直到圖像中所有目標像素都標記完畢；對標記完的區(qū)域計算面積，設置閾值，去掉面積小于閾值的區(qū)域。進一步所述步驟5的具體過程為使用形態(tài)膨脹和形態(tài)腐蝕算子對水體區(qū)域進行規(guī)整；定義膨脹和腐蝕的結(jié)構(gòu)元素；對圖像中的像素點先做η次膨脹運算，然后再做η次腐蝕運算，得到連通的河流區(qū)域；其中η為自然數(shù)；將連通后的河流區(qū)域和水陸分割二值化圖像相減，得到包括潛在橋梁區(qū)域在內(nèi)的一個連通區(qū)域；以連通區(qū)域的每個像素點為中心，向8個方向延伸k個像素的長度，k彡橋梁的寬度；其中k為自然數(shù)；設變量為a，相反方向的一對像素點的值如果相同，a值取I，如果相反，a值取O ;將4對像素點所得的a值相加； 設定閾值，得到潛在橋梁區(qū)域。進一步所述降維處理的過程為求出分量灰度的最大值和最小值的差，差除以需要的維數(shù)，得到每次灰度遞增的數(shù)值。本發(fā)明采用多傳感器融合技術(shù)，利用多光譜圖像的顏色特征進行水陸分割，得到潛在橋梁區(qū)域，分別提取全色、SAR圖像潛在橋梁區(qū)域的紋理特征和區(qū)域均值比特征，結(jié)合三者結(jié)果，得到橋梁識別結(jié)果，有效提高了橋梁目標的正確識別率，帶來了如下技術(shù)效果1、提高了橋梁識別的準確率；2、提高了橋梁識別速度；3、降低了橋梁識別的漏檢率；4、降低了橋梁識別的虛警率。


圖1是本發(fā)明的流程圖；圖2是本發(fā)明中全色圖像橋梁紋理特征提取結(jié)果圖；圖3是本發(fā)明中SAR圖像橋梁特征提取結(jié)果圖；圖4是本發(fā)明中包含一個橋梁的水上橋梁I源圖像；圖5是本發(fā)明中包含兩個橋梁的水上橋梁2源圖像；圖6是本發(fā)明中包含兩個橋梁的水上橋梁3源圖像；圖7是本發(fā)明中包含五個橋梁的水上橋梁4源圖像； 圖8是本發(fā)明中四組圖像多光譜融合方法橋梁識別結(jié)果圖；圖9是本發(fā)明中四組圖像基于輻射統(tǒng)計特征的橋梁識別結(jié)果圖；圖10是本發(fā)明中四組圖像河流中線法橋梁識別結(jié)果圖；圖11是本發(fā)明中包含一個橋梁的水上橋梁I單一圖像識別結(jié)果圖；圖12是本發(fā)明中包含兩個橋梁的水上橋梁2單一圖像識別結(jié)果圖；圖13是本發(fā)明中包含兩個橋梁的水上橋梁3單一圖像識別結(jié)果圖；圖14是本發(fā)明中包含五個橋梁的水上橋梁4單一圖像識別結(jié)果圖；圖15是本發(fā)明中包含一條橋梁的水上橋梁I識別結(jié)果圖；圖16是本發(fā)明中包含一條橋梁的水上橋梁2識別結(jié)果圖；圖17是本發(fā)明中包含一條橋梁的水上橋梁3識別結(jié)果圖；圖18是本發(fā)明中包含一條橋梁的水上橋梁4識別結(jié)果圖。
具體實施例方式下面參考附圖f 3，對本發(fā)明技術(shù)方案作詳細描述。步驟1:讀入多光譜圖像、全色圖像及SAR圖像，將多光譜圖像由RGB空間轉(zhuǎn)換到HSV空間，得到H、S、V三個分量。RGB顏色模型空間到HSV顏色模型的空間轉(zhuǎn)換公式為S = (MAX-MIN) /MAX
[60 φ (G - B) / (MiX - MN) R=MAXif= 120 + 60^(5-^)/(M4X - MIN) G = M4X
1240 + β ^(Κ-Ο) / (M4X—Mim B = MAXV = MAXMAX = max (R，G，B)MIN = min (R，G，B)其中MAX和MIN分別為RGB顏色模型中R、G、B三個分量的最大和最小值，R、G、B分別為三個分量的灰度值，H、S、V為得到的HSV顏色模型三個分量的灰度值；對H、S、V三個分量分別進行迭代閾值處理；由于數(shù)據(jù)量過大，為了提高軟件運行速度，因此需要對三個分量進行降維處理求出分量灰度的最大值和最小值的差，差除以需要的維數(shù)，得到每次灰度遞增的數(shù)值。其中H分量由于值過小，需要乘以360放大其數(shù)值。步驟2 :分別對H、S、V三個分量進行膨脹、腐蝕等數(shù)學形態(tài)學預處理。步驟3 :分別對H、S、V進行閾值分割。
求出圖像的最大灰度值和最小灰度值，分別記為Zmax和Zmin,令初始閾值為
[
權(quán)利要求
1.一種基于決策層融合的橋梁識別方法，其特征在于，包括如下步驟 步驟1，讀入多光譜圖像、全色圖像及SAR圖像，將多光譜圖像由RGB空間轉(zhuǎn)換到HSV空間，得到H、S、V三個分量； 步驟2，分別對H、S、V三個分量進行膨脹、腐蝕預處理； 步驟3，分別對已完成步驟2的預處理后的H、S、V三個分量進行閾值分割； 步驟4，用8鄰域搜索針對已完成步驟3的閾值分割的三個分量去掉小面積干擾區(qū)域，得到水陸分割結(jié)果； 步驟5，對水域進行膨脹、腐蝕處理，得到潛在橋梁區(qū)域； 步驟6，在全色圖像中提取潛在橋梁區(qū)域的紋理特征，確定閾值，識別橋梁得到橋梁識別的結(jié)果一； 步驟7，在SAR圖像中提取潛在橋梁區(qū)域的區(qū)域均值比特征，確定閾值，識別橋梁得到橋梁識別的結(jié)果二； 步驟8，將步驟6中的橋梁識別的結(jié)果一和步驟7中的橋梁識別的結(jié)果二進行決策層融合，得到橋梁識別結(jié)果，即利用全色、SAR圖像橋梁識別結(jié)果為真的或關(guān)系給出最后橋梁識別結(jié)果為真的識別結(jié)果，利用全色和SAR圖像識別結(jié)果為假的與關(guān)系給出最后橋梁識別結(jié)果為假的識別結(jié)果。
2.如權(quán)利要求1所述的基于決策層融合的橋梁識別方法，其特征在于，所述步驟I中，由RGB空間轉(zhuǎn)換到HSV空間的公式為
3.如權(quán)利要求1所述的基于決策層融合的橋梁識別方法，其特征在于，所述步驟1，對H、S、V三個分量進行降維處理，然后分別對H、S、V三個分量進行膨脹、腐蝕預處理。
4.如權(quán)利要求1所述的基于決策層融合的橋梁識別方法，其特征在于，所述步驟3中，閾值分割的過程為 求出圖像的最大灰度值和最小灰度值，分別記為Zmax和Zmin，令初始閾值為T0 = (Zmax+Zmin) / 2 ； 根據(jù)閾值Tk將圖像分割為前景和背景，分別求出兩者的平均灰度值Ztj和ZB;求出新閾值Tk+1 = (Zo+Zb) /2 ； 若Tk = Tk+1，則Tk即為閾值；否則轉(zhuǎn)第二步，迭代計算，直到達到最終閾值。
5.如權(quán)利要求1所述的基于決策層融合的橋梁識別方法，其特征在于，所述步驟4中，用8鄰域搜索去掉小面積干擾區(qū)域的過程為 設邊緣圖像的目標像素為0，背景像素為255，按從上到下、從左到右的順序掃描圖像，遇到目標像素P，則標記為新的標記值L ； 以P為種子點，將其8鄰域內(nèi)的目標像素標記為L，直到該連通區(qū)域標記完畢； 繼續(xù)掃描圖像，直到圖像中所有目標像素都標記完畢； 對標記完的區(qū)域計算面積，設置閾值，去掉面積小于閾值的區(qū)域。
6.如權(quán)利要求1所述的基于決策層融合的橋梁識別方法，其特征在于，所述步驟5的具體過程為 使用形態(tài)膨脹和形態(tài)腐蝕算子對水體區(qū)域進行規(guī)整； 定義膨脹和腐蝕的結(jié)構(gòu)元素； 對圖像中的像素點先做η次膨脹運算，然后再做η次腐蝕運算，得到連通的河流區(qū)域；其中η為自然數(shù)； 將連通后的河流區(qū)域和水陸分割二值化圖像相減，得到包括潛在橋梁區(qū)域在內(nèi)的一個連通區(qū)域； 以連通區(qū)域的每個像素點為中心，向8個方向延伸k個像素的長度，k >橋梁的寬度；其中k為自然數(shù)； 設變量為a，相反方向的一對像素點的值如果相同，a值取I，如果相反，a值取O ; 將4對像素點所得的a值相加； 設定閾值，得到潛在橋梁區(qū)域。
7.如權(quán)利要求3所述的基于決策層融合的橋梁識別方法，其特征在于，所述步驟I中的降維處理的過程為 求出分量灰度的最大值和最小值的差，差除以需要的維數(shù)，得到每次灰度遞增的數(shù)值。
全文摘要
本發(fā)明公開了一種基于決策層融合的橋梁識別方法，包括以下步驟讀入多光譜圖像、全色圖像及SAR圖像，對多光譜圖像進行HSV空間轉(zhuǎn)換；分別對H、S、V三個分量進行膨脹、腐蝕預處理；分別對H、S、V進行閾值分割；用8鄰域搜索去掉小面積干擾區(qū)域，得到水陸分割結(jié)果；使用形態(tài)膨脹和形態(tài)腐蝕算子對水體區(qū)域進行規(guī)整，得到潛在橋梁區(qū)域；在全色圖像中提取潛在橋梁區(qū)域的紋理特征，確定閾值，識別橋梁；在SAR圖像中提取潛在橋梁區(qū)域的區(qū)域均值比特征，確定閾值，識別橋梁；將全色圖像中和SAR圖像中的橋梁識別結(jié)果進行決策層融合。本發(fā)明綜合利用多光譜、全色、SAR圖像的互補特征進行橋梁識別，有效提高了橋梁目標的正確識別率。
文檔編號G06K9/00GK103020605SQ20121057841
公開日2013年4月3日 申請日期2012年12月28日 優(yōu)先權(quán)日2012年12月28日
發(fā)明者張永梅, 馬健喆, 孫靜, 臧淼, 胥玉龍 申請人:北方工業(yè)大學