一種用于橋梁識別的水域分割提取方法

于素芬

(光電控制技術重點實驗室，河南 洛陽 471009)

0 引言

橋梁是重要的人工建筑，是交通要道，對橋梁識別的研究，在軍事上和民用上都有重要意義［1］。目前常用的橋梁識別的方法可歸納為兩類:一種是基于知識驅動型的，即先根據水上橋梁的特點提出先驗假設［2］，而后根據假設有目的地分割、標記和特征抽取，在此基礎上與橋梁模型進行精確匹配［3］;另一種是根據水上橋梁分割大片水域的特點，先劃分水域，然后通過水域找橋梁［4－5］。后者直接“瞄準”興趣區，排除了復雜背景的干擾，工程實用性強，該方法一般有3部分組成:圖像增強、水域分割及橋梁提取。由于橋梁的檢測完全基于分割出的水域，所以水域分割的準確性顯得尤為重要，水域分割成為整個方法的核心環節。因此，如何合理有效地分割水域是準確識別水上橋梁的關鍵。針對該問題，前人做了較多工作。文獻［6］首先采用基于閾值迭代的分割和基于標準方差紋理圖的分割等方法實現水域的分割提取［6］;文獻［1］采用像素梯度幅值和灰度值相結合的方法實現水域分割，利用形態學開運算、閉運算清除水域周圍的毛刺尖角和空洞凹槽;由于航拍圖像中往往存在大面積的田地，且灰度、紋理等特性與水域相似，文獻［6］采用的水域分割提取算法由于選取面積最大的兩塊黑色區域作為水域，當橋梁處在圖像邊緣時，一側水域分割后其面積大小不一定大于誤分割出的田地，此時就無法準確確定水域。文獻［1］采用的水域分割提取算法在圖像二值化后，采用形態學算法處理也很難將大塊的田地剔除出去，會給后續利用水域橋梁邊緣信息進行橋梁檢測帶來較大困擾。另外，前人大都是基于水域灰度比橋梁灰度高的圖像特性進行水域分割提取的，但實際情況下，由于天氣環境、拍攝傳感器類型不同等原因，有時水域比橋梁目標和周圍田地背景灰度高很多，這時，以上算法均不適合。本文提出一種水域分割提取方法，既可以適用于水域灰度比橋梁目標灰度高的情形，也可以較好地排除大面積田地帶來的分割干擾。

1 圖像分割

1.1 預處理

實拍的橋梁目標圖像原圖和對原圖采用拉普拉斯金字塔算法［9］增強后的圖像如圖1和圖2所示。

圖1 橋梁圖像原圖Fig.1 Initial image of bridge

圖2 增強后的圖像Fig.2 Enhancd image

由原圖和增強后的圖像可知，水域灰度相對田地(大部分)來講灰度較高、梯度較小，水域的灰度大于平均灰度，而田地則相反。把灰度圖像減去梯度圖像可以拉大水域和田地之間的差異，通過對梯度圖像加權可使差異更明顯。加權方法如式(1)所示。

這樣得到用于處理的圖像為

其中:u為灰度圖像的平均灰度;A為灰度圖像;G為梯度圖像。結果圖像B如圖3c所示。用傳統OSTU分割算法進行分割，得到水域分割圖像，如圖3d所示。α為系數，控制拉大差距的程度。α越大，差距越大;α越小，差距越小。但α不能太大，太大了之后可能會使結果圖像在水域中也為零，從而分割之后效果不好，如圖3e所示;α也不能太小，拉不開差距，如圖3f所示。α通常在1～3之間，本文對所有的圖像取2。

傳統的OSTU分割算法是通過閾值分割將圖像分成兩類C0和 C1(目標和背景)，其中:C0={0，1，…，t};C1={t+1，t+2，…，m －1}。設分別為C0和C1兩類的類內方差;ω0和ω1分別為兩類的權值，則最優閾值應該在使式(3)最小時得到。

預處理和傳統OSTU分割算法仿真結果如圖3所示。

圖3 預處理算法仿真結果Fig.3 Simulation results of pre-processing and traditional OSTU segmentation algorithm

由上述仿真結果可以看出，通過調節α系數，本文算法可以較完整地分割水域，保留完整的橋梁目標，更好地抑制田地帶來的虛假目標。對于測試用圖像序列，相對于α=5和α=0.5，α=2時采用傳統OSTU分割算法分割圖像效果最好，分割出的水域相對比較完整。

1.2 改進的OSTU閾值分割算法

傳統OSTU分割算法是一種公認的比較有效的分割方法，使用范圍較廣，不論圖像的直方圖有無明顯的雙峰，都能得到比較滿意的分割效果［7－8］。如圖4a所示，但在實際工程應用過程中，有時可以看到大塊的田地。如圖4c所示，經過拉普拉斯金字塔算法增強后直接采用傳統OSTU分割算法分割會將大塊的田地誤分割為水域，不利于后續的橋梁檢測。

為了解決此問題，對傳統OSTU分割算法進行改進，充分利用了水域平均灰度比整個圖像平均灰度高的特點，設計出一種更為合理有效的水域分割方法。

改進的OSTU閾值分割算法實現步驟如下:

1)設增強后的圖像為f(x，y)，灰度級別范圍為0～L，灰度級i對應的圖像像素數為ni，圖像總像素數為，初始化直方圖數組 lHistogram［256］為零的步驟;

2)求增強后的圖像的灰度直方圖lHistogram［256］的步驟;

3)求增強后的圖像灰度最大值maxGray的步驟;

4)求增強后的圖像灰度平均值MeanGray的步驟;

5)設K為分割閾值，sum為最小類內方差值的步驟;

6)當K在MeanGray-maxGray之間取值時，依次求取對應sum值的步驟，具體計算公式如下

7)求出6)中求出的sum最小值所對應的K值，作為最佳分割灰度閾值的步驟;

8)利用7)中求出的最佳灰度閾值對原圖像進行分割，得出最終的分割圖像。

改進后的OSTU閾值分割法充分分析了機載環境下水上橋梁圖像的灰度特點，利用了水域平均灰度比整個圖像平均灰度高的特點，對傳統OSTU分割法進行了改進，將進行類內最小方差法的灰度范圍由［0，255］縮小為［MeanGray，maxGray］，其中:MeanGray 為整幅圖像的平均灰度值;maxGray為整幅圖像的最大灰度值。由于用于判斷閾值的灰度范圍縮小平均灰度值到最大灰度值之間，使得大部分低灰度值的田地背景像素點不參與統計。因此，參與統計的水域圖像與剩余田地圖像差異縮小，更有利于求出較為精確的分割閾值。

改進的OSTU閾值分割算法仿真結果如圖4所示。

圖4 改進的OSTU閾值分割算法仿真結果Fig.4 Simulation results of the improved OSTU threshold segmentation algorithm

由實驗結果可以看出，通過改進的OSTU閾值分割算法分割出的結果圖像，錯分為水域的田地面積大大減少，只有少數小面積田地錯分為水域，完全可以通過后續水域標記處理，利用目標大小排除錯分的小面積田地區域，保留大面積水域部分，從而實現合理有效的圖像分割。

2 水域標記

圖像分割后的水域和錯劃為水域的田地的區別一般是水域面積比較大，而且在后面檢測橋梁的時候會用到橋梁兩邊是不同的水域這個知識，所以對水域進行標記，并統計各水域面積，去掉面積過小的區域可以為后面去除雜目標節省大量的工作。標記方法為普通的8－連通標記，具體方法如下所述。

對圖像從左到右、從上到下進行搜索，假如當前像素的灰度值為0，則移向下一個位置;假如當前像素灰度值為1，則檢查它左邊和上邊兩個近鄰像素，有如下4種情況出現:1)它們的灰度值都是0，給當前像素一個新的標記;2)它們中間只有一個灰度值為1，把該像素的標記賦給當前像素;3)它們的灰度值都為1且具有相同的標記，就將該標記賦給當前像素;4)它們的灰度值都為1但具有不同的標記，就將其中的一個標記賦給當前像素并做個記號表明這兩個標記等價(兩個近鄰像素通過當前像素而連通)。

在掃描終結時所有灰度值為1的點都已有了標記，但有些標記可能是等價的。這時將所有等價的標記對結合，對各個對賦一個不同的標記。然后第2次掃描圖像，將每個標記用它所在的等價對的標記代替。圖5所示為標記圖像用偽彩色顯示的結果。

圖5 水域標記結果Fig.5 Result of water area labeling

雖然在橋梁出現不久或者將要從圖像中消失的時候，它一側的水域面積比較小，但是大部分面積過小的標記區域都不是水域，所以選擇去掉面積小于150個像素的標記區域，減少干擾。圖6所示為最終的水域分割圖。

圖6 去掉小面積水域后的結果Fig.6 Result after removing small water areas

3 確定組成河流的水域

如圖7b所示，雖然大部分田地中的高亮度部分在采用圖像分割算法之后面積大大減小，可以通過去除小面積水域來去除，但是有時田地中高亮度水域面積比較大，直接在此基礎上進行橋梁的檢測會有較多假目標出現，給后續的排除工作帶來很大的麻煩。關鍵問題在于水域不一定就是組成河流的水域，本文提出找到組成河流的水域的解決思路，這在以前的文獻中是不曾提到的方法。

圖7 河流水域提取仿真結果Fig.7 Simulation result of river area extraction

如圖7a所示，由于水域的面積一般比較大，在河流上，沿著河流方向水域點通常多于非水域點，而田地中錯分的水域與真正的水域或者其余錯分的水域連接起來，則水域點的比例大都比較小，利用這個特點可以找到組成河流的水域。

4 總結

為了盡量減少田地干擾，本文采用對灰度圖像減去加權梯度圖像的方法對拉普拉斯金字塔算法增強后的圖像做了進一步的預處理。為了進一步排除田地對水域分割的影響，利用了水域平均灰度比整個圖像平均灰度高的特點，對傳統OSTU分割法進行改進，解決了易將大面積田地錯分為水域的缺陷，錯分的田地面積較小。為了能去掉一些錯分為水域的小面積田地的干擾，并且不使水域中的團塊或岸邊突起被錯檢為橋梁，對水域進行了標記。大部分田地相對于水域來講面積比較小，去掉小面積水域后可以在基本保留真實水域的情況下，去掉大量的干擾區域。大部分田地中的高亮度部分可以通過去掉小面積水域來去除，但是有的面積較大的田地仍無法去除。為了解決這一問題，本文又提出了找組成河流的水域，不在所有的水域間找橋梁的思路，取得較好的水域提取分割結果，更有利于后續的橋梁檢測與定位。仿真試驗結果表明，本文提出的方法可實現水域的合理有效分割提取。

［1］唐林波，趙保軍.一種航拍圖像中水上橋梁的實時識別算法［J］.電子學報，2007，35(3):511-514.

［2］姜驪黎，史冊，楊海波.遙感圖像中水上橋梁的識別［J］.模式識別與人工智能，2000，13(2):214-217.

［3］徐勝榮，徐凡，葉秀清.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):123-128.

［4］舒海燕.圖象目標識別技術的研究與應用［D］.西安:西北工業大學，2002.

［5］HOU B，LI Y，JIAO L C.Segmentation and recognition of bridges in high resolution SAR images［C］//Radar，2001 CIE International Conference on Proceedings，2001:479-482.

［6］馬龍，李吉成，魯新平，等.一種基于紅外圖像的橋梁識別定位方法［J］.紅外技術，2007，29(10):603-606.

［7］張輝，張道勇，何最紅.灰度等級處理中的OSTU動態閾值法研究［J］.傳感器世界，2008，7:24-27.

［8］鄭玉燕，何建農.基于數學形態學的SAR圖像道路提取［J］.PLC 技術應用，2008，24(8):293-294.

［9］陳浩，王延杰.基于拉普拉斯金字塔變換的圖像融合算法研究［J］.激光與紅外，2009，39(4):339-442.