基于骨架特征的多光譜遙感影像飛機目標識別方法研究

蔡 棟，陳焱明，魏 巍

(1. 江蘇警官學院 治安管理系，江蘇 南京 210012； 2. 南京大學 地理與海洋科學學院，江蘇 南京 210093； 3. 國網電力科學研究院，江蘇 南京 210003)

一、引 言

在高技術條件下的局部戰(zhàn)爭中，飛機發(fā)揮著十分重要的作用。通過對飛機目標的動態(tài)信息提取，可以準確把握區(qū)域動態(tài)，為相關決策提供支持。在模式識別研究中，飛機目標可分為飛行與地面靜止兩種狀態(tài)。對于地面靜止飛機目標的識別，國內外眾多學者運用多領域處理方法進行了大量的研究：李科等通過建立飛機樣本圖像庫，分析訓練樣本庫中飛機圖像的特征量，利用最小距離、BP神經網絡和樹分類器進行判別[1]；徐大琦等提出了一種改進區(qū)域分割方法，并應用樹分類器對飛機目標進行自動識別[2]；徐科等提出將小波變換結合灰度共生矩陣法提取飛機目標樣本信息特征，通過Brodatz紋理測試判別目標[3]。

目前，由于紋理特征、數(shù)學形態(tài)學特征和復雜幾何結構等相對抗干擾性較強，對飛機目標的提取集中在研究遙感影像數(shù)據(jù)的上述幾種特征上。其中，骨架線由地物的邊界形態(tài)決定，不受其他因素影響，具有良好的穩(wěn)定性，即使邊界點發(fā)生細微變化，地物邊界形態(tài)只要保持基本一致，骨架線形態(tài)特征在數(shù)值上呈現(xiàn)穩(wěn)定性。在本研究中，由于地物邊界通過遙感影像自動獲得，邊界點的提取具有一定隨機性，因此，自動提取的骨架線會受一定程度影響，局部可能存在偏差。但地物邊緣整體形態(tài)呈現(xiàn)穩(wěn)定性，導致提取的骨架線形態(tài)基本穩(wěn)定，對地物目標的識別幾乎沒有影響。自動提取骨架線的算法中，骨架線僅由地物邊緣點坐標決定，無論地物目標發(fā)生何種角度的旋轉或偏移，骨架線的形態(tài)保持不變，網絡特征參數(shù)也保持不變。因此，研究通過自動提取多光譜遙感影像中地物邊緣實現(xiàn)地物矢量化，再經由抽取骨架線提取地物特征參數(shù)，采用聚類方法，自動提取飛機目標。

二、研究方法

遙感影像目標自動識別在國民經濟和國防建設中有大量的需求和廣闊的應用前景，是信息處理領域的重要研究內容。由于依靠圖像的幾何、紋理、灰度特征很難準確、可靠地解決目標識別問題，因此，研究嘗試利用骨架線矢量形態(tài)特性來分析地物目標，自動進行多光譜遙感影像中的飛機目標識別。雖然該方法目前受到遙感影像圖像分割技術的限制，提取地物邊緣未能達到最佳效果，但是隨著遙感成像技術與圖像分割技術的發(fā)展，從多光譜遙感影像精確提取地物邊緣已成為可能，應用地物矢量特性提取地物精度必將隨之提高。

本文研究方法包括3個階段：①目標邊緣提取。采用劉永學等提出的基于邊緣的多光譜遙感影像分割方法[4]，實現(xiàn)多光譜遙感影像的高精度自動分類，提取地物邊緣，并將之轉換為矢量地物邊緣。②以Visual C++6.0為平臺，提取地物骨架線。以地物邊緣作為約束條件，采用基于約束Delaunay三角網自動提取地物骨架線的算法，提取各個地物的骨架線，并同時計算各支骨架長度(骨架線網絡中兩個節(jié)點之間的骨架線段長度)，取最長骨架線作為地物的主骨架，將提取的骨架線及主骨架存儲為SHP格式。③ 飛機地物自動提取。利用AO開發(fā)技術，計算地物目標骨架線特征參數(shù)，采用自動聚類方法，實現(xiàn)飛機目標的自動識別與定位。研究技術路線如圖1所示。

圖1 研究技術路線圖

三、研究內容

1. 目標邊緣提取

基于地物骨架線特征進行自動識別對從遙感影像自動提取的地物骨架線質量要求很高，經過對各算法效果及效率進行比較，本文選擇基于邊緣的自動提取算法。此算法充分利用多波段亮度信息，對地物的細節(jié)信息表現(xiàn)較好，與多閾值法、分形網絡演化算子相比，分割效果更為理想。

本文選取香港機場多光譜遙感影像作為試驗數(shù)據(jù)，如圖2所示。分割時將多光譜遙感圖像中各波段的邊緣信息作為遙感圖像分割的依據(jù)，將邊緣檢測作為遙感圖像分割的基礎，基于邊緣的多光譜遙感圖像分割方法可細化為邊緣檢測、邊緣綜合、邊緣生長、區(qū)域標號4個環(huán)節(jié)。具體實現(xiàn)思路為：① 邊緣檢測。通過邊緣檢測算法提取遙感圖像中各單波段遙感圖像中的地物邊緣信息。② 邊緣綜合。在檢測出各波段地物邊緣信息的基礎上進行綜合，以充分利用多光譜遙感圖像中的光譜信息。③ 邊緣生長。通過邊緣檢測、邊緣綜合得到的邊緣有可能是斷裂、不連續(xù)的，并不能保證區(qū)域的封閉性，因此采用邊緣生長的手段連接邊緣圖像中斷裂的邊緣。④ 區(qū)域標號。在邊緣生長的基礎上，進行區(qū)域標號，消除不構成區(qū)域的邊緣，生成標號圖像對象，得到最終多光譜遙感圖像分割結果。由該方法提取的地物邊緣不可避免地存在一些偏差，最終需要進行主觀修正，提取結果如圖3所示。

圖2 香港機場

圖3 邊緣提取結果

2. 地物骨架線提取

(1) 基于Delaunay三角網自動提取骨架線

基于矢量目標邊緣提取骨架線的方法目前主要有基于Delaunay三角網剖分的骨架法、計算幾何中軸定義和純角平分線算法[5]。由于基于Delaunay三角網剖分的骨架法應用比較廣泛，且數(shù)據(jù)組織和算法相對其他兩種算法簡單易行，因此本文采用該方法提取骨架線。

自動提取的地物邊緣細節(jié)特征豐富，適當壓縮地物邊緣數(shù)據(jù)可以大大提高提取骨架線的計算效率。因此，首先對地物邊緣進行壓縮，然后根據(jù)地物邊緣依次對所有地物提取骨架線。

1) 將地物邊緣數(shù)據(jù)離散為散點，排除重合點的影響后，對邊緣數(shù)據(jù)進行排序。對坐標點按x為主關鍵字，y為次關鍵字進行排序，對坐標進行排序是為了提高建立三角網的效率。數(shù)據(jù)預處理后，再采用逐點插入算法建立初始三角網，以邊緣的每一條邊作為約束邊，檢測約束邊的影響區(qū)域(與約束邊相交的三角形集合稱為該約束邊的影響區(qū)域)。在約束邊的影響區(qū)域內，按規(guī)則逐步交換對角線，最終使起始點和目標點相連。遍歷所有約束邊，建立帶約束條件的三角網[6]。由于邊緣可能存在復連通區(qū)域，必須按照“若三角形在多邊形內，則三角形中心必在多邊形內”的原則剔除位于地物外的三角形，構建地物內的三角網。

2) 對三角網中的三角形建立拓撲關系，并逐個編碼。僅有一個鄰接多邊形的為Ⅰ類三角形，有兩個鄰接多邊形的為Ⅱ類三角形，有三個鄰接多邊形的為Ⅲ類三角形。依照三角形所屬類型，選擇相應骨架線網絡連接規(guī)則，如圖4所示，對三角網內的骨架線節(jié)點進行連接，提取出骨架線。

圖4 3類三角形骨架線的連接規(guī)則

(2) 提取主骨架

主骨架長度是反映地物幾何大小的重要參數(shù)。本文在提取地物骨架線后，還需跟蹤建立骨架線的點-弧段拓撲關系，以二叉樹左序遍歷，提取最長骨架線，作為地物的主骨架。以下將當前節(jié)點所對應的骨架線樹中的結點，若該結點的左右子結點都為非空，則稱之為中間節(jié)點，其他節(jié)點稱為非中間節(jié)點。具體算法如下：

1) 以一個任意的非中間節(jié)點作為起始節(jié)點。

2) 若當前節(jié)點為當前搜索最長骨架的起始點，將當前節(jié)點作為最長骨架的起始點；反之，計算當前最長骨架的累計路徑長度，將當前節(jié)點加入到最長骨架中。

3) 若當前節(jié)點(非起始點)是中間節(jié)點，將當前節(jié)點所連通的節(jié)點依照左序遍歷選取一個節(jié)點，作為當前節(jié)點；否則，計算當前最長骨架的累計長度，若累計長度大于最長骨架長度，將當前骨架作為最長骨架線，清零累計長度，直至所有節(jié)點都搜索完畢。

3. 飛機目標識別

(1) 骨架特征參數(shù)

本文選取的骨架特征參數(shù)主要分為幾何特征和網絡測度。幾何特征參數(shù)對于不同幾何大小的地物目標具有良好的區(qū)分度，主要包括骨架長度、主骨架線長度、主骨架長度面積比參數(shù)。骨架長度為骨架線所有分支的和，反映地物目標的尺寸；主骨架長度為骨架線中的最長連通路徑，反映地物目標主方向尺寸；主骨架長度面積比為最長骨架長度除以地物目標面積，反映地物目標的總體形態(tài)。地物目標的骨架線形態(tài)可以采用網絡平面圖進行抽象概括，網絡測度對骨架線的連通性、復雜度等特性進行定量描述，具有唯一性、旋轉不變性、縮放不變性，主要包括連線數(shù)目m、節(jié)點數(shù)目n、網絡子圖數(shù)目p、β指數(shù)、Γ指數(shù)。其中，連線數(shù)目m是指骨架線網絡連線數(shù)目，反映地物目標復雜性；節(jié)點數(shù)目n是指骨架線網絡節(jié)點數(shù)目，反映地物目標復雜性；網絡子圖數(shù)目p是指骨架線網絡子圖的數(shù)目，反映地物目標復雜性；β指數(shù)，也稱折點率(計算公式為β=m/n)，反映地物目標復雜程度；Γ指數(shù)(計算公式為Γ=m/(3×(n-2×p))，反映地物目標網絡連通性。

(2) 飛機目標識別

飛機目標幾何特征及網絡測度特征參數(shù)與其他地物差異較大，為減少獲取先驗知識的工作量，采用直接聚類的方法進行飛機目標的識別。聚類分析，也稱群分析，是根據(jù)樣本本身的屬性，用數(shù)學方法按照某種相似性或差異性指標，定量確定樣本間的親疏關系，并按照親疏關系對樣本進行聚類[7]。

計算所有地物目標的骨架線特征值，由于不同要素的數(shù)據(jù)往往具有不同的單位和量綱，數(shù)值的變異性很大，因此在聚類前需對聚類要素進行標準化處理，將各個特征參數(shù)進行標準差標準化。在試驗數(shù)據(jù)遙感影像中，飛機目標參數(shù)特征明顯；空地與地面建筑呈現(xiàn)相對規(guī)則的多邊形，面積差異不大，很難區(qū)分開，給分類帶來較大干擾。研究采用K-Means聚類法，對遙感影像中的地物進行分類，地物目標特征參數(shù)見表1，特征參數(shù)標準差標準化見表2，聚類結果見表3。

表1 地物目標特征參數(shù)表

表2 經標準化處理后的地物目標特征參數(shù)表

表3 3種自動聚類方法分類結果

續(xù)表

以地物目標聚類結果為基礎，通過分析地物目標特征參數(shù)值分布，自動識別飛機目標所在類別。分析試驗結果可知，香港機場的民用飛機骨架線總長度變化范圍為230～260 m，主骨架長度變化范圍為80 ～120 m，骨架線網絡連線及節(jié)點數(shù)目均大于15。對于實驗室采用的香港機場遙感影像數(shù)據(jù)而言，聚類數(shù)為4時自動分類效果最好。結合飛機目標特征參數(shù)先驗知識，判定分為4類時，第4類目標為飛機目標。

4. 試驗結論與分析

分析聚類結果可知，當聚類數(shù)為4時，各類目標被很好地識別出來，聚類精確性較高。在飛機目標自動提取中，主要存在3個方面問題：

1) 飛機目標在聚類過程中與空地誤分的概率較高，該空地為用于飛機停機的場地，面積較大，在幾何特征上與飛機目標有一定相似性。

2) 多光譜遙感影像上陰影是普遍存在的問題，陰影對自動提取地物邊緣產生干擾，從而擾動了地物提取的結果，如圖5所示，部分陰影被歸入鄰近地物目標，而部分則被單獨提取出來。隨著聚類數(shù)的變化，陰影被歸入了飛機、機動車輛中。但在合理選取聚類數(shù)的前提下，陰影的存在不會導致飛機目標的誤分。因此，陰影很難被獨立提取為一個地類，在本文中借助選取最佳聚類數(shù)，盡量避免陰影的影響。

圖5 飛機目標邊緣識別圖

3) 飛機目標在飛機場中停靠在停機坪，在影像中停機坪與飛機目標幾乎是相連的。因此，在地物邊緣自動提取過程中，飛機目標與停機坪很可能被連成一個對象，在表1的4架飛機中，有2架飛機被連同停機坪提取。但分析試驗結果可知，即使停機坪與飛機目標被連成一個目標，該方法也可以成功提取出飛機目標。

四、結束語

本文選取香港機場多光譜遙感影像作為試驗數(shù)據(jù)，基于骨架線幾何特征參數(shù)與網絡測度，提出了一種基于多光譜遙感影像自動提取飛機目標的方法。選擇基于邊緣的多光譜遙感影像分割方法，提取矢量地物邊緣；基于約束Delaunay三角網自動提取地物骨架和主骨架；通過選取對飛機目標識別具有良好區(qū)分度的特征參數(shù)，最終實現(xiàn)飛機目標的自動識別與定位。經過試驗，證明基于骨架線形態(tài)特征進行多光譜遙感影像中飛機目標識別方法有效可行。

由試驗發(fā)現(xiàn)，聚類數(shù)的選取對提取效果產生決定性影響，而合適的聚類數(shù)將因不同的遙感影像而異，并不具有通用性。因此，可以考慮BP神經網絡進行飛機目標的自動識別，即以骨架特征分析結果為基礎，以提取的骨架特征為輸入樣本，運用基于BP神經網絡的自動識別方法，完成飛機目標自動識別。這也將是今后重點的研究方向。

由于受到各種因素擾動，基于骨架線特征自動提取飛機目標的穩(wěn)定性有待提高。在提取過程中處理好連通目標及陰影等問題，將有助于提高算法的穩(wěn)定性；同時，綜合研究地物光譜特征與骨架特征，也將提高自動提取的精確性。

參考文獻：

[1] 李科，王潤生，王程.一種用于飛機型號識別的樹分類器方法[J]. 計算機工程與科學, 2006，28(11): 136-139.

[2] 徐大琦, 倪國強, 許廷發(fā). 中高分辨力遙感圖像中飛機目標自動識別算法研究[J]. 光學技術, 2006，32(6)：855-859.

[3] 徐科，易善楨.基于小波變換和支持向量機的遙感圖像目標檢測[J].計算機與數(shù)字工程，2007，35(7)：123-125.

[4] 劉永學，李滿春，毛亮.基于邊緣的多光譜遙感圖像分割方法[J].遙感學報，2006，10(3)：350-356.

[5] 胡鵬，王海軍，邵春麗，等.論多邊形中軸問題和算法[J].武漢大學學報：信息科學版，2005，30(10):853-857.

[6] 黃利民，張躍鵬.利用三角網方法實現(xiàn)面域骨架線的自動生成[J]. 測繪學院學報, 2002，19(4)：262-264.

[7] 徐建華. 現(xiàn)代地理學中的數(shù)學方法[M].2版.北京：高等教育出版社，2002.

[8] 李志林, 朱慶. 數(shù)字高程模型[M].武漢：武漢大學出版社, 2001.

[9] 艾廷華，郭仁忠.基于約束Delaunay結構的街道中軸線提取及網絡模型建立[J].測繪學報，2000，29(4): 348-354.

[10] 楊俊，趙忠明，楊健.一種高分辨率遙感影像陰影去除方法[J].武漢大學學報：信息科學版，2008,33(1)：17-20.

[11] CHIN F, SNOEYINK J, Wang C A. Finding the Medial Axis of a Simple Polygon in Linear Time[C]∥Algorithms and Computations.Heidelberg：Springer,1995:382-391.

[12] HAUSKA H，SWAIN P H.The Decision Tree Classifier: Design and Potential[J].IEEE Transactions on Geoscience Electronics,1997,15(3):142-147.

[13] LI Y,SASAGAWA T,GONG P.A System of the Shadow Detection and Shadow Removal for High Resolution City Aerial Photo[C]∥ISPRS Congress.[S.l.]:ISPRS,2004:12-23.

[14] DO M N,VETTERLI M.Contour Lets:a Directional Multi-resolution Image Representation[C]∥Proceedings of 2002 International Conference on Image Processing.[S.l.]:IEEE,2002(1):357-360.

[15] BHANU B,PENG J.Adaptive Integrated Image Segmentation and Object Recognition[J].IEEE Transactions on Systems,Man and Cybernetics,Part C:Applications and Reviews,2000,30(4):427-441.