結合模糊分割和遺傳算法的航空影像車輛提取方法

趙泉華，常 波，王 玉，李 玉

(遼寧工程技術大學測繪與地理科學學院遙感科學與應用研究所，遼寧 阜新 123000 )

結合模糊分割和遺傳算法的航空影像車輛提取方法

趙泉華，常 波，王 玉，李 玉

(遼寧工程技術大學測繪與地理科學學院遙感科學與應用研究所，遼寧 阜新 123000 )

利用高分辨率遙感影像實現道路車輛監測在交通管理系統中占有重要地位，然而受成像條件及車輛本身顏色多樣性的影響，很難從遙感影像中直接提取道路車輛。為此，本文提出了一種結合遺傳算法和數學形態學的遙感影像道路車輛提取方法。首先利用模糊聚類方法建立影像分割模型，并利用遺傳算法對其進行求解，從而實現影像中道路、車輛及環境的精確分割；然后對分割結果中不同層進行賦值,實現分割結果的二值化;最后利用數學形態學操作從分割的道路—車輛的二值結果中剔除道路，從而實現道路車輛的提取。利用本文方法對航空影像進行了道路車輛提取試驗。試驗結果表明，本文方法不僅能夠準確識別地面車輛位置，還能精確提取其輪廓線。

目標提取；車輛邊緣；遺傳算法；航攝影像；模糊分割

作為圖像處理的重要內容，目標提取已有廣泛的應用，如房屋[1]、道路[2-3]、植被[4]等的提取。道路車輛提取作為目標提取中的重要任務之一，在監測道路車流量、車流密度等交通管理方面具有獨特的潛在應用價值。近年來，隨著無人機航測技術的發展，獲取高分辨率遙感影像的成本越來越低，相比于利用固定放置的傳統道路信息采集系統獲取交通信息，利用遙感手段的交通信息獲取方式具有更好的應用前景。目前，已有很多遙感道路車輛提取方法，主要分為基于顯式[5]和隱式模型[6-8]兩類。

針對小型車輛在遙感影像中細節信息不充分的問題，Jeon等[5]提出了一種基于顯式模型的目標匹配方法，即選取影像的部分車輛作為模板，并設置匹配度，篩選出符合模板信息的區域標記為車輛，從而實現車輛提取。該方法雖能提取影像中車輛數量及其位置信息，但由于背景環境復雜，影響匹配結果，導致提取精度較低。

顯式模型目標提取方法不能大范圍提取車輛目標。為此，研究者提出通過檢測車輛與背景環境間紋理及光譜特性的差別實現了目標提取的隱式模型方法。Stefan等[9]利用層次模型描述車輛在不同層次中的細節特征，同時結合車輛與其周圍地物的鄰域關系，對大范圍城市遙感影像進行車輛提取。該方法雖然能提取車輛信息，但需要預先獲取道路的光譜反射信息。

目前，還沒有可精確提取高分辨率航攝影像道路車輛的有效方法。為此，本文提出一種結合遺傳算法和數學形態學的目標提取方法。首先，采用遺傳算法對航攝影像進行優化分割，利用其較強的魯棒性弱化影像噪聲對算法穩定性的影響，從而提高分割精度；然后，運用數學形態學方法處理其分割影像，平滑無關信息；最后利用一階微分算子，精確提取道路車輛的邊界輪廓。

1 算法描述

1.1 初始分割

首先對影像進行分割,設Z={zi(xi,yi),i=1,2，…,n}為彩色航空影像，其中，i為像素索引，zi=(zir,zig,zib)為像素i的彩色矢量，zir、zig、zib分別為zi的紅、綠、藍分量，(xi,yi)∈D為像素i的格點位置坐標，D為影像域，n為像素數。

為了刻畫像素對目標類的類屬性，其模糊隸屬度定義為

(1)

式中，β為模糊因子，β越大表示算法模糊程度越大；μ(uj,zi)為聚類中心uj與zi的相似度

(2)

式中，t1和t2為給定常數；d(uj,zi)為向量uj和zi間的距離；θ(uj,zi)為兩向量間夾角，表示如下

(3)

(4)

式中，l({r,g,b}為彩色分量索引。

為了實現最優模糊分割，需建立約束E和U的模糊目標函數

(5)

最小化式(5)，可求得最優模糊類屬矩陣和聚類中心集，以實現圖像的初始分割，即

(6)

1.2 基于遺傳算法的目標函數解

1.2.1 構建初始種群

用遺傳算法迭代求解目標函數的重點在于給定初始種群Po(0)。本文首先采用顏色直方圖獲取圖像的候選聚類中心集，再由候選聚類中心集構建初始種群Po(0)[13]，如圖1所示。

圖1 顏色空間劃分

首先獲取圖像的顏色直方圖，將RGB顏色空間沿R、G、B軸離散化為N(N=NR×NG×NB)個顏色塊bin，圖1是離散化的顏色空間，每個bin在離散化空間中的位置為(R,G,B)。按照R→G→B的順序對每個bin進行編號，則任意bin的索引k表示為

(7)

式中，R=0,1,…,NR-1；G=0,1,…,NG-1；B=0,1,…,NB-1，表示bin在離散化顏色空間的位置。則圖像中值為zi(zir,zig,zib)的像素所在bin為

(8)

(9)

由此得到表征彩色圖像顏色分布的離散直方圖H。假定圖像類別數為c，認為聚類中心存在于H中峰值最高的c個bin中，在這c個bin中分別隨機選取一個彩色矢量作uj為聚類中心，構成聚類中心集U={uj:j=1,…,c}。

圖2 c個聚類中心矢量組成的染色體Um

1.2.2 遺傳操作

為了獲得最優種群，對任意代種群Po(τ)需經遺傳操作，演變出下一代種群Po(τ+1)。每次迭代遺傳演變由3種遺傳操作完成，即選擇、交叉和變異操作。

(10)

1.2.3 圖像分割

上述遺傳操作經過T次迭代后，生成的種群為Po(T)。從Po(T)中選取適應度最大的染色體作為最佳聚類中心集

(11)

(12)

式中，Li為像素i的類屬標號，而L={Li:i=1,2，…,n}表征圖像Z的最優分割。

1.3 基于形態學的車輛提取

1.3.1 道路提取

將分割影像L中道路及其誤分像素賦值為0，其他像素賦值為1，得到二值道路分割層影像L1。

為了恢復車輛在影像分割過程中所丟失的細節信息，對影像進行簡單的二值形態學膨脹，使車輛恢復原始形態,再采用二值數學形態學中的開運算，消除車輛導致的道路分割層中幾何噪聲。由于車輛多為矩形目標，故設置方形結構元的數學形態學操作更符合車輛的形態特性。對L1進行膨脹運算得到車輛信息完整的影像L2,對其進行二值開運算，得到去噪二值影像L3，道路上的車輛被視為幾何噪聲被濾掉，保留完整的道路體，即所需的道路層影像。

1.3.2 車輛提取

道路車輛在分割結果的道路層影像L2中表現為幾何噪聲，因此L2包含了道路車輛的完備信息，為了提取道路車輛不必關心對其他地物類型的分割情況。L2消噪后道路層影像為L3，兩者的差異僅僅在于車輛部分，因此將L2和L3相減即可獲取車輛影像。

1.3.3 車輛輪廓線提取

由于獲取的車輛層二值影像已經完成了對噪聲的濾除，并且車輛與背景間具有明顯顏色差異，故直接利用Roberts算子提取邊緣[15-16]。

2 結果及分析

為了驗證該算法的可行性及有效性，對航攝影像進行道路車輛提取試驗。圖3(a)為130×130像素、分辨率為0.15 m的城區道路的原始圖像，人為給定聚類數c為2。設置參數t1、t2分別為經驗值0.000 1和0.2，概率pc為0.5，變異概率pm為經驗值0.2，最大迭代次數為30，種群大小K為40，利用顏色直方圖優化的遺傳算法對圖3(a)進行圖像分割，其結果如圖3(b)所示。通過圖3(b)可以看出，全部車輛可以與周圍地物區分開，且分割精度較高。將分割結果進行二值化，得到二值影像，如圖3(c)所示。在圖3(c)中，除車輛和道路信息外，還存在部分斑點噪聲。圖3(d)為對二值影像進行膨脹處理的結果，消除了斑點噪聲，并恢復了車輛的原始形態。圖3(e)為將車輛看作噪聲進行開運算處理的結果，可以看出，車輛在道路體上造成的空洞被成功填補且道路及周圍背景都保留了的原有特性。將圖3(d)與圖3(e)相減，得到如圖3(f)所示的二值影像，其中黑色區域為提取車輛，白色區域為無關背景。利用Roberts算子提取出車輛的輪廓線，結果如圖3(g)所示，可以看出，車輛邊界都被成功捕獲且無遺漏。為對提出算法進行定性評價，將車輛輪廓(電子版中為紅色線)疊加到原始影像(圖3(a))上，結果如圖3(h)所示，可以看出，絕大多數車輛輪廓與原圖匹配成功，且能完美擬合。

為進一步驗證提出算法的優越性，利用Canny邊緣檢測算法和ENVI軟件中基于規則的目標提取方法對試驗圖像進行車輛目標提取對比試驗，試驗結果如圖3(i)—(j)所示。兩種對比算法在提取車輛輪廓的同時，并不能有效去除道路的影響，并且提取出的車輛輪廓線也不能很好地表述車輛形態。對3種算法提取的相應車輛信息進行定量精度分析，包括識別目標總數、識別車輛數、識別車輛比例、實際車輛數、車輛提取精度，并且以人工獲取的車輛輪廓為模板圖像，進行提取車輛輪廓的重合精度分析，其中重合精度是試驗提取的車輛輪廓與模板中車輛輪廓重疊像素數與提取的像素總數的比值。該值不僅可以反映提取車輛的準確性，又考慮了無關地物的影響，能對提取精度進行充分的評價。結果見表1。通過表1可以看出，傳統的Canny算法和基于規則的目標提取方法的輪廓重合率較低，且都識別了過多無關地物目標，導致識別車輛比例略低于本文算法；而利用本文算法不僅能識別所有車輛，并且較好地去除無關地物的影響，與模板重合率在85%以上，更能準確描述車輛的位置信息。通過對比，可以說明本文算法的優越性。

圖3 試驗影像

3 結 語

遙感影像作為交通管理的信息來源，具有觀察范圍廣、觀測周期短等優點。利用車輛信息的自動提取技術可以快速測量路段車流密度，獲取高速路段出現擁堵或事故情況時的交通信息，以及根據車輛長寬比自動識別不同類型車輛。針對遙感影像的道路車輛提取問題，本文提出一種結合遺傳算法和數學形態學的目標提取方法。相比于傳統遺傳算法隨機生成初始種群的方法，本文利用影像的顏色直方圖構建初始種群，以實現聚類中心優化，從而大大縮減了目標函數收斂的時間，提高了算法的效率，再采用數學形態學方法對車輛進行提取。該方法不僅能消除影像中的細小噪聲，還彌補了影像分割所缺失的信息，有效且高精度地提取出車輛信息，為智能交通管理提供高效準確的數據來源。

表1 精度分析

[1] KHUMALO P P, TAPAMO J R. Rotation Invariant Texture Feature Algorithms for Urban Settlement Classification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 24(8): 511-514.

[2] 唐偉, 趙書河. 基于GVF和Snake模型的高分辨率遙感圖像四元數空間道路提取[J]. 遙感學報, 2011,15(5): 1040-1052.

[3] 王科, 黃智, 鐘志華. 基于多特征融合的道路理解方法[J]. 中國公路學報,2013, 26(4): 176-183.

[4] 楊勝天, 李茜, 劉昌明,等. 應用“北京一號”遙感數據計算官廳水庫庫濱帶植被覆蓋度[J]. 地理研究, 2006, 25(4): 570-578.

[5] JEON S H, LEE K, KWON B D. Application of Template Matching Method to Traffic Feature Detection Using KOMPSAT EOC Imagery [J]. IEEE International Geoscience and Remote Sensing Symposium, 2005, 180(2): 845-867.

[6] EIKVIL L, AURDAL L, KOREN H. Classification-based Vehicle Detection in High-resolution Satellite Images [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(1): 65-72.

[7] LARSEN S O, KOREN H, SOLBERG R. Traffic Monitoring Using Very High Resolution Satellite Images [J]. Photogrammetric Engineering and Remote Sensing, 2009, 7(75): 859-869.

[8] LEITLOFF J, HINZ S, SITLLA U. Vehicle Detection in Very High Resolution Satellite Images of City Areas [J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 7(48): 2795-2806.

[9] HINZ S, BAUMGARTHER A. Vehicle Detection in Aerial Images Using Generic Features, Grouping, and Context [M]. Berlin: Springer Berlin Heidelberg, 2001:45-52.

[10] BEZDEK J C. Pattern Recognition with Fuzzy Objective Function Algorithms [M]. New York: Plenum Press, 1981.

[11] POTTS J C， TERRI D. The Development and Evaluation of An Improved Genetic Algorithm Based on Migration and Artificial Selection [J]. IEEE Transactions on Systems, Man, and Cybernetics, 1994, 24(1): 73-86.

[12] 劉正軍, 王長耀, 張繼賢. 基于小波與遺傳算法的特征提取與特征選擇[J]. 遙感學報, 2005, 9(2): 176-185.

[13] 王向陽, 楊紅穎, 鄭宏亮,等. 基于視覺權值的分塊顏色直方圖圖像檢索算法[J]. 自動化學報, 2010, 36(10): 1489-1492.

[14] 鄧素娟, 蒲石. 賭輪盤算法的實現及分析[J]. 樂山師范學院學報, 2014, 29(12): 63-82.

[15] 李暉, 肖鵬峰, 馮學智,等. 基于向量場模型的多光譜遙感圖像多尺度邊緣檢測[J]. 測繪學報, 2012, 41(1): 100-107.

[16] ACCAME M, FRANCESCO G B. Edge Detection by Point Classification of Canny Filtered Images [J]. Signal Processing, 1997, 60(1): 11-22.

Fuzzy Segmentation and Genetic Algorithm Based Road Vehicle Extraction Method from High Resolution Aerial Image

ZHAO Quanhua,CHANG Bo,WANG Yu,LI Yu

(The Institute for Remote Sensing School of Geomatics，Liaoning Technical University, Fuxin 123000,China)

Nowadays, vehicle object extraction of remote sensing image and its potential applications become a hot topic. However, the optical information of vehicles is seriously weakened by a series of factors, such as environment and the velocity of the vehicles, so that the extraction accuracy of vehicles is accordingly reduced. To this end，a vehicle extraction method of remote sensing image using genetic algorithm and mathematical morphological operation has been proposed. First, a pre-clustering operation of remote sensing image is done by using histogram-based technique, and optimizing the initial cluster centers applied the genetic algorithm to improve the accuracy of segmentation results. Then, the mathematical morphological operation is used to extract the edges of vehicles. The aerial images are tested to extract vehicles using the proposed approach. The experiment results show that this method can identify the situation of vehicles on the ground as well as extract the contour line accurately.

object extraction; vehicle extraction; genetic algorithm; aerial images; fuzzy segmentation

趙泉華，常波，王玉,等.結合模糊分割和遺傳算法的航空影像車輛提取方法[J].測繪通報，2017(8)：62-66.

10.13474/j.cnki.11-2246.2017.0255.

2016-12-20;

2017-03-03

國家自然科學基金(41301479)；大學生創新創業訓練項目(201510147005)；遼寧省自然科學基金(2015020090)

趙泉華(1978—)，女，博士，副教授，主要研究方向為隨機幾何、空間統計學、模糊集理論等在遙感圖像建模、解譯及海洋環境遙感中的應用。E-mail: zqhlby@163.com

常 波。E-mail:953416733@qq.com

P237

A

0494-0911(2017)08-0062-05