張國英，程益鈺，朱 紅

（中國礦業(yè)大學 （北京）計算機系，北京100083）

0 引 言

在遙感影像處理中，線性目標的檢測和提取具有重要的地位。在一幅遙感影像中，道路、機場跑道等都是重要的線性地物，因此線性目標提取具有重要的意義。針對如何提取線性目標的問題，現(xiàn)在已經有很多研究，但都有一定的不足。線性目標檢測具有代表性的方法主要是聚類方法，代表方法有：朱昌盛等人運用Hough變換，提出基于平行線對的線性目標檢測［1］。這類方法具有較強的魯棒性，在檢測直線時，受噪聲和曲線間斷的影響特別小，其缺點是由于是全搜索，計算量和存儲量都很大，不利于實時處理。另外，潘建平等提出的基于數(shù)學形態(tài)學的線性目標檢測方法［2］，許華榮等人的基于最小二乘B樣條曲線的線性目標檢測［3］，王義敏等的基于區(qū)域生長的線性目標檢測［4］和Yoshihiko的基于神經網(wǎng)絡的線性目標檢測［5］。其優(yōu)點是計算不復雜，處理速度快，缺點在于跟蹤邊緣時不能處理有間斷的直線，邊緣檢測算法一定程度上制約這類算法的性能。

Hough變換［5－7］是一種用來在衛(wèi)星影像中提取線性目標邊緣特征的簡便而有效的方法。其原理是把在圖像空間中的直線檢測轉換到參數(shù)空間里對點的檢測，通過在參數(shù)空間里進行累加統(tǒng)計完成檢測任務。檢測直線時，對參數(shù)空間的二維數(shù)組累加統(tǒng)計，得到最大值所對應的第一條直線，然后依次尋找次最大值對應的其他直線，但在這個過程中容易重復檢測直線。另外，傳統(tǒng)Hough變換算法的處理對象是整幅圖像數(shù)據(jù)，導致計算量和存儲量都很大，不利于實時處理。Freeman編碼［9，10］是一種描述邊界的方法，用邊界方向作為編碼依據(jù)，一般描述的是邊界點集，只需保存起點和邊界鏈碼，即可描述目標的形態(tài)。因此，用Freeman編碼描述每個區(qū)域目標，大大簡化了目標區(qū)域，可以節(jié)省大量內存空間，并且同時保留了目標的幾何形態(tài)，在衛(wèi)星影像中得到大量的使用。根據(jù)以上分析，本文以提取平行對線對為原型，分析了Hough變換和Freeman鏈碼提取直線的優(yōu)缺點，提出了基于Freeman編碼的改進Hough變換檢測線性目標算法。

改進后的Hough變換算法，其處理對象由整幅影像的數(shù)據(jù)改為圖像分割后各區(qū)域的邊界鏈碼數(shù)據(jù)。在尋找圖像中直線的時候，刪除已找到的直線鏈碼數(shù)據(jù)，繼續(xù)尋找后續(xù)其他直線，從而避免了重復的直線檢測。在檢測平行線對之前，對圖像進行分割，然后對分割得到的各個區(qū)域使用Hough變換，這樣就能找出整個影像中所有平行線段，從而完成對所有線性目標的檢測。最后，為了驗證檢測出來的準道路是否為實際道路，設計了平行線對模型算法，來提高提取的正確率。

1 Freeman 編碼

Freeman編碼是圖像處理中最基本的目標描述手段。用不同斜率的8個方向基元來描述輪廓邊界，得到的編碼即為Freeman編碼。對任一閉合區(qū)域，從某個起點開始，將邊界的走向按Freeman編碼的方式記錄下來，就形成連續(xù)的方向序列即為邊界編碼。數(shù)字化二值輪廓曲線用八方向Freeman鏈碼表示，可以形成n條鏈，每條鏈指向8個方向中的一個，即ai∈｛0，1，2，…，7｝。如圖1所示，其中i為像素索引值，ai表示由像素 （i）指向像素 （i＋1）的鏈碼方向，最終n條鏈的曲線鏈碼表示為

式中：S——邊界的起點像素，n——邊界點的個數(shù)。當邊界閉合時，會回到起點，S可省略。

圖1 Freeman 鏈碼的方向取值

如圖2所示的圖像輪廓邊界，使用Freeman編碼表示則為：077666654533212122。

Freeman鏈碼檢測直線應滿足3 個條件，請參見文獻［8］。Freeman檢測直線的一般過程是：對圖像進行去噪、二值化處理后，使用上述的3個約束條件遍歷直線，來完成對直線的初步識別，后續(xù)通過直線段的合并操作能較好地檢測出直線段，不過該算法對噪音較敏感。

2 算法流程

圖2 閉合邊界的Freeman編碼

本文算法以平行線特征為依據(jù)，檢測衛(wèi)星影像中線性目標主要按以下幾個步驟進行。首先對采集到的遙感影像進行平滑濾波預處理消除椒鹽噪聲，然后通過以灰度一致性為原則，像素生長法為手段對圖像進行分割，分割后得到的各個區(qū)域會具有各自的形態(tài)幾何特征和顏色信息。接下來使用Freeman鏈碼提取區(qū)域邊界來描述分割后的各個局部目標，計算各目標的面積、周長、外接矩形的長和寬及長寬比、復雜度等幾何特征，去除面積較小、長寬比小，復雜度偏小的區(qū)域目標。最后，對剩下的區(qū)域的邊界鏈碼進行Hough變換得到構成線性目標平行邊的直線。對檢測出來的準平行邊，使用平行邊的數(shù)學模型進行鑒別，以確定其是否確實為平行邊。最后，根據(jù)得到的平行邊來確定線性目標的位置。整個算法過程如圖3所示。

圖3 算法流程

2.1 雙邊濾波

本文采用式 （2）所示的雙邊濾波器對圖像進行濾波。雙邊濾波是一種非線性的濾波方法，是結合圖像的空間鄰近度和像素值相似度的一種折衷處理，同時考慮空域信息和灰度相似性，達到保邊去噪的目的，具有簡單、非迭代、局部的保留邊緣特點，參見文獻 ［11］。

雙邊濾波器中，輸出像素的值g（i，j）依賴于鄰域像素的值的加權組合

式中：z——中心點（k，l）的大小為 （2N＋1）× （2N＋1）的鄰域，權重系數(shù)w（i，j，k，l）取決于空間鄰近度因子

和亮度相似度因子

的乘積，即

雙邊濾波器受鄰域半徑N、參數(shù)σs和σr等參數(shù)控制。N 值越大，平滑作用越明顯；σs和σr分別為控制著空間鄰近度因子ws和亮度相似度因子wr的衰減程度的參數(shù)。

2.2 區(qū)域分割

本文采用基于生長的分割方法，具體步驟如下：初始點集合A 為一個像素點，灰度平均值Avg 為當前集合A 中所有像素點灰度值的平均值；點集合A 中像素點周圍鄰域的像素點作為候選點，如果候選點的灰度值和Avg 之差小于初始設定的閾值，則將該點加入點集合A 中，并更新Avg 的值。重復該步驟，直到沒有新的點加入，此時集合A 即為具有灰度一致性的區(qū)域。然后用Freeman鏈碼描述這個區(qū)域。

2.3 去除小目標

結合道路特征，可根據(jù)幾何形狀篩分出道路段目標。本文通過計算周長C、面積S、長寬比R、復雜度E 等幾何特征進行小目標的去除［12］。面積S 很小的區(qū)域可直接判定為干擾物體。長寬比

式中：L——目標區(qū)域的長；W——目標區(qū)域的寬；長寬比R 較小的區(qū)域明顯也是干擾區(qū)域。

定義了復雜度

式中：C——目標區(qū)域的周長；S——面積；復雜度E 反應了平面內物體形狀的復雜程度。復雜度E 過小的區(qū)域也為干擾區(qū)域。根據(jù)這些幾何特征去除圖像中的小目標。

2.4 平行線模型

平行線模型包括長度特征和平行特征。①長度特征，對于一條曲線來說，不能簡單地采用端點之間的距離來表示其長度，應該為其所包含像素的個數(shù)。構成線性目標的邊緣曲線具有一定長度，定義線性目標的長度特征為

式中：C（L）為曲線L 所包含像素的個數(shù)，Tlength為線性目標邊緣的最短長度閾值。②平行特征，一般地，平行線的判斷依據(jù)是斜率，由于使用斜率時誤差較大，在本文中使用的是一種平行線對模型。對于兩條光滑的線L 與S，如果他們間的任一點在任意方向上到達L 與S的距離之和為定值。如果兩條直線L 與S同時滿足上述兩個條件，則認為它們構成一組平行線對，用L／／S表示。如圖4所示。

圖4 平行線對模型

圖4中，L和S為一對直線，現(xiàn)任意取這對直線內部兩個點A0和B0，｜A1A2｜和｜B1B2｜分別是A0和B0在取定的某個方向上 （圖4中的虛線方向）到直線L 與S的距離之和。若｜A1A2｜＝｜B1B2｜＝常數(shù)，對于所有的內部點均成立，則可判定這兩條線為一組平行線對。

2.5 標繪目標

在統(tǒng)計參數(shù)域中的每一對 θ，（ ）ρ 時，記錄參與統(tǒng)計這對 θ，（ ）ρ 的所有點的x 坐標，再根據(jù)得到的ρ 和θ，按求出的式 （9）將平行線上的像素點 （x，y）用不同的顏色標示出來，從而可以標繪出線性目標的位置

2.6 實驗對比

圖5 實驗結果對比

實驗的硬件平臺：CPU 為Intel Core（TM），主頻2.8 GHz，內存4GB。在相同的實驗平臺下，運行耗時越少表示算法效率越高。實驗結果對比如下：①傳統(tǒng)Hough變換在提取平行線對的第二條直線時出現(xiàn)了重復檢測第一條直線的情況，而改進后的算法不會出現(xiàn)重復檢測的情況并且可以準確檢測出線性目標的兩條平行邊。②在檢測平行線對的數(shù)量上，當圖像中有多個線性目標時，本文檢測算法能檢測出所有線性目標的平行線對，而傳統(tǒng)Hough變換法只能檢測出最規(guī)則的那對平行線。③在檢測性能上，從表1可以看出，平行線對檢測算法優(yōu)于傳統(tǒng)算法，識別精度有了很大提高。在運算耗時上，由于改進算法只需對邊界鏈碼數(shù)據(jù)進行運算，大大降低了Hough 變換過程中的復雜度，使得本文檢測算法耗時更少。

表1 測試結果

3 實驗結果及分析

實驗系統(tǒng)采用Visual studio2010平臺開發(fā)，實驗中使用的遙感影像大小為580＊508，圖中的道路、隔離帶和車輛都可以很容易被人眼識別出來。使用本文算法識別道路的過程，如圖6所示。其中圖6 （a）為原始衛(wèi)星影像，圖6（b）是進行中值濾波和圖像分割后得到的結果，圖6 （c）是使用基于區(qū)域生長的灰度一致化方法去除小目標得到的灰度圖像，圖6 （d）為對圖6 （c）中的灰度圖像進行二值化后得到的結果，圖6 （e）為對二值圖像使用形態(tài)學方法進行膨脹、腐蝕和填充后的結果，圖6 （f）為Hough變換提取出平行線對后標繪出線性目標的位置。實驗中，由于原始圖像中有樹陰遮擋、車輛等因素的干擾，導致分割后的圖像有很多孔洞，所以使用形態(tài)學方法對其進行填充后才進行后續(xù)平行線對的提取。從結果看，對于線條狀的線性道路目標能被有效地提取出來，但對呈弧線型的彎曲支路，沒有提取出來，對提取這類彎曲的支路部分還需進一步研究處理。

4 結束語

圖6 實驗處理過程

在總結現(xiàn)有線性目標檢測算法的基礎上，本文根據(jù)遙感影像中線性道路具有寬度一定、灰度一致、道路有一定的長度等特征提出了一種結合Freeman鏈碼和Hough變換的道路檢測算法。通過實驗分析，改進后的算法，效率高、計算結果更精準、允許少數(shù)點的擾動、內存使用上更靈活、適用性強。但是，在檢測路面噪聲信息較多、局部灰度變化較大的影像中道路時，其性能會受到明顯影響。另外，該算法僅適合檢測直線形道路，在道路寬度忽然改變的情況效果也不是很好，這些都有待改進。

［1］ZHU Changsheng，ZHOU Wei，GUAN Jian.Main roads ex－traction from SAR imagery based on parallel pairs detection［J］.Journal of Image and Graphics，2011，16 （10）：1908－1917 （in Chinese）.［朱昌盛，周偉，關鍵.基于平行線對檢測的SAR 圖像主干道提取算法 ［J］.中國圖象圖形學報，2011，16 （10）：1908－1917.］

［2］PAN Jianping，WU Mingquan.Road detection based on morphology ［J］.Computer Engineering and Applications，2008，44（11）：232－233 （in Chinese）.［潘建平，鄔明權.基于數(shù)學形態(tài)學的道路提取 ［J］.計算機工程與應用，2008，44 （11）：232－233.］

［3］XU Huarong，WANG Xiaodong，F(xiàn)ANG Qiu.Structure road detection algorithm based on B－spline curve model［J］.Acta Automatica Sinica，2011，37 （3）：270－275 （in Chinese）.［許華榮，王曉棟，方遒.基于B樣條曲線模型的結構化道路檢測算法 ［J］.自動化學報，2011，37 （3）：270－275.］

［4］WANG Yiming，Qin Yongyuan.Target detection in SAR images based on region growing ［J］.Journal of Computer Applications，2009，29 （1）：45－46 （in Chinese）.［王義敏，秦永元.基于區(qū)域生長的SAR 圖像目標檢測方法研究 ［J］.計算機應用，2009，29 （1）：45－46.］

［5］WANG Ping，DONG Yude，LUO Zheshuai.Freeman encodingbased line－segments recognition ［J］.Computer Engineering，2005，31 （10）：171－173 （in Chinese）.［王平，董玉德，羅喆帥.基于Freeman 鏈碼的直線識別方法 ［J］.計算機工程，2005，31 （10）：171－173.］

［6］Yoshihiko Mochizuki，Akihiko Torii，Atsushi Imiya.N－Point hough transform for line detection ［J］.J Vis Commun Image R，2009，20 （4）：242－253.

［7］KANG Wenjing，DING Xuemei，CUI Jiwen.Fast straight－line extraction algorithm based on improved hough transform ［J］.Opto－Electronic Engineering，2007，34 （3）：105－108.

［8］Mokhtarzdae M，Valadan Zoej M J.Road detection from high resolution satellite images using artificial neural networks［J］.International Journal of Applied Earth Observation and Geoinformation，2007，9 （1）：32－40.

［9］Vaddi R S，Boggavarapu L N P，Vankayalapati H D.Contour detection using Freeman chain code and approximation methods for the real－time object detection ［J］.Asian Journal of Computer Science and Information Technology，2011，1 （1）：15－17.

［10］LU Guangquan，XU Hongguo，LI Yibing.Line segment detection based on chain code detection ［J］.Computer Engineering，2006，32 （14）：1－3 （in Chinese）.［魯光泉，許洪國，李一兵.基于鏈碼檢測的直線段檢測方法 ［J］.計算機工程，2006，32 （14）：1－3.］

［11］ZHANG Zhiqiang，WANG Wanyu.A modified bilateral filtering algorithm ［J］.Journal of Image and Graphics，2009，14 （3）：443－447（in Chinese）.［張志強，王萬玉.一種改進的雙邊濾波算法［J］.中國圖象圖形學報，2009，14 （3）：443－447.］

［12］LEI Xiaoqi，WANG Weixing，LAI Jun.A method of road extraction from high－resolution remote sensing images based on shape features［J］.Acta Geodaetica et Cartographica Sinica，2009，38 （5）：457－465 （in Chinese）.［雷小奇，王 衛(wèi)星，賴均.一種基于形狀特征進行高分辨率遙感影像道路提取方法［J］.測繪學報，2009，38 （5）：457－465.］