項(xiàng)盛文， 文貢堅(jiān)， 高峰

(國(guó)防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院ATR重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410073)

?

知識(shí)驅(qū)動(dòng)下的飛機(jī)目標(biāo)變化檢測(cè)方法

項(xiàng)盛文， 文貢堅(jiān)， 高峰

(國(guó)防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院ATR重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410073)

針對(duì)高分辨率光學(xué)遙感圖像，提出了一種知識(shí)驅(qū)動(dòng)下的機(jī)場(chǎng)區(qū)域飛機(jī)目標(biāo)變化檢測(cè)的思路和實(shí)現(xiàn)方法。首先，根據(jù)機(jī)場(chǎng)的地理位置知識(shí)信息，建立該機(jī)場(chǎng)的空間掩模圖像，在此基礎(chǔ)上獲取待檢測(cè)飛機(jī)目標(biāo)的候選區(qū)域； 然后，結(jié)合目標(biāo)區(qū)域的控制點(diǎn)知識(shí)信息，對(duì)輸入圖像進(jìn)行空間位置配準(zhǔn)； 再利用飛機(jī)目標(biāo)的變化會(huì)導(dǎo)致區(qū)域紋理發(fā)生顯著變化這一知識(shí)信息，提取目標(biāo)區(qū)域的紋理特征進(jìn)行變化檢測(cè)，并對(duì)區(qū)域進(jìn)行弱紋理剔除和邊緣抑制處理； 最后，利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算方法剔除部分孤立點(diǎn)，得到最終的檢測(cè)結(jié)果。實(shí)驗(yàn)表明，該方法可以顯著減小由配準(zhǔn)誤差、邊緣響應(yīng)等因素造成的虛警，飛機(jī)目標(biāo)變化檢測(cè)的正確率達(dá)到92.47%。

飛機(jī)目標(biāo)； 紋理特征； 變化檢測(cè)； 知識(shí)驅(qū)動(dòng)

0 引言

變化檢測(cè)是在不同的時(shí)間觀察某個(gè)目標(biāo)或某種現(xiàn)象并識(shí)別它發(fā)生變化的過(guò)程[1]，在資源監(jiān)測(cè)、土地利用及國(guó)防安全等領(lǐng)域得到了廣泛的利用，具有重要的軍民兩用價(jià)值。遙感數(shù)據(jù)由于其較高的時(shí)間分辨率、便于計(jì)算的數(shù)字格式、廣闊的觀測(cè)視角以及能提供不同空間和光譜分辨率下的圖像數(shù)據(jù)，已廣泛應(yīng)用于各種變化檢測(cè)任務(wù)中[2]。利用遙感數(shù)據(jù)進(jìn)行變化檢測(cè)的主要原理是感興趣目標(biāo)發(fā)生的變化會(huì)改變影像光譜的行為(光譜反射值或局部紋理)，并與其他因素(大氣條件、光照、觀測(cè)視角及土壤濕度等)造成的改變是相互獨(dú)立的[3]。利用變化檢測(cè)對(duì)軍事目標(biāo)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)和戰(zhàn)后毀傷評(píng)估具有重要的軍事應(yīng)用價(jià)值，通過(guò)對(duì)機(jī)場(chǎng)、港口、油庫(kù)等重要軍事目標(biāo)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)，可以及時(shí)感知戰(zhàn)場(chǎng)信息、了解對(duì)方兵力部署情況、幫助指揮員做出正確的戰(zhàn)略部署，對(duì)加速戰(zhàn)役進(jìn)程、節(jié)約戰(zhàn)爭(zhēng)成本及取得戰(zhàn)場(chǎng)勝利起著至關(guān)重要的作用[4]。

飛機(jī)目標(biāo)是機(jī)場(chǎng)區(qū)域中一類最重要的移動(dòng)目標(biāo)，對(duì)其進(jìn)行變化檢測(cè)具有重要的實(shí)用意義和研究?jī)r(jià)值。伴隨著遙感圖像空間分辨率的提高，利用遙感圖像進(jìn)行移動(dòng)目標(biāo)的變化檢測(cè)已成為一個(gè)熱點(diǎn)研究問(wèn)題。傳統(tǒng)的遙感圖像變化檢測(cè)方法建立在基于像元的光譜信息分析基礎(chǔ)上，僅利用了圖像的灰度信息，其缺陷也比較明顯： ①變化檢測(cè)結(jié)果對(duì)圖像配準(zhǔn)的精度比較敏感，配準(zhǔn)精度過(guò)低會(huì)導(dǎo)致結(jié)果圖像出現(xiàn)大量“偽變化信息”； ②實(shí)際應(yīng)用中，不同時(shí)相的傳感器、物候、大氣條件和土壤水分等差異導(dǎo)致的“噪聲”信息容易被探測(cè)，基于像元的分析方法容易混淆和錯(cuò)判這類噪聲，也會(huì)得到“偽變化信息”[5]； ③遙感圖像普遍存在的“同譜異質(zhì)”和“同質(zhì)異譜”現(xiàn)象導(dǎo)致的混合像元問(wèn)題，也會(huì)降低基于像元光譜特征的分類和變化檢測(cè)的精度； ④基于像元的變化檢測(cè)方法未考慮鄰域的上下文信息和空間結(jié)構(gòu)信息，僅對(duì)單個(gè)像元進(jìn)行檢測(cè)分析，也會(huì)產(chǎn)生嚴(yán)重的“椒鹽效應(yīng)”?，F(xiàn)存的大量面向像元的變化檢測(cè)方法對(duì)圖像預(yù)處理要求較高，當(dāng)配準(zhǔn)精度較低時(shí)會(huì)產(chǎn)生大量虛警； 同時(shí)，大多數(shù)算法都是針對(duì)具體問(wèn)題提出的，不具有通用性。面向?qū)ο蟮淖兓瘷z測(cè)方法在一定程度上能夠克服基于像元方法存在的缺陷，但需解決4個(gè)方面的問(wèn)題： 如何獲取目標(biāo)區(qū)域、以哪種特征來(lái)表示目標(biāo)對(duì)象、如何構(gòu)造目標(biāo)對(duì)象的差值影像及如何進(jìn)行對(duì)象—對(duì)象尺度上的比較。

本文針對(duì)實(shí)際應(yīng)用問(wèn)題，充分利用圖像處理以及與目標(biāo)相關(guān)的知識(shí)信息，提出了一種知識(shí)驅(qū)動(dòng)下的飛機(jī)目標(biāo)變化檢測(cè)算法，降低了部分復(fù)雜問(wèn)題的處理難度，同時(shí)對(duì)目標(biāo)變化檢測(cè)問(wèn)題具有一定的通用性，具有較高的研究?jī)r(jià)值。

1 研究方法

針對(duì)機(jī)場(chǎng)區(qū)域飛機(jī)目標(biāo)變化檢測(cè)這一具體問(wèn)題，本文結(jié)合大量可用的先驗(yàn)知識(shí)信息，提出了知識(shí)驅(qū)動(dòng)下的飛機(jī)目標(biāo)變化檢測(cè)技術(shù)流程(圖1)。

圖1 知識(shí)驅(qū)動(dòng)下飛機(jī)目標(biāo)變化檢測(cè)技術(shù)流程

對(duì)輸入的2個(gè)時(shí)刻的圖像，首先選取飛機(jī)目標(biāo)變化檢測(cè)區(qū)域進(jìn)行幾何配準(zhǔn)，完成空間位置糾正； 然后提取圖像的紋理特征，構(gòu)建紋理差分圖像進(jìn)行變化檢測(cè)； 并對(duì)檢測(cè)結(jié)果進(jìn)行數(shù)學(xué)形態(tài)學(xué)運(yùn)算處理，消除部分孤立點(diǎn)，最終得到變化檢測(cè)結(jié)果。

2 數(shù)據(jù)預(yù)處理

2.1 目標(biāo)區(qū)域選取

對(duì)于機(jī)場(chǎng)等大型的固定設(shè)施目標(biāo)，其基本的結(jié)構(gòu)在一定時(shí)間內(nèi)不會(huì)發(fā)生大范圍的變化，結(jié)合這一信息，可建立該機(jī)場(chǎng)的空間掩模圖像。在機(jī)場(chǎng)區(qū)域，飛機(jī)目標(biāo)只可能出現(xiàn)在停機(jī)坪、滑翔道、跑道等位置； 對(duì)這些區(qū)域進(jìn)行分析，即可得到完整的檢測(cè)結(jié)果，并且可以排除背景的干擾。針對(duì)輸入的遙感圖像(圖2(a))，利用Photoshop軟件制作了該機(jī)場(chǎng)區(qū)域的空間掩模圖像(圖2(b))。在實(shí)際應(yīng)用中，將制作的掩模圖像作為知識(shí)信息存入目標(biāo)數(shù)據(jù)庫(kù)中，每當(dāng)有變化檢測(cè)任務(wù)時(shí)，可以根據(jù)機(jī)場(chǎng)的地理位置信息調(diào)取相應(yīng)的掩模圖像，進(jìn)行后續(xù)處理。

(a) 輸入圖像 (b) 空間掩模圖像

圖2 目標(biāo)區(qū)域空間掩模圖像制作

Fig.2 Generation of spatial mask image for target areas

2.2 多時(shí)相遙感圖像配準(zhǔn)

圖像配準(zhǔn)是進(jìn)行多時(shí)相遙感圖像變化檢測(cè)最重要的預(yù)處理步驟。目前，用于遙感圖像配準(zhǔn)的方法可分為基于灰度和基于特征2大類。其中，基于特征的方法因其具有較高的匹配精度和良好的匹配性能而得到了廣泛利用； 但在實(shí)際應(yīng)用中，尤其是在遙感圖像的尺寸較大時(shí)，此類方法特征提取和特征匹配的過(guò)程復(fù)雜而且耗時(shí)，缺陷比較明顯； 受限于特征提取算法，不是所有的特征點(diǎn)都能找到正確的匹配點(diǎn)； 針對(duì)一個(gè)具體的變化模型，往往需要數(shù)量較少的特征點(diǎn)對(duì)進(jìn)行解算，理論上3對(duì)匹配特征點(diǎn)就能解算仿射變換模型。針對(duì)實(shí)際應(yīng)用問(wèn)題，本文選擇在固定設(shè)施內(nèi)部建立一定數(shù)量的地面控制點(diǎn)，采用控制點(diǎn)匹配的方法尋找同名點(diǎn)對(duì)，最終完成配準(zhǔn)。具體的實(shí)現(xiàn)步驟為： ①采用動(dòng)態(tài)模板匹配算法[6]完成前2個(gè)地面控制點(diǎn)的匹配； ②以1號(hào)控制點(diǎn)為根節(jié)點(diǎn)，2號(hào)控制點(diǎn)為起始點(diǎn)，保存其余每個(gè)控制點(diǎn)與前2個(gè)控制點(diǎn)的距離比和角度分量； ③根據(jù)前2個(gè)控制點(diǎn)匹配位置以及每個(gè)控制點(diǎn)的距離比和角度分量，解算每個(gè)控制點(diǎn)的初始匹配位置； ④在解算得到的初始匹配位置小范圍鄰域內(nèi)進(jìn)行模板匹配搜索，尋找每個(gè)控制點(diǎn)的精確匹配位置； ⑤根據(jù)得到的匹配控制點(diǎn)對(duì)解算配準(zhǔn)模型(本實(shí)驗(yàn)選取的是仿射變換模型)。

在實(shí)際應(yīng)用中，往往將控制點(diǎn)位置作為知識(shí)信息關(guān)聯(lián)到該目標(biāo)數(shù)據(jù)庫(kù)中，當(dāng)有配準(zhǔn)任務(wù)時(shí)，可根據(jù)機(jī)場(chǎng)區(qū)域的地理坐標(biāo)位置讀取該目標(biāo)關(guān)聯(lián)的控制點(diǎn)信息。引入控制點(diǎn)之間幾何位置關(guān)系的限制，可以大大降低控制點(diǎn)匹配過(guò)程的搜索時(shí)間，大幅度提高檢測(cè)效率[7]； 同時(shí)利用區(qū)域灰度信息進(jìn)行約束，大大提高匹配的精度。本文選取QuickBird上海浦東機(jī)場(chǎng)遙感圖像作為測(cè)試數(shù)據(jù)(圖3)，其中，t1時(shí)刻圖像的尺寸為827行×1 831列，t2時(shí)刻圖像的尺寸為815行×1 731列，在圖中共建立16個(gè)控制點(diǎn)。

(a)t1時(shí)刻圖像 (b)t2時(shí)刻圖像 (c) 配準(zhǔn)結(jié)果

圖3 多時(shí)相遙感圖像配準(zhǔn)

Fig.3 Registration of multi-temporal remote sensing images

實(shí)驗(yàn)結(jié)果表明，上述方法與傳統(tǒng)的模板匹配和動(dòng)態(tài)模板匹配算法相比，在匹配精度和效率上均有大幅度提升，對(duì)大尺寸遙感圖像配準(zhǔn)具有較強(qiáng)的適用性。圖像配準(zhǔn)結(jié)果比較如表1所示。

表1 圖像配準(zhǔn)結(jié)果比較

3 變化檢測(cè)

3.1 紋理特征提取

一般情況下，遙感圖像中的人工目標(biāo)與自然場(chǎng)景的組織結(jié)構(gòu)和紋理分布存在很大差異，而飛機(jī)目標(biāo)發(fā)生變化必然會(huì)導(dǎo)致相關(guān)區(qū)域發(fā)生較強(qiáng)的結(jié)構(gòu)和紋理變化，因此對(duì)目標(biāo)的變化可以用局部區(qū)域的結(jié)構(gòu)和紋理特征進(jìn)行描述。

紋理不僅反映了圖像的灰度統(tǒng)計(jì)信息，而且反映了圖像的空間分布信息，是對(duì)圖像空間的上下文信息的描述，被廣泛用于各種圖像分析任務(wù)中[8-10]。常見(jiàn)的描述紋理特征的方法有很多種，如灰度共生矩陣(grey-level co-occurrence matrix,GLCM)[11]、灰度直方圖、傅里葉功率譜、分形算法等。GLCM是最常用的一種算法，它描述了圖像相鄰像元在不同角度和距離下的空間關(guān)系，根據(jù)角度關(guān)系可分別計(jì)算0°，45°，90°和135°這4個(gè)方向上的共生矩陣(圖4)。共生矩陣P(i,j,d,θ)描述了θ方向上灰度值分別為i和j的2個(gè)像元在距離為d時(shí)出現(xiàn)的次數(shù)。共生概率矩陣p(i,j,d,θ)可以定義為

(1)

式中Ng為對(duì)輸入圖像的灰度值進(jìn)行分級(jí)的階數(shù)。

圖4 GLCM方向示意圖

為降低運(yùn)算量，本文對(duì)輸入圖像進(jìn)行分級(jí)處理，Ng取8?？紤]到飛機(jī)目標(biāo)尺寸較小，在計(jì)算每個(gè)像元的紋理特征響應(yīng)值時(shí)，選擇3×3鄰域處理窗口。文獻(xiàn)[12]中給出了14種紋理特征量的計(jì)算公式，通過(guò)實(shí)驗(yàn)對(duì)比，本文選擇了其中的共生和方差作為目標(biāo)特征量用于變化檢測(cè)。單純利用紋理信息進(jìn)行變化檢測(cè)往往得不到最佳的檢測(cè)效果，這是因?yàn)楦蓴_因素造成的背景紋理變化會(huì)導(dǎo)致檢測(cè)結(jié)果出現(xiàn)大量虛警。例如文獻(xiàn)[4]利用紋理特征進(jìn)行建筑物目標(biāo)變化檢測(cè)的虛警率達(dá)到55.19%。實(shí)際上，飛機(jī)等目標(biāo)的變化往往對(duì)應(yīng)著較強(qiáng)的紋理變化，為了降低干擾背景對(duì)檢測(cè)結(jié)果的影響，本文對(duì)紋理特征影像進(jìn)行閾值分割，剔除了部分弱紋理，最終得到可用于變化檢測(cè)的特征影像。

3.2 飛機(jī)目標(biāo)變化檢測(cè)

在對(duì)經(jīng)配準(zhǔn)的2景圖像進(jìn)行紋理特征提取后，根據(jù)目標(biāo)區(qū)域的掩模圖像，可以得到待檢測(cè)區(qū)域的紋理特征圖像，構(gòu)建特征差分圖像(圖5(a))?？梢钥闯觯诖龣z測(cè)飛機(jī)區(qū)域與其他目標(biāo)區(qū)域之間存在著較強(qiáng)的邊緣響應(yīng)，這部分響應(yīng)是由圖像配準(zhǔn)誤差引起的。實(shí)際上，飛機(jī)目標(biāo)通常不會(huì)停留在跑道、滑行道或停機(jī)坪區(qū)域的邊緣位置。可以根據(jù)該知識(shí)信息，對(duì)紋理差分圖像進(jìn)行邊緣抑制處理，以降低配準(zhǔn)誤差對(duì)變化檢測(cè)結(jié)果的影響。根據(jù)紋理差分圖像的灰度直方圖，選擇合適的閾值進(jìn)行二值分割，剔除部分弱紋理，結(jié)果如圖5(b)所示。

(a) 目標(biāo)區(qū)域 (b) 分割結(jié)果

圖5 紋理差分圖像

Fig.5 Texture difference image

3.3 形態(tài)學(xué)處理

經(jīng)閾值化處理后的檢測(cè)結(jié)果比較破碎，變化區(qū)域的形狀也會(huì)提取得不夠完整，針對(duì)這種情況，本文選用形態(tài)學(xué)方法對(duì)檢測(cè)結(jié)果進(jìn)行后處理。形態(tài)學(xué)處理的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的，腐蝕和膨脹是其中兩個(gè)最基本的運(yùn)算。腐蝕運(yùn)算可以把小于結(jié)構(gòu)元素的物體去除，是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過(guò)程，可以用來(lái)消除小且無(wú)意義的物體； 膨脹運(yùn)算可以把圖像的背景點(diǎn)合并到物體中，使邊界向外擴(kuò)張，對(duì)于填補(bǔ)物體內(nèi)部的空洞很有用。對(duì)于輸入的二值影像，其進(jìn)行腐蝕和膨脹運(yùn)算的示意圖如圖6所示。

(a) 二值影像 (b) 腐蝕運(yùn)算 (c) 膨脹運(yùn)算

圖6 腐蝕膨脹運(yùn)算示意圖

Fig.6 Diagram for erosion and dilation operation

選取合適的結(jié)構(gòu)元素先對(duì)紋理差分圖像分割結(jié)果進(jìn)行腐蝕運(yùn)算，剔除部分孤立點(diǎn)后，再對(duì)圖像進(jìn)行膨脹運(yùn)算，填補(bǔ)目標(biāo)內(nèi)部的空洞，最終得到變化檢測(cè)結(jié)果。同時(shí)，分別采用像元級(jí)變化檢測(cè)和直接紋理差分變化檢測(cè)方法進(jìn)行實(shí)驗(yàn)，其結(jié)果如圖7所示。

(a) 本文方法變化檢測(cè)(b) 像元級(jí)變化檢測(cè)(c) 直接紋理差分變化檢測(cè)

圖7 3種方法變化檢測(cè)結(jié)果對(duì)比

Fig.7 Comparison between change detection results 3 methods

從圖7可以看出，受配準(zhǔn)誤差的影響，基于像元的變化檢測(cè)方法產(chǎn)生大量的虛警噪聲； 受弱紋理和強(qiáng)邊緣響應(yīng)的影響，直接紋理差分的變化檢測(cè)方法也會(huì)導(dǎo)致結(jié)果出現(xiàn)大量虛警?？傊?種方法的變化檢測(cè)結(jié)果中都存在大量的漏警目標(biāo)。

4 檢測(cè)結(jié)果評(píng)價(jià)

實(shí)際情況中，由配準(zhǔn)誤差、光照條件、季節(jié)因素及云層遮擋等原因造成遙感圖像不可避免地會(huì)產(chǎn)生點(diǎn)狀、線狀及塊狀虛警。為了更精確地評(píng)價(jià)目標(biāo)檢測(cè)檢測(cè)結(jié)果，本文不采取單個(gè)像元的變化個(gè)數(shù)來(lái)衡量，而是用飛機(jī)目標(biāo)檢測(cè)結(jié)果與人工判讀相結(jié)合的方法來(lái)驗(yàn)證本文方法的有效性。對(duì)目標(biāo)變化檢測(cè)結(jié)果的評(píng)價(jià)指標(biāo)包括虛警率、漏警率和正確率。

1)目標(biāo)變化檢測(cè)的虛警率Pfp，定義為檢測(cè)到的未發(fā)生變化的目標(biāo)被判定為變化目標(biāo)數(shù)(即虛警目標(biāo)數(shù))A與目標(biāo)總數(shù)N之比，即

(2)

2)目標(biāo)變化檢測(cè)的漏警率Pfn，定義為已發(fā)生變化但未被檢測(cè)出的目標(biāo)數(shù)B與目標(biāo)總數(shù)N之比，即

(3)

3)目標(biāo)變化檢測(cè)的正確率Pdr，定義為檢測(cè)出的發(fā)生變化的目標(biāo)數(shù)C與目標(biāo)總數(shù)N之比，即

(4)

式中

Pfn+Pdr=1 。

(5)

在本文實(shí)驗(yàn)中，2景輸入圖像的目標(biāo)總數(shù)146個(gè)，檢測(cè)結(jié)果中有虛警目標(biāo)9個(gè)，未被檢測(cè)出的變化飛機(jī)目標(biāo)11個(gè)。不同方法的檢測(cè)結(jié)果如表2所示。

表2 不同方法變化檢測(cè)結(jié)果比較

從表1可以看出，本文方法檢測(cè)正確率較高，漏警率和虛警率較低。在飛機(jī)目標(biāo)變化檢測(cè)中對(duì)比其他傳統(tǒng)方法，本文方法的檢測(cè)性能最好。

5 結(jié)論

本文提出了一種知識(shí)驅(qū)動(dòng)下的飛機(jī)目標(biāo)變化檢測(cè)方法。結(jié)合機(jī)場(chǎng)區(qū)域的知識(shí)信息，弱化了感興趣區(qū)域提取、圖像配準(zhǔn)、變化檢測(cè)等關(guān)鍵步驟的難度。實(shí)驗(yàn)證明本文提出的方法較傳統(tǒng)方法在檢測(cè)效率和精度上均有明顯提高。如何自動(dòng)確定變化檢測(cè)的閾值是下一步研究的主要問(wèn)題。此外，如何將本文方法推廣到其他目標(biāo)的變化檢測(cè)任務(wù)中，也是值得研究的問(wèn)題。

[1] Singh A.Review article digital change detection techniques using remotely-sensed data[J].International Journal of Remote Sensing,1989,10(6):989-1003.

[2] Wang B,Choi S,Byun Y,et al.Object-based change detection of very high resolution satellite imagery using the cross-sharpening of multitemporal data[J].IEEE Geoscience and Remote Sensing Letters,2015,12(5):1151-1155.

[3] Hussain M,Chen D M,Cheng A,et al.Review article change detection from remotely sensed images:From pixel-based to object-based approaches[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,80:91-106.

[4] 張永梅,李立鵬,姜明,等.綜合像素級(jí)和特征級(jí)的建筑物變化檢測(cè)方法[J].計(jì)算機(jī)科學(xué),2013,40(1):286-293. Zhang Y M,Li L P,Jiang M,et al.Change detection method for buildings based on pixel-level and feature-level[J].Computer Science,2013,40(1):286-293.

[5] 祝錦霞.高分辨率遙感影像變化檢測(cè)的關(guān)鍵技術(shù)研究[D].杭州:浙江大學(xué),2011. Zhu J X.The Key Technology of Change Detection Using High Resolution Remotely Sensed Imagery[D].Hangzhou:Zhejiang University,2011.

[6] 鄧小煉,王長(zhǎng)耀.一種基于動(dòng)態(tài)模板和等角變換的遙感影像地面控制點(diǎn)匹配算法[J].測(cè)繪科學(xué),2005,30(4):51-53. Deng X L,Wang C Y.A remote sensing image ground control point matching algorithm based on dynamic template and conformal transform[J].Science of Surveying and Mapping,2005,30(4):51-53.

[7] Xiong Z,Zhang Y.A novel interest-point-matching algorithm for high-resolution satellite images[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(12):4189-4200.

[8] 周紹光,孫金彥,凡莉,等.高分辨率遙感影像的建筑物輪廓信息提取方法[J].國(guó)土資源遙感,2015,27(3):52-58.doi:10.6046/gtzyyg.2015.03.10. Zhou S G,Sun J Y,Fan L,et al.Extraction of building contour from high resolution images[J].Remote Sensing for Land and Resources,2015,27(3):52-58.doi:10.6046/gtzyyg.2015.03.10.

[9] 王東廣,肖鵬峰,宋曉群,等.結(jié)合紋理信息的高分辨率遙感圖像變化檢測(cè)方法[J].國(guó)土資源遙感,2012,24(4):76-81.doi:10.6046/gtzyyg.2012.04.13. Wang D G,Xiao P F,Song X Q,et al.Change detection method for high resolution remote sensing image in association with textural and spectral information[J].Remote Sensing for Land and Resources,2012,24(4):76-81.doi:10.6046/gtzyyg.2012.04.13.

[10]劉小洲.高分辨率遙感圖像的變化檢測(cè)技術(shù)研究[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2007. Liu X Z.Researches on Change Detection from High Resolution Remote Sensing Images[D].Changsha:National University of Defense Technology,2007.

[11]侯群群,王飛,嚴(yán)麗.基于灰度共生矩陣的彩色遙感圖像紋理特征提取[J].國(guó)土資源遙感,2013,25(4):26-32.doi:10.6046/gtzyyg.2013.04.05. Hou Q Q,Wang F,Yan L.Extraction of color image texture feature based on gray-level co-occurrence matrix[J].Remote Sensing for Land and Resources,2013,25(4):26-32.doi:10.6046/gtzyyg.2013.04.05.

[12]Haralick R M,Shanmugam K,Dinstein I H.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybernetics,1973,SMC-3(6):610-621.

(責(zé)任編輯： 邢宇)

Knowledge driven change detection method for aircraft targets

XIANG Shengwen， WEN Gongjian， GAO Feng

(ATRKeyLaboratory，SchoolofElectronicScienceandEngineering，NationalUniversityofDefenseTechnology，Changsha410073，China)

Aimed at high-resolution optical sense images, this paper proposes a knowledge driven change detection method for the aircraft targets. First, a spatial mask image of the airport is set up according to the geographical position information and the candidate area of aircraft targets is obtained. Second, the control points’ information in the target area is utilized to register input images. As changes of aircraft targets can lead to significant texture changes in area, the authors detected the changes by extracting texture features. A weak texture elimination and edge suppression method was put forward to reduce the false-alarm rate. Finally, the mathematical morphological operation method was employed to eliminate some isolation points and acquire the detection results. Experiments show that the proposed method can efficiently reduce the false-alarm caused by registration error and skirt response, with the detection rate of aircraft targets reaching 92.47%.

aircraft targets； texture features； change detection； knowledge driven

10.6046/gtzyyg.2016.04.12

項(xiàng)盛文,文貢堅(jiān),高峰.知識(shí)驅(qū)動(dòng)下的飛機(jī)目標(biāo)變化檢測(cè)方法[J].國(guó)土資源遙感,2016,28(4):77-82.(Xiang S W,Wen G J,Gao F.Knowledge driven change detection method for aircraft targets[J].Remote Sensing for Land and Resources,2016,28(4):77-82.)

2015-05-06；

2015-05-21

國(guó)家自然科學(xué)基金項(xiàng)目“高分辨率遙感圖像精確快速配準(zhǔn)技術(shù)研究”(編號(hào)： 41301492)資助。

TP 751.1

A

1001-070X(2016)04-0077-06

項(xiàng)盛文(1991-),男,碩士研究生,主要研究方向?yàn)檫b感圖像處理和遙感信息獲取。Email： xiangsw224@163.com。

文貢堅(jiān)(1972-),男,教授,博士生導(dǎo)師,主要研究方向?yàn)閿z影測(cè)量與遙感、圖像分析與理解、模式識(shí)別與人工智能。Email： wengongjian@sina.com。