焦 姣， 鞏向武， 郭皇皇

(1. 裝備學(xué)院 研究生管理大隊, 北京 101416； 2. 裝備學(xué)院 復(fù)雜電子系統(tǒng)仿真實驗室, 北京 101416)

基于局部Hough變換的機場跑道檢測方法

焦 姣1， 鞏向武2， 郭皇皇1

(1. 裝備學(xué)院 研究生管理大隊, 北京 101416； 2. 裝備學(xué)院 復(fù)雜電子系統(tǒng)仿真實驗室, 北京 101416)

針對可見光遙感圖像中的機場跑道檢測問題，提出了一種基于方向預(yù)判的局部Hough變換方法。通過頻譜能量楔向采樣，確定頻譜圖中對能量貢獻起主導(dǎo)作用的系數(shù)分布角度范圍與機場跑道的對應(yīng)關(guān)系，得到跑道的方向預(yù)判結(jié)果；利用方向信息對Hough變換角度的取值范圍進行壓縮，通過局部Hough變換進行直線檢測得到機場跑道。實驗結(jié)果表明:該方法能夠較好地消除復(fù)雜背景中地物的干擾，快速準確地檢測出機場跑道。

頻譜分析；邊緣檢測；局部Hough變換；跑道檢測

遙感圖像中的機場跑道具有較為明顯的特征：跑道通常表現(xiàn)為平直且邊沿較為齊整的帶狀，長寬具有一定的范圍，邊緣線一般為平行線對；跑道區(qū)域的灰度級通常高于附近背景區(qū)域，具有與周圍環(huán)境較為明顯的差異。這些特征可應(yīng)用于跑道檢測與提取?；诖耍S多學(xué)者進行了研究。文獻[1]首先對圖像進行分割，然后利用各向異性擴散和Frangi濾波去除噪聲干擾，檢測得到可能的跑道信息,最后利用目標的形狀和顏色特征提取出跑道。文獻[2]首先利用形態(tài)學(xué)方法進行圖像增強，然后采用最大類間方差法進行閾值分割，提取得到機場連通域，經(jīng)過細化之后通過2次Hough變換提取跑道。文獻[3]根據(jù)機場跑道在各波段所具有的不同灰度特征及其直線特征進行跑道定位，再對跑道關(guān)鍵點進行區(qū)域生長。文獻[4]利用最大連通域提取得到機場區(qū)域，然后通過邊緣提取和Hough變換確定跑道。這些特征在復(fù)雜背景下存在的損失容易造成目標漏警和虛警,而傳統(tǒng)Hough變換的計算量也非常大。

本文首先通過頻域能量分布分析確定機場跑道的大致方向，然后將Hough變換中的角度取值限定在較小的范圍內(nèi)，減少了Hough變換的計算量，同時準確檢測出了機場跑道。本文提出的方法包括以下幾個步驟：(1) 采用改進的中值濾波策略對圖像進行降噪處理；(2) 通過閾值分割得到二值圖像；(3) 采用Canny算子進行邊緣檢測；(4) 將圖像變換至頻域通過能量譜楔狀采樣峰值分析得到跑道的大致方向；(5) 對邊緣圖像進行局部Hough變換得到機場跑道的檢測結(jié)果。整個流程如圖1所示。

圖1 機場跑道檢測流程

1 圖像預(yù)處理

1.1 圖像降噪

遙感圖像在拍攝的過程中難免會存在一些噪聲，一般是突發(fā)噪聲點。為了更好地提取目標，首先需要對圖像進行降噪處理。目前，圖像降噪有許多成熟的濾波器，其中中值濾波對隨機噪聲具有非常理想的降噪能力，但其效果依賴于濾波窗口大小——窗口太大會導(dǎo)致邊緣模糊，太小則去噪效果不理想。本文采用一種改進的中值濾波策略，即對圖像進行掃描，判斷像素點是否是濾波窗口覆蓋下鄰域像素的極小值或者極大值。如果是，依然采用普通中值濾波進行處理；如果不是，則不予處理。由于噪聲點基本都屬于鄰域極值，利用改進的方法能夠在幾乎不對邊緣造成影響的情況下有效去除突發(fā)噪聲點，尤其是消除椒鹽噪聲。

1.2 閾值分割

一幅圖像可以看作由前景與背景構(gòu)成，可以通過統(tǒng)計學(xué)方法獲取分割閾值，使前景與背景盡可能分離。一般而言，機場具有與背景較為明顯的灰度差異，可以采用一種自適應(yīng)閾值分割方法對遙感圖像進行二值化操作，即完成機場與背景的分割。本文采用Otsu方法[5]。Otsu閾值分割方法又稱最大類間方差法，該方法計算簡單，在一定條件下不受圖像亮度與對比度變化的影響。

的像素分為C2。設(shè)σB(t)表示閾值為t時的類間方差，通過求最大值可得到最佳閾值T。

(1)

σB(t)2=

p1(t)(m1(t)-mg)2+p2(t)(m2(t)-mg)2

(2)

式中：m1(t)，m2(t)分別是C1和C2的像素平均值；p1(t)，p2(t)分別是相應(yīng)的概率密度；mg是全局像素均值。

如圖2為灰度圖像的直方圖，使用Otsu法求得T=0.549，轉(zhuǎn)換在[0,255]之間為140.0，閾值T位于2個峰值之間的波谷位置。

圖2 灰度圖像直方圖

1.3 邊緣檢測

Canny是常用的邊緣檢測算子,它能夠在噪聲抑制和邊緣精確定位之間取得最佳折中。本文采用Canny算子進行邊緣檢測，其原理是：在x、y方向求一階導(dǎo)數(shù)，將其組合為4個方向的導(dǎo)數(shù)，這些方向的導(dǎo)數(shù)達到局部最大值的點就是構(gòu)成邊緣的候選像素點。具體算法如下[6]：(1) 用高斯濾波器對圖像進行平滑濾波；(2) 用一階偏導(dǎo)有限差分來計算梯度的幅值和方向；(3) 對梯度幅值進行非極大值抑制；(4) 用雙閾值算法對邊緣進行檢測和連接。

遙感圖像背景通常較為復(fù)雜，存在多種地物，完成圖像分割操作之后依然存在背景殘留，導(dǎo)致邊緣提取結(jié)果中存在部分背景連通體邊緣。因此，本文對邊緣提取結(jié)果進行簡單的連通體篩選，濾除較小的連通體邊緣。

2 基于頻譜能量分析的方向預(yù)判

圖像的傅立葉變換是將圖像從空間域變換到頻率域，也就是將圖像的光譜能量分布f(x,y)變換為頻率能量分布F(u,v)，頻譜圖能夠很好地反映出不同的頻率成分，也反映了圖像能量隨頻率的變化情況[7]。在圖像的傅里葉頻譜中，亮點的明暗表征了該點與鄰域點差異強弱，亮度強的點梯度值較大。如果頻譜圖中亮度強的點較多，圖像通常較為尖銳，具有較為劇烈的灰度變化趨勢，邊界分明并且邊界處像素差異較大。通常圖像中存在較多的水平與垂直方向線條，因此頻譜圖中亮點多集中于水平與垂直方向，原圖像中的水平邊緣與頻譜圖中的豎直亮線相對應(yīng)，而豎直邊緣則與水平亮線相對應(yīng)。頻譜圖中靠近中心的區(qū)域為低頻部分，對應(yīng)原圖像的慢變化分量；遠離中心的區(qū)域?qū)俑哳l部分，與原圖像中灰度級變化較快的分量相對應(yīng)，常表征圖像的細節(jié)，如邊緣和噪聲等。

2.1 頻譜能量分析

將圖像進行二維傅里葉變換，如圖3所示[8]。傅里葉變換得到的頻譜數(shù)據(jù)并非以零頻為中心進行排列，而是按照原始的計算順序，因此零頻位于頻譜圖角上。利用頻譜周期性特點，通過平移可以將零頻移至圖像中心位置，低頻分量從頻譜圖中心向四周擴散；同時，高頻分量則分散在四周，有利于對圖像特征進行分析。

圖3 圖像頻譜坐標移位示意圖

2.2 跑道方向預(yù)判

在遙感圖像中，各類地物特征線條表現(xiàn)出多方向性，且隨機分布于圖像中各個位置。根據(jù)傅里葉能量譜的自配準性，具有相同方向的特征線不受位置約束，其能量貢獻會疊置在一起，并在頻譜圖中集中表征為通過中心且垂直于原特征線方向的條帶。若原圖像中存在大量的某一角度的邊緣線，則其頻譜能量的楔狀采樣在θ+π/2具有較大的峰值。遙感圖像中機場線條較為單一，分布在圖像中的某一個位置，通過分析楔向能量分布的峰值位置即可大致確定圖像中機場的方向。

采用極坐標系進行頻譜能量E(x,y)分析，假設(shè)(r,θ)為(x,y)平面上的極坐標

(3)

通過積分可以得到各扇形區(qū)域中的頻譜能量分布，離散二維圖像可用求和來替代積分形式。在相應(yīng)的扇面上對r求和

,...,n

(4)

考慮經(jīng)過平移的頻譜圖中頻譜能量系數(shù)關(guān)于原點呈對稱分布，只取上半部分的頻譜系數(shù)進行楔向分布能量采樣，根據(jù)對稱性將頻譜圖上半部分劃分為6個小區(qū)域，分別做6個方向的能量統(tǒng)計，劃分角度為：[60°,90°)，[30°,60°)，[0°,30°)，[-30°,0°)，[-60°,-30°)，[-90°,-60°)，如圖4所示。

圖4 能量譜楔狀采樣

3 基于方向信息的Hough變換

3.1 Hough變換基本原理

Hough變換是一種常用的提取直線的方法，實質(zhì)上是一種投票機制，對參數(shù)空間中的點進行投票，投票值超過閾值則認為有足夠多的點位于該參數(shù)點所決定的直線上。該方法具有受直線是否存在斷點和噪聲影響小的優(yōu)點。經(jīng)過Hough變換，可以得到直線長度、端點、夾角，以及直線間垂直距離等參數(shù)。Hough變換的基本思想是點-線的對偶性，它把圖像空間中直線的檢測問題變換到參數(shù)空間中點的檢測問題。變換關(guān)系為

ρ=xcosθ+ysinθ

(5)

式中：ρ為坐標原點到直線的距離；θ為直線的法線與x軸的夾角。圖像空間x-y中的每個點與參數(shù)空間ρ-θ中的一條正弦/余弦曲線相對應(yīng)，且同一直線上的點所對應(yīng)參數(shù)空間中的曲線均交于一點。將參數(shù)空間離散化，統(tǒng)計過參數(shù)空間每個點[ρ,θ]的曲線條數(shù)，θ值相同則表征2條平行的直線。如圖5所示，空間中有3個點，分別對各點求過該點的N個方向直線的[ρ,θ]坐標。通常N=180，對應(yīng)的檢測角度精度為1°。圖中3個點的[ρ,θ]曲線相交于點[ρ0,θ0]，該交點即表征經(jīng)過這3個點的直線。Hough變換直線檢測對經(jīng)過同一點的曲線數(shù)進行累加，超過一定閾值的[ρ,θ]坐標，即可判定此處存在一條直線。

a) 圖像空間

b) 參數(shù)空間圖5 Hough變換原理圖

3.2 跑道檢測

遙感圖像中的跑道一般為具有一定寬度的平行線對，且具有顯著的方向性，與其他地物目標有明顯區(qū)別[9]。根據(jù)跑道邊緣線特征，結(jié)合方向預(yù)判信息，對邊緣檢測結(jié)果進行局部Hough變換。傳統(tǒng)Hough變換參數(shù)θ的取值范圍是[-90°,90°),經(jīng)過邊緣檢測提取到的邊緣像素點都要參與運算，具有計算量大的缺點。本文方法利用頻譜能量分布分析得到機場跑道方向信息，將θ的取值范圍壓縮到跑道方向鄰域內(nèi)的局部小區(qū)間[θ1,θ2)內(nèi)，將對θ的全局投票簡化為局部投票，能有效減小計算量并準確檢測到機場跑道。

機場跑道邊緣一般為基本等長的平行直線，由于背景粘連、成像條件等原因容易出現(xiàn)邊緣斷裂。本文對Hough變換檢測出的直線進行掃描，根據(jù)平行線對距離和局部灰度分布信息對部分短線段進行區(qū)域生長，得到較為完整的跑道。

4 實驗結(jié)果及分析

如圖6所示，選取多幅機場遙感圖像進行實驗驗證，統(tǒng)一圖像大小為800×800。實驗硬件環(huán)境為IntelCorei5-4200U，CPU主頻1.60GHz，軟件環(huán)境為MATLABR2014a。這3處機場具有較好的代表性和差異性，機場背景主要以農(nóng)田和村莊為主：圖6a)中有一條跑道，跑道一側(cè)有一條滑行道；圖6b)中機場較為復(fù)雜，有2條平行跑道；圖6c)中有2條“X”形跑道。

a) 北京西苑機場

b) 臺灣桃園機場

c) 芷江機場圖6 機場遙感原圖像

4.1 跑道方向預(yù)判結(jié)果及分析

首先針對原始圖像，進行圖像降噪以及閾值分割；然后采用Canny算子進行邊緣檢測，濾掉過小的連通體；再通過傅里葉變換將降噪處理后的灰度圖像變換至頻域，提取頻譜圖中對能量貢獻起主導(dǎo)作用的系數(shù)分布角度范圍，得到跑道的方向預(yù)判結(jié)果。對圖6中3幅圖像分別進行處理，得到閾值分割結(jié)果、邊緣檢測結(jié)果、對應(yīng)的頻譜圖、頻譜圖6個方向的楔向能量統(tǒng)計結(jié)果以及機場跑道方向預(yù)判結(jié)果，如表1所示。表1中第四列為條柱圖，條柱1～6分別對應(yīng)[60°,90°)、[30°,60°)、[0°,30°)、[-30°,0°)、[-60°,-30°)、[-90°,-60°)6個角度范圍。除去頻譜圖中的水平與垂直亮線之外，一般還存在通過頻譜中心的斜向亮色條帶，具有突出的能量集中，該條帶表現(xiàn)為楔向能量累計峰值，與機場跑道方向的角度對應(yīng)關(guān)系滿足θ+π/2。

根據(jù)能量分布檢測到圖6a)對應(yīng)的能量統(tǒng)計圖中條柱1為峰值，相應(yīng)角度范圍為[60°,90°)，則機場跑道方向大致在[-30°,0°)；圖6b)對應(yīng)的能量統(tǒng)計圖中檢測到條柱5為峰值，相應(yīng)角度范圍為[-60°,-30°)，則跑道方向大致在[30°,60°)；圖6c)跑道為“X”形，對應(yīng)的能量統(tǒng)計圖中檢測到條柱2為峰值，條柱3能量累計值與條柱2相差0.3%，相應(yīng)的角度范圍分別為[0°,30°)、[30°,60°)，則跑道方向分別在[-90°,-60°)、[-60°,-30°)，據(jù)此可以通過閾值設(shè)置檢測得到雙峰值，提取“X”形機場跑道。

表1 圖6a)～圖6c)機場跑道方向預(yù)判結(jié)果

4.2 機場跑道檢測結(jié)果

得到方向預(yù)判信息后，將圖6中3幅圖像的邊緣圖像作為輸入，分別利用基于方向預(yù)判信息的局部Hough變換和傳統(tǒng)Hough變換方法進行跑道檢測，結(jié)果如圖7～圖9所示。跑道檢測結(jié)果以紅色線條作為標記。

a) 全局Hough變換檢測結(jié)果 b) 本文方法檢測結(jié)果 c) Hough變換全局投票 d) Hough變換局部投票圖7 圖6a)機場跑道檢測結(jié)果

a) 全局Hough變換檢測結(jié)果 b) 本文方法檢測結(jié)果 c) Hough變換全局投票 d) Hough變換局部投票圖8 圖6b)機場跑道檢測結(jié)果

a) 全局Hough變換檢測結(jié)果 b) 本文方法檢測結(jié)果 c) Hough變換全局投票 d) Hough變換局部投票圖9 圖6c)機場跑道檢測結(jié)果

圖7～圖9中的圖像a)分別為圖6中機場圖像的全局Hough變換檢測結(jié)果，圖像b)分別為局部Hough變換的檢測結(jié)果，圖像c)和圖像d)分別為Hough變換全局和局部投票結(jié)果。從上述結(jié)果可以看出：圖6a)中由于全局變換的缺點，容易檢測出虛假直線；圖6b)中機場跑道結(jié)構(gòu)較為復(fù)雜，縮小檢測范圍可以得到更為精細的跑道檢測結(jié)果；圖6c)中機場存在“X”形跑道，全局檢測僅能檢測到一個方向的跑道，而局部檢測可以檢測到“X”形跑道。下面對Hough變換在時間效率上的改進進行驗證。分別對局部與全局Hough變換跑道檢測所用時間、預(yù)處理時間以及總耗時進行統(tǒng)計。結(jié)果如表2所示。

表2 跑道檢測耗時測試結(jié)果

分析表2測試結(jié)果可知，局部Hough變換引入的預(yù)處理開銷略大于全局變換，但是通過參數(shù)范圍壓縮，大大降低了Hough變換本身的計算量，使得跑道檢測時間明顯優(yōu)于全局Hough變換；同時，綜合性能也較全局變換更優(yōu)。綜上所述，本文方法可快速準確地檢測出機場跑道。

5 結(jié) 束 語

本文通過頻域能量楔向采樣確定能量峰值與機場跑道方向的對應(yīng)關(guān)系，將Hough變換由全局投票簡化為局部投票，大大減少了Hough變換的計算量，快速準確地檢測出機場跑道。下一步工作需要研究自適應(yīng)閾值分割技術(shù)，消除復(fù)雜背景干擾，進一步提高跑道的檢測率和算法的魯棒性。

References)

[1]TRIPATHI A K,SWARUP S.Shape and color features based airport runway detection[C]//IEEE International Advance Computing Conference (IACC).Ghaziabad，India：2013:836-841.

[2]董書勇，吳巍.一種遙感圖像中機場跑道的提取方法[J].武漢理工大學(xué)學(xué)報(信息與管理工程版)，2006，28(7)：152-155.

[3]甘博，吳秀清，胡擁軍.統(tǒng)計的Hough變換在機場遙感圖像分割中的應(yīng)用[J].計算機工程，2002，28(8)：264-265.

[4]陳旭光，林卉.遙感圖像中機場目標的識別方法[J].計算機工程與應(yīng)用，2012，48(25)：194-197.

[5]陽波.基于最大類間方差遺傳算法的圖像分割方法[J].湖南師范大學(xué)自然科學(xué)學(xué)報，2003，26(1)：32-36.

[6]岡薩雷斯.數(shù)字圖像處理 [M].3版.阮秋琦，譯.北京：電子工業(yè)出版社,2012：289-295.

[7]吳桂平，肖鵬峰，馮學(xué)智，等.利用頻譜能量進行高分辨率遙感圖像地物識別[J].武漢大學(xué)學(xué)報(信息科學(xué)版)，2011，36(11)：1294-1297.

[8]吳桂平.高分辨率遙感圖像頻譜能量分析與典型地物特征識別研究[D].南京：南京大學(xué),2011：40-56.

[9]艾淑芳，閆鈞華，李大雷，等.遙感圖像中的機場跑道檢測算法[J].電光與控制，2017(2)：43-46.

(編輯：李江濤)

Airport Runway Detection Based on Local Hough Transform

JIAO Jiao1， GONG Xiangwu2， GUO Huanghuang1

(1.Department of Graduate Management, Equipment Academy, Beijing 101416,China； 2.Science and Technology on Complex Electronic System Simulation Laboratory, Equipment Academy , Beijing 101416,China)

In this paper, a local Hough transform method based on direction prediction is proposed for the airport runway detection of visible remote sensing image. The runway direction prediction is achieved by determining the correspondence between the coefficient distribution angle range with a dominant function in energy contribution and the airport runway. With the use of the direction information of the runway, Hough transformation range is reduced, and the airport runway is obtained via the line detection through local Hough transformation. Experiments show that, with this method, the disturbance from the ground objects in complex background can be better removed, and the airport runway can be detected with great speed and accuracy.

spectrum analysis; edge detection; local Hough transformation; airport runway detection

2017-04-17

部委級資助項目

焦 姣(1988—)，女，博士研究生，主要研究方向為空間信息處理和遙感圖像處理。jiaojiao_nk@163.com

TP751

2095-3828(2017)03-0032-06

A DOI 10.3783/j.issn.2095-3828.2017.03.006