張 淼,于文博,沈 飛,謝長(zhǎng)生,沈 毅

(1.哈爾濱工業(yè)大學(xué) 航天學(xué)院,黑龍江 哈爾濱150006; 2.上海航天控制技術(shù)研究所,上海201109; 3.中國(guó)航天科技集團(tuán)公司 紅外探測(cè)技術(shù)研發(fā)中心,上海 201109)

?

基于改進(jìn)Hough算法的高光譜數(shù)據(jù)直線檢測(cè)方法研究

張 淼1,于文博1,沈 飛2，3,謝長(zhǎng)生2，3,沈 毅1

(1.哈爾濱工業(yè)大學(xué) 航天學(xué)院,黑龍江 哈爾濱150006; 2.上海航天控制技術(shù)研究所,上海201109; 3.中國(guó)航天科技集團(tuán)公司 紅外探測(cè)技術(shù)研發(fā)中心,上海 201109)

為改進(jìn)用于高光譜數(shù)據(jù)直線檢測(cè)的傳統(tǒng)Hough算法的計(jì)算量大、性能較低等不足，對(duì)一種基于改進(jìn)Hough算法的檢測(cè)方法進(jìn)行了研究。用能反映地物信息體量的峰值信噪比選擇波段，選出10個(gè)波段圖像，既減少了輸入波段數(shù)，又確保后續(xù)識(shí)別能考慮所有波段的光譜信息。對(duì)光譜相似性測(cè)度進(jìn)行了改進(jìn)，采用光譜信息散度與光譜角制圖法混合度量(SID-SAM)檢測(cè)圖像邊緣輪廓，獲得特征點(diǎn)。再仿照傳統(tǒng)Hough算法進(jìn)行直線檢測(cè)以得到結(jié)果。給出了算法的處理步驟，算法適于二維圖像和高光譜圖像的處理。實(shí)驗(yàn)檢測(cè)結(jié)果表明：對(duì)二維圖像，改進(jìn)Hough算法識(shí)別出的直線數(shù)量遠(yuǎn)多于傳統(tǒng)Hough變換，且提取的直線精度和完整性均有較大改善；對(duì)高光譜圖像，與二維Hough算法相比，改進(jìn)Hough算法所獲結(jié)果的置信率高、準(zhǔn)確性好，不僅可提高提取直線的完整性，而且能檢測(cè)到前者無(wú)法檢測(cè)到的部分。

高光譜數(shù)據(jù)； 直線檢測(cè)； Hough算法； 光譜相似性測(cè)度； 峰值信噪比； 光譜相似性測(cè)度; 光譜信息散度； 光譜角制圖法

0 引言

直線特征是視覺(jué)感知的重要依據(jù)和表述圖像的重要參考標(biāo)準(zhǔn)之一，在圖像匹配和參數(shù)分析中也是非常重要的內(nèi)容。大部分物體具有直線輪廓，通過(guò)檢測(cè)這些輪廓可定位物體，為目標(biāo)識(shí)別提供條件。在航天領(lǐng)域直線檢測(cè)也有非常重要的作用，如無(wú)人機(jī)搜索識(shí)別、衛(wèi)星穩(wěn)定性控制、反隱身探測(cè)和地圖繪制等[1-2]。無(wú)人機(jī)能根據(jù)給定的要求偵查預(yù)定航區(qū)，發(fā)現(xiàn)有價(jià)值的對(duì)象可自動(dòng)進(jìn)行攻擊，若借助高光譜或多光譜數(shù)據(jù)對(duì)目標(biāo)進(jìn)行檢測(cè)，則可有效減少外在干擾對(duì)檢測(cè)的影響，實(shí)現(xiàn)更精確的識(shí)別與定位。實(shí)際應(yīng)用中，高光譜數(shù)據(jù)的信息量較多光譜數(shù)據(jù)更大、應(yīng)用范圍也更廣，也代表了光譜成像設(shè)備的發(fā)展趨勢(shì)。因此，本文研究主要針對(duì)高光譜數(shù)據(jù)，但討論內(nèi)容同樣適于多光譜數(shù)據(jù)。

目前，最常用的直線提取方法是Hough變換[3]。Hough變換是在圖像的變換域空間進(jìn)行間接處理，實(shí)現(xiàn)一種從圖像空間到參數(shù)空間的映射關(guān)系，通過(guò)變換域與圖像域間的關(guān)系定位出圖像中的直線。其基本思想是點(diǎn)與線的對(duì)偶關(guān)系，近年來(lái)被廣泛用于模式識(shí)別領(lǐng)域。但傳統(tǒng)的Hough變換有如下缺陷：計(jì)算量過(guò)大，通過(guò)每個(gè)邊緣點(diǎn)映射成參數(shù)空間的曲線是一到多的映射，會(huì)占用較多的內(nèi)存；提取的參數(shù)受空間的量化間隔制約。針對(duì)上述缺陷，文獻(xiàn)[4]提出了概率Hough變換，將圖像數(shù)據(jù)映射到參數(shù)域中有更大概率的單元，而非所有單元；文獻(xiàn)[5]提出了隨機(jī)Hough變換，避免傳統(tǒng)Hough變換的龐大計(jì)算量，且降低了內(nèi)存要求，但處理復(fù)雜圖像時(shí)會(huì)引入大量無(wú)效采樣累積，導(dǎo)致算法性能顯著降低。為此，本文提出了一種改進(jìn)Hough算法，采用多對(duì)一的映射方式，減少算法計(jì)算難度，通過(guò)隨機(jī)提取最小點(diǎn)集進(jìn)行變換并檢測(cè)，縮小了每次檢測(cè)的搜索范圍，加快了檢測(cè)速度。在該算法的基礎(chǔ)上，結(jié)合高光譜圖像波段選擇和光譜圖像輪廓識(shí)別，以實(shí)現(xiàn)對(duì)高光譜三維數(shù)據(jù)直接進(jìn)行直線檢測(cè)，具有檢測(cè)效率高、置信率高的特點(diǎn)。

1 高光譜數(shù)據(jù)預(yù)處理

高光譜數(shù)據(jù)具異于二維圖像的特點(diǎn)，進(jìn)行檢測(cè)前需對(duì)其進(jìn)行預(yù)處理。高光譜數(shù)據(jù)量過(guò)大，處理時(shí)易造成不必要的麻煩，因此先需對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理，減少輸入數(shù)據(jù)的波段數(shù)。波段選擇是從給定的高光譜數(shù)據(jù)中選出符合要求的最優(yōu)波段。因波段選擇須盡可能包含所有的地物特性，故用能反映地物信息體量的峰值信噪比作為選擇標(biāo)準(zhǔn)。此外，在進(jìn)行直線檢測(cè)前，還需對(duì)圖像進(jìn)行輪廓識(shí)別。二維圖像邊緣檢測(cè)算子(如Canny算子、Robert算子、Rewitt算子等)主要是通過(guò)比較圖像相鄰像素點(diǎn)灰度梯度獲取邊緣輪廓，對(duì)高光譜數(shù)據(jù)來(lái)說(shuō)，像素點(diǎn)數(shù)值已擴(kuò)展為光譜向量值，因此需采用新的邊緣識(shí)別方法。作為高光譜數(shù)據(jù)信息提取的基本要素，本文將引入光譜相似性測(cè)度這一要素對(duì)三維高光譜數(shù)據(jù)進(jìn)行輪廓識(shí)別。

1.1 峰值信噪比波長(zhǎng)選擇

圖像的信噪比一般為信號(hào)與噪聲的功率譜之比，但功率譜難以計(jì)算，因此可用信號(hào)與噪聲的方差比作近似估計(jì)[6-8]。首先計(jì)算圖像所有像素的局部方差，認(rèn)為局部方差的最大值是信號(hào)方差，最小方差是噪聲方差，并求其比值，最后再用經(jīng)驗(yàn)公式修正。

峰值信噪比常被用作圖像壓縮領(lǐng)域中信號(hào)重建質(zhì)量的衡量方法，一般可用均方差進(jìn)行定義。對(duì)兩個(gè)m×n大小的含噪聲近似圖像I，K，其均方差和峰值信噪比分別定義為

(1)

(2)

式中：γmax為表示圖像點(diǎn)顏色的最大數(shù)值，若每個(gè)采樣點(diǎn)用8位表示，則γmax=255。

為使所選擇的波段盡量覆蓋全部波段的特征，本文采取以下方法：先確認(rèn)要選擇的波段圖像數(shù)為10個(gè)，將高光譜數(shù)據(jù)全部波段按連續(xù)性等分為10組，若全部波段個(gè)數(shù)不是10的倍數(shù)，則隨機(jī)刪除部分波段使全部波段可進(jìn)行等分，因高光譜數(shù)據(jù)的總波段數(shù)一般為一百至數(shù)百個(gè)，故這并不會(huì)影響最后結(jié)果；再依次計(jì)算這10組中每個(gè)波段圖像的峰值信噪比，并分別在每組中選擇峰值信噪比最高的一個(gè)波段圖像，由此獲得了10個(gè)波段的遙感圖像并將其組合得到新的光譜數(shù)據(jù)。考慮高光譜數(shù)據(jù)波段間的高冗余性，篩選出10個(gè)波段圖像并組成新的光譜數(shù)據(jù)對(duì)本文檢測(cè)實(shí)驗(yàn)來(lái)說(shuō)，信息量仍然充分，且新的光譜數(shù)據(jù)波段圖像數(shù)較少，加快了檢測(cè)速度。

通過(guò)上述選擇，可得對(duì)應(yīng)10個(gè)波段的遙感圖像。這樣既可減少檢測(cè)難度、加快檢測(cè)速度，又能確保后續(xù)識(shí)別充分考慮所有波段的光譜信息。

1.2 高光譜圖像輪廓識(shí)別

在二維邊緣檢測(cè)中，Sobel算子與Rewitt算子等邊緣識(shí)別算法主要是借助圖像的一階梯度(即離散的一階差分算子)，可得圖像I中任意一點(diǎn)(x，y)對(duì)應(yīng)的梯度矢量或法向矢量為

(3)

這些算子通常用于灰度圖像，可獲得圖像的邊緣信息，但不能直接用于高光譜圖像的邊緣識(shí)別，這是因?yàn)楦吖庾V圖像像素點(diǎn)間的變化不是簡(jiǎn)單的灰度值變化，而是包含多維光譜信息的變化。因此，需改變所用檢測(cè)方法。

高光譜圖像通常由數(shù)百個(gè)波段圖像組成，因此觀測(cè)區(qū)域的1個(gè)像素點(diǎn)就可用1個(gè)列向量表示，它包含了連續(xù)的光譜信息。對(duì)一個(gè)圖像I，其中每個(gè)像素點(diǎn)ri均可用向量ri=[ri1ri2…riL]T表示(ri∈I)。此處：L為高光譜圖像總波段數(shù)。主要的光譜相似檢測(cè)方法如下。

歐氏距離(ED)可表示兩個(gè)像素點(diǎn)的相似關(guān)系。相鄰的兩個(gè)像素點(diǎn)ri,rj的ED可表示為

(4)

光譜角制圖法(SAM)也是一種廣泛使用的光譜相似性測(cè)度方法[9]。SAM是將光譜數(shù)據(jù)視為多維空間的矢量，用解析方法計(jì)算像素光譜與光譜數(shù)據(jù)庫(kù)中參考光譜間矢量的夾角，根據(jù)夾角的大小確定光譜間的相似程度，以實(shí)現(xiàn)地物識(shí)別。夾角計(jì)算式為

(5)

光譜信息散度(SID)也可用于計(jì)算相鄰像素點(diǎn)間差異[10]。其計(jì)算式為

(6)

(7)

(8)

上述方法從不同方面描述了兩個(gè)像素的相似性。相似性越小，越有可能是輪廓邊緣[11]。通過(guò)反復(fù)試驗(yàn)，本文選擇了混合度量SID-SAM(SS)檢測(cè)，綜合了SID，SAM的優(yōu)點(diǎn)，具更好的光譜辨識(shí)力。計(jì)算式為

(9)

對(duì)高光譜圖像來(lái)說(shuō)，二階梯度差異性可表示為

(10)

SID-SAM算法利用像素四鄰域計(jì)算，基于在邊緣點(diǎn)處達(dá)到極值的原理進(jìn)行邊緣檢測(cè)。該方法不但有較好的檢測(cè)效果，而且對(duì)噪聲具平滑作用，可提供較精確的邊緣方向信息。這樣，就能計(jì)算出高光譜圖像相鄰像素的相似性，通過(guò)設(shè)定閾值，可完成對(duì)高光譜圖像的準(zhǔn)確輪廓識(shí)別。

2 高光譜數(shù)據(jù)三維直線檢測(cè)

通過(guò)光譜相似性測(cè)度分析，獲得了高光譜數(shù)據(jù)的邊緣輪廓，可通過(guò)改進(jìn)Hough算法對(duì)其進(jìn)行直線檢測(cè)。Hough變換是從二維空間到參數(shù)空間的一種映射，對(duì)直線變換來(lái)說(shuō)，主要表現(xiàn)為從二維空間的一點(diǎn)到參數(shù)空間的一條曲線的對(duì)應(yīng)[12]。由對(duì)偶性原理可知：二維空間中的點(diǎn)的共線性對(duì)應(yīng)于參數(shù)空間的共點(diǎn)性，可由參數(shù)空間中一點(diǎn)坐標(biāo)提取出二維空間中對(duì)應(yīng)直線的相關(guān)參數(shù)。對(duì)被噪聲干擾或其他目標(biāo)遮蓋而引起邊界發(fā)生間斷的情況，Hough算法有很好的容錯(cuò)率和識(shí)別性。

二維空間中每個(gè)點(diǎn)(x，y)在以b為參變量、k為自變量的坐標(biāo)中均對(duì)應(yīng)一條直線，因此二維坐標(biāo)中兩點(diǎn)間的直線可用該坐標(biāo)中兩條直線的交點(diǎn)表示，由此完成了線與點(diǎn)間的轉(zhuǎn)換。但因該坐標(biāo)無(wú)法表示斜率為無(wú)窮大的直線，故可將直線轉(zhuǎn)換至參數(shù)坐標(biāo)中改進(jìn)轉(zhuǎn)換方式，具體r-q參數(shù)方程為

(11)

為進(jìn)行直線檢測(cè)，需按一定量化間隔將可能的q，r取值范圍離散成若干區(qū)間，整個(gè)可能的參數(shù)空間被離散為一個(gè)二維的網(wǎng)格，對(duì)每個(gè)離散化點(diǎn)(q，r)，即每個(gè)網(wǎng)格單元設(shè)置一個(gè)計(jì)數(shù)器。對(duì)二維圖像中的每個(gè)特征點(diǎn)(x，y)，遍歷所有的q值即可得出曲線經(jīng)過(guò)的網(wǎng)格點(diǎn)，并對(duì)計(jì)數(shù)器進(jìn)行累加。當(dāng)所有特征點(diǎn)均完成轉(zhuǎn)換后，尋找出參數(shù)空間中計(jì)數(shù)器較大的點(diǎn)，用此法就可計(jì)算出直線在二維空間中存在的位置[13]。

傳統(tǒng)Hough算法有存儲(chǔ)空間大，運(yùn)算量大的缺點(diǎn)，本文對(duì)算法進(jìn)行了改進(jìn)，以?xún)?yōu)化檢測(cè)結(jié)果，達(dá)到更好的效果，具體算法如下。

輸入：閾值。

步驟a)：通過(guò)峰值信噪比的計(jì)算，對(duì)高光譜數(shù)據(jù)信息進(jìn)行波段選擇，選出10個(gè)具代表性的波段圖像進(jìn)行分析。

步驟b)：通過(guò)光譜相似性測(cè)度的計(jì)算，用SID-SAM算子對(duì)10個(gè)波段圖像整體進(jìn)行邊緣識(shí)別，得到其邊緣信息，即特征點(diǎn)。

步驟c)：仿照傳統(tǒng)Hough算法，在參數(shù)坐標(biāo)中建立累加器，對(duì)所有累加器進(jìn)行初始化處理。

步驟d)：在所有特征點(diǎn)中隨機(jī)抽取一個(gè)最小點(diǎn)集，并計(jì)算出由其確定曲線的參數(shù)，這是為實(shí)現(xiàn)收斂映射，即多對(duì)一的映射。

步驟e)：將步驟d)中隨機(jī)抽取的最小點(diǎn)集之曲線對(duì)應(yīng)的累加器進(jìn)行計(jì)數(shù)。

步驟f)：檢索所有累加器，當(dāng)累加器中的計(jì)數(shù)最大值達(dá)到了閾值時(shí)，代表該點(diǎn)對(duì)應(yīng)的直線為目標(biāo)直線，并將已檢測(cè)過(guò)的邊緣信息進(jìn)行顏色反轉(zhuǎn)，防止重復(fù)檢測(cè)。

步驟g)：返回步驟d)，繼續(xù)檢測(cè)剩余直線。當(dāng)檢測(cè)出要求條數(shù)的直線或所有直線全部檢測(cè)完成后，停止檢測(cè)。

步驟h)：將檢測(cè)出的直線在原圖上進(jìn)行顏色標(biāo)注。

上述算法由于加入了步驟a)、b)，可對(duì)高光譜數(shù)據(jù)進(jìn)行直線檢測(cè)，若去掉前兩步后，算法可針對(duì)二維圖像進(jìn)行直線檢測(cè)。其中閾值可根據(jù)檢測(cè)精度需求選擇，若閾值選擇較大，則檢測(cè)出的直線較少但直線完整性高；若閾值選擇較小，則檢測(cè)出的直線較多但會(huì)檢測(cè)出一些短直線。

改進(jìn)的Hough算法采用多對(duì)一的映射，即圖像空間中的多個(gè)特征點(diǎn)對(duì)應(yīng)參數(shù)空間中的一個(gè)點(diǎn)，可減少算法的計(jì)算復(fù)雜度，且由于改進(jìn)的Hough算法不是一次性提取所有坐標(biāo)點(diǎn)進(jìn)行變換，而是隨機(jī)提取最小點(diǎn)集進(jìn)行變換并檢測(cè)，這樣就縮小了每次檢測(cè)的搜索范圍，加快了檢測(cè)速度。另外，由于邊緣檢測(cè)過(guò)程使用了高光譜的多波段圖像，檢測(cè)效果得以改善。

3 實(shí)驗(yàn)結(jié)果

3.1 二維圖像直線檢測(cè)結(jié)果分析

本文方法對(duì)二維圖像和高光譜圖像均有效，先對(duì)二維圖像直線檢測(cè)進(jìn)行仿真。用傳統(tǒng)Hough變換和改進(jìn)Hough變換分別對(duì)二維圖像進(jìn)行直線提取實(shí)驗(yàn)。原始圖像、傳統(tǒng)Hough直線檢測(cè)結(jié)果和改進(jìn)Hough直線檢測(cè)結(jié)果如圖1所示。由圖1(b)可知：傳統(tǒng)Hough變換檢測(cè)效果較差，只能識(shí)別出少數(shù)直線，且多個(gè)細(xì)節(jié)直線并未準(zhǔn)確檢測(cè)。由圖1(c)可知：改進(jìn)Hough變換識(shí)別出的直線數(shù)量遠(yuǎn)多于傳統(tǒng)Hough變換檢測(cè)，且直線完整性較好，提取的各條直線的精度及完整性均有較大改善。

圖1 傳統(tǒng)Hough算法與改進(jìn)Hough算法的直線檢測(cè)結(jié)果Fig.1 Results of line detection using traditional Hough algorithm and improved Hough algorithm

3.2 高光譜數(shù)據(jù)直線檢測(cè)結(jié)果分析

用本文方法對(duì)高光譜圖像進(jìn)行直線檢測(cè)仿真。本實(shí)驗(yàn)選擇Washington DC Mall高光譜數(shù)據(jù)，該數(shù)據(jù)由HYDCIE高光譜傳感器系統(tǒng)在華盛頓地區(qū)Mall上空拍攝，數(shù)據(jù)大小為1 280×307，包含有191個(gè)連續(xù)波段(400～2 400 nm)，空間分辨率3 m。

先用基于峰值信噪比的波段選擇從高光譜數(shù)據(jù)中選擇10個(gè)波段圖像組成新的高光譜數(shù)據(jù)，再用光譜相似性測(cè)度邊緣識(shí)別方法對(duì)新的高光譜圖像進(jìn)行預(yù)處理，得到邊緣識(shí)別結(jié)果，然后用本文改進(jìn)的Hough方法進(jìn)行直線檢測(cè)，并作對(duì)比仿真：從高光譜圖像中挑選出效果最好的一個(gè)波段分別用傳統(tǒng)Hough直線檢測(cè)和改進(jìn)Hough進(jìn)行直線檢測(cè)，將檢測(cè)結(jié)果與本文所提方法檢測(cè)結(jié)果進(jìn)行比較。原始圖像和三種算法檢測(cè)結(jié)果如圖2所示。

由圖2(c)可知：傳統(tǒng)Hough算法只能檢測(cè)到少許明顯的直線，檢測(cè)效果不佳。由圖2(d)可知：改進(jìn)Hough算法的效果略好，能檢測(cè)部分直線邊緣，但仍無(wú)法達(dá)到目標(biāo)要求。由圖2(e)可知：用本文方法檢測(cè)，大部分直線輪廓被檢測(cè)出。與二維Hough算法直接進(jìn)行直線檢測(cè)相比，高光譜檢測(cè)的置信率更高，各條直線檢測(cè)精度和完整性也有提高。

圖2 二維Hough算法與本文方法的直線檢測(cè)結(jié)果Fig.2 Results of line detection using dimensional Hough algorithm and proposed method

上述實(shí)驗(yàn)將本文算法與二維Hough算法進(jìn)行了詳細(xì)比較，前者不僅可提高提取直線的完整性，而且能檢測(cè)到后者無(wú)法檢測(cè)到的部分，具置信率高、準(zhǔn)確性好的優(yōu)點(diǎn)。

4 結(jié)束語(yǔ)

本文對(duì)一種基于改進(jìn)Hough算法的高光譜數(shù)據(jù)直線檢測(cè)方法進(jìn)行了研究?；诟倪M(jìn)Hough算法的三維直線檢測(cè)方法對(duì)高光譜數(shù)據(jù)進(jìn)行了降維處理，減少了檢測(cè)時(shí)間，有效提高了檢測(cè)效率；在改進(jìn)Hough算法中采用隨機(jī)提取最小點(diǎn)集進(jìn)行變換和檢測(cè)的方法，加快了檢測(cè)速度，并提高了各條直線檢測(cè)的精度及完整性。實(shí)驗(yàn)結(jié)果表明：本文算法可由高光譜數(shù)據(jù)實(shí)現(xiàn)更完整的直線檢測(cè)，能檢測(cè)到二維直線檢測(cè)無(wú)法識(shí)別到的部分直線信息，提高了檢測(cè)置信率。用本文算法并借助高光譜圖像能對(duì)目標(biāo)直線進(jìn)行準(zhǔn)確檢測(cè)，達(dá)到對(duì)目標(biāo)進(jìn)行更精確的識(shí)別與定位目的，可為結(jié)合機(jī)載高光譜成像儀的探測(cè)、搜索等領(lǐng)域提供良好的檢測(cè)手段。后續(xù)研究可進(jìn)一步提升高光譜數(shù)據(jù)直線檢測(cè)速度。

[1] 麻永平, 張煒, 劉東旭. 高光譜偵查技術(shù)特點(diǎn)及其對(duì)地面軍事目標(biāo)威脅分析[J]. 上海航天, 2012, 29(1): 37-40.

[2] 陳占勝. 浦江一號(hào)衛(wèi)星的創(chuàng)新與實(shí)踐[J]. 上海航天, 2016, 33(3): 1-10.

[3] PRIYANKA M, BIDYUT B C. A survey of Hough transform[J]. Pattern Recognition, 2015, 48(3): 993-1010.

[4] KIRYATI N, ELDAR Y, BRUCKSTEIN A M. A probabilistic Hough transform[J]. Pattern Recognition, 1991, 24(4): 810-815.

[5] XU L, OJA E, KULTANED P. A new curve detection method: randomized Hough transform[J]. Pattern Recognition, 1990, 11(5): 331-338.

[6] YANG G, TAN Y P. Blind PSNR estimation using shifted blocks for JPEG images[C]// IEEE International Symposium on Circuits and Systems. [S. l.]: Institute of Electrical and Electronics Engineers Inc, 2011: 1235-1238.

[7] 王敏, 周磊, 周樹(shù)道, 等. 基于峰值信噪比和小波方向特性的圖像奇異值去噪技術(shù)[J]. 應(yīng)用光學(xué), 2013, 34(1): 85-89.

[8] ADEL A, GHEORGHITA G. Stereo image quality and the reliability of PSNR[C]// The 2nd International Conference on Image Processing Theory. Paris: IEEE Computer Society, 2010: 215-220.

[9] PU Han-ye, CHEN Zhao, WANG Bin, et al. A novel spatial-spectral similarity measure for dimensionality reduction and classification of hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 7008-7022.

[10] 施蓓琦, 劉春, 陳能, 等. 典型地物實(shí)測(cè)光譜的相似性測(cè)度與實(shí)驗(yàn)分析[J]. 同濟(jì)大學(xué)學(xué)報(bào), 2011, 39(2): 292-298.

[11] 孔祥兵, 舒寧, 陶建斌, 等. 一種基于多特征融合的新型光譜相似性測(cè)度[J]. 光譜學(xué)報(bào)與光譜分析, 2011, 31(8): 2166-2170.

[12] LI P Y, LI Y, ZHENG J M, et al. Tool cutting edge line detection based on improved Hough transform[J]. Key Engineering Materials, 2011, 455: 59-65.

[13] 段汝嬌, 趙偉, 黃松齡, 等. 一種基于改進(jìn)Hough變換的直線快速檢測(cè)算法[J]. 儀器儀表學(xué)報(bào), 2010, 31(12): 2774-2780.

Improved Line Detection Method for Hyperspectral Data Based on Hough Algorithm

ZHANG Miao1, YU Wen-bo1, SHEN Fei2, 3, XIE Chang-sheng2, 3, SHEN Yi1

(1. School of Astronautics, Harbin Institute of Technology, Harbin 150006, Heilongjiang, China; 2. Shanghai Institute of Spaceflight Control Technology, Shanghai 201109, China; 3. Infrared Detection Technology Research & Development Center, China Aerospace Science and Technology Cooperation, Shanghai 201109, China)

To improve the problems of traditional Hough algorithm in the line detection of hyperspectral data which were large computation and low efficiency, an improved line detection method based on Hough algorithm was studied in this paper. The peak signal noise rate (PSNR) which could present the target information on the ground was applied to select the bands. The images with the total 10 bands were determined, which had reduced the input bands and ensured the whole hyperspectral information in the later process. The spectral similarity measure was improved. The margin contour of the hyperspectral image was detected by spectral information divergence and spectral angle mapping method (SID-SAM) mixture measure and then the characteristic points were obtained. The following process of the line detection was carried on according to the traditional Hough algorithm. The flowchart of the proposed algorithm was given. This method was suitable to both two-dimensional and hyperspectral data. The experiment results show that the line numbers detected by the method proposed are far more than the traditional Hoguh algorithm and the accuracy and integrity of the detected lines have been improved greatly for two-dimensional data, and the detected results using the improved Hough algorithm have more confidence rate and superior accuracy than two-dimension Hough algorithm for hyperspectral. The improved Hough algorithm can not only improve the line integrity but also identify the lines that cannot by two-dimensional Hough algorithm.

hyperspectral data; line detection; Hough algorithm; spectral similarity measure; peak signal noise rate (PSNR); spectral similarity measure; spectral information divergence; spectral angle mapping method

1006-1630(2017)03-0027-06

2016-08-23；

2017-02-15

國(guó)家自然科學(xué)基金資助(61201310)；航天科技創(chuàng)新基金資助(CASC020302)

張 淼(1980—)，男，博士，副教授，主要研究方向?yàn)榭臻g目標(biāo)探測(cè)、航天器故障診斷與自主控制。

TP731

A

10.19328/j.cnki.1006-1630.2017.03.003