閆早軍

◆摘? 要：橋梁是典型的人造目標(biāo)，對(duì)其自動(dòng)檢測(cè)在軍事民用領(lǐng)域具有重要意義。隨著人工智能技術(shù)的快速發(fā)展，遙感圖像中地物目標(biāo)識(shí)別成為研究熱點(diǎn)。光學(xué)遙感圖像數(shù)量爆發(fā)式增長(zhǎng)，為遙感圖像下目標(biāo)檢測(cè)任務(wù)提供必要數(shù)據(jù)支持。橋梁作為典型地物目標(biāo)具有重要地位，以可見(jiàn)光遙感圖像橋梁目標(biāo)自動(dòng)檢測(cè)為研究背景，針對(duì)合理檢測(cè)、橋梁目標(biāo)識(shí)別等問(wèn)題進(jìn)行研究，構(gòu)建完整的橋梁目標(biāo)自動(dòng)檢測(cè)定位系統(tǒng)。對(duì)地理目標(biāo)進(jìn)行實(shí)驗(yàn)觀察基礎(chǔ)上，提出區(qū)分河流區(qū)域特征，構(gòu)造區(qū)分河流區(qū)域的特征向量，實(shí)現(xiàn)河流區(qū)域檢測(cè)，有效避免相似區(qū)域干擾。提出基于改進(jìn)測(cè)地線活動(dòng)輪廓模型河流區(qū)修正算法，提取河流目標(biāo)精確輪廓，實(shí)驗(yàn)表明新算法克服遙感圖像拼接間隙等偽河流區(qū)域影響。

◆關(guān)鍵詞：遙感圖像;橋梁目標(biāo);檢測(cè)技術(shù)

1 基于多特征融合與SVM河流檢測(cè)

遙感圖像目標(biāo)檢測(cè)在高科技軍事對(duì)抗中用以獲捕捉戰(zhàn)略打擊目標(biāo)等，在環(huán)境監(jiān)測(cè)等民用領(lǐng)域具有重要作用。河流是遙感圖像中的重要地理目標(biāo)，河流區(qū)域自動(dòng)檢測(cè)在水利規(guī)劃、環(huán)境檢測(cè)及地理信息系統(tǒng)船舶導(dǎo)航等方面具有很大價(jià)值。目標(biāo)檢測(cè)旨在從大規(guī)模遙感圖像中快定位特定目標(biāo)，很多人造目標(biāo)識(shí)別以河流檢測(cè)為基礎(chǔ)，河流自動(dòng)檢測(cè)算法研究在軍事民用領(lǐng)域具有重要意義，成為遙感圖像處理技術(shù)領(lǐng)域研究熱點(diǎn)。許多專(zhuān)家學(xué)者針對(duì)特定圖像背景提出有效檢測(cè)方法，但目前尚無(wú)通用性強(qiáng)的方法。

1.1遙感圖像河流檢測(cè)與特征提取

目前提出河流檢測(cè)方法分為基于區(qū)域、基于像素與輪廓線等方法?；趨^(qū)域河流檢測(cè)算法將圖像分為子區(qū)域求灰度均值等特征，可有效提高檢測(cè)速度，但某些子區(qū)域包含合理算法漏檢率較高;基于像素算法對(duì)圖像特征提取后像素點(diǎn)有對(duì)應(yīng)多維特征向量，利用支持向量機(jī)等機(jī)器學(xué)習(xí)法將像素點(diǎn)分類(lèi);基于閾值分割河流檢測(cè)法采用閾值分割等算法對(duì)圖像粗分割，是達(dá)到快速提取目標(biāo)的最佳選擇。高分辨率衛(wèi)星遙感圖像存在多種類(lèi)型地物，灰度直方圖呈現(xiàn)多模態(tài)，閾值選取困難精度低。

為有效對(duì)圖像研究需要將給定圖像用簡(jiǎn)明數(shù)值符號(hào)表征，圖像特征是圖像分析的重要依據(jù)，在模式識(shí)別等技術(shù)中具有重要地位。圖像特征涵蓋范圍廣，感興趣目標(biāo)不同特點(diǎn)決定檢測(cè)目標(biāo)需要提取特征。如何選取圖像目標(biāo)特征是解決目標(biāo)識(shí)別關(guān)鍵問(wèn)題。目前常用特征包括紋理顏色等。圖1為遙感圖像常用特征。河流檢測(cè)前提是尋找多種區(qū)分與其他地理區(qū)域圖像特征。通過(guò)對(duì)遙感圖像合理等地理目標(biāo)實(shí)驗(yàn)觀察，發(fā)現(xiàn)遙感圖像河流目標(biāo)具有背景區(qū)域目標(biāo)灰度變化快，河流區(qū)域灰度較低等特點(diǎn)。本文檢測(cè)河流目標(biāo)中利用圖像局部熵特征與角點(diǎn)信息特征。圖像局部熵是窗口內(nèi)像素共同貢獻(xiàn)結(jié)果，具有抗造聲干擾能力。局部熵反映圖像灰度離散程度，局部熵小處圖像灰度離散性較大。可根據(jù)圖像局部熵分割均勻目標(biāo)，局部熵特征可用于河流目標(biāo)檢測(cè)。

1.2基于SVM河流目標(biāo)檢測(cè)

基于局部熵特征提取算法可表征不同區(qū)域圖像特征，需要對(duì)像素點(diǎn)進(jìn)行分類(lèi)。本文通過(guò)數(shù)據(jù)訓(xùn)練識(shí)別河流區(qū)域像素。支持信息向量機(jī)是Vapnik等人提出的機(jī)器學(xué)習(xí)方法，通過(guò)選擇適當(dāng)?shù)暮瘮?shù)子集，根據(jù)學(xué)習(xí)能力尋求最佳折中獲得最好泛化性能。

本文選擇LIBSVM工具箱為SVM部分研究工具，是簡(jiǎn)單快速易于使用SVM模式識(shí)別的軟件包，LIBVMM綜合SMO算法可調(diào)用許多函數(shù)，可將程序包嵌入河流檢測(cè)算法。遙感圖像河流目標(biāo)檢測(cè)問(wèn)題是二分類(lèi)問(wèn)題，SVM是借鑒二分類(lèi)問(wèn)題機(jī)器學(xué)習(xí)方法，本文選擇支持向量機(jī)進(jìn)行河流目標(biāo)檢測(cè)。通過(guò)SVM分類(lèi)器對(duì)水體樣本學(xué)習(xí)，利用決策函數(shù)對(duì)特定檢測(cè)圖像像素信息判別。本文進(jìn)行實(shí)驗(yàn)驗(yàn)證算法有效性，將文本算法與基于局部傅里葉變換算法等對(duì)比，選取圖像包含背景區(qū)域河流區(qū)域存在波浪等情況。

2 測(cè)地線輪廓模型河流區(qū)域修正

精確地河流區(qū)域在水資源調(diào)查及洪水災(zāi)害皮評(píng)估等方面具有重要作用。向量機(jī)河流檢測(cè)算法受到遙感圖像存在拼接間隙，河流區(qū)域存在船只等干擾，遙感圖像存在噪聲干燥，角點(diǎn)信息特征引入使向量機(jī)分類(lèi)得到河流區(qū)域變窄等因素影響。導(dǎo)致得到河流粗檢測(cè)結(jié)果不連續(xù)，影響后續(xù)橋梁目標(biāo)識(shí)別結(jié)果。需要對(duì)河流區(qū)域處理，現(xiàn)有修正傳統(tǒng)方法包括基于區(qū)域生長(zhǎng)算法等，采用數(shù)學(xué)形態(tài)算法修正需要人工參與。本文將河流粗分割結(jié)果與GAC模型結(jié)合，獲得完整河流區(qū)域，算法保持河流自然形態(tài)。

活動(dòng)論或模塊將圖像分割轉(zhuǎn)化為解決能量函數(shù)極值優(yōu)化問(wèn)題，利用有限差方案求解偏積分方程。相比經(jīng)典方法可自主收斂到能量泛函極小值轉(zhuǎn)股骨頭，有效降低計(jì)算復(fù)雜性。活動(dòng)輪廓模型采用參數(shù)化形式描述動(dòng)態(tài)變化曲線，使得無(wú)法同時(shí)分割多個(gè)物體。Caselles等提出通過(guò)泛函最小值方式確定曲線C，使輪廓具有拓?fù)溥m應(yīng)性。改進(jìn)模型為曲線演化方程，右端項(xiàng)共同構(gòu)成測(cè)地線活動(dòng)輪廓模型。

水平集方法最初由Osher提出，將演化過(guò)程曲線C（t）視為高維函數(shù)φ（t）的零水平集，定義距離函數(shù)φ（x，y，t）=±d，函數(shù)符號(hào)取決于點(diǎn)對(duì)相對(duì)曲線位置關(guān)系，外部點(diǎn)值設(shè)為正值。二位固定坐標(biāo)系中不斷更新水平集函數(shù)。曲線C用水平集函數(shù)φ（x，y，t）零水平集標(biāo)識(shí)。二位曲線演化轉(zhuǎn)換為三維水平集。水平集函數(shù)演化隱式求解曲線，模型對(duì)曲線演化與曲線幾何特征有關(guān)，無(wú)需因曲線形變調(diào)整參數(shù)，水平集法克方便追蹤物體拓?fù)浣Y(jié)構(gòu)改變，使得水平集法成為物體建模工具。在圖像處理、計(jì)算流體力學(xué)等學(xué)科廣泛使用。GAC模型應(yīng)用中通過(guò)活動(dòng)輪廓收縮向真實(shí)目標(biāo)邊緣逼近，活動(dòng)輪廓演化為對(duì)偏微分方程進(jìn)行迭代求解過(guò)程。水平集函數(shù)需要重新初始化，時(shí)間步長(zhǎng)需滿足CFL條件，影響在工程實(shí)踐中應(yīng)用。

Li等提出新數(shù)值方案無(wú)需初始化，提出距離正則水平集演化。采用DRLSE對(duì)GAC模型進(jìn)行數(shù)值求解，水平集函數(shù)演化中初始化無(wú)需采用符號(hào)距離函數(shù)形式，僅在零水平集附近保持為符號(hào)距離函數(shù)，演化中水平集函數(shù)無(wú)需重新初始化。采用DRLSE數(shù)值方案實(shí)現(xiàn)GAC模型可降低計(jì)算復(fù)雜度，允許采用更大時(shí)間步長(zhǎng)進(jìn)行迭代求解，方案對(duì)參數(shù)不敏感，可選擇不同a實(shí)現(xiàn)活動(dòng)輪廓收縮膨脹。本文采用其實(shí)現(xiàn)GAC模型提高收斂速度。使用GAC模型分割目標(biāo)需人工指定初始輪廓線，河流目標(biāo)粗粉結(jié)果為多個(gè)獨(dú)立閉合區(qū)域，活動(dòng)論或演化方向?yàn)橄蛲馀蛎?，利用粗檢測(cè)結(jié)果設(shè)置GAC模型初始輪廓位置獲得準(zhǔn)確河流區(qū)域。

3 橋梁目標(biāo)識(shí)別方向信息測(cè)度

圖像研究中通常對(duì)目標(biāo)感興趣，為辨識(shí)目標(biāo)需要分離提取，需要從河流輪廓中提取識(shí)別橋梁目標(biāo)。橋梁初期檢測(cè)依據(jù)邊緣性，方向性可表現(xiàn)與河流區(qū)域的區(qū)別，找到河流區(qū)域內(nèi)邊緣性目標(biāo)可確定目標(biāo)大致位置。圖像處理通常用梯度反映點(diǎn)灰度變化，僅用梯度強(qiáng)度由于邊緣點(diǎn)方向性不能區(qū)分邊緣噪聲，本文采用方向性表征灰度變化度，具有良好抗噪性能。圖像點(diǎn)方向信息測(cè)度為叢書(shū)邊緣點(diǎn)程度有效度量，邊緣點(diǎn)方向測(cè)度大于平滑區(qū)點(diǎn)。

本文利用方向信息測(cè)度突出圖像邊緣性強(qiáng)橋梁目標(biāo)，利用圖像方向信息測(cè)度可突出河橋梁目標(biāo)，為橋梁目標(biāo)分割打下基礎(chǔ)。由于方向信息測(cè)度運(yùn)算突出河流區(qū)域橋梁目標(biāo)，橋梁目標(biāo)分割減少過(guò)分分割等現(xiàn)象。目前常用分割法包括最大熵及迭代閾值法等。河流區(qū)域中橋梁目標(biāo)得到很好突出，使用傳統(tǒng)常用分割法克獲得較好效果。本文選擇模糊C均值聚類(lèi)分割算法進(jìn)行目標(biāo)分割。FCM是近年來(lái)引入的聚類(lèi)算法，可表示處各樣本屬于不同類(lèi)別程度，設(shè)D為聚類(lèi)樣本矩陣，M為樣本特征數(shù)量，C為劃分類(lèi)別數(shù)，N為待聚類(lèi)樣本數(shù)，聚類(lèi)樣本為xj，m為模糊加權(quán)指數(shù)m∈[1，0]。目標(biāo)函數(shù)Jm（U，V）可通過(guò)迭代計(jì)算求解最小值。圖像分割問(wèn)題中通過(guò)模糊C均值聚類(lèi)對(duì)圖像像素分類(lèi)，利用FCM法關(guān)鍵是選擇樣本特征，根據(jù)特征值差異將圖像分為橋梁目標(biāo)與背景。橋梁信息數(shù)據(jù)見(jiàn)表1。

河流骨架線是重要目標(biāo)屬性，可提取橋梁與河流空間關(guān)系等特征，目前提取物體骨架線常用方法有Delaunay三角網(wǎng)法等。本文采用形態(tài)學(xué)法完成河流骨架線提取，集合A骨架線z為S（A）的點(diǎn)，不存在位于A內(nèi)包括（D）z更大的圓盤(pán)。骨架線用腐蝕得到，表示為S（A）=[k=0KSk（A）]，A可通過(guò)A=[k=0KSk（A）⊕]kB）子集重構(gòu)，（A⊕KB）=（...（A⊕B）⊕B⊕...）⊕B。在方向信息測(cè)度，膨脹腐蝕操作等工作后圖像出現(xiàn)疑似橋梁目標(biāo)，需要對(duì)目標(biāo)進(jìn)行驗(yàn)證，便于得到橋梁定量化描述信息。本文采用基于知識(shí)庫(kù)橋梁識(shí)別算法，需對(duì)橋梁目標(biāo)識(shí)別模型建立正確知識(shí)庫(kù)，把握橋梁間的共性得到通用的橋梁識(shí)別算法。本文通過(guò)計(jì)算橋梁所處河流骨架線夾角完成橋梁方向計(jì)算，提高計(jì)算精度。

4 Google Earth橋梁目標(biāo)檢測(cè)系統(tǒng)

本文基于算法開(kāi)發(fā)設(shè)計(jì)實(shí)現(xiàn)Matlab為平臺(tái)的遙感圖像橋梁目標(biāo)檢測(cè)系統(tǒng)，建立橋梁目標(biāo)識(shí)別流程等，系統(tǒng)功能是提取橋梁目標(biāo)特征，對(duì)提高目標(biāo)識(shí)別自動(dòng)化程度具有重要意義。Google Earth平臺(tái)是集合3S技術(shù)的虛擬地區(qū)儀軟件，交互界面使得地圖應(yīng)用簡(jiǎn)便。Google Earth柵格數(shù)據(jù)源于NASA衛(wèi)星圖像，包括LANDSAT-7衛(wèi)星等，SPOT5可提供解析度為2.5m的影像，QuickBird可提供最高0.61米的高精度影像。Google Earth根據(jù)區(qū)域地理位置重要性匹配不同分辨率衛(wèi)星圖像，Google Earth根據(jù)視野選擇適當(dāng)分辨率衛(wèi)星圖更新數(shù)據(jù)，支持本地矢量數(shù)據(jù)采集應(yīng)用。

為實(shí)現(xiàn)橋梁識(shí)別系統(tǒng)可擴(kuò)展性，根據(jù)系統(tǒng)需要實(shí)現(xiàn)定位，特征提取等功能設(shè)計(jì)相應(yīng)模塊，主控制臺(tái)為Main模塊，GE_savepicinf模塊負(fù)責(zé)保存圖像信息，River_show模塊負(fù)責(zé)顯示橋梁檢測(cè)結(jié)果。GE_interface模塊功能是根據(jù)輸入信息將軟件定位到相應(yīng)坐標(biāo)，便于后續(xù)檢測(cè)算法對(duì)子區(qū)域處理。GE_savepicinf模塊將視圖區(qū)遙感圖像截取保存，為后續(xù)橋梁識(shí)別算法提供基礎(chǔ)。River_detection模塊完成指定區(qū)域內(nèi)河流目標(biāo)檢測(cè)。Result_show模塊功能是根據(jù)檢測(cè)橋梁目標(biāo)地理位置坐標(biāo)等信息突出顯示檢測(cè)橋梁目標(biāo)。本文開(kāi)發(fā)Matlab平臺(tái)下橋梁目標(biāo)檢測(cè)系統(tǒng)，特征提取模式用于提取局部熵特與紋理特征，使用戶直觀分析特征的作用。單張圖片模式完成河流檢測(cè)及橋梁目標(biāo)識(shí)別。

GE模式識(shí)別指定區(qū)域橋梁目標(biāo)。系統(tǒng)處理推向格式包括BMP等，圖像顯示包括圖像瀏覽等功能;根據(jù)橋梁識(shí)別需要系統(tǒng)自動(dòng)控制識(shí)別精度，系統(tǒng)實(shí)現(xiàn)橋梁目標(biāo)精確定位。用開(kāi)發(fā)平臺(tái)橋梁目標(biāo)檢測(cè)軟件進(jìn)行實(shí)驗(yàn)，選取不同區(qū)域光學(xué)遙感圖像為實(shí)驗(yàn)數(shù)據(jù)集。試驗(yàn)區(qū)域背景復(fù)雜，包含森林農(nóng)田等自然人工地物，圖像包含大量類(lèi)河流目標(biāo)，本文系統(tǒng)排除類(lèi)河流區(qū)域影響。試驗(yàn)區(qū)域河流目標(biāo)由干支流組成，證明系統(tǒng)具有良好尺度不變性。橋梁信息數(shù)據(jù)見(jiàn)表2。干支流灰度存在較大差異，本文系統(tǒng)可完整檢測(cè)整條河流，河流區(qū)域修正部分修正恢復(fù)差異較大的河流區(qū)域。

5 結(jié)語(yǔ)

遙感圖像水上橋梁目標(biāo)識(shí)別是智能技術(shù)領(lǐng)域研究重點(diǎn)問(wèn)題，在民用軍事領(lǐng)域具有重要意義。本文了解橋梁目標(biāo)識(shí)別技術(shù)研究現(xiàn)狀，根據(jù)實(shí)際問(wèn)題提出有效識(shí)別方法。提出基于多特征融合的河流檢測(cè)算法，經(jīng)支持向量機(jī)得到河流檢測(cè)結(jié)果存在不連續(xù)，提出方向信息測(cè)度的橋梁目標(biāo)識(shí)別算法，研究Google Earth軟件API基礎(chǔ)上設(shè)計(jì)平臺(tái)橋梁目標(biāo)檢測(cè)系統(tǒng)。本文在橋梁目標(biāo)自動(dòng)檢測(cè)方面作出一些研究，由于客觀條件限制存在一些不足。本文研究檢測(cè)算法主要針對(duì)高分辨率遙感圖像設(shè)計(jì)，算法經(jīng)修改可用于其他類(lèi)遙感圖像。遙感圖像存在許多其他重要民用軍事目標(biāo)，可以把基于橋梁檢測(cè)目標(biāo)算法擴(kuò)展到其他領(lǐng)域。

參考文獻(xiàn)

[1]馬廣闊. 遙感圖像橋梁目標(biāo)檢測(cè)方法研究[D].內(nèi)蒙古工業(yè)大學(xué)，2021.

[2]亢沛然. 基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測(cè)方法[D].大連理工大學(xué)，2021.