《基于MEANSHIFT分割的遥感图像中水上桥梁识别方法.pdf》由会员分享，可在线阅读，更多相关《基于MEANSHIFT分割的遥感图像中水上桥梁识别方法.pdf（7页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 101976347 A (43)申请公布日 2011.02.16 CN 101976347 A *CN101976347A* (21)申请号 201010517146.5 (22)申请日 2010.10.21 G06K 9/62(2006.01) G06T 7/00(2006.01) (71)申请人 西北工业大学 地址 710072 陕西省西安市友谊西路 127 号 (72)发明人 张艳宁 李映 魏巍 赵静 马瑜 孙瑾秋 郭哲 (74)专利代理机构 西北工业大学专利中心 61204 代理人 黄毅新 (54) 发明名称 基于Mean Shift分割的遥感图像中水上桥梁 。
2、识别方法 (57) 摘要 本发明公开了一种基于Mean Shift分割的遥 感图像中水上桥梁识别方法， 用于解决现有的水 上桥梁目标识别方法识别率低的技术问题。技术 方案是采用 Mean Shift 方法， 利用颜色特性进行 图像分割， 提取河流区域， 并利用相似度确定河流 域。结合膨胀、 腐蚀连通河流区域， 根据桥梁的特 征， 提取桥梁区域。 通过细化得到连通的河流的骨 架线， 寻找与桥梁区域的交点来找到候选桥梁， 最 后利用桥梁的形状纹理特征识别桥梁， 提高了水 上桥梁目标识别的识别率。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 2 页。
3、 说明书 4 页 CN 101976352 A1/2 页 2 1. 一种基于 Mean Shift 分割的遥感图像中水上桥梁识别方法， 其特征在于包括已写 步骤 ： (a) 将遥感图像格式转化到 LUV 空间， 对遥感图像进行 Mean Shift 分割和区域合并 ； 令区域合并后联合域中原始像素点 xii 1， 2.， n ； 联合域中滤波后像素点 zii 1， 2.， n ； 分割后遥感图像中第 i 个像素标记为 Li， i 1， 2.， n。 利用高斯核函数 k(x) 估计特征密度空间， 对遥感图像中的任一点用高斯核函数 k(x) 进行漂移 ： 利用 k(x) 得出具有收敛性的递推公式 。
4、和 Mean Shift 向量 进行迭代卷积， 直到满足停止准则， 即移动距离小于设定数 |mh(x)-x| 或者漂 移次数达到最大值 ； 式中， h 是带宽参数， h (hs， hv)， hs 是空域颜色特征带宽， hv 是空间 带宽， cj 是核函数 k(x) 的剖面函数的负导数 ； 对遥感图像进行 Mean Shift 滤波并把所有关于收敛点的信息都保存在 zi中 ； 在联合域中生成聚类 cij 1， .， m， 把所有在空域距离小于 hv 并且在色度域距离 小于 hs 的 zi组合在一起 ； 对于任意 i 1， 2.， n， 令 Li j|zi cj， 设定最小区域 M， 剔除小于 M。
5、 的空间区 域 ； (b) 计算所有区域之间的相似值， 各区域的向量作内积进行相似性判断 ； 或者， 将各区域的三分量转化为灰度值， 求各区域局部区域方差， 进行相似性判断 ； 并 将最小局部区域方差， 作为第一块河流 ； 或者， 计算剩余各区域与首河流区域之间的均方差判断相似性 ； 选取满足以上相似性标准的区域作为河流区域 ； (c) 对遥感图像进行二值化处理， 利用连通区域标记法标记潜在河流区域， 并去除噪声 河流区域 ； 对河流区域执行膨胀操作， 连通河流 ； 然后用最大连通水域与原未连通二值化 河流区域做差， 利用两个河流区域之间是桥梁域的特点， 提取桥梁区域， 并细化提取河流中 心线。
6、 ； (d) 寻找河流域中心线与未连通河流图像的交点， 并且落在桥梁区域的点， 提取候选桥 梁 ； 提取桥梁轮廓线， 利用形状纹理特征来识别桥梁。 2. 根据权利要求 1 所述的方法， 其特征在于 ： 所述带宽参数 h (hs， hv) 中， 空域颜色 特征带宽 hs 最佳值是 9， 空间带宽 hv 最佳值是 8.5。 权 利 要 求 书 CN 101976347 A CN 101976352 A2/2 页 3 3. 根据权利要求 1 所述的方法， 其特征在于 ： 所述最小区域 M 是 500。 权 利 要 求 书 CN 101976347 A CN 101976352 A1/4 页 4 基于。
7、 Mean Shift 分割的遥感图像中水上桥梁识别方法 技术领域 0001 本发明涉及一种遥感图像识别方法， 特别是一种基于Mean Shift分割的遥感图像 中水上桥梁识别方法。 背景技术 0002 文献 “基于知识的航空图像中大型水上桥梁目标识别， 武汉理工大学学报， 2005， Vol.29(2)， p230-233” 公开了一种航空图像中大型水上桥梁目标识别方法， 该方法针对高 空航拍图像提出了一种基于知识的桥梁目标识别方法。根据水域与陆地域、 桥梁域之间的 强对比关系， 对航空图像进行二值分割， 将水域与其它区域分割开来， 根据水域对桥梁进行 初步定位。然后使用种子点生长法来精确地。
8、标记出桥梁域， 认为桥梁的宽度相对于长度而 言很小， 所以经 HOUGH 变换处理得到的轴向直线， 根据轴线上两边的像素点得到桥梁的宽 度。 但是， 因为桥梁在图像中所占的比例比较小， 背景复杂， 灰度反差比较小， 很难在数据驱 动下通过图像分割， 提取目标特征进而来判断识别目标。而且认为桥梁的首要特征是存在 两条平行的长直线， 但实际拍摄中， 由于传感器的视角、 取像距离的原因并非存在平行的长 直线。所以文献所述方法处理遥感图像时具有局限性， 识别率较低。 发明内容 0003 为了克服现有的水上桥梁目标识别方法识别率低的不足， 本发明提供一种基于 Mean Shift分割的遥感图像中水上桥梁。
9、识别方法。 该方法采用Mean Shift方法， 利用颜色 特性进行图像分割， 提取河流区域， 并利用相似度确定河流域。结合膨胀、 腐蚀连通河流区 域， 根据桥梁的特征， 提取桥梁区域。通过细化得到连通的河流的骨架线， 寻找与桥梁区域 的交点来找到候选桥梁， 最后利用桥梁的形状纹理特征识别桥梁， 可以提高水上桥梁目标 识别的识别率。 0004 本发明解决其技术问题所采用的技术方案 ： 一种基于 Mean Shift 分割的遥感图 像中水上桥梁识别方法， 其特点是包括以下步骤 ： 0005 (a) 将遥感图像格式转化到 LUV 空间， 对遥感图像进行 Mean Shift 分割和区域合 并 ； 。
10、0006 令区域合并后联合域中原始像素点 xii 1， 2.， n ； 联合域中滤波后像素点 zii 1， 2.， n ； 分割后遥感图像中第 i 个像素标记为 Li， i 1， 2.， n。 0007 利用高斯核函数 k(x) 估计特征密度空间， 对遥感图像中的任一点用高斯核函数 k(x) 进行漂移 ： 0008 0009 利用 k(x) 得出具有收敛性的递推公式 说 明 书 CN 101976347 A CN 101976352 A2/4 页 5 0010 0011 和 Mean Shift 向量 0012 0013 进行迭代卷积， 直到满足停止准则， 即移动距离小于设定数 |mh(x)-。
11、x | 或 者漂移次数达到最大值 ； 式中， h 是带宽参数， h (hs， hv)， hs 是空域颜色特征带宽， hv 是 空间带宽， cj 是核函数 k(x) 的剖面函数的负导数 ； 0014 对遥感图像进行 Mean Shift 滤波并把所有关于收敛点的信息都保存在 zi中 ； 0015 在联合域中生成聚类 cjj 1， .， m， 把所有在空域距离小于 hv 并且在色度域 距离小于 hs 的 zi组合在一起 ； 0016 对于任意 i 1， 2.， n， 令 Li j|zi cj， 设定最小区域 M， 剔除小于 M 的空 间区域 ； 0017 (b) 计算所有区域之间的相似值， 各区域。
12、的向量作内积进行相似性判断 ； 0018 或者， 将各区域的三分量转化为灰度值， 求各区域局部区域方差， 进行相似性判 断 ； 并将最小局部区域方差， 作为第一块河流 ； 0019 或者， 计算剩余各区域与首块河流区域之间的均方差判断相似性 ； 0020 依次选取满足以上相似性标准的区域作为河流区域 ； 0021 (c) 对遥感图像进行二值化处理， 利用连通区域标记法标记潜在河流区域， 并去除 噪声河流区域 ； 对河流区域执行膨胀操作， 连通河流 ； 然后用最大连通水域与原未连通二 值化河流区域做差， 利用两个河流区域之间是桥梁域的特点， 提取桥梁区域， 并细化提取河 流中心线 ； 0022 。
13、(d) 寻找河流域中心线与未连通河流图像的交点， 并且落在桥梁区域的点， 提取候 选桥梁 ； 提取桥梁轮廓线， 利用形状纹理特征来识别桥梁。 0023 所述带宽参数 h (hs， hv) 中， 空域颜色特征带宽 hs 最佳值是 9， 空间带宽 hv 最 佳值 是 8.5。 0024 所述最小区域 M 是 500。 0025 本发明的有益效果是 ： 由于采用 Mean Shift 方法， 利用颜色特性进行图像分割， 提取河流区域， 并利用相似度确定河流域。 结合膨胀、 腐蚀连通河流区域， 根据桥梁的特征， 提取桥梁区域。通过细化得到连通的河流的骨架线， 寻找与桥梁区域的交点来找到候选桥 梁， 最。
14、后利用桥梁的形状纹理特征识别桥梁， 提高了水上桥梁目标识别的识别率。 0026 下面结合具体实施方式对本发明作详细说明。 具体实施方式 0027 1. 首先把输入的彩色的遥感图像格式转化到 LUV 空间， 对遥感图像进行 MeanShift 分割。 说 明 书 CN 101976347 A CN 101976352 A3/4 页 6 0028 1) 进行 Mean Shift 滤波 ： 0029 利用高斯核函数 k(x) 估计特征密度空间， 对遥感图像中的任一点 ( 不重复 ) 用高 斯核函数 k(x) 进行漂移。 0030 0031 然后利用k(x)得出具有收敛性的递推公式(2)和Mean 。
15、Shift向量(3)， 进行迭代 卷积， 直到满足停止准则， 移动距离小于设定数 |mh(x)-x| 或者漂移次数达到最大 值， Mean Shift 向量是归一化的概率密度梯度， 不断地沿着概率密度的梯度方向移动， 总是 指向概率密度增加的最大方向。 0032 0033 0034 式中， h 是带宽参数， h (hs， hv)， hs 是空域颜色特征带宽， hv 是空间带宽， 应用 中选用经验值。cj 是核函数 k(x) 的剖面函数的负导数。 0035 Mean Shift 分割算法融合了图像空间域与颜色域信息， 带宽参数决定着滤波时的 分辨率。这两个参数对于 Mean Shift 滤波效果。
16、具有重要的影响。实验发现 hs 设置 9， hv 设置为 8.5 比较合适。 0036 2) 区域合并 ： 0037 实现对遥感图像的区域合并， 把相邻并且像素值差别小的区域合并起来， 得到一 个较大的区域。具体步骤为 ： 令 xii 1， 2.， n 和 zii 1， 2.， n 分别表示联合域 中的原始和滤波后像素点， 令分割后图像中第 i 个像素的标签用 Li， i 1， 2.， n 表示。 0038 a) 对遥感图像进行 Mean Shift 滤波并把所有关于收敛点的信息都保存在 zi中 ； 0039 b) 在联合域中生成聚类 cjj 1， .， m， 把所有在空域距离小于 hv 并且。
17、在色度 域距离小于 hs 的 zi组合在一起 ； 0040 c) 对于任意 i 1， 2.， n， 令 Li j|zi cj， 设定最小区域 M， 本实施例取 M 500， 剔除那些小于 M 空间区域。 0041 2. 将 LUV 三分量再转回到 RGB 空间。对 Mean Shift 各区域按大小进行排序， 删除 小区域。对所有区域进行相似性判断， 提取河流区域 ： 0042 1) 计算所有区域之间的相似值， 各区域的向量作内积进行相似性判断。 0043 2)将各区域的三分量转化为灰度值， 求各区域局部区域方差， 进行相似性判断。 并 将最小局部区域方差， 作为第一块河流。 0044 3) 。
18、计算剩余各区域与首河流区域之间的均方差判断相似性。 0045 最终采用的是上述三种方法的综合进行相似性判断， 判断准则为经验值。选取满 足以上相似性标准的区域作为河流区域。 0046 3. 对图像进行二值化处理， 利用连通区域标记法标记潜在河流区域， 并去除噪声 说 明 书 CN 101976347 A CN 101976352 A4/4 页 7 河流区域。对河流区域执行膨胀操作， 连通河流。然后用最大连通水域与原未连通二值化 河流区域做差， 利用两个河流区域之间是桥梁域的特点， 提取桥梁区域。 并细化提取河流中 心线。 0047 4. 寻找河流域中线与原未连通二值化河流区域相交并且落在备候选区域的交点， 得到桥梁候选区域。 根据河流区域的总数确定桥梁个数， 并提取桥梁轮廓线， 利用利用形状 纹理特征来识别桥梁。 说 明 书 CN 101976347 A 。