基于环境要素的枯水期水上桥梁目标的定位方法

摘  要： 针对以往水上桥梁检测精度不高，尤其当河水处于枯水期时检测结果依赖检测窗口的选择，以及水上桥梁下方存在湖心岛时桥梁容易被错检等问题，提出基于环境要素提取的高分辨遥感图像中枯水期水上桥梁目标的定位方法。该方法通过提取与目标密切相关的水域、桥体、阴影等环境要素，在桥梁知识模型指导下，经过目标检测、目标定位和描述过程精确定位描述目标。以实际高分辨率遥感图像为例，对该方法进行实验验证，结果表明该方法有效提高了定位检测精度。  
关键词： 遥感图像；桥梁目标定位；环境要素；阴影特征

    高分辨率卫星图像的获得使得地面目标的精确定位成为可能。从高分辨率卫星图像中高效、准确地定位描述桥梁目标具有重要的应用价值。国内外已有许多学者对遥感影像中桥梁目标的识别定位方法进行了相关研究。以往大部分研究都是对桥梁水上部分的检测方法进行研究,检测到的结果是位于水上的那部分桥梁片段，对桥梁的定位可能存在较大偏差[1-6]。也有研究人员提出先基于水域做目标粗检测，在检测结果中心设定窗口，在窗口内对桥梁进行精检。此类方法考虑到了除水上桥梁部分的桥体[7-11],但当河流处于枯水期时，水上桥梁部分面积比较小，使用提取水域部分的桥梁检测方法检测误差较大。此种情况下，窗口检测也存在问题：(1)水上桥梁部分小，自动检测中窗口往往偏小，专家指导下放大检测窗口又会引入干扰产生误检，由于河岸环境复杂，桥体与背景环境的对比度不大，增加了干扰噪声；(2)桥梁与道路相连，特征一致，使得以往检测中对桥梁范围的界定很模糊，桥梁检测结果受检测窗口大小的影响严重； (3)当水上桥梁下方存在湖心岛时应用以往方法桥梁目标容易被错检。
   针对以上问题，本文提出基于环境要素提取的高分辨遥感图像中枯水期水上桥梁目标的定位方法，结合水域、桥体、阴影等环境要素的联合特征提取和知识规则验证，引入桥梁阴影特征，通过阴影与目标的相互验证辅助桥梁目标的检测，提高了定位检测精度。
1 桥梁目标定位系统框架
    通过对高分辨率可见光遥感图像的分析得到水上桥梁目标的一般知识特征模型：
    (1) 桥梁的灰度和河流两岸陆地的灰度十分接近，灰度值较高，与桥梁相比，河流的面积比较大，被桥梁分离，灰度值较低。
    (2) 桥梁几何外形一般是长矩形，桥梁边缘线表现为两条近乎平行的直线段。
    (3) 桥梁的两侧是水域，显然桥梁的边缘线是水域边沿的一部分。因此若对分割出的水域进行边缘提取，所得到的边缘是由桥梁线和河岸线组成的。
    (4) 桥梁的长度相对于宽度而言较长。
    (5) 桥梁横跨在河流上，即桥身纵向为水域，将河流分割成两个平均灰度相近的水域，横向延伸到陆地上，桥梁两端与等宽度的道路相连。
    本文给出的桥梁定位算法在自上而下知识驱动下，结合桥梁相关的环境要素的联合特征提取和知识规则验证，经过目标检测、目标定位和描述过程精确定位描述目标。算法引入桥梁阴影特征约束准则，通过阴影与目标的相互验证来辅助桥梁目标的检测。通过目标检测过程在全图中检测候选桥梁像素点，锁定存在桥梁的潜在区域，在通过目标定位及描述过程提取特征验证检测结果，提高检测精度，并且对目标进行定位和描述。算法流程图如图1所示。

2 目标探测、目标定位描述
    如图1所示，依据前面分析得到的桥梁知识特征，目标探测过程首先提取水域。河流灰度值较低，表现为暗色，而且灰度一致性好，采用阈值分割可以将目标和背景分离。水体初步分割之后利用数学形态学运算去除小的噪声点，并对初检水体做标记。由于河流区域表现为大连通区域，设定面积阈值确定河流区域。利用区域跟踪算法提取河流区域的外边界。由桥梁知识模型(3)可知，此边界由河岸线和桥梁边缘线组成。
　根据桥梁知识模型，各个水体区域被桥梁以确定桥宽距离分隔开，计算两两水域外边界点（WaterEdge_m，WaterEdge_n）之间的距离dmn，并设定最大桥宽Wth。
　    dmn<Wth                 (1)
分别记录满足式(1)的两水域的外边界点，这组点集为潜在桥梁的两条边界上的点。以此为中心确定候选桥梁区域。在候选区域内对潜在桥梁的两条边界上的点做直线拟合分别得到桥梁的两条边缘线(Edge1和Edge2)。提取下面特征根据知识规则验证桥梁目标真伪，对真实的桥梁目标给出定量描述。满足以下两条准则的目标为真目标，否则为假目标。

3 阴影特征约束
    由于光学遥感图像都是采用中心投影，在成像时卫星传感器处于被测地区的正上方，传感器与星下点之间的连线和太阳光线的入射角呈一定交角。通常情况下，地面有高程的目标都存在阴影。在卫星远距离垂直成像中桥梁目标大体表现为直线特征或者长矩形区域。在以往的建筑物目标识别中，目标分布相对密集，目标阴影间相互遮挡不利于目标的识别，需要想办法去除阴影，但桥梁目标一般位于水域之上，很少存在遮挡。阴影表现为与桥梁相平行的条带区域，因此，当河流处于枯水期桥梁实际长度和它的阴影长度几近相等。根据 “四色原理”[12]，阴影区域是灰度均值最小的类别。在高分辨率可见光图像中，阴影区域有很好的灰度一致性，这使得桥梁阴影区域的提取成为可能。因此本文建议在桥梁特征验证过程中，提取桥梁阴影，辅助桥梁目标的精确定位和描述。
    桥梁阴影特征提取流程图如图2所示。这里规定桥梁与其阴影的所属关系判定原则：

    (1) 阴影的长度大于上面检测到的桥梁的长度；
    (2)阴影的长轴与上面检测到的桥梁的主轴几乎平行，夹角小于10°；
    (3) 上面检测到的桥梁的中心到其阴影的距离小于2倍桥宽。
    满足以上原则的认为是某阴影为桥梁的阴影，所属关系判断完成。提取其阴影特征辅助校正对应桥梁目标的定位描述，包括桥长、桥宽、桥梁中心位置和桥梁方位。
    根据阴影特征修正桥梁。分别提取阴影区的边界及桥梁两边缘线，进行Hough变换，在垂直于桥梁方位角方向寻找阴影区的边界点投票数等于1的位置，这些位置对应桥梁两边缘线上的点集A和B，分别求取点集A和B内距离最大的两点，这两点被认为是桥梁边缘线的端点，由此得到修正后的桥梁的两条边缘线段。
4 实验结果
    实验一 如图3所示图像为可见光遥感图像。经阈值分割，数学形态学处理和连通区域标记得到初步水域分割结果如4(a)，根据水域面积阈值去除小面积非水域区域完成水域提取，如图4(b)三个水域区域及其外边界线，图4(c)为直线拟合得到的桥梁边缘线。尽管此图中河流并非出于枯水期，但经过阴影特征约束也进一步修正的定位结果。具体定位数据如表1所示，Img1_Bn_Initial是第n个桥梁的初检结果， Img1_Bn_True是第n个桥梁的真实数据，Img1_Bn_SC是利用本文方法检测到的第n个桥梁的定位结果。

    实验二 数据来源于GOOGLE EARTH可见光图像，如图5(a)。图中有两座水上桥梁，两座桥梁与同一道路相连而且方位夹角不大，几乎在一条直线上。传统的依靠桥梁边缘线特征的检测方法很难正确界定两座桥梁的范围，窗口选择过大时甚至可能将其判定为一个桥梁目标。此外，河水处于枯水期，水上桥梁部分面积小，以往检测误差大。本文的检测方法处理这类情况优势明显。图5(b)为初检结果；阴影区域提取如图5(c)，对阴影区域进行标记，并与桥梁进行所属关系判定；图5(d)是修正后的桥梁提取结果。定位描述具体数据如表1。本文方法得到的目标描述参数更接近目标实际参数，定位精度得到提高。

    实验三 如图6所示的遥感图像三中水上桥梁下方存在湖心岛，在以往的检测方法中容易被误认为是两座桥梁。按照本文检测方法可以正确定位,定位结果如表1中所示。

    本文针对以往水上桥梁检测精度不高，尤其当河水处于枯水期时检测结果依赖检测窗口的选择，以及水上桥梁下方存在湖心岛时桥梁容易被错检等问题，提出基于环境要素提取的高分辨遥感图像中枯水期水上桥梁目标的定位方法。本文方法通过提取与目标密切相关的环境要素，在桥梁知识模型指导下，经过目标检测、目标定位和描述过程精确定位描述目标。算法引入桥梁阴影特征约束准则，通过阴影与目标的相互验证辅助桥梁目标的检测，提高检测精度，并且对目标进行定位和描述。以实际高分辨率遥感图像为例，实验验证了本文方法的有效性和优越性。
参考文献
[1] Wu Fan, Wang Cha, Zhang Hong. Recognition of bridges by integrating satellite SAR and optical imagery[C]. IEEE 2005.IEEE International Conference on integration Technology.2007:3939-3941.
[2] Ma Zhenli,Wang Huibin. A knowledge-based target recognition method for remote sensing image[C]. 2007.
[3] CHAUDHURI D, SAMAL A. An automatic bridge detection technique for multispectral images[J]. IEEE Transaction on Geoscience and Remote Sensing, 2008,46(9):2720-2727.
[4] SOERGEL U. Feature extraction and visualization of Bridges over water from high-resolution InSAR data and one  orthophoto[J]. IEEE Journal of Selected Topics in Applied  Earth Observations and Remote Sensing,2008,1(2):147-153.
[5] Chen Aijun. Novel approach for recognizing bridges over water in large remote sensing images[C]. international symposium on computional intelligence and design.2008:48-51.
[6] Zhang Yongmei. A novel recognition approach based on multi-agent[C]. 2010 International Conference on Digital Manufacturing & Automation. 2010: 92-95.
[7] 陈爱军.典型人造目标自动识别算法研究[D]. 哈尔滨: 哈尔滨工业大学,2008.
[8] 吴樊,王超,张红等. 基于知识的中高分辨率光学卫星遥感影像桥梁目标识别研究[J].电子与信息学报,2006,28(4):587-591.
[9] Fu Yili . Recognition of bridge over water in high-resolution remote sensing images[C]. 2009 World Congress on computer science and information engineering,2009:621-625.
[10] 周小成,汪小钦,骆剑承，等.基于对象关系特征的高分辨率光学卫星影像水上桥梁目标识别方法[J].遥感应用,2010(2):36-42.
[11] 薄丽萍.桥梁目标识别的研究与实现[D].太原:中北大学,2010.
[12] PAPPAS T N. An adaptive clustering algorithm for image segmentation[J]. IEEE Transaction on Signal Processing. 1992,40(4):901-914.