遥感图像中机场跑道自动检测方法研究

杨帅，程红，孙文邦，李婷

（空军航空大学吉林长春130022）

遥感图像中机场跑道自动检测方法研究

杨帅，程红，孙文邦，李婷

（空军航空大学吉林长春130022）

针对遥感图像中机场跑道区域比较狭长的特点，提出一种新的检测遥感图像中机场跑道的方法。跑道作为机场最显著的标志是由于它具有明显的直线特征和边缘特征，本文提出基于Hough变换的改进算法，采用直线支持区间的思想，将相位角的范围缩小到一个小的区域进行检测，大大减少了计算量。然后采用直线连接的方法将满足一定条件的、存在断点的线段连接，最后根据跑道特点，去除不相关的平行线，最终检测出机场跑道，实现了快速精确。

遥感图像；机场跑道；目标检测；Hough变换

在遥感图像的处理中，机场作为重要的目标，研究对其进行自动识别具有重要的意义。机场跑道对于起降飞机、自动导航和军事作战等具有重要意义，并且机场作为遥感影像上一类重要的具有显著特征的目标，在诸多方面尤其是军事领域得到较多关注。跑道是机场最显著且是最容易识别的特征，所以许多识别机场的方法都是从检测跑道入手［1］。在遥感图像中机场跑道所表现出的显著特征主要有：平行线特征、灰度特征和结构特征。但由于机场跑道的尺寸变化范围较大，机场附近存在与跑道特征类似的公路等狭长目标，背景相对复杂，并且随着使用时间的不同以及光照、气候等条件的变化，不同机场跑道的成像灰度变化较大，同时跑道上存在大量飞机滑行的印痕使得精确检测跑道变得非常困难［2］。传统的检测方法无法实现将机场跑道和周围公路等复杂背景进行区分识别，即使是经常用于检测直线段的Hough变换，虽然能够有效的检测出机场跑道，但在检测出的跑道边缘中还是存在一些断点，而且由于Hough变换需要进行坐标变换，所以识别过程比较耗时。本文对传统的Hough变换进行改进，提高检测效率，同时将检测出的断点进行连接，然后采用平行线匹配的方法最终精确的检测出机场跑道［3］。

1　基于改进的Hough变换进行边缘检测

1.1改进方法

Hough变换是一种常用的提取直线的方法，基本思想是在图像空间和参数空间之间建立一种“线—点”的对应关系，将图像空间中直线的检测问题转化为参数空间中点的检测问题。它具有可对目标进行有效的检测与识别、可并行实现、对噪声不敏感等优点，因而应用较广泛［4-5］。但是Hough变换的运算量非常大，往往比较费时，这限制了它的实际应用。针对这一问题本文借鉴了直线支持区间的思想，利用直线的相位信息缩小θ的计算范围，大幅降低计算量［6］。

图像中的边缘总是存在于两个具有不同灰度值的相邻区域之间，是灰度值不连续的结果。理想情况下图像的边缘是具有一定宽度的，经差分计算后，会产生平行的上下两条边缘。同一侧边缘的梯度相位相同，且上下边缘的梯度相位相差180度（这里假设它们处于同一背景中，机场跑道经常满足这一条件）［7］。另外，直线的梯度相位与直线相垂直，而直线在ρθ参数空间的θ值为原点至直线的垂线与X轴的夹角，这表明直线的梯度相位与直线在ρθ参数空间所对应的θ值相等（或相差180度）。本文算法将基于以上这些性质进行推导。

在Hough变换中，θ角的取值范围是［0°，180°），对于直线边缘上各个像素点，如果按照传统的Hough变换计算时θ将取遍这一范围，计算量是巨大的，并且大部分计算是无用的，仅仅是与直线相垂直的梯度相位角对提取直线有贡献。如果事先利用直线的相位信息，把θ的取值范围压缩到直线相位邻域内一个较小的区间，就能有效地降低计算量，范围压缩得越小所需的计算量也就越小［8］。根据这个思路，要缩小θ的取值范围，确定直线的大致梯度相位，首先对图像进行边缘检测得到二值图像，然后统计各边缘像素点在原图中所对应的梯度相位。因为较长的直线边缘所对应的梯度相位在统计结果中占优势，所以计算时选取梯度相位出现次数最多的角度范围，因为在这一范围内最有可能出现直线，这就是直线支持区间的思想［9］。

具体步骤可归纳为：

1）利用梯度算子对图像进行处理，检测图像边缘，得到二值图像。

2）计算梯度相位时的范围限定在［0°，180°），并量化为n个小区域间隔并标号。原本梯度相位范围是［0°，360°），因为上下边缘平行，相位相同或相差180度，而平行线在Hough变换的ρθ参数空间内对应相同的θ值，这样就可以将处于［180°，360°）范围内的梯度相位减去180度换算到［0°，180°）范围内，对于直线提取来说没有什么影响［10］。

3）利用梯度算子与图像卷积分别得到梯度的x分量Gx和y分量Gy，计算梯度相位如下式，仅保留边缘图像中的边缘像素点的相位信息。

4）统计梯度相位，获得直线支持区间。即将边缘图像中各边缘像素点标记为对应的区域标号，统计各区域标号出现的次数，认为出现次数最多的区域标号所对应的区域间隔即是直线最可能存在的范围。

5）去除边缘图像中处于直线支持区间外的像素点，得到新的边缘图像。

6）对新的边缘图像仅在直线支持区间内进行Hough变换。

7）根据Hough变换结果提取直线［11］。

1.2检测效果

文中选取一幅512×512像素大小的机场遥感图像进行实验。如图1所示，（a）为原始机场影像，首先采用Sobel算子进行检测，检测结果如图（b）所示，除了机场的边缘及跑道边缘以外，周围房屋的边缘也检测出来，同时机场跑道一侧存在着像素点不连续的情况；同时将梯度相位［0°，180°），等量划分4个区间，通过计算发现像素点标号最集中的区域主要在［135°，180°）这个范围内，于是去除其他区域的像素点后，进行Hough变换，这就极大地缩减了对θ的取值，减少了计算量。提取直线段后二值化得到如图（c）所示，其中绿色线是检测出来的直线段［12］。

实验结果表明，由于缩小了参数θ的取值范围，文中方法的检测速度要明显快于传统的Hough变换方法，这样就保证在实战过程中的实效性要求。但是同时也看到，机场跑道右侧边缘并没有完全检测出来，线段之间不连续，这主要是跑道右侧的边缘像素点灰度不均匀，在采用Sobel检测时，检测出的边缘二值化后出现了断续和不在一条直线的情况，此时这些边缘点的梯度相位就存在了差异，有的偏离了直线支持区间，所以采用Hough变换时就没有检测出来［13］。

图1　边缘检测效果图

2　平行线匹配法识别跑道

为了找出满足机场跑道要求的平行线对，先对各直线按其方向进行分组。1）首先删除长度小于某一设定值的短直线；2）将方向足够接近的直线段编为一组；3）如果某一方向只有一条直线段存在而无法形成平行线对，则删除该线［14］。经过分组处理后那些明显不满足要求的直线将被删除，减少了下一步提取平行直线对的计算量，如图2所示。

经过处理后发现，本应在一条直线上的线段还是没能连接起来，即跑道的一条边缘对应的是一条完整的直线，而另一边缘对应的直线呈现出断裂状态。为了解决这一问题，本文提出这样一种连接准则：设La、Lb和Li是3条平行线，若La和Lb共线，且La、Lb在Li上的投影均在Li内部或大部分在Li内部，则La和Lb可被连接。通过对上图的分析，找出满足此准则的线将其连接，这样就减少了机场跑道边缘直线断裂的可能性，为后续跑道的正确检测奠定基础（如图3所示）［15］。

图2　分组处理后的效果图

图3　采用连接准则之后的效果图

在上面这个影像图中存在着四条同一方向的直线段，那该如何确定机场跑道呢？根据机场跑道的结构特点提出以下规则：

1）两平行线的重叠度要满足一定条件，以保证它们相互对应，具有构成机场跑道的可能。本文要求重叠度OL（Ll，Ls）＞△OL，Ll、Ls为两平行线，其中为长直线，为短直线，OL为一阈值。如图4所示。

2）根据机场跑道的长宽比特性（长宽比一般在20:1以上），要求长直线段的长度至少是两直线之间距离的20倍。

按照上述要求在连接后的图像（图3）基础上，最终正确提取出了机场跑道对应的平行直线对，结果如图5所示，其中取ΔOL=0.8，即两平行线的重叠部分要大于长直线长度的80%。

图4　平行线重叠度

图5　最终检测结果

从实验结果来看，本文采用的方法能够较好地识别出机场跑道的位置和结构。

3　结论

随着遥感技术的发展，从航空图像和卫星图像中自动或半自动检测与识别各种目标具有重要的军事应用价值。机场跑道是重要的战略目标，对其进行快速准确的智能识别对今后的信息化战争起着重要作用。本文提出的基于直线支持区间的Hough变换改进方法，降低了计算量，同时充分考虑机场跑道平行直线特征，直接利用边缘图像检测，在进行直线拟合的过程中没有利用“最小二乘法”等需要计算的过程，实验结果表明，本文方法是快速可行的。

［1］李朝锋，曾生根．遥感图像智能处理［M］．北京：电子工业出版社，2007．

［2］何勇，徐新等．机载SAR图像中机场跑道的检测［J］．武汉大学学报（理学版），2004，50（3）：393-396.

［3］叶斌，彭嘉雄．基于结构特征的军用机场识别与理解［J］.华中科技大学学报，2001，39（3）：39-42.

［4］陈雷.基于轮廓模板匹配的物体检测算法［J］.基础科学，2010，11（上）：158.

［5］何国威，刘建国，周春晓等．基于知识的红外数字图像中铁路的识别［J］．红外与激光工程，2000，19（1）：55-59．

［6］雷震．航空影像中的机场检测--机场特征提取、分析与推理［D］．武汉：武汉大学，2002．

［7］张立平，张红，汪超等．大场景高分辨率SAR图像中机场快速检测方法［J］．中国图像图形学报，2010，15（7）：1112-1120.

［8］李壮，杨夏，于起峰.SAR图像中机场跑道自动检测方法研究［J］.应用光学，2011，32（1）:49-53.

［9］王卫星，周宁.遥感图像中机场跑道的检测［J］.重庆邮电大学学报，2010，22（1）:108-111

［10］Abutaleb A.An automatic three holding of gray-level picture usingtwolimeneionalentropiee［J］.ComputerVision，Graphics and Image Processing，1989，47:22-32.

［11］杨志刚.红外图像中机场跑道的自动识别与跟踪［D］.哈尔滨:哈尔滨工程大学，2007．

［12］Qasim Iqbal，J.K.Aggarwal.Applying perceptual grouping to content-based image retrieval:Building images［J］.IEEE Trans.1999：42-48.

［13］Dehong Liu，Lihan He，Lawrence Carin.Airport dectection in large aerial optical imagery［J］.IEEE Trans.on ICASSP，2004.

［14］王永刚，姜挺，龚辉.一种基于跑道检测的机场识别方法［J］.测绘工程，2009，18（5）:69-72.

［15］李小毛，唐延东，肖颖杰.多尺度线状目标的机场跑道识别［J］.红外激光工程，2005，34（6）：733-736.

Automatic detection of airfield runways in sensing images

YANG Shuai，CHENG Hong，SUN Wen-bang，LI Ting
（Aviation University of Air Force，Changchun 130022，China）

According to the characteristics of runway area that is relatively narrow in remote sensing images a new method to detect runway in remote sensing in ages was presented.Raceway is the most significant sign of airport because of its obvious line and edge features，which proposed an improved algorithm based on Hough transform.Using the idea of straight-line support range，the range of the phase angle is reduced to a small area to detect，which greatly reducing the amount of computation.Then，the line segments which satisfy certain conditions and have the breakpoints are connected based on the method of line connection.Finally，according to the characteristics of the raceway，the unrelated parallel lines are removed，the airport runway is figured out quickly and accurately.

remote sensing image；airport raceway；target detection；Hough transformation

TN751

A

1674－6236（2016）17-0150-03

2016-03-01稿件编号：201603001

国家自然科学基金（61301233）

杨帅（1992—），男，辽宁锦州人，硕士研究生。研究方向：图像处理、无人机侦察图像目标定位研究。