基于改进LSD算法的机场跑道检测

李一波，荆 磊，秦帅涛

(沈阳航空航天大学 民用航空学院，沈阳 110136)

机场跑道的提取算法中，大多数研究是针对红外[1]、光学[2-4]和单极化SAR图像[5]。1997年欧洲卫星研究机构通过对机载SAR图像的高层图像进行分辨，多次修正监测图像，完成机场跑剖面的确定。Huertas等研究者针对光学图像的跑道提取，研究一种提取机场区域的算法，此算法利用滤波器进行轮廓的初步提取，接下来利用RT变换确定机场跑道。鲍富民等人提出针对机场跑道检测进行SAR图像识别。张未平采用机场感兴趣区域检测，并通过滤波器进行特征提取。跑道检测可以分为两种，一种是边缘检测判别机场直线信息，这种方法首先要用RT或用相位判别边缘信息，缺点是算法耗时太多，判别出来的线段精确度低，不符合实际应用；另一种方法是通过机场在灰度图像上呈现黑色矩形的特点，确定机场及其区域，其区域特征更为显著，首先采用不用线段的拼接划分区域，然后用RT或者HT提取出边缘线，机场跑道具有极强的极化特征且受周围背景物的影响，导致划分结果不稳定，进而影响机场和跑道的确定[6]。

RG Gioi Burns等人进行了改进，引入了线性支持域的概念，提出了一种线段检测器(LSD)算法。LSD是一种直线特征处理的算法，该算法运算速度快，线提取特征精确，适用于SAR图像跑道检测。该算法首先计算像素的梯度和方向，选取优势像素点作为种子点，进而设定区域增长的角度公差，获取直线支撑域，通过计算与线性支撑域对应矩形区域的NFA值(虚假施舍数)将直线提取出来。

针对该算法在实际应用方面存在的问题，本文提出一种改进LSD检测算法，对于边缘信息提取部分，使用新的Frost滤波器抑制相干斑。线段提取速度加快，优化对边缘点强度大小的排列，优先选择像素点大的点作为区域增长点，确定矩形参数后进行修正，最后改进验证方式，除去虚假线段，得到跑道信息。采用新的滤波器，减少图像中的数据量，可以有效提高运算速度和提取精度。通过实验对比，该方法比传统LSD算法更加快速、准确地检测图像中的跑道信息，很少出现漏检、误检，具有较好的工程应用价值。

1 边缘信息提取

改进LSD算法的流程主要分为边缘信息获取、候选线段提取及机场与跑道提取三部分。首先，在边缘信息获取部分，对图像进行 Frost 滤波抑制相干斑得到边缘点[7]。将ROEWA算子与Gabor滤波器结合起来提出一种改进的边缘检测方法。用ROEWA算子计算边缘强度幅值，用Gabor滤波器计算每个边缘点的方向，再对提取出的边缘点进行方向提取。然后对有方向信息的边缘点进行梯度伪排序[8]，以强度大的点作为支撑区的中心，按照一定方向生成矩形区域并进行矩形拟合。最后，确定矩形区域的参数，应用改进后的LSD算法进行有效性验证，筛选掉无意义的线段，根据机场和跑道的特征进行提取，得到提取结果。

首先确定边缘点的方向，公式如式(1)所示。

(1)

μx和μy为函数均值，函数的波动方向用θ表示，均值确定函数中心点。式(1)是二维高斯函数，通过有向复正弦函数得出，除实部与虚部在相位上有所差别以外，其余相同。本文只利用 Gabor 函数的实部部分。当θ绕圆周一圈时，n等分的点可以产生n个Gabor函数，所以可以选择方向，边缘强度矩阵即m(x,y)，强度大小与θ之间内积定义如式(2)所示。

K(x,y)=〈g(x,y),m(x,y)〉

(2)

m(x,y)与得出来的函数进行内积计算，n维内积矢量计算如式(3)所示。

K(x,y)]=(Kθ1(x,y),Kθ2(x,y),Kθ3(x,y),…,Kθn(x,y))

(3)

K(x,y)可确定各边缘点的方向信息。根据以往数据分析，一般认为n取16。

图1(a)为原始图，图1(b)为相干斑抑制后得到的图像，图1(c)是ROEWA 边缘检测得到的边缘图，图1(d)中不同线条表示不同的方向[9]。

图1 边缘信息提取效果图

2 候选线段提取

当获取边缘点后，我们要把边缘点连成候选线段，处理方法分为直线支撑区生成和矩形拟合。

2.1 梯度伪排序

直线支撑区是采用梯度增长法来确定的，区域增长的结果受像素点的选取顺序影响[10]。边缘点灰度值变化越大的地方，图像变化越剧烈。首先用滤波器对边缘点像素进行检测，按照大小排序，找像素点梯度大的区域进行生长。

首先得出像素点梯度值和方向，计算模板为表1。像素i(x,y)设为点(x,y)的灰度值，则有

(4)

梯度幅值为

(5)

梯度方向为

(6)

表1 2×2模板

如果将所有像素点都进行区域增长，不仅计算量会加大，梯度值小的像素点还会造成较大的误差。梯度值大说明该像素点的灰度变换剧烈，具有较强的边缘，而梯度值小则说明该点的边缘较弱。

2.2 直线支撑区生成

通过伪排序提取出区域增长的预选点，当选取预选点中的一个像素点时，选取平均角度作为其生长角度。对该区域相邻的像素点进行检测，在其邻域像素中进行搜索，计算其邻域像素的梯度方向与水平方向之差并与角容忍度τ进行比较。若大于τ，则不列入直线候选区；若小于等于τ，像素点可以生成直线支撑区，并按照式(7)得到新的方向。再以新的水平方向为基准进行搜索，将已经被加入直线候选区的像素点从像素集中剔除，按顺序重新挑选种子像素，开始下一次区域增长。当没有新的像素点添加到直线支撑区域内时，停止生长。

(7)

式(7)中，θ为该直线支撑区中像素j的水平方向与梯度方向之间的角度。

2.3 矩形拟合

为了方便后续计算，将得到的直线支撑区用拟合矩形覆盖，长度宽度如图2表示[11-12]。

图2 矩形区域

其中，矩形中心为直线支撑区质心，矩形方向为轴方向，其覆盖了所有直线支撑区，里边有一些不必要的点。因此需要确定拟合矩形的参数，并进行几何调整，调整矩形的长度宽度，逐步确定实际跑道和机场的直线。

3 机场与跑道提取

由于边缘提取受环境扰动影响较大，会提取出许多不必要的直线段，为后续机场跑道的计算增加麻烦。所以需要对其进行剔除，首先对矩形参数进行确定，从中选取有效矩形，获取有意义的直线。

3.1 矩形参数的确定

LSD算法中，每一个直线支撑区对应一个拟合矩形区域，每一个矩形区域对应一条直线。因此，想要获取直线，需要提取对应矩形区域的参数。

(8)

式(8)中，中心坐标用矩形(cx,cy)表示，直线候选区中的坐标(xj,yj)(第j个像素)，n为该直线候选区中像素点总数。

矩形的参数则通过式(9)获得

(9)

3.2 有效性验证

p-对齐点对于矩形判定很重要。这个概念是指设定一个阈值p，计算该矩形区域中的像素点，将矩形方向的夹角与该阈值比较，并将小于等于p的点进行统计。设其数量为k，通常p的值取为τ/π。

NFA(the number of False alarms)利用公式(10)判断矩形是否有意义[13]。

NFA=(NM)5/2.B(n,k,p)

(10)

其中，N表示图像列数，M表示图像行，B(n,k,p)代表p-对齐点所满足的公式。

(11)

将式(10)和(11)合并，得到式(12)

(12)

Desolneux等人研究得出，NFA取最小值可以得出最优矩形。检测出来的边缘点杂乱无章，进行有效性验证可以剔除混乱直线以便跑道直线检测。

3.3 区域提取

要想在SAR图像中得到机场跑道，最简单的方法就是根据其极化特征判别。由于跑道有自己的直线特征，宽度长度满足一定条件，所以实际跑道在长度与宽度之间存在一定的关系。而且在灰度图里，由于跑道存在极化散射特性，亮度较暗，不同位置的差异较小，所以通过跑道宽度和灰度可以识别出跑道，最后根据机场边缘灰度值变化较为剧烈的特点，在跑道周围提取整个机场区域。

4 实验结果及分析

本文取株洲通用机场进行实验检测，图3(a)为改进算法线特征提取图，图3(b)为改进算法跑道提取的图像，为了与传统算法进行对比，文中方法经边缘检测、Hough 变换线特征得到跑道特征图3(c)，图3(d)为用文中方法得到的最终图像。

通过对比新算法与文中得到的结果图可以看出，新算法可以省去大量误检，比传统方法直线更为清晰整洁，表2为新算法与两种传统算法的对比参数。

从表中可以看出，新算法检测时间要小于传统方法，从检测出来的线段数目和不必要线段数目来说，新算法省去了大量无用线段，误检错检线段少。长线段数目较传统方法占比更多，有更好的抗噪性。

图3 株洲机场跑道及机场提取

表2 两种传统算法与改进LSD算法检测对比

为了验证算法的性能，下面我们研究新方法对包含机场区域的大场景SAR图像的检测效果。应用改进 LSD算法的对跑道和机场区域提取图如图4所示。

图4 某通用机场跑道及机场提取图

通过图4(d)提取线段特征可以看出，改进LSD线提取特征明显，机场和跑道提取的效果也很好，一些杂乱无章的曲线并没有提取出来，与传统算法对比效果好，检测出的无用线段较少，算法所需时间较传统方法也大大缩短。

5 结论

针对传统LSD算法的SAR图像跑道区域监测时间长、提取效果差等问题，本文提出一种机场跑道检测改进LSD线提取方法，通过改进滤波器，大大减少了后续线段连接的时间，提高了提取效率。通过对株洲机场与某通用机场进行跑道检测，并与传统方法进行实验对比，结果显示该算法检测效率高、检测出的无用线段较少、机场跑道提取有效线段相对传统LSD算法更为准确，改进后的跑道为飞机目标识别提供了更清晰的底层特征，对后续飞机目标检测具有重要意义。