專利名稱：一種基于上下文的機場目標解譯方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像解譯技術(shù)領(lǐng)域，具體涉及一種以衛(wèi)星圖片中的機場目標為對象，利用上下文信息實現(xiàn)對機場目標的解譯。

背景技術(shù)：
機場是重要的軍事目標，在遙感圖像中對機場目標進行解譯具有重要的理論意義與應用價值。
機場是供飛機起飛、著陸、停放和組織保障飛行活動的場所。它是一個較大的目標群，通常由跑道、滑行道、停機坪、飛機掩體、機窩、指揮通訊設(shè)備、飛行管制室、氣象臺、飛機修理設(shè)備、油庫、彈藥庫和營房、生活區(qū)等組成。這些組成部分在建筑形式和配置位置等都有不同的特點，反映在影像上的特征也不一樣。它包括飛行場地和各種保障設(shè)施。按其跑道和其它設(shè)施的條件，分為永備機場和野戰(zhàn)機場；按其使用性質(zhì)，又可分為軍用機場和民用機場。在影像上判讀機場目標，主要是查明機場的種類和建筑設(shè)施的情況，同時，還應判明機場上的防御設(shè)施以及飛機的位置等。因此，機場的復雜多樣性決定了在遙感圖像中對機場進行識別和解譯是一項困難的任務(wù)。
然而，由于機場跑道的特征最為明顯，因此，現(xiàn)有的機場檢測算法一般僅限于對機場跑道的識別，且常常是通過提取跑道邊緣，并判定其是否為平行線作為判斷依據(jù)。這是一種完全從知識驅(qū)動出發(fā)的識別方法，且容易將機場跑道和高速公路混淆，具有識別精度不高，適應性差的缺點。同時，這類方法也忽略了構(gòu)成機場目標的其它要素，如機窩、聯(lián)絡(luò)道、機場建筑等，從而導致了現(xiàn)有方法無法完成對機場目標的解譯，只不過是完成了機場跑道的識別任務(wù)。


發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于上下文的機場目標解譯方法，對遙感圖像中的機場目標有效完整識別和解譯，操作簡便，準確率高。
一種基于上下文的機場目標解譯方法，包括對機場跑道、草坪、聯(lián)絡(luò)道和機窩的標記，具體步驟如下 步驟(1)將待識別遙感圖像進行大津分割得到二值圖像I； 步驟(2)從二值圖像I中提取平行線空間以及由亮和暗連通域空間構(gòu)成的連通域空間，若平行線空間或暗連通域空間為空，結(jié)束，否則進入步驟(3)； 步驟(3)搜索到一個機場候選解W，該解構(gòu)成機場的概率p(W|I)值為最大，將該機場候選解W作為機場解W′； 機場候選解W包含的信息有候選主跑道、候選草坪陣列和候選輔助跑道，候選主跑道由平行線空間中的一組平行線組合{l1，l2}表示，候選草坪陣列由暗連通域空間中的3～6個暗連通域組合{Ri}表示，候選輔助跑道由一條依據(jù)前述候選主跑道和候選草坪陣列構(gòu)建而成的直線l3表示； 概率p(W|I)表示為p(W|I)∝p(W)p(I|W)，其中 先驗概率其中，K為暗連通域組合{Ri}的暗連通域個數(shù)，

為暗連通域組合{Ri}的第i個暗連通域的周長，|Ri|為暗連通域組合{Ri}的第i個暗連通域的面積，λ∈{4，5，6}，α∈
，d0∈[10，70]，σθ∈(0，0.2]，θ＝(θ1+θ2)/2， 其中，

為暗連通域組合{Ri}中第i個暗連通域的邊界Ωi上的任意一點； 其中 (xc，yc)為暗連通域組合{Ri}的質(zhì)心坐標值； f3(Ri，Ri+1)為暗連通域組合{Ri}中第i個暗連通域與第i+1個暗連通域間的質(zhì)心間距； 步驟(4)若概率p(W′|I)小于閾值pT，機場不存在，結(jié)束，否則進入步驟(5)； 步驟(5)對機場解W′包含的平行線組合進行主跑道標示，對機場解W′包含的直線進行輔助跑道標記，對機場解W′包含的暗連通域組合進行草坪標記，相鄰草坪間的部分標記為聯(lián)絡(luò)道，在主跑道和輔助跑道同時所在的亮連通域內(nèi)，對輔助跑道遠離主跑道的一側(cè)進行機窩識別和標記。
本發(fā)明的技術(shù)效果體現(xiàn)在 (1)本發(fā)明通過Otsu法分割得到二值圖像，在二值圖像中提取平行線空間和連通域空間，作為機場候選解空間，用于機場的識別和解譯。因此本發(fā)明在機場的識別和解譯中，不像現(xiàn)有的機場識別方法僅僅采用機場主跑道作為機場的特征，而是綜合利用了機場主跑道、輔助跑道和草坪陣列的上下文關(guān)系； (2)本發(fā)明定義了機場先驗概率和上下文似然函數(shù)，從而得到后驗概率的表達式。采用馬爾科夫鏈蒙特卡洛方法(MCMC)在解空間中搜索使后驗概率最大的解，從而完成機場的識別和解譯，具有很強的魯棒性，能夠識別各種不同類型的機場，同時具有一定的抗噪聲、抗圖像畸變的能力； (3)本發(fā)明采用貝葉斯分析理論，將自頂向下的基于知識驅(qū)動的方法與自底向上的數(shù)據(jù)驅(qū)動方法相結(jié)合，能對遙感圖像中的機場目標進行有效得識別和解譯，并且操作簡便，工作效率高。



圖1示出了本發(fā)明流程圖； 圖2示出了搜索算法的流程示意圖； 圖3示出了一幅包含機場的可見光遙感圖像； 圖4示出了對原始圖像Otsu分割的結(jié)果； 圖5示出了平行線空間中所有的平行線元素； 圖6示出了亮、暗連通域標記的結(jié)果，其中，圖6a代表亮連通域標記結(jié)果，圖6b代表暗連通域標記結(jié)果； 圖7示出了主跑道、輔助跑道和機場草坪區(qū)域的標記結(jié)果，其中，圖7a代表主跑道和輔助跑道標記的結(jié)果，圖7b代表機場草坪區(qū)域的標記結(jié)果； 圖8示出了聯(lián)絡(luò)道標記的結(jié)果； 圖9示出了標記機窩過程中的一些中間結(jié)果，其中，圖9a代表提取主輔跑道所在亮連通域，圖9b代表輔助跑道一側(cè)遠離主跑道的部分，圖9c代表只機窩所在連通域，圖9d代表細化后的機窩連通域，圖9e代表標記細化后的機窩連通域末端的位置。
圖10示出了對圖3進行機場解譯的最終結(jié)果。

具體實施例方式 本發(fā)明定義的機場解譯就是對圖像中機場的各個組成部分，包括機場草坪、主跑道、輔跑道、聯(lián)絡(luò)道以及機窩群分別加以識別并輸出。
假定已經(jīng)獲得了待識別的遙感圖像，在該遙感圖像中，至多只可能包含一個完整的機場。
下面參照圖1詳細說明本發(fā)明的步驟 (1)將待識別遙感圖像進行大津(Otsu)分割，得到分割后的二值圖像I； (2)從分割后的二值圖像中產(chǎn)生基本的元素空間，即提取平行線空間和連通域空間。具體過程如下 (2.1)通過拉東(Radon)變換，我們可以得到所有直線的響應強度、角度與投影。對于任意兩條直線l11、l22，其響應強度記為u11，u22，角度記為theta11，theta22，投影記為b11，b22。則平行線元素空間通過pM(l11，l22)得到。如果pM(l11，l22)＝1，則直線l11、l22組成平行線加入平行線空間；否則不加入平行線空間。pM(l11，l22)的計算公式如下， pM(l11，l22)＝pu(u11，u22)pb(b11，b22)ptheta(theta11，theta22) 等式右邊第一項pu(u11，u22)表示兩條直線的響應強度的相似程度，計算公式如下
其中p0，u0限制求取的平行線的強度范圍。
等式右邊第二項，pb(b11，b22)檢驗兩條直線的間距是否滿足要求，計算公式如下
其中b1，b2限制了所求平行線的間距范圍，與圖像的分辨率有關(guān)。
等式右邊第三項ptheta(theta11，theta22)體現(xiàn)了兩條直線的角度相似程度，計算公式如下
其中theta0為預定的兩條直線的角度相似程度閾值。
(2.2)對(1)得到的二值化圖像，分別求取亮連通域與暗連通域，組成亮連通域空間和暗連通域空間。其中亮連通域用來識別機場的主體部分，暗連通域用來求解機場的草坪陣列。
(3)在平行線空間和連通域空間構(gòu)成的解空間中，采用馬爾科夫鏈蒙特卡洛方法(MCMC)搜索使后驗概率p(W|I)最大的解W，后驗概率p(W|I)即為機場構(gòu)成概率p(W|I)。
首先在(3.1)中將具體描述最大后驗概率的計算表達式；然后在(3.2)中描述如何使用MCMC方法。總體來講，(3.2)中描述的MCMC方法是按照某種準則不斷地從解空間中抽取出一個特定的解，將這個解代入(3.1)中描述的p(W|I)的計算表達式，計算出一個p(W|I)的值，這些p(W|I)的值當中會有一個極大值，如果這個極大值在不斷計算了1000～2000次之后仍然是極大值，那么可以認為這個極大值就是最大值，即最大后驗概率，然后結(jié)束解空間的搜索。
(3.1)根據(jù)貝葉斯公式，后驗概率p(W|I)可以由先驗概率p(W)和上下文似然函數(shù)p(I|W)如下式表示， p(W|I)∝p(W)p(I|W)， 先驗概率其中，K為暗連通域組合{Ri}的暗連通域個數(shù)，

為暗連通域組合{Ri}的第i個暗連通域的周長，|Ri|為暗連通域組合{Ri}的第i個暗連通域的面積，λ∈{4，5，6}，α∈
，d0∈[10，70]，σθ∈(0，0.2]，θ＝(θ1+θ2)/2， 其中，

為暗連通域組合{Ri}中第i個暗連通域的邊界的Ωi上的任意一點。
其中 (xc，yc)為暗連通域組合{Ri}的質(zhì)心坐標值，計算方法為暗連通域組合{Ri}中所有暗連通域的質(zhì)心坐標的平均值； f3(Ri，Ri+1)為暗連通域組合{Ri}中第i個暗連通域與第i+1個暗連通域間的質(zhì)心間距。
(3.2)MCMC搜索方法具體過程如下 首先設(shè)計馬爾可夫鏈的三種子轉(zhuǎn)移核。每運行一個子轉(zhuǎn)移核都會得到一個新的解，如圖2所示，然后根據(jù)(3.1)中的式(1)計算得到一個新的后驗概率值。
(a)子轉(zhuǎn)移核1 子轉(zhuǎn)移核1的作用是更新機場候選解W的暗連通域{Ri}。設(shè)運行子轉(zhuǎn)移核1前機場候選解W的暗連通域是{Ri}，i＝1，2…，K，剩下的非機場候選解的暗連通域是{Sz}，z＝1，2…，K′。那么，每運行一次子轉(zhuǎn)移核1，將以轉(zhuǎn)移概率Q1r將{Ri}中的Rr去除，并且以轉(zhuǎn)移概率Q1l將{Sz}中的Sl加入{Ri}。
轉(zhuǎn)移概率Q1r和Q1l的計算方法如下， 在這里，權(quán)值ω1m(Ri)與ω1n(Sz)的計算方法如下， 其中，p(K)＝λK exp(-λ)/K！，λ∈{4，5，6}，λ1，λ2∈(0，1)，且λ1>λ2。
wi為各連通域等價橢圓的寬度，σlp∈[30，60]，σw∈[90，110]，這里dc{Ri}為{Ri}的中心偏移距離，計算方式如下， 令暗連通域組合{Ri}中各連通域的質(zhì)心依次為{(ei，fi)，i＝1，2，..K}，通過最小二乘法將質(zhì)心橫坐標ei和縱坐標fi擬合為直線lc x cos θc+y sin θc＝bc，θc為直線lc的法線與橫坐標軸的夾角，bc為坐標原點到直線lc的距離，則暗連通域組合{Ri}的中心偏移距離 (b)子轉(zhuǎn)移核2主跑道的轉(zhuǎn)換 通過(2.1)建立的平行線空間，我們得到一系列候選的主跑道。運行子轉(zhuǎn)移核2時，將根據(jù)每組平行線的權(quán)值重新選擇一組平行線，被選中的概率與權(quán)值的大小成正比。
設(shè)平行線空間中平行線組合總共有N組，第h組平行線組合{lh1，lh2}權(quán)值

的計算方法如下， 其中，q({lh1，lh2})體現(xiàn)了一組平行線的平行程度，計算方法如下， θh1、θh2分別是直線lh1、lh2的法線與橫坐標的夾角，σθ∈(0，0.2]。
(c)子轉(zhuǎn)移核3輔助跑道參數(shù)更新 輔助跑道表示為直線l3x cos θ3+y sin θ3＝b3，直線l3的法線與橫坐標軸的夾角θ3依據(jù)正態(tài)分布N(2θ4-θc，0.1)確定，坐標原點到直線l3的距離b3依據(jù)正態(tài)分布N(2b4-bc，2)確定；當平行線組合{l1，l2}中的直線l1與質(zhì)心{(ei，fi)，i＝1，2，..K}的距離總和小于直線l2與質(zhì)心{(ei，fi)，i＝1，2，..K}的距離總和，θ4＝θ1，b4＝b1，否則θ4＝θ2，b4＝b2。
每運行一次子轉(zhuǎn)移核3，輔助跑道所在的直線方程的參數(shù)θ3，b3都會根據(jù)其各自的分布取得一個新的值，這樣就得到了一個新的直線方程。這樣確定輔助跑到所在直線可以避免傳統(tǒng)的方法在尋找機場輔助跑道時，由于圖像的畸變、噪聲干擾等造成的定位不準。
整個搜索算法的流程參見附圖2。設(shè)定運行子轉(zhuǎn)移核1的概率為P1，運行子轉(zhuǎn)移核2的概率為P2，運行子轉(zhuǎn)移核3的概率為P3。其中P1，P2，P3為常數(shù)，P1，P2，P3∈(0，1)，且P1+P2+P3＝1。
如果最大后驗概率p(W|I)小于閾值pT，那么圖像中不存在機場，識別結(jié)束。如果最大后驗概率p(W|I)大于等于閾值pT，那么W中的平行線標記為主跑道和輔助跑道，W中的連通域空間標記為機場草坪，其中pT∈(0，0.2]。
(4)相鄰草坪間夾在主輔跑道中間的部分標記為聯(lián)絡(luò)道。
(5)首先提取主輔跑道同時所在亮連通域，如附圖3a所示；接著，在亮連通域內(nèi)提取輔助跑道一側(cè)遠離主跑道的部分，如附圖3b所示；分別對附圖3b中每個連通域分析它的端點數(shù)量，得到機窩所在連通域如附圖3c所示，最后我們將機窩連通域細化后(附圖3d)，標記末端的位置，也就是機窩的位置，如附圖3e所示。
下面為一個實施例。
假定已經(jīng)獲得了待識別的遙感圖像，在該遙感圖像中，至多只可能包含一個完整的機場，如附圖3所示。具體步驟為 (1)將待識別遙感圖像進行大津(Otsu)分割，得到分割后的二值圖像I，如附圖4所示。
(2)從分割后的二值圖像中產(chǎn)生基本的元素空間，提取出的平行線空間中如圖5所示，其中p0＝0.3，u0＝18，b1＝10，b2＝20，theta0＝π/90，亮連通域空間如圖6a所示，暗連通域空間如圖6b所示。其中亮連通域用來識別機場的主體部分，暗連通域用來求解機場的草坪陣列。
(3)在平行線空間和連通域空間構(gòu)成的解空間中，采用馬爾科夫鏈蒙特卡洛方法(MCMC)搜索使后驗概率p(W|I)最大的解W′。計算次數(shù)為1500次，σθ＝0.2，設(shè)定運行子轉(zhuǎn)移核1的概率P1為0.3，其中λ＝4，λ1＝0.6，λ2＝0.4，σlp＝40，σw＝100；運行子轉(zhuǎn)移核2的概率P2為0.3，其中σθ＝0.1；運行子轉(zhuǎn)移核3的概率P3為0.4。最后搜索出的最大后驗概率p(W′|I)＝0.8723，大于閾值pT＝0.02，因此W′中的平行線標記為主跑道和輔助跑道(如附圖7a)，W′中的連通域空間標記為機場草坪(如附圖7b)。
(4)相鄰草坪間夾在主輔跑道中間的部分標記為聯(lián)絡(luò)道(如附圖8)。
(5)首先提取主輔跑道同時所在亮連通域，如附圖9a所示；接著，在亮連通域內(nèi)提取輔助跑道一側(cè)遠離主跑道的部分，如附圖9b所示；分別對附圖9b中每個連通域分析它的端點數(shù)量，得到機窩所在連通域如附圖9c所示，最后我們將機窩連通域細化后(附圖9d)，標記末端的位置，也就是機窩的位置，如附圖9e所示。
最終圖3的機場解譯結(jié)果如圖10所示。
綜上所述，本發(fā)明將機場草坪、主跑道、輔跑道構(gòu)成機場主體，通過自頂向下的基于知識驅(qū)動的方法對機場主體以上下文約束進行建模，獲得機場主體的先驗模型p(W)和機場主體的空間上下文似然函數(shù)p(I|W)。通過對輸入圖像進行自底向上的數(shù)據(jù)驅(qū)動，產(chǎn)生基本的元素空間，為先驗模型提供信息元素，使機場解譯的任務(wù)成為數(shù)學上的求解最大后驗邊緣概率的任務(wù)。依次對滑行道和機窩進行識別。該方法能對遙感圖像中的機場目標進行有效的識別和解譯，并且操作簡便，工作效率高。
權(quán)利要求
1、一種基于上下文的機場目標解譯方法，包括對機場跑道、草坪、聯(lián)絡(luò)道和機窩的標記，具體步驟如下
步驟(1)將待識別遙感圖像進行大津分割得到二值圖像I；
步驟(2)從二值圖像I中提取平行線空間以及由亮和暗連通域空間構(gòu)成的連通域空間，若平行線空間或暗連通域空間為空，結(jié)束，否則進入步驟(3)；
步驟(3)搜索到一個機場候選解W，該解構(gòu)成機場的概率p(W|I)值為最大，將該機場候選解W作為機場解W′；
機場候選解W包含的信息有候選主跑道、候選草坪陣列和候選輔助跑道；候選主跑道由平行線空間中的一組平行線組合{l1，l2}表示，候選草坪陣列由暗連通域空間中的3～6個暗連通域組合{Ri}表示，候選輔助跑道由一條依據(jù)前述候選主跑道和候選草坪陣列構(gòu)建而成的直線l3表示；
概率p(W|I)表示為p(W|I)∝p(W)p(I|W)，其中
先驗概率其中，K為暗連通域組合{Ri}的暗連通域個數(shù)，
為暗連通域組合{Ri}的第i個暗連通域的周長，|Ri|為暗連通域組合{Ri}的第i個暗連通域的面積，λ∈{4，5，6}，α∈
，d0∈[10，70]，σθ∈(0，0.2]，θ＝(θ1+θ2)/2，
其中，
，(xi，yi)為暗連通域組合{Ri}中第i個暗連通域的邊界Ωi上的任意一點；
其中
為暗連通域組合{Ri}的質(zhì)心坐標值；
f3(Ri，Ri+1)為暗連通域組合{Ri}中第i個暗連通域與第i+1個暗連通域間的質(zhì)心間距；
步驟(4)若概率p(W′|I)小于閾值pT，機場不存在，結(jié)束，否則進入步驟(5)；
步驟(5)對機場解W′包含的平行線組合進行主跑道標示，對機場解W′包含的直線進行輔助跑道標記，對機場解W′包含的暗連通域組合進行草坪標記，相鄰草坪間的部分標記為聯(lián)絡(luò)道，在主跑道和輔助跑道同時所在的亮連通域內(nèi)，對輔助跑道遠離主跑道的一側(cè)進行機窩識別和標記。
2、根據(jù)權(quán)利要求1所述的一種基于上下文的機場目標解譯方法，其特征在于，所述步驟(3)的機場候選解W按照如下方式確定以概率P1進入第一子轉(zhuǎn)移核確定暗連通域組合{Ri}，以概率P2進入第二子轉(zhuǎn)移核確定平行線組合{l1，l2}，以概率P3進入第三子轉(zhuǎn)移核確定直線l3，P1，P2，P3∈(0，1)，且P1+P2+P3＝1；
第一子轉(zhuǎn)移核
以轉(zhuǎn)移概率Q1r將暗連通域Rr，r∈[1，K]從暗連通域組合{Ri}中去除，以轉(zhuǎn)移概率Q1l將暗連通域Sl，l∈[1，K′]加入暗連通域組合{Ri}，暗連通域Sl從非候選暗連通域組合{Sl}中獲取，非候選暗連通域組合{Sz}由暗連通域組合{Ri}以外的暗連通域構(gòu)成，k′為非候選暗連通域組合{Sz}的暗連通域個數(shù)；
轉(zhuǎn)移概率Q1r和Q1l的計算公式為
其中
p(K)＝λKexp(-λ)/K！，
λ1，λ2∈(0，1)，且λ1>λ2，wi為暗連通域組合{Ri}的第i個暗連通域等價橢圓的寬度，σlp∈[30，60]，σw∈[90，110]；
中心偏移距離dc({Ri})的計算方法為:令暗連通域組合{Ri}中各連通域的質(zhì)心依次為{(ei，fi)，i＝1，2，..K}，通過最小二乘法將質(zhì)心橫坐標ei和縱坐標fi擬合為直線lcxcosθc+ysinθc＝bc，θc為直線lc的法線與橫坐標軸的夾角，bc為坐標原點到直線lc的距離，則暗連通域組合{Ri}的中心偏移距離
第二子轉(zhuǎn)移核
在平行線空間中，各平行線組合對應一權(quán)值，按照與權(quán)值成正比的概率選擇一組平行線組合，將其作為機場候選解W的平行線組合{l1，l2}；
權(quán)值計算方法為
令平行線空間的第h組平行線組合{lh1，lh2}的權(quán)值
表示為
其中，第h組平行線組合{lh1，lh2}的平行程度θh1、θh2分別是直線lh1、lh2與縱坐標軸的夾角，σθ∈(0，0.2]，N為平行線空間中的平行線組合數(shù)量；
第三子轉(zhuǎn)移核
輔助跑道表示為直線l3xcosθ3+ysinθ3＝b3，直線l3的法線與橫坐標軸的夾角θ3依據(jù)正態(tài)分布N(2θ4-θc，0.1)確定，坐標原點到直線l3的距離b3依據(jù)正態(tài)分布N(2b4-bc，2)確定；當平行線組合{l1，l2}中的直線l1與質(zhì)心{(ei，fi)，i＝1，2，..K}的距離總和小于直線l2與質(zhì)心{(ei，fi)，i＝1，2，..K}的距離總和，則θ4＝θ1，b4＝b1，否則θ4＝θ2，b4＝b2。
全文摘要
本發(fā)明提供一種基于上下文的機場目標解譯方法，該方法以機場草坪、主跑道、輔跑道作為機場主體，確定了機場構(gòu)成概率的計算方法。對輸入圖像進行自底向上的數(shù)據(jù)驅(qū)動產(chǎn)生基本的元素空間，在元素空間中搜索使得機場構(gòu)成概率值最大的機場解。若最大的機場構(gòu)成概率大于閾值，則機場存在，對機場解包含的機場草坪、主跑道、輔跑道分別進行標示。本發(fā)明能對遙感圖像中的機場目標進行有效的完整識別和解譯，并且操作簡便，工作效率高。
文檔編號G06T7/00GK101393641SQ20081019755
公開日2009年3月25日 申請日期2008年11月7日 優(yōu)先權(quán)日2008年11月7日
發(fā)明者曹志國, 繹 范, 問 卓 申請人:華中科技大學