一種顯著圖分割的遙感油庫檢測方法

蔡肖芋，眭海剛

(武漢大學(xué) 測繪遙感信息工程國家重點實驗室，湖北 武漢 430079)

隨著遙感衛(wèi)星(如:IKONOS，Quick Bird 和GeoEye－1)的發(fā)展，獲取地面影像的空間分辨率也越來越高，這些影像數(shù)據(jù)應(yīng)用于物體檢測，尤其是人工物體檢測和識別［1］。油庫一直以來對軍事和民用應(yīng)用具有重要意義［2］。民用方面，在機(jī)場遙感影像的毀傷信息提取和分析中，油罐識別與檢測的準(zhǔn)確度直接影響到毀傷信息提取和分析的效果;在軍事上，油庫作為原油和成品油等物資的儲備設(shè)施，在戰(zhàn)略上有著重要地位。因此，利用遙感高空間分辨率影像進(jìn)行地面油庫目標(biāo)的精確定性和定位在軍事上有著重要的戰(zhàn)略意義。然而，在復(fù)雜的遙感影像上，油罐的檢測面臨巨大的難點。油罐雜亂排列，有不同顏色，易受到復(fù)雜背景地物的干擾，邊緣易模糊或者表面灰度不均勻;由于光照、成像質(zhì)量及油罐材料、結(jié)構(gòu)、位置等影響，導(dǎo)致油罐在影像中存在著一定的幾何變形。這一系列的復(fù)雜情況對油罐的檢測與識別帶來了很大的難度。

油罐檢測傳統(tǒng)的方法主要有:模板匹配［3］和Hough變換［3－4］。采用模板匹配的方法計算量大而且模板選擇易受尺度，旋轉(zhuǎn)變化等因素影響;采用整體匹配，識別率低且模板難以統(tǒng)一和確定。文獻(xiàn)［3］通過利用梯度的方向信息和降低參數(shù)空間維數(shù)的方法來改進(jìn)了hough 變換，結(jié)合圖搜索方法進(jìn)行油罐檢測;文獻(xiàn)［4］改進(jìn)了RHT，改進(jìn)的Canny 算法以及模板匹配算法進(jìn)行油罐檢測。文獻(xiàn)［5］提出了一種自動識別的方法來檢測1/4 油罐，利用似圓參數(shù)、長寬比和矩形結(jié)實度。

通常下，遙感目標(biāo)物體相對于整個遙感影像來說，是一個較小的目標(biāo)。為了識別目標(biāo)在大區(qū)域的高分辨率的遙感影像上，文中需首先提取出目標(biāo)的疑似區(qū)域，這樣就會提高處理的計算效率。傳統(tǒng)的提取感興趣區(qū)域的方法，比如:全局搜索算法［6］，基于分割的方法［7］等，通常只是為一種特定的目標(biāo)檢測而用，不能同時檢測出多類目標(biāo)，且全局搜索方法在大尺度的遙感影像上計算消耗特別大，基于分割的方法依賴于分割方法的結(jié)果，而現(xiàn)在還沒有有效的分割方法。視覺顯著檢測指出了另一條有效的方向?qū)τ谝伤茀^(qū)域的提取。

為了識別目標(biāo)在大區(qū)域高分辨率的遙感影像，文中需首先提取出目標(biāo)的疑似區(qū)域，而視覺顯著檢測對于在大面積遙感影像上疑似區(qū)域的提取較為有效。針對上述問題，本文提出了一種基于視覺顯著圖分割的油罐檢測方法，如圖1 所示。首先利用視覺顯著模型得到油庫疑似候選區(qū)域，然后用多閥值Otsu 方法分割出目標(biāo)，最后利用油罐的似圓特征和分布式目標(biāo)的空間分布規(guī)律對油庫進(jìn)行檢測識別。

1 改進(jìn)的視覺顯著圖

為了檢測油罐的區(qū)域，對于在隨后處理的計算成本來說，選擇視覺顯著性模型是特別重要的。好的顯著性模型應(yīng)滿足以下條件［8］:(1)應(yīng)具有高運(yùn)算速度和易于實施，同時均勻高照明整個顯著對象時具有良好定義的邊界。(2)在未使用任何先驗知識和有效地抑制紋理和噪音的前提下，應(yīng)該產(chǎn)生全分辨率的顯著圖。HC 模型滿足以上，但未能抑制紋理在復(fù)雜的遙感圖像上，在HC 模型基礎(chǔ)上，改進(jìn)的HC 模型，利用高斯濾波平滑圖像，抑制復(fù)雜的遙感圖像的紋理信息。

基于直方圖對比度(HC)的方法定義了一個像素的顯著性作為其顏色的對比圖像中的所有其他像素。例如，像素Ik的顯著值可表示為

式中，D(Ik，Ii)表示像素Ik和像素Ii之間在色彩空間Lab 里的色彩距離;N 是圖像上像素的個數(shù)。在并未考慮空間關(guān)系，用相同顏色的像素具有相同的顯著值。因此，像素Ik的顯著值，其色值是c1，將其定義為

式中，N 是在圖像上不同顏色值的總數(shù)量，fj是顏色值cj的出現(xiàn)頻率。

為了加快計算，作者首先量化每個顏色通道中的RGB 顏色空間到12 級，并獲得123 種不同的顏色。然后其通過消除了由最接近的顏色在顏色直方圖取代了并未頻繁出現(xiàn)的顏色，從而將顏色數(shù)減少至約85。為減少所造成的量化的步驟，顏色的顯著值是由一個色彩空間平滑過程。他們用相似的顏色顯著值的加權(quán)平均，以取代目前的顏色為c 的顯著值

為減少計算時間，文中首先將圖像從RGB 空間轉(zhuǎn)化到Lab 空間，Lab 顏色空間適應(yīng)于人的視覺感受，并將其量化為12:12:12，然后將Lab 圖像轉(zhuǎn)化到RGB 顏色空間。這個量化操作減少被處理彩色數(shù)量而不影響視覺效果。量化之后，構(gòu)建基于量化的圖像上進(jìn)行小波圖像金字塔，即

式中，n 是圖像金字塔層數(shù)。

然后采用基于直方圖對比度的視覺顯著(HC)來提取顯著區(qū)域在每一張圖像上以及得到相應(yīng)的顯著圖。

式中，Ik是第k 層圖像;SMHC是HC 顯著圖根據(jù)方程(3)過程得到的;Hk是第k 層顯著圖。文中定義新的顯著圖為

式中，*表示在進(jìn)行相乘之前H1，…，Hn－1調(diào)節(jié)尺寸大小與H0一樣大，Sm表示最后的顯著圖。

在此需注意參數(shù)n 的選擇。在大視場高空間遙感圖像中，n 是依賴于雙方的圖像的空間分辨率和被認(rèn)可的真實世界對象的大小。換句話說，正被圖像中的對象的大小來確定。通常情況下，n=3 適應(yīng)大多高分辨率的影像，文中選擇n=3，以免遺漏較小的目標(biāo)。

從圖1 中可看出，在新的顯著圖中顯著對象獲得較高的顯著性值，而紋理的區(qū)域被有效抑制。

圖1 改進(jìn)的顯著圖

2 研究方法

首先根據(jù)改進(jìn)的顯著模型得到改進(jìn)顯著圖，然后用多閥值Otsu 方法分割出目標(biāo)，最后利用油罐的似圓特征和分布式目標(biāo)的空間分布規(guī)律對油庫進(jìn)行檢測識別。如圖2 所示。

圖2 流程圖

2.1 多閥值Ostu 分割

Otsu 法［9］又稱大津法或最大類間方差法，始終被認(rèn)為是閾值自動選擇的最優(yōu)方法，該方法計算簡單，在一定條件下不受圖像對比度和亮度變化的影響，因而在一些實時圖像處理系統(tǒng)中得到了廣泛應(yīng)用。本文采用多閥值Otsu 對改進(jìn)顯著圖進(jìn)行分割，得到二值圖像。

2.2 油罐檢測

由于油罐大多呈現(xiàn)圓型，所以采用以下幾個似圓特征來檢測油罐。然而遙感影像的復(fù)雜性，檢測到的圓不一定全是油罐，所以根據(jù)油罐在遙感影像上的分布，大多呈現(xiàn)群聚合陣列，所以，文中采用圓心距離閥值剔除孤立的圓，減少虛警。

(1)圓度

其中，P 是物體的周長;A0是它的面積;R1對于理想的圓最小取值是4，對于其他復(fù)雜的形狀，其值更大。

(2)長寬比

其中，W 和L 分別是MER 的寬和長，對于標(biāo)準(zhǔn)的正方形和圓，R2=1。

(3)壓實率

其中，A0表示相連組成部分區(qū)域的面積;AMER是A0對應(yīng)的MER 面積。對于長方形，其能達(dá)到最大值是1，而對于理想的圓約為0.79(π/4)，對于其他形狀或者曲線，其值更小。

(4)圓心距

其中，i、j 為任兩個圓的中心;r 和rj之間的歐幾里得距離是其的半徑，δ 是常數(shù)因子，取值為經(jīng)驗值。

3 實驗

文中在Google 上下載大小為3 000×3 000，分辨率約為1 m 的高分遙感影像進(jìn)行實驗。在這個實驗中，比較了文中提出的油罐檢測方法與文獻(xiàn)［3］，文獻(xiàn)［10］直接分割檢測的方法。在此評估的檢測結(jié)果有誤檢率和漏檢率，其定義如下:

在本文的實驗中，設(shè)置的參數(shù)為R1∈［4π;15］，R2∈［0.8，1.2］，R3∈［0.6;1］基于的假設(shè)是滿足這3 個條件的對象被保持為圓形目標(biāo)。表1 給出了比較結(jié)果，由于影像尺寸較大，比較結(jié)果顯示為圖像差別最大部分。

表1 檢測結(jié)果對比

可從表1 看出，文獻(xiàn)［3］和文獻(xiàn)［10］的誤檢率、漏檢率相對較高，文獻(xiàn)［3］時間消耗較大，本文的方法在誤檢率、漏檢率上均優(yōu)于兩篇文獻(xiàn)，在效率上優(yōu)于文獻(xiàn)［3］。圖3 顯示了油罐的精確檢測結(jié)果。但部分單獨(dú)的油罐未能檢測，原因是因沒有規(guī)律，且有些過小。

圖3 實驗對比圖

4 結(jié)束語

提出了一種基于顯著圖的檢測方法，從高空間分辨率遙感影像檢測圓形陣列油罐。首先，采用改進(jìn)的多尺度全局直方圖對比度高效率的顯著性檢測模型，并通過其來檢測顯著對象，生成的顯著圖;然后，經(jīng)分割并利用形狀特征來檢測單個圓形物體。最后，根據(jù)其空間關(guān)系識別該陣列的目標(biāo)區(qū)域。實驗結(jié)果表明，所提出改進(jìn)的多尺度直方圖基于對比度的顯著性模型可有效地輸出顯著均勻的高亮度候選區(qū)域?qū)?yīng)有明確的界限，有效地抑制了紋理。另外，將形狀特征為基礎(chǔ)的方法可更快速地檢測圓，但有些不顯著的油罐，仍無法被檢測到，這是下一步需進(jìn)行研究的。

［1］ Chalmond B，F(xiàn)rancesconi B，Herbin S，et al.Using hidden scale for salient object detection［J］.IEEE Transactions on Image Process，2006，15(9):2644－2656.

［2］ Xu Huaping，Chen Wei.Oil tank detection in synthetic aperture radar images based on quasi－circular shadow and highlighting arcs［J］.Journal of Applied Remote Sensing，2013(3):1791－1796.

［3］ 韓現(xiàn)偉，付宜利，李剛.基于改進(jìn)Hough 變換和圖搜索的油庫目標(biāo)識別［J］.電子與信息學(xué)報，2011，33(1):66－72.

［4］ 張維勝，王超，張紅，等.基于遙感影像的油罐自動檢測算法［J］.宇航學(xué)報，2006(6):1298－1301.

［5］ Chen A，Li J.Automatic recognition method for quasi－circular oil depots in satellite remote sensing images［J］.Opto Electronic，2006，33(9):96－100.

［6］ Viola P，Jones M.Rapid object detection using a boosted cascade of simple features.in proc［C］.NJ，USA:IEEE Conference on Computer Vision and Pattern Recognition，2001 IEEE，Piscataway，2001(1):511－518，

［7］ Yao J，Zhang Z F.Object detection in aerial imagery based on enhanced semi－supervised learning［C］.NJ，USA:IEEE，Piscataway(2005)，in Proceedings of IEEE International Conference on Computer，2005，2:1012－1017.

［8］ Achanta R，Hemaml S，Estrada F，et al.Frequency－tuned salient region detection［C］.NJ，USA:Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，2009:1597－1604.

［9］ Otsu N.A threshold selection method from gray－level histograms［J］.IEEE Transactions on Systems，Man and Cybernetics，1979(1):62－66.

［10］王岳環(huán)，宋云峰，陳君靈.高分辨率遙感圖像中油庫的檢測識別［J］.華中科技大學(xué)學(xué)報:自然科學(xué)版，2011，39(S2):110－112.