遥感图像中飞机跑道检测算法的研究与实现毕业设计论文.doc

《遥感图像中飞机跑道检测算法的研究与实现毕业设计论文.doc》由会员分享，可在线阅读，更多相关《遥感图像中飞机跑道检测算法的研究与实现毕业设计论文.doc（25页珍藏版）》请在三一办公上搜索。

1、遥感图像中飞机跑道检测算法的研究与实现目 录第一章 绪论11.1 研究背景及意义11.2 国内外研究现状11.3本文所做的工作及内容安排21.3.1主要工作21.3.2 内容安排2第二章 数字图像预处理32.1 图像灰度化32.1.1图像灰度化原理32.1.2图像灰度化效果图32.2图像分割42.2.1图像分割简介42.2.2迭代阀值分割法52.3边缘检测62.3.1边缘检测介绍62.3.2 robert算子62.3.3sobel算子72.3.4 laplace算子72.3.5 边缘检测算子测试对比82.3.6结合图像二值化进行边缘检测效果图92.4本章小结10第三章 霍夫转换算法123.1霍

2、夫转换算法原理123.2霍夫转换实现流程及关键步骤143.3霍夫转换效果测试153.4传统霍夫转换的优缺点153.5 本章小结16第四章 遥感图像中飞机跑道检测算法174.1 遥感图像中机场目标判断的基础知识174.2遥感图像中飞机跑道检测算法174.3算法测试194.4 本章小节21第五章 总结与展望22致 谢23参考文献24第一章 绪论1.1 研究背景及意义遥感图像辅助目标识别的开发从20世纪70年代开始一直是许多学者的兴趣所在，机场目标识别是其中的一个分支，而对机场跑道的检测则是整个机场目标识别的基础，能否准确得检测出跑道目标无论是对遥感图像的计算机辅助判读还是GIS信息的更新以及战场打

3、击效果的评估都有重要的意义。利用卫星或者飞机等所拍摄的照片监视或者侦查地面目标，以其不受地域的限制，一直是获取有关信息的重要手段，已经被应用于国防和国民经济建设的许多领域之中。尤其是在军事领域的侦查，制导，警戒以及防御系统中，目标识别更是得到充分的运用。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。由于机场跑道对于起降飞机，自动导航和军事作战有着极其重要的作用，因此机场跑道的自动识别成为急待解决的课题。遥感图像中机场跑道检测是遥感图像辅助目标识别系统的一个重要分支，成功检测出机场主跑道的位置，长度可以极大的强化对机场进行军事打击的精度。由于对机场跑道的检测多用于军

4、事领域，这就对算法提出了更高的要求，不仅仅要求算法的检测结果精确，同时还要求算法的速度快。1.2 国内外研究现状从20世纪90年代开始，国内外就开始关注机场图像的检测识别，也提出了很多方法，至今国内外对于飞机跑道的检测一直极为重视并且做了大量的研究工作，国内比较有影响的几种方法分别是中国科学院对地观测与数字地球科学中心的基于模板的机场提取方法和基于骨架特征的机场跑道检测。这些研究方法一般有两个思路，一个是通过边缘检测，直线段搜索，直线拟合，直线修正并进行模板式霍夫转换从而得到机场跑道。另一种是通过对图像进行增强处理，用最佳阀值法进行图像二值化，然后通过结合不同的边缘检测算子对图像进行霍夫转换然

5、后进行平行判断从而得到机场跑道。本文使用的就是第二种思路。Hough变换于1962年由Paul Hough提出，并在美国作为专利被发表。它所实现的是一种从图像空间到参数空间的映射关系。由于具有一些明显优点和可贵性质，它引起了许多国内外学者和工程技术人员的普遍关注。例如，由于其根据局部度量来计算全面描述参数，因而对于区域边界被噪声干扰或被其他目标遮盖而引起边界发生某些间断的情况，它具有很好的容错性和鲁棒性。多年来，专家们对Hough变换的理论性质和应用方法进行了深入而广泛的研究, 并取得了许多有价值的成果。1.3本文所做的工作及内容安排1.3.1主要工作由于直接对图像进行霍夫转换效果不理想，只有

6、进行图像预处理之后能得到较为满意的检测结果，图像预处理中对图像进行二值化和边缘检测是很重要的，预处理方面本文主要做了图像灰度花，二值化，边缘检测，就不同的边缘检测算子进行了测试。在进行上面的图像预处理之后，对所得结果进行霍夫转换，霍夫转换后进行平行检测这几种工作，最终通过对几幅飞机场俯瞰图进行跑道检测。结合最终算法测试结果，分析了霍夫变换的优缺点并给出了改进方向。1.3.2 内容安排第一章绪论，阐述了国内外对于机场跑道检测算法的研究现状和该课题研究的意义，并对本文算法进行基本的概括。第二章数字图像预处理，主要阐述了图像处理的基本知识，图像灰度化的知识，进行迭代得到最佳二值化阀值算法原理及实现，

7、Sobel边缘检测算子原理及实现，Robert边缘检测算子原理及实现，Laplace边缘检测算子原理及实现，三种算子检测效果对比以及结合二值化，边缘检测的效果图。第三章霍夫转换，阐述了霍夫转换算法的原理，实现流程以及算法中关键步骤的存在意义。第四章遥感图像中飞机跑道检测算法，针对算法中的不足进行改进，最后对一般性军事机场进行跑到检测并给出检测结果。第五章总结与展望，对全文进行总结，给出我对跑道检测算法的改进的想法。第二章 数字图像预处理由于获取到的遥感图像一般都存在或大或小的噪音，对于我们进行跑道检测有很大的干扰作用，因此对图像进行预处理就显得尤为重要。进行图像预处理可以使我们的图像数据更加方

8、便进行检测，增强我们需要的信息抑制无用的噪音。下面将介绍本算法中用到的几种方法，包括图像灰度化，阀值分割二值化，图像边缘检测。2.1 图像灰度化2.1.1图像灰度化原理在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。一般有以下四种方法对彩色图像进行灰度化： 1.分量法 将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。 f1(i,j)=R(i,j) f2(i,j)=G(i,j) f3(i,j)=B(i,j) （2-1）其中fk(i,j

9、)(k=1,2,3)为转换后的灰度图像在（i,j）处的灰度值。2.最大值法 将彩色图像中的三分量亮度的最大值作为灰度图的灰度值f(i,j)=max(R(i,j),G(i,j),B(i,j) （2-2）3.平均值法 将彩色图像中的三分量亮度求平均得到一个灰度图。 f(i,j)=(R(i,j)+G(i,j)+B(i,j) /3 （2-3）4.加权平均法 根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。 f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) （2

10、-4）在本算法中，使用第四种方法进行图像灰度化。2.1.2图像灰度化效果图原图片：选取的图片是台湾花莲军事基地的Google Earth 俯瞰图。图片 2-1 台湾花莲军事基地经过灰度转换后的灰度图：图片 2-2 台湾花莲军事基地灰度图2.2图像分割2.2.1图像分割简介在图像处理的研究应用中，人们往往把最感兴趣的图像信息额外分割出来，称之为兴趣区域，它们是图像中特定的具有独特价值的区域。为了更好得分析兴趣区域，就需要用特殊的方法将之分离出来，在此基础上才可以对目标进行进一步的分析。图像分割就是将图像分成各具特点的区域并提取出兴趣区域的技术和过程。常用的图像分割方法主要是把按灰度把图像分成不同

11、的等级，然后通过设置阀值的方法确定有意义的区域和边界。最常用的阀值处理就是图像的二值化处理，通过一个阀值（在0-255之间）来把图像转换为黑白二值图像，用于图像分割以及边缘跟踪等预处理。图像二值化阀值处理的变换函数表达式为： t为阀值 （2-5） 其中f(x,y),g(x,y)分别是处理前后(x,y)像素处的灰度值，T为阀值。图像阀值化处理实质上是一种图像灰度级的非线性运算，它的功能是用户指定一个特定的阀值，然后对图像进行逐像素的比较，如果图像中某像素的灰度值小于该阀值，则将该图像的灰度值设置为0，否则设置为255。从过程中很容易看出，阀值的选取直接影响着最终的图像分割结果，阀值过大会提取出多

12、余的部分，而阀值过小则会丢失所需要的部分，因此，阀值的选取至关重要。对于阀值的选取主要有取全局阀值和取局部阀值两种情况，阀值的选取方法的依据基础是图像灰度值的灰度直方图，对于图像而言，既可以多阀值分割即局部阀值分割，也可以单阀值分割即全局阀值分割。多阀值分割效果虽然可以进一步提高图像的分割质量，但是其分割算法时间复杂度很高，处理图像尤其是大分辨率彩色图像的速度很慢，而且其最终结果和全局阀值法分割相差无几，因此本文采用的是取全局阀值的分割方法。取全局阀值的方法主要有迭代阀值分割法和最大类间方差法(Otsu)。本文选取的迭代阀值分割法。2.2.2迭代阀值分割法Ridler和Calvard在1978

13、年曾经提出一种选取阀值的迭代法，是迭代法的最初原型，但是非常耗时，Trussel对此做了优化，即任意把直方图划分成两个部分并计算每一部分的平均灰度，然后用两个平均灰度级的平均值作为新的分割阀值。具体步骤如下：(1)求出图像中最大灰度值Z1和最小灰度值Z2（可直接根据图像的灰度矩阵确定）令阀值初始值为;(2)根据阀值T将图像分割成目标和背景两部分，分别求出两部分的平均灰度值Z3,Z4； （2-6） （2-7）其中，Z(I,j)是图像上(i,j)点的灰度值，N(i,j)是权重系数即像素点灰度值等于Z(i,j)的像素点个数。(3)得出来的两个新阀值再次跳转到步骤（1）并且计算出新的阀值(4)直到得出

14、的两个阀值相等，否则不断在步骤（1）和步骤（2）进行跳转(5)当且仅当两个阀值相等的时候，该阀值就是进行分割的阀值了。本文中用到该方法的地方在边缘检测完成之后，在边缘检测后会附加该算法的结果。2.3边缘检测2.3.1边缘检测介绍图像边缘包含了机场图像的绝大部分的有用信息，成功检测出机场跑道的边缘就成功了一半，因此边缘检测是图像处理中基础而又重要的课题。图像边缘处理的主要目的是突出图像中的细节或者增强被模糊化的细节，把景物的结构轮廓清晰地表现出来。这其中的原理在于图像的边缘和轮廓都位于灰度突变的地方，因此图像边缘检测的实现是基于微分作用的。常见的方法主要是以各种微分算子为基础，常见的算子主要有S

15、obel算子，Robert算子，Laplace算子等，其中Sobel算子，Robert算子是一阶算子，Laplace算子是二阶算子，下面会详细介绍每个算子的原理和具体实现。2.3.2 Robert算子Robert边缘检测算子是一种利用梯度矢量交叉微分寻找边缘的算子。设图像为f(x,y)，定义f(x,y)在点(x,y)的梯度矢量f(x,y)为: （2-8）梯度有两个重要的性质：(1) 梯度矢量的方向在函数f(x,y)最大变化率的方向上。(2) 梯度的幅度用Gf(x,y)表示，其值为: 由此式可以得出这样的结论：梯度的数值就是f(x,y)在其最大变化率方向上的单位距离所增加的量。对于离散的数字图像

16、矩阵，上面的式子可以改写成: （2-9）这个公式就是罗伯特(Robert)公式，其中f(x,y)是具有整数像素坐标的图像矩阵，Robert算子是两个22模板作用的结果，模板如下所示：模板1 模板2 Robert算子利用局部差分算子寻找边缘，边缘定位精度较高，但是容易丢失部分边缘，由于没有经过图像平滑计算，因此不能抑制噪声。该算子对具有陡峭的低噪声图像检测效果最好，对噪声较高的图片检测效果一般。2.3.3Sobel算子在Robert算子的22模板的基础上，33模板出现了。Sobel算子是一种离散型差分算子，sobel算子的模板一共有两个，一个是检测水平边缘的，一个是检测垂直边缘的。两个模板如下：

17、检测水平边缘模板： 检测竖直边缘模板：Sobel算子的表达式如下： （2-10） （2-11）在本算法中，会分别用水平和竖直检测模板对图像进行卷积，取两个卷积值较大的作为该点的灰度值。Sobel相比之Robert算子加入了加权局部平均，不仅能检测图像的边缘而且能进一步抑制噪声的影响，但是也由于进行加权局部平均，它得到的边缘较粗，在飞机跑道检测的方面来说，需要获取的边缘有一定宽度，因此该算子更适用。2.3.4 Laplace算子拉普拉斯算子(Laplace)算子是一种常用的边缘检测二阶微分算子，是偏导数运算的线性组合运算，而且是一种各向同性（各个方向上增长速度一样）的线性运算，一个二元图像函数f

18、(x,y)的拉普拉斯算子定义为： （2-12） 为了该算子更适用于数字图像处理，这一方程需要表示为离散形式。因此对于离散数字图像f(x,y)，用差分运算代替微分运算，其二阶偏微分表示为下式：X方向上： （2-13）Y方向上： （2-14）由这两个式子带入到拉普拉斯算子中则可得到：（2-15）公式必须配合相应的模板才能进行计算，本文算法中使用的模板如下：使用这个模板的好处在于它是各向同性的，对各个方向的边缘检测都很敏感。由于拉普拉斯算子是一种微分算子，它的应用强调图像中灰度的突变和降低灰度慢变化的区域。这样处理之后会把图像中的浅灰色边线和突变点叠加到暗背景，看上去就像磨砂的效果。2.3.5 边缘

19、检测算子测试对比下面将将分别用Sobel算子，Robert算子，Laplace算子对某军事机场如图2-3所示进行灰度化后的边缘检测。图 2-3 台湾新竹军事基地检测效果图如下：Sobel算子：图2-4 Sobel检测图Robert算子：图 2-5 Robert检测图Laplace算子：图 2-6 Laplace检测图通过对上面检测效果图的对比以及以往的研究可以得出以下几个结论：(1) 一阶微分算子通常会产生比较宽的边缘，这个宽是相对比于二阶微分算子的，在上面三图中可看出，虽然Laplace算子的检测效果图略显庞杂，但是其边缘和Sobel算子，Robert算子相比是更细的。(2) 二阶微分处理对

20、细节有较强的响应，如细线和孤立点。这一点在Laplace检测图上有明显的表示，大量的细节被标志出来，而在一阶微分检测图中就没有。(3) 二阶微分处理形成的增强细节比一阶微分多很多，这一点并不利于我们进行飞机跑道的边缘检测，我们需要提取的边缘很直接就是飞机主跑道，形成太多的细节对于后续的操作有不利影响，因此本算法选用一阶微分算子进行边缘检测。2.3.6结合图像二值化进行边缘检测效果图上一节解决了使用一阶微分算子还是二阶微分算子的问题，本节的主要工作是选用哪个一阶微分算子。在对图像进行灰度化边缘检测之后用最佳阀值迭代法进行二值化，根据最后得到的结果对比来确定。选取图片如图2-7所示：图 2-7台湾

21、花莲军事基地Sobel-二值化检测结果图 2-8 Sobel-二值化检测图Robert-二值化检测结果：图 2-9 Robert-二值化检测图结论：从上面的对比图来看，使用Sobel算子处理过的最终图片边缘清晰，Robert算子的边缘较细且有断点，因此本文算法选用Sobel算子进行边缘检测。2.4本章小结本章主要介绍了本算法中图像预处理的部分，包括图像灰度化，利用最佳阀值迭代法进行二值化，三种图像边缘检测算子的原理和对比，通过对飞机场图片的边缘处理对比确定使用一阶微分算子，然后通过边缘检测二值化的最终结果来确定使用Sobel算子作为本文算法的边缘检测算子。第三章 霍夫转换算法上一章中已经得到了

22、经过边缘检测和二值化后的飞机场边缘图像，现在的问题是如何从该图像中提取出飞机跑道的直线，为了提取直线，本文算法采用图像处理中经典的直线检测方法霍夫变换算法。霍夫变换是霍夫在1962年提出的一种形状匹配技术，是一种检测，定位直线和解析曲线的有效方法，它将原始图像中给定形状的曲线和直线变换到参数空间的一个点，即原始图像中给定形状的曲线或者直线上所有的点都集中到参数空间的某个点上形成峰值，这样就可以把原始图像中给定形状的直线或者曲线上的检测问题，变成了寻求参数空间中的峰值的问题，也即把检测整体特性（例如直线特征）变换成检测局部特性的问题。运用两个坐标系之间的变换来检测平面内的直线和有规律的曲线，这种

23、变换具有在变换空间所希望的边缘区凝聚在一起形成峰值的特性，最终在变换空间内找到的峰值即待检测的直线和曲线。3.1霍夫转换算法原理设x-y平面坐标系中，已知一黑白图像（即二值图像）上有一条直线，其直线方程可描述为： （3-1）其中k和b是参数，分别是斜率和截距。过某一点的所有直线的参数都会满足方程。即点确定了一类直线。方程在参数k-b平面上是一条直线，其方程为： （3-2）这样，图像x-y平面上的一个前景像素点就对应到参数平面上的一条直线。其中和分别是直线的负斜率和截距。比较上面的两个方程并结合书中的知识我们可以得出两个重要的性质。(1) x-y平面上任意一点对应参数平面k-b上一条直线。(2)

24、 对于x-y平面中的某一条直线的点簇，在k-b平面中对应的为不同的斜率和截距的直线簇，但是这些直线簇在参数空间内都相交于一个点。这就给我们直线检测创造了一个很好的条件，只需要在参数空间内找到最大值点，也就可以找到了这些直线簇，然后将这些直线簇进行还原就可以得到直线了。上面的原理介绍还是稍微有一些抽象，下面用具体的图像处理中的语言进行解释。平面中任意一条直线都可以用极坐标方程来表示，即可以使用两个参数确定下来，对于图像空间任意点(x,y),其函数关系为： （3-3）其中为原点到直线的垂线的长度，是原点到直线的垂线与x轴的夹角，这个角有可能是锐角也可以是钝角，这在程序设计的时候会有一些小麻烦。具体

25、的关系如图3-1所示：图 3-1 霍夫变换示意图如果对如图3-2所示图片位于同一直线上的n个点进行上面的参数系转换，则原图像空间n个点在参数空间中可以相应的得到n条正弦曲线，并且这些曲线都相交于同一点，如图3-3所示，这条直线同样具有上面的两个性质。 图3-2（x,y)坐标系 图3-3（，）坐标系数字图像空间中共线的点与参数空间里面的共点的线存在对应关系，只要找出参数空间中共点的曲线的点，就能确定图像空间中的直线。在实际应用中，霍夫变换是根据上面的公式将图像空间中的每一个点都映射到霍夫参数空间中去，然后在霍夫参数空间的每一点处设置一个累加器。每当参数空间的一个点满足一条直线，则在这个累加器的值

26、加1。然后设定一个阀值，这个阀值的作用在于当累加器的值累加到多大的时候，我们认定这个点对应一条直线。如果最大值大于该阀值，则说明直线存在，若小于则舍弃掉。通过检测参数空间的累加器的值可以确定该直线对应的参数，也就是累加器最大值点的参数,从而把直线检测出来。3.2霍夫转换实现流程及关键步骤上一节最后已经给出了霍夫转换实现的基本思路，在计算机上实现的最重要的一步就是在参数空间中设置累加器并且根据原图像空间的点对累加器进行累加，最终得到参数空间累加器的一个总的数值矩阵。然后取这个矩阵的最大的几个值来获取这几个值所对应的直线，最后进行平行判断即可。下面是具体步骤：(1) 初始化一个变换域空间，初始化为

27、零，编程实现是设置一个数组，方向上的量化数目图像对角线方向的像素数，方向上的量化数目为90（角度从0180,每一格2度）。(2) 顺序搜索原图像中的所有的黑点，对于每一个黑点，在对应的参数空间的对应点上加1，这是累加器的效果。(3) 求出参数空间中的最大值并记录。(4) 将最大值及附近的点清零，这个附近是该点的八邻域清零。(5) 依次求出参数空间累加器中的第二大，第三大，第四大的点并记录。(6) 对所记录的四个点进行两两不重复判断平行，若平行则绘出这两条直线，若不平行则结束。在霍夫转换的编程实现中，有几个关键性的步骤需要重点研究。第一步中的的定值就是一个难点，这里的值指的是参数空间中一个点代表

28、原图像空间中几度角，简单来说在某点上1度和2度两个方向上的直线进行计算的时候，在参数空间中只对一个值进行累加。设置为90是基于本算法对速度的要求，如果全部180度都计算的话，计算量要增加一倍以上，大幅拖慢了速度。第二步中的顺序搜索有一个小问题就是本文算法在进行边缘检测二值化的时候对原图像最外沿的一个像素进行了置零处理，因此这里要从第二个像素开始进行搜索，在倒数第二个元素的时候停止。第三步没问题。第四步也是一个难点，为什么要进行清零操作？这还是要和第一步中的设置进行关联，因为本文中的设置为2度，也就是说如果没有清零，则极有可能在这个点的旁边也记录了直线，但是这条直线和之前的直线是同一条直线，因此

29、必须清零。否则的话极有可能检测出来相同的直线。第五步记录点的值，本文算法记录了四个点也就是四条直线，而不是像其他算法一样设置一个阀值然后判断参数空间累加器的值是否大于该阀值来进行直线的取舍。这是因为本文算法主要用来检测飞机跑道，而一个军事机场的飞机跑道也仅仅只有主跑道，极少有副跑道，设置两个点就足够了，这里设置4个点是为了防止有副跑道。第六步中需要两两进行不重复的判断，这个很好理解，如果进行重复的判断的话，则会对一条直线进行反复的重绘。这一步是在跑道检测中才会有，在普通的霍夫转换中可有可无。 3.3霍夫变换效果测试上一节讨论了霍夫变换的流程及关键步骤，霍夫变换是用于二值图像中检测直线的一个有力

30、的工具，下面对一副简单的二值图像图3-4进行直线检测观察效果。 图 3-4 二值图像 图 3-5霍夫变换处理后的图片图3-5是经过普通霍夫转换后的图片，即最后没有进行平行判断，没有对图片进行修改，仅在另一张图片上显示两条直线。通过图片对比可以看出检测效果良好，两条直线标注方向正确。3.4传统霍夫变换的优缺点传统霍夫变换最大的优点在于抗噪声能力强，对遥感图片中的噪声不敏感，能够在信噪比比较低的情况下检测出直线或者一定规律的曲线。但是传统的霍夫转换用来检测直线也存在这固有的缺陷。(1) 当霍夫变换用于检测使用参数坐标系表示直线的时候，只能得到直线的和参数，而不能提供线段的长度，端点方面的信息。(2

31、) 传统的霍夫转换在一定程度上解决了理想情况下直线检测的问题，但是在实际问题中待检测的线段往往是具有一定宽度的而不是理想的单线宽，需要进行二值化和边界检测和细化等图像预处理工作。(3) 标准的霍夫变换在进行直线检测中，对于一个二值边缘图像中的边缘点不仅仅代表某条真实曲线的参数单元被累加，而且很多不具有实际意义的点也得到累加，增加了计算量而且结算结果也不精确。3.5 本章小结本章首先介绍了直线检测的经典算法霍夫变换，然后根据算法原理写出了其算法流程，还有针对飞机跑道检测而做的几个改动。后面给出了传统霍夫变换的检测效果图，最后给出了霍夫变换的优缺点。第四章 遥感图像中飞机跑道检测算法4.1 遥感图

32、像中机场目标判断的基础知识机场是供飞机起飞，着陆，停放和组织飞信活动的场所。它包括飞行场地和各种保障设施，按照其跑道和其他设施的条件，可以分为永备机场和野战机场即临时机场；按照其使用性质，又可以分为民用机场和军用机场。在遥感图像中判读机场目标，主要是用于查明机场的种类和建筑情况，尤为重要的是对机场跑道的判读，在军事上有着重要的意义。机场作为一个较大的组织目标，其设施根据其种类的不同而不同，通常情况下由跑道，滑行道，停机坪，飞行管制室这些主要设施和其他次要设施组成。这些组成部分各不相同，反映在遥感图像上的特征也各不一样。本文主要针对跑道进行检测，下面简单介绍一下飞机跑道在遥感图像上的识别特征。跑

33、道是供飞机起飞，着陆，滑跑，具有一定长度和宽度的铺筑地段。根据所用的建筑材料的不同在遥感图像上有不同的特征。机场的长度和宽度和预定使用的飞机有关，一般的跑道长度在2000米以上，有的跑道长达4000米。供小型飞机使用的跑道长度多在1000米左右。跑道的宽度一般为30-100米。机场跑道反映在遥感图像中呈现的是一条边沿整齐，宽大且平直的带状，不同材料做成的跑道有不同的色彩，野战机场通常使用土质跑道，和正规的水泥混凝土跑道相比色调更重一些。本文算法针对的机场为军用常备机场，军用常备机场的主要特点是供飞机起降的跑道一般有两条且不超过五条，周围有排列整齐的营房和油料库，弹药库，除此之外没有别的设施。在

34、现代条件下，因为飞机携带武器比较危险，因此军用机场多远离城市和人群，机场周围基本没有其他干扰。4.2遥感图像中飞机跑道检测算法根据飞机跑道明显区别于其他区域的图像特征，本文算法的主要思路是首先把遥感图像进行灰度化，边缘检测，然后二值化，然后对所得结果进行针对飞机跑道的霍夫变换，最终在原图中绘出机场跑道。跑道的灰度特征主要有下面几个：(1) 跑道部分在图像中灰度值较高。(2) 跑道表面的灰度值相近。(3) 跑道的长度在一定的范围内。(4) 跑道的长度一定要远远大于跑道的宽度。(5) 当跑道数目大于1时，仅限于平行而不能相交。因为这个算法对图像的要求最重要的是跑道清晰可见且灰度特征明显，整个跑道亮

35、度均匀且平整无反光。算法流程图如下所示： 开始图片输入灰度化边缘检测最佳阀值二值化霍夫变换标注跑道结束图4-1 本文算法流程图4.3算法测试为了对本文算法的可行性进行验证，一共选取了三幅遥感图片进行算法测试，这三幅图片均来自于Google Earth，是三幅军事机场的遥感图像且满足上一节中对图片的要求。第一幅图片：图 4-2 台湾新竹军事基地处理后：图 4-3台湾新竹军事基地检测结果图4-2处理后，完全标志出了主跑道和副跑道，角度和方向完全符合，如图4-3所示。第二幅图片：图 4-4 台湾台中军事基地处理后：图 4-5台湾台中军事基地检测结果图4-5检测出了主跑道而只检测出副跑道的下边缘，其原

36、因在于副跑道的上边缘不完整被几个分叉的服务道给分开了。第三幅图片：图 4-6 台湾花莲军事基地 处理后：图 4-7台湾花莲军事基地检测结果图4-7检测到了主跑道，但是没有检测到副跑道，因为副跑道的灰度特征不够明显，而且边缘部分被白色部分遮挡了。结论：经过上面三幅图片的检测可以得出，在满足第四章第二小节中的对机场图片的几个要求之后，本算法是可以准确检测出飞机主跑道的，而对于一般不符合特征的飞机副跑道检测效果不好。4.4 本章小节本章开始系统介绍了遥感图像中机场的设施以及飞机跑道的数字图像特征以及判读的主要知识，由此给出了本文算法适用的飞机跑道图片的5个特征，后续给出了算法的流程图。在算法测试的部

37、分用三幅符合5个特征的图片进行了测试并给出了结果图，实现的检测效果是非常理想的。第五章 总结与展望遥感图像中飞机跑道检测算法在国防和民生方面有着广泛的应用，尤其是在军事领域中有非凡的意义，能够快速准确检测出机场跑道是非常有意义的。本文完成的主要工作有：(1) 对图像灰度化算法进行研究。(2) 对图像二值化算法进行对比和测试，选用了最佳阀值迭代法作为二值化算法。(3) 对图像边缘检测算子进行对比和测试，最终确定了使用Sobel算子作为检测算子。(4) 对霍夫转换算法进行针对机场跑道检测的改进。(5) 根据处理结果对原图片进行重绘和测试(6) 本文所用算法程序的编码工作工作中的不足之处：(1) 在

38、进行算法测试的时候缺少符合5个特征的飞机跑道的遥感图片，最终是使用Google Earth这款软件进行截图获取的图片而不是实际的遥感图像。(2) 对于经典的边缘检测算子和霍夫转换算法仅做了简单移植和非原理性的修改，还没有进行深入的优化。进一步的展望：(1) 传统的霍夫转换仅可以检测出直线的方向和角度，对于长度和宽度无能为力，应该对算法进行优化从而可以检测跑道的长度和宽度。(2) 霍夫转换是逐像素进行运算的算法，时间复杂度和空间复杂度都较高，可以加入对直线区域的分割从而在小范围内使用霍夫转换达到减少运算量的目的。(3) 本文算法受到试验图片的制约，只能针对一部分符合特征的机场图片进行检测，检测效

39、果好的图片多为军事机场，在复杂民用机场的检测上有较大的不足。参考文献1 孙夑华，数字图象处理Visual C#.NET 编程与实验，杭州：机械工业出版社 20102 李兰友，王学彬 Visual C# 图像处理程序设计实例，北京：国防工业出版社 20053 龚胜荣，等 数字图像处理与分析 ，北京：清华大学出版社 20064 何斌，马天予，王运坚 Visual C+数字图象处理，北京：人民邮电出版社 20015 Rafael C.Gonzalez 数字图象处理 阮秋琪.等译 北京：电子工业出版社 20056 高委委 机场跑道识别算法与实现研究：硕士学位论文 成都：电子科技大学 20087 应龙，

40、宋海娜，粟毅 一种快速检测遥感图像中机场跑道的方法，计算机应用与软件，2006，23卷3期，94-97页8 杨浩，张红，王超 等 基于模版搜索的高分辨率SAR图像机场提取方法，遥感应用，2010-2，24-29页9 张小琳 图像边缘检测技术综述，高能量密度物理，2007-3，1期，37-40页10 朱芳芳 顾宏斌 孙瑾，一种改进的Hough变换直线检测算法，计算机技术与发展，2009-5，19卷5期，19-22页11 贾晓琳，吴慧思，李爱国 等，适用于机场跑道识别的改进Hough变换，小型微型计算机系统，2005-12，26卷12期，2200-2202页12 张磊，朱磊，张凤霞 遥感图像中直线

41、目标的检测研究，军事通信技术，2006-6，27卷2期，19-22页13 刘广智，李建勋，敬忠良，基于改变Hough变换的前视机场跑道识别方法，计算机工程，2004-10，30卷20期，143-145页14 张雅兰 图像二值化处理，广西工学院学报，2002-3，13卷1期，31-33页15 何亮云 基于MATLAB的遥感图像边缘检测算子的实验比较分析，计算技术与自动化，2010-6，29卷2期，70-73页16 徐刚峰，王平，沈振康，基于骨架特征的机场主跑道识别，红外与激光工程，2006-12，35卷6期，717-721页17 王卫星，周宁，遥感图像中机场跑道的检测，重庆邮电大学学报（自然科学版），2010-2，22卷1期，108-111页18 郑小平 Visual C#.NET开发实践，北京：人民邮电出版社，200119 温谦，郑小平，C#语言程序设计，北京：人民邮电出版社，200120 赵春江，C#数字图像处理算法典型实例，北京：人民邮电出版社，2009