一種用于橋梁識(shí)別的水域分割提取方法

于素芬

(光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，河南 洛陽(yáng) 471009)

0 引言

橋梁是重要的人工建筑，是交通要道，對(duì)橋梁識(shí)別的研究，在軍事上和民用上都有重要意義［1］。目前常用的橋梁識(shí)別的方法可歸納為兩類:一種是基于知識(shí)驅(qū)動(dòng)型的，即先根據(jù)水上橋梁的特點(diǎn)提出先驗(yàn)假設(shè)［2］，而后根據(jù)假設(shè)有目的地分割、標(biāo)記和特征抽取，在此基礎(chǔ)上與橋梁模型進(jìn)行精確匹配［3］;另一種是根據(jù)水上橋梁分割大片水域的特點(diǎn)，先劃分水域，然后通過(guò)水域找橋梁［4－5］。后者直接“瞄準(zhǔn)”興趣區(qū)，排除了復(fù)雜背景的干擾，工程實(shí)用性強(qiáng)，該方法一般有3部分組成:圖像增強(qiáng)、水域分割及橋梁提取。由于橋梁的檢測(cè)完全基于分割出的水域，所以水域分割的準(zhǔn)確性顯得尤為重要，水域分割成為整個(gè)方法的核心環(huán)節(jié)。因此，如何合理有效地分割水域是準(zhǔn)確識(shí)別水上橋梁的關(guān)鍵。針對(duì)該問(wèn)題，前人做了較多工作。文獻(xiàn)［6］首先采用基于閾值迭代的分割和基于標(biāo)準(zhǔn)方差紋理圖的分割等方法實(shí)現(xiàn)水域的分割提?。?］;文獻(xiàn)［1］采用像素梯度幅值和灰度值相結(jié)合的方法實(shí)現(xiàn)水域分割，利用形態(tài)學(xué)開(kāi)運(yùn)算、閉運(yùn)算清除水域周圍的毛刺尖角和空洞凹槽;由于航拍圖像中往往存在大面積的田地，且灰度、紋理等特性與水域相似，文獻(xiàn)［6］采用的水域分割提取算法由于選取面積最大的兩塊黑色區(qū)域作為水域，當(dāng)橋梁處在圖像邊緣時(shí)，一側(cè)水域分割后其面積大小不一定大于誤分割出的田地，此時(shí)就無(wú)法準(zhǔn)確確定水域。文獻(xiàn)［1］采用的水域分割提取算法在圖像二值化后，采用形態(tài)學(xué)算法處理也很難將大塊的田地剔除出去，會(huì)給后續(xù)利用水域橋梁邊緣信息進(jìn)行橋梁檢測(cè)帶來(lái)較大困擾。另外，前人大都是基于水域灰度比橋梁灰度高的圖像特性進(jìn)行水域分割提取的，但實(shí)際情況下，由于天氣環(huán)境、拍攝傳感器類型不同等原因，有時(shí)水域比橋梁目標(biāo)和周圍田地背景灰度高很多，這時(shí)，以上算法均不適合。本文提出一種水域分割提取方法，既可以適用于水域灰度比橋梁目標(biāo)灰度高的情形，也可以較好地排除大面積田地帶來(lái)的分割干擾。

1 圖像分割

1.1 預(yù)處理

實(shí)拍的橋梁目標(biāo)圖像原圖和對(duì)原圖采用拉普拉斯金字塔算法［9］增強(qiáng)后的圖像如圖1和圖2所示。

圖1 橋梁圖像原圖Fig.1 Initial image of bridge

圖2 增強(qiáng)后的圖像Fig.2 Enhancd image

由原圖和增強(qiáng)后的圖像可知，水域灰度相對(duì)田地(大部分)來(lái)講灰度較高、梯度較小，水域的灰度大于平均灰度，而田地則相反。把灰度圖像減去梯度圖像可以拉大水域和田地之間的差異，通過(guò)對(duì)梯度圖像加權(quán)可使差異更明顯。加權(quán)方法如式(1)所示。

這樣得到用于處理的圖像為

其中:u為灰度圖像的平均灰度;A為灰度圖像;G為梯度圖像。結(jié)果圖像B如圖3c所示。用傳統(tǒng)OSTU分割算法進(jìn)行分割，得到水域分割圖像，如圖3d所示。α為系數(shù)，控制拉大差距的程度。α越大，差距越大;α越小，差距越小。但α不能太大，太大了之后可能會(huì)使結(jié)果圖像在水域中也為零，從而分割之后效果不好，如圖3e所示;α也不能太小，拉不開(kāi)差距，如圖3f所示。α通常在1～3之間，本文對(duì)所有的圖像取2。

傳統(tǒng)的OSTU分割算法是通過(guò)閾值分割將圖像分成兩類C0和 C1(目標(biāo)和背景)，其中:C0={0，1，…，t};C1={t+1，t+2，…，m －1}。設(shè)分別為C0和C1兩類的類內(nèi)方差;ω0和ω1分別為兩類的權(quán)值，則最優(yōu)閾值應(yīng)該在使式(3)最小時(shí)得到。

預(yù)處理和傳統(tǒng)OSTU分割算法仿真結(jié)果如圖3所示。

圖3 預(yù)處理算法仿真結(jié)果Fig.3 Simulation results of pre-processing and traditional OSTU segmentation algorithm

由上述仿真結(jié)果可以看出，通過(guò)調(diào)節(jié)α系數(shù)，本文算法可以較完整地分割水域，保留完整的橋梁目標(biāo)，更好地抑制田地帶來(lái)的虛假目標(biāo)。對(duì)于測(cè)試用圖像序列，相對(duì)于α=5和α=0.5，α=2時(shí)采用傳統(tǒng)OSTU分割算法分割圖像效果最好，分割出的水域相對(duì)比較完整。

1.2 改進(jìn)的OSTU閾值分割算法

傳統(tǒng)OSTU分割算法是一種公認(rèn)的比較有效的分割方法，使用范圍較廣，不論圖像的直方圖有無(wú)明顯的雙峰，都能得到比較滿意的分割效果［7－8］。如圖4a所示，但在實(shí)際工程應(yīng)用過(guò)程中，有時(shí)可以看到大塊的田地。如圖4c所示，經(jīng)過(guò)拉普拉斯金字塔算法增強(qiáng)后直接采用傳統(tǒng)OSTU分割算法分割會(huì)將大塊的田地誤分割為水域，不利于后續(xù)的橋梁檢測(cè)。

為了解決此問(wèn)題，對(duì)傳統(tǒng)OSTU分割算法進(jìn)行改進(jìn)，充分利用了水域平均灰度比整個(gè)圖像平均灰度高的特點(diǎn)，設(shè)計(jì)出一種更為合理有效的水域分割方法。

改進(jìn)的OSTU閾值分割算法實(shí)現(xiàn)步驟如下:

1)設(shè)增強(qiáng)后的圖像為f(x，y)，灰度級(jí)別范圍為0～L，灰度級(jí)i對(duì)應(yīng)的圖像像素?cái)?shù)為ni，圖像總像素?cái)?shù)為，初始化直方圖數(shù)組 lHistogram［256］為零的步驟;

2)求增強(qiáng)后的圖像的灰度直方圖lHistogram［256］的步驟;

3)求增強(qiáng)后的圖像灰度最大值maxGray的步驟;

4)求增強(qiáng)后的圖像灰度平均值MeanGray的步驟;

5)設(shè)K為分割閾值，sum為最小類內(nèi)方差值的步驟;

6)當(dāng)K在MeanGray-maxGray之間取值時(shí)，依次求取對(duì)應(yīng)sum值的步驟，具體計(jì)算公式如下

7)求出6)中求出的sum最小值所對(duì)應(yīng)的K值，作為最佳分割灰度閾值的步驟;

8)利用7)中求出的最佳灰度閾值對(duì)原圖像進(jìn)行分割，得出最終的分割圖像。

改進(jìn)后的OSTU閾值分割法充分分析了機(jī)載環(huán)境下水上橋梁圖像的灰度特點(diǎn)，利用了水域平均灰度比整個(gè)圖像平均灰度高的特點(diǎn)，對(duì)傳統(tǒng)OSTU分割法進(jìn)行了改進(jìn)，將進(jìn)行類內(nèi)最小方差法的灰度范圍由［0，255］縮小為［MeanGray，maxGray］，其中:MeanGray 為整幅圖像的平均灰度值;maxGray為整幅圖像的最大灰度值。由于用于判斷閾值的灰度范圍縮小平均灰度值到最大灰度值之間，使得大部分低灰度值的田地背景像素點(diǎn)不參與統(tǒng)計(jì)。因此，參與統(tǒng)計(jì)的水域圖像與剩余田地圖像差異縮小，更有利于求出較為精確的分割閾值。

改進(jìn)的OSTU閾值分割算法仿真結(jié)果如圖4所示。

圖4 改進(jìn)的OSTU閾值分割算法仿真結(jié)果Fig.4 Simulation results of the improved OSTU threshold segmentation algorithm

由實(shí)驗(yàn)結(jié)果可以看出，通過(guò)改進(jìn)的OSTU閾值分割算法分割出的結(jié)果圖像，錯(cuò)分為水域的田地面積大大減少，只有少數(shù)小面積田地錯(cuò)分為水域，完全可以通過(guò)后續(xù)水域標(biāo)記處理，利用目標(biāo)大小排除錯(cuò)分的小面積田地區(qū)域，保留大面積水域部分，從而實(shí)現(xiàn)合理有效的圖像分割。

2 水域標(biāo)記

圖像分割后的水域和錯(cuò)劃為水域的田地的區(qū)別一般是水域面積比較大，而且在后面檢測(cè)橋梁的時(shí)候會(huì)用到橋梁兩邊是不同的水域這個(gè)知識(shí)，所以對(duì)水域進(jìn)行標(biāo)記，并統(tǒng)計(jì)各水域面積，去掉面積過(guò)小的區(qū)域可以為后面去除雜目標(biāo)節(jié)省大量的工作。標(biāo)記方法為普通的8－連通標(biāo)記，具體方法如下所述。

對(duì)圖像從左到右、從上到下進(jìn)行搜索，假如當(dāng)前像素的灰度值為0，則移向下一個(gè)位置;假如當(dāng)前像素灰度值為1，則檢查它左邊和上邊兩個(gè)近鄰像素，有如下4種情況出現(xiàn):1)它們的灰度值都是0，給當(dāng)前像素一個(gè)新的標(biāo)記;2)它們中間只有一個(gè)灰度值為1，把該像素的標(biāo)記賦給當(dāng)前像素;3)它們的灰度值都為1且具有相同的標(biāo)記，就將該標(biāo)記賦給當(dāng)前像素;4)它們的灰度值都為1但具有不同的標(biāo)記，就將其中的一個(gè)標(biāo)記賦給當(dāng)前像素并做個(gè)記號(hào)表明這兩個(gè)標(biāo)記等價(jià)(兩個(gè)近鄰像素通過(guò)當(dāng)前像素而連通)。

在掃描終結(jié)時(shí)所有灰度值為1的點(diǎn)都已有了標(biāo)記，但有些標(biāo)記可能是等價(jià)的。這時(shí)將所有等價(jià)的標(biāo)記對(duì)結(jié)合，對(duì)各個(gè)對(duì)賦一個(gè)不同的標(biāo)記。然后第2次掃描圖像，將每個(gè)標(biāo)記用它所在的等價(jià)對(duì)的標(biāo)記代替。圖5所示為標(biāo)記圖像用偽彩色顯示的結(jié)果。

圖5 水域標(biāo)記結(jié)果Fig.5 Result of water area labeling

雖然在橋梁出現(xiàn)不久或者將要從圖像中消失的時(shí)候，它一側(cè)的水域面積比較小，但是大部分面積過(guò)小的標(biāo)記區(qū)域都不是水域，所以選擇去掉面積小于150個(gè)像素的標(biāo)記區(qū)域，減少干擾。圖6所示為最終的水域分割圖。

圖6 去掉小面積水域后的結(jié)果Fig.6 Result after removing small water areas

3 確定組成河流的水域

如圖7b所示，雖然大部分田地中的高亮度部分在采用圖像分割算法之后面積大大減小，可以通過(guò)去除小面積水域來(lái)去除，但是有時(shí)田地中高亮度水域面積比較大，直接在此基礎(chǔ)上進(jìn)行橋梁的檢測(cè)會(huì)有較多假目標(biāo)出現(xiàn)，給后續(xù)的排除工作帶來(lái)很大的麻煩。關(guān)鍵問(wèn)題在于水域不一定就是組成河流的水域，本文提出找到組成河流的水域的解決思路，這在以前的文獻(xiàn)中是不曾提到的方法。

圖7 河流水域提取仿真結(jié)果Fig.7 Simulation result of river area extraction

如圖7a所示，由于水域的面積一般比較大，在河流上，沿著河流方向水域點(diǎn)通常多于非水域點(diǎn)，而田地中錯(cuò)分的水域與真正的水域或者其余錯(cuò)分的水域連接起來(lái)，則水域點(diǎn)的比例大都比較小，利用這個(gè)特點(diǎn)可以找到組成河流的水域。

4 總結(jié)

為了盡量減少田地干擾，本文采用對(duì)灰度圖像減去加權(quán)梯度圖像的方法對(duì)拉普拉斯金字塔算法增強(qiáng)后的圖像做了進(jìn)一步的預(yù)處理。為了進(jìn)一步排除田地對(duì)水域分割的影響，利用了水域平均灰度比整個(gè)圖像平均灰度高的特點(diǎn)，對(duì)傳統(tǒng)OSTU分割法進(jìn)行改進(jìn)，解決了易將大面積田地錯(cuò)分為水域的缺陷，錯(cuò)分的田地面積較小。為了能去掉一些錯(cuò)分為水域的小面積田地的干擾，并且不使水域中的團(tuán)塊或岸邊突起被錯(cuò)檢為橋梁，對(duì)水域進(jìn)行了標(biāo)記。大部分田地相對(duì)于水域來(lái)講面積比較小，去掉小面積水域后可以在基本保留真實(shí)水域的情況下，去掉大量的干擾區(qū)域。大部分田地中的高亮度部分可以通過(guò)去掉小面積水域來(lái)去除，但是有的面積較大的田地仍無(wú)法去除。為了解決這一問(wèn)題，本文又提出了找組成河流的水域，不在所有的水域間找橋梁的思路，取得較好的水域提取分割結(jié)果，更有利于后續(xù)的橋梁檢測(cè)與定位。仿真試驗(yàn)結(jié)果表明，本文提出的方法可實(shí)現(xiàn)水域的合理有效分割提取。

［1］唐林波，趙保軍.一種航拍圖像中水上橋梁的實(shí)時(shí)識(shí)別算法［J］.電子學(xué)報(bào)，2007，35(3):511-514.

［2］姜驪黎，史冊(cè)，楊海波.遙感圖像中水上橋梁的識(shí)別［J］.模式識(shí)別與人工智能，2000，13(2):214-217.

［3］徐勝榮，徐凡，葉秀清.基于知識(shí)的橋梁目標(biāo)識(shí)別方法研究［J］.模式識(shí)別與人工智能，1993，5(2):123-128.

［4］舒海燕.圖象目標(biāo)識(shí)別技術(shù)的研究與應(yīng)用［D］.西安:西北工業(yè)大學(xué)，2002.

［5］HOU B，LI Y，JIAO L C.Segmentation and recognition of bridges in high resolution SAR images［C］//Radar，2001 CIE International Conference on Proceedings，2001:479-482.

［6］馬龍，李吉成，魯新平，等.一種基于紅外圖像的橋梁識(shí)別定位方法［J］.紅外技術(shù)，2007，29(10):603-606.

［7］張輝，張道勇，何最紅.灰度等級(jí)處理中的OSTU動(dòng)態(tài)閾值法研究［J］.傳感器世界，2008，7:24-27.

［8］鄭玉燕，何建農(nóng).基于數(shù)學(xué)形態(tài)學(xué)的SAR圖像道路提?。跩］.PLC 技術(shù)應(yīng)用，2008，24(8):293-294.

［9］陳浩，王延杰.基于拉普拉斯金字塔變換的圖像融合算法研究［J］.激光與紅外，2009，39(4):339-442.