引用本文
项盛文, 文贡坚, 高峰. 知识驱动下的飞机目标变化检测方法[J]. 国土资源遥感, 2016,28(4): 77-82
XIANG Shengwen, WEN Gongjian, GAO Feng. Knowledge driven change detection method for aircraft targets[J]. REMOTE SENSING FOR LAND & RESOURCES,2016,28(4): 77-82  
Permissions
Copyright©2016, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
知识驱动下的飞机目标变化检测方法
项盛文, 文贡坚, 高峰
国防科学技术大学电子科学与工程学院ATR重点实验室,长沙 410073
文贡坚(1972-),男,教授,博士生导师,主要研究方向为摄影测量与遥感、图像分析与理解、模式识别与人工智能。Email:wengongjian@sina.com。

第一作者简介: 项盛文(1991-),男,硕士研究生,主要研究方向为遥感图像处理和遥感信息获取。Email:xiangsw224@163.com。

收稿日期: 2015-05-06
基金项目: 国家自然科学基金项目“高分辨率遥感图像精确快速配准技术研究”(编号: 41301492)资助
摘要

针对高分辨率光学遥感图像,提出了一种知识驱动下的机场区域飞机目标变化检测的思路和实现方法。首先,根据机场的地理位置知识信息,建立该机场的空间掩模图像,在此基础上获取待检测飞机目标的候选区域; 然后,结合目标区域的控制点知识信息,对输入图像进行空间位置配准; 再利用飞机目标的变化会导致区域纹理发生显著变化这一知识信息,提取目标区域的纹理特征进行变化检测,并对区域进行弱纹理剔除和边缘抑制处理; 最后,利用数学形态学运算方法剔除部分孤立点,得到最终的检测结果。实验表明,该方法可以显著减小由配准误差、边缘响应等因素造成的虚警,飞机目标变化检测的正确率达到92.47%。

关键词: 飞机目标; 纹理特征; 变化检测; 知识驱动
文献标志码:A 文章编号:1001-070X(2016)04-0077-06 doi: 10.6046/gtzyyg.2016.04.12
Knowledge driven change detection method for aircraft targets
XIANG Shengwen, WEN Gongjian, GAO Feng
ATR Key Laboratory, School of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073, China
Abstract

Aimed at high-resolution optical sense images, this paper proposes a knowledge driven change detection method for the aircraft targets. First, a spatial mask image of the airport is set up according to the geographical position information and the candidate area of aircraft targets is obtained. Second, the control points’ information in the target area is utilized to register input images. As changes of aircraft targets can lead to significant texture changes in area, the authors detected the changes by extracting texture features. A weak texture elimination and edge suppression method was put forward to reduce the false-alarm rate. Finally, the mathematical morphological operation method was employed to eliminate some isolation points and acquire the detection results. Experiments show that the proposed method can efficiently reduce the false-alarm caused by registration error and skirt response, with the detection rate of aircraft targets reaching 92.47%.

Keyword: aircraft targets; texture features; change detection; knowledge driven
0 引言

变化检测是在不同的时间观察某个目标或某种现象并识别它发生变化的过程[1], 在资源监测、土地利用及国防安全等领域得到了广泛的利用, 具有重要的军民两用价值。遥感数据由于其较高的时间分辨率、便于计算的数字格式、广阔的观测视角以及能提供不同空间和光谱分辨率下的图像数据, 已广泛应用于各种变化检测任务中[2]。利用遥感数据进行变化检测的主要原理是感兴趣目标发生的变化会改变影像光谱的行为(光谱反射值或局部纹理), 并与其他因素(大气条件、光照、观测视角及土壤湿度等)造成的改变是相互独立的[3]。利用变化检测对军事目标进行动态监测和战后毁伤评估具有重要的军事应用价值, 通过对机场、港口、油库等重要军事目标进行动态监测, 可以及时感知战场信息、了解对方兵力部署情况、帮助指挥员做出正确的战略部署, 对加速战役进程、节约战争成本及取得战场胜利起着至关重要的作用[4]。

飞机目标是机场区域中一类最重要的移动目标, 对其进行变化检测具有重要的实用意义和研究价值。伴随着遥感图像空间分辨率的提高, 利用遥感图像进行移动目标的变化检测已成为一个热点研究问题。传统的遥感图像变化检测方法建立在基于像元的光谱信息分析基础上, 仅利用了图像的灰度信息, 其缺陷也比较明显: ①变化检测结果对图像配准的精度比较敏感, 配准精度过低会导致结果图像出现大量“ 伪变化信息” ; ②实际应用中, 不同时相的传感器、物候、大气条件和土壤水分等差异导致的“ 噪声” 信息容易被探测, 基于像元的分析方法容易混淆和错判这类噪声, 也会得到“ 伪变化信息” [5]; ③遥感图像普遍存在的“ 同谱异质” 和“ 同质异谱” 现象导致的混合像元问题, 也会降低基于像元光谱特征的分类和变化检测的精度; ④基于像元的变化检测方法未考虑邻域的上下文信息和空间结构信息, 仅对单个像元进行检测分析, 也会产生严重的“ 椒盐效应” 。现存的大量面向像元的变化检测方法对图像预处理要求较高, 当配准精度较低时会产生大量虚警; 同时, 大多数算法都是针对具体问题提出的, 不具有通用性。面向对象的变化检测方法在一定程度上能够克服基于像元方法存在的缺陷, 但需解决4个方面的问题: 如何获取目标区域、以哪种特征来表示目标对象、如何构造目标对象的差值影像及如何进行对象— 对象尺度上的比较。

本文针对实际应用问题, 充分利用图像处理以及与目标相关的知识信息, 提出了一种知识驱动下的飞机目标变化检测算法, 降低了部分复杂问题的处理难度, 同时对目标变化检测问题具有一定的通用性, 具有较高的研究价值。

1 研究方法

针对机场区域飞机目标变化检测这一具体问题, 本文结合大量可用的先验知识信息, 提出了知识驱动下的飞机目标变化检测技术流程(图1)。

图1 知识驱动下飞机目标变化检测技术流程Fig.1 Knowledge driven aircraft targets change detection flow

对输入的2个时刻的图像, 首先选取飞机目标变化检测区域进行几何配准, 完成空间位置纠正; 然后提取图像的纹理特征, 构建纹理差分图像进行变化检测; 并对检测结果进行数学形态学运算处理, 消除部分孤立点, 最终得到变化检测结果。

2 数据预处理
2.1 目标区域选取

对于机场等大型的固定设施目标, 其基本的结构在一定时间内不会发生大范围的变化, 结合这一信息, 可建立该机场的空间掩模图像。在机场区域, 飞机目标只可能出现在停机坪、滑翔道、跑道等位置; 对这些区域进行分析, 即可得到完整的检测结果, 并且可以排除背景的干扰。针对输入的遥感图像(图2(a)), 利用Photoshop软件制作了该机场区域的空间掩模图像(图2(b))。在实际应用中, 将制作的掩模图像作为知识信息存入目标数据库中, 每当有变化检测任务时, 可以根据机场的地理位置信息调取相应的掩模图像, 进行后续处理。

图2 目标区域空间掩模图像制作Fig.2 Generation of spatial mask image for target areas

2.2 多时相遥感图像配准

图像配准是进行多时相遥感图像变化检测最重要的预处理步骤。目前, 用于遥感图像配准的方法可分为基于灰度和基于特征2大类。其中, 基于特征的方法因其具有较高的匹配精度和良好的匹配性能而得到了广泛利用; 但在实际应用中, 尤其是在遥感图像的尺寸较大时, 此类方法特征提取和特征匹配的过程复杂而且耗时, 缺陷比较明显; 受限于特征提取算法, 不是所有的特征点都能找到正确的匹配点; 针对一个具体的变化模型, 往往需要数量较少的特征点对进行解算, 理论上3对匹配特征点就能解算仿射变换模型。针对实际应用问题, 本文选择在固定设施内部建立一定数量的地面控制点, 采用控制点匹配的方法寻找同名点对, 最终完成配准。具体的实现步骤为: ①采用动态模板匹配算法[6]完成前2个地面控制点的匹配; ②以1号控制点为根节点, 2号控制点为起始点, 保存其余每个控制点与前2个控制点的距离比和角度分量; ③根据前2个控制点匹配位置以及每个控制点的距离比和角度分量, 解算每个控制点的初始匹配位置; ④在解算得到的初始匹配位置小范围邻域内进行模板匹配搜索, 寻找每个控制点的精确匹配位置; ⑤根据得到的匹配控制点对解算配准模型(本实验选取的是仿射变换模型)。

在实际应用中, 往往将控制点位置作为知识信息关联到该目标数据库中, 当有配准任务时, 可根据机场区域的地理坐标位置读取该目标关联的控制点信息。引入控制点之间几何位置关系的限制, 可以大大降低控制点匹配过程的搜索时间, 大幅度提高检测效率[7]; 同时利用区域灰度信息进行约束, 大大提高匹配的精度。本文选取QuickBird上海浦东机场遥感图像作为测试数据(图3), 其中, t1时刻图像的尺寸为827行× 1 831列, t2时刻图像的尺寸为815行× 1 731列, 在图中共建立16个控制点。

图3 多时相遥感图像配准Fig.3 Registration of multi-temporal remote sensing images

实验结果表明, 上述方法与传统的模板匹配和动态模板匹配算法相比, 在匹配精度和效率上均有大幅度提升, 对大尺寸遥感图像配准具有较强的适用性。图像配准结果比较如表1所示。

表1 图像配准结果比较 Tab.1 Comparision of image registration result
3 变化检测
3.1 纹理特征提取

一般情况下, 遥感图像中的人工目标与自然场景的组织结构和纹理分布存在很大差异, 而飞机目标发生变化必然会导致相关区域发生较强的结构和纹理变化, 因此对目标的变化可以用局部区域的结构和纹理特征进行描述。

纹理不仅反映了图像的灰度统计信息, 而且反映了图像的空间分布信息, 是对图像空间的上下文信息的描述, 被广泛用于各种图像分析任务中[8, 9, 10]。常见的描述纹理特征的方法有很多种, 如灰度共生矩阵(grey-level co-occurrence matrix, GLCM)[11]、灰度直方图、傅里叶功率谱、分形算法等。GLCM是最常用的一种算法, 它描述了图像相邻像元在不同角度和距离下的空间关系, 根据角度关系可分别计算0° , 45° , 90° 和135° 这4个方向上的共生矩阵(图4)。共生矩阵P(i, j, d, θ )描述了θ 方向上灰度值分别为i和j的2个像元在距离为d时出现的次数。共生概率矩阵p(i, j, d, θ )可以定义为

p(i, j, d, θ )= P(i, j, d, θ)∑i=0Ng-1∑j=0Ng-1P(i, j, d, θ), (1)

式中Ng为对输入图像的灰度值进行分级的阶数。

图4 GLCM方向示意图Fig.4 DiagramforGLCM direction

为降低运算量, 本文对输入图像进行分级处理, Ng取8。考虑到飞机目标尺寸较小, 在计算每个像元的纹理特征响应值时, 选择3× 3邻域处理窗口。文献[12]中给出了14种纹理特征量的计算公式, 通过实验对比, 本文选择了其中的共生和方差作为目标特征量用于变化检测。单纯利用纹理信息进行变化检测往往得不到最佳的检测效果, 这是因为干扰因素造成的背景纹理变化会导致检测结果出现大量虚警。例如文献[4]利用纹理特征进行建筑物目标变化检测的虚警率达到55.19%。实际上, 飞机等目标的变化往往对应着较强的纹理变化, 为了降低干扰背景对检测结果的影响, 本文对纹理特征影像进行阈值分割, 剔除了部分弱纹理, 最终得到可用于变化检测的特征影像。

3.2 飞机目标变化检测

在对经配准的2景图像进行纹理特征提取后, 根据目标区域的掩模图像, 可以得到待检测区域的纹理特征图像, 构建特征差分图像(图5(a))。可以看出, 在待检测飞机区域与其他目标区域之间存在着较强的边缘响应, 这部分响应是由图像配准误差引起的。实际上, 飞机目标通常不会停留在跑道、滑行道或停机坪区域的边缘位置。可以根据该知识信息, 对纹理差分图像进行边缘抑制处理, 以降低配准误差对变化检测结果的影响。根据纹理差分图像的灰度直方图, 选择合适的阈值进行二值分割, 剔除部分弱纹理, 结果如图5(b)所示。

图5 纹理差分图像Fig.5 Texture difference image

3.3 形态学处理

经阈值化处理后的检测结果比较破碎, 变化区域的形状也会提取得不够完整, 针对这种情况, 本文选用形态学方法对检测结果进行后处理。形态学处理的基本思想是用具有一定形态的结构元素去度量和提取图像中对应形状以达到对图像分析和识别的目的, 腐蚀和膨胀是其中两个最基本的运算。腐蚀运算可以把小于结构元素的物体去除, 是一种消除边界点, 使边界向内部收缩的过程, 可以用来消除小且无意义的物体; 膨胀运算可以把图像的背景点合并到物体中, 使边界向外扩张, 对于填补物体内部的空洞很有用。对于输入的二值影像, 其进行腐蚀和膨胀运算的示意图如图6所示。

图6 腐蚀膨胀运算示意图Fig.6 Diagram for erosion and dilation operation

选取合适的结构元素先对纹理差分图像分割结果进行腐蚀运算, 剔除部分孤立点后, 再对图像进行膨胀运算, 填补目标内部的空洞, 最终得到变化检测结果。同时, 分别采用像元级变化检测和直接纹理差分变化检测方法进行实验, 其结果如图7所示。

图7 3种方法变化检测结果对比Fig.7 Comparison between change detection results 3 methods

从图7可以看出, 受配准误差的影响, 基于像元的变化检测方法产生大量的虚警噪声; 受弱纹理和强边缘响应的影响, 直接纹理差分的变化检测方法也会导致结果出现大量虚警。总之, 2种方法的变化检测结果中都存在大量的漏警目标。

4 检测结果评价

实际情况中, 由配准误差、光照条件、季节因素及云层遮挡等原因造成遥感图像不可避免地会产生点状、线状及块状虚警。为了更精确地评价目标检测检测结果, 本文不采取单个像元的变化个数来衡量, 而是用飞机目标检测结果与人工判读相结合的方法来验证本文方法的有效性。对目标变化检测结果的评价指标包括虚警率、漏警率和正确率。

1)目标变化检测的虚警率Pfp, 定义为检测到的未发生变化的目标被判定为变化目标数(即虚警目标数)A与目标总数N之比, 即

Pfp= AN× 100% 。 (2)

2)目标变化检测的漏警率Pfn, 定义为已发生变化但未被检测出的目标数B与目标总数N之比, 即

Pfn= BN× 100% 。 (3)

3)目标变化检测的正确率Pdr, 定义为检测出的发生变化的目标数C与目标总数N之比, 即

Pdr= CN× 100% , (4)

式中

Pfn+Pdr=1 。 (5)

在本文实验中, 2景输入图像的目标总数146个, 检测结果中有虚警目标9个, 未被检测出的变化飞机目标11个。不同方法的检测结果如表2所示。

表2 不同方法变化检测结果比较 Tab.2 Comparison of change detection results with different methods(%)

从表1可以看出, 本文方法检测正确率较高, 漏警率和虚警率较低。在飞机目标变化检测中对比其他传统方法, 本文方法的检测性能最好。

5 结论

本文提出了一种知识驱动下的飞机目标变化检测方法。结合机场区域的知识信息, 弱化了感兴趣区域提取、图像配准、变化检测等关键步骤的难度。实验证明本文提出的方法较传统方法在检测效率和精度上均有明显提高。如何自动确定变化检测的阈值是下一步研究的主要问题。此外, 如何将本文方法推广到其他目标的变化检测任务中, 也是值得研究的问题。

The authors have declared that no competing interests exist.

参考文献
[1] Singh A. Review article digital change detection techniques using remotely-sensed data[J]. International Journal of Remote Sensing, 1989, 10(6): 989-1003. [本文引用:1]
[2] Wang B, Choi S, Byun Y, et al. Object-based change detection of very high resolution satellite imagery using the cross-sharpening of multitemporal data[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(5): 1151-1155. [本文引用:1]
[3] Hussain M, Chen D M, Cheng A, et al. Review article change detection from remotely sensed images: From pixel-based to object-based approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80: 91-106. [本文引用:1]
[4] 张永梅, 李立鹏, 姜明, 等. 综合像素级和特征级的建筑物变化检测方法[J]. 计算机科学, 2013, 40(1): 286-293.
Zhang Y M, Li L P, Jiang M, et al. Change detection method for buildings based on pixel-level and feature-level[J]. Computer Science, 2013, 40(1): 286-293. [本文引用:1]
[5] 祝锦霞. 高分辨率遥感影像变化检测的关键技术研究[D]. 杭州: 浙江大学, 2011.
Zhu J X. The Key Technology of Change Detection Using High Resolution Remotely Sensed Imagery[D]. Hangzhou: Zhejiang University, 2011. [本文引用:1]
[6] 邓小炼, 王长耀. 一种基于动态模板和等角变换的遥感影像地面控制点匹配算法[J]. 测绘科学, 2005, 30(4): 51-53.
Deng X L, Wang C Y. A remote sensing image ground control point matching algorithm based on dynamic template and conformal transform[J]. Science of Surveying and Mapping, 2005, 30(4): 51-53. [本文引用:1]
[7] Xiong Z, Zhang Y. A novel interest-point-matching algorithm for high-resolution satellite images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(12): 4189-4200. [本文引用:1]
[8] 周绍光, 孙金彦, 凡莉, 等. 高分辨率遥感影像的建筑物轮廓信息提取方法[J]. 国土资源遥感, 2015, 27(3): 52-58. doi: DOI: 106046/gtzyyg. 2015. 03. 10.
Zhou S G, Sun J Y, Fan L, et al. Extraction of building contour from high resolution images[J]. Remote Sensing for Land and Resources, 2015, 27(3): 52-58. doi: DOI:10.6046/gtzyyg.2015.03.10. [本文引用:1]
[9] 王东广, 肖鹏峰, 宋晓群, 等. 结合纹理信息的高分辨率遥感图像变化检测方法[J]. 国土资源遥感, 2012, 24(4): 76-81. doi: DOI: 106046/gtzyyg. 2012. 04. 13.
Wang D G, Xiao P F, Song X Q, et al. Change detection method for high resolution remote sensing image in association with textural and spectral information[J]. Remote Sensing for Land and Resources, 2012, 24(4): 76-81. doi: DOI:10.6046/gtzyyg.2012.04.13. [本文引用:1]
[10] 刘小洲. 高分辨率遥感图像的变化检测技术研究[D]. 长沙: 国防科学技术大学, 2007.
Liu X Z. Researches on Change Detection from High Resolution Remote Sensing Images[D]. Changsha: National University of Defense Technology, 2007. [本文引用:1]
[11] 侯群群, 王飞, 严丽. 基于灰度共生矩阵的彩色遥感图像纹理特征提取[J]. 国土资源遥感, 2013, 25(4): 26-32. doi: DOI: 106046/gtzyyg. 2013. 04. 05.
Hou Q Q, Wang F, Yan L. Extraction of color image texture feature based on gray-level co-occurrence matrix[J]. Remote Sensing for Land and Resources, 2013, 25(4): 26-32. doi: DOI:10.6046/gtzyyg.2013.04.05. [本文引用:1]
[12] Haralick R M, Shanmugam K, Dinstein I H. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3(6): 610-621. [本文引用:1]