航空图像的增强及其道路的提取和分析

发布时间：2020-09-30 12:56

　　随着信息科学技术的快速发展,航拍图像已成为目前获取大量地面观测数据的重要来源之一。本文以模糊不清的航拍图像为对象,重点研究了图像的增强及其道路的提取与分析,具体工作内容如下:1、基于幂次变换和尺度变化的Retinex增强方法。在深入分析Retinex理论和发展历程的基础上,通过分析Retinex理论在不良天气条件下增强图像的应用,针对景深信息差别较大的航拍图像,提出了一种改进的Retinex图像增强算法。首先,利用幂次变换增强图像暗区信息,压缩图像的动态范围,同时为了抑制图像白光区域出现,对幂次变换进行非线性变换;其次,根据算出的暗原色传播图来估算出图像中不同区域的Retinex高斯滤波尺度和确定变化的滤波尺度;最后通过采用变化尺度的高斯函数和原始图像做卷积处理来得到照射分量,再从原始图像中减去照射分量,并对该图像进行指数变换得到最终图像增强结果。2、基于分数阶微分的增强方法。在分数阶微积分的定义和特性的析的基础上,探讨了分数阶微分G-L方程中各项系数的特性,根据这些特性,针对景深信息差别不大的航拍图像,提出了一种改进的分数阶微分模板的图像增强方法。通过与其它整数阶微分方法和传统的分数阶微分增强算法比较,新的分数阶微分算子能够得到较好的增强效果,并且对于较弱信号处理效果不理想的缺陷给予了弥补,该算法更具实用性和针对性。3、基于改进Canny算子的道路提取方法。首先,对于景深信息差别较大及道路有一定宽度的航拍图像,通过Retinex算法增强图像;然后用改进的Canny算子检测出主要道路段,在改进的Canny算子中,对于不同的航拍图像,高低阈值是自动获得的,确定高低阈值是使用贝叶斯和交叉熵理论来进行的;最后,基于二值图像中不连续道路段的形状参数来修正和连接路段。实验中,分别大量地测试了道路段均匀性好的和均匀性差的图像,并比较了几种常用的图像分割算法,试验及对比分析结果表明:对模糊或光照不均的高精度图像(道路有一定的宽度),新算法有着明显的效果。4、基于谷点边界特性的道路提取方法。对低精度图像,该算法采用分数阶微分进行图像增强后,将图像中细窄的道路段看成是谷点边界。首先将彩色图像在保证突出道路的前提下转换成灰度图像,然后在灰度图像中,用一个5?5的模板检测图像中的每一个像素是否是可能的谷点,对每一个点的检测是分别在四个方向上按3-4个像素的连线来进行的,而不是基于单独一个点来检测的,这样可以减少许多噪声的产生,从而减少候选谷点线段的后处理工作。通过对谷点的判断,可有效地去除复杂背景对道路提取的影响。最后通过图像后处理,消除短线和噪声影响,并将断续的路段连接起来。实验表明,该算法可以有效地减弱复杂背景的影响,最后从图像连续性、置信度和量化度三个方面分析了算法的可靠性。5、基于二阶矩的最小外接矩形测量算法。由于道路目标形状不规则及图像数字离散化的原因,道路长度和宽度计算精度会受到较大影响,为了提高测量精度,将复杂的线状目标按曲率节点分成不同的准直线段,然后把每线段放到其最小外接矩形内进行长度和宽度的测量。每一线段的最小外接矩形的获取是:首先根据二值图像中每条线段的质心和通过质心的二阶矩来计算主次轴方向;然后基于主次轴有条件地向外扩展四条直线来确定该线段的最小外接矩形,所以该算法是与线段转动角度无关的方法,只与四条直线与目标相交的点数有关。最后将每条直线段的长度累加起来的结果就是图像中该道路的长度,并算出该段路的平均宽度。实验结果表明,该算法对获取线状目标的全局信息和形状、宽度、长度都有较好的效果。
【学位单位】：长安大学
【学位级别】：博士
【学位年份】：2017
【中图分类】：TP391.41
【部分图文】：

影像,道路提取,视觉

（6）由于车辆，车道，草或显著的标签等，一条漫长的道路或道路网络的路面可能出现中断。（7）由于不均匀的照明或其他物体的阴影，路面的颜色或灰度值变化很大，这使得图像分割和道路跟踪很难。（8）天气因素会使航拍图像模糊或道路部分失真，形成了一幅模糊的图像。1.3 国内外研究的现状1.3.1 道路提取研究现状国内外在航拍影像智能化提取道路研究方面取得了显著成果。在20世纪70年代，Marr提出的“视觉计算理论”理论框架在图像处理领域中得到运用和发展。根据Marr“视觉计算理论”，图像道路提取可以分为三个阶段：首先，对图像进行校正、滤波等预处理；其次，进行二值化、边缘提取和对道路进行建模分析等低高层次处理；最后，对得到的特征信息进行学习、总结和推理，从而解译影像道路。

尺度,图像,算法,高斯函数

(d) c=110 结果 (e) 多尺度结果图 2.3 雾霾图像及其单尺度 Retinex 算法结果，当尺度参数 c 取值较大时，高斯函数整体比滑，结果表明颜色保真能力好，但是其动态压当 c 取值较小时，高斯函数相对陡峭，单尺突出了图像的细节（如道路的边缘信息、建筑 Retinex 算法综合了单尺度处理的结果，在颜但是由于没有考虑到景深信息，图像中的道路道路提取工作。是决定 MSR 效果的一个重要因素，本文采用像，其特点是图像对比度低、道路等信息模糊etinex 算法，对近景物体作大尺度的高斯滤波这样分别处理的好处如下：

原色,图像,相机

(a) 原始图像 (b) 暗原色图像 (c) 传播图像 (d) HE 的结果图 2.4 雾霾图像与其暗原色传播图在本章提出的单尺度 Retinex 算法中，单尺度 Retinex 大小的选取是由图像景深决定的，在不同区域有不同的值。该算法先获得雾霾图像的暗原色图像，然后根据公式（2.21）求出传播图 t (x , y )。的取值范围为 0 到 1，数值越小表示离相机越远，越大表示离相机越近。由于暗原色传播图反映着雾霾图像的景深变化，因此，在图 2.4（c）中，小亮度区域表示离相机较远，大亮度区域表示离照相机较近。根据对离相机远的区域和近的区域分别作小尺度变换和大尺度变换的原则，我们可以获得尺度参数 c (x , y )和传播图的线性关系如下：( , ) min( ( , ))c( , ) 100 10max( ( , )) min( ( , ))t x y t x yx yt x y t x y(2.22式中，max(t (x , y ))和min(t (x , y ))分别为的最大值和最小值。根据公式（2.22），可以得到图像每一像素点处的尺度参数，其变化范围是

【相似文献】