遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法
【专利摘要】本发明公开一种遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法，包括四个环节：1)图像的高斯平滑滤波，2)图像旋转，3)图像分层及图层中的车辆区域提取，4)车辆区域中车阴影和车窗的干扰消除及汽车的识别定位。阴影和车窗的干扰消除是指将每个图层中的车辆阴影和车窗从图像中识别出来，把其中造成车与车模糊连接的那些阴影滤除掉；把车窗则融入到汽车的识别结果中。本发明通过图像滤波、图像旋转调整光照方向、形态学神经网络分离深浅图层、使用最大类间方差法阈值分割几步骤，实现了将汽车区域(包括车和它们的阴影)从路面遥感图像中分离出来，能比较彻底地解决一辆浅色汽车被误识别为几辆小车的问题。
【专利说明】遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法
【技术领域】
[0001] 本发明涉及遥感图像的处理方法，特别是关于交通遥感图像中，汽车阴影、车窗的 干扰消除以及汽车识别定位方法。
【背景技术】
[0002] 相比于地面传感器，卫星遥感的监测面积非常大，可一次性获取城市整体影像。若 能通过图像处理技术提取道路中的车辆信息、获取汽车的数量和位置，则可以与地面传感 器形成互补，从全局角度为交通指挥提供整个城市路网的交通状况。
[0003] 交通遥感图像处理的难点之一是汽车阴影的干扰，它与深色车亮度相近不易区 分。几辆并排行驶的汽车很容易与对方向的阴影相结合，变成一个连通的深色区域，误认为 是一辆大型汽车。
[0004] 遥感图像中阴影难于处理的一个重要原因在于汽车附近存在多个相对运动的光 源，除了太阳光，周围的汽车、建筑物都会将太阳光反射到汽车上产生阴影。国内外对这 一问题进行了大量研究，例如通过拍摄影像时的太阳高度和方位角建立模型预测车辆的阴 影，但并不可行，这些光源的数量和方向时刻都在改变，很难通过数学模型准确描述一辆汽 车的阴影变化。
[0005] 阴影干扰是交通图像处理的一个普遍问题。交通视频图像中的阴影也会对车辆检 测造成影响。目前视频检测常用的解决方法是利用地面背景信息消除阴影。但这种方法对 遥感图像并不适用，因为遥感卫星的过顶时间和拍摄次数有限，每天至多只能对城市拍摄 一次，很难获得不包含车的地面背景图片。
[0006] 除了阴影，车窗也会形成干扰。浅色车的车窗（包括前后窗、天窗）呈现深色，会 被误识别为深色汽车，很容易把一辆完整的浅色汽车分割为数个互不联通的小区域。
【发明内容】
[0007] 针对准确定位路面上每辆汽车这一交通遥感图像处理的核心问题，本发明提出了 一种遥感图像汽车阴影、车窗的干扰消除与汽车识别方法。它利用亮度变化特征以及阴影、 车窗与汽车的位置关系设计了车辆区域内的阴影和车窗干扰消除方法，通过闭运算实现遥 感图像中的汽车识别与定位。
[0008] 为实现上述目的，本发明采取以下技术方案：一种遥感图像中汽车阴影、车窗的干 扰消除以及汽车识别方法，包括四个环节：1)图像的高斯平滑滤波，2)图像旋转，3)图像分 层及图层中的车辆区域提取，4)车辆区域中车阴影和车窗的干扰消除及汽车的识别定位； 所述图像旋转，是指将图像旋转为光照仅从图像的一侧射入的状态；所述图像分层及图层 中的车辆区域提取，是指将图像分为两个图层，然后再把每个图层通过阈值分割，区分出车 与路面的区域；所述车阴影和车窗的干扰消除及汽车的识别定位，是指将每个图层中的车 辆阴影和车窗从图像中识别出来，把其中造成车与车模糊连接的那些阴影滤除掉；把车窗 则作为汽车的一部分融入到汽车的识别结果中，成为汽车整体的一部分。
[0010]
[0009] 所述高斯平滑滤波的方法用数学描述是：
【权利要求】
1. 遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法，其特征在于：包括四个 环节：1)图像的高斯平滑滤波，2)图像旋转，3)图像分层及图层中的车辆区域提取，4)车辆 区域中车阴影和车窗的干扰消除及汽车的识别定位； 所述图像旋转，是指将图像旋转为光照仅从图像的一侧射入的状态； 所述图像分层及图层中的车辆区域提取，是指将图像分为两个图层，然后再把每个图 层通过阈值分割，区分出车与路面的区域； 所述车阴影和车窗的干扰消除及汽车的识别定位，是指将每个图层中的车辆阴影和车 窗从图像中识别出来，把其中造成车与车模糊连接的那些阴影滤除掉；把车窗则作为汽车 的一部分融入到汽车的识别结果中，成为汽车整体的一部分。
2. 根据权利要求1所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法， 其特征在于：所述高斯平滑滤波的方法用数学描述是：
式中，B(x, y)为滤波后的图像像素点，A(i, j)为原始图像的像素点，w(i, j)为像素点 (x，y)周围的每个像素在滤波结果中的权重系数，（x，y)为区域s的中心坐标，（i，j)为区 域的任意一点，高斯滤波器对（i，j) e s的区域内进行加权平均，中心点权重最高，然后依 次向四周递减，〇 < w(i, j) < 1。
3. 根据权利要求1所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法， 其特征在于：所述图像旋转所采用的方法通过下述数学表达式描述：
式中，（Xci，yci)为原始图像的像素点坐标，（Xi，yi)为旋转后的像素点坐标，α为旋转角 度，旋转后的图像列像素与光照方向平行。
4. 根据权利要求1所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法， 其特征在于：所述图像分层及图层中的车辆区域提取的具体方法是，采用形态学神经网络 将遥感图像分为深、浅两个图层，深色图层包含深色车区域，浅色图层包含浅色车区域；然 后再使用最大类间方差法在图层中进行阈值分割，区分出汽车和路面。
5. 根据权利要求4所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法， 其特征在于：采用形态学神经网络将遥感图像分为深、浅两个图层的方法用数学描述为： 浅色图层：YW = Β-Β 〇 S 深色图层：Yb = B · S-B 式中，￥￥表示浅色图层，Yb表示深色图层，B表示图像，S表示结构元素；〇为开运算符， 开运算是先腐蚀后膨胀，?为闭运算符，闭运算是先膨胀后腐蚀；腐蚀的结果是S完全包含 在B中时，S原点的位置集合，膨胀的结果是S中至少有一个点包含在B中时，S原点的位置 集合。
6. 根据权利要求4或5所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方 法，其特征在于：使用最大类间方差法设定阈值区分车和路面的数学描述为： 1) 将深色图层做一次图层翻转，变为与浅色图层一致的形式； 2) 设t为图层中车与路面的分界灰度值，设图层灰度级范围是（0, 1，2,. Λ，L-1)，灰度 级为i的像素点个数为IV则图像的像素点总数为：
灰度级i出现的概率Pi为：
用t把图像的像素分为CQ= (0, 1，2，. A，t)和(^ = (t+l，t+2，. A，L_1)两类区间，分 别代表车辆）与路面，Q和Q类出现的概率分别对应为：
两类像素区间的平均灰度分别为：
则这两类像素区间的类间方差表示为：
遍历256个灰度级，使(jf最大时的t就是区分路面和汽车的最佳阈值，分类准则表达 函数为：
7. 根据权利要求1所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法， 其特征在于：所述车辆区域中车阴影和车窗的干扰消除及汽车的识别定位，包括 ： 1) 深色车的阴影消除，分为两种情况处理： ① 深色车区域内只有一辆车的情况，按照光照方向的每一列图像元素中只有一个灰度 最小值，该最小值将该列像素点分为两段，远离光源一段为阴影，靠近光源一段则为汽车， 以此为据消除阴影； ② 深色车区域内有多辆车的情况，按照光照方向的每一列图像元素中会有多个灰度极 小和极大值交替出现，以两个极大值之间的极小值作为分界线，分界线远离光源至极大值 之间的一段为阴影，分界线靠近光源至极大值的一段为汽车，滤除极小值与远离光源的极 大值之间的图像即消除阴影； 2) 深色图层中浅色车阴影和车窗的识别：先利用浅色车的位置确定深色图层中哪些 区域是浅色车的阴影和车窗位置，再将浅色车的区域向四周膨胀2个像素，检查扩张区域 对应的深色图层内是否有深色物体的识别结果，若有，则说明它是浅色车的阴影和车窗。 3) 将深色图层中浅色车阴影和车窗的识别结果从深色图层移入到浅色图层中，将它们 与浅色车体合并成一辆完整的汽车。
8. 根据权利要求7所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法， 其特征在于： 合并过程使用形态学的闭运算实现，运算包括膨胀和腐蚀两步，通过填补相邻识别区 域之间的间隙实现车窗和车体的合并，闭运算是先膨胀后腐蚀，数学描述为： B · S = (Β Θ S) ? S 式中，B表示图像，S表示结构元素，参考车体的体积S为方形结构。
9. 根据权利要求1或7或8所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识 别方法，其特征在于：通过闭运算消除阴影环节中造成的畸变。
10. 根据权利要求1或7或8所述的遥感图像中汽车阴影、车窗的干扰消除以及汽车识 别方法，其特征在于：使用形态学的开运算滤除噪声点，开运算是先腐蚀后膨胀，数学描述 为： BoS = (B ? S) Θ S 式中，B表示图像，S表示结构元素，参考车体的体积S为方形结构。
【文档编号】G06T5/00GK104050479SQ201410242415
【公开日】2014年9月17日 申请日期:2014年6月3日 优先权日:2014年6月3日
【发明者】曹天扬, 申莉 申请人:北京航天福道高技术股份有限公司