一种针对多光谱遥感图像的桥梁快速识别算法

孙艳丽，周　伟，钟佩琳

（海军航空工程学院a.基础实验部；b.信息融合研究所，山东烟台264001）

一种针对多光谱遥感图像的桥梁快速识别算法

孙艳丽a，周伟b，钟佩琳a

（海军航空工程学院a.基础实验部；b.信息融合研究所，山东烟台264001）

提出了一种针对多光谱图像中桥梁的识别算法。首先，根据水体和背景地物在不同光谱波段的亮度差异，计算多光谱图像的水体指数得到水体增强图，搜索其具有明显双峰的直方图得到最优阈值，实现河流的完整提取；其次，利用桥梁的存在会导致局部水体的光谱异常，沿河流中间线进行潜在桥梁区域的快速提取；再进一步利用桥梁长度以及与河流的空间关系进行鉴别，有效剔除虚警。利用SPOT4遥感影像进行实验，结果表明本文算法运算量小，对于多个桥梁的识别具有很好的实用性。

桥梁识别；多光谱遥感；水体指数；光谱异常；目标鉴别

桥梁通常位于河流之上，是连接被水体隔断的两地之间的重要纽带，从遥感图像中识别桥梁，及时更新道路交通信息，在交通运输、灾害救援、军事行动、防御部署等方面均有重要意义。由于遥感图像通常覆盖范围较大，为了能够快速准确地识别出其中的桥梁目标，目前最有效的方法是基于知识的处理方法。即首先分析桥梁目标的典型特征及其与周围环境的相互关系，再有针对性地进行桥梁目标特征提取。

SAR图像中的桥梁目标识别［1-2］通常采取水体阈值分割、候选区域提取和桥梁识别的分步处理策略。由于水体分割的效果易受SAR成像条件和斑点噪声的影响，Houzelle和Giraudon［3］提出一种融合SPOT与SAR图像的桥梁提取算法，首先在SPOT图像中分割出水体，对桥梁的位置加以空间约束，再根据SAR图像中的桥梁的散射特性加以识别。由于要求相同时间周期的2种传感器图像，推广应用有一定难度，而且高精度的图像配准也不可或缺，相应增加了处理负担。由于水体、桥梁和陆地的光谱特性存在明显差别，近年来，利用多光谱图像进行桥梁识别［4-10］也受到较多关注。Mandal等［4］首先用多类识别系统将多光谱图像像素分为6种地物类型，认为桥梁和道路一样属于混凝土结构，将桥梁作为道路的一部分检测，然后采取启发式规则将有关目标特性及其相互关系的知识用于聚类图像，进而完成桥梁目标的识别。Chaudhuri等［5］利用来自不同地形的多光谱图像训练分类器，将图像像素分为8种地物类型，然后通过递归扫描水体并借助几何约束鉴别出桥梁目标。由于需要针对待处理图像进行分类器训练，应用推广受到限制。吴皓等［6］研究了TM图像中的桥梁识别，在底层处理中运用形态学的方法提取出潜在桥梁目标；在中层处理中使用链码表示目标并提取其特征参数；最后，在高层处理中进行桥梁识别，但是水体与桥梁的光谱差异没有充分利用，结果中仍有一些虚假目标。

本文充分利用水体与桥梁的光谱差异和空间几何关系，提出一种多光谱遥感图像中桥梁快速识别算法。首先，给出完整的算法流程；接着，详细描述实现过程；然后，给出利用本文算法对多光谱SPOT4图像进行实验的结果并加以分析；最后，给出本文的结论。

1　算法流程

由于桥梁在中等分辨率（10～20 m）多光谱图像中表现为细长的线状目标，宽度仅为2～3个像素，因而在较大幅宽的遥感图像上直接提取桥梁目标是非常困难的。为了减少计算量，避免在无关区域盲目搜索，一般需要先提取出桥梁所在的河流区域。由于水体在遥感图像中通常表现为均匀的暗区域，相对于其它地物有明显的光谱差异，而跨越河流之上的桥梁则会引起河流局部亮度的明显变化，将河流截为若干段，并呈现出与河流中间线近似垂直的边缘特征。本文的算法流程如图1所示。

图1　算法流程Fig.1 Flow diagram of algorithm

首先，利用水体在绿波段和红外波段的反射差异计算水体指数，得到水体增强图，估计最优阈值快速分割出河流区域，并提取河流中间线；然后，用光谱异常检测器沿中间线顺序搜索，提取潜在桥梁目标作为感兴趣区域（ROI）；再利用桥梁与河流中间线的空间几何关系对ROI鉴别，得到桥梁识别结果。

2　算法描述

2.1水体的提取

水体信息提取的关键是水体信息的增强和非水体信息的抑制。传统的方法多利用近红外波段进行阈值分割。归一化差异指数来源于比值型指数，比值型指数通过在多光谱遥感数据中找出感兴趣地物的光谱反射最强和最弱的波段，将强者放在分子、弱者放在分母，通过图像运算，感兴趣地物就会得到增强其他地物就会相应的压抑，这样感兴趣的地物就可以容易地从背景地物中提取出来［11］。

Mcfeeters最早受这种思想的影响提出了归一化差异水体指数（NDWI）［12］。这种方法在水体提取中取得了较好的成绩，但是用NDWI提取的水体信息中仍然夹杂着许多非对于河流水体信息的提取，在对SPOT4多光谱图像水体、植被及其它背景地物进行光谱特征分析的基础上，提出了一种针对SPOT4多光谱图像的水体指数计算式：

式（1）中：XS1、XS2和XS3分别表示SPOT4的绿波段、红外波段和近红外波段的亮度值。

利用式（1）计算图2 a）中SPOT4多光谱影像的水体指数，可以得到图2 b）中的水体增强图，图2 c）为其直方图，可以看到水体增强图呈现出明显的双峰形态，水体主要集中于灰度值较高的右侧波峰附近。植被、陆地的亮度均较小主要集中于左侧波峰附近。

图2　SPOT4多光谱影像的水体增强结果及直方图Fig.2 Water enhancement result and histogram of SPOT4 multispectral image

直观地看，可以选取两峰之间的波谷点作为分割阈值。具体方法如下：

1）分别统计像素值为i/100的像素个数记为H（i），i=1，2，…，100；

2）对H（i）进行中值滤波，得到平滑的直方图包络曲线h（i）；

3）对h（i）求导得到h′（i）=h（i+1）-h（i）；

4）搜索序列h′（i），若h′（n-1）＜0且h′（n+1）＞0且H（n）＞mean（WI），则分割阈值 T=H（n）。其中，mean（WI）表示水体指数图的均值。利用该阈值即可快速实现水体的提取。当然，在水体以外的区域可能会有一些孤立的小亮点也被提取出来，借助形态学运算，可以很容易地加以剔除，得到河流区域的二值图像。

2.2河流中间线的提取

由于桥梁总会跨过河流，必然与河流中间线相交。因此，只要提取出河流中间线，然后沿着这条线搜索，即可顺次检测出河上的所有桥梁。河流中间线的提取是计算机视觉领域经典的骨架提取问题［13］。定义河流区域二值图像的边界点是自身像素值为1，而其八邻域中至少有一个点像素值为0的点。考虑以边界P0点为中心的八邻域，P1为正上方的点，其余邻域点沿顺时针方向依次为P1，P2，P3，…，P8，P1区域细化操作的条件为：

1）2≤N（P0）≤6；

2）S（P0）=1；

3）P1×P3×P5=0且P3×P5×P7=0；

4）P1×P3×P7=0且P1×P5×P7=0。

其中，N（P0）是P0的非零邻点的个数，S（P0）是以P1为起始，P1，P2，…，P8点的值从0至1变化的次数。当对全部的边界点检验完毕后，将同时满足条件1）、2）、3）或1）、2）、4）的点除去，反复迭代直至没有点再满足条件。这时，剩下的点组成的集合即为平行线对的中间线，记中间线序列为C（xi，yi），i=1，2，…，m。其中，m为中间线的长度。

2.3潜在桥梁区域的提取

为了提取潜在桥梁区域，我们设计了一个光谱异常检测器，沿中间线在多光谱图像上顺序搜索潜在桥梁区域。以中间线上一点C（xi，yi）为中心，从多光谱图像上提取N×N的子图像区域记为I（xi，yi），若有桥梁出现，则会引起河流水体局部光谱异常，具体表现为不同波段的局部方差明显增大。分别计算3个不同波段子图像的方差σ1、σ2、σ3，若同时满足：

则认为该区域为桥梁潜在区域。T1、T2、T3分别为光谱异常阈值，可以通过训练得到。对SPOT4多光谱图像，本文取经验值为1.5，能够保证大多数情况下均不遗漏桥梁目标。

考虑到同一桥梁可能被多次提取，一旦中间线上某点所处区域确认为潜在桥梁区域，还需进一步比较中间线上与其临近的N/2点对应子图像的方差，取方差最大的子图像区域作为该范围内的潜在桥梁区域。

2.4桥梁ROI的鉴别

经前面分析，可以快速提取出潜在的桥梁区域，但是也不可避免的存在一定的虚警。因此，还需要利用桥梁的几何形状特征对提取的ROI加以鉴别［14-17］。用计算ROI的均值从待鉴别ROI区域中分割出目标二值图像，并用形态学模板连通断裂的目标局部，分别提取其长度α、主轴方向θb，同时落入该ROI的中间线，估计其主方向，记为θr。由于桥梁通常是狭长的线性目标，且与河岸保持近似垂直的关系，则可以建立下面的鉴别规则：

式中，T4、T5分别为长度阈值和夹角阈值。经几何形状鉴别器确认的ROI即为桥梁的识别结果。

3　实验结果与分析

为了验证本文算法，选取了韩国汉江流域的SPOT4多光谱影像作为实验数据，如图3所示。试验区域大小为1 479×644像素，包含3个光谱波段，分辨率为20 m，共有大中型水上桥梁26座。

图3　实验区域多光谱图像Fig.3 Multispectral image of experimental area

Windows XP系统下，用Matlab2008编程实现上述算法，水体增强图的分割阈值自动选取，光谱异常阈值取经验值T1=1.5，T2=1.5，T3=1.5，桥梁长度阈值取T4=5，夹角阈值取T5=30°。在Pentium（R）D CPU 3GHz、2GB内存的PC机上运行，对于实验图像用时约10 s，共检测到桥梁共28座，漏检1座，重复检测3座，结果如图4所示。

图4　实验结果Fig.4 Experimental result

漏检桥梁位于区域1，主要原因是这座桥梁与水体的光谱特征非常接近，对比度较差，在该桥梁附近没有检测到明显的光谱异常。区域2和区域3实际只有3座桥梁，均被重复检测一次，原因是桥梁被河心沙洲隔断，而围绕沙洲的河流中心线有2条，因而沿中心线搜索时，隔断桥梁的两段将分别被检测到。此时，利用桥梁的连通性和方向一致性即可将同一桥梁的两段连接起来。

从实验结果来看，本文算法可以快速完成SPOT4多光谱遥感图像中的桥梁识别，而且桥梁定位准确，正确率高。对于其他的多光谱遥感图像，只需选取合适的波段组合提取水体指数，则本文算法也可适用。

4　结论

根据水体和背景地物在不同光谱波段的亮度差异，计算多光谱图像的水体指数得到水体增强图具有明显的双峰直方图，易于搜索最优阈值，实现河流的完整提取。利用桥梁的存在会导致局部水体的光谱异常，沿河流中间线进行潜在桥梁区域的快速提取，再进一步利用桥梁长度以及与河流的空间几何关系进行鉴别，可快速完成桥梁的识别。利用SPOT4遥感影像进行实验验证了本文算法的有效性。需要说明的是，对于覆盖范围较大的高分辨率遥感图像，可以首先下采样至中低分辨率，然后应用本文方法进行桥梁检测，再定位至高分辨率图像上的相应区域加以鉴别，能够提高处理效率。由于光学遥感受天气条件影响比较大，中低分辨多光谱影像中，细小的桥梁存在严重的光谱混叠现象，由此导致漏检。后续将在进一步提高算法稳健性的同时，研究更可靠的光谱异常检测器，并将算法加以拓展，应用于高光谱图像。

［1］戴光照，张荣.高分辨率SAR图像中的桥梁识别方法研究［J］.遥感学报，2007，11（2）：177-184. DAI GUANGZHAO，ZHANG RONG.A study of bridge recognition in high resolution SAR images［J］.Journal of remote sensing，2007，11（2）：177-184.（in Chinese）

［2］WANG WENGUANG，SUN JINPING，HU RUI，et al. Knowledge-based bridge detection from SAR images［J］. Journal of Systems Engineering and Electronics，2009，20（5）：929-936.

［3］HOUZELLE S，GIRAUDON G.Data fusion using SPOT and SAR images for bridge and urban area extraction［C］// International Geoscience and Remote Sensing Symposium.Finland：Espo.1991：1455-1458.

［4］MANDAL D P，MURTHY C A，Pal S K.Analysis of IRS imagery for detecting man-made objects with a multivalued recognition system［J］.IEEE Transactions on Systems，Man and Cybernetics：Part A，1996，26（2）：241-247.

［5］CHAUDHURI D，SAMAL ASHOK.An automatic bridge detection technique for multispectral images［J］.IEEE Transactions on Geoscience and Remote Sensing，2008，46（9）：2720-2727.

［6］吴皓，刘政凯，张荣.TM图像中桥梁目标识别方法研究［J］.遥感学报，2003，7（6）：478-484. WU HAO，LIU ZHENGKAI，ZHANG RONG.A study of bridge recognition from landsat TM images［J］.Journal of Remote Sensing，2003，7（6）：478-484.（in Chinese）

［7］彭碧发，谭毅华，陶超，等.从高分辨率遥感图像中自动识别水上桥梁［J］.应用科学学报，2010，28（4）：354-360. PENG BIFA，TAN YIHUA，TAO CHAO，et al.Automatic detection of bridge over water in high-resolution remotesensing image［J］.Journal of Applied Sciences，2010，28（4）：354-360.（in Chinese）

［8］杨莹，阮仁宗.基于TM影像的平原湖泊水体信息提取的研究［J］.遥感应用，2010（3）：60-64. YANG YING，RUAN RENZONG.Extraction of plain lake water body based on TM imagery［J］.Remote Sensing Information，2010（3）：60-64.（in Chinese）

［9］范登科，李明，贺少帅.基于环境小卫星CCD影像的水体提取指数法比较［J］.地理与地理信息科学，2012，28（2）：14-19. FAN DENGKE，Li MING，HE SHAOSHUAI.Comparison and research on different indices for water extraction based on CCD images from HJ satellite［J］.Geography and Geo-Information Science，2012，28（2）：14-19.（in Chinese）

［10］于晓升，吴成东，陈东岳，等.支持向量机和水平集的高分辨率遥感图像河流检测［J］.中国图象图形学报，2013，18（6）：677-684. YU XIAOSHENG，WU CHENGDONG，CHEN DONGYUE，et al.Using support vector machine and level set for river detection in high resolution remote sensing image［J］.Journal of Image and Graphics，2013，18（6）：677-684.（in Chinese）

［11］徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究［J］.遥感学报，2005，9（5）：589-595.XU HANQIU.A study on information extraction of water body with the modified normalized difference water index（MNDWI）［J］.Journal of Remote Sensing，2005，9（5）：589-595.（in Chinese）

［12］MCFEETERS S K.The use of the normalized difference water index（NDWI）in the delineation of open water features［J］.International Journal of Remote Sensing，1996，17（7）：1420-1432.

［13］章毓晋.图像工程［M］.北京：清华大学出版社，2005：222-223. ZHANG YUJIN.Image engineering［M］.Beijing：Tsinghua University Press，2005：222-223.（in Chinese）

［14］汤国安，杨晰.ArcGIS地理信息系统空间分析实验教程［M］.北京：科学出版社，2012：112-131. TANG GUOAN，YANG XI.ArcGIS geographic information systems spatial analysis experimental course［M］.Beijing：Science Press，2012：112-131.（in Chinese）

［15］朱长明，张新，骆剑承，等.基于样本自动选择与SVM结合的海岸线遥感自动提取［J］.国土资源遥感，2013，25（2）：69-74. ZHU CHANGMING，ZHANG XIN，LUO JIANCHENG，et al.Automatic extraction of coastline by remote sensing technology based on SVM and auto-selection of training samples［J］.Remote Sensing for Land and Resources，2013，25（2）：69-74.（in Chinese）

［16］WANG MINGANG，TIAN YONGGANG.Target recognition of infrared bridge image based on morphological operator［J］.Procedia Engineering，2011，24：490-494.

［17］WANG MINGGANG，WANG CHAO，FAN YINGPING. Research for target recognition of infrared bridge based on morphological operator and bridge template［C］//International Conference on Computer Science&Service System（CSSS）.Nanjing，2012：58-62.

A Fast Bridge Recognition Algorithm for Multi-Spectral Remote-Sensing Image

SUN Yanlia，ZHOU Weib，ZHONG Peilina
（Naval Aeronautical and Astronautical University a.Department of Basic Experiment；b.Research Institute of Information Fusion，Yantai Shandong 264001，China）

A fast bridge recognition algorithm for multi-spectral remote sensing image was proposed.Firstly，according to the brightness difference between water and background object in different spectral band，the water index was computed to form the water enhanced image.The optimal threshold could be found by searching the enhanced histogram which had obvious two peaks.Since the present of bridge would result in spectral abnormal in local water regions，a detector was used to extract the potential bridge regions along river centerline.Then the length of bridge and the spatial relationship was used to discard possible false alarms.Experiments were executed on SPOT4 images and the results showed that the method is effective and practical for bridge detection.

bridge recognition；multi-spectral remote sensing；water index；spectral abnormal；target discrimination

TP391

A

1673-1522（2016）04-0451-05

10.7682/j.issn.1673-1522.2016.04.008

2016-04-07；

2016-05-23

国防预研基金资助项目（9140A01010414JB14004）

孙艳丽（1982-），女，讲师，硕士。