维普资讯 http://www.cqvip.com 第２３卷第４期 信号处理 ＳＩＧＮＡＬ ＰＲＯＣＥＳＳＩＮＧ Ｖｏｌ＿２３． Ｎｏ．４ ２００７年８月 Ａｕｇ．２００７ 遥感图像飞机检测新方法 ——圆周频率滤波法 耿振伟 粟毅 蔡红苹（国防科学技术大学电子科学与工程学院，长沙４１００７３） 摘要：利用飞机在光学遥感图像中的形状特点和灰度变化特点，本文提出了一种新的飞机目标检测方法一圆周频率 滤波法。首先，采用圆周频率滤波器对全图进行滤波，在飞机中心点附近像素通过滤波后幅值通常比其他非飞机区域的幅 值大，从而通过保留滤波后幅值大的点作为飞机中心的候选点；然后，通过区域生长式聚类确定最终的飞机位置。本文的 方法用于８幅１．０—４．０米分辨率的光学遥感图像的飞机目标提取，总共６５架飞机，正确检测出５９架，５个虚警。实验证 明圆周频率滤波法用于遥感图像的飞机目标检测，是一种即简单又有效的方法。 关键词：圆周频率滤波器；目标检测；飞机检测；遥感图像处理 Ａ Ｎｅｗ Ｍｅｔｈｏｄ ｔｏ Ｄｅｔｅｃｔ Ａｉ ｒｐｌａｎｅｓ ｉｎ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉ ｍａｇｅ ——Ｃｉｒｃｌｅ—Ｆｒｅｑｕｅｎｃｙ Ｆｉｌｔｅｒ ＣＡＩ Ｈｏｎｇ・－ｐｉｎｇ ＧＥＮＧ Ｚｈｅｎ・－ｗｅｉ Ｓｕ Ｙｉ （Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｄｅｆｅｎｓｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ，４１００７３） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ ｎｅｗ ａｐｐｒｏａｃｈ—Ｃｉｒｃｌｅ—Ｆｒｅｑｕｅｎｃｙ ｆｉｌｔｅｒ（ＣＦ—ｉｆｌｔｅｒ）ｔｏ ｄｅｔｅｃｔ ａｉ￣ａｎｅｓ ｉｎ ｐａｎｃｈｒｏｍａｔｉｃ ｒｅｍｏｔｅ— ｓｅｎｓｉｎｇ ｉｍａｇｅｓ，ｉｎ ｗｈｉｃｈ ｂｏｔｈ ｔｈｅ ｓｈａｐｅ ａｎｄ ｌｕｍｉｎａｎｃｅ ｆｅａｔｕｒｅｓ ａｌｅ ｕｓｅｄ．Ｆｉｒｓｔ，ｔｈｅ ｗｈｏｌｅ ｉｍａｇｅ ｉｓ ｆｉｌｔｅｒｅｄ ｂｙ ｔｈｅ ＣＦ・ｉｆｌｔｅｒ．Ｓｉｎｃｅ ａｉｒ・ ｐｌａｎｅ ｃｅｎｔｅｒｓ ａｐｐｅａｒ ｂｒｉｇｈｔ ｗｈｉｌｅ ｂａｃｋｇｒｏｕｎｄ ａｐｐｅａｒｓ ｄｉｍｍｉｎｇ，ｔｈｅ ｐｏｉｎｔｓ ｗｉｔｈ ｈｉｇｈｅｒ ｏｕｔｐｕｔｓ ｏｆ ＣＦ—ｉｆｌｔｅｒｅｄ“ｉｍａｇｅ’’ａｒｅ ｓｅｌｅｃｔｅｄ ａｓ ｃａｎｄｉｄａｔｅ ｐｏｉｎｔｓ ｏｆ ａｉｒｐｌａｎｅ ｃｅｎｔｅｒｓ．Ｔｈｅｎ，ａ ｒｅｇｉｏｎ・ｇｒｏｗｉｎｇ ｃｌｕｓｔｅｒｉｎｇ ｍｅｔｈｏｄ ｉｓ ｕｓｅｄ ｔｏ ｌｏｃａｔｅ ａｉｒｐｌａｎｅ ｃｅｎｔｅｒｓ ｆｒｏｍ ｔｈｅ ｃａｎｄｉｄａｔｅｓ．８ ｐａｎｃｈｒｏｍａｔｉｃ ｉｍａｇｅｓ ｏｆ １．０ｍ一４．０ｍ ｒｅｓｏｌｕｔｉｏｎ，ｉｎｃｌｕｄｉｎｇ ６５ ａｉｒｐｌａｎｅｓ，ａｒｅ ｔｅｓｔｅｄ ｗｉｔｈ ｔｈｉｓ ａｐｐｒｏａｃｈ．５９ ａｉｐｌａｎｅｓ ａｒｅ ｄｅｔｅｃｔｅｄ ａｎｄ ５ ｒｔｉｍｅｓ ａｒｅ ｆａｌｓｅ ａｌａｒｍｅｄ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｐｒｅｓｅｎｔｅｄ ａｐｐｒｏａｃｈ ｕｓｉｎｇ ＣＦ—ｆｉｌｔｅｒ ｉｓ ｅｆｆｅｃｔｉｖｅ ｉｎ ａｉｐｌｒａｎｅ ｄｅｔｅｃｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ： Ｃｉｒｃｌｅ—ｆｒｅｑｕｅｎｃｙ ｆｉｌｔｅｒ；Ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ；Ａｉｒｐｌａｎｅ ｄｅｔｅｃｔｉｏｎ；Ｒｅｍｏｔｅ—ｓｅｎｓｉｎｇ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ． １ 引言 对图像中感兴趣目标的检测和提取是计算机视觉中的 重要研究课题。图像的目标检测算法可以大致分成两类：一 类是基于像素层面上的。如区域分割、边缘提取、闭合轮廓 随着遥感技术的发展，从航空图片和卫星图片中自动或 半自动检测与识别各种目标不仅具有重要的军事应用价 值，近年来也逐渐成为民用遥感领域关注的热点。作为一 类重要的目标，飞机的检测和识别一直都在研究和探索 中 ’ 。然而大部分的研究都是假定飞机已经提取出来 后如何提取它的特征进行分类识别” －９’ Ｊ。而对于如何从 一提取等，这些方法通用性强，基本上对任何目标提取都适用。 但是由于对于真实图像而言，提取目标完整的区域或闭 幅真实遥感影像中检测飞机却研究甚少，这主要是因为飞 合轮廓很难，因此通常需要复杂的后处理＿３ Ｊ。另一类是基 于特征层面上的。这种方法在分析目标与非目标的本质的 机目标在遥感图像中（尤其是卫星图片）尺寸小，而且背景复 杂，因此可以说在复杂背景下的飞机检测问题比飞机识别问 特征基础上，采用滤波或变换的方法，使得滤波或变换后的 目标与非目标尽可能地分离，然后通过简单的后处理，从而 达到检测目标的目的。这类方法在人脸检测 、路标检 题更棘手。目前已有的算法通常采用先分割或先边缘提取， 然后采用模板匹配的方法，但是由于飞机阴影以及图像质量 的影响，通常分割后飞机目标会断开成几个区域，也很难完 测 等应用领域都有广泛研究，效果通常比第一类方法好， 能否准确地检测目标关键在于寻找合适的滤波器或变换。 收稿日期：２００５年９月１８日；修回日期：２００６年４月２９日 整地提取出飞机边缘轮廓，所以通常的做法是再进行区域合 并或边缘的连接 ，这种方法不仅实现起来复杂而且抗背景 维普资讯 http://www.cqvip.com ５４０ 信号处理 第２３卷 干扰的能力很弱，并且由于飞机的类型很多，很难用一个统 一２．２圆周频率滤波器 的模板来检测所有的飞机，因此往往检测结果不令人满 假设 （ｋ＝０，１…．，Ｎ一１）表示以（ｉ， ）为中心以ｒ为半 径的圆周上逆时针方向像素的灰度值，分别求这个一维数据 的傅立叶变换的幅度／（ ， ）和相位值 （ ， ）： ｆ（ｉ， ）＝（ ＇￣Ｖ－Ｉ ｃ。ｓ Ｎ －１ 意，文献 中对１６幅机场遥感图片进行实验，正确检测出８ 架飞机，２９个漏检，８个虚警，显然这离实际应用还相差甚远。 本文提出的飞机检测方法属于图像目标检测算法的第 二类方法，该方法受人脸检测文献 的启发，设计了一种适 合遥感图像中飞机目标检测的圆周频率滤波器。本文算法 ） ＋（ ｓｉｎ ） （１） 不需要图像分割或边缘提取等预处理，直接对整幅图像的每 一点进行滤波，由于圆周频率滤波器对飞机目标有强的响应 幅度，而对背景的响应较弱，因此直接通过取阈值保留滤波 响应大的点作为飞机中心候选点，最后通过简单的区域生长 式聚类后找每类的中心作为检测飞机的中心。该方法利用 了飞机在光学遥感图像中的形状特点和灰度变化特点，避免 了图像分割或边缘提取的弊端，同时不需要使用模板，算法 简单，计算量小，抗背景干扰能力强，检测性能好。通过对现 有的８幅１．０～４．０米分辨率的不同图像质量的光学遥感图 像进行实验，总共６５架飞机，正确检测出５９架，５个虚警。 ２圆周频率滤波器 ２．１飞机目标特征分析 在真实遥感图像中，区分飞机目标和其他干扰地物的方 法主要是利用飞机目标在遥感图像中表现出来的灰度、形 状、大小、阴影等特征。 由于飞机目标在遥感影像中的通常较背景要亮，且大部 分飞机都会有机头、左翼、尾翼和右翼四个突起的部分，这样 如果以飞机中心为圆心，选取一个大于机身宽度小于翼展长 度的直径的圆周，该圆周上的像素灰度值变化就会呈现“亮一 暗一亮一暗一亮一暗一亮一暗”趋势。图１（ｃ）是图１（ａ）中圆 周上点的灰度值变化曲线（从最上点出发，逆时针顺序），该 曲线有４个峰和４个谷，而显然以非飞机中心位置为圆心的 圆周灰度值通常不具备这种特性，本文就是利用飞机目标的 这一特性通过设计一个简单的圆周频率滤波器来区分飞机 中心和非飞机中心的，这种圆周上的像素灰度值变化趋势巧 妙地利用了飞机目标的灰度和形状特征，同时通过圆周半径 的选择间接地利用了其大小特征。 （ｂ） （ｃ） 图１ 以飞机中心为圆心的圆周上像素点的灰度变化 曲线和圆周滤波结果图 （ａ）原始图（４１×５１）（ｂ）圆周频率滤波后的灰度图像 （圆周半径ｒ＝６，圆周上取样点数目Ｎ＝４０）（ｃ）圆周 上点的灰度值变化曲线（从最上点出发，逆时针顺序） ｉ （ｉ， ）＝ｔａｎ （ 卜—— ） （２） 磊 ｃ。ｓ 其中ｃ是常量，用来控制求离散傅立叶变换时正弦和余 弦函数的周期数。式（１）表示圆周上的数据列经过离散傅立 叶变换后的幅度值，而式（２）表示相位信息。 如何选择正弦和余弦函数的周期数（也就是ｃ的选择） 与需要检测的目标圆周上像素的灰度变化有密切关系。上 一节已经分析了如果以飞机中心为圆心，选取一个适当的半径 画～个圆周，该圆周上的灰度变化呈现“亮一暗一亮一暗一 亮一暗一亮一暗”趋势（如图１（ｃ）所示），该曲线有４个峰和 ４个谷，与４个周期的正弦和余弦曲线相似，因此在式（１）和 式（２）中如果选择４个周期的正弦和余弦函数（即ｃ＝８），则 在飞机中心的圆周频率滤波幅度值大。而由于非飞机中心点 的圆周上像素灰度值通常不会出现“亮一暗一亮一暗一亮一 暗一亮一暗”的变化趋势，因此圆周频率滤波后的值小。图１ （ｂ）是图１（ａ）经过圆周滤波后的幅度归一化到０至２５５后的 灰度图像显示结果，半径ｒ＝６，圆周上取点数目Ｎ＝４０。可以 看出在飞机中心附近滤波后幅度明显比其他区域大，背景区 域的滤波响应很小。 由傅立叶变换的性质知，当圆周上点列 （ｋ＝０，１，…， Ｎ一１）的起始位置发生改变时（或者理解为图像发生旋转 后），相当于发生了时延，因此滤波器的幅度响应（式（１））不 变，而只是相位响应（式（２））发生相同角度的变化。而在检 测飞机目标时圆周频率滤波的相位响应利用价值不大，仅采 用其幅度响应，该响应显然具有旋转不变特性，这就使得该 方法不用像基于图像模板匹配的方法要考虑不同角度的飞 机或寻找飞机主轴和机头 Ｊ。 ３飞机目标检测方法 ３．１ 圆周频率滤波器提取飞机中心候选点集 图２（ｂ）是对图２（ａ）圆周滤波后的结果，不难看出飞机 中心和其附近几个像素的圆周频率滤波的响应明显高于其 他的背景区域，复杂的背景通过滤波后响应变得很弱，而飞 机目标中心位置有强响应，这就证明圆周频率滤波器有很强 的飞机和背景区分能力。因此，可以先求出滤波值中最大值 后，选取一个阈值比例因子ａ（０＜ａ＜１），对所有滤波后的 结果进行阈值化处理，凡是滤波结果大于ａＭ的点认为是飞 机中心的可能性很大，从而作为飞机中心候选点，用集合Ｅ＝ ｛（ｉ， ）Ｉｆ（ｉ， ）＞ａＭ｝表示通过圆周滤波器产生的飞机中心 维普资讯 http://www.cqvip.com 第４期 遥感图像飞机检测新方法 ５４１ 候选点集。 第四步，求飞机中心。最后对聚类后的每个类求其类心 作为飞机中心位置。 图２（Ｃ）用红圈标出了对图Ｂｌｏｃｋ０１滤波结果进行阈值 化后得到的所有飞机中心候选点（ ＝０．７），通过该图可以看 图３列出了相应的算法流程图，图２是整个飞机目标检 测的图像显示流程，采用幅面为４７９×３１６的图Ｂｌｏｃｋ０１，参数 选择为ｒ＝６、Ｎ＝４０、 ＝０．７、ｒｏ＝２．５ｒ，图２（ｂ）是圆周频率滤波 出圆周滤波后的高幅度响应点都在飞机中心附近，说明该滤 波器提取了飞机区别于其他地物的本质的特征，具有很强的 飞机与背景的区分能力。 ３．２区域生长式聚类定位飞机中心 后的灰度图像，图２（Ｃ）标出了阈值化后提取的飞机中心候选 点，图２（ｄ）是通过区域生长式聚类后确定的飞机中心位置。 飞机中心候选点基本上是聚集在每个飞机中心形成一 个个的类，而类与类之间有很明显的距离，（如图２（Ｃ）所 示）于是可以采用基于区域生长思想的聚类方法来对候选点 集Ｅ分类从而确定最终飞机的中心位置。 在由飞机中心候选点集Ｅ聚类生成飞机中心的过程中， 引用了区域生长原理，目的就是把聚集在一起的候选点通过 区域生长聚成一类，其生长准则是以ｒ０为半径的邻域。 具体做法是将一个种子样本ｉ。作为生长的起点，然后将 以种子样本ｉ。为中心、ｒ。为半径的邻域样本集曰 合并到一类 Ｃ ，将Ｃ 中的所有样本（即Ｃ （Ｐ）∈Ｃ ，Ｐ＝０，１，…，ｎｕｍ（Ｃ ） 一１）当作新的种子样本，寻找所有样本Ｃ （Ｐ）的ｒ０半径的邻 域，将这些邻域点合并到Ｃ 类，即 Ｃ＾＝Ｃ ＵＮｅｉｇｈｂｏｒ［Ｃ＾（Ｐ）］Ｐ＝０，１，…，ｎｕｍ（Ｃ＾）一１（３） 其中ｎｕｍ（Ｄ）表示集合Ｄ的样本个数，Ｎｅｉｇｈｂｏｒ［ｄ］表示 元素ｄ的邻域样本集。 通过此过程继续生长，直到再没有满足条件的样本归入 该类。在还未聚类的样本集咖中寻找一个新的种子样本重 复上面的步骤，直到所有的样本都被归入某类为止。 ｒｎ的选取原则是使得同一架飞机的候选点聚成一类，而 区分不同的飞机候选点。由于通常候选点集聚集在每个飞 机中心形成一个个的类，而类与类之间有明显的距离， 所以ｒ０的选取对聚类效果不敏感，本文设ｒ０为圆周频率滤波 器的半径ｒ的九倍（九取值在２～４范围内）。 假设飞机中心候选点集Ｅ通过聚类后被分成了Ｋ类Ｃ ， ，．．．， ，那么我们简单地认为最终检测出了 个飞机，通 过观察可以发现每类的样本都聚集在飞机中心附近区域，所 以我们可以通过求每类的类心来最终确定这Ｋ个飞机中心 的位置（（ （ｋ），Ｙ（ｋ）），ｋ＝１，２，…，Ｋ）： １ Ｍ１ Ｎｋ ． ．（ｋ）＝寺 Ｔ＾ ，Ｙ（ｋ）＝寺 ｙ』’＾… （４） 其中Ⅳ＾表示第ｋ类的样本个数， 表示第ｋ类的第ｉ个 样本的Ｘ轴坐标，Ｙ 表示第ｋ类的第ｉ个样本的Ｙ轴坐标。 利用圆周频率滤波法进行飞机目标检测的算法步骤总 结如下： 第一步，圆周频率滤波。对输入图像逐个像素采用式 （１）进行圆周频率滤波（圆周半径ｒ，圆周上取点个数Ｎ）； 第二步，阈值化选取飞机中心候选点。找出最大的滤波 值 ，选取一个阈值比例因子 （０＜ｏｔ＜１），对所有滤波后的 结果进行阈值化处理，凡是滤波结果大于ａＭ的点作为飞机 中心候选点； 第三步，区域生长式聚类。对提取的候选点进行区域生 长式聚类（邻域半径ｒ０＝九・ｒ）； （ｂ） （ｄ） 图２采用圆周频率滤波法进行飞机目标检测的过程图 （ａ）原始图像（４７９×３１６）（ｂ）圆周频率滤波后的灰度图像 （圆周半径ｒ＝６，圆周上取样点数目Ｎ＝４０）（Ｃ）阈值化后 选取的飞机中心候选点（阈值比例值 ＝Ｏ．７）（ｄ）通过区域 生长式聚类后确定飞机中心位置（邻域半径ｒ０＝２．５ｒ） 输 圆周 阈值化 区域 求类中 入 图 —＇ 频率 —＿－． 机中心 选取飞 式聚 —’ 为飞机 生长 心点作 像 滤波 候选点 类 中心 图３利用圆周频率滤波法进行飞机目标检测的流程图 ４实验结果及分析 ４．１计算量分析 假设处理的图像幅面ｍ×ｎ，圆周上取点个数Ⅳ，以下对 每一步的计算量进行分析： 第一步，圆周频率滤波。在对整幅图像采用式（１）进行 滤波时，需要事先计算Ⅳ个正弦和余弦值，也就是需要Ⅳ＋２ 次乘法和２Ｎ次三角函数计算，然后对图像每一点求滤波值 总共需要ｍ・ｎ・（２Ｎ＋２）次乘法和ｍ・ｎ・（２Ｎ一１）次 加法； 维普资讯 http://www.cqvip.com ５４２ 信号处理 第２３卷 第二步，阈值化选取飞机中心候选点。为了找到最大的 滤波值需要在ｍ×ｎ个数中求１次最大值运算； 第三步，区域生长式聚类。假设提取出Ⅳｎ个飞机中心 看出该飞机检测算法不需要迭代过程，是一种目前计算量小 的飞机检测算法。 采用本文方法对８幅图像进行测试，每幅图所需要的检 测时间和ｍｎＮ的关系图见图４，可以看到检测时间与ｍｎＮ是 呈现很明显的线性关系。这就通过实验证明了该算法的运 候选点，对它们进行区域生长式聚类的计算量主要集中在计 算每两个样本之间的距离，需要的计算量为Ⅳｎ（Ⅳｎ一１）＋１ 次乘法、 次加法，由于该聚类方法没有迭代运算， 算量级是０（ｍｎＮ）。 且一般飞机中心候选点数目Ⅳｎ不会很多，因此在该检测算 法中聚类的运算时间可以基本忽略不计； 第四步，求飞机中心。利用式（４）求 个类心坐标需要２ 次乘法运算和２（Ⅳｎ— ）次加法运算，求类心的运算次数也 可以基本忽略不计。 表Ｉ列出了本文提出的检测算法各步骤分别需要的运 算量和总的运算量，由于图像像素个数一般远大于提取的飞 机中心候选点（ｍ・ｎ＞＞Ⅳｎ），所以运算量主要集中在圆周频 率滤波这一步。总的来说，整个检测算法需要的乘法和加法 运算次数都是Ｄ（ｍｎＮ）。由于通常飞机检测都是在机场切片 中进行的，所以ｍｎ的值不会太大，而圆周上取样点的个数Ｊ７、ｒ 通常选取４０到６０就能满足要求了，因此通过以上分析可以 图４检测时间与的ｍｎＮ线性关系图 表１ 利用圆周频率滤波法进行飞机目标检测的运算量统计 乘法运算 加法运算 三角函数运算 ｍ×ｎ个数中求最大值运算 圆周频率滤波 ｍ・ｎ・（２Ｎ＋２）＋Ｎ＋２ ｍ・ｎ・（２Ｎ一１） ２，ｖ 提取候选点 １ 区域生长式聚类 Ｎｏ（Ｎｏ一１）＋１ 二 １ ２ 确定飞机中心 ２ ２（Ｎｏ— ） ｍ・ｎ・（２Ｎ＋２）＋Ｎ ｍ・ｎ・（２Ｎ一１） 共计 ＋Ｎｏ（Ｎｏ一１）＋５ ＾ （Ｎｏ ２，ｖ １ …４．２检测实验结果 基本上时间都在０．１秒量级上，明显优于文献［３］中的平均 本文对８幅１．０～４．０米分辨率的ＳＰＯＴ和ＩＫＯＮＯＳ图像 每幅图在１０秒内的检测结果。实验表明该方法是一种快速 进行实验，表２列出了检测结果，图５是检测图示结果，８幅 的遥感图像飞机检测方法。 图像共６５架飞机，检测出５９架，５个虚警。图５的前３幅图 如果采用通常的基于图像分割或边缘提取的方法 Ｊ，仅 的飞机与背景的反差都比较大，飞机形状表现得比较明显， 图Ｂｌｏｃｋ０１中的部分飞机可以得到较完整的飞机区域或飞机 因此检测结果比较理想，都没有虚警，只漏掉了３架小飞机。 轮廓，而后面的７幅图由于受阴影的影响或图像质量的影响 漏检的原因可以以图Ｂｌｏｃｋ０１为例来说明，该图包含１０架大 很难完整地提取飞机区域或飞机轮廓，需要进一步进行区域 飞机和２架小飞机，通过选取圆周半径ｒ＝６可以检测出１０ 合并或边缘连接，方法复杂且检测结果与图像质量和模板选 架大飞机且没有虚警，但是由于在ｒ＝６下２架小飞机不再具 择关系很密切，普适性很差。而采用本文的方法，通过对各 有圆周上灰度４个峰４个谷的特点而被漏检。图Ｂｌｏｃｋ０４、图 种质量的真实遥感图像进行实验，可以看出本文的方法有较 Ｂｌｏｃｋ０５和图Ｂｌｏｃｋ０８是３幅分辨率较高的图像（１．０米），因此 强的检测能力和抗干扰能力。 图像比较清晰，同时背景的亮度也比较高，飞机的阴影比较明 显，阴影的出现使得本方法中飞机中心的圆周上像素灰度不再 ５ 结束语 严格满足４个峰４个谷的特点，从而检测结果受到一定影响。 本文提出的飞机检测算法巧妙地利用了飞机目标在光 图ＢｌｏｃｋＯ７的飞机大小都基本一样，但是有几架机身灰度较 学遥感图像中的灰度和形状表现特征，用一个简单的圆周滤 低，本文方法也能准确地定位全部的９架飞机，仅１个虚警。 波器很好地将飞机和背景分离，从而避免了通常采用图像分 表中还列出了每幅图像的检测时间，是在Ｐｅｎｔｉｕｍ（Ｒ）４ 割或边缘提取的飞机检测算法的弊端。实验表明，该方法是 ２．４ＧＨｚ ＰＣ平台下采用ＶＣ＋＋６．０程序实验得到的检测时间， 目前飞机检测算法中算法简单、耗时少、检测性能好的算法。 维普资讯 http://www.cqvip.com 第４期 遥感图像飞机检测新方法 ５４３ 表２本文方法对８幅真实遥感图像的飞机检测结果 图像名 飞机数目（架） 分辨率（米） 参数设置 检测飞机数目 虚警数目 检测时间（秒） （４７９Ｂｌｏｃｋ０１ １２ ２５ ｒ＝６，Ｎ＝４０， １０ ０ ０．×３６１） ．ａ＝０．７． ＝２．５ ２６６ （３８１ＢｌｏｃｋＯ２ ５ ２５ ｒ＝３，Ｎ＝４０， ５ ０ ０．．×２３７） ａ＝０．５． ＝２．５ １６７ （２８６Ｂｌｏｃｋ０３ １３ ４０ ｒ＝３，Ｎ＝４０， １２ ０ ０．×１６４） ．ａ＝０．５． ＝３．５ ０７９ Ｂｌｏｃｋ０４ ５ １０ ｒ＝１０，Ｎ＝６０， ５ ４ ０（４８２×２４７） ．．ａ＝０．５． ＝３．５ ２８６ （６０７×４０３）ＢｌｏｃｋＯ５ ９ １．Ｏ ｒ＝９，Ｎ＝６０， ７ Ｏ Ｏ．ａ：０．４５． ＝２．５ ６５ｌ （１３２×１８６）Ｂｌｏｃｋｏ６ ４ ２５ ｒ＝３，Ｎ＝４０， ４ ０ ０．．０．３５． ＝２．５ Ｏ４２ ＝（２４３×１３６）Ｂ１０ｃｋ０７ ９ ２．５ ｒ＝４，Ｎ＝４０， ９ １ ０．ａ＝０．５． ＝４．０ ０５７ （３４９×６８２）Ｂｌｏｃｋ０８ ８ １０ ｒ＝１０，Ｎ：６０， ７ ０ ０．．ａ＝０．３． ＝２．５ ６０２ 用多个圆周半径进行检测。 参考文献 ［１］ Ｋａｗａｔｏ ｓ，ｅｔ ａ１．Ｃｉｒｃｌｅ—ｒｆｅｑｕｅｎｃｙ ｆｉｌｔｅｒ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ． Ｉｎ：Ｉｎｔ Ｗｏｒｋｓｈｏｐ ａｎｄ Ａｎｄｖａｎｃｅｄ Ｉｍａｇｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｔａｅ— ｊｏｎ，Ｋｏｒｅａ，２００１，２：２１７． ［２］ Ｋａｗａｔｏ Ｓ，ｅｔ ａ１．Ｔｗｏ—ｓｔｅｐ ａｐｐｒｏａｃｈ ｆｏｒ ｒｅａｌ—ｔｉｍｅ ｅｙｅ ｔｒａｃｋ— ｉｎｇ ｗｉｔｈ ａ ｎｅｗ ｆｉｌｔｅｒｉｎｇ ｔｅｃｈｉｑｕｅ．Ｐｒｏ．Ｉｎｔ．Ｃｏｎｆ．Ｏｎ Ｓｙｓ— ｔｅｍ，Ｍａｎ＆Ｃｙｂｅｒｎｅｔｉｃｓ，２０００：１３６６． ［３］Ｔｅｒｎｏｖｓｋｉｙ Ｉ，ｅｔ ａ１．Ｂｉｏｌｏｇｉｃａｌｌｙ ｉｎｓｐｉｒｅｄ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｏｂ— ｊｅｃｔ ｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎ：Ｉｎｔｅｒ．Ｃｏｎｆ．Ｉｎｔｅｇｒａｔｉｏｎ ｏｆ Ｋｎｏｗｌｅｄｇｅ Ｉｎｔｅｎｓｉｖｅ Ｍｕｌｔｉ—Ａｇｅｎｔ Ｓｙｓｔｅｍｓ（ＫＩＭＡＳ ０３），Ｂｏｓｔｏｎ，Ｍａｓ— （ｄ） ｓａｃｈｕｓｅｔｔｓ，２００３． ＿ ［４］ Ｙｉｌｍａｚ Ａ，ｅｔ ａ１．Ｃｏｎｔｏｕｒ—ｂａｓｅｄ ｏｂｊｅｃｔ ｔｒａｃｋｉｎｇ ｗｉｔｈ ｏｃｃｌｕ— ｓｉｏｎ ｈａｎｄｉｎｇ ｉｎ ｖｉｄｅｏ ａｃｑｕｉｒｅｄ ｕｓｉｎｇ ｍｏｂｉｌｅ ｃａｍｅｒａｓ．ＩＥＥＥ Ｔｒａｎｓ．Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００４，２６ （１１）： ［５］Ｌｏｙ Ｇ，ｅｔ ａ１．Ｆａｓｔ ｒａｄｉｌａ ｓｙｍｍｅｔｒｙ ｆｏｒ ｄｅｔｅｃｔｉｎｇ ｐｏｉｎｔｓ ｏｆ ｉｎｔｅｒｅｓｔ．ＩＥＥＥ Ｔｒａｎｓ．Ｐａｔｔｅｒｎ ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉ— ｇｅｎｃｅ，２００３，２５（８）：９５９． ［６］Ｌｏｙ Ｇ，ｅｔ ａ１．Ｆａｓｔ ｓｈａｐｅ—ｂａｓｅｄ ｒｏａｄ ｓｉｇｎ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ａ ｄｒｉｖｅｒ ａｓｓｉｓｔａｎｃｅ ｓｙｓｔｅｍ．Ｉｎ：Ｐｒｏｃ ｏｆ Ｉｎｔｅｒ．Ｃｏｎｆ．ｏｎ Ｉｎｔｅｌｌｉ— ｇｅｎｔ Ｒｏｂｏｔｓ ａｎｄ Ｓｙｓｔｅｍｓ（ＩＲＯＳ），２００４． ［７］ 吴吴．遥感图像中飞机目标智能识别技术研究．长沙：国 防科学技术大学电子科学与工程学院硕士论文，２０００． （ （ｈ） ［８］ 马时平，等．基于图像匹配技术的飞机识别，计算机工 图５本文方法对８幅真实遥感图像的飞机检测结果 程，２００４，３０（５）：１５９． 图（ａ）（ｂ）（ｃ）（ｄ）（ｅ）（ｆ）（ｇ）（ｈ）分别表示图Ｂｌｏｃｋ０１、Ｂｌｃｏｋ０２、 ［９］李迎春，等．基于矩不变的飞机识别算法．２００２，２０（３）：１５． Ｂｌｏｃｋ０３ Ｂｌｏｃｋ０４、Ｂｌｏｃｋ０５、Ｂｌｏｃｋ０６ ＢｌｏｃｋＯ７、Ｂｌｃｏｋ０８ ［１０］程咏梅，等．计算机智能图像识别算法研究．２００４，２４ 的检测结果图像（具体参数设置见表２） （２）：６５． 该方法值得进一步研究的问题是参数的确定，即圆周半 ［１１］章毓晋．图像分割．北京：科学出版社，２００１． 径ｒ，圆周上取点个数Ⅳ，提取飞机中心候选点时的阈值比例 作者简介 ，区域生长中邻域半径 ・ｒ的自适应选择。尤其对圆周半 蔡红苹，１９８０年生，现为国防科学技术大学电子科学与 径ｒ的选择最为关键，当图像中有各种大小的飞机时，显然采 工程学院在读博士，主要从事遥感图像目标识别、形状匹配、 用固定的一个半径不能检测出所有的飞机，因此可以考虑采 不变特征研究。
