毕业设计论文PPT答辩-遥感图像中机场跑道检测算法的研究与实现.ppt

“第二届维纳恩湖业主垂钓大赛“活动方案4S店开业庆典活动总结8D团队导向解决问题方法GSM网规网优专题培训教材-覆盖问题处理K线顶部双烛定式信号 本次演示安排 第一章.课题研究背景及意义及本文所做的工作 第二章.图像预处理部分 第三章.霍夫变换部分及测试 第四章.遥感图像中机场跑道检测算法 第五章.算法的改进方向 第一章.课题研究背景及意义 利用卫星或者飞机等所拍摄的照片监视或者侦查地面目标，以其不受地域的限制，一直是获取有关信息的重要手段，已经被应用于国防和国民经济建设的许多领域之中。 遥感图像辅助目标识别的开发从20世纪70年代开始一直是许多学者的兴趣所在，机场目标识别是其中的一个分支，而对机场跑道的检测则是整个机场目标识别的基础，能否准确得检测出跑道目标无论是对遥感图像的计算机辅助判读还是GIS信息的更新以及战场打击效果的评估都有重要的意义。 遥感图像中的机场俯瞰图 图片来自于Google Earth 图为台湾新竹军事基地 本文所做的工作 图像预处理方面本文主要做了图像灰度花，二值化，边缘检测，就不同的边缘检测算子进行了测试。 在进行上面的图像预处理之后，对所得结果进行霍夫转换，霍夫转换后进行平行检测这几种工作，最终通过对几幅飞机场俯瞰图进行跑道检测。 结合最终算法测试结果，分析了霍夫变换的优缺点并给出了改进方向。 第二章.图像预处理部分2.1图像灰度化 遥感图像拍摄下来是全彩色的，第一步需要进行图像灰度化。 由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。 　f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)) 图像灰度化处理效果 图为台湾花莲军事基地 转换后的灰度图片 二.图像预处理2.2灰度图像二值化 霍夫变换中用到的图片需要是二值图像，在上一步得到灰度图之后，我们需要对图像进行二值化。 图像二值化若仅仅使用固定全局阀值进行分割则效果不好，会丢失信息。因此本文使用迭代阀值分割法进行二值化。 本文算法在边缘检测之后才用到二值化，因此二值化结果在边缘检测后结合边缘检测算子给出。 第二章.图像预处理2.3边缘检测算子 图像边缘包含了机场图像的绝大部分的有用信息，成功检测出机场跑道的边缘就成功了一半，因此边缘检测算子也是本文的研究重点之一。 由于机场的方向性，因此本文只讨论了各向同性的边缘检测算子。 本文讨论并测试的三种算子包括： 一阶微分检测算子：Robert算子，Sobel算子 二阶微分检测算子：Laplace算子 无方向一阶锐化 —— Roberts算子 计算公式如下： 特点：算法简单,时间复杂度低，但是边缘较细 无方向一阶锐化 —— Sobel算子 Sobel算子的计算公式如下： 特点：锐化的边缘信息较强 Sobel相比之Robert算子加入了加权局部平均，不仅能检测图像的边缘而且能进一步抑制噪声的影响，但是也由于进行加权局部平均，它得到的边缘较粗，在飞机跑道检测的方面来说，需要获取的边缘有一定宽度，因此该算子更适用。 无方向二阶锐化 —— Laplace算子 拉普拉斯算子(Laplace)算子是一种常用的边缘检测二阶微分算子 计算公式： 本文使用的模板： 传统Laplace算子模板 三种边缘检测算子测试及结论 图为台湾新竹空军基地 图片来自于Google Earth Robert算子检测结果 Sobel算子检测结果 Laplace算子检测结果 关于边缘检测算子的结论 通过对上面检测效果图的对比以及以往的研究可以得出以下几个结论： （1）一阶微分算子通常会产生比较宽的边缘，这个宽是相对比于二阶微分算子的，在上面三图中可看出，虽然Laplace算子的检测效果图略显庞杂，但是其边缘和sobel算子，Robert算子相比是更细的。 （2）二阶微分处理对细节有较强的响应，如细线和孤立点。这一点在Laplace检测图上有明显的表示，大量的细节被标志出来，而在一阶微分检测图中就没有。 （3）二阶微分处理形成的增强细节比一阶微分多很多，这一点并不利于我们进行飞机跑道的边缘检测，我们需要提取的边缘很直接就是飞机主跑道，形成太多的细节对于后续的操作有不利影响，因此本算法选用一阶微分算子进行边缘检测。 结合图像二值化进行边缘检测 前面一节已经确定了使用一节微分算子来作为本文算法的检测算子，但是使用哪一种一节微分算子呢？这要结合实际试验来确定。 这次使用的图片仍然是台湾新竹军事基地。 Robert-二值化处理 Sobel-二值化处理 边缘检测结论 结论：从上面的对比图来看，使用Sobel算子处理过的最终图片边缘清晰