高分辨率衛(wèi)星圖像的獲得使得地面目標(biāo)的精確定位成為可能。從高分辨率衛(wèi)星圖像中高效、準(zhǔn)確地定位描述橋梁目標(biāo)具有重要的應(yīng)用價值。國內(nèi)外已有許多學(xué)者對遙感影像中橋梁目標(biāo)的識別定位方法進(jìn)行了相關(guān)研究。以往大部分研究都是對橋梁水上部分的檢測方法進(jìn)行研究,檢測到的結(jié)果是位于水上的那部分橋梁片段，對橋梁的定位可能存在較大偏差[1-6]。也有研究人員提出先基于水域做目標(biāo)粗檢測，在檢測結(jié)果中心設(shè)定窗口，在窗口內(nèi)對橋梁進(jìn)行精檢。此類方法考慮到了除水上橋梁部分的橋體[7-11],但當(dāng)河流處于枯水期時，水上橋梁部分面積比較小，使用提取水域部分的橋梁檢測方法檢測誤差較大。此種情況下，窗口檢測也存在問題：(1)水上橋梁部分小，自動檢測中窗口往往偏小，專家指導(dǎo)下放大檢測窗口又會引入干擾產(chǎn)生誤檢，由于河岸環(huán)境復(fù)雜，橋體與背景環(huán)境的對比度不大，增加了干擾噪聲；(2)橋梁與道路相連，特征一致，使得以往檢測中對橋梁范圍的界定很模糊，橋梁檢測結(jié)果受檢測窗口大小的影響嚴(yán)重； (3)當(dāng)水上橋梁下方存在湖心島時應(yīng)用以往方法橋梁目標(biāo)容易被錯檢。

   針對以上問題，本文提出基于環(huán)境要素提取的高分辨遙感圖像中枯水期水上橋梁目標(biāo)的定位方法，結(jié)合水域、橋體、陰影等環(huán)境要素的聯(lián)合特征提取和知識規(guī)則驗證，引入橋梁陰影特征，通過陰影與目標(biāo)的相互驗證輔助橋梁目標(biāo)的檢測，提高了定位檢測精度。
1 橋梁目標(biāo)定位系統(tǒng)框架
    通過對高分辨率可見光遙感圖像的分析得到水上橋梁目標(biāo)的一般知識特征模型：
    (1) 橋梁的灰度和河流兩岸陸地的灰度十分接近，灰度值較高，與橋梁相比，河流的面積比較大，被橋梁分離，灰度值較低。
    (2) 橋梁幾何外形一般是長矩形，橋梁邊緣線表現(xiàn)為兩條近乎平行的直線段。
    (3) 橋梁的兩側(cè)是水域，顯然橋梁的邊緣線是水域邊沿的一部分。因此若對分割出的水域進(jìn)行邊緣提取，所得到的邊緣是由橋梁線和河岸線組成的。
    (4) 橋梁的長度相對于寬度而言較長。
    (5) 橋梁橫跨在河流上，即橋身縱向為水域，將河流分割成兩個平均灰度相近的水域，橫向延伸到陸地上，橋梁兩端與等寬度的道路相連。
    本文給出的橋梁定位算法在自上而下知識驅(qū)動下，結(jié)合橋梁相關(guān)的環(huán)境要素的聯(lián)合特征提取和知識規(guī)則驗證，經(jīng)過目標(biāo)檢測、目標(biāo)定位和描述過程精確定位描述目標(biāo)。算法引入橋梁陰影特征約束準(zhǔn)則，通過陰影與目標(biāo)的相互驗證來輔助橋梁目標(biāo)的檢測。通過目標(biāo)檢測過程在全圖中檢測候選橋梁像素點，鎖定存在橋梁的潛在區(qū)域，在通過目標(biāo)定位及描述過程提取特征驗證檢測結(jié)果，提高檢測精度，并且對目標(biāo)進(jìn)行定位和描述。算法流程圖如圖1所示。

2 目標(biāo)探測、目標(biāo)定位描述
    如圖1所示，依據(jù)前面分析得到的橋梁知識特征，目標(biāo)探測過程首先提取水域。河流灰度值較低，表現(xiàn)為暗色，而且灰度一致性好，采用閾值分割可以將目標(biāo)和背景分離。水體初步分割之后利用數(shù)學(xué)形態(tài)學(xué)運算去除小的噪聲點，并對初檢水體做標(biāo)記。由于河流區(qū)域表現(xiàn)為大連通區(qū)域，設(shè)定面積閾值確定河流區(qū)域。利用區(qū)域跟蹤算法提取河流區(qū)域的外邊界。由橋梁知識模型(3)可知，此邊界由河岸線和橋梁邊緣線組成。
　根據(jù)橋梁知識模型，各個水體區(qū)域被橋梁以確定橋?qū)捑嚯x分隔開，計算兩兩水域外邊界點（WaterEdge_m，WaterEdge_n）之間的距離dmn，并設(shè)定最大橋?qū)扺th。
　    dmn<Wth                 (1)
分別記錄滿足式(1)的兩水域的外邊界點，這組點集為潛在橋梁的兩條邊界上的點。以此為中心確定候選橋梁區(qū)域。在候選區(qū)域內(nèi)對潛在橋梁的兩條邊界上的點做直線擬合分別得到橋梁的兩條邊緣線(Edge1和Edge2)。提取下面特征根據(jù)知識規(guī)則驗證橋梁目標(biāo)真?zhèn)?，對真實的橋梁目?biāo)給出定量描述。滿足以下兩條準(zhǔn)則的目標(biāo)為真目標(biāo)，否則為假目標(biāo)。

3 陰影特征約束
    由于光學(xué)遙感圖像都是采用中心投影，在成像時衛(wèi)星傳感器處于被測地區(qū)的正上方，傳感器與星下點之間的連線和太陽光線的入射角呈一定交角。通常情況下，地面有高程的目標(biāo)都存在陰影。在衛(wèi)星遠(yuǎn)距離垂直成像中橋梁目標(biāo)大體表現(xiàn)為直線特征或者長矩形區(qū)域。在以往的建筑物目標(biāo)識別中，目標(biāo)分布相對密集，目標(biāo)陰影間相互遮擋不利于目標(biāo)的識別，需要想辦法去除陰影，但橋梁目標(biāo)一般位于水域之上，很少存在遮擋。陰影表現(xiàn)為與橋梁相平行的條帶區(qū)域，因此，當(dāng)河流處于枯水期橋梁實際長度和它的陰影長度幾近相等。根據(jù) &ldquo;四色原理&rdquo;[12]，陰影區(qū)域是灰度均值最小的類別。在高分辨率可見光圖像中，陰影區(qū)域有很好的灰度一致性，這使得橋梁陰影區(qū)域的提取成為可能。因此本文建議在橋梁特征驗證過程中，提取橋梁陰影，輔助橋梁目標(biāo)的精確定位和描述。
    橋梁陰影特征提取流程圖如圖2所示。這里規(guī)定橋梁與其陰影的所屬關(guān)系判定原則：

    (1) 陰影的長度大于上面檢測到的橋梁的長度；
    (2)陰影的長軸與上面檢測到的橋梁的主軸幾乎平行，夾角小于10&deg;；
    (3) 上面檢測到的橋梁的中心到其陰影的距離小于2倍橋?qū)挕?br/>     滿足以上原則的認(rèn)為是某陰影為橋梁的陰影，所屬關(guān)系判斷完成。提取其陰影特征輔助校正對應(yīng)橋梁目標(biāo)的定位描述，包括橋長、橋?qū)?、橋梁中心位置和橋梁方位?br/>     根據(jù)陰影特征修正橋梁。分別提取陰影區(qū)的邊界及橋梁兩邊緣線，進(jìn)行Hough變換，在垂直于橋梁方位角方向?qū)ふ谊幱皡^(qū)的邊界點投票數(shù)等于1的位置，這些位置對應(yīng)橋梁兩邊緣線上的點集A和B，分別求取點集A和B內(nèi)距離最大的兩點，這兩點被認(rèn)為是橋梁邊緣線的端點，由此得到修正后的橋梁的兩條邊緣線段。
4 實驗結(jié)果
    實驗一 如圖3所示圖像為可見光遙感圖像。經(jīng)閾值分割，數(shù)學(xué)形態(tài)學(xué)處理和連通區(qū)域標(biāo)記得到初步水域分割結(jié)果如4(a)，根據(jù)水域面積閾值去除小面積非水域區(qū)域完成水域提取，如圖4(b)三個水域區(qū)域及其外邊界線，圖4(c)為直線擬合得到的橋梁邊緣線。盡管此圖中河流并非出于枯水期，但經(jīng)過陰影特征約束也進(jìn)一步修正的定位結(jié)果。具體定位數(shù)據(jù)如表1所示，Img1_Bn_Initial是第n個橋梁的初檢結(jié)果， Img1_Bn_True是第n個橋梁的真實數(shù)據(jù)，Img1_Bn_SC是利用本文方法檢測到的第n個橋梁的定位結(jié)果。

    實驗二 數(shù)據(jù)來源于GOOGLE EARTH可見光圖像，如圖5(a)。圖中有兩座水上橋梁，兩座橋梁與同一道路相連而且方位夾角不大，幾乎在一條直線上。傳統(tǒng)的依靠橋梁邊緣線特征的檢測方法很難正確界定兩座橋梁的范圍，窗口選擇過大時甚至可能將其判定為一個橋梁目標(biāo)。此外，河水處于枯水期，水上橋梁部分面積小，以往檢測誤差大。本文的檢測方法處理這類情況優(yōu)勢明顯。圖5(b)為初檢結(jié)果；陰影區(qū)域提取如圖5(c)，對陰影區(qū)域進(jìn)行標(biāo)記，并與橋梁進(jìn)行所屬關(guān)系判定；圖5(d)是修正后的橋梁提取結(jié)果。定位描述具體數(shù)據(jù)如表1。本文方法得到的目標(biāo)描述參數(shù)更接近目標(biāo)實際參數(shù)，定位精度得到提高。

    實驗三 如圖6所示的遙感圖像三中水上橋梁下方存在湖心島，在以往的檢測方法中容易被誤認(rèn)為是兩座橋梁。按照本文檢測方法可以正確定位,定位結(jié)果如表1中所示。

    本文針對以往水上橋梁檢測精度不高，尤其當(dāng)河水處于枯水期時檢測結(jié)果依賴檢測窗口的選擇，以及水上橋梁下方存在湖心島時橋梁容易被錯檢等問題，提出基于環(huán)境要素提取的高分辨遙感圖像中枯水期水上橋梁目標(biāo)的定位方法。本文方法通過提取與目標(biāo)密切相關(guān)的環(huán)境要素，在橋梁知識模型指導(dǎo)下，經(jīng)過目標(biāo)檢測、目標(biāo)定位和描述過程精確定位描述目標(biāo)。算法引入橋梁陰影特征約束準(zhǔn)則，通過陰影與目標(biāo)的相互驗證輔助橋梁目標(biāo)的檢測，提高檢測精度，并且對目標(biāo)進(jìn)行定位和描述。以實際高分辨率遙感圖像為例，實驗驗證了本文方法的有效性和優(yōu)越性。
參考文獻(xiàn)
[1] Wu Fan, Wang Cha, Zhang Hong. Recognition of bridges by integrating satellite SAR and optical imagery[C]. IEEE 2005.IEEE International Conference on integration Technology.2007:3939-3941.
[2] Ma Zhenli,Wang Huibin. A knowledge-based target recognition method for remote sensing image[C]. 2007.
[3] CHAUDHURI D, SAMAL A. An automatic bridge detection technique for multispectral images[J]. IEEE Transaction on Geoscience and Remote Sensing, 2008,46(9):2720-2727.
[4] SOERGEL U. Feature extraction and visualization of Bridges over water from high-resolution InSAR data and one  orthophoto[J]. IEEE Journal of Selected Topics in Applied  Earth Observations and Remote Sensing,2008,1(2):147-153.
[5] Chen Aijun. Novel approach for recognizing bridges over water in large remote sensing images[C]. international symposium on computional intelligence and design.2008:48-51.
[6] Zhang Yongmei. A novel recognition approach based on multi-agent[C]. 2010 International Conference on Digital Manufacturing & Automation. 2010: 92-95.
[7] 陳愛軍.典型人造目標(biāo)自動識別算法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué),2008.
[8] 吳樊,王超,張紅等. 基于知識的中高分辨率光學(xué)衛(wèi)星遙感影像橋梁目標(biāo)識別研究[J].電子與信息學(xué)報,2006,28(4):587-591.
[9] Fu Yili . Recognition of bridge over water in high-resolution remote sensing images[C]. 2009 World Congress on computer science and information engineering,2009:621-625.
[10] 周小成,汪小欽,駱劍承，等.基于對象關(guān)系特征的高分辨率光學(xué)衛(wèi)星影像水上橋梁目標(biāo)識別方法[J].遙感應(yīng)用,2010(2):36-42.
[11] 薄麗萍.橋梁目標(biāo)識別的研究與實現(xiàn)[D].太原:中北大學(xué),2010.
[12] PAPPAS T N. An adaptive clustering algorithm for image segmentation[J]. IEEE Transaction on Signal Processing. 1992,40(4):901-914.