论文部分内容阅读
本文主要研究了红外图像中铁轨的提取方法,以铁轨在红外图像中的先验知识为指导,根据图像理解的一般步骤进行铁轨的识别。通过低层处理提取铁轨的目标区域和边缘,并对提取的目标区域进行细化,最终得到了基于铁轨形状和位置的曲线。中层处理是对曲线段进行连接,提取线基元,主要是对低层处理得到的曲线进行描述。高层处理主要是基于先验知识对曲线特征进行筛选,提取铁轨。本文在各个处理层次中用不同的算法对图像处理,并根据先验知识进行了相应的改进,并且主要分析和采用了不同的图像分割算法来提取铁轨的区域或者边缘。閾值法用于铁轨区域的分割。在红外图像中铁轨区域表现为低灰度的暗条纹,同时存在着大量的高亮度的背景区域和灰度值与铁轨相近的低亮度的背景区域,因此直接采用閾值化的方法进行铁轨区域的提取实现的可能性很小,而且铁轨本身的灰度也有一定的间隔,为了克服这些影响较为完整的提取到铁轨,本文采用了这样的解决问题的方法：(1)根据观察,图像的信息主要集中在2／3高度以下部分,而以上的部分是高亮度的背景区域,因此选择下面2／3部分作为处理的对象。(2)采用先提取铁路区域,再提取铁轨的区域的策略。(3)同时采用另一种基于模板的铁轨搜索方法,采用由粗到细策略进行铁轨的搜索。该方法不是基于全局的处理,因此可以减少背景的影响,将铁轨的灰度特征和形状特征结合,采用模板通过设定相应的相似性度量函数对铁轨逐段提取,最终得到的目标区域比较简单。基于边缘提取的铁轨分割。本文对比分析了各种边缘提取算法对铁轨图像检测效果。将铁轨横截面的分布看作是有一定宽度的屋脊边缘,采用改进的Duda算子提取了较为完整的铁轨中心线,同时通过非极大抑制和双阈值法进行边缘的确定,提取的铁轨中心线较为完整,提取的杂散边缘很少。中层处理中首先进行了了曲线段的连接,并采用了基于Freeman链码表示的曲线段符号的描述,高层的铁轨目标识别正是基于这些线基元的特征进行的判断,并最终以铁轨提取段数为基本度量单位的铁轨目标提取性能的评价指标,经实验分析得到采用Duda算子能较好的提取铁轨目标,识别的准确率高。