CN101126811A - 一种从sar图像上探测湖岸线及提取湖泊轮廓的方法 - Google Patents

Abstract

本发明公开了一种从合成孔径雷达遥感图像上探测湖岸线与提取湖泊轮廓方法。它包括以下步骤：首先对获得的合成孔径雷达遥感图像利用全方向自适应动态窗口滤波器进行斑点噪声抑制，再利用边缘和噪声的奇异性在二进小波变换中随尺度变化具有不同的传播规律来检测边缘点，而后利用传统轮廓跟踪方法连接边缘点，最后利用基于梯度矢量流的主动轮廓模型拟合湖泊轮廓。该方法可以有效的消除SAR图像中存在的斑点噪声对水陆边界提取的影响，准确地探测湖岸线，并最终获得湖泊的轮廓形状。

Description

一种从SAR图像上探测湖岸线及提取湖泊轮廓的方法

技术领域

本发明涉及一种从SAR图像上探测湖岸线及提取湖泊轮廓的方法，属于合成孔径雷达(SAR)遥感图像处理与应用技术领域。

背景技术

在地图绘制、洪涝灾害监测、湖岸变迁及湖泊演变的研究中，湖岸线的探测并获得湖泊轮廓形状是必不可少的一个步骤。合成孔径雷达(SAR)遥感图像探测地表环境具有全天时、全天候的独特优点，而且对水陆边界非常敏感，当前已经被广泛的应用于对地观测的许多领域。利用合成孔径雷达(SAR)遥感图像进行湖岸线探测是一个较好的方法手段。因为，水体对雷达波的反射几乎为零，在图像上表现为灰度值很小的区域，而陆地对雷达波的反射回波功率较大，在图像上灰度值也较大，因此，湖岸线在强度图像上反映为阶跃状边缘。所以，SAR图像中湖岸线的提取可以等价为图像中阶跃边缘的提取。

若在普通光学影像上，使用检测阶跃型边缘的方法就可以探测出湖岸线。但是，由于雷达成像的特殊性，每一个地表单元内部都包含了很多随机分布的散射点，这一单元的总的回波是各散射点回波的相干叠加。这样，具有相同后向散射截面的两个相邻观测单元，如果在细微特征上有差异，它们的回波信号就不会相同，因此，本来同质的区域，像元间会出现亮度的变化。这就是雷达图像所固有的斑点噪声。由于大量斑点噪声的存在，使得在雷达图像中准确的提取边缘变得困难。就SAR图像湖岸线探测而言，除斑点噪声的影响外，传统的边缘点跟踪与连接算法，很难应用于有较大噪声干扰的图像，尤其是较为复杂的边缘，而湖岸线一般曲折较多，使用传统方法不能将边缘较好的连接起来形成湖泊轮廓。

本发明的目的就是针对上述两个难点，提出一种从SAR图像上探测湖岸线及提取湖泊轮廓的方法，采用基于小波变换检测边缘点，并结合基于梯度矢量流的主动轮廓模型来拟合湖岸线。可有效地消除SAR图像中存在的斑点噪声对水陆边界提取的影响，从而准确的探测湖岸线，并最终获得湖泊的轮廓形状的方法。

发明内容

本发明的目的是通过以下技术方案实现的：

一种从SAR图像上探测湖岸线及提取湖泊轮廓的方法，它包括如下步骤：

(1)采用全方向自适应动态窗口滤波器进行斑点噪声抑制；

(2)基于二进小波检测边缘点，将斑点噪声看成乘以随机权重的冲激函数，利用冲激函数和阶跃型边缘的奇异性在小波变换中随尺度变化的不同变化规律将噪声点和边缘点分开；

(3)采用传统轮廓跟踪方法进行边缘连线；

(4)基于步骤(3)生成的轮廓，利用基于梯度矢量流主动轮廓模型(GVF ACM)对边缘探测图像进行形状自动拟合，得到湖泊轮廓。

所述的步骤(1)中，采用全方向自适应动态窗口滤波器进行斑点噪声抑制；

所述的步骤(2)中，利用小波变换的结果，计算每一层变换的模值和辐角。使用模值图和辐角图来检测局部极大值。如果一个点在每一层小波变换上的模值都是局部极大值，则该点是真正的边缘点；如果经过几次变换以后一个模值本来为局部极大值的点，模值变为0，则认为是噪声，不是边缘。利用这一空间一致性约束条件，将斑点噪声和阶跃型边缘区分开，提取出真正的边缘点。

所述的步骤(4)中，湖泊的初始轮廓基于步骤(3)生成的轮廓粗略描绘而得。

本发明优点是：

1)可以有效的消除SAR图像中存在的斑点噪声对边缘提取的影响，即可以应用于噪声污染比较严重的图像中，准确地探测湖岸线；

2)可以提取曲折多变，凹陷较深的湖泊岸边线，获得湖泊轮廓形状；

3)自动化程度高，速度快，效率高。

附图说明

图1为本发明湖岸线探测与轮廓跟踪处理流程图；

图2为本发明全方向自适应动态窗口滤波算法处理流程图；

图3为传统的轮廓跟踪示意图；

图4为某区湖泊湖岸线探测与轮廓提取结果图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细描述。如图1所示，本发明的技术方案是：

(1)首先，为实现在任何方向上搜寻存在纹理或边缘迹向的区域(表现为邻域相对标准差较大)，以便在进行后续处理时予以保护，对获得的SAR图像进行全方向自适应动态窗口滤波以抑制斑点噪声。滤波过程中采用初始大小为N×N的移动窗口处理图像的每一像素，具体操作过程如图2所示，其工作过程为：

①计算初始大窗口内全方向各子窗口w_l中像素的平均值

及相对于中心像素灰度值的相对标准差c_l；

②计算大窗口区域的均值、标准差和相对标准差C_x；

③若C_x≤C_u，在大窗口区域内进行Kuan滤波；否则，剔除大窗口区域内c_l最大的那个子窗口，并假设剩下的所有邻域子窗口为均匀区域，返回(2)，继续；

④若所有子窗口均被剔除，则缩小窗口尺寸(N＝N-2)。若N＞3，则返回(1)；

⑤若窗口尺寸已缩小到3×3，表示该区存在严重的斑点噪声或边缘信息，则用3×3方向溶解算子处理。

该步处理可以较好的抑制SAR图像斑点噪声，同时，最大程度地保留图像中的边缘信息。

(2)其次，基于二进小波变换检测湖岸线边缘点，其具体执行过程分步详述如下。

①对原始图像做N(N≥3)个尺度的小波变换。

②利用小波变换的结果，计算每一层变换的模值和辐角。利用模值图和辐角图来检测局部极大值。需注意：计算辐角时，将辐角分为4个方向：水平方向、45°方向、竖直方向和135°方向。沿辐角方向检测局部极大值。第1层小波变换的边缘点较多，之后，随着层数的增加，噪声点的模值很快小于所设阈值，被置为0，不再出现在局部极大值点图像中。因此随着尺度的增加，边缘点越来越少。

③利用空间一致性条件，选取变换的公共边缘点，由于噪声点在中间层上被抑制，所以可以得到真正的阶跃型边缘点。通过这样的处理，SAR图像中的斑点噪声对边缘提取的影响被消除。所得到的边缘点基本上属于真正的阶跃边缘点。

(3)然后，在完成边缘检测的基础上，对检测出的边缘点按照一定的准则进行跟踪，进一步将边缘点连接成轮廓线，跟踪如图3所示。其执行具体按如下方式：

首先，找到最左下方的边缘点，以这个边缘点为起始点，假设已经沿顺时针方向环绕整个图像一圈找到了所有边缘点，由于边缘是连续的，所以每一个边缘点都可以用这个边缘点对前一个边缘点张开的角度来表示。因此，可以使用下面的跟踪准则：从第一个边缘点开始，定义初始的搜索方向为沿左上方；如果左上方的点是黑点，则为边缘点，否则搜索方向顺时针旋转45度。这样一直到找到第一个黑点为止。然后把这个黑点作为新的边缘点，在当前搜索方向的基础上逆时针旋转90度，用同样的方法继续搜索下一个黑点，直到返回最初的边缘点为止。

上述过程为传统的轮廓提取方法，存在以下问题：

①在边缘检测时，易受局部噪声影响而产生虚假边缘，或者是不连续的间断边缘；

②基于底层信息的轮廓跟踪，一方面对二值化过程的依赖性比较大；另一方面，对于间断的边缘，使用上述简单方法将会跟踪失败。因此，上述过程无法保证分割或者提取的结果就是连续光滑的闭合轮廓。

(4)最后，基于步骤(3)生成的轮廓，利用基于梯度矢量流主动轮廓模型(GVF ACM)对已经检测出的边缘点进行拟合，得到湖岸线轮廓并将湖岸线轮廓与原图合成。该算法原理与执行过程如下：

主动轮廓模型是在图像力和外部约束力作用下移动的变形轮廓线。可以从力平衡的角度对主动轮廓线模型的工作机制进行解释：Snake轮廓曲线在外力F_ext的吸引下不断地向真实目标轮廓移动；内力F_int在保持对Snake形状约束的同时，随着Snake轮廓曲线的移动而变化，最终内外力之和为零达到平衡状态。此时，Snake轮廓曲线就停留在真实的目标轮廓上，完成提取目标轮廓的任务。

其数学描述如下：用 $\stackrel{\→}{X}\left(s\right)=\[x\left(s\right),y\left(s\right)\]$ 表示轮廓s∈[0，1]。当

变化到使能量函数E为： $\underset{0}{\overset{1}{\∫}}0.5\left(\mathrm{\α}\right|{\stackrel{\→}{X}}^{\′}\left(s\right){|}^2+\mathrm{\β}\left|{\stackrel{\→}{X}}^{\′\′}\left(s\right){|}^2\right)+E_{\mathrm{ext}}\left(\stackrel{\→}{X}\left(s\right)\right)\mathrm{ds}$ 达到最小值时，

就是检测出的边缘。α，β是控制模型张力和弹力的权重。要做到能量最小，模型必须满足：

$\mathrm{\α}{\stackrel{\→}{X}}^{\′\′}\left(s\right)-\mathrm{\β}{\stackrel{\→}{X}}^{\′\′\′}\left(s\right)-\▿E_{\mathrm{ext}}=0$

这时也可以看成内力与外力达到平衡：

${\stackrel{\→}{F}}_{\mathrm{int}}+{\stackrel{\→}{F}}_{\mathrm{ext}}=0$

其中，内力是 ${\stackrel{\→}{F}}_{\mathrm{int}}=\mathrm{\α}{\stackrel{\→}{X}}^{\′\′}\left(s\right)-\mathrm{\β}{\stackrel{\→}{X}}^{\′\′\′}\left(s\right),$ 外力是 ${\stackrel{\→}{F}}_{\mathrm{ext}}=\▿E_{\mathrm{ext}}.$ 基于梯度矢量流的主动轮廓模型就是将外力定义为矢量场(GVF)：

$\stackrel{\→}{V}(x,y)=(u(x,y),v(x,y))$

能使能量函数ε：

$\∫\∫\mathrm{\μ}(u_x^2+u_y^2+v_x^2+v_y^2)+{{|\▿f|}^2|\stackrel{\→}{V}-\▿f|}^2\mathrm{dxdy}$ 达到最小值。将看成一个与t有关的函数，

可以由下式求得：

u_t(x，y，t)＝μ²u(x，y，t)-b(x，y)u(x，y，t)

            +c¹(x，y)

v_t(x，y，t)＝μ²v(x，y，t)-b(x，y)v(xc，y，t)

            +c²(x，y)

其中：

b(x，y)＝f_x(x，y)²+f_y(x，y)²

c¹(x，y)＝b(x，y)f_x(x，y)

c²(x，y)＝b(x，y)f_y(x，y)

为了用迭代计算梯度矢量流，用Δx，Δy代表像素间的增减，用Δt代表每一次迭代的时间轴增减。可以用下面公式计算梯度矢量流：

$u_{i,j}^{n+1}=(1-b_{i,j}\mathrm{\Δt})u_{i,j}^n+r(u_{i+1,j}^n+u_{i,j+1}^n+$

$u_{i-1,j}^n+u_{i,j-1}^n-4u_{i,j}^n)+c_{i,j}^1\mathrm{\Δt}$

$v_{i,j}^{n+1}=(1-b_{i,j}\mathrm{\Δt})v_{i,j}^n+r(v_{i+1,j}^n+v_{i,j+1}^n+$

$v_{i-1,j}^n+v_{i,j-1}^n-4v_{i,j}^n)+c_{i,j}^2\mathrm{\Δt}$

为了使这个迭代收敛，必须满足条件：

$\mathrm{\Δt}\≤\frac{\mathrm{\Δx\Δy}}{4\mathrm{\μ}}$

这样计算出梯度矢量流之后，就可以求出边界

图4为某地区湖泊的SAR图像上湖岸线探测与轮廓跟踪提取后与原图合成的影像。可以看出，使用本发明方法很好地探测出了湖岸线，获得了湖泊的轮廓形状，可以取得令人满意的结果。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明，但不以任何方式限制本发明。因此，尽管本说明书参照附图和实施方式对本发明已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和技术实质的技术方案及其改进，其均应涵盖在本发明专利的保护范围当中。

Claims (2)

1.一种从SAR图像上探测湖岸线及提取湖泊轮廓的方法，其特征在于包括如下步骤：

(1)采用全方向自适应动态窗口滤波器进行斑点噪声抑制；

(2)基于二进小波检测边缘点；

(3)采用传统轮廓跟踪方法进行边缘连线；

(4)利用基于梯度矢量流主动轮廓模型(GVF ACM)对边缘探测图像进行形状自动拟合，得到湖泊轮廓。

2.根据权利要求1所述的一种从SAR图像上探测湖岸线及提取湖泊轮廓的方法，其特征在于：

所述的步骤(1)中，采用全方向自适应动态窗口滤波器进行斑点噪声抑制，以最大程度保护各种方向可能存在的边缘点，同时，有效消减斑点噪声的对后续处理的不利影响；

所述的步骤(2)中，利用小波变换的结果，计算每一层变换的模值和辐角，使用模值图和辐角图来检测局部极大值。如果一个点在每一层小波变换上的模值都是局部极大值，则该点是真正的边缘点；如果经过几次变换以后一个模值本来为局部极大值的点，模值变为0，则认为是噪声，不是边缘。利用这一空间一致性约束条件，将斑点噪声和阶跃型边缘区分开，提取出真正的边缘点。

所述的步骤(4)中，湖泊的初始轮廓基于步骤(3)生成的轮廓粗略描绘而得。

Images