CN101551456A - 基于改进剪切波变换的sar图像水域边缘检测方法 - Google Patents

Abstract

本发明公开一种基于改进剪切波变换的SAR图像水域边缘检测方法，针对现有传统边缘检测方法很难同时兼顾噪声抑制和对边缘准确定位等缺点，提出了一种改进的剪切波Shearlet变换，并将此改进的变换运用到SAR图像的水域边缘检测中。其实现步骤为：(1)对输入SAR图像进行平稳小波分解；(2)对平稳小波分解的系数进行各方向上的剪切滤波，得到改进Shearlet变换分解系数；(3)计算梯度图像，并对其进行非极大值抑制和双阈值选择，得到整幅图像边缘；(4)用FCM方法提取水域的边缘，对其中的断裂边缘进行连接，形成最终水域边缘并输出。本发明具有方向选择性好、边缘提取完整精确等优点，可用于SAR图像的水域边缘检测。

Description

基于改进剪切波变换的SAR图像水域边缘检测方法

技术领域

本发明属于数字图像处理领域，具体地说是一种涉及合成孔径雷达SAR图像水域边缘检测方法。

背景技术

图像边缘是图像最基本的特征之一，往往携带着图像的大部分信息，这些信息对于我们进行高层次的特征描述、识别和理解等有着重大影响。SAR图像中的水域目标在军事和民用上具有重要的意义，经常应用于目标识别、船舶导航、地图更新、灾害检测等。因此，对SAR图像水域边缘检测具有积极的意义。由于成像雷达发射的是纯相干波，因而SAR图像受到严重的相干斑噪声影响，图像的信噪比较低，给边缘检测造成了困难。

目前的水域边缘检测主要集中在海岸线和河流边缘，典型的方法有早期的基于微分算子的如Canny和Sobel算子等，这类方法虽然算法简单、速度快，但在保持边缘的连续性方面，需要更复杂的边缘后处理方法；后来发展的边界追踪法和Markovian分割法等，这些算法的速度比较慢，检测效果也不理想；蛇模型算法，由于其抗噪能力差，很难处理轮廓曲线分离或合并的情况，因此不能直接应用于边界细节复杂的SAR图像水域检测；近年来，小波变换由于其时频分析的优越性和多尺度性，也较多的应用于海岸线和河流的边缘检测。

边缘检测的不确定性表明边缘检测算子的抑噪能力和定位精度是一对矛盾，小尺度算子虽然有利于边缘定位，但对噪声极为敏感；大尺度算子虽然抑噪能力强，但边缘定位精度差，甚至会丢失某些局部细节。多尺度几何边缘检测为解决此问题的提供了有效途径，在众多的多尺度几何分析方法中，K.Guo和D.Labate发展的剪切波Shearlet变换，不仅具有小波变换的多尺度性，而且具有良好的方向信息，但是当其用于SAR水域边缘检测时，由于自身变换的限制和SAR图像中相干斑的影响，对图像中的曲线不能较完全的捕获和检测，从而影响检测效果。

发明内容

本发明的目的在于克服现有SAR图像边缘检测中，传统算法很难同时兼顾噪声抑制和对边缘准确定位的缺点和现有的Shearlet变换不能较完整捕获图像中曲线的不足，提供一种基于改进Shearlet变换的SAR图像水域边缘检测方法，以提高边缘检测的准确性和完整性。

实现本发明目的的技术方案是对传统Shearlet变换作改进并利用改进后的Shearlet变换对图像曲线较完整的捕获能力，首先对SAR图像进行多尺度改进Shearlet分解；之后通过对梯度图像在特定尺度上进行模极大值抑制并结合模糊C均值聚类方法，对图像水域边缘提取；最后，基于蛇模型最小能量准则被用于对不连续的边缘在3×3的邻域内利用边界跟踪法来进行连接，得到最终的边缘。具体实现过程如下：

(1)输入待检测的含水域SAR图像，将其转换为灰度图像；

(2)对输入灰度图像进行平稳小波分解，得到每一个尺度上的水平、垂直和斜向的平稳小波分解系数；

(3)将平稳小波分解后的每一个尺度上的水平、垂直和斜向的系数，分别用Shearlet变换中的水平、垂直和斜向剪切滤波器进行滤波，得到每个尺度上改进的Shearlet变换分解系数图像；

(4)对获得改进的Shearlet变换分解系数的图像，在设定的尺度上计算其模值图像e_ju[k]和梯度图像grad(j，k)：

$e_{j}u\left[k\right]=\sqrt{\underset{d=0}{\overset{2}{\mathrm{\Σ}}}{\left(\underset{l,j}{\mathrm{\Σ}}{\mathrm{SH}}^{\left(d\right)}u\right[j,l,k\left]\right)}^2}$

$\mathrm{grad}(j,k)=\frac{\underset{l}{\mathrm{\Σ}}{\mathrm{SH}}^{0}u[j,l,k]}{\underset{l}{\mathrm{\Σ}}{\mathrm{SH}}^{1}u[j,l,k]}$

其中j为分解层数，l为分解的方向，k∈R²(R为实数域)表示当前像素点，SH⁰为改进Shearlet变换的水平方向分解系数，SH¹为改进Shearlet变换的垂直方向分解系数，SH²为改进Shearlet变换的斜向方向分解系数；

(5)采用非极大值抑制和双阈值方法对梯度图像grad(j，k)进行边缘检测，得到整幅图像的边缘图；

(6)对转换后的灰度SAR图像进行中值滤波，并用模糊C均值方法对滤波后图像进行聚类，提取出水域边缘区域；

(7)对整幅图像的边缘图中的边缘进行选择，保留整幅图像的边缘中位于水域边缘区内的边缘并去掉长度小于5个像素的边缘，丢弃整幅图像的边缘中位于水域边缘区域外的边缘，得到SAR图像中水域的粗糙边缘；

(8)利用蛇模型能量最小化准则，通过邻域边界跟踪法在3×3的邻域内对水域的粗糙边缘进行连接；

(9)去除连接后水域边缘中长度小于15个像素的边缘，得到最终边缘并输出。本发明与现有技术相比具有如下优点：

1、本发明的变换具有超冗余性和精确的方向敏感性。

由于改进Shearlet变换增加了传统Shearlet变换的冗余性，可使每个子带中的信息相互补充，每个点的信息更完备，图像的边缘描述更加丰富完善；其次，相比于传统Shearlet变换，改进Shearlet变换后的方向性增加，而更多的方向划分有利于检测出图像中较多的几何信息，如图像中的点和线。

2、本发明的断裂边缘连接具有耗时短，效果好等特点。

蛇模型对曲线的拟合需要大量的迭代，时间耗费大，而且对于SAR图像，由于斑点噪声的影响，往往造成该算法不能收敛；邻域边界跟踪准则法简单快速，但连接效果不理想。本发明只在一个3×3的邻域内利用蛇模型能量函数准则进行边界跟踪来连接不连续边缘，继承了Snake模型和邻域跟踪的优点，且耗时短，效果好，不需要迭代。

仿真实验结果表明：本发明在对SAR图像水域边缘检测中，取得了较好的效果。

附图说明

图1是本发明的主要操作过程示意图；

图2是本发明改进Shearlet变换的分解示意图；

图3是本发明用模糊C均值聚类后提取水域边缘区域的示意图；

图4是本发明用于测试的图，其边缘已知，大小为512×512像素；

图5是本发明用于测试的真实SAR图像图，大小为256×256像素；

图6是用不同方法对图5所做的边缘检测效果对比图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1：输入待检测SAR图像，将其转换为灰度图像。

对于输入的三通道RGB图像，按照公式：灰度图像＝(9798.0R+19238.0G+3728.0B)/32768.0进行转换，其中R为RGB图像的红色分量，G为RGB图像的绿色分量，R为RGB图像的蓝色分量，得到单通道的灰度图像。

步骤2：对转换后的灰度SAR图像进行改进Shearlet变换分解，得到该图像在第j层的第l个子带位置k∈R²处的改进Shearlet变换分解系数图像。

参照图2，该步骤实施如下：

2a.对输入的SAR图像进行平稳小波分解，小波函数为“rbio1.1”，分解到第j层时，输入的粗糙图像为S_ju；

2b.对S_ju分别进行水平、垂直和斜向滤波；水平方向滤波器为(G_j，δ_j)，滤波后为V_j ⁽⁰⁾u，垂直方向滤波器为(δ_j，G_j)，滤波后为V_j ⁽¹⁾u，斜向方向滤波器为(δ_j，δ_j)，滤波后为V_j ⁽²⁾u，其中δ＝{δ_n}为Dirac滤波器，H_j为平稳小波分解的低通滤波器，G_j为平稳小波分解的高通滤波器；

2c.对V_j ⁽⁰⁾u用水平剪切滤波器W_j，l ⁽⁰⁾，V_j ⁽¹⁾u用垂直剪切滤波器W_j，l ⁽¹⁾，V_j ⁽²⁾u用斜向的剪切滤波器W_j，l ⁽²⁾进行滤波，得到改进Shearlet变换的分解系数为： ${\mathrm{SH}}^{\left(d\right)}u[j,l,k]=V_j^{\left(d\right)}u*W_{j,l}^{\left(d\right)}\left[k\right],$ 其中d＝0，1，2，j为层数，l表示方向，k∈R²，V_j ⁽⁰⁾u代表平稳小波分解后的水平方向系数矩阵，V_j ⁽¹⁾u代表平稳小波分解后的垂直方向系数矩阵，V_j ⁽²⁾u代表平稳小波分解后的斜向方向系数矩阵；W_j，l ⁽⁰⁾[k]为水平方向的剪切滤波器，W_j，l ⁽¹⁾[k]为垂直方向的剪切滤波器，W_j，l ⁽²⁾[k]为斜向方向的剪切滤波器；SH⁽⁰⁾u[j，l，k]为转换后的灰度图像在第j层、l方向、k∈R²处的改进Shearlet变换的水平分解系数，SH⁽¹⁾u[j，l，k]为转换后的灰度图像在第j层、l方向、k∈R²处的改进Shearlet变换的垂直分解系数，SH⁽²⁾u[j，l，k]为转换后的灰度图像在第j层、l方向、k∈R²处的改进Shearlet变换的斜向分解系数。

步骤3：对步骤2的改进Shearlet分解系数，在尺度j上按照如下公式计算其对应的模值图像e_ju[k]和梯度图像grad(j，k)值：

$e_{j}u\left[k\right]=\sqrt{\underset{d=0}{\overset{2}{\mathrm{\Σ}}}{\left(\underset{l,j}{\mathrm{\Σ}}{\mathrm{SH}}^{\left(d\right)}u\right[j,l,k\left]\right)}^2}$

$\mathrm{grad}(j,k)=\frac{\underset{l}{\mathrm{\Σ}}{\mathrm{SH}}^{0}u[j,l,k]}{\underset{l}{\mathrm{\Σ}}{\mathrm{SH}}^{1}u[j,l,k]}.$

步骤4：对梯度图像通过非极大值抑制和双阈值方法进行边缘检测。

4a.若梯度图像grad(j，k)中像素点(x，y)的模值e_ju[k]不小于梯度方向上相邻两个像素点的模值，则判断此像素点为可能的候选边缘点，否则不为候选边缘点，经过此操作后得到候选边缘点图像；

4b.统计候选边缘点图像中候选边缘点的数量并设定一个边缘因子p(0≤p≤1)，计算边缘因子和候选边缘点数量的乘积，乘积的结果为保留下来的候选边缘点的数量；

4c.在候选边缘点图像中把像素值从1～1024按一个单位的间隔进行划分，计算每一个单位间隔内候选边缘点图像中的像素点值位于此间隔区域内的数量，并按顺序存放在一个向量中；

4d.对4c中的向量从第一个开始累加，当累加值大于保留下来的候选边缘点值时停止累加，存储停止时向量的下标值；

4e.高阈值取4d中向量的下标值，低阈值取高阈值的0.4倍，对候选边缘图像中像素值大于高阈值的像素，将其标记为边缘点，对于候选边缘图像中像素值大于低阈值且小于高阈值，并且和边缘点相邻接的像素点，将其也标记为边缘点，得到整幅图像的边缘图；

步骤5：对转换后的灰度SAR图像进行FCM聚类，提取水域边缘的轮廓区域。

5a.通过对滤波后的图像进行分两类的模糊C均值聚类，把图像粗糙的分为水域和非水域两类；

5b.对粗糙分类后的图像，标记分类后的各个区域并建立一个邻接表来记录各区域邻接情况；

5c.对粗糙分类后水域和非水域的每个区域进行标记，并对标记后的区域像素个数进行统计，将区域内像素个数小于50的区域标记，并从邻接表中找出与其相邻的区域并统计与其相邻区域内像素点的数量；如果与其相邻区域的像素个数大于50，则把二者合并，并标记为一类；如果相邻区域像素个数小于50则不进行合并；

5d.对区域合并后图像中的各像素点进行遍历，判断每一个像素点的8邻域内其他像素点的类型，如果此像素点8邻域内存在任意一个像素点的类型和这个像素点类型不一致，则判断此像素点为水域边缘点，否则不为水域边缘点；

5e.分别将水域边缘点及其行方向上的左方、右方和列方向上的上方、下方7个像素点分别标记为水域边缘区域点；如果此水域边缘区域点行列的左右上下像素个数小于7，则水域边缘区域标记到图像边界为止，实现对水域边缘区域的提取。

步骤6：选择水域边缘。

6a.将提取出来的水域边缘区域的像素值置位1，其他像素点值置位0，得到水域边缘区域二值图；

6b.将步骤4中提取的整幅图像的边缘图与水域边缘区域二值图对应点做乘积，得到水域区域内边缘图；

6c.把水域区域内边缘图中像素值不为0的像素点置为1，其他置位0，得到二值的水域边缘图；

6d.对二值水域边缘图中所有的边缘进行长度计算，把像素点个数小于5的边缘丢弃，得到水域边缘粗糙图。

步骤7：利用蛇模型能量最小化准则，通过邻域边界跟踪法在3×3的邻域内对水域边缘粗糙图中的断裂边缘进行连接。

7a.计算蛇模型的能量函数：E_snake(s)＝λE_int(s)+(1-λ)E_ext(s)，其中λ为权系数，取值为0～1；E_int(s)＝(α(s)|v′(s)|²+β(s)|v″(s)|)/2，α(s)为像素点s∈R²处的权值α(s)＝0.6v[s]，β(s)为像素点s∈R²处的权值，β(s)＝0.4v[s]，v[s]为像素s∈R²处灰度图像的像素值，v(s)为转换后的灰度图像，v′(s)为灰度图像的一阶导数，v″(s)为灰度图像的二阶导数； $E_{\mathrm{ext}}\left(s\right)=-|\▿v{\left(s\right)}^2|;$

7b.计算水域粗糙边缘图中边缘断裂像素点s′∈R²处位于灰度图像v(s)中相应位置处的8连通区域内每个像素的能量值；

7c.计算水域粗糙边缘图中边缘断裂像素点s′∈R²处位于灰度图像v(s)中相应位置处的8连通区域内能量值最小的像素点，并将其标记为边缘点；

7d.循环执行步骤7c，直到水域粗糙边缘图中所有的断裂边缘连接为闭合边缘。

步骤8：计算水域边缘连接后图像中所有边缘的长度并存储，对长度小于15个像素点的边缘予以去除，保留长边缘并输出。

本发明的效果通过以下仿真进一步说明。

1.仿真条件与内容：

本发明采用两组图像进行边缘检测的测试，第一幅如图4所示，其大小为512×512像素，边缘是已知的，主要测试本发明的检测性能；第二幅如图5所示，是一幅大小为256×256像素的公共测试SAR图像，主要用于测试本发明对实际SAR图像中水域边缘的检测能力；CPU主频为2.33GHz，软件平台为Matlab7.0。

2.仿真结果：

对图4在不同噪声条件下用不同的检测方法进行边缘检测，再计算出各种方法检测结果的FOM值，结果如表1所示。

表1对图4在不同噪声条件下用不同检测方法进行边缘检所计算的FOM值

从表1可以看出，在相同条件下，本发明的检测能力要优于其他现有技术的检测能力，特别是在噪声较大的情况下，如在PSNR为18.61dB时，本发明的方法高出Shearlet模极大值方法0.0287，高出二进小波模极大值方法0.0438，高出Prewitt方法0.3090，高出Sobel方法0.3313。

图5为一幅真实的公测SAR图像，图6为利用不同检测方法对图5所做的边缘检测结果对比图。图6(a)为利用Sobel方法所做的边缘检测结果，图6(b)为利用Prewitt方法所做的边缘检测结果，图6(c)为利用二进小波模极大值方法做的边缘检测结果，图6(d)为利用Shearlet变换模极大值方法所做的边缘检测结果，图6(e)为本发明方法所做的边缘检测结果。

从图6的检测结果可以看出：(1)Canny方法的检测到的边缘比较精细，对边缘的提取比较完整，但抑噪能力较差，体现在检测到的错误边缘较多；(2)Sobel方法虽然检测到的伪边缘较Canny方法少，但边缘检出率不及Canny方法，且抑噪能力不理想。这主要是因为经典的边缘检测方法本质上都为高通滤波器，而SAR的边缘和噪声都为高频信息，所以该类方法并不能很好地解决SAR图像的边缘检测问题。(3)二进小波模极大值方法相对于传统Canny检测方法和Sobel检测方法，能较好的抑制噪声，但是由于受自身在二维信号处理方面的限制，对图像中的方向信息不敏感，因此，检测出的边缘不完全；(4)Shearlet模极大值方法相对于二进小波模极大值方法，在抑制噪声和边缘检测完整性方面有所提高，但是对水域边缘的检测还不完整，而且非水域边缘的影响较大，不能清晰的判断水域边缘。(5)相对上述方法，本发明采用的改进的Shearlet变换由于提高了对斜向曲线的捕获能力，对图像中细小的细节能进行较好的捕获，提高了图像中对线检测能力(如对图6(e)椭圆部分中桥梁的检测)；另外，本发明通过提取出水域边缘区域，然后再把水域的边缘限制在这个水域边缘区域内，在很大程度上减小了其他非水域边缘对水域边缘的影响，因此，本发明方法对水域边缘能清晰地提取，消除了其他无关边缘对水域目标边缘提取的影响。

综上，本发明不仅视觉效果好，而且对微弱的边缘也能进行较好的检测。

Claims (3)

1、一种基于改进剪切波变换的SAR图像水域边缘检测方法，包括如下步骤：

(1)输入待检测的含水域SAR图像，将其转换为灰度图像；

(2)对输入灰度图像进行平稳小波分解，得到每一个尺度上的水平、垂直和斜向的平稳小波分解系数；

(3)将平稳小波分解后的每一个尺度上的水平、垂直和斜向的系数，分别用剪切波Shearlet变换中的水平、垂直和斜向剪切滤波器进行滤波，得到每个尺度上改进的Shearlet变换分解系数图像；

(4)对获得改进的Shearlet变换分解系数的图像，在设定的尺度上计算其模值图像e _ju[k]和梯度图像grad(j，k)：

$e_{j}u\left[k\right]=\sqrt{\underset{d=0}{\overset{2}{\mathrm{\Σ}}}{\left(\underset{l,j}{\mathrm{\Σ}}{\mathrm{SH}}^{\left(d\right)}u\right[j,l,k\left]\right)}^2}$

$\mathrm{grad}(j,k)=\frac{\underset{l}{\mathrm{\Σ}}{\mathrm{SH}}^{0}u[j,l,k]}{\underset{l}{\mathrm{\Σ}}{\mathrm{SH}}^{1}u[j,l,k]}$

其中j为分解层数，l为分解的方向，k∈R²表示当前像素点，SH⁰为改进Shearlet变换的水平方向分解系数，SH¹为改进Shearlet变换的垂直方向分解系数，SH²为改进Shearlet变换的斜向方向分解系数；

(5)采用非极大值抑制和双阈值方法对梯度图像grad(j，k)进行边缘检测，得到整幅图像边缘图；

(6)对转换后的灰度SAR图像进行中值滤波，并用模糊C均值方法对滤波后图像进行聚类，提取出水域边缘区域，丢弃区域内边缘长度小于5个像素的边缘，得到SAR图像中水域的粗糙边缘；

(7)利用蛇模型能量最小化准则，通过邻域边界跟踪法在3×3的邻域内对水域的粗糙边缘进行连接，去除连接后水域边缘中长度小于15个像素的边缘，得到最终边缘并输出。

2、根据权利要求1所述的边缘检测方法，其中步骤(6)所述的提取出水域边缘区域，按如下步骤进行：

(6a)通过对滤波后的图像进行分两类的模糊C均值聚类，把图像粗糙的分为水域和非水域两类；

(6b)对粗糙分类后的图像，标记分类后的各个区域并建立一个邻接表来记录各区域邻接情况；

(6c)统计粗糙分类后各区域的大小，根据邻接表和判断准则，进行区域合并：

(6d)对区域合并后图像中的各像素点进行遍历，判断每一个像素点的8邻域内其他像素点的类型，如果此像素点8邻域内存在任意一个像素点的类型和这个像素点类型不一致，则判断此像素点为水域边缘点，否则不为水域边缘点；

(6e)分别将水域边缘点及其行方向上的左方、右方和列方向上的上方、下方的7个像素点标分别记为水域边缘区域点；如果此水域边缘区域点行列的左右上下像素个数小于7，则边缘区域标记到图像边界为止，实现对水域边缘区域的提取。

3、根据权利要求2所述的边缘检测方法，其中步骤(6c)所述的对粗糙分类后区域进行合并，是将某个区域内像素个数小于50的区域和与其相邻的像素个数大于50的区域标记为一类；如果区域像素点个数小于50则不进行合并。

Images