CN101739667B - 基于非下采样轮廓波变换的遥感图像道路增强方法 - Google Patents
基于非下采样轮廓波变换的遥感图像道路增强方法 Download PDFInfo
- Publication number
- CN101739667B CN101739667B CN200910219321XA CN200910219321A CN101739667B CN 101739667 B CN101739667 B CN 101739667B CN 200910219321X A CN200910219321X A CN 200910219321XA CN 200910219321 A CN200910219321 A CN 200910219321A CN 101739667 B CN101739667 B CN 101739667B
- Authority
- CN
- China
- Prior art keywords
- road
- pixel
- image
- directions
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像道路增强的方法,主要解决现有技术增强后的道路失真大,道路目标检测不准确的问题。其实现过程是:首先对遥感图像进行3层非下采样的轮廓波变换,其中每层变换的方向个数由低到高排列分别分为4,4,8,再根据各层变换的方向个数,设定相应的结构元素;然后对变换后的系数采用与之相近方向的结构元素进行方向性增强;最后计算图像中每个像素点的方向,得到图像的方向矩阵,通过方向矩阵对增强系数中的噪声和背景进行处理,再对处理后的增强系数进行轮廓波反变换,得到图像的增强结果。本发明能在增强道路的同时,很好的保持道路原有的宽度,使后续道路的检测能够更加准确,可用于遥感图像道路的分析和处理。
Description
技术领域
本发明属于图像处理技术领域,涉及图像增强,特别是一种遥感图像道路增强方法,适用于遥感图像分析和处理。
背景技术
空间技术和信息技术的飞速发展为我们提供了大量的遥感数据,而且从遥感影像中获取目标信息已成为现阶段空间信息更新的重要手段。因此,如何智能解译海量的遥感数据也相应地成为了信息化建设过程中面临的重要问题。作为其中的研究热点,道路的检测研究更是得到了广泛关注,在国民经济生产和军事目标侦察领域具有十分重要的理论和现实意义。遥感图像道路检测是图像目标检测的一个重要内容,对于地图更新、目标识别、影像匹配等方面具有重要的辅助意义,因而是图像目标检测的一个重要内容。
由于遥感图像的获取过程受多种因素的影响,因此图像的视觉效果和清晰度等方面很容易变差,影响道路等有效信息的检测。遥感图像增强是一种能改善图像质量、丰富图像信息量、加强图像判读和识别效果的图像处理方法。
已有的遥感图像增强技术主要有基于空间域和基于变换域的方法两大类。空间域的方法主要包括灰度变换、空域滤波和直方图处理、形态学处理等方法。基于变换域的方法是将图像由时域变换到变换域,再通过修正变换域内的系数达到图像增强的目的。
近几年,多尺度几何理论的发展为图像处理提供了新的思路。多尺度几何变换能够从多方向、多分辨等角度对图像中的轮廓和纹理等方向信息进行稀疏表示,并且对图像中的线状奇异性具有很强的表征能力。非下采样轮廓波以其良好的性能,获得了较为广泛的应用。在非下采样轮廓波变换的基础上进行图像去噪、融合、增强、编码等方法均取得了较好的效果。
但目前常见的遥感图像的增强方法都仅仅利用空域或者频域的信息,增强后的道路失真会比较大,影响后续道路的检测工作,致使道路的定位不准确,道路目标识别不够准确。例如仅利用形态学增强的方法会使原有的道路宽度变宽,致使道路中心线的定位会发生偏移;而仅利用频域,例如小波域、轮廓波域,则会丢失掉道路的一些细节信息,致使道路断裂较多,道路不够完整。
发明内容
本发明的目的在于克服上述已有技术的缺陷,提出一种基于非下采样轮廓波变换的遥感图像道路增强方法,以减小道路增强时的失真,实现对道路的准确定位。
本发明的技术方案是在非下采样轮廓波的多尺度性,多方向性,平移不变性的基础上,通过分析非下采样轮廓波变换对遥感图像中道路和背景像素的系数响应的差异,设计出遥感图像道路增强的方法。其步骤包括:
1)对输入图像X进行非下采样的轮廓波变换,其中每层变换的方向个数由低到高排列分别分为4,4,8,并设轮廓波变换后的第d层的任意一个方向的系数为xd(m,n);
2)根据各层变换的方向个数,设定相应的结构元素sei(i=1,2,…,r)的数目;
3)将步骤1)的xd(m,n)采用与之相近方向的结构元素进行方向增强,得到第d层的任意一个方向的增强后的系数Id(m,n);
4)对任意一个方向的增强系数Id(m,n)中的噪声和背景进行抑制,通过计算输入图像X中的像素点(m,n)的方向D(m,n)判断道路像素,如果D(m,n)=8;则判Id(m,n)为背景或者噪声,否则将其判为道路像素;
5)重复步骤3)到步骤5),对每一层的各个方向上的系数进行增强;
6)对所有的增强系数进行轮廓波反变换,得到图像的增强结果。
所述的对xd(m,n)进行增强,其步骤是:
首先,采用与xd(m,n)的方向最相近的两个结构元素sei和sej分别对xd(m,n)进行形态学开运算,得到xd(m,n)在与i和j两个不同方向上开运算后的图像yd,i(m,n)和yd,j(m,n);
然后,将xd(m,n)分别与yd,i(m,n)和yd,j(m,n)进行差运算,得到xd(m,n)与yd,i(m,n)的差值图像Zd,i(m,n)和xd(m,n)与yd,j(m,n)的差值图像Zd,j(m,n);
最后,将差值图像Zd,i(m,n)和Zd,j(m,n)通过下式运算,得到增强后的系数:
Id(m,n)=xd(m,n)+Zd(m,n),
其中Zd(m,n)=K*(Zd,i(m,n)+Zd,j(m,n)),K是常数,取经验值3~5。
本发明与现有技术相比具有如下优点
1)本发明由于采用非下采样轮廓波变换,在每个变换域方向上,均采用与之方向最相近的两个结构元素对其进行形态学开运算,因而能够更好的将图像的非下采样轮廓波变换域特征和空域特征更好的结合起来,与单纯的采用空域特征进行增强相比较,本发明能在增强道路的同时,很好地保持道路的原有宽度,使后续道路检测以及定位能够更加精确。
2)本发明由于采用图像中每个像素点的方向来区分道路和背景,能够很好的对道路进行增强,有效的抑制噪声和背景,达到较好的效果;
3)本发明流程简单,且不需要复杂的参数设置,实现过程简单快速,复杂度低。
附图说明
图1是本发明的实现流程框图;
图2是本发明的9×9窗口示意图;
图3是本发明输入的两幅原始遥感图像;
图4是对图2进行轮廓波域增强的结果图;
图5是对图2进行空域增强结果图;
图6是本发明与现有空域增强的效果对比图;
图7是本发明增强前后的道路结果对比图。
具体实施方式
参照图1,本发明的实施如下:
步骤1,对输入图像X进行非下采样的轮廓波变换。
对输入图像X进行非下采样的轮廓波变换,其中每层变换的方向个数由低到高排列分别分为4,4,8,并设轮廓波变换后的第d层的任意一个方向的系数为xd(m,n)。
步骤2,根据各层变换的方向个数,设定相应的结构元素sei(i=1,2,…,r)的数目。
对于轮廓波变换的8个方向,设定8个[se0,se1,se2,se3,se4,se5,se6,se7]结构元素,对于轮廓波变换的4个方向,对应取结构元素[se0,se2,se4,se6],每个结构元素sei均为一个大小为9×9的矩阵,它们将平面大致分为8个方向。
步骤3,对变换后的轮廓波系数xd(m,n)进行形态学方向增强。
3a)采用与xd(m,n)的方向最相近的两个结构元素sei和sej分别对xd(m,n)进行形态学开运算,得到xd(m,n)在与i和j两个不同方向上开运算后的图像yd,i(m,n)和yd,j(m,n):
yd,i(m,n)=xd(m,n)οsei,yd,j(m,n)=xd(m,n)οsej,其中ο表示开运算符号;
3b)将xd(m,n)与yd,i(m,n)进行差运算,得到xd(m,n)与yd,i(m,n)的差值图像Zd,i(m,n);将xd(m,n)与yd,j(m,n)进行差运算,得到的差值图像Zd,j(m,n):
Zd,i(m,n)=xd(m,n)-yd,i(m,n),
Zd,j(m,n)=xd(m,n)-yd,j(m,n);
3c)将差值图像Zd,i(m,n)与Zd,j(m,n)进行和运算,得到增强后的系数:
Id(m,n)=xd(m,n)+Zd(m,n)
其中Zd(m,n)=K*(Zd,i(m,n)+Zd,j(m,n)),K是常数,取经验值3~5。
步骤4,对增强系数Id(m,n)中的噪声和背景进行抑制。
4a)以该像素点为中心取一个9×9的窗口,在结构元素sei所代表的8个方向上,分别计算该像素两侧约9个像素的灰度平均值M1和M2;
4b)根据灰度平均值M1和M2分别计算8个方向的像素对比度vi(i=0,1,…,7):
vi=max(vi,1,vi,2)
其中vi,1=(M1/M2)i,vi,2=(M2/M1)j,即每个方向的像素的对比度是M1和M2比值M1/M2及其倒数中的较大值;
4c)计算8个方向中对比度vi(i=0,1,…,7)的最大值Ci=max(vi),(i=0,1,…,7);
4d)设定阈值T,若Ci≤T,则判该像素点为无方向,此时设定D(m,n)=8;若Ci>T,则结构元素sei代表的方向就是该像素点的方向,此时设定D(m,n)=i(i=0,1,…,7)。
步骤5,对任意一个方向的增强系数Id(m,n)中的噪声和背景进行处理。
计算输入图像X中像素点(m,n)的方向D(m,n)判断道路像素,如果D(m,n)=8;则判Id(m,n)为背景或者是噪声,将Id(m,n)的值变为0,否则将像素(m,n)判为道路像素,保持Id(m,n)的值不变。
步骤6,重复步骤3到步骤6,对每一层的8个方向上的系数均进行方向增强,并对噪声和背景进行处理,得到输入图像每层每个方向的处理后的增强系数。
步骤7,对所有处理后的增强系数进行轮廓波反变换,得到遥感图像的最终增强结果。
实验结果与分析
图3是输入的两幅原始遥感图像,白色方框标示出了待评价图像的局部区域。
图4是采用本发明的方法进行增强的结果,图3(a)和图3(b)对应的增强结果分别是图4(a)和图4(b)。
图5是采用现有的空域方法进行增强的结果,图3(a)和图3(b)对应的增强结果分别是图5(a)和图5(b)。
图6(a)是图3(a)的局部放大图,图6(b)是图4(a)的局部放大图,图6(c)是图5(a)的局部放大图。将6(a)、6(b)和6(c)进行对比:从图6(b)的白色方框区域中,可以很明显的看出本发明的方法可以很好的将原始图像中的道路很好的增强,使道路更加明显区别与背景,同时不会明显改变道路的原有宽度,而图6(c)将道路的宽度明显增大。
图7(a)是采用图3(a)作为输入图像进行道路检测的结果,图7(c)是采用图4(a)作为输入图像进行道路检测结果,图7(e)是采用图5(a)作为输入图像进行道路检测结果,图7(b)是图7(a)叠加到图3(a)上的结果,图7(d)是图7(c)叠加到图3(a)上的结果,图7(f)是图7(e)叠加到图3(a)上的结果。
从图7(a)和图7(d)中可以很明显的看出,采用未增强的图像,在道路的检测结果中,道路线存在有明显的断裂,不能形成明显的道路网,且有很多分支道路的检测结果和原始图像中的道路线不一致,有较多的漏检和误检。
从图7(b)和图7(e)中可以看出,本发明的方法检测的道路较完整,且漏检和误检较少,检测出的道路也基本和实际的道路线重合。
从7(c)和图7(f)中可以看出,检测道路与实际的道路线存在一定的偏移,并且丢失掉了道路的一些细节信息。
综上所述,本发明将遥感图像的空域特征和非下采样轮廓波变换域特征有效的结合起来,使得道路的增强结果更加明显;且不需要复杂的参数设置,实现过程简单快速,复杂度低,与空域增强相比较,本发明方法在增强道路的同时,能很好的保持道路原有的宽度,使后续道路的检测能够更加准确。
Claims (2)
1.一种基于非下采样轮廓波变换的遥感图像道路增强方法,包括如下步骤:
1)对输入图像X进行非下采样的轮廓波变换,其中每层变换的方向个数由低到高排列分别分为4,4,8,并设轮廓波变换后的第d层的任意一个方向的系数为xd(m,n);
2)根据各层变换的方向个数,设定相应的结构元素sei,i=0,1,...,7的数目,每个结构元素sei均为一个大小为9×9的矩阵,它们将平面分为8个方向,每一个结构元素代表其中的一个方向;
3)将步骤1)的xd(m,n)采用与之相近方向的结构元素进行方向增强,得到第d层的任意一个方向的增强后的系数Id(m,n):
3a)采用与xd(m,n)的方向最相近的两个结构元素sei和sej分别对xd(m,n)进行形态学开运算,得到xd(m,n)在与i和j两个不同方向上开运算后的图像yd,i(m,n)和yd,j(m,n);
3b)将xd(m,n)分别与yd,i(m,n)和yd,j(m,n)进行差运算,得到xd(m,n)与yd,i(m,n)的差值图像Zd,i(m,n)和xd(m,n)与yd,j(m,n)的差值图像Zd,j(m,n);
3c)将差值图像Zd,i(m,n)和Zd,j(m,n)通过下式运算,得到增强后的系数:
Id(m,n)=xd(m,n)+Zd(m,n),
其中Zd(m,n)=K*(Zd,i(m,n)+Zd,j(m,n)),K是常数,取经验值3~5;
4)对任意一个方向的增强系数Id(m,n)中的噪声和背景进行抑制,通过计算输入图像X中的像素点(m,n)的方向D(m,n)判断道路像素,如果D(m,n)=8,则判Id(m,n)为背景或者噪声,否则将其判为道路像素;
5)重复步骤3)到步骤5),对每一层的各个方向上的系数进行增强;
6)对所有的增强系数进行轮廓波反变换,得到图像的增强结果。
2.根据权利要求1的遥感图像道路增强方法,其中步骤4)所述的计算输入图像X中的像素点(m,n)的方向D(m,n),按如下步骤计算:
4a)以该像素点为中心取一个9×9的窗口,并在窗口内结构元素所代表的8个方向上,分别计算该像素两侧各4个像素的灰度平均值M1和M2;
4b)根据灰度平均值M1和M2分别计算8个方向的像素对比度vi,i=0,1,...,7:
vi=max(vi,1,vi,2)
其中vi,1=(M1/M2)i,vi,2=(M2/M1)i;
4c)计算所有方向中对比度vi的最大值Ci=max(vi),i=0,1,...,7;
4d)设定阈值T,若Ci≤T,则判该像素点为无方向,设定D(m,n)=8;若Ci>T,则结构元素sei代表的方向就是该像素点的方向,设定D(m,n)=i,i=0,1,...,7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910219321XA CN101739667B (zh) | 2009-12-04 | 2009-12-04 | 基于非下采样轮廓波变换的遥感图像道路增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910219321XA CN101739667B (zh) | 2009-12-04 | 2009-12-04 | 基于非下采样轮廓波变换的遥感图像道路增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101739667A CN101739667A (zh) | 2010-06-16 |
CN101739667B true CN101739667B (zh) | 2012-06-20 |
Family
ID=42463119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910219321XA Expired - Fee Related CN101739667B (zh) | 2009-12-04 | 2009-12-04 | 基于非下采样轮廓波变换的遥感图像道路增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101739667B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063708B (zh) * | 2011-01-06 | 2012-06-27 | 西安电子科技大学 | 基于Treelet和非局部均值的图像去噪 |
CN102496144A (zh) * | 2011-11-15 | 2012-06-13 | 哈尔滨工程大学 | 基于hsv色彩空间的nsct水声图像增强方法 |
CN102622731B (zh) * | 2012-03-11 | 2014-07-23 | 西安电子科技大学 | 基于二维Otsu的轮廓波域维纳滤波图像去噪方法 |
CN103295204B (zh) * | 2013-06-20 | 2015-12-02 | 河海大学常州校区 | 一种基于非下采样轮廓波变换的图像自适应增强方法 |
CN107122733B (zh) * | 2017-04-25 | 2019-10-11 | 西安电子科技大学 | 基于nsct和sae的高光谱图像分类方法 |
CN108109156B (zh) * | 2017-12-25 | 2019-10-11 | 西安电子科技大学 | 基于比值特征的sar图像道路检测方法 |
CN115187465A (zh) * | 2022-05-30 | 2022-10-14 | 中国矿业大学 | 基于nsct和图像匹配的浮选泡沫图像增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1921562A (zh) * | 2006-09-01 | 2007-02-28 | 上海大学 | 基于变换域数学形态学的图像降噪方法 |
CN1920881A (zh) * | 2006-09-01 | 2007-02-28 | 上海大学 | 一种Contourlet变换域的图像降噪方法 |
CN101477679A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于轮廓波Contourlet变换的图像去噪方法 |
-
2009
- 2009-12-04 CN CN200910219321XA patent/CN101739667B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1921562A (zh) * | 2006-09-01 | 2007-02-28 | 上海大学 | 基于变换域数学形态学的图像降噪方法 |
CN1920881A (zh) * | 2006-09-01 | 2007-02-28 | 上海大学 | 一种Contourlet变换域的图像降噪方法 |
CN101477679A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于轮廓波Contourlet变换的图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
JP特开2000-224421A 2000.08.11 |
JP特开2009-219066A 2009.09.24 |
Also Published As
Publication number | Publication date |
---|---|
CN101739667A (zh) | 2010-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101739667B (zh) | 基于非下采样轮廓波变换的遥感图像道路增强方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN101551863B (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
CN102496157B (zh) | 基于高斯多尺度变换及颜色复杂度的图像检测方法 | |
CN109345547B (zh) | 基于深度学习多任务网络的交通车道线检测方法及装置 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN105678700A (zh) | 基于预测梯度的图像插值方法及系统 | |
CN110009653A (zh) | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 | |
CN103295021A (zh) | 一种静态图片中车辆特征检测及识别的方法及系统 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
CN108830883B (zh) | 基于超像素结构的视觉注意sar图像目标检测方法 | |
CN110321855A (zh) | 一种雾天检测预警装置 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN108509826B (zh) | 一种遥感影像的道路识别方法及其系统 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN114926826A (zh) | 场景文本检测系统 | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120620 Termination date: 20171204 |
|
CF01 | Termination of patent right due to non-payment of annual fee |