CN101777181B - 基于脊波双框架系统的sar图像机场跑道提取方法 - Google Patents
基于脊波双框架系统的sar图像机场跑道提取方法 Download PDFInfo
- Publication number
- CN101777181B CN101777181B CN2010100137203A CN201010013720A CN101777181B CN 101777181 B CN101777181 B CN 101777181B CN 2010100137203 A CN2010100137203 A CN 2010100137203A CN 201010013720 A CN201010013720 A CN 201010013720A CN 101777181 B CN101777181 B CN 101777181B
- Authority
- CN
- China
- Prior art keywords
- image
- result
- edge
- sar
- runway
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于脊波双框架系统Ridgelet Bi-frame的SAR图像线性目标检测方法。其实现步骤是:(1)对输入待检测SAR机场图像进行直方图均衡,得到增强的结果图像;(2)对增强后的图像进行前滤波,并对前滤波后的结果进行基于二进小波变换的图像边缘检测;(3)设定阈值T1,将图像边缘检测结果中小于该阈值的边缘置零,保留大于该阈值的边缘区域;(4)根据保留的边缘区域检测机场跑道边缘线;(5)设定阈值T2将检测到的机场跑道边缘结果进行二值化处理;(6)用直线跟踪法将二值化处理结果与原始SAR机场图像滤波后的结果进行匹配,确定跑道的实际长度。本发明具有不需要复杂的后处理过程,实用性强,快速、定位准确的优点,可用于对较大的复杂SAR图像场景中的机场跑道提取。
Description
技术领域
本发明属于图像处理技术领域,涉及图像检测方法,用于对SAR图像中的机场跑道进行提取。
背景技术
合成孔径雷达Synthetic Aperture Radar,即SAR具有全天候、全天时对地球表面进行观察的能力,并且随着信号处理技术的提高,目前已经达到很高的空间分辨率,这使得SAR传感器在军事侦查和战场感知中发挥了越来越大的作用,目前SAR自动目标检测和识别是一个受到国内外高度关注的领域。
对于SAR图像来说,往往一些重要的目标含有大量的线性特征,例如港口、机场、建筑物等。所以线目标的检测和提取一直以来都是SAR图像处理中的一个重要的问题。
SAR图像中的线目标通常表示不同类的目标的界线,或者当地面线目标的横向尺寸小于分辨单元尺寸时表示目标本身,包括道路、桥梁、河流、地质构造造成的线性体、边界等,线性目标是SAR图像中的一个重要的目标特征,线性体的检测与提取是SAR图像目标识别中的一个关键步骤,在SAR图像的应用中有着重要的价值。由于SAR图像中存在着相干斑噪声,使得对线性体和边界的自动检测与提取遇到了一定的困难。传统的方法只是基于像素级,所以对于噪声比较敏感,若在检测前对图像进行平滑,虽然能够减少噪声的影响,但是同时也不可避免造成损失了一些边缘信息,有时可能还会是一些关键信息。
SAR图像机场跑道提取的流程可按照图像分层理论笼统的分为边缘检测、线基元提取和基元连接及机场跑道提取,这些是对图像进行低层处理、中层处理和高层处理的三个主要的步骤。这类方法对低层边缘检测的结果精度要求很高,在线基元提取的过程中平行线检测大多采用hough变换,而hough在直线检测时存在着固有的缺陷:(1)会受栅格图像锯齿问题的影响,导致一条直线的hough变换结果呈两条或者多条直线;(2)只能检测出局部最长的一条直线;(3)只能检测出局部直线的位置,并不能检测出直线的端点坐标。所以这些方法对复杂场景中提取机场目标并不能达到理想的效果。
Michel等人在1990年提出使用经过地理配准的多源图像,包括ERS-ISAR图像和SPOT图像、地理参考系统及简单机场模型来检测机场的存在。首先把待检测的图像在地理参考系统中进行配准,再利用地理信息确定机场存在的大致区域,最后使用模糊滤波器来检测机场跑道的存在。该方法虽然能够在相对较大、较复杂的场景中检测机场跑道等目标,但是仍然无法解决较大的复杂SAR图像场景中的机场提取问题。
发明内容
本发明的目的在于克服上述现有技术的不足,提出了一种基于脊波双框架系统的SAR图像机场跑道提取方法,以减小计算量,提高复杂SAR图像场景中的机场提取的抗噪声干扰能力和检测精度。
为实现上述目的,本发明包括如下步骤:
(1)对输入的待检测SAR机场图像进行直方图均衡,得到增强的结果图像Imo;
(2)对增强后的图像Imo进行前滤波,并对前滤波后的结果进行基于二进小波变换的图像边缘检测;
(3)设定阈值T1,将图像边缘检测结果中小于该阈值的边缘置零,保留大于该阈值的边缘区域;
(4)根据保留的边缘区域检测机场跑道边缘线:
4a)用脊波双框架系统将保留下来的边缘区域变换到脊波域,并检测出若干变换后的峰值点;
4b)根据这些峰值点的横轴和纵轴坐标得到这些峰值点对应于原始待检测图像中直线的斜率和截距,这些峰值点对应的直线就是机场跑道边缘线,将该直线对应的峰值点保留,否则将对应的峰值点置零,将结果记为Img;
4c)对Img做Fast Slant Stack逆变换得到机场跑道的边缘线。
(5)设定阈值T2将检测到的机场跑道边缘结果进行二值化处理;
(6)用直线跟踪将二值化处理结果与原始SAR机场图像进行匹配,确定跑道的实际长度。
本发明与现有的技术相比具有以下优点:
1、本发明将二进小波边缘检测方法引入机场跑道提取中,有效的解决了传统方法中出现的伪边缘、有意义边缘损失以及边缘过粗的问题;
2、本发明将脊波双框架系统引入机场检测中,大大提高了算法的速度,并且定位准确;
3、本发明与现有的SAR图像机场检测方法相比,不需要复杂的后处理过程,实用性很强,并且具有快速、定位准确的优点,对于高分辨率SAR目标图像,可以省略边缘检测直接进行机场检测,使速度更一步提高,实时性很强。
附图说明
图1是本发明的实现流程图;
图2是本发明的二进小波边缘检测子流程图;
图3是本发明输入的两幅待检测SAR机场图像;
图4是对图3进行图像增强的结果图;
图5是对图4进行前滤波处理的结果图;
图6是本发明对图5进行边缘检测的结果图;
图7是对图6剔除短区域得到的结果图;
图8是本发明对图7进行直线检测的结果图;
图9是对图8二值化处理的结果图;
图10是本发明对图9直线跟踪的结果图,即是本发明使用的待检测SAR图像机场跑道提取的结果图;
图11是本发明使用的待检测SAR图像机场跑道提取的结果与原始待测图像叠加的结果图。
具体实施方式
参照图1,本发明的具体实现过程如下:
步骤1,对输入待检测SAR机场图像进行基于直方图均衡的图像增强。
直方图修正是图像增强的常用方法,利用图像灰度分布信息,对灰度分布形式作校正来修正图像灰度,最终达到图像增强的目的,步骤如下:
1a)对本发明待检测SAR机场图像做正规化处理,将源图像灰度r的范围[r′min,r′max]压缩到[0,1];
1b)对将灰度范围压缩以后的图像按下式进行变换,得到直方图均衡后的灰度图像:
式中Pr(ω)是灰度r的分布密度,
经过上式变换后得到直方图均衡后的灰度图像s在[0,1]区间服从均匀分布,使待检测SAR机场图像弱特征的机场得到了加强,同时噪声的干扰也得到了加强,所以需要在后续的前滤波中将其剔除。
步骤2,对图像增强的结果进行前滤波。
本发明采用小波分析的去噪滤波思想,把二进小波作为一种滤波的算子,对原图像进行二进尺度小波变换,得到其模糊像,即是剔除细节信息的前滤波图像,小波分解的次数选取为两次,即j=1,2。
步骤3,对前滤波的结果进行基于三次B样条函数的二进小波的边缘检测。
为了得到更好的边缘检测检测效果,本发明采用基于二进小波变换的局部模极大值边缘检测方法,其步骤参照图2,实现如下:
3a)对原始图像f(x,y)进行二进小波多尺度分解;
3b)计算每一尺度下二进小波变换系数的模值与梯度幅角矩阵;
3c)设定双阈值T_Low和T_High,滤去模值矩阵中一部分由噪声和极细小的纹理产生的模值点;
3d)在每一尺度下,检测小波变换系数的模极大值点,并将非极大值点的二进小波变换系数的模值标记为0,得到不同尺度下二进小波变换系数模极大值矩阵;
3e)将得到的模极大值矩阵以图像形式输出,得到单像素宽的图像边缘。
步骤4,剔除边缘检测结果的短区域。
设定全局阈值T1,保留大于该阈值的基于二进小波边缘检测的得到的边缘,将小于该阈值的基于二进小波边缘检测得到的边缘置零,防止直线检测时小区域造成的误检。
步骤5,对剔除短区域的结果进行直线检测提取跑道。
用Fast Slant Stack变换,简称FSS变换和非下采样双正交小波构造脊波双框架系统,对剔除短区域以后的边缘进行处理,变换到脊波域,检测峰值点提取跑道。其步骤如下:
5a)先对剔除短区域以后的边缘结果进行FSS变换,将其变换到Radon域,结果记为RM。
5b)对RM沿着径向做一维非下采样双正交小波分解,取分解以后的第一层高频分量。
5c)借鉴hough变换检测峰值的思想,在第一层高频分量中先找到包含有最大峰值max(h(:))的变换单元并记下它的位置,h表示要检测的变换区域;再设定峰值阈值threshold=p*max(h(:)),p的取值为0~1,将大于该阈值的部分保留;最后找出保留下来的所有峰值点对应的直线,并将h的最大值点的邻域中的变换单元设为零,小于阈值threshold的点置零。
步骤6,二值化直线检测的结果。
设定阈值T2,将直线检测的结果转换成二值图像,以方便后继进行的直线跟踪。
步骤7,对二值化的结果进行直线跟踪。
用直线跟踪的方法与原始SAR目标图像经过滤波后的结果进行匹配,确定原始待检测机场图像中跑道的实际长度。选取大小为n*n的模板,n取奇数,n的大小根据图像的大小确定,用此模板在二值图像上沿从上到下、从左到右开始移动。若模板中轴线上的值为1,则找到这些点在对应原始待检测SAR目标图像滤波结果中对应的位置,并且计算模板该中轴线两侧的灰度均值之差,若小于阈值,则将二值图像中该中轴线对应的点置0,否则置1,得到的结果就是直线跟踪的结果,对其进行剔除短区域及分段直线拟合,输出结果就是原始SAR目标图像机场检测的结果。
实验结果与分析
图4是对图3进行图像增强的结果图,将图3(a)和图3(b)进行直方图增强,得到的结果分别是图4(a)和图4(b)。从图4(a)和图4(b)可以很明显的看出,增强以后的图像弱特征的跑道被加强了,但是噪声的干扰同时也加强了,在后继的处理中我们可以采用前滤波将其剔除。
图5是对图4进行前滤波的结果图,将图4(a)和图4(b)进行前滤波处理,得到的结果分别为图5(a)和图5(b)。从图5(a)和图5(b)可以看出,前滤波以后图像有了一些模糊,但是机场的边缘轮廓却保持了下来,同时淡化了陆地目标,为后继的边缘提取起到了铺垫的作用。
图6是对图5进行边缘检测的结果图,将图5(a)和图5(b)进行边缘检测,得到结果的分别是图6(a)和图6(b)。从图6(a)和图6(b)可以看出,基于二进小波的边缘检测方法,边缘定位准确,而且能够克服噪声的干扰。
图7是对图6进行剔除短区域的结果图,将图6(a)和图6(b)进行剔除短区域处理,得到的结果分别是图7(a)和图7(b)。从图7(a)和图7(b)可以看出,剔除剔除短区域可以有效地提高后继直线检测的精度和速度,防止小区域造成的误检。
图8是对图7进行直线检测的结果图,将图7(a)和图7(b)进行直线检测,得到的结果分别是图8(a)和图8(b)。从图8(a)和图8(b)可以看出,基于脊波双框架系统的直线检测可以快速准确地检测出机场跑道。
图9是对图8进行二值化处理的结果图,将图8(a)和图8(b)进行二值化处理,得到的结果分别是图9(a)和图9(b)。从图9(a)和图9(b)可以看出,二值化以后直线较为光滑,为下一步准确跟踪直线做好了铺垫。
图10是对图9进行直线跟踪的结果图,将图9(a)和图9(b)进行直线跟踪,得到的结果分别是图10(a)和图10(b),即机场检测的结果图。从图10(a)和图10(b)可以看出,通过直线跟踪可以有效地提取出实际机场跑道的长度。
图11是图3与图10进行叠加的结果图,将图3(a)与图10(a)叠加得到的结果和将图3(b)与图10(b)叠加得到的结果分别是图11(a)和图11(b)。从图11(a)和图11(b)可以看出,直线检测定位准确,检测精度高。
综上所述,本发明将二进小波边缘检测方法引入机场跑道提取中,有效地解决了传统方法中出现的伪边缘、有意义边缘损失以及边缘过粗的问题,保证了后续检测的精度;本发明将Fast Slant Stack变换和非下采样双正交小波构造的脊波双框架系统应用于机场跑道提取中,不需要复杂的后处理过程,提高了直线检测的精度和速度。
Claims (5)
1.一种SAR图像机场跑道提取方法,包括如下步骤:
(1)对输入的待检测SAR机场图像进行直方图均衡,得到增强的结果图像Imo;
(2)对增强后的图像Imo进行前滤波,并对前滤波后的结果进行基于二进小波变换的图像边缘检测;
(3)设定阈值T1,将图像边缘检测结果中小于该阈值的边缘置零,保留大于该阈值的边缘区域;
(4)根据保留的边缘区域检测机场跑道边缘线:
4a)用脊波双框架系统将保留下来的边缘区域变换到脊波域,并检测出若干变换后的峰值点;
4b)根据这些峰值点的横轴和纵轴坐标得到这些峰值点对应于原始待检测图像中直线的斜率和截距,将这些峰值点对应的直线作为机场跑道边缘线,将该直线对应的峰值点保留,将非峰值点的点置零,并将得到的结果记为Img;
4c)对Img做Fast Slant Stack逆变换得到机场跑道的边缘线;
(5)设定阈值T2将检测到的机场跑道边缘结果进行二值化处理;
(6)用直线跟踪法将二值化处理结果与待检测SAR机场图像滤波后的结果进行匹配,确定跑道的实际长度。
2.根据权利要求1所述跑道提取方法,其中步骤(2)所述的前滤波,是将二进小波作为一种滤波的算子,对原图像进行尺度为2的二进尺度小波分解,得到原图像的模糊像。
3.根据权利要求1所述跑道提取方法,其中步骤(2)所述的基于二进小波变换的图像边缘检测,按如下步骤进行:
3a)对前滤波后的结果进行三次B样条二进小波分解;
3b)计算各个尺度下二进小波分解后系数的模值与梯度;
3c)设定阈值T3,将模值中小于该阈值的值置零,保留大于该阈值的值;
3d)在每一尺度下,检测小波变换系数的模极大值点,并将非极大值点的二进小波变换系数的模值标记为0,得到不同尺度下二进小波变换系数模极大值矩阵;
3e)将得到的模极大值矩阵以图像形式输出,得到图像的边缘。
4.根据权利要求1所述跑道提取方法,其中步骤(4)所述的检测出若干变换后的峰值点,是先找到包含有最大峰值max(h(:))的变换单元并记下它的位置,h表示 要检测的变换区域;设定阈值threshold=p*max(h(:)),p的取值为0~1,将大于该阈值的部分保留;最后找出保留下来的所有峰值点对应的直线,并将h的最大值点的邻域中的变换单元设为零,小于阈值threshold的点置零。
5.根据权利要求1所述跑道提取方法,其中步骤(6)所述的用直线跟踪法将二值化处理结果与待检测SAR机场图像滤波后的结果进行匹配,按如下步骤进行:
6a)选取大小为n*n的模板,n取奇数,n的大小根据图像的大小确定;
6b)用选取的模板在二值图像上沿从上到下,从左到右开始移动,若模板中轴线上的值为1,则找到这些移动点在对应原始输入待检测SAR目标图像滤波结果中对应的位置,并且计算模板该中轴线两侧的灰度均值之差;
6c)设定阈值T4,若模板中轴线两侧的灰度均值之差小于阈值T4,则将二值图像中该中轴线对应的点置0,否则置1,得到与待检测SAR机场图像滤波后结果匹配的直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100137203A CN101777181B (zh) | 2010-01-15 | 2010-01-15 | 基于脊波双框架系统的sar图像机场跑道提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100137203A CN101777181B (zh) | 2010-01-15 | 2010-01-15 | 基于脊波双框架系统的sar图像机场跑道提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101777181A CN101777181A (zh) | 2010-07-14 |
CN101777181B true CN101777181B (zh) | 2012-01-04 |
Family
ID=42513636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100137203A Active CN101777181B (zh) | 2010-01-15 | 2010-01-15 | 基于脊波双框架系统的sar图像机场跑道提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101777181B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077744B (zh) * | 2013-03-27 | 2017-02-08 | 广州三星通信技术研究有限公司 | 图像增强方法和装置 |
CN103295225B (zh) * | 2013-04-10 | 2016-09-28 | 苏州大学 | 弱光照条件下的列车转向架边缘检测方法 |
CN106032967B (zh) * | 2015-02-11 | 2018-09-18 | 贵州景浩科技有限公司 | 电子瞄准器的自动倍率调整方法 |
CN104992144B (zh) * | 2015-06-11 | 2018-05-29 | 电子科技大学 | 遥感图像中输电线与公路的区分方法 |
CN104966065B (zh) * | 2015-06-23 | 2018-11-09 | 电子科技大学 | 目标识别方法及装置 |
CN105847695A (zh) * | 2016-04-29 | 2016-08-10 | 广西科技大学 | 一种相机抖动引起的模糊图像增强方法 |
CN106408746B (zh) * | 2016-08-25 | 2019-03-12 | 深圳怡化电脑股份有限公司 | 一种安全线识别方法和装置 |
CN106778774B (zh) * | 2016-11-25 | 2020-04-03 | 福建师范大学 | 一种高分辨率遥感影像人工地物轮廓检测方法 |
CN108225273B (zh) * | 2016-12-14 | 2020-06-30 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于传感器先验知识的实时跑道检测方法 |
CN108806058A (zh) * | 2017-05-05 | 2018-11-13 | 深圳怡化电脑股份有限公司 | 一种纸币检测方法及装置 |
CN110378864B (zh) * | 2018-04-10 | 2021-07-16 | 中南大学 | 一种基于Radon域特征表示的青光眼检测方法 |
CN110020659A (zh) * | 2019-03-29 | 2019-07-16 | 武汉九天高分遥感技术有限公司 | 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统 |
CN110188601B (zh) * | 2019-04-16 | 2022-07-15 | 昆明理工大学 | 一种基于学习的机场遥感图像检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329402A (zh) * | 2008-06-20 | 2008-12-24 | 西安电子科技大学 | 基于改进Wedgelet的多尺度SAR图像边缘检测方法 |
CN101430789A (zh) * | 2008-11-19 | 2009-05-13 | 西安电子科技大学 | 基于Fast Slant Stack变换的图像边缘检测方法 |
CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
-
2010
- 2010-01-15 CN CN2010100137203A patent/CN101777181B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329402A (zh) * | 2008-06-20 | 2008-12-24 | 西安电子科技大学 | 基于改进Wedgelet的多尺度SAR图像边缘检测方法 |
CN101430789A (zh) * | 2008-11-19 | 2009-05-13 | 西安电子科技大学 | 基于Fast Slant Stack变换的图像边缘检测方法 |
CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
Non-Patent Citations (4)
Title |
---|
李卫斌,等..基于分块DRT的SAR图像线性特征检测.《现代电子技术》.2007,(第19期),115-117. * |
李卫斌,等。.基于分块DRT的SAR图像线性特征检测.《现代电子技术》.2007,(第19期),115-117. |
项海林,等..基于小波和脊波的图像联合去噪方法.《系统工程与电子技术》.2007,第29卷(第5期),680-682. * |
项海林,等。.基于小波和脊波的图像联合去噪方法.《系统工程与电子技术》.2007,第29卷(第5期),680-682. |
Also Published As
Publication number | Publication date |
---|---|
CN101777181A (zh) | 2010-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101777181B (zh) | 基于脊波双框架系统的sar图像机场跑道提取方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN104536009B (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN102654902B (zh) | 基于轮廓向量特征的嵌入式实时图像匹配方法 | |
CN103500338B (zh) | 基于车载激光扫描点云的道路斑马线自动提取方法 | |
CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN104318548A (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
CN102800074B (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
Li et al. | Road lane detection with gabor filters | |
CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
CN102708356A (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
CN104820991A (zh) | 一种基于代价矩阵的多重软约束立体匹配方法 | |
CN101814144A (zh) | 遥感图像中无水桥梁目标识别方法 | |
CN104361582A (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN107610164A (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN105894513B (zh) | 顾及影像对象时空变化的遥感影像变化检测方法及系统 | |
CN102903111B (zh) | 基于图像分割的大面积低纹理区立体匹配算法 | |
CN105069806A (zh) | 一种三点联合的图像边缘检测方法 | |
CN102175993A (zh) | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 | |
CN106327464A (zh) | 一种边缘检测方法 | |
CN106156758A (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN101216936A (zh) | 基于成像机理与非采样Contourlet变换多聚焦图像融合方法 | |
CN102254162B (zh) | 基于最小直线比率的sar图像机场跑道检测方法 | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
CN102034103B (zh) | 一种遥感影像的线性要素提取方法 |
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 |