CN101982835A - Sar图像机场道路边缘检测水平集方法 - Google Patents

Abstract

本发明公开了一种基于水平集的SAR图像道缘检测方法，主要解决现有SAR图像边缘检测方法不能很好的抑制斑点噪声影响的缺点。其过程为：(1)输入SAR图像，并依次进行中值滤波和亮度变换，得到图像增强后的结果；(2)在已增强图像上手动选取初始化种子点开始区域生长；(3)将区域生长结果依次进行形态学闭运算和移除操作，得到平滑后的目标区域的边缘轮廓；(4)根据区域生长得到的目标区域的边缘轮廓，得到水平集演化的初始化零水平集；(5)进行水平集演化，直至满足预设的迭代演化次数，得到最终的目标区域的边缘轮廓。本发明能有效克服SAR图像斑点噪声对边缘检测的影响，准确检测边缘，可用于机场跑道和道路的SAR图像边缘检测。

Description

SAR图像机场道路边缘检测水平集方法

技术领域

本发明属于图像处理技术领域，涉及图像边缘检测，具体地说是一种基于水平集的SAR图像机场道路边缘检测方法，可用于合成孔径雷达图像的边缘检测。

背景技术

合成孔径雷达(SAR)是一种高分辨率成像雷达。SAR具有全天候、多极化、多视角、多俯角数据获取能力及对一些地物的穿透能力，所以它不仅广泛地被应用在军事上，在农业、气象、地形地貌、灾情监控等民用上也有大量的应用。但由于SAR发射的是相干波，这些相干波经过与地物的相干作用，特别是地物的后向散射作用，使目标回波信号产生了衰减，这种衰减表现在图像上就是相干斑点噪声。因此如何在图像中的相干斑噪声的影响下完成边缘检测，图像分割，从而提高SAR图像的解读能力以及从图像中获得更多的更有用的信息成为近年来大家广泛关注的热点。

SAR图像边缘检测的难点在相干斑噪声的影响，这种噪声的影响了SAR图像的信噪比，所以，在光学图像中使用的传统的边缘检测的算法，例如canny算法等在处理SAR图像的时候就难以得到一个令我们满意的效果。到目前为止，已经有很多SAR图像边缘检测算法被人们提出用以解决在SAR图像中噪声等其他因素给图像边缘检测带来的影响。近年来大家通常在尝试结合SAR图像中像素的强度和结构信息，试图在分割过程中抑制斑点噪声带来影响。用这样做法，想要得到一个比较好去斑效果，一般都会增大滤波的程度，结果就是分割效果下降。另外一种不足之处就是，性能好的算法需要时间可能很长，使得分割的速度很慢。另外一种尝试就是首先对原始SAR图像滤波，以降低斑点噪声的影响，然后采用与处理光学图像相似的方法进行边缘检测。

水平集算法是一种有效解决曲线演化问题的数值方法，并且计算稳定，适宜任意维数空间。近年来，随着技术的发展这种算法已被广泛地应用在图像处理领域中。水平集方法其实就是将n维曲面的演化问题转化为n+1维空间的水平集函数曲面演化的方式来求解，为了让问题看起来简单明了，可以选择n＝2。这样一来，水平集的主要思想就是将2维平面闭合曲线C(t)表示为水平集函数φ的零水平集φ(t＝0)，也就是将界面嵌入到一个曲面中，将2维曲线的演化转化为3维曲面演化。在演化过程中，确定零水平集就可以确定移动界面演化的位置。因此使用水平集方法来处理SAR图像边缘检测问题，可以降低噪声对检测结果的影响，充分利用图像本身信息，获得相对精确的检测结果。现阶段水平集方法主要被应用于医学图像领域，如果单单将水平集方法应用于SAR图像并不能得到满意的效果。比如在李春明教授的文章《Level SetEvolution Without Re-initialization：A New Variational Formulation》中主要是将水平集方法应用在医学图像领域，但将这种方法直接应用于SAR图像时并不能有效的克服噪声带来的干扰，并且需要手动输入初始化零水平集，带来过多的不必要的人工干预，最终也不能获得一个好的边缘检测效果。

发明内容

本发明的目的在于克服上述已有技术的不足，将区域生长算法与李春明提出的一种不需要重新初始化的水平集方法相结合，提出一种SAR图像机场道路边缘检测水平集方法，以克服SAR图像中斑点噪声对图像边缘检测的影响，降低时间复杂度，并避免手动输入初始化零水平集带来的过多的人工干预，以达到对SAR图像边缘检测获得更全面的准确性和有效性。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)输入SAR图像，并对该图像依次进行中值滤波和亮度变换，得到图像增强后的结果；

(2)在已增强图像上手动选取初始化种子点，得到种子点在图像中对应的位置坐标(x，y)，从初始化种子点处出开始区域生长：

(2a)将在种子点的8邻域内并且还没有生长的点的灰度值与已生长的区域的灰度值均值比较，将大于已生长的区域的灰度值均值region_mean的点的灰度值放入u_list中，小于已生长的区域的灰度值均值的点的灰度值放入l_list中，得到邻域内与已生长的区域的灰度值均值的差值最小的点的坐标(xn，yn)和最小灰度差，其中u_list是用来放大于已生长的区域的灰度值均值的点的灰度值的数组，l_list用来放小于于已生长的区域的灰度值均值的点的灰度值的数组；

(2b)检验步骤(2a)中得到的最小灰度差是否超出阈值范围，如果超出阈值范围则区域生长停止，反之，则继续区域生长，并将满足上述阈值条件的种子点坐标放入用于存放已生长点坐标的数组；

其中，阈值范围由(u_thresh，l_thresh)表示，u_thresh是灰度差阈值的上限，l_thresh是灰度差阈值的下限，并按如下公式得到：

u_thresh＝ud*w+cn                (1)

l_thresh＝-(ld*w+cn)             (2)

其中ud是u_list中灰度的标准差，ld是l_list中灰度的标准差，w是调整阈值上、下限的参数，w值增大，则阈值范围增大，反之，阈值范围减小，cn是公式(1)和(2)中需要使用的一个参数，

其中un是数组u_list的大小，ln是数组l_list的大小，a是调整阈值上、下限的参数，a值增大，则阈值范围增大，反之，阈值范围减小；

(2c)在原种子点的8邻域内寻找一个新种子点，将新种子点的坐标值设置为步骤(2a)中得到的坐标(xn，yn)，并将已生长区域的点的灰度值均值region_mean按照如下公式更新：

region_mean＝(u_mean+l_mean)/2                            (3)

其中u_mean表示数组u_list中元素的均值，l_mean表示数组l_list中元素的均值；

(2e)重复步骤(2a)～(2c)，直至满足步骤(2b)中规定的区域生长停止条件，则完成整个区域生长过程，得到一个新的二值图像，新的二值图像被分为两个区域，一个是已生长区域，像素点的灰度值为1，另一个是未生长的区域，像素点灰度值为0，其中已生长的区域就是需要从原图像分割出的目标区域；

(3)将步骤(2)中得到的最终的区域生长结果依次进行形态学闭运算和移除操作，去除已生长区域的边缘的毛刺和局部错分割区域，得到平滑后的目标区域的边缘轮廓；

(4)把目标区域的边缘轮廓以及它内部的点的灰度值都置成1，其余的点的灰度置为0，得到满足水平集演化的初始化零水平集φ₀；

(5)设定一个演化迭代次数为200，进行水平集演化，直至满足预设的迭代演化次数，得到最终的目标区域的边缘轮廓。

本发明与现有技术相比具有如下优点：

1)本发明由于将种子点的邻域信息与已经生长区域的邻域信息引入区域生长的停止生长准则，充分考虑到已生长区域和目标区域的灰度特征的联系，相比传统的区域生长方法提高了边缘检测准确率。

2)本发明由于采用先采用区域生长算法对目标区域进行预分割，得到目标区域的大致轮廓，再对预分割结果进行水平集迭代演化，有效克服了背景区域中噪声干扰。

3)本发明由于将区域生长算法与水平集方法相结合，将区域生长的结果引入水平集算法的初始化过程中，避免了传统水平集方法手动设置初始化零水平集带来的人工干预过多问题。

4)仿真结果表明，本发明方法较其它几种现有的经典的SAR图像边缘检测方法，在克服噪声影响以及边缘保持能力方面都有显著的提高。

附图说明

图1是本发明的流程框图；

图2是本发明使用的两个SAR测试图像；

图3是本发明与现有三种边缘检测方法对第一个SAR图像的仿真结果对比图；

图4是本发明与现有三种边缘检测方法对第二个SAR图像的仿真结果对比图；

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SAR图像，并对该图像依次进行中值滤波和亮度变换，得到图像增强后的结果。

步骤2，在已增强图像上手动选取初始化种子点，得到种子点在图像中对应的位置坐标(x，y)，从初始化种子点处出开始区域生长。

(2a)将在种子点的8邻域内并且还没有生长的点的灰度值与已生长的区域的灰度值均值比较，将大于已生长的区域的灰度值均值region_mean的点的灰度值放入u_list中，小于已生长的区域的灰度值均值的点的灰度值放入l_list中，得到邻域内与已生长的区域的灰度值均值的差值最小的点的坐标(xn，yn)和最小灰度差，其中u_list是用来放大于已生长的区域的灰度值均值的点的灰度值的数组，l_list用来放小于于已生长的区域的灰度值均值的点的灰度值的数组；

(2b)检验步骤(2a)中得到的最小灰度差是否超出阈值范围，如果超出阈值范围则区域生长停止，反之，则继续区域生长，并将满足上述阈值条件的种子点坐标放入用于存放已生长点坐标的数组；

其中，阈值范围由(u_thresh，l_thresh)表示，u_thresh是灰度差阈值的上限，l_thresh是灰度差阈值的下限，并按如下公式得到：

u_thresh＝ud*w+cn                            1)

l_thresh＝-(ld*w+cn)                        2)

其中ud是u_list中灰度的标准差，ld是l_list中灰度的标准差，w是调整阈值上、下限的参数，w值增大，则阈值范围增大，反之，阈值范围减小，cn是公式1)和2)中需要使用的一个参数，

其中un是数组u_list的大小，ln是数组l_list的大小，a是调整阈值上、下限的参数，a值增大，则阈值范围增大，反之，阈值范围减小；

(2c)在原种子点的8邻域内寻找一个新种子点，将新种子点的坐标值设置为步骤(2a)中得到的坐标(xn，yn)，并将已生长区域的点的灰度值均值region_mean按照如下公式更新：

region_mean＝(u_mean+l_mean)/2                            3)

其中u_mean表示数组u_list中元素的均值，l_mean表示数组l_list中元素的均值；

(2e)重复步骤(2a)～(2c)，直至满足步骤(2b)中规定的区域生长停止条件，则完成整个区域生长过程，得到一个新的二值图像，新的二值图像被分为两个区域，一个是已生长区域，像素点的灰度值为1，另一个是未生长的区域，像素点灰度值为0，其中已生长的区域就是需要从原图像分割出的目标区域；

步骤3，将步骤(2)中得到的最终的区域生长结果依次进行形态学闭运算和移除操作，去除已生长区域的边缘的毛刺和局部错分割区域，得到平滑后的目标区域的边缘轮廓。

形态学闭运算指的是图像处理中先膨胀再腐蚀的操作组合，其中膨胀的作用是将图像“加长”或者“变粗”，腐蚀的作用是将图像“收缩”或者“细化”。形态学闭运算的作用是平滑对象的轮廓，将狭窄的缺口连接起来形成细长的碗口，并填充对象内部的小孔洞。移除操作的作用是去掉图像内部的像素，提取其边缘轮廓。

步骤4，把目标区域的边缘轮廓以及它内部的点的灰度值都置成1，其余的点的灰度置为0，得到满足水平集演化的初始化零水平集φ₀；

步骤5，设定一个演化迭代次数为200，进行水平集演化，直至满足预设的迭代演化次数，得到最终的目标区域的边缘轮廓。

(5a)将原SAR图像与高斯低通滤波器G_σ卷积，得到经过平滑后的图像G_σ*Img，并求平滑图像的梯度

得到水平集演化函数的边缘检测器g：

$g=\frac{1}{1+|\▿G_{\mathrm{\σ}}*\mathrm{Img}|}---4)$

其中符号*表示卷积，Img用来表示原图像，σ是高斯低通滤波器的方差，

表示求梯度的符号；

(5b)根据边缘检测器g，利用下式进行水平集演化：

$\frac{\∂\mathrm{\φ}}{\∂t}=\mathrm{\μ}[\mathrm{\Δ\φ}-\mathrm{div}[\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\left]\right]+\mathrm{\λ\δ}\left(\mathrm{\φ}\right)\mathrm{div}\left[g\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right]+\mathrm{\υg\δ}\left(\mathrm{\φ}\right)---5)$

其中

表示求导数，Δ表示拉普拉斯算子，div表示散度，μ，λ，υ分别为控制惩罚，长度，面积能量项的参数，其中，μ＝0.4，λ＝5，υ＝-3.5，δ(φ)是水平集演化过程中需要的Dirac函数：

$\mathrm{\δ}\left(\mathrm{\φ}\right)=\left\{\begin{array}{cc}0,& \left|\mathrm{\φ}\right|>\mathrm{\ϵ}\\ \frac{1}{2\mathrm{\ϵ}}[1+\cos \left(\frac{\mathrm{\π\φ}}{\mathrm{\ϵ}}\right)],& \left|\mathrm{\φ}\right|\≤\mathrm{\ϵ}\end{array}\right.---6)$

ε是调整函数的参数，ε取值为1.5；

(5c)重复步骤(5b)直至达到预设的演化迭代次数，得到与原图像SAR大小完全相同的二维矩阵，该矩阵内包括正值和负值两种元素值，每个元素值区域对应原SAR图像的每一个像素点，即负值区域所对应原SAR图像的要分割的目标区域，正值区域和负值区域的交界区域对应原SAR图像中需要检测的目标区域的精确边缘轮廓。

本发明的效果可以通过以下仿真结果进一步说明。

1.仿真内容

本发明用如图2所示的两个SAR图像作为测试图像，仿真结果中还给出了本发明方法与基于分段连续模型的水平集方法，传统区域生长方法和canny算法应用于测试图像的对比结果，用对比结果进一步说明本发明在目标区域边缘定位的准确性方面和克服噪声对目标区域边缘定位的干扰方面的优越性。

仿真内容1，将基于分段连续模型的水平集方法，区域生长方法，传统的边缘检测canny算法与本发明应用于第一个SAR测试图像进行仿真实验，其结果如图3所示，其中图3(a)为区域生长方法应用于第一个SAR测试图像的仿真实验结果，图3(b)为本发明应用于第一个SAR测试图像的仿真实验结果，图3(c)为传统的边缘检测算法canny算法应用于第一个SAR测试图像的实验结果，图3(d)为基于分段连续模型的水平集方法应用于第一个SAR测试图像的实验结果。

仿真内容2，将基于分段连续模型的水平集方法，区域生长方法，传统的边缘检测canny算法与本发明应用于第二个SAR测试图像进行仿真实验，其结果如图4所示，其中图4(a)为区域生长方法应用于第二个SAR测试图像的仿真实验结果，图4(b)为本发明应用于第二个SAR测试图像的仿真实验结果，图4(c)为传统的边缘检测算法canny算法应用于第二个SAR测试图像的实验结果，图4(d)为基于分段连续模型的水平集方法应用于第二个SAR测试图像的实验结果。

2.仿真结果

从图3可以看出，本发明获得了比现有其他方法更好的边缘轮廓，并且有较强克服冗余边缘能力。区域生长算法能够得到大致的目标区域的边缘轮廓，但是边缘锯齿现象比较严重，并且准确性不高。Canny算法得到的边缘效果很差，断边缘现象比较严重。基于分段连续模型的水平集方法能够得到比较准确的目标轮廓，但是得到冗余边缘较多。因此本发明取得了比其他边缘检测方法更优的边缘检测效果。

从图4可以看出，本发明获得了比现有其他方法更精确的边缘轮廓。区域生长算法边缘锯齿现象比较严重，并且准确性不高，不能得到精确的边缘轮廓。Canny算法得到的边缘效果很差，断边缘现象，错边缘现象比较严重。基于分段连续模型的水平集方法能够得到比较准确的目标轮廓，但是在复杂环境下出现冗余边缘较多。因此本发明取得了比其他边缘检测方法更优的边缘检测效果。

Claims (3)

1.一种SAR图像道机场路边缘检测水平集方法，包括如下步骤：

(1)输入SAR图像，并对该图像依次进行中值滤波和亮度变换，得到图像增强后的结果；

(2)在已增强图像上手动选取初始化种子点，得到种子点在图像中对应的位置坐标(x，y)，从初始化种子点处出开始区域生长：

(2a)将在种子点的8邻域内并且还没有生长的点的灰度值与已生长的区域的灰度值均值比较，将大于已生长的区域的灰度值均值region_mean的点的灰度值放入u_list中，小于已生长的区域的灰度值均值的点的灰度值放入l_list中，得到邻域内与已生长的区域的灰度值均值的差值最小的点的坐标(xn，yn)和最小灰度差，其中u_list是用来放大于已生长的区域的灰度值均值的点的灰度值的数组，l_list用来放小于于已生长的区域的灰度值均值的点的灰度值的数组；

(2b)检验步骤(2a)中得到的最小灰度差是否超出阈值范围，如果超出阈值范围则区域生长停止，反之，则继续区域生长，并将满足上述阈值条件的种子点坐标放入用于存放已生长点坐标的数组；

其中，阈值范围由(u_thresh，l_thresh)表示，u_thresh是灰度差阈值的上限，l_thresh是灰度差阈值的下限，并按如下公式得到：

u_thresh＝ud*w+cn                            1)

l_thresh＝-(ld*w+cn)                         2)

其中ud是u_list中灰度的标准差，ld是l_list中灰度的标准差，w是调整阈值上、下限的参数，w值增大，则阈值范围增大，反之，阈值范围减小，cn是公式1)和2)中需要使用的一个参数，

其中un是数组u_list的大小，ln是数组l_list的大小，a是调整阈值上、下限的参数，a值增大，则阈值范围增大，反之，阈值范围减小；

(2c)在原种子点的8邻域内寻找一个新种子点，将新种子点的坐标值设置为步骤(2a)中得到的坐标(xn，yn)，并将已生长区域的点的灰度值均值region_mean按照如下公式更新：

region_mean＝(u_mean+l_mean)/2                            3)

其中u_mean表示数组u_list中元素的均值，l_mean表示数组l_list中元素的均值；

(2e)重复步骤(2a)～(2c)，直至满足步骤(2b)中规定的区域生长停止条件，则完成整个区域生长过程，得到一个新的二值图像，新的二值图像被分为两个区域，一个是已生长区域，像素点的灰度值为1，另一个是未生长的区域，像素点灰度值为0，其中已生长的区域就是需要从原图像分割出的目标区域；

(3)将步骤(2)中得到的最终的区域生长结果依次进行形态学闭运算和移除操作，去除已生长区域的边缘的毛刺和局部错分割区域，得到平滑后的目标区域的边缘轮廓；

(4)把目标区域的边缘轮廓以及它内部的点的灰度值都置成1，其余的点的灰度置为0，得到满足水平集演化的初始化零水平集φ₀；

(5)设定一个演化迭代次数为200，进行水平集演化，直至满足预设的迭代演化次数，得到最终的目标区域的边缘轮廓。

2.根据权利要求1所述的检测水平集方法，其中步骤(5)所述的进行水平集演化，包括如下步骤：

(5a)将原SAR图像与高斯低通滤波器G_σ卷积，得到经过平滑后的图像G_σ*Img，并求平滑图像的梯度

得到水平集演化函数的边缘检测器g：

$g=\frac{1}{1+|\▿G_{\mathrm{\σ}}*\mathrm{Img}|}---4)$

其中符号*表示卷积，Img用来表示原图像，σ是高斯低通滤波器的方差，

表示求梯度的符号；

(5b)根据边缘检测器g，利用下式进行水平集演化：

$\frac{\∂\mathrm{\φ}}{\∂t}=\mathrm{\μ}[\mathrm{\Δ\φ}-\mathrm{div}[\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\left]\right]+\mathrm{\λ\δ}\left(\mathrm{\φ}\right)\mathrm{div}\left[g\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right]+\mathrm{\υg\δ}\left(\mathrm{\φ}\right)---5)$

其中

表示求导数，Δ表示拉普拉斯算子，div表示散度，μ，λ，υ分别为控制惩罚，长度，面积能量项的参数，其中，μ＝0.4，λ＝5，υ＝-3.5，δ(φ)是水平集演化过程中需要的Dirac函数：

$\mathrm{\δ}\left(\mathrm{\φ}\right)=\left\{\begin{array}{cc}0,& \left|\mathrm{\φ}\right|>\mathrm{\ϵ}\\ \frac{1}{2\mathrm{\ϵ}}[1+\cos \left(\frac{\mathrm{\π\φ}}{\mathrm{\ϵ}}\right)],& \left|\mathrm{\φ}\right|\≤\mathrm{\ϵ}\end{array}\right.---6)$

ε是调整函数的参数，ε取值为1.5；

(5c)重复步骤(5b)直至达到预设的演化迭代次数，得到与原图像SAR大小完全相同的二维矩阵。

3.根据权利要求2所述的水平集方法，其中步骤(5c)所述的二维矩阵，包括正值和负值两种元素值，每个元素值区域对应原SAR图像的每一个像素点，即负值区域所对应原SAR图像的要分割的目标区域，正值区域和负值区域的交界区域对应原SAR图像中需要检测的目标区域的精确边缘轮廓。

Images