CN102012511A - 基于单时相单极化高分辨率sar图像的二次成像方法 - Google Patents
基于单时相单极化高分辨率sar图像的二次成像方法 Download PDFInfo
- Publication number
- CN102012511A CN102012511A CN 201010505394 CN201010505394A CN102012511A CN 102012511 A CN102012511 A CN 102012511A CN 201010505394 CN201010505394 CN 201010505394 CN 201010505394 A CN201010505394 A CN 201010505394A CN 102012511 A CN102012511 A CN 102012511A
- Authority
- CN
- China
- Prior art keywords
- pixel
- sar image
- image
- gray level
- window
- 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.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明涉及SAR图像处理技术领域,尤其涉及一种基于单通道单极化高分辨率SAR图像类别的二次成像方法。本发明通过对高分辨率SAR图像提取权秩填充比特征和灰度共生矩阵的逆差矩特征,更详细地、准确地描述了图像内容;将原始高分辨率SAR图像的强度作为亮度,权秩填充比特征作为蓝色通道,灰度共生矩阵的逆差矩特征图作为红色通道,在YCbCr颜色空间中成像,由于输出图像以原始强度值作为亮度因此能够在成像的同时尽可能保留原始SAR图像的信息,同时权秩填充比特征和逆差矩特征的应用能够反映原始SAR图像的局部细节。本发明计算效率高,适用于高分辨率SAR图像,可有效提高单通道单极化高分辨率SAR图像的可视性和可读性。
Description
技术领域
本发明属于高分辨率合成孔径雷达(Synthetic Aperture Radar,SAR)图像处理技术领域,尤其是一种基于单时相单极化高分辨率SAR图像的二次成像方法。
背景技术
SAR具有全天候、全天时成像能力并且能够在不同的频段、不同极化条件下得到地物目标的高分辨率图像,为人们提供各种非常有用的信息。但是,SAR图像的分析和处理要远比一股光学图像的分析和处理困难得多,SAR图像直接应用于民用和军事领域的障碍是:SAR图像不能像光学图像那样能直观地被理解。作为一种成像雷达,SAR系统工作在微波波段,靠相干成像,因此,其成像机理要比传统的光学遥感成像机制复杂得多,并且SAR图像具有特殊的辐射和几何畸变,其信息形成的机理和信息提取的方法也和传统的光学遥感图像有很大的不同。另一方面,由于相干成像原理,SAR图像具有相干系统所特有的相干斑干扰,从而造成图像幅度分辨率的严重下降,这使得传统的光学图像分析和处理方法也很难对SAR图像非常有效。而且,雷达波所探测的地表纹理结构通常都比较复杂,并且由于分辨率的限制,图像细节特征也没有光学图像那样明显。因此,SAR图像的分析和处理技术要比一股光学图像的更难、更复杂,这也是制约SAR系统应用的一个主要原因。
将SAR图像数据和信息特征空间的信息重构成“SAR信息图像”,我们称之为SAR图像二次成像,SAR图像二次成像使SAR图像成为可视性和可读性较好的“图像”。能够利用机器视觉方法,进行SAR图像自动解译。目前,在SAR图像处理领域,对SAR图像的二次成像已经在多极化干涉SAR图像和多时相单极化SAR图像上实现。
由于多极化SAR图像本身就包含了多个极化通道的信息,如HH极化通道、VV极化通道和HV极化通道(或VH极化通道),各通道的信息不同,因此,利用不同通道的信息就可以得到可视性和可读性较好的“图像”。
Karsten等提出在两张不同时相的高分辨率SAR干涉图像上实现二次成像。一股认为分辨率高于10米的SAR图像是高分辨率SAR图像。为了实现二次成像,他共使用了三种特征:CoV特征反应SAR图像的统计特性,用以区分SAR图像中同质和异质区域,Am特征是SAR图像的均值,它用以区分SAR图像中粗糙和平滑的区域,Coh特征计算了SAR图像的干涉相位,它用以区分SAR图像中目标的散射方式。这是我们目前所知的唯一利用多时相高分辨率SAR图像的进行二次成像的结果。
但是在实际的计算中,我们通常比较难以获得同一区域不同时相的图像,因此有必要研究如何充分利用单时相单极化高分辨率SAR图像的信息实现“二次成像”。
发明内容
本发明目的是利用单时相单极化SAR图像的信息,提供一种“二次成像”后的图像,用于提高原始SAR图像的可视性和可读性,同时保留原始SAR图像的信息。
为实现上述目的,本发明提供一种基于单通道单极化高分辨率SAR图像的二次成像方法,包括以下步骤:
步骤1,选择高分辨率SAR图像;
步骤2,计算该高分辨率SAR图像中每个像素的权秩填充比特征,构成权秩填充比特征图;
步骤3,计算该高分辨率SAR图像中每个像素的灰度共生矩阵的同质性特征,构成灰度共生矩阵的同质性特征图;
步骤4,将原始高分辨率SAR图像的像素值作为二次成像图像的亮度,权秩填充比特征图和灰度共生矩阵的逆差矩特征图分别作为蓝色和红色通道,在YCbCr颜色空间成像。
而且,步骤2中,计算高分辨率SAR图像中某像素的权秩填充比特征包括以下步骤,
步骤2.1,选择以高分辨率SAR图像中某像素(x,y)为中心的一个窗口,作为权秩填充比特征提取的对象;
步骤2.2,将步骤2.1所选择窗口内的所有像素按照像素值由大到小排序;
步骤2.3,计算窗口内排序在前k%像素的像素值总和S0;
步骤2.4,计算窗口内所有像素的像素值总和S;
步骤2.5,像素(x,y)的权秩填充比特征依据公式计算:权秩填充比=S0/S。
而且,在步骤3中,计算高分辨率SAR图像中某像素的灰度共生矩阵的逆差矩特征包括以下步骤,
步骤3.1,选择以高分辨率SAR图中某像素(x,y)为中心的窗口为特征提取的对象,窗口大小记为M×N;
步骤3.2,计算该窗口内像素值的灰度共生矩阵,计算灰度共生矩阵的方式为,
将步骤3.1所选择窗口内像素记为(u,v),其中u和v为窗口内像素的水平坐标值和垂直坐标值,u∈[1,M]u∈[1,N],f(u,v)为像素(u,v)处的像素值,将窗口内所有像素的像素值分为Ng个灰度级别;
统计窗口内任意左右相邻两个像素,左边像素的像素值为i和右边像素的像素值为j的像素对的数目,记为P(i,j),即其中i∈[1,Ng]j∈[1,Ng];直到图像中Ng个灰度级别都统计完成,得到大小为Ng×Ng的灰度共生矩阵P;
步骤3.3,计算灰度共生矩阵P的逆差矩特征,即像素(x,y)的灰度共生矩阵的逆差矩特征IDM计算如下:
本发明的特点是:将原始高分辨率SAR图像的强度作为二次成像结果的亮度,其他两个特征值分别作为二次成像红色和蓝色通道的值,能够尽可能的保留原始高分辨率SAR图像的信息,同时使得到的图像中各类别能够通过人眼简单的区分,大大提高原图的可视性与可读性。
附图说明
图1为本发明的流程框图。
具体实施方式
本发明所提供基于单时相单极化高分辨率SAR图像的二次成像方法,具体实施方式可参见图1,按步骤详述如下:
步骤1,取高分辨率SAR图像。取来自于SAR雷达成像所得的SAR原始图像即可。
步骤2,计算该高分辨率SAR图像的权秩填充比特征,构成权秩填充比特征图。
在本领域,权秩填充比特征常称为Weighted rank fill ratio。本发明进一步提供了计算权秩填充比特征图的具体方式,遍历高分辨率SAR图中每个像素,对每个像素分别实施以下几个步骤:
步骤2.1,选择以高分辨率SAR图像中某像素(x,y)为中心的一定大小的窗口为特征提取的对象;其中x和y分别为像素的水平坐标值和垂直坐标值;正方形窗口便于计算,因此窗口大小建议取3×3或5×5;
步骤2.2,将窗口内的所有像素按照像素值由大到小排序;
步骤2.3,计算窗口内排序在前k%像素的像素值总和S0,k通常取5;
步骤2.4,计算窗口内所有像素的像素值总和S;
步骤2.5,像素(x,y)的权秩填充比特征依据以下公式计算:
权秩填充比=S0/S;
重复步骤2.1到2.5,直到高分辨率SAR图像内所有像素的权秩填充比特征计算完毕,将每个像素的权秩填充比特征作为该像素新的像素值,结果即构成权秩填充比特征图。
步骤3,计算该高分辨率SAR图像的灰度共生矩阵的同质性特征,构成灰度共生矩阵的逆差矩特征图。本发明进一步提供了计算灰度共生矩阵的同质性特征具体方式,遍历高分辨率SAR图中每个像素,对每个像素计算灰度共生矩阵的逆差矩特征分以下步骤:
步骤3.1,选择以高分辨率SAR图中某像素(x,y)为中心的窗口为特征提取的对象,其中x和y分别为该像素的水平坐标值和垂直坐标值,窗口大小记为M×N。为了处理的方便,具体实施时可以在选定大小的窗口内同时计算两种特征,即本步骤窗口大小同步骤2.1相同。
步骤3.2,计算该窗口内像素值的灰度共生矩阵,计算灰度共生矩阵的步骤如下:
步骤3.2.1,将步骤3.1所选择窗口内像素记为(u,v),其中u和v为窗口内像素的水平坐标值和垂直坐标值,u∈[1,M]u∈[1,N],f(u,v)为像素(u,v)处的像素值,将窗口内所有像素的像素值分为Ng个灰度级别;实施时Ng建议取值为8或16;
步骤3.2.2,统计窗口内任意左右相邻两个像素,左边像素的像素值为i和右边像素的像素值为j的像素对的数目,记为P(i,j),即其中i∈[1,Ng]j∈[1,Ng];直到图像中Ng个灰度级别都统计完成,得到大小为Ng×Ng的灰度共生矩阵P。
步骤3.3,计算该灰度共生矩阵的逆差矩特征,逆差矩特征(IDM)的计算如下:
它反映图像纹理的同质性,度量图像纹理的局部变化。
重复步骤3.1到3.3,直到图像内所有像素灰度共生矩阵的逆差矩特征计算完成。将每个像素的灰度共生矩阵的逆差矩特征作为该像素新的像素值,就得到灰度共生矩阵的逆差矩特征图。
经步骤2和3完成SAR图像特征提取得到特征图后,进行步骤4完成SAR信息图像重构,从而得到二次成像结果图。
步骤4,将原始高分辨率SAR图像的像素值作为二次成像图像的亮度(即下式中的Y),权秩填充比特征图和灰度共生矩阵的逆差矩特征图分别作为蓝色通道(即下式中的Cb)和红色通道(即下式中的Cr),在YCbCr颜色空间成像。
YCbCr颜色空间到RGB颜色空间的转换公式为:
Y=16+(65.481×R+128.553×G+24.966×B)
Cb=128+(-37.797×R-74.203G+112.0×B) (2)
Cr=128+(112×R-93.786×G-18.214×B)
利用上式可将YCbCr颜色空间的图像转化成RGB彩色图像。即按照上面的公式计算可得到最终的二次成像结果图。
结合本发明的内容进一步提供以下实施例:
本实施例将本发明所提供技术方案应用在高分辨率SAR图像二次成像应用中。
(1)取一幅大小为40000×40000像素的高分辨率SAR图像,记为I。该图像是TerraSAR-X拍摄的中国湖北省武汉市某处。
(2)该图像上大致包括人工建筑、湖泊、池塘、田地等多类地物。在该图上以每个像素为中心,划分5×5的窗口。
(3)在每个窗口中提取权秩填充比特征:
(3.1)将窗口内的25个像素值按照由大到小的顺序排序;
(3.2)令k=5,计算前5%个像素的像素值之和S0,由于25×5%≈1,因此实施例的S0等于窗口内的最大的像素值;
(3.3)计算窗口内像素值之和S。
(3.4)计算权秩填充比特征S0/S。
(3.5)将此权秩填充比特征计算结果作为该窗口中心像素的权秩填充比特征。
(4)重复(3)直到图像中所有像素的权秩填充比特征计算完成,将每个像素的权秩填充比特征作为该像素新的像素值,得到权秩填充比特征图,记为W。
(5)将图像中的像素值量化成16个灰度级,即本实施例将Ng取值为16;
(6)在每个窗口内计算灰度共生矩阵:
统计左右相邻两个像素值分别为1和1的像素对的数目,记为P(1,1),统计左右相邻两个像素值分别为1和2的像素对的数目,记为P(1,2);
依次计算直到统计完成16个灰度级别的像素对数,得到灰度共生矩阵P,实施例中的P是大小为16×16的矩阵,形式如下:
P(1,1)P(1,2)…P(1,16)
P(2,1)P(2,2)…P(2,16)
……
P(16,1)P(16,2)…P(16,16)
(7)根据步骤3.6中的公式(1)计算灰度共生矩阵P的逆差矩特征。
(8)将此灰度共生矩阵的逆差矩特征作为该窗口中心像素的逆差矩特征。
(9)重复(6)~(8)直到图像中所有像素的灰度共生矩阵逆差矩特征计算完成,将每个像素的灰度共生矩阵逆差矩特征作为该像素新的像素值,得到灰度共生矩阵逆差矩特征图,记为D。
(10)令Y=I,Cb=W,Cr=D,根据步骤4给出的公式(2),计算RGB三个颜色分量,得到二次成像结果图。
Claims (3)
1.一种基于单通道单极化高分辨率SAR图像的二次成像方法,其特征在于,包括以下步骤:
步骤1,选择高分辨率SAR图像;
步骤2,计算该高分辨率SAR图像中每个像素的权秩填充比特征,构成权秩填充比特征图;
步骤3,计算该高分辨率SAR图像中每个像素的灰度共生矩阵的同质性特征,构成灰度共生矩阵的同质性特征图;
步骤4,将原始高分辨率SAR图像的像素值作为二次成像图像的亮度,权秩填充比特征图和灰度共生矩阵的逆差矩特征图分别作为蓝色和红色通道,在YCbCr颜色空间成像。
2.如权利要求1所述的二次成像方法,其特征在于:在步骤2中,计算高分辨率SAR图像中某像素的权秩填充比特征包括以下步骤,
步骤2.1,选择以高分辨率SAR图像中某像素(x,y)为中心的一个窗口,作为权秩填充比特征提取的对象;
步骤2.2,将步骤2.1所选择窗口内的所有像素按照像素值由大到小排序;
步骤2.3,计算窗口内排序在前k%像素的像素值总和S0;
步骤2.4,计算窗口内所有像素的像素值总和S;
步骤2.5,像素(x,y)的权秩填充比特征依据公式计算:权秩填充比=S0/S。
3.如权利要求1或2所述的二次成像方法,其特征在于:在步骤3中,计算高分辨率SAR图像中某像素的灰度共生矩阵的逆差矩特征包括以下步骤,
步骤3.1,选择以高分辨率SAR图中某像素(x,y)为中心的窗口为特征提取的对象,窗口大小记为M×N;
步骤3.2,计算该窗口内像素值的灰度共生矩阵,计算灰度共生矩阵的方式为,
将步骤3.1所选择窗口内像素记为(u,v),其中u和v为窗口内像素的水平坐标值和垂直坐标值,u∈[1,M]u∈[1,N],f(u,v)为像素(u,v)处的像素值,将窗口内所有像素的像素值分为Ng个灰度级别;
统计窗口内任意左右相邻两个像素,左边像素的像素值为i和右边像素的像素值为j的像素对的数目,记为P(i,j),即其中i∈[1,Ng]j∈[1,Ng];直到图像中Ng个灰度级别都统计完成,得到大小为Ng×Ng的灰度共生矩阵P;
步骤3.3,计算灰度共生矩阵P的逆差矩特征,即像素(x,y)的灰度共生矩阵的逆差矩特征IDM计算如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010505394A CN102012511B (zh) | 2010-10-13 | 2010-10-13 | 基于单时相单极化高分辨率sar图像的二次成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010505394A CN102012511B (zh) | 2010-10-13 | 2010-10-13 | 基于单时相单极化高分辨率sar图像的二次成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102012511A true CN102012511A (zh) | 2011-04-13 |
CN102012511B CN102012511B (zh) | 2012-09-05 |
Family
ID=43842740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010505394A Expired - Fee Related CN102012511B (zh) | 2010-10-13 | 2010-10-13 | 基于单时相单极化高分辨率sar图像的二次成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102012511B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865572A (zh) * | 2015-05-21 | 2015-08-26 | 武汉大学 | 一种基于感兴趣目标增强的极化合成方法 |
CN107329139A (zh) * | 2017-07-26 | 2017-11-07 | 邓少平 | 一种双时相双极化干涉sar影像水域提取方法 |
CN113487493A (zh) * | 2021-06-02 | 2021-10-08 | 厦门大学 | 基于GANilla的SAR图像自动彩色化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008116048A1 (en) * | 2007-03-22 | 2008-09-25 | Harris Corporation | Method and apparatus for processing sar images based on an anisotropic diffusion filtering algorithm |
CN101556693A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 阈值法标记提取的分水岭sar图像分割方法 |
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
CN101685158A (zh) * | 2009-07-02 | 2010-03-31 | 西安电子科技大学 | 基于隐马尔科夫树模型的sar图像去噪方法 |
CN101727662A (zh) * | 2009-11-27 | 2010-06-09 | 西安电子科技大学 | Sar图像非局部均值去斑方法 |
-
2010
- 2010-10-13 CN CN201010505394A patent/CN102012511B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008116048A1 (en) * | 2007-03-22 | 2008-09-25 | Harris Corporation | Method and apparatus for processing sar images based on an anisotropic diffusion filtering algorithm |
CN101556693A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 阈值法标记提取的分水岭sar图像分割方法 |
CN101685158A (zh) * | 2009-07-02 | 2010-03-31 | 西安电子科技大学 | 基于隐马尔科夫树模型的sar图像去噪方法 |
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
CN101727662A (zh) * | 2009-11-27 | 2010-06-09 | 西安电子科技大学 | Sar图像非局部均值去斑方法 |
Non-Patent Citations (2)
Title |
---|
《TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 20030930 Rob J. Dekker Texture Analysis and Classification of ERS SAR Images for Map Updating of Urban Areas in The Netherlands 第1950-1958页 1-3 第41卷, 第9期 * |
《喀什师范学院学报》 20061130 李丙春 基于共生矩阵的图像纹理特征提取及应用 第35-37页 1-3 第27卷, 第6期 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865572A (zh) * | 2015-05-21 | 2015-08-26 | 武汉大学 | 一种基于感兴趣目标增强的极化合成方法 |
CN107329139A (zh) * | 2017-07-26 | 2017-11-07 | 邓少平 | 一种双时相双极化干涉sar影像水域提取方法 |
CN107329139B (zh) * | 2017-07-26 | 2020-05-08 | 邓少平 | 一种双时相双极化干涉sar影像水域提取方法 |
CN113487493A (zh) * | 2021-06-02 | 2021-10-08 | 厦门大学 | 基于GANilla的SAR图像自动彩色化方法 |
CN113487493B (zh) * | 2021-06-02 | 2023-08-18 | 厦门大学 | 基于GANilla的SAR图像自动彩色化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102012511B (zh) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10635929B2 (en) | Saliency-based method for extracting road target from night vision infrared image | |
CN102063710B (zh) | 一种遥感图像融合增强的实现方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN105046648B (zh) | 一种构建高时空遥感数据的方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
Al-Wassai et al. | The IHS transformations based image fusion | |
CN103247059B (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN102194099B (zh) | 用于高光谱目标探测方法的高级背景估计技术和电路 | |
CN101562675B (zh) | 基于Contourlet变换的无参考型图像质量评测方法 | |
CN101189641A (zh) | 编码数字图像的像素或体素的方法及处理数字图像的方法 | |
CN106056155A (zh) | 基于边界信息融合的超像素分割方法 | |
CN102651124B (zh) | 基于冗余字典稀疏表示和评价指标的图像融合方法 | |
CN102800111B (zh) | 基于颜色协调性的彩色融合图像颜色质量评价方法 | |
CN109191428A (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
CN102982517A (zh) | 基于光谱与空间局部相关的遥感影像融合方法 | |
CN104008543A (zh) | 一种图像融合质量评价方法 | |
CN105096285A (zh) | 一种基于多核dsp的图像融合与目标跟踪系统 | |
CN102306295A (zh) | 一种基于单波段红外图像的自然彩色夜视实现方法 | |
CN107145860A (zh) | 基于空间信息和深度学习的极化sar图像分类方法 | |
CN102012511B (zh) | 基于单时相单极化高分辨率sar图像的二次成像方法 | |
CN108154493A (zh) | 一种基于fpga的双波段红外图像伪彩融合算法 | |
CN109696406B (zh) | 一种基于复合端元的月表高光谱图像阴影区域解混方法 | |
CN102945546B (zh) | 一种高光谱图像稀疏表示的可视化方法 | |
CN106355625B (zh) | 一种单极化sar假彩色影像生成方法 | |
Zhu et al. | HCNNet: A hybrid convolutional neural network for spatiotemporal image fusion |
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: 20120905 Termination date: 20151013 |
|
EXPY | Termination of patent right or utility model |