CN103186900A - 一种InSAR水体和阴影区域自动提取和识别的方法 - Google Patents
一种InSAR水体和阴影区域自动提取和识别的方法 Download PDFInfo
- Publication number
- CN103186900A CN103186900A CN2013100995299A CN201310099529A CN103186900A CN 103186900 A CN103186900 A CN 103186900A CN 2013100995299 A CN2013100995299 A CN 2013100995299A CN 201310099529 A CN201310099529 A CN 201310099529A CN 103186900 A CN103186900 A CN 103186900A
- Authority
- CN
- China
- Prior art keywords
- water body
- rough error
- point
- error point
- distance
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 6
- 238000013316 zoning Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000877 morphologic effect Effects 0.000 abstract 1
- 238000011439 discrete element method Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
为解决水体和阴影区域的提取和区分方面的问题，本发明提出了一种InSAR水体和阴影区域自动提取和识别的方法。1）检测出斜距DEM中的待选粗差点；2）根据待选粗差点位置利用SAR斜距幅度图和相干图对其进行筛选，求取筛选之后粗差点在SAR斜距幅度图上的灰度均值和标准差；3）根据粗差点的均值和标准差设立阈值，在SAR斜距幅度图中进行区域生长，从而提取出水体和阴影的模板，然后运用形态学处理和连通区域统计去除极小的区域；4）将模板覆盖在斜距DEM中，分别得到每个区域边缘信息，沿距离向计算区域每一对对应前后点的高程差h和斜距距离l，以及两者的比：h/l；5）根据比值和雷达俯角β的关系对水体和阴影进行判断，识别出两者。
Description
技术领域
本发明属于InSAR数据处理领域，涉及一种InSAR水体和阴影区域自动提取和识别的方法。
背景技术
合成孔径雷达干涉测量（Interferometric Synthetic Aperture Radar，InSAR）综合合成孔径雷达成像原理和干涉测量技术，能够生成高精度的数字高程模型（Digital elevationmodel，DEM）。然而，由于SAR侧视成像的特点，水体表面近似为镜面，微波几乎没有后向散射；在地形的背坡，当坡度过大的时候会出现阴影，完全接收不到地物信息。因此，水体和阴影不仅在SAR图像中呈现出暗色调，而且在相干系数图中也表现为低相干区域。在最终生成的DEM中两者都表现为杂乱无章的毛刺状区域，严重影响DEM数据的使用，必须对其进行处理。由于水体和阴影区域具有不同的地形特点，所以首先要对两者进行区分。
现存的水体提取方法常用的阈值法会产生“椒盐现象”，而区域生长法（包括块搜索算法）难点在于确定种子点和阈值；单纯利用相干图进行分割，由于相干系数难以准确估计，导致其提取的水体和阴影模板难以定位边缘。
在SAR图像上区分水体和阴影，常常借助外部DEM，不仅配准比较难，而且对DEM的要求非常高，通常情况下难以满足，尤其是小面积的水体和阴影存在的情况，区分效果不好；而借助InSAR DEM的方法，首先要求对InSAR DEM进行水体和阴影的内插修复再形成坡度图判断（X.M.Yang and Z.Andy,Rapid extraction of water bodies from SAR imagery assistedby InSAR DEMs,Proceedings of SPIE,3503,73～78,1998.），这种内插方法对大区域的阴影修复效果非常差，而且还加入了人工识别的操作，这使得处理效率不高。
发明内容
为解决上述水体和阴影区域的提取和区分方面的问题，本发明提供了一种InSAR水体和阴影区域自动提取和识别的方法。
本发明提出的InSAR水体和阴影区域自动提取和识别的方法，包括以下步骤：
1）检测出斜距DEM中的待选粗差点；
2）根据待选粗差点位置利用SAR斜距幅度图和相干图对其进行筛选，求取筛选之后粗差点在SAR斜距幅度图上的灰度均值和标准差；
3）根据粗差点的均值和标准差设立阈值，在SAR斜距幅度图中进行区域生长，从而提取出水体和阴影的模板，然后运用形态学处理和连通区域统计去除极小的区域；
4）将模板覆盖在斜距DEM中，分别得到每个区域边缘信息，沿距离向计算区域每一对对应前后点的高程差h和斜距距离l，以及两者的比：h/l；
5）根据比值和雷达俯角β的关系对水体和阴影进行判断，识别出两者。
步骤2）中筛选粗差点采用以下方法：
①在幅度图中，计算以粗差点为中心的3×3模板下的灰度均值，若其大于图像灰度均值则剔除；
②在相干系数图中，相干系数值大于阈值的粗差点予以剔除，机载InSAR相干系数高，一般取阈值为0.9；
③计算每个粗差点N×N邻域内是否还有粗差点，如果没有则剔除此点，取N=3。
本发明的有益效果：
本发明利用InSAR的原始DEM、相干系数图和SAR幅度图选取种子点和阈值，实现水体阴影的自动提取；水体和阴影的识别方法不仅避免了人工的参与，而且相比外部数据的引入，其在小面积水体和阴影的区分方面具有很高的识别能力。
附图说明
图1为本发明实施InSAR水体和阴影区域自动提取和识别的方法流程图。
图2为SAR阴影和水体的成像几何关系图；
图3为SAR幅度图；
图4为图3对应的相干系数图；
图5为图3对应的DEM；
图6为图3右上角区域的水体和阴影区域DEM三维图；
图7为基于坡度的粗差点检测获取的粗差点模板；
图8为经过优化之后的粗差点模板；
图9为利用图8的粗差点在图3上区域生长并形态学处理之后得到的水体和阴影模板；
图10为图9中判断为水体的模板；
图11为图9中判断为阴影的模板；
图12为图9中判断为混合区域的模板；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
根据InSAR水体和阴影区域自动提取和识别的方法流程图（图1），本发明的具体操作如下：
（一）粗差点检测。水体和阴影在InSAR生成的DEM中表现为跳变明显的毛刺状区域，与正常的连续地形对比鲜明，可视为DEM中的粗差点区域。采用现有技术中基于坡度的粗差点检测算法计算每一点分别在行和列方向坡度变化差值的和，然后由所有点得到均方根误差值（RMSE），并以RMSE的倍数K1为阈值进行判断，若两个方向上的坡度变化差值的和都大于阈值，则判断为待选粗差点。其中K1的选择，在RMSE值小的时候，取大值，在RMSE值比较大的时候，取小值，K1取值一般在3左右。在某些情况下为了防止大的RMSE值抬高阈值，可取一个小水体的RMSE值作为阈值。
（二）粗差点优化。对于上一步得到的待选粗差点，有可能会有极少数分布在水体和阴影区域以外，由于水体和阴影区域灰度值和相干系数都很低，而且其粗差点成片存在。所以可以根据这三点剔除水体阴影区域之外的粗差点，子步骤如下：
①在幅度图中，计算以粗差点为中心的3×3模板下的灰度均值，若其大于图像灰度均值则剔除；
②在相干系数图中，相干系数值大于阈值K2的粗差点予以剔除，机载InSAR在正常区域的相干系数一般大于0.9，所以可取K2＝0.9。
③计算每个粗差点N×N邻域内是否还有粗差点，如果没有则剔除此点。实验中取N=3。
（三）以粗差点为种子点区域生长并形态学处理。将优化之后的粗差点在幅度图中求均值μ和标准差σ；然后以粗差点为种子点，以K3＝μ+2σ为阈值在幅度图中进行区域生长，小于阈值的判断为水体和阴影区域。在SAR幅度图中，水体阴影区域和正常区域不是严格界定的，有一个很窄的过渡区域。经过区域生长，得到的水体和阴影模板在边缘可能还会有少许的小空格。所以采用形态学闭运算，并进行连通区域统计，小于一定像素的可以去掉。闭运算的结构元素选用[0 1 0;1 1 1;0 1 0]，尽可能避免破坏边缘。可根据实际需要选择。
（四）获取区域边缘高程。将得到的水体和阴影区域模板，覆盖在DEM上，求取每个区域的边缘高程。为防止边缘点落入实际的水体和阴影区域，寻找每个边缘点的八邻域，选取不在水体阴影区域内的点的中值替代这个边缘点高程值。
（五）根据距离向点对关系识别水体和阴影。图2显示了水体和阴影的SAR成像几何关系图，阴影前后点的直线距离l（即斜距图中的像素点前后距离），h是阴影前后点的高程差值，β是雷达的俯角，前两者可以在DEM图像中求得，雷达俯角可以从雷达参数中得知。其满足关系：
h/l＝sinβ （1）
而对于水体，则满足：
h/l＝0 （2）
上述两个方程式为理想情况，实际上由于受数据处理过程中各种因素的影响，比如系统本身的误差、相位滤波和解缠带来的误差、水体和阴影区域模板提取的些许偏离等，都会造成区域边缘达不到理想情况，所以这里采用修正方案。子步骤如下：
①沿距离向搜索，找出区域在距离向分布的前后点（如图2中的A、B两点），求出l和h以及其比值，当满足：
r1＝h/l＜K4*sinβ （3）
就判断水体点对，否则判断为阴影点对。其中，对于小面积水体和阴影取小一点，可设置为0.5甚至更小。为了进一步减少误差带来的影响，可选只对斜距差l大于一定距离的点对才进行判断。
②统计区域所有的点对，计算下式：
r2＝Nwater/Ntotal （4）
其中，Nwater是水体的点对数目，Ntotal是所有参与判断的点对数目。r2是水体点对所占的比例。当r2＞K5判断为水体，r2＜1-K6时判断为阴影，否则认为是两者的混合。K5,K6分别为水体和阴影的比例阈值，如果取K5＝K6＝0.5，则只进行水体阴影的判断，不考虑混合区域，以其哪一种点对数目多为准。
③由于小区域计算的点对比较少，少量几个点对出现误差就可能带来不同的结果。因此，对于小区域，即参与判断的点对数目如果小于一定数目M，如果满足：
r3＝hsum/Ntotal＜K7 （5）
则判断为水体，其中hsum是所有参与判断的点对高程差之和，Ntotal是所有参与判断的点对数目，r3是参与判断的点对的平均高程差，K7为平均高程差阈值。M和K7值需根据DEM的水平和高程精度来设置。本实验中取M=100，K7＝1m。
下面利用实际机载InSAR数据来进行验证本发明的有效性。机载InSAR采用x波段，图像分辨率为0.5m，雷达俯角为45°。图3是SAR幅度图；图4是相干系数图；图5是未经处理的DEM数据；图6是未经处理的水体和阴影区域DEM三维图，对应于图3的右上角，水体和阴影区都表现为毛刺状区域；粗差点提取结果如图7；粗差点优化之后见图8；区域生长并经形态学处理之后获取的水体阴影模板见图9；自动识别之后得到水体模板（图10）、阴影模板（图11）、混合模板（图12）。
通过对实验数据的处理表明，本发明在水体和阴影的提取和识别方面效果非常明显，尤其是小水体都准确地识别出来。
Claims (2)
1.InSAR水体和阴影区域自动提取和识别的方法，其特征在于，包括以下步骤：
1）检测出斜距DEM中的待选粗差点；
2）根据待选粗差点位置利用SAR斜距幅度图和相干图对其进行筛选，求取筛选之后粗差点在SAR斜距幅度图上的灰度均值和标准差；
3）根据粗差点的均值和标准差设立阈值，在SAR斜距幅度图中进行区域生长，从而提取出水体和阴影的模板，然后运用形态学处理和连通区域统计去除极小的区域；
4）将模板覆盖在斜距DEM中，分别得到每个区域边缘信息，沿距离向计算区域每一对对应前后点的高程差h和斜距距离l，以及两者的比：h/l；
5）根据比值和雷达俯角β的关系对水体和阴影进行判断，识别出两者。
2.如权利要求1所述的InSAR水体和阴影区域自动提取和识别的方法，其特征在于，所述的步骤2）中筛选粗差点采用以下方法：
①在幅度图中，计算以粗差点为中心的3×3模板下的灰度均值，若其大于图像灰度均值则剔除；
②在相干系数图中，相干系数值大于阈值的粗差点予以剔除，机载InSAR相干系数高，一般取阈值为0.9；
③计算每个粗差点N×N邻域内是否还有粗差点，如果没有则剔除此点，取N=3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310099529.9A CN103186900B (zh) | 2013-03-26 | 2013-03-26 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310099529.9A CN103186900B (zh) | 2013-03-26 | 2013-03-26 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103186900A true CN103186900A (zh) | 2013-07-03 |
| CN103186900B CN103186900B (zh) | 2015-09-02 |
Family
ID=48678058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310099529.9A Expired - Fee Related CN103186900B (zh) | 2013-03-26 | 2013-03-26 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103186900B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955692A (zh) * | 2014-04-30 | 2014-07-30 | 北京理工大学 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
| CN105069771A (zh) * | 2015-05-22 | 2015-11-18 | 同济大学 | 基于主动轮廓的sar影像灾后水体信息提取方法 |
| CN105335765A (zh) * | 2015-10-20 | 2016-02-17 | 北京航天自动控制研究所 | 一种用于sar匹配的特征区域检测方法 |
| CN106249234A (zh) * | 2016-07-08 | 2016-12-21 | 中国科学院电子学研究所 | 一种InSAR水体区域干涉相位解缠方法 |
| CN104036515B (zh) * | 2014-06-30 | 2017-01-11 | 西安电子科技大学 | 基于单幅sar图像的车辆目标高度估计方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004113824A1 (en) * | 2003-06-16 | 2004-12-29 | Mark Odachowski | Tape measure |
| CN101739678A (zh) * | 2008-11-10 | 2010-06-16 | 财团法人工业技术研究院 | 物体阴影的检测方法 |
-
2013
- 2013-03-26 CN CN201310099529.9A patent/CN103186900B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004113824A1 (en) * | 2003-06-16 | 2004-12-29 | Mark Odachowski | Tape measure |
| CN101739678A (zh) * | 2008-11-10 | 2010-06-16 | 财团法人工业技术研究院 | 物体阴影的检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王健等: ""一种基于InSAR相干系数的SAR阴影提取方法"", 《武汉大学学报 信息科学版》, vol. 30, no. 12, 31 December 2005 (2005-12-31), pages 1063 - 1066 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955692A (zh) * | 2014-04-30 | 2014-07-30 | 北京理工大学 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
| CN103955692B (zh) * | 2014-04-30 | 2017-07-21 | 北京理工大学 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
| CN104036515B (zh) * | 2014-06-30 | 2017-01-11 | 西安电子科技大学 | 基于单幅sar图像的车辆目标高度估计方法 |
| CN105069771A (zh) * | 2015-05-22 | 2015-11-18 | 同济大学 | 基于主动轮廓的sar影像灾后水体信息提取方法 |
| CN105335765A (zh) * | 2015-10-20 | 2016-02-17 | 北京航天自动控制研究所 | 一种用于sar匹配的特征区域检测方法 |
| CN106249234A (zh) * | 2016-07-08 | 2016-12-21 | 中国科学院电子学研究所 | 一种InSAR水体区域干涉相位解缠方法 |
| CN106249234B (zh) * | 2016-07-08 | 2019-06-04 | 中国科学院电子学研究所 | 一种InSAR水体区域干涉相位解缠方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103186900B (zh) | 2015-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
| CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
| CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
| CN107154040B (zh) | 一种隧道衬砌表面图像裂缝检测方法 | |
| CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
| CN103186900A (zh) | 一种InSAR水体和阴影区域自动提取和识别的方法 | |
| CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
| CN104049245A (zh) | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 | |
| CN110287898B (zh) | 一种光学卫星遥感影像云检测方法 | |
| CN104021553B (zh) | 一种基于像素点分层的声纳图像目标检测方法 | |
| CN109584281B (zh) | 一种基于彩色图像和深度图像的重叠颗粒物分层计数方法 | |
| CN115761550A (zh) | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 | |
| CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
| CN102663385B (zh) | 一种星上点目标检测方法 | |
| CN105427301B (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
| CN101556693A (zh) | 阈值法标记提取的分水岭sar图像分割方法 | |
| CN105139375A (zh) | 一种结合全球dem与立体视觉的卫星影像云检测方法 | |
| Zhang et al. | Filtering photogrammetric point clouds using standard lidar filters towards dtm generation | |
| CN108764132B (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN105139391A (zh) | 一种雾霾天气交通图像边缘检测方法 | |
| CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
| CN104680488A (zh) | 一种基于中值滤波的dsm进行星载sar影像正射纠正的方法 | |
| CN112766154A (zh) | 一种高分辨率sar图像建筑物叠掩提取方法 | |
| CN113192126A (zh) | 一种基于图像圆形物体识别的测距定位方法 |
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: 20150902 |