CN103679728B - 一种复杂地形的sar图像的水域自动分割方法及装置 - Google Patents
一种复杂地形的sar图像的水域自动分割方法及装置 Download PDFInfo
- Publication number
- CN103679728B CN103679728B CN201310690431.0A CN201310690431A CN103679728B CN 103679728 B CN103679728 B CN 103679728B CN 201310690431 A CN201310690431 A CN 201310690431A CN 103679728 B CN103679728 B CN 103679728B
- Authority
- CN
- China
- Prior art keywords
- waters
- sar image
- scope
- pretreatment
- area
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/755—Deformable models or variational models, e.g. snakes or active contours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种复杂地形的SAR图像的水域自动分割方法,包括:对原始SAR图像进行预处理,得到预处理SAR图像;采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围;在所述第一水域范围中提取ROI;采用LGDF ACM算法对所述ROI进行第二次水域分割,得到第二水域范围。本发明还同时公开了一种复杂地形的SAR图像的水域自动分割装置。采用本发明的技术方案,能够在复杂地形下实现SAR图像水域自动分割。
Description
技术领域
本发明涉及合成孔径雷达(SAR,Synthetic Aperture Radar)中的图像处理技术,尤其涉及一种复杂地形的SAR图像的水域自动分割方法及装置。
背景技术
对大面积水域的持续定量定点监测,关系到水土的平衡和经济环境的保护,特别在面临自然灾害,如地震、洪水时,水域监测对于灾害防范和预测具有重要的意义。由于SAR具有全天时、全天候、远距离对观测区域进行成像的优势,因此SAR经常被用来对水域进行观测并计算水域面积,通过对同一水域不同时间的多次观测,还可以获取水域面积的变化信息,其难点和核心是精确、高效的提取水域面积。
目前,对于SAR图像中的水域分割及其变化检测已做出了一些研究。但是,绝大多数方法都是基于平坦地表的假设,在复杂地形条件下,SAR图像会受到高山等地物的影响而产生阴影,其回波幅度与水域相当,直接导致目前常用算法,例如阈值分割、水平集分割等算法的分割效果受到很大影响,甚至失效。
综上所述,如何在复杂地形下实现SAR图像水域自动分割是目前亟待解决的问题。
发明内容
有鉴于此,本发明实施例的主要目的在于提供一种复杂地形的SAR图像的水域自动分割方法及装置,能够在复杂地形下实现SAR图像水域自动分割。
为达到上述目的,本发明实施例的技术方案是这样实现的:
一种复杂地形的合成孔径雷达SAR图像的水域自动分割方法,所述方法包括:
对原始SAR图像进行预处理,得到预处理SAR图像;
采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围;
在所述第一水域范围中提取图像感兴趣区域ROI;
采用局域高斯分布拟合主动轮廓模型LGDF ACM算法对所述ROI进行第二次水域分割,得到第二水域范围。
优选地,所述对原始SAR图像进行预处理,得到预处理SAR图像,包括:
采用控制点CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP;
基于所述原始SAR图像的CP以及所述参考SAR图像的CP,对所述原始SAR图像进行配准,得到配准SAR图像;
使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声,得到滤波SAR图像;
对所述滤波SAR图像的像素进行线性拉伸,而得到所述预处理SAR图像。
优选地,所述采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围,包括:
将所述预处理SAR图像划分为N个子图像,N为大于1的整数;
针对每一个子图像,采用经典Ostu法选取子图像中的最佳阈值;基于所述最佳阈值,对所述子图像进行第一次水域分割,得到所述子图像对应的第一子水域范围;
对N个所述第一子水域范围进行拼接,得到所述第一水域范围。
优选地,所述在所述第一水域范围中提取ROI,包括:
采用形态学算法中的开与关运算处理所述第一水域范围,以降低所述第一水域范围的噪声以及隔离不同的连通水域;
在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域,并基于以下公式计算所述连通面积最大的水域的对比度:
其中,Cmax表示连通面积最大的水域的对比度,Ci表示第i个连通水域的对比度,ui表示第i个连通水域的平均强度值,uB、σB分别表示背景的平均强度值和标准偏差值;MAX()表示取最大值运算;
基于所述连通面积最大的水域的面积确定出面积阈值,以及基于所述连通面积最大的水域的对比度确定出对比度区间;
在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值,且对比度位于所述对比度区间的连通水域,作为ROI。
优选地,所述方法还包括:
基于时域上的多个SAR图像的所述第二水域范围,计算所述SAR图像的变化量。
一种复杂地形的SAR图像的水域自动分割装置,所述装置包括:
预处理单元,用于对原始SAR图像进行预处理,得到预处理SAR图像;
第一分割单元,用于采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围;
提取单元,用于在所述第一水域范围中提取ROI;
第二分割单元,用于采用LGDF ACM算法对所述ROI进行第二次水域分割,得到第二水域范围。
优选地,所述预处理单元包括:
第一确定子单元,用于采用CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP;
配准子单元,用于基于所述原始SAR图像的CP以及所述参考SAR图像的CP,对所述原始SAR图像进行配准,得到配准SAR图像;
滤波子单元,用于使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声,得到滤波SAR图像;
拉伸子单元,用于对所述滤波SAR图像的像素进行线性拉伸,而得到所述预处理SAR图像。
优选地,所述第一分割单元包括:
划分子单元,用于将所述预处理SAR图像划分为N个子图像,N为大于1的整数;
分割子单元,用于针对每一个子图像,采用经典Ostu法选取子图像中的最佳阈值;基于所述最佳阈值,对所述子图像进行第一次水域分割,得到所述子图像对应的第一子水域范围;
拼接子单元,用于对N个所述第一子水域范围进行拼接,得到所述第一水域范围。
优选地,所述提取单元包括:
处理子单元,用于采用形态学算法中的开与关运算处理所述第一水域范围,以降低所述第一水域范围的噪声以及隔离不同的连通水域;
计算子单元,用于在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域,并基于以下公式计算所述连通面积最大的水域的对比度:
其中,Cmax表示连通面积最大的水域的对比度,Ci表示第i个连通水域的对比度,ui表示第i个连通水域的平均强度值,uB、σB分别表示背景的平均强度值和标准偏差值;MAX()表示取最大值运算;
第二确定子单元,用于基于所述连通面积最大的水域的面积确定出面积阈值,以及基于所述连通面积最大的水域的对比度确定出对比度区间;
第三确定子单元,用于在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值,且对比度位于所述对比度区间的连通水域,作为ROI。
优选地,所述装置还包括:
计算单元,用于基于时域上的多个SAR图像的所述第二水域范围,计算所述SAR图像的变化量。
本发明实施例的上述技术方案,对原始SAR图像进行预处理,得到预处理SAR图像;采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围;在所述第一水域范围中提取图像感兴趣区域(ROI,Region OfInterest);采用局域高斯分布拟合主动轮廓模型(LGDF ACM,Local GaussDistribution Fitting Local Gauss Distribution Fitting)算法对所述ROI进行第二次水域分割,得到第二水域范围。如此,通过两次对SAR图像进行水域分割,能够获得精确的水域范围,进而可以根据不同时期的水域范围,精准地确定出水域随时间的变化量,而完全不受地形地势的影响。
附图说明
图1为本发明实施例的复杂地形的SAR图像的水域自动分割方法的流程示意图;
图2为本发明实施例的复杂地形的SAR图像的水域自动分割装置的结构组成示意图;
图3为本发明实施例中的三幅原始SAR图像的示意图;
图4为本发明实施例中的第一次水域分割的示意图;
图5为本发明实施例中的ROI提取结果示意图;
图6为本发明实施例中的第二次水域分割的示意图;
图7为本发明实施例中的多时序SAR图像的水域范围变化示意图;
图8为多时序SAR图像水域水陆分界线变化图。
具体实施方式
为了能够更加详尽地了解本发明的特点与技术内容,下面结合附图对本发明的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本发明。
图1为本发明实施例的复杂地形的SAR图像的水域自动分割方法的流程示意图,本示例中的复杂地形的SAR图像的水域自动分割方法应用于复杂地形的SAR图像的水域自动分割装置中,在本发明一个优选实施例中,所述复杂地形的SAR图像的水域自动分割方法包括以下步骤:
步骤101:对原始SAR图像进行预处理,得到预处理SAR图像。
优选地,所述对原始SAR图像进行预处理,得到预处理SAR图像,包括:
采用控制点(CP,Control Point)自动确定法获取原始SAR图像的CP以及参考SAR图像的CP;
基于所述原始SAR图像的CP以及所述参考SAR图像的CP,对所述原始SAR图像进行配准,得到配准SAR图像;
使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声,得到滤波SAR图像;
对所述滤波SAR图像的像素进行线性拉伸,而得到所述预处理SAR图像。
本实施例中,星载或机载SAR向目标区域发射电磁波,并接收目标区域反馈的回波信号;星载或机载SAR根据回波信号生成目标区域的SAR图像,该SAR图像即为所述原始SAR图像。
本实施例中的SAR图像的水域自动分割装置接收到星载或机载SAR发送的原始SAR图像时,对原始SAR图像进行预处理,具体地,由于星载或机载SAR在不同时刻、不同位置、不同环境下获得的多幅原始SAR图像存在平移、旋转、畸变等变化,因此,需要对多幅原始SAR图像进行配准;可以选取多幅原始SAR图像的其中一幅原始SAR图像作为本实施例中的参考SAR图像,对于除参考SAR图像以外的任意一幅原始SAR图像,都基于该参考SAR图像进行配准,也即将原始SAR图像中的每个像素经过坐标变换至与参考SAR图像一致的坐标系中,在进行坐标变换之前,需选择在SAR图像以及参考SAR图像中选择一个以上CP以作为特征点进行配准,在选择CP时,可以采用CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP,然后基于所述原始SAR图像的CP以及所述参考SAR图像的CP,对所述原始SAR图像进行配准,得到配准SAR图像。本实施例还使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声,得到滤波SAR图像。最后,对滤波SAR图像进行线性拉伸,具体为将滤波SAR图像中的最弱的1%像素置为0,将最高的1%像素置为预设的最大值,其他像素按照比例进行线性拉伸,如此,可以提升水域和背景区域的对比度。
上述方案中,CP自动确定法可以通过但不局限以下过程实现:设定基于图像方差的检测模板;预设检测准则及搜索策略;在原始SAR图像中利用归一化积相关图像匹配算法实现基准CP相对应的畸变CP的精确定位。
上述方案中,增强Lee滤波法属于空间域滤波法,增强Lee滤波法是采用最小均方误差的一种方法,此处不再赘述。
步骤102:采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围。
优选地,所述采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围,包括:
将所述预处理SAR图像划分为N个子图像,N为大于1的整数;
针对每一个子图像,采用经典Ostu法选取子图像中的最佳阈值;基于所述最佳阈值,对所述子图像进行第一次水域分割,得到所述子图像对应的第一子水域范围;
对N个所述第一子水域范围进行拼接,得到所述第一水域范围。
上述方案中,Ostu法是一种自动的非参数非监督的阈值选择法,该方法基于一种判别式测度准则,最佳阈值在该测度函数取最大时得到,该方法计算简单,仅需计算灰度直方图的零阶和一阶累积矩。
上述方案中,基于所述最佳阈值,对所述子图像进行第一次水域分割具体为:利用子图像的目标和背景在灰度特性上的差异,将图像看作不同灰度级的两类区域的组合,基于最佳阈值,判断出子图像中的每个像素点属于目标区域还是属于背景区域,从而得到相应的第一子水域范围。
步骤103:在所述第一水域范围中提取ROI。
优选地,所述在所述第一水域范围中提取ROI,包括:
采用形态学算法中的开与关运算处理所述第一水域范围,以降低所述第一水域范围的噪声以及隔离不同的连通水域;
在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域,并基于以下公式计算所述连通面积最大的水域的对比度:
其中,Cmax表示连通面积最大的水域的对比度,Ci表示第i个连通水域的对比度,ui表示第i个连通水域的平均强度值,uB、σB分别表示背景的平均强度值和标准偏差值;MAX()表示取最大值运算;
基于所述连通面积最大的水域的面积确定出面积阈值,以及基于所述连通面积最大的水域的对比度确定出对比度区间;
在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值,且对比度位于所述对比度区间的连通水域,作为ROI。
上述方案中,所述形态学算法的基本运算为腐蚀运算和膨胀运算,而形态学算法中的开与关运算为腐蚀运算和膨胀运算的结合,例如,关运算是先进行膨胀运算,再进行腐蚀运算;其中,关运算是开运算的对偶运算。
步骤104:采用LGDF ACM算法对所述ROI进行第二次水域分割,得到第二水域范围。
这里,LGDF ACM算法主要通过以下过程实现:
(1)初始化水平集函数φ(x),得到公式(2):
其中,ρ0为常数,Ω0为获得的ROI,为Ω0的边界。Ω为连通区域。
(2)更新局部均值ui(x)和方差得到更新的函数如公式(3)和公式(4):
其中,i为1或2,M1,ε(φ(y))=Hε(φ(y)),M2,ε(φ(y))=1-Hε(φ(y)),ω(y-x)为加窗的高斯核函数,H为亥维赛(Heaviside)函数,定义为:
其中,ε为可调参数。
(3)水平面演化的偏微分方程为:
其中,
(4)判断演化是否收敛,是则可获得相应图像的精确水陆分界线,否则返回上述(2)中所述的步骤进行循环操作。
优选地,所述方法还包括:基于时域上的多个SAR图像的所述第二水域范围,计算所述SAR图像的变化量。具体地,将从多幅不同时间的原始SAR图像中分别提取的多条精确的水陆分界线,也即第二水域范围叠加在一起,并进行比较,获得不同时间的水域面积及其随时间的变化量,如此,可以对变化量进行分析。
图2为本发明实施例的复杂地形的SAR图像的水域自动分割装置的结构组成示意图,如图2所示,所述装置包括:
预处理单元21,用于对原始SAR图像进行预处理,得到预处理SAR图像;
第一分割单元22,用于采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围;
提取单元23,用于在所述第一水域范围中提取ROI;
第二分割单元24,用于采用LGDF ACM算法对所述ROI进行第二次水域分割,得到第二水域范围。
优选地,所述预处理单元21包括:
第一确定子单元211,用于采用CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP;
配准子单元212,用于基于所述原始SAR图像的CP以及所述参考SAR图像的CP,对所述原始SAR图像进行配准,得到配准SAR图像;
滤波子单元213,用于使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声,得到滤波SAR图像;
拉伸子单元214,用于对所述滤波SAR图像的像素进行线性拉伸,而得到所述预处理SAR图像。
优选地,所述第一分割单元22包括:
划分子单元221,用于将所述预处理SAR图像划分为N个子图像,N为大于1的整数;
分割子单元222,用于针对每一个子图像,采用经典Ostu法选取子图像中的最佳阈值;基于所述最佳阈值,对所述子图像进行第一次水域分割,得到所述子图像对应的第一子水域范围;
拼接子单元223,用于对N个所述第一子水域范围进行拼接,得到所述第一水域范围。
优选地,所述提取单元23包括:
处理子单元231,用于采用形态学算法中的开与关运算处理所述第一水域范围,以降低所述第一水域范围的噪声以及隔离不同的连通水域;
计算子单元232,用于在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域,并基于以下公式计算所述连通面积最大的水域的对比度:
其中,Cmax表示连通面积最大的水域的对比度,Ci表示第i个连通水域的对比度,ui表示第i个连通水域的平均强度值,uB、σB分别表示背景的平均强度值和标准偏差值;MAX()表示取最大值运算;
第二确定子单元233,用于基于所述连通面积最大的水域的面积确定出面积阈值,以及基于所述连通面积最大的水域的对比度确定出对比度区间;
第三确定子单元234,用于在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值,且对比度位于所述对比度区间的连通水域,作为ROI。
优选地,所述装置还包括:
计算单元25,用于基于时域上的多个SAR图像的所述第二水域范围,计算所述SAR图像的变化量。
本领域技术人员应当理解,图2所示的复杂地形的SAR图像的水域自动分割装置中的各单元及其子单元的实现功能可参照前述复杂地形的SAR图像的水域自动分割方法的相关描述而理解。图2所示的复杂地形的SAR图像的水域自动分割装置中的各单元及其子单元的功能可通过运行于处理器上的程序而实现,也可通过具体的逻辑电路而实现。
图3为高分辨率机载SAR获取的多时序原始SAR图像,三幅原始SAR图像的像素大小为1m×1m(距离×方位),获取区域为唐家山堰塞湖,三幅原始SAR图像的获取日期依次为:(a)图为2008年5月24日、(b)图为2008年5月25日、(c)图为2008年5月31日;图4为将原始SAR图像进行预处理后,得到的预处理SAR图像,该预处理SAR图像对应于图3中的(b)图;图5为SAR图像水域的第一次分割结果示意图,该分割图对应于图3中的(b)图;图6为SAR图像水域的ROI提取结果,该ROI对应于图3中的(b)图;图7为SAR图像水域的第二次分割结果示意图,该方法剔除了SAR图像中具有相似强度的水域部分,最终获得精确的水陆分界线,对应获取日期依次为:(a)图为2008年5月24日、(b)图为2008年5月25日、(c)图为2008年5月31日;图8为多时序SAR图像水域水陆分界线变化图,该图准确地显示三次观测时水域的变化情况。基于上述获取到的水陆分界线,表1示出了多时序SAR图像水域面积及其变化定量分析结果,该结果包含该水域每次观测时的面积、增长面积和增长率,该结果对于堰塞湖的危险性评估及水位预测具有重大的实际意义。
水域区域(Km2) | 增长区域(Km2) | 增长率 | |
08-05-24 | 1.747565 | 0.000000 | 0.000000% |
08-05-25 | 1.790024 | 0.042459 | 2.429596% |
08-05-31 | 2.099901 | 0.352336 | 20.161527% |
表1
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (8)
1.一种复杂地形的合成孔径雷达SAR图像的水域自动分割方法,其特征在于,所述方法包括:
对原始SAR图像进行预处理,得到预处理SAR图像;
采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围;
在所述第一水域范围中提取图像感兴趣区域ROI;
采用局域高斯分布拟合主动轮廓模型LGDF ACM算法对所述ROI进行第二次水域分割,得到第二水域范围;
所述在所述第一水域范围中提取ROI,包括:
采用形态学算法中的开与关运算处理所述第一水域范围,以降低所述第一水域范围的噪声以及隔离不同的连通水域;
在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域,并基于以下公式计算所述连通面积最大的水域的对比度:
其中,Cmax表示连通面积最大的水域的对比度,Ci表示第i个连通水域的对比度,ui表示第i个连通水域的平均强度值,uB、σB分别表示背景的平均强度值和标准偏差值;MAX()表示取最大值运算;
基于所述连通面积最大的水域的面积确定出面积阈值,以及基于所述连通面积最大的水域的对比度确定出对比度区间;
在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值,且对比度位于所述对比度区间的连通水域,作为ROI。
2.根据权利要求1所述的复杂地形的SAR图像的水域自动分割方法,其特征在于,所述对原始SAR图像进行预处理,得到预处理SAR图像,包括:
采用控制点CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP;
基于所述原始SAR图像的CP以及所述参考SAR图像的CP,对所述原始SAR图像进行配准,得到配准SAR图像;
使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声,得到滤波SAR图像;
对所述滤波SAR图像的像素进行线性拉伸,而得到所述预处理SAR图像。
3.根据权利要求1所述的复杂地形的SAR图像的水域自动分割方法,其特征在于,所述采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围,包括:
将所述预处理SAR图像划分为N个子图像,N为大于1的整数;
针对每一个子图像,采用经典Ostu法选取子图像中的最佳阈值;基于所述最佳阈值,对所述子图像进行第一次水域分割,得到所述子图像对应的第一子水域范围;
对N个所述第一子水域范围进行拼接,得到所述第一水域范围。
4.根据权利要求1至3任一项所述的复杂地形的SAR图像的水域自动分割方法,其特征在于,所述方法还包括:
基于时域上的多个SAR图像的所述第二水域范围,计算所述SAR图像的变化量。
5.一种复杂地形的SAR图像的水域自动分割装置,其特征在于,所述装置包括:
预处理单元,用于对原始SAR图像进行预处理,得到预处理SAR图像;
第一分割单元,用于采用阈值分割法对所述预处理SAR图像进行第一次水域分割,得到第一水域范围;
提取单元,用于在所述第一水域范围中提取ROI;
第二分割单元,用于采用LGDF ACM算法对所述ROI进行第二次水域分割,得到第二水域范围;
所述提取单元包括:
处理子单元,用于采用形态学算法中的开与关运算处理所述第一水域范围,以降低所述第一水域范围的噪声以及隔离不同的连通水域;
计算子单元,用于在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域,并基于以下公式计算所述连通面积最大的水域的对比度:
其中,Cmax表示连通面积最大的水域的对比度,Ci表示第i个连通水域的对比度,ui表示第i个连通水域的平均强度值,uB、σB分别表示背景的平均强度值和标准偏差值;MAX()表示取最大值运算;
第二确定子单元,用于基于所述连通面积最大的水域的面积确定出面积阈值,以及基于所述连通面积最大的水域的对比度确定出对比度区间;
第三确定子单元,用于在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值,且对比度位于所述对比度区间的连通水域,作为ROI。
6.根据权利要求5所述的复杂地形的SAR图像的水域自动分割装置,其特征在于,所述预处理单元包括:
第一确定子单元,用于采用CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP;
配准子单元,用于基于所述原始SAR图像的CP以及所述参考SAR图像的CP,对所述原始SAR图像进行配准,得到配准SAR图像;
滤波子单元,用于使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声,得到滤波SAR图像;
拉伸子单元,用于对所述滤波SAR图像的像素进行线性拉伸,而得到所述预处理SAR图像。
7.根据权利要求5所述的复杂地形的SAR图像的水域自动分割装置,其特征在于,所述第一分割单元包括:
划分子单元,用于将所述预处理SAR图像划分为N个子图像,N为大于1的整数;
分割子单元,用于针对每一个子图像,采用经典Ostu法选取子图像中的最佳阈值;基于所述最佳阈值,对所述子图像进行第一次水域分割,得到所述子图像对应的第一子水域范围;
拼接子单元,用于对N个所述第一子水域范围进行拼接,得到所述第一水域范围。
8.根据权利要求5至7任一项所述的复杂地形的SAR图像的水域自动分割装置,其特征在于,所述装置还包括:
计算单元,用于基于时域上的多个SAR图像的所述第二水域范围,计算所述SAR图像的变化量。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310690431.0A CN103679728B (zh) | 2013-12-16 | 2013-12-16 | 一种复杂地形的sar图像的水域自动分割方法及装置 |
EP14169591.6A EP2816529B1 (en) | 2013-12-16 | 2014-05-23 | Method and device for automatic water area segmentation in SAR images of a complex terrain |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310690431.0A CN103679728B (zh) | 2013-12-16 | 2013-12-16 | 一种复杂地形的sar图像的水域自动分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679728A CN103679728A (zh) | 2014-03-26 |
CN103679728B true CN103679728B (zh) | 2016-09-14 |
Family
ID=50317179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310690431.0A Active CN103679728B (zh) | 2013-12-16 | 2013-12-16 | 一种复杂地形的sar图像的水域自动分割方法及装置 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP2816529B1 (zh) |
CN (1) | CN103679728B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104318246B (zh) * | 2014-10-20 | 2018-08-28 | 西安电子科技大学 | 基于深度自适应脊波网络的极化sar图像分类 |
CN104318245A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于稀疏深度网络的极化sar图像分类 |
CN104766132B (zh) * | 2015-03-02 | 2016-10-19 | 中国水利水电科学研究院 | 基于遥感的洪水淹没历时模拟系统及方法 |
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 |
CN104978741B (zh) * | 2015-06-10 | 2019-04-26 | 中国科学院遥感与数字地球研究所 | 一种基于水平集的水体边界时空无缝插值方法 |
CN106570856A (zh) * | 2016-08-31 | 2017-04-19 | 天津大学 | 水平集动态规划颈总动脉内中膜厚度测量装置和方法 |
CN106845372B (zh) * | 2016-12-31 | 2018-01-26 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
CN107341798B (zh) * | 2017-07-06 | 2019-12-03 | 西安电子科技大学 | 基于全局-局部SPP Net的高分辨SAR图像变化检测方法 |
CN109242015B (zh) * | 2018-08-29 | 2020-04-10 | 北京航空航天大学 | 基于空基平台视觉监视的水域面积检测方法与装置 |
CN110009638B (zh) * | 2019-04-12 | 2023-01-03 | 重庆交通大学 | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 |
CN110197482B (zh) * | 2019-06-01 | 2022-10-04 | 合肥工业大学 | 基于空时图核函数的高分辨率sar图像变化检测方法 |
CN111028256B (zh) * | 2019-10-14 | 2023-04-07 | 杭州电子科技大学 | 一种基于改进活动轮廓模型的sar图像目标检测方法 |
CN110929598B (zh) * | 2019-11-07 | 2023-04-18 | 西安电子科技大学 | 基于轮廓特征的无人机载sar图像匹配方法 |
CN112084712B (zh) * | 2020-09-07 | 2023-06-16 | 长江水利委员会长江科学院 | 融合主被动微波遥感信息的洪水淹没范围动态模拟方法 |
CN113743383B (zh) * | 2021-11-05 | 2022-06-07 | 航天宏图信息技术股份有限公司 | 一种sar影像水体提取方法、装置、电子设备及存储介质 |
CN114677401B (zh) * | 2022-03-28 | 2022-10-21 | 珠江水利委员会珠江水利科学研究院 | 一种基于极化雷达自身影像特征的水体提取方法及系统 |
CN115077656B (zh) * | 2022-08-16 | 2023-01-10 | 清华大学 | 水库水储量反演方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609709B (zh) * | 2012-02-03 | 2014-04-16 | 清华大学 | 一种基于极化sar数据融合的海面溢油分割方法 |
-
2013
- 2013-12-16 CN CN201310690431.0A patent/CN103679728B/zh active Active
-
2014
- 2014-05-23 EP EP14169591.6A patent/EP2816529B1/en not_active Not-in-force
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714252A (zh) * | 2009-11-26 | 2010-05-26 | 上海电机学院 | Sar图像中道路的提取方法 |
Non-Patent Citations (5)
Title |
---|
Active contours driven by local Gaussian distribution fitting energy;Li Wang等;《Signal Processing》;20090321;第89卷;第2435-2447页 * |
Efficient Water Area Classification Using Radarsat-1 SAR Imagery in a High Relief Mountainous Environment;Yeong-Sun Song等;《Photogrammetric Engineering & Remote Sensing》;20070331;第73卷(第3期);第285-296页 * |
Topography and morphodynamics in the German Bight using SAR and optical remote sensing data;Andreas Niedermeier等;《Ocean Dynamics》;20051130;第55卷(第2期);第100-109页 * |
基于小波边缘提取和脊线跟踪技术的SAR图像河流检测算法;胡正磊等;《电子与信息学报》;20070331;第29卷(第3期);第524-527页 * |
基于形态学和区域主动轮廓模型的SAR图像海岸线检测;张乐;《中国科技论文在线》;20090205;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103679728A (zh) | 2014-03-26 |
EP2816529A2 (en) | 2014-12-24 |
EP2816529B1 (en) | 2016-08-03 |
EP2816529A3 (en) | 2015-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679728B (zh) | 一种复杂地形的sar图像的水域自动分割方法及装置 | |
CN101650439B (zh) | 基于差异边缘和联合概率一致性的遥感图像变化检测方法 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN106023157A (zh) | 一种基于sar图像的山区地表微形变信息提取方法 | |
CN102542570B (zh) | 一种微波图像中人体隐藏危险物体自动检测方法 | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
CN105096315B (zh) | 基于Gamma分布的异质超像素SAR图像分割方法 | |
CN109388887B (zh) | 一种地面沉降影响因素定量分析方法及系统 | |
CN104715255B (zh) | 一种基于sar图像的滑坡信息提取方法 | |
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
CN102629378B (zh) | 基于多特征融合的遥感图像变化检测方法 | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
CN102629380B (zh) | 基于多组滤波和降维的遥感图像变化检测方法 | |
CN103236063A (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
CN103745472B (zh) | 基于条件三重马尔可夫场的sar图像分割方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN104217436B (zh) | 基于多特征联合稀疏图的sar图像分割方法 | |
CN102208017A (zh) | 基于高分辨率合成孔径雷达图像的舰船检测方法 | |
CN107450054B (zh) | 一种自适应探地雷达数据去噪方法 | |
Yu et al. | Automated drumlin shape and volume estimation using high resolution LiDAR imagery (Curvature Based Relief Separation): A test from the Wadena Drumlin Field, Minnesota | |
CN110456352A (zh) | 一种基于相干系数阈值的冰川识别方法 | |
CN102081799B (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |