CN103761752B - 一种极化合成孔径雷达图像的处理方法及装置 - Google Patents

一种极化合成孔径雷达图像的处理方法及装置 Download PDF

Info

Publication number
CN103761752B
CN103761752B CN201410014570.6A CN201410014570A CN103761752B CN 103761752 B CN103761752 B CN 103761752B CN 201410014570 A CN201410014570 A CN 201410014570A CN 103761752 B CN103761752 B CN 103761752B
Authority
CN
China
Prior art keywords
channel image
image
region
filtering
subunit
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
Application number
CN201410014570.6A
Other languages
English (en)
Other versions
CN103761752A (zh
Inventor
李宁
王宇
邓云凯
刘亚波
龚小冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Satellite Shandong Technology Group Co ltd
Aerospace Information Research Institute of CAS
Original Assignee
Institute of Electronics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Electronics of CAS filed Critical Institute of Electronics of CAS
Priority to CN201410014570.6A priority Critical patent/CN103761752B/zh
Publication of CN103761752A publication Critical patent/CN103761752A/zh
Priority to EP14168662.6A priority patent/EP2767849B1/en
Application granted granted Critical
Publication of CN103761752B publication Critical patent/CN103761752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
    • G01S7/025—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects involving the transmission of linearly polarised waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9076—Polarimetric features in SAR
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/04—Display arrangements
    • G01S7/06—Cathode-ray tube displays or other two dimensional or three-dimensional displays
    • G01S7/062—Cathode-ray tube displays or other two dimensional or three-dimensional displays in which different colours are used

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种PolSAR图像的处理方法及装置，所述PolSAR图像的处理方法包括：对原始PolSAR图像进行分解以及颜色空间转换，而得到S通道图像、H通道图像以及I通道图像；对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域；基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域；基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域。

Description

一种极化合成孔径雷达图像的处理方法及装置
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，尤其涉及一种极化合成孔径雷达（PolSAR，（Polarimetric Synthetic ApertureRadar）图像的处理方法及装置。
背景技术
山体滑坡是重大自然灾害之一，山体滑坡可造成自然环境的变化，同时造成房屋建筑、车辆和其他设施的毁坏，此外，一些山体滑坡会在河流上形成大坝，造成河流堵塞，如堰塞湖等，进而形成严重的次生灾害。为此，快速地检测出山体滑坡并得出其分布信息，对于灾区援救及消除次生灾害具有非常重要的意义。
由于SAR具有全天时、全天候和远距离观测的优点，因此，SAR已经广泛地应用于灾害监测。同时，由于PolSAR通过极化目标分解和分类，能够进一步提升雷达对地面的检测和识别能力，因此，PolSAR广泛应用于灾害信息的提取和分类。PolSAR系统常通过极化分解分析目标区域的极化特性，进而区分目标区域。传统的利用PolSAR图像提取山体滑坡信息主要利用目标区域的后向散射特性、极化目标分解信息和目标结构信息，然而，由于山体滑坡多发生在崇山峻岭的山区，在这种环境下的PolSAR图像会出现大量的阴影和叠掩，加上地物种类的多样性，导致传统提取山体滑坡信息的方法效果变差甚至完全失效。
综上所述，如何从PolSAR图像中精确提取出山体滑坡区域是一个亟待解决的问题。
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PolSAR图像的处理方法及装置，能够从PolSAR图像中精确提取出山体滑坡区域。
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PolSAR图像的处理方法，所述方法包括：
对原始PolSAR图像进行分解以及颜色空间转换，而得到S通道图像、H通道图像以及I通道图像；
对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域；
基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域；
基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；
根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域。
优选地，所述对原始PolSAR图像进行分解以及颜色空间转换，包括：
采用泡利（Pauli）基矩阵对所述原始PolSAR图像进行分解；
将分解后的所述原始PolSAR图像从红绿蓝（RGB，Red Green Blue）颜色空间转换到色调饱和度强度（HSI，Hue Saturation Intensity）颜色空间。
优选地，所述对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域，包括：
对所述HSI颜色空间中的所述S通道图像进行增强Lee滤波以及K均值聚类，以从所述S通道图像中提取第一区域；所述第一区域用于表征阴影区域以及叠掩区域。
优选地，所述基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域，包括：
将所述HSI颜色空间中的所述H通道图像中的所述第一区域的颜色信息置零；
对置零后的所述H通道图像进行增强Lee滤波以及K均值聚类，以从所述H通道图像中提取第二区域；所述第二区域用于表征潜在山体滑坡区域。
优选地，所述基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域，包括：
从所述HSI颜色空间中的所述I通道图像中分割出所述第二区域；
对所述第二区域的所述I通道图像进行增强Lee滤波以及K均值聚类；
对K均值聚类后的所述I通道图像进行形态学滤波；
根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域；所述第三区域用于表征精确山体滑坡区域。
一种PolSAR图像的处理装置，所述装置包括：预处理单元、第一提取单元、第二提取单元、第三提取单元；其中，
所述预处理单元，用于对原始PolSAR图像进行分解以及颜色空间转换，而得到S通道图像、H通道图像以及I通道图像；
所述第一提取单元，用于对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域；
所述第二提取单元，用于基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域；
所述第三提取单元，用于基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域。
优选地，所述预处理单元包括：分解子单元、颜色空间转换子单元；其中，
所述分解子单元，用于采用Pauli基矩阵对所述原始PolSAR图像进行分解；
所述颜色空间转换子单元，用于将分解后的所述原始PolSAR图像从RGB颜色空间转换到HSI颜色空间。
优选地，所述第一提取单元包括：第一滤波子单元、第一聚类子单元；其中，
所述第一滤波子单元，用于对所述HSI颜色空间中的所述S通道图像进行增强Lee滤波；
所述第一聚类子单元，用于对滤波后的所述S通道图像进行K均值聚类，以从所述S通道图像中提取第一区域；所述第一区域用于表征阴影区域以及叠掩区域。
优选地，所述第二提取单元包括：设置子单元、第二滤波子单元、第二聚类子单元；其中，
所述设置子单元，用于将所述HSI颜色空间中的所述H通道图像中的所述第一区域的颜色信息置零；
所述第二滤波子单元，用于对置零后的所述H通道图像进行增强Lee滤波；
所述第二聚类子单元，用于对滤波后的所述H通道图像进行K均值聚类，以从所述H通道图像中提取第二区域；所述第二区域用于表征潜在山体滑坡区域。
优选地，所述第三提取单元包括：分割子单元、第三滤波子单元、第三聚类子单元、第四滤波子单元、确定子单元；其中，
所述分割子单元，用于从所述HSI颜色空间中的所述I通道图像中分割出所述第二区域；
所述第三滤波子单元，用于对所述第二区域的所述I通道图像进行增强Lee滤波；
所述第三聚类子单元，用于对所述第三滤波子单元滤波后的所述I通道图像进行K均值聚类；
所述第四滤波子单元，用于对K均值聚类后的所述I通道图像进行形态学滤波；
所述确定子单元，用于根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域；所述第三区域用于表征精确山体滑坡区域。
本发明实施例的技术方案中，通过对原始PolSAR图像进行分解以及颜色空间转换，而得到S通道图像、H通道图像以及I通道图像；对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域；基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域；基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域。如此，充分利用了原始PolSAR图像的颜色信息，进而快速检测并精确提取出山体滑坡区域，也即所述第三区域。
附图说明
图1为本发明实施例的PolSAR图像的处理方法流程示意图；
图2为本发明实施例的Pauli基矩阵对原始PolSAR图像进行分解的结果示意图；
图3为本发明实施例的PolSAR图像在HSI颜色空间的三个通道图像的示意图；
图4为本发明实施例的PolSAR图像在HSI颜色空间的山体滑坡区域示意图；
图5为本发明实施例的PolSAR图像的处理装置的结构组成示意图。
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PolSAR图像的处理方法流程示意图，本示例中的PolSAR图像的处理方法应用于PolSAR图像的处理装置中；如图1所示，所述PolSAR图像的处理方法包括以下步骤：
步骤101：对原始PolSAR图像进行分解以及颜色空间转换，而得到S通道图像、H通道图像以及I通道图像。
优选地，所述对原始PolSAR图像进行分解以及颜色空间转换，包括：
采用Pauli基矩阵对所述原始PolSAR图像进行分解；
将分解后的所述原始PolSAR图像从RGB颜色空间转换到HSI颜色空间。
具体地，采用Pauli基矩阵对所述原始PolSAR图像进行分解的主要原理是将表征目标特征的矩阵表示为几个独立项之和，并将每一独立项与相关的散射机理联系起来，从而实现散射数据的分解。本实施例采用经典的Pauli基矩阵对原始PolSAR图像进行分解，具体地，将原始PolSAR图像中的每个像素对应的散射矩阵展开成四个Pauli基矩阵加权和的形式，如公式（1）：
S = S HH S HV S VH S VV = a 2 1 0 0 1 + b 2 1 0 0 - 1 + c 2 0 1 1 0 + d 2 0 - j j 0 - - - ( 1 )
其中，S为像素的极化散射矩阵，SXY表示Y极化发射、X极化接收时的目标后向散射系数，a，b，c，d均为复数，分别为：
a = S HH + S VV 2 , b = S HH - S VV 2 , c = S HV + S VH 2 , d = S HV - S VH 2 - - - ( 2 )
采用Pauli基矩阵对原始PolSAR图像进行分解的优点在于计算量小，且Pauli基是完备正交基，具有一定的抗噪性，即使是在有噪声或去极化效应的情况下，仍能用Pauli基矩阵对原始PolSAR图像进行分解。优选地，在单基互易情况下，有SHV=SVH成立，即d=0，为了增强图像的目视判断效果，可以对a，b，c这三个系数进行伪彩色合成，其中，蓝色代表系数为|a|2，红色代表系数为|b|2，绿色代表系数为|c|2。
具体地，将分解后的所述原始PolSAR图像从RGB颜色空间转换到HSI颜色空间，可通过公式（3）得到：
H = θ , ifB ≤ G 360 - θ , else S = 1 - 3 × min ( R , G , B ) / ( R + G + B ) I = ( R + G + B ) / 3 - - - ( 3 )
其中，H表示HSI颜色空间中的H通道图像，S表示HSI颜色空间中的S通道图像，I表示HSI颜色空间中的I通道图像，R表示RGB颜色空间中的R通道图像，G表示RGB颜色空间中的G通道图像，B表示RGB颜色空间中的B通道图像，min表示取最小值，θ的表示式如公式（4）：
θ = arccos { [ ( R - G ) + ( R - B ) ] / 2 [ ( R - G ) 2 + ( R - G ) ( G - B ) ] 1 / 2 } - - - ( 4 )
上述方案中，HSI颜色空间中的不同通道对PolSAR图像中不同的地物类型敏感度不同，H通道图像对山体滑坡区域和噪声较为敏感，S通道图像对阴影和叠掩较为敏感，I通道图像对地表的后向散射系数强度较为敏感。
步骤102：对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域。
优选地，所述对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域，包括：
对所述HSI颜色空间中的所述S通道图像进行增强Lee滤波以及K均值聚类，以从所述S通道图像中提取第一区域；所述第一区域用于表征阴影区域以及叠掩区域。
具体地，由于S通道图像对于阴影和叠掩较为敏感，因此，对HSI颜色空间中的所述S通道图像进行增强Lee滤波以及K均值聚类，以提取出阴影和叠掩区域，然后将阴影和叠掩区域信息传递给H通道图像，以执行步骤103。
步骤103：基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域。
优选地，所述基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域，包括：
将所述HSI颜色空间中的所述H通道图像中的所述第一区域的颜色信息置零；
对置零后的所述H通道图像进行增强Lee滤波以及K均值聚类，以从所述H通道图像中提取第二区域；所述第二区域用于表征潜在山体滑坡区域。
具体地，H通道图像收到S通道图像传递的第一区域信息后，首先将上述提取出的阴影和叠掩区域在HSI颜色空间中的H通道中置零，然后，由于H通道图像对山体滑坡区域和噪声较为敏感，因此，对H通道图像进行增强Lee滤波及K均值聚类，以提取出潜在的山体滑坡区域，并将潜在的山体滑坡区域信息传递给I通道图像。
步骤104：基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域。
优选地，述基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域，包括：
从所述HSI颜色空间中的所述I通道图像中分割出所述第二区域；
对所述第二区域的所述I通道图像进行增强Lee滤波以及K均值聚类；
对K均值聚类后的所述I通道图像进行形态学滤波；
根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域；所述第三区域用于表征精确山体滑坡区域。
具体地，I通道图像收到H通道图像传递的潜在的山体滑坡区域信息传后，首先分割出与上述提取出的潜在山体滑坡区域所对应的I通道图像部分，由于I通道图像对地表的后向散射系数强度较为敏感，因此，对分割后的I通道图像进行增强Lee滤波和K均值聚类，再对K均值聚类后的结果进行形态学滤波处理，以去除随机噪声及相干斑噪声，最后结合区域属性参数精确提取出精确的山体滑坡区域，从而完成山体滑坡的检测工作。
图2为Pauli基矩阵对原始PolSAR图像进行分解的结果示意图，该区域位于四川省北川县老县城周边，由国产高分辨率全PolSAR采集得到，采集时间为2008年5月26日，PolSAR图像的两维几何分辨均为0.5米。如图2所示，该观测区域存在两个大规模的山体滑坡，分别为滑坡1和滑坡2，其中，滑坡1淹没了一个村庄并且堵塞了河道，造成了严重的人员伤亡及次生灾害。
图3为PolSAR图像在HSI颜色空间的三个通道图像的示意图，其中，（a）图为H通道图像，（b）图为S通道图像，（c）图为I通道图像，如图3所示，H通道图像对山体滑坡区域和噪声较为敏感，S通道图像对于阴影和叠掩较为敏感，I通道图像对地表的后向散射系数强度较为敏感，因此，采用HSI颜色空间提取目标区域的精确度高。
图4为PolSAR图像在HSI颜色空间的山体滑坡区域示意图，其中，（a）图为S通道图像滤波以及K均值聚类后的结果示意图，图中示出了阴影区域和叠掩区域，可见，本发明实施例的技术方案能有效的提取出叠掩和阴影区域。（b）图为对阴影和叠掩区域置零后的H通道图像滤波以及K均值聚类后的结果示意图，图中示出了示出了阴影和叠掩区域以及潜在滑坡区域，可见，本发明实施例的技术方案能有效的提取出潜在滑坡区域。（c）图为对潜在山体滑坡区域所对应的I通道图像部分进行滤波和K均值聚类，并对K均值聚类后的结果进行形态学滤波处理的结果示意图，可见，本发明实施例的技术方案可以对随机噪声及相干斑噪声进行抑制，滑坡区域边缘更加清晰。（d）图为结合区域属性参数精确提取出大面积的山体滑坡区域的结果示意图，具体地，首先提取出（c）图中的潜在山体滑坡区域，然后设定一个区域面积阈值，选择区域面积大于阈值的连通区域作为最终检测到的山体滑坡区域。（e）图为（d）图与原始PolSAR图像的对比图。
图5为本发明实施例的PolSAR图像的处理装置的结构组成示意图，如图5所示，所述装置包括：预处理单元51、第一提取单元52、第二提取单元53、第三提取单元54；其中，
所述预处理单元51，用于对原始PolSAR图像进行分解以及颜色空间转换，而得到S通道图像、H通道图像以及I通道图像；
所述第一提取单元52，用于对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域；
所述第二提取单元53，用于基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域；
所述第三提取单元54，用于基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域。
优选地，所述预处理单元51包括：分解子单元511、颜色空间转换子单元512；其中，
所述分解子单元511，用于采用Pauli基矩阵对所述原始PolSAR图像进行分解；
所述颜色空间转换子单元512，用于将分解后的所述原始PolSAR图像从RGB颜色空间转换到HSI颜色空间。
优选地，所述第一提取单元52包括：第一滤波子单元521、第一聚类子单元522；其中，
所述第一滤波子单元521，用于对所述HSI颜色空间中的所述S通道图像进行增强Lee滤波；
所述第一聚类子单元522，用于对滤波后的所述S通道图像进行K均值聚类，以从所述S通道图像中提取第一区域；所述第一区域用于表征阴影区域以及叠掩区域。
优选地，所述第二提取单元53包括：设置子单元531、第二滤波子单元532、第二聚类子单元533；其中，
所述设置子单元531，用于将所述HSI颜色空间中的所述H通道图像中的所述第一区域的颜色信息置零；
所述第二滤波子单元532，用于对置零后的所述H通道图像进行增强Lee滤波；
所述第二聚类子单元533，用于对滤波后的所述H通道图像进行K均值聚类，以从所述H通道图像中提取第二区域；所述第二区域用于表征潜在山体滑坡区域。
优选地，所述第三提取单元54包括：分割子单元541、第三滤波子单元542、第三聚类子单元543、第四滤波子单元544、确定子单元545；其中，
所述分割子单元541，用于从所述HSI颜色空间中的所述I通道图像中分割出所述第二区域；
所述第三滤波子单元542，用于对所述第二区域的所述I通道图像进行增强Lee滤波；
所述第三聚类子单元543，用于对所述第三滤波子单元542滤波后的所述I通道图像进行K均值聚类；
所述第四滤波子单元544，用于对K均值聚类后的所述I通道图像进行形态学滤波；
所述确定子单元545，用于根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域；所述第三区域用于表征精确山体滑坡区域。
本领域技术人员应当理解，图5所示的PolSAR图像的处理装中的各单元及其子单元的实现功能可参照前述PolSAR图像的处理方法的相关描述而理解。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性的、机械的或其他形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read Only Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
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 (6)

1.一种极化合成孔径雷达PolSAR图像的处理方法，其特征在于，所述方法包括：
对原始PolSAR图像进行分解以及颜色空间转换，而得到S通道图像、H通道图像以及I通道图像；
对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域；所述第一区域用于表征阴影区域以及叠掩区域；
将所述H通道图像中的所述第一区域的颜色信息置零；对置零后的所述H通道图像进行增强Lee滤波以及K均值聚类，以从所述H通道图像中提取第二区域；所述第二区域用于表征潜在山体滑坡区域；
从所述I通道图像中分割出所述第二区域；对所述第二区域的所述I通道图像进行增强Lee滤波以及K均值聚类；对K均值聚类后的所述I通道图像进行形态学滤波；
根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域；所述第三区域用于表征精确山体滑坡区域。
2.根据权利要求1所述的PolSAR图像的处理方法，其特征在于，所述对原始PolSAR图像进行分解以及颜色空间转换，包括：
采用泡利Pauli基矩阵对所述原始PolSAR图像进行分解；
将分解后的所述原始PolSAR图像从红绿蓝RGB颜色空间转换到色调饱和度强度HSI颜色空间。
3.根据权利要求2所述的PolSAR图像的处理方法，其特征在于，所述对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域，包括：
对所述HSI颜色空间中的所述S通道图像进行增强Lee滤波以及K均值聚类，以从所述S通道图像中提取第一区域。
4.一种PolSAR图像的处理装置，其特征在于，所述装置包括：预处理单元、第一提取单元、第二提取单元、第三提取单元；其中，
所述预处理单元，用于对原始PolSAR图像进行分解以及颜色空间转换，而得到S通道图像、H通道图像以及I通道图像；
所述第一提取单元，用于对所述S通道图像进行滤波以及K均值聚类，以从所述S通道图像中提取第一区域；所述第一区域用于表征阴影区域以及叠掩区域；
所述第二提取单元，用于基于所述第一区域，对所述H通道图像进行滤波以及K均值聚类，以从所述H通道图像中提取第二区域；所述第二区域用于表征潜在山体滑坡区域；
所述第三提取单元，用于基于所述第二区域，对所述I通道图像进行滤波以及K均值聚类，并对K均值聚类后的I通道图像进行形态学滤波；根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域；所述第三区域用于表征精确山体滑坡区域；
所述第二提取单元包括：设置子单元、第二滤波子单元、第二聚类子单元；其中，
所述设置子单元，用于将所述H通道图像中的所述第一区域的颜色信息置零；
所述第二滤波子单元，用于对置零后的所述H通道图像进行增强Lee滤波；
所述第二聚类子单元，用于对滤波后的所述H通道图像进行K均值聚类，以从所述H通道图像中提取第二区域；
所述第三提取单元包括：分割子单元、第三滤波子单元、第三聚类子单元、第四滤波子单元、确定子单元；其中，
所述分割子单元，用于从所述I通道图像中分割出所述第二区域；
所述第三滤波子单元，用于对所述第二区域的所述I通道图像进行增强Lee滤波；
所述第三聚类子单元，用于对所述第三滤波子单元滤波后的所述I通道图像进行K均值聚类；
所述第四滤波子单元，用于对K均值聚类后的所述I通道图像进行形态学滤波；
所述确定子单元，用于根据区域属性参数从形态学滤波后的所述I通道图像中确定出第三区域。
5.根据权利要求4所述的PolSAR图像的处理装置，其特征在于，所述预处理单元包括：分解子单元、颜色空间转换子单元；其中，
所述分解子单元，用于采用Pauli基矩阵对所述原始PolSAR图像进行分解；
所述颜色空间转换子单元，用于将分解后的所述原始PolSAR图像从RGB颜色空间转换到HSI颜色空间。
6.根据权利要求5所述的PolSAR图像的处理装置，其特征在于，所述第一提取单元包括：第一滤波子单元、第一聚类子单元；其中，
所述第一滤波子单元，用于对所述HSI颜色空间中的所述S通道图像进行增强Lee滤波；
所述第一聚类子单元，用于对滤波后的所述S通道图像进行K均值聚类，以从所述S通道图像中提取第一区域。
CN201410014570.6A 2014-01-13 2014-01-13 一种极化合成孔径雷达图像的处理方法及装置 Active CN103761752B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201410014570.6A CN103761752B (zh) 2014-01-13 2014-01-13 一种极化合成孔径雷达图像的处理方法及装置
EP14168662.6A EP2767849B1 (en) 2014-01-13 2014-05-16 Method and apparatus for processing polarimetric synthetic aperture radar image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410014570.6A CN103761752B (zh) 2014-01-13 2014-01-13 一种极化合成孔径雷达图像的处理方法及装置

Publications (2)

Publication Number Publication Date
CN103761752A CN103761752A (zh) 2014-04-30
CN103761752B true CN103761752B (zh) 2016-12-07

Family

ID=50528985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410014570.6A Active CN103761752B (zh) 2014-01-13 2014-01-13 一种极化合成孔径雷达图像的处理方法及装置

Country Status (2)

Country Link
EP (1) EP2767849B1 (zh)
CN (1) CN103761752B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015192056A1 (en) 2014-06-13 2015-12-17 Urthecast Corp. Systems and methods for processing and providing terrestrial and/or space-based earth observation video
CN104318572B (zh) * 2014-10-31 2017-11-21 中南大学 基于极化方向角补偿的polsar图像海上目标检测方法
WO2016153914A1 (en) 2015-03-25 2016-09-29 King Abdulaziz City Of Science And Technology Apparatus and methods for synthetic aperture radar with digital beamforming
WO2017044168A2 (en) 2015-06-16 2017-03-16 King Abdulaziz City Of Science And Technology Efficient planar phased array antenna assembly
DE102015117712A1 (de) 2015-10-16 2017-04-20 Friedrich-Alexander-Universität Erlangen-Nürnberg Bildgebende Polarimetrie
CN105445712B (zh) * 2015-11-11 2019-01-25 中国测绘科学研究院 极化sar多成分目标分解方法
EP3380864A4 (en) 2015-11-25 2019-07-03 Urthecast Corp. APPARATUS AND METHODS FOR OPEN SYNTHESIS RADAR IMAGING
DE102016213330A1 (de) 2016-07-21 2018-03-08 Friedrich-Alexander-Universität Erlangen-Nürnberg Verfahren zur Ortung eines beweglichen Objektes sowie Transponder hierzu
CA3064586A1 (en) 2017-05-23 2018-11-29 King Abdullah City Of Science And Technology Synthetic aperture radar imaging apparatus and methods for moving targets
EP3631504B8 (en) 2017-05-23 2023-08-16 Spacealpha Insights Corp. Synthetic aperture radar imaging apparatus and methods
CN107392140B (zh) * 2017-07-19 2021-01-08 苏州闻捷传感技术有限公司 基于低秩稀疏分解和增量学习的极化sar地物分类方法
US11525910B2 (en) 2017-11-22 2022-12-13 Spacealpha Insights Corp. Synthetic aperture radar apparatus and methods
CN110244271B (zh) * 2019-05-17 2022-06-10 中国人民解放军战略支援部队信息工程大学 基于多重同步压缩变换的雷达辐射源分选识别方法及装置
CN111160296B (zh) * 2019-12-31 2024-01-26 中国科学院电子学研究所 滑坡灾害检测方法
CN112558017B (zh) * 2020-11-05 2023-08-08 中国科学院国家空间科学中心 一种极化目标三分量分解结果彩色可视化方法及系统
CN113408547B (zh) * 2021-07-12 2023-05-23 西南交通大学 一种多时相多极化sar滑坡提取方法
CN113643284B (zh) * 2021-09-09 2023-08-15 西南交通大学 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法
CN114004998B (zh) * 2021-11-03 2024-01-19 中国人民解放军国防科技大学 基于多视张量积扩散的非监督极化sar图像地物分类方法
CN117333468B (zh) * 2023-10-17 2024-05-24 南京北斗创新应用科技研究院有限公司 面向多模式时序PolSAR影像的洪涝灾害监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758070A (zh) * 2005-11-10 2006-04-12 复旦大学 基于全极化合成孔径雷达数据的地表分类方法
CN101699513A (zh) * 2009-10-29 2010-04-28 电子科技大学 一种基于极化特征分解的水平集极化sar图像分割方法
CN102759528A (zh) * 2012-07-09 2012-10-31 陕西科技大学 一种农作物叶部病害检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457437B2 (en) * 2010-03-23 2013-06-04 Raytheon Company System and method for enhancing registered images using edge overlays

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758070A (zh) * 2005-11-10 2006-04-12 复旦大学 基于全极化合成孔径雷达数据的地表分类方法
CN101699513A (zh) * 2009-10-29 2010-04-28 电子科技大学 一种基于极化特征分解的水平集极化sar图像分割方法
CN102759528A (zh) * 2012-07-09 2012-10-31 陕西科技大学 一种农作物叶部病害检测方法

Also Published As

Publication number Publication date
EP2767849A2 (en) 2014-08-20
EP2767849A3 (en) 2014-12-03
EP2767849B1 (en) 2016-01-06
CN103761752A (zh) 2014-04-30

Similar Documents

Publication Publication Date Title
CN103761752B (zh) 一种极化合成孔径雷达图像的处理方法及装置
Zhan et al. Log-based transformation feature learning for change detection in heterogeneous images
US9401008B2 (en) Method for identifying and extracting a linear object from an image
CN103793907B (zh) 一种水体信息的提取方法及装置
CN104700110B (zh) 一种基于全极化sar图像的植被覆盖信息提取方法
CN104715255B (zh) 一种基于sar图像的滑坡信息提取方法
CN115236655B (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
CN107329139B (zh) 一种双时相双极化干涉sar影像水域提取方法
CN103927758B (zh) 一种基于对比度与角点最小凸包的显著性检测方法
CN106846253A (zh) 一种基于反向传播神经网络的图像超分辨率重建方法
CN107689051A (zh) 一种基于变化因子的多时相sar影像变化检测方法
CN109308451A (zh) 一种高分数据信息提取系统及方法
CN106156758A (zh) 一种sar海岸图像中海岸线提取方法
CN106405545A (zh) 一种双时相异模双极化SAR类Pauli假彩色影像合成方法
CN112989940A (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
CN112966656A (zh) 数据处理方法及装置
Uprety et al. Use of high-resolution SAR intensity images for damage detection from the 2010 Haiti earthquake
CN106548209A (zh) 一种基于多纹理特征的sar绿潮信息提取方法
Adriano et al. Extraction of damaged areas due to the 2013 Haiyan typhoon using ASTER data
CN114545410B (zh) 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法
CN107967696B (zh) 一种水面船只雷达遥感检测方法、电子设备
CN105551029A (zh) 一种多光谱遥感图像舰船检测方法
Liu et al. The application of GF-1 imagery to detect ships on the Yangtze River
Gueguen et al. Multitemporal analysis of multisensor data: Information theoretical approaches
Jo et al. Rapid generation of flood maps using dual-polarimetric synthetic aperture radar imagery

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
TR01 Transfer of patent right

Effective date of registration: 20211029

Address after: 250000 floor 24, block B, No. 188, Xiaoqinghe North Road, Tianqiao District, Jinan City, Shandong Province

Patentee after: Zhongke satellite (Shandong) Technology Group Co.,Ltd.

Address before: 100089 No.19, Beisihuan West Road, Haidian District, Beijing

Patentee before: Aerospace Information Research Institute,Chinese Academy of Sciences

Effective date of registration: 20211029

Address after: 100089 No.19, Beisihuan West Road, Haidian District, Beijing

Patentee after: Aerospace Information Research Institute,Chinese Academy of Sciences

Address before: 100190 No. 19 West North Fourth Ring Road, Haidian District, Beijing

Patentee before: Institute of Electronics, Chinese Academy of Sciences

TR01 Transfer of patent right