CN103955692A - 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 - Google Patents
结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 Download PDFInfo
- Publication number
- CN103955692A CN103955692A CN201410182255.4A CN201410182255A CN103955692A CN 103955692 A CN103955692 A CN 103955692A CN 201410182255 A CN201410182255 A CN 201410182255A CN 103955692 A CN103955692 A CN 103955692A
- Authority
- CN
- China
- Prior art keywords
- false
- alarm
- region
- image
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种结合灰度与拓扑特征的SAR图像水域虚警剔除方法,能够有效地剔除由山体、建筑物等阴影产生的虚警。第一步、首先采用经过预处理的SAR灰度图像和粗提取的目标候选区域图像作为输入,然后计算粗提取的目标候选区域的灰度均值;第二步、从粗提取的目标候选区域图像中提取进行虚警剔除的虚警候选区;第三步、计算所述虚警候选区域的灰度均值;第四步、利用膨胀操作对所述虚警候选区域内部的孔洞进行填充;第五步、标记填充之后的虚警候选区,利用纹理特征统计每个连通区域的拓扑描述子;第六步、针对不同的场景图像,设置不同判决条件,进行虚警剔除。
Description
技术领域
本发明涉及一种结合灰度与拓扑特征的SAR图像水域检测虚警剔除方法,属于目标检测和识别领域。
技术背景
SAR图像由于其全天候、全天时等优点逐渐成为水体检测的主要手段。陆地上的水域区域主要包括大的河流、湖泊、人造水库等,这些水体的表面一般受到风的影响较小,所以水域表面比较平滑,电磁波在其表面相当于镜面反射。因此,水域在SAR图像中表现为均匀的黑色暗斑。除了水域之外,在SAR图像中还包括山脉、植被、建筑等物体,这些物体由于表面粗糙,电磁波在其表面进行漫反射,所以它们在SAR图像中呈现比较亮的区域。但是由于物体之间的相互遮挡,会产生很多的阴影区域,这些阴影区域在SAR图像中也呈现为黑色的暗斑,所以山脉、植被、建筑等的阴影成为水域检测的主要干扰因素。黑色阴影区域会在水域检测过程中产生大量的虚警,降低水域检测的精确性水域检测的精确性。
发明内容
鉴于此,本发明提出了一种结合灰度与拓扑特征的SAR图像水域虚警剔除方法,能够有效地剔除由山体、建筑物等阴影产生的虚警。
本发明的一种结合灰度与拓扑特征的SAR图像水域虚警剔除方法,包括以下步骤:
第一步、首先采用经过预处理的SAR灰度图像和粗提取的目标候选区域图像作为输入,计算粗提取的目标候选区域的灰度均值;
第二步、从粗提取的目标候选区域图像中提取进行虚警剔除的虚警候选区;
第三步、计算所述虚警候选区域的灰度均值;
第四步、利用形态学中的膨胀操作对所述虚警候选区域内部的孔洞进行填充;
第五步、连通域标记填充之后的虚警候选区,利用灰度特征统计每个连通区域的拓扑描述子;
第六步、针对不同的场景图像,设置不同判决条件,进行虚警剔除。
第二步所述的从粗提取的目标候选区域图像中提取虚警候选区的方法如下:经过大量的样本训练,选择一个比例系数,乘以输入SAR图像的大小,实现自适应的设置面积门限,目标候选区域中小于面积门限的区域,作为虚警候选区域。
所述的比例系数为0.05。
第五步中标记填充之后的虚警候选区,利用纹理特征统计每个连通区域的拓扑描述子的方法如下:
5.1由于孔洞内的像素灰度值大于暗斑区域的像素灰度值,标记填充孔洞之后的虚警候选区,并统计每个标记的连通区域中像素值大于第一步计算的灰度均值的像素点的个数;
5.2计算每个连通区域中像素值大于第一步计算的均值的像素点数占此连通区域的总个数的比值,并采用这个比例作为拓扑描述子来描述区域的整体特征。
第六步中针对不同的场景图像,设置不同判决条件,进行虚警剔除的方法如下:
6.1根据陆地的复杂场景,将SAR图像水域检测图像分为以下几种情况:图像上没有水域,粗提取的目标候选区域全为虚警;图像上只有小面积水域,即小于提取虚警候选区域的面积门限;图像上有大面积的水域,即大于提取虚警候选区域的面积门限;对于第一种和第二种情况,粗提取的目标候选区和提取的虚警候选区图像一样,因此把全是虚警的图像归为只有小面积水域的情况进行处理。
6.2在恒虚警概率条件下,选择剔除虚警的判决条件:计算上述步骤5.2中所述比值的均值,水域区域的比值会低于比值的均值,虚警区域的比值会高于比值的均值。所以在一定的虚警概率条件下,对于6.1中的第一种和第二种情况,虚警占的比例大于水域区域,为了能够剔除大部分的虚警,选择一个小于均值的值作为判决条件;对于6.1中第三种情况,虚警占的比例小于水域区域,选择均值作为判决条件;判决过程:如果虚警候选区域中的连通区域的拓扑描述子大于判决条件,则判决为虚警,进行剔除,否则判决为水域。
本发明的有益效果:
(1)本发明通过提取虚警候选区进行虚警剔除,不仅可以减小计算量,而且可以缩小虚警的范围,避免误剔。
(2)本发明选择一个连通区域内部孔洞的像素点数占这个连通区域总像素点数的比例作为拓扑描述子,比直接利用孔洞数更能准确的描述每个连通区域的整体特征。
(3)本发明利用虚警候选区中所有连通区域的拓扑描述子的均值,针对不同场景的SAR图像设置虚警剔除的判决条件,不仅实现针对复杂场景SAR图像的虚警剔除,且大大提高了虚警剔除的正确性。
附图说明
图1为本发明结合灰度与拓扑特征的SAR图像水域检测虚警剔除方法的流程图。
具体实施方法
水域与阴影区域的灰度值都主要集中在低灰度级,但由于水域和阴影区域对电磁波的反射原理不同,形成的纹理也不相同,即水域暗斑的灰度级分布比较均匀、一致,而阴影等区域的灰度级分布比较分散,且阴影区域的灰度均值一般会比水域区域的灰度均值大些。因此,本发明根据水域和阴影灰度级的特点,选择灰度均值来描述暗斑的灰度特征。
此外,采用分割算法粗提取的目标候选区域图像(二值图)中水体和阴影区域暗斑表现出不同的特征,即水体在粗提取的目标候选区域图像中表现为比较均匀、规则的暗斑;山体、建筑等形成的阴影区域在图像中表现为内部具有很多孔洞的不均匀暗斑,而且暗斑形状也不规则。根据以上叙述,暗斑内部的孔洞数目可以作为拓扑描述子,来描述暗斑的特征。但是,由于暗斑的大小不同,仅仅利用孔洞数目很难准确地描述暗斑区域的整体特征,所以选择每个暗斑孔洞的像素点数占这个暗斑的总像素点数的比例,作为拓扑描述子来描述暗斑区域的整体特征。
参照附图1,本发明的实现步骤主要包括:计算粗提取的目标区域的灰度均值;提取虚警候选区域;计算虚警候选区域的灰度均值;对虚警候选区域内部的孔洞进行填充;统计每个连通区域的拓扑描述子;针对不同的场景图像,设置不同判决条件,进行虚警剔除。具体实现方式如下:
步骤1,利用输入预处理的SAR灰度图像和粗提取的目标候选区域,计算粗提取的目标候选区域对应的灰度均值a。
步骤2,设输入的SAR图像的大小为N*N,面积门限T=N*N*k,其中k为经过多次样本训练之后设置的一个规定系数;对输入的粗提取的目标候选区域进行连通域标记,并统计每个连通域的面积,记为m。
从粗提取的目标候选区中提取虚警候选区:
如果m<T,则面积为m的连通区域选择为虚警候选区域,否则连通区域保留,不参与虚警剔除计算。
步骤3,根据步骤2提取的虚警候选区域,计算虚警候选区域的灰度均值b。
步骤4,选择M*M的结构元素,对步骤2提取的虚警候选区域进行膨胀操作,实现填充暗斑内部的孔洞。
步骤5,对步骤4中虚警候选区域进行连通域标记,设有总共有K个连通区域,统计每个连通区域的拓扑描述子:
统计连通区域为L=n的总像素点数P1,找到此连通区域对应的灰度图像部分,并统计这部分区域中灰度值大于均值a的像素点个数P2,此区域的拓扑描述子为Si=P2/P1,其中i,n=1,2,3……K。
步骤6,计算Si(其中i=1,2,3……K)的均值为S,针对不同的情况进行虚警剔除:
(1)如果a=b,则说明提取的目标候选区域和虚警候选区域图像一样,即图像中没有大的水域存在。选择判决条件q=S-0.05进行虚警剔除:
如果Si>q,其中i=1,2,3……K,则判决为虚警进行剔除,否则判决为水域并保留。
(2)如果a~=b,则说明图像中有大于面积门限的暗斑区域,即认为粗提取的目标候选区域中存在大面积的水域。选择判决条件q=S进行虚警剔除:如果Si>q,其中i=1,2,3……K,则判决为连通区域i为虚警,进行剔除,否则判决为水域,进行保留。
Claims (5)
1.一种结合灰度与拓扑特征的SAR图像水域虚警剔除方法,其特征在于,包括以下步骤:
第一步、首先采用经过预处理的SAR灰度图像和粗提取的目标候选区域图像作为输入,计算粗提取的目标候选区域的灰度均值;
第二步、从粗提取的目标候选区域图像中提取进行虚警剔除的虚警候选区;
第三步、计算所述虚警候选区域的灰度均值;
第四步、利用形态学中的膨胀操作对所述虚警候选区域内部的孔洞进行填充;
第五步、连通域标记填充之后的虚警候选区,利用灰度特征统计每个连通区域的拓扑描述子;
第六步、针对不同的场景图像,设置不同判决条件,进行虚警剔除。
2.如权利要求1所述的一种结合灰度与拓扑特征的SAR图像水域虚警剔除方法,其特征在于,第二步所述的粗提取的目标候选区域图像中提取虚警候选区的方法如下:经过大量的样本训练,选择一个比例系数,乘以输入SAR图像的大小,实现自适应的设置面积门限,目标候选区域中小于面积门限的区域,作为虚警候选区域。
3.如权利要求2所述的一种结合灰度与拓扑特征的SAR图像水域虚警剔除方法,其特征在于,所述的比例系数为0.05。
4.如权利要求1或2或3所述的一种结合灰度与拓扑特征的SAR图像水域虚警剔除方法,其特征在于,第五步中标记填充之后的虚警候选区,利用纹理特征统计每个连通区域的拓扑描述子的方法如下:
5.1由于孔洞内的像素灰度值大于暗斑区域的像素灰度值,标记填充孔洞之后的虚警候选区,并统计每个标记的连通区域中像素值大于第一步计算的灰度均值的像素点的个数;
5.2计算每个连通区域中像素值大于第一步计算的均值的像素点数占此连通区域的总个数的比值,并采用这个比例作为拓扑描述子来描述区域的整体特征。
5.如权利要求4所述的一种结合灰度与拓扑特征的SAR图像水域虚警剔除方法,其特征在于,第六步中针对不同的场景图像,设置不同判决条件,进行虚警剔除的方法如下:
6.1根据陆地的复杂场景,将SAR图像水域检测图像分为以下几种情况:图像上没有水域,粗提取的目标候选区域全为虚警;图像上只有小面积水域,即小于提取虚警候选区域的面积门限;图像上有大面积的水域,即大于提取虚警候选区域的面积门限;对于第一种和第二种情况,粗提取的目标候选区和提取的虚警候选区图像一样,因此把全是虚警的图像归为只有小面积水域的情况进行处理。
6.2在恒虚警概率条件下,选择剔除虚警的判决条件:计算上述步骤5.2中所述比值的均值,水域区域的比值会低于比值的均值,虚警区域的比值会高于比值的均值。所以在一定的虚警概率条件下,对于6.1中的第一种和第二种情况,虚警占的比例大于水域区域,为了能够剔除大部分的虚警,选择一个小于均值的值作为判决条件;对于6.1中第三种情况,虚警占的比例小于水域区域,选择均值作为判决条件;判决过程:如果虚警候选区域中的连通区域的拓扑描述子大于判决条件,则判决为虚警,进行剔除,否则判决为水域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410182255.4A CN103955692B (zh) | 2014-04-30 | 2014-04-30 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410182255.4A CN103955692B (zh) | 2014-04-30 | 2014-04-30 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955692A true CN103955692A (zh) | 2014-07-30 |
CN103955692B CN103955692B (zh) | 2017-07-21 |
Family
ID=51332967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410182255.4A Active CN103955692B (zh) | 2014-04-30 | 2014-04-30 | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955692B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069780A (zh) * | 2015-07-17 | 2015-11-18 | 北京理工大学 | 一种基于SoPC的SAR图像水域检测实现方法 |
CN109508641A (zh) * | 2018-10-15 | 2019-03-22 | 广州地理研究所 | 一种城市水体的识别方法、装置、储存介质及设备 |
CN109658416A (zh) * | 2018-12-27 | 2019-04-19 | 北京航空航天大学 | Sar图像海陆分割方法、装置、计算机设备和可读存储介质 |
CN110111352A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110163912A1 (en) * | 2008-12-10 | 2011-07-07 | U.S. Government As Represented By The Secretary Of The Army | System and method for iterative fourier side lobe reduction |
CN102622598A (zh) * | 2012-01-13 | 2012-08-01 | 西安电子科技大学 | 基于区域标记与灰度统计的sar图像目标检测方法 |
CN103186900A (zh) * | 2013-03-26 | 2013-07-03 | 中国科学院电子学研究所 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
CN103679728A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院电子学研究所 | 一种复杂地形的sar图像的水域自动分割方法及装置 |
-
2014
- 2014-04-30 CN CN201410182255.4A patent/CN103955692B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110163912A1 (en) * | 2008-12-10 | 2011-07-07 | U.S. Government As Represented By The Secretary Of The Army | System and method for iterative fourier side lobe reduction |
CN102622598A (zh) * | 2012-01-13 | 2012-08-01 | 西安电子科技大学 | 基于区域标记与灰度统计的sar图像目标检测方法 |
CN103186900A (zh) * | 2013-03-26 | 2013-07-03 | 中国科学院电子学研究所 | 一种InSAR水体和阴影区域自动提取和识别的方法 |
CN103679728A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院电子学研究所 | 一种复杂地形的sar图像的水域自动分割方法及装置 |
Non-Patent Citations (1)
Title |
---|
李琳琳: "遥感图像分割中阈值的自动选取技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069780A (zh) * | 2015-07-17 | 2015-11-18 | 北京理工大学 | 一种基于SoPC的SAR图像水域检测实现方法 |
CN105069780B (zh) * | 2015-07-17 | 2017-12-08 | 北京理工大学 | 一种基于SoPC的SAR图像水域检测实现方法 |
CN109508641A (zh) * | 2018-10-15 | 2019-03-22 | 广州地理研究所 | 一种城市水体的识别方法、装置、储存介质及设备 |
CN109658416A (zh) * | 2018-12-27 | 2019-04-19 | 北京航空航天大学 | Sar图像海陆分割方法、装置、计算机设备和可读存储介质 |
CN110111352A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103955692B (zh) | 2017-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711295A (zh) | 一种光学遥感图像近岸舰船检测方法 | |
CN102622598B (zh) | 基于区域标记与灰度统计的sar图像目标检测方法 | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN108399361A (zh) | 一种基于卷积神经网络cnn和语义分割的行人检测方法 | |
CN109598290A (zh) | 一种基于两级检测相结合的图像小目标检测方法 | |
CN103679728B (zh) | 一种复杂地形的sar图像的水域自动分割方法及装置 | |
CN107563387A (zh) | 一种基于循环神经网络的图像目标检测选框方法 | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN103985108B (zh) | 一种利用边界检测和多尺度形态学清晰度度量的多聚焦图像融合方法 | |
CN103955692A (zh) | 结合灰度与拓扑特征的sar图像水域检测虚警剔除方法 | |
CN105512666A (zh) | 一种基于视频的河道垃圾识别方法 | |
CN111862143B (zh) | 一种河堤坍塌自动监测方法 | |
CN110210608A (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
CN102855487A (zh) | 高分辨率遥感图像新增建设用地变化图斑自动提取的方法 | |
CN103488992B (zh) | 一种面向复杂sar图像场景的溢油检测方法 | |
CN103761522B (zh) | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 | |
CN103226820A (zh) | 改进的二维最大熵分割夜视图像融合目标检测算法 | |
CN105787470A (zh) | 一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法 | |
CN104123734A (zh) | 基于可见光和红外检测结果融合的运动目标检测方法 | |
CN102855627B (zh) | 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法 | |
CN104463204A (zh) | 目标数量统计方法 | |
CN102129576B (zh) | 全天空极光图像占空比参数的提取方法 | |
CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
CN108629254A (zh) | 一种运动目标的检测方法及装置 | |
CN104835142B (zh) | 一种基于纹理特征的车辆排队长度检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |