CN106340028A - 基于相似性检验的极化sar图像边缘检测方法 - Google Patents
基于相似性检验的极化sar图像边缘检测方法 Download PDFInfo
- Publication number
- CN106340028A CN106340028A CN201610826427.6A CN201610826427A CN106340028A CN 106340028 A CN106340028 A CN 106340028A CN 201610826427 A CN201610826427 A CN 201610826427A CN 106340028 A CN106340028 A CN 106340028A
- Authority
- CN
- China
- Prior art keywords
- polarization
- edge
- pixel
- sar image
- pixels
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明属于极化SAR成像遥感技术领域,涉及一种基于相似性检验的极化SAR图像边缘检测方法。所述方法包括以下步骤:第一步,对极化相干矩阵进行相似性检验;第二步,相似性像素检测;第三步,计算相似性像素的数目;第四步,候选边缘像素检测处理;第五步,对候选边缘像素检测结果进行形态学滤波处理。本发明实现简单,实施方便,具有鲁棒高效性,可直接用于对各种极化SAR系统获得的极化SAR图像进行处理。本发明对于极化SAR建筑物边缘提取、道路检测、海岸线提取、农作物边缘提取等应用领域有着重要的参考价值。
Description
技术领域
本发明属于极化SAR(Synthetic Aperture Radar,合成孔径雷达)成像遥感技术领域,涉及一种基于相似性检验的极化SAR图像边缘检测方法。
背景技术
极化SAR作为一种微波传感器能够全天时全天候工作,已经成为对地观测领域的重要传感器。同时,通过收发一组极化状态正交的电磁波,极化SAR能够获得地物的全极化信息,为理解和利用地物的散射特性提供了重要支撑。
极化SAR图像中的边缘特征是视觉感知、图像理解和目标分类识别的重要依据。边缘指示了极化SAR图像中相邻两个区域散射特性的突变。边缘检测是极化SAR图像自动解译的基础,广泛应用于目标检测与识别、特征匹配、纹理分析等领域。极化SAR图像边缘检测主要有两种技术途径。一种是直接将单极化SAR图像边缘检测方法应用到极化SAR的各个极化通道,然后通过一定的融合准则得到最终的边缘检测结果。这种方法没有充分利用全极化信息,边缘检测性能有限。同时,不同的融合准则也会导致边缘检测结果的不一致。另一种则是充分利用全极化信息,构建全极化检测器提取极化SAR图像中的边缘特征。其中,比较有代表性的方法是通过相似性检验考察目标极化矩阵的相似性,提取相似度参数并结合不同形状的滤波窗构建CFAR边缘检测器(Schou,J.,Skriver,H.,Nielsen,A.A.,Conradsen,K.,“CFAR edge detector for polarimetric SAR images.”IEEE Transactions onGeoscience and Remote Sensing,41(1):20-32,2003.)。该方法需要首先定义一系列的滤波窗并预先确定滤波窗的形状参数(如长度、宽度、取向、保护宽度等),通过遍历所有滤波窗,进而确定候选边缘像素。该处理方法难以满足极化SAR图像边缘检测的鲁棒性和高效性。因此,发展一种利用全极化信息的鲁棒高效的极化SAR图像边缘检测方法具有重要意义。
发明内容
本发明要解决的技术问题是,提供一种基于极化矩阵相似性检验的极化SAR图像边缘检测方法。本发明实现简单,实施方便,具有鲁棒高效性,可直接用于对各种极化SAR系统获得的极化SAR图像进行处理。
本发明的基本思路是:极化SAR图像中的边缘指示了相邻两个区域散射特性的突变。对边缘像素而言,在其邻域内与之散射特性相似的像素数目较少。然而,对于非边缘像素,其邻域内与之散射特性相似的像素数目较多。本发明基于极化矩阵相似性检验,利用边缘像素和非边缘像素邻域内相似性像素数目的差异特性,实现极化SAR图像的边缘检测。
本发明的技术方案是:一种基于相似性检验的极化SAR图像边缘检测方法,具体包括下述步骤:
本发明基于已完成相干斑滤波处理的极化SAR图像,对极化矩阵进行相似性检验处理。本发明适用于极化相干矩阵T和极化协方差矩阵C。其中,满足互易条件SHV=SVH时,极化相干矩阵T和极化协方差矩阵C分别为:
其中,SHH为在水平极化H发射和水平极化H接收条件下获取的复后向散射系数;SVH为在水平极化H发射和垂直极化V接收条件下获取的复后向散射系数;SHV为在垂直极化V发射和水平极化H接收条件下获取的复后向散射系数;SVV为在垂直极化V发射和垂直极化V接收条件下获取的复后向散射系数。上标*为共轭处理。<·>为集合平均处理,|·|为取绝对值处理。
下面以极化相干矩阵T为例进行技术方案介绍(对极化协方差矩阵C进行处理时,只需将极化相干矩阵T替换为极化协方差矩阵C即可)。极化SAR图像中的每一个像素对应一个极化相干矩阵,记为Ti,i=1,2,…,W,W表示极化SAR图像的像素总数目。在每一个像素的邻域N×M(N和M的取值与极化SAR图像的分辨率和多视视数有关,一般取N=M=3、N=M=5或N=M=7)内,对每一个极化相干矩阵Ti,进行下面第一步至第四步的处理:
第一步,对极化相干矩阵进行相似性检验;
对极化相干矩阵Ti和其邻域N×M内的每一个极化相干矩阵Tnm,n=1,2,…,N,m=1,2,…,M,计算Ti和Tnm的相似度参数lnQinm:
lnQinm=(6ln2+ln|Ti|+ln|Tnm|-2ln|Ti+Tnm|)
当Ti=Tnm时,lnQinm=0;当Ti≠Tnm时,lnQinm<0。
第二步,相似性像素检测;
通过对相似度参数lnQinm进行门限检测处理,判断Ti与Tnm对应的像素是否相似,即:
当时,则Tnm与Ti对应的像素相似
当时,则Tnm与Ti对应的像素不相似
其中,D为调节参数,与极化SAR图像分辨率和地物特性有关,一般取D=10,L为极化SAR图像的多视视数的估计值,通过选取极化SAR图像中的匀质区域,计算区域内像素各极化通道的幅度的均值与方差的比值,该比值即为多视视数的估计值L。
第三步,计算相似性像素的数目;
对每一个Ti,计算其N×M邻域内与Ti相似的像素的数目,记为SPNi。
第四步,候选边缘像素检测处理;
对每一个Ti,对相似性像素数目SPNi进行门限检测处理,判断Ti对应的像素是否为边缘像素,即:
当SPNi≥k·N·M时,则Ti对应的像素为非边缘像素,记为0;
当SPNi<k·N·M时,则Ti对应的像素为边缘像素,记为1;
其中,k为门限系数,与极化SAR图像分辨率和邻域窗N×M有关,一般取k>0.6。
对极化SAR图像中的每一个像素进行第一步至第四步的处理,可以得到整幅图像候选边缘像素的检测结果,记为Edge0。Edge0中取值为1的像素对应候选边缘像素,取值为0的像素对应非边缘像素。
第五步,对候选边缘像素检测结果进行形态学滤波处理。
在候选边缘像素检测结果Edge0中,会存在一些孤立的和与边缘邻接的虚警边缘像素,采用形态学滤波处理中的侵蚀处理(“erode processing”)和开处理(“openprocessing”)进行剔除,最后得到最终的边缘检测结果Edge1,从而得到极化SAR图像边缘检测图。Edge1中取值为1的像素对应边缘像素,取值为0的像素对应非边缘像素。
用本发明可取得以下技术效果:
本发明所述的基于极化矩阵相似性检验的极化SAR图像边缘检测方法,通过利用边缘像素和非边缘像素邻域内相似性像素数目的差异,实现极化SAR图像的边缘检测。本发明实现简单,实施方便,具有鲁棒高效性,可直接用于对各种极化SAR系统获得的极化SAR图像进行处理。本发明对于极化SAR建筑物边缘提取、道路检测、海岸线提取、农作物边缘提取等应用领域有着重要的参考价值。
附图说明
图1本发明的实施流程图;
图2完成相干斑滤波处理的极化SAR图像;
图3相似性像素数目图;
图4候选边缘检测结果图;
图5最终边缘检测结果图。
具体实施方式
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述。
图1为本发明的实施流程图,输入为完成了相干斑滤波处理的极化SAR图像,实施过程主要由五步组成:第一步,对极化矩阵进行相似性检验;第二步,相似性像素检测;第三步,计算相似性像素的数目;第四步,候选边缘像素检测处理;第五步,候选边缘像素检测结果形态学滤波处理,从而得到极化SAR图像边缘检测图。
图2至图5是利用本发明的具体实施方式对ALOS/PALSAR系统获得的日本松岛区域全极化SAR数据的处理结果。
图2为完成相干斑滤波处理的极化SAR图像。采用SimiTest算法进行相干斑滤波处理,具体算法内容参见文献Si-Wei Chen,Xue-Song Wang and Motoyuki Sato,“PolInSARcomplex coherence estimation based on covariance matrix similarity test,”IEEETransactions on Geoscience and Remote Sensing,vol.50,no.11,pp.4699–4710,Nov.2012。其中,图(a)为HH极化幅度图,图(b)为HV极化幅度图,图(c)为VV极化幅度图。
图3为相似性像素数目图。其中,相似性检测选择的邻域N×M为3×3。取调节参数D=10。估计得到的多视视数L=1.6225。门限为
图4为候选边缘检测结果图,白色为候选边缘像素,黑色为非边缘像素。其中,取门限系数k=0.8。
图5为最终的边缘检测结果图,白色为边缘像素,黑色为非边缘像素。其中,形态学滤波中侵蚀处理采用的结构单元为开处理中滤除像素数目≤5的孤立候选边缘片段。
Claims (5)
1.一种基于相似性检验的极化SAR图像边缘检测方法,所述方法基于已完成相干斑滤波处理的极化SAR图像,对极化矩阵进行相似性检验处理,其特征在于:满足互易条件SHV=SVH时,极化相干矩阵T为:
其中,SHH为在水平极化H发射和水平极化H接收条件下获取的复后向散射系数;SVH为在水平极化H发射和垂直极化V接收条件下获取的复后向散射系数;SHV为在垂直极化V发射和水平极化H接收条件下获取的复后向散射系数;SVV为在垂直极化V发射和垂直极化V接收条件下获取的复后向散射系数,上标*为共轭处理,<·>为集合平均处理,|·|为取绝对值处理;极化SAR图像中的每一个像素对应一个极化相干矩阵,记为Ti,i=1,2,…,W,W表示极化SAR图像的像素总数目;在每一个像素的邻域N×M内,N和M的取值与极化SAR图像的分辨率和多视视数有关,对每一个极化相干矩阵Ti,进行下面第一步至第四步的处理:
第一步,对极化相干矩阵进行相似性检验;
对极化相干矩阵Ti和其邻域N×M内的每一个极化相干矩阵Tnm,n=1,2,…,N,m=1,2,…,M,计算Ti和Tnm的相似度参数lnQinm:
lnQinm=(6ln2+ln|Ti|+ln|Tnm|-2ln|Ti+Tnm|)
当Ti=Tnm时,lnQinm=0;当Ti≠Tnm时,lnQinm<0;
第二步,相似性像素检测;
通过对相似度参数lnQinm进行门限检测处理,判断Ti与Tnm对应的像素是否相似,即:
当时,则Tnm与Ti对应的像素相似;
当时,则Tnm与Ti对应的像素不相似;
其中,D为调节参数,与极化SAR图像分辨率和地物特性有关,L为极化SAR图像的多视视数的估计值,通过选取极化SAR图像中的匀质区域,计算区域内像素各极化通道的幅度的均值与方差的比值,该比值即为多视视数的估计值L;
第三步,计算相似性像素的数目;
对每一个Ti,计算其N×M邻域内与Ti相似的像素的数目,记为SPNi;
第四步,候选边缘像素检测处理;
对每一个Ti,对相似性像素数目SPNi进行门限检测处理,判断Ti对应的像素是否为边缘像素,即:
当SPNi≥k·N·M时,则Ti对应的像素为非边缘像素,记为0;
当SPNi<k·N·M时,则Ti对应的像素为边缘像素,记为1;
其中,k为门限系数,与极化SAR图像分辨率和邻域窗N×M有关;
对极化SAR图像中的每一个像素进行第一步至第四步的处理,可以得到整幅图像候选边缘像素的检测结果,记为Edge0:Edge0中取值为1的像素对应候选边缘像素,取值为0的像素对应非边缘像素;
第五步,对候选边缘像素检测结果进行形态学滤波处理;
在候选边缘像素检测结果Edge0中,会存在一些孤立的和与边缘邻接的虚警边缘像素,采用形态学滤波处理中的侵蚀处理和开处理进行剔除,最后得到最终的边缘检测结果Edge1,从而得到极化SAR图像边缘检测图:Edge1中取值为1的像素对应边缘像素,取值为0的像素对应非边缘像素。
2.根据权利要求1所述基于相似性检验的极化SAR图像边缘检测方法,其特征在于:极化相干矩阵T可以用极化协方差矩阵C代替:
3.根据权利要求1或2所述基于相似性检验的极化SAR图像边缘检测方法,其特征在于:每个像素的邻域N×M中N和M的取值为N=M=3、N=M=5或N=M=7。
4.根据权利要求1或2所述基于相似性检验的极化SAR图像边缘检测方法,其特征在于:第二步中调节参数D的取值为D=10。
5.根据权利要求1或2所述基于相似性检验的极化SAR图像边缘检测方法,其特征在于:第四步中门限系数k的取值为k>0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610826427.6A CN106340028A (zh) | 2016-09-18 | 2016-09-18 | 基于相似性检验的极化sar图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610826427.6A CN106340028A (zh) | 2016-09-18 | 2016-09-18 | 基于相似性检验的极化sar图像边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106340028A true CN106340028A (zh) | 2017-01-18 |
Family
ID=57839011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610826427.6A Pending CN106340028A (zh) | 2016-09-18 | 2016-09-18 | 基于相似性检验的极化sar图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106340028A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680061A (zh) * | 2017-10-10 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于相似性检验的双极化sar图像相干斑滤波方法 |
CN109031294A (zh) * | 2018-07-17 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN110223311A (zh) * | 2019-05-24 | 2019-09-10 | 杭州世平信息科技有限公司 | 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608586A (zh) * | 2012-02-11 | 2012-07-25 | 中国人民解放军陆军军官学院 | 一种基于神经网络的合成孔径雷达射频干扰抑制方法 |
CN102903109A (zh) * | 2012-09-27 | 2013-01-30 | 武汉大学 | 一种光学影像和sar影像一体化分割配准方法 |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
CN105528767A (zh) * | 2015-12-05 | 2016-04-27 | 中国人民解放军国防科学技术大学 | 极化sar图像中目标极化相干特征的增强方法 |
-
2016
- 2016-09-18 CN CN201610826427.6A patent/CN106340028A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608586A (zh) * | 2012-02-11 | 2012-07-25 | 中国人民解放军陆军军官学院 | 一种基于神经网络的合成孔径雷达射频干扰抑制方法 |
CN102903109A (zh) * | 2012-09-27 | 2013-01-30 | 武汉大学 | 一种光学影像和sar影像一体化分割配准方法 |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
CN105528767A (zh) * | 2015-12-05 | 2016-04-27 | 中国人民解放军国防科学技术大学 | 极化sar图像中目标极化相干特征的增强方法 |
Non-Patent Citations (4)
Title |
---|
JESPER SCHOU 等: "CFAR Edge Detector for Polarimetric SAR Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
SI-WEI CHEN 等: "PolInSAR Complex Coherence Estimation Based on Covariance Matrix Similarity Test", 《GEOSCIENCE AND REMOTE SENSING》 * |
王振华: "多 源遥感图像自适应配准方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
董宁宁 等: "基于 SUSAN+CSS 算法的角点检测方法", 《计算机工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680061A (zh) * | 2017-10-10 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于相似性检验的双极化sar图像相干斑滤波方法 |
CN109031294A (zh) * | 2018-07-17 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN109031294B (zh) * | 2018-07-17 | 2020-09-08 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN110223311A (zh) * | 2019-05-24 | 2019-09-10 | 杭州世平信息科技有限公司 | 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101980293B (zh) | 一种基于刃边图像的高光谱遥感系统mtf检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN102073873B (zh) | 一种基于支持向量机的sar景象匹配区选取方法 | |
CN102565794B (zh) | 一种人体隐藏危险物体自动检测微波安检系统 | |
CN102542570B (zh) | 一种微波图像中人体隐藏危险物体自动检测方法 | |
CN101634705B (zh) | 基于方向信息测度的sar图像目标变化检测方法 | |
Gui et al. | Automated defect detection and visualization for the robotic airport runway inspection | |
Fu et al. | A statistical approach to detect edges in SAR images based on square successive difference of averages | |
CN106340028A (zh) | 基于相似性检验的极化sar图像边缘检测方法 | |
CN102175993A (zh) | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 | |
Shang et al. | PolSAR land classification by using quaternion-valued neural networks | |
Dogan et al. | Detection of multitransition abrupt changes in multitemporal SAR images | |
Liu et al. | An automatic high confidence sets selection strategy for SAR images change detection | |
Huang et al. | Morphological building index (MBI) and its applications to urban areas | |
Sery et al. | Multisource classification of SAR images with the use of segmentation, polarimetry, texture, and multitemporal data | |
Pécot et al. | Non parametric cell nuclei segmentation based on a tracking over depth from 3d fluorescence confocal images | |
CN106530242A (zh) | 基于聚类的极化sar图像相干斑自适应滤波方法 | |
CN107945195B (zh) | 基于轮廓波集成dbn的极化sar图像变化检测方法 | |
Naraghi et al. | Edge detection in multispectral images based on structural elements | |
Xiao et al. | A road extraction method using dual-temporal high-resolution Sar images | |
Kaldane et al. | Land Cover Change Detection for Fully Polarimetric SAR Images | |
Younan et al. | Edge detection in multispectral imagery via maximum entropy | |
Luo et al. | Local road extraction from SAR imagery exploiting improved curvilinear structure detector | |
Agrawal et al. | Application of fusion technique in satellite images for change detection | |
Chini et al. | Quickbird panchromatic images for mapping damage at building scale caused by the 2003 Bam earthquake |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170118 |
|
RJ01 | Rejection of invention patent application after publication |