CN107507209A - 极化sar图像的素描图提取方法 - Google Patents
极化sar图像的素描图提取方法 Download PDFInfo
- Publication number
- CN107507209A CN107507209A CN201710679437.6A CN201710679437A CN107507209A CN 107507209 A CN107507209 A CN 107507209A CN 201710679437 A CN201710679437 A CN 201710679437A CN 107507209 A CN107507209 A CN 107507209A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- energy
- msubsup
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000010287 polarization Effects 0.000 claims abstract description 64
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000003708 edge detection Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 14
- 230000000717 retained effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 230000001629 suppression Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
极化SAR图像的素描图提取方法,包括以下步骤:输入待分类的极化SAR图像,对其进行精致Lee滤波处理;构建加权边线滤波器,对步骤1处理后的图像进行恒虚警边线检测,得到极化能量图;构建加权梯度滤波器,对步骤1处理后的图像进行梯度边线检测,得到梯度能量图;对极化能量图和梯度能量图分别进行小波变换,对小波变换得到的高频和低频子带分别构造不同策略进行融合;融合极化能量图和梯度能量图,并对融合后的图像进行非极大值抑制,得到边线图;对边线图进行素描追踪算子得到素描线;构建统计假设检验方法进行素描线选择,得到极化素描图。抑制了多边和噪声引起的伪边界现象,准确刻画了极化SAR图像的结构信息。
Description
技术领域
本发明属于图像处理和遥感技术领域,涉及一种极化SAR图像的素描图提取方法。
背景技术
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,极化SAR)图像能够提供更加丰富的极化信息,更好的刻画地物特征,极化SAR图像处理对国防建设和国家发展具有重要的意义,成为越来越多学者研究的热点。然而,由于极化SAR图像的地物类型繁多,尺度不一,结构多样,其处理仍是个难题。一种极化SAR处理方法难以应用到各种地物类型,而结构信息能够指导极化SAR图像的处理,SAR图像变化的地方是图像结构所在,为极化SAR图像处理提供有效的信息,是图像处理的基础,一般用极化SAR的边线检测来刻画结构区域。
2003年,Jesper Schou等人提出了基于极化SAR的CFAR检测方法,通过Wishart似然比计算边线能量,能够有效的抑制斑点噪声,取得了较好的边线结果,但是,该算法难以检测异质地物的边线信息。极化SAR边缘检测的方法有很多,传统的基于CFAR的SAR图像边缘检测方法应用于极化SAR的后向散射总功率(SPAN)图,能够得到极化SAR图像的边缘检测结果,但是,该算法是基于SPAN图的检测,没有考虑极化信息,因此,难以抑制斑点噪声。基于Marr的视觉计算理论,朱松纯等提出了自然图像的素描模型,能够提取自然图像的素描图,首先对图像进行canny边缘检测,然后使用素描追踪算子得到素描线,并通过选择素描线得到最终素描图;和传统的边缘检测方法相比,自然图像的素描图不仅能够刻画结构变化的位置,同时线段的方向表示素描线段的方向;素描图是更加稀疏的图像表示,根据素描图,能够将图像划分为结构区域和非结构区域。然而,极化SAR图像在成像机理和散射特性上与自然图像截然不同,因此,自然图像的素描模型不再适合于极化SAR图像。
上述边线检测方法虽能够考虑极化SAR的散射特性和统计分布,但由于没有考虑视觉机理和异质区域,仍然存在很多缺陷:(1)对于城区、森林等异质区域,区域一致性难以满足,Wishart分布不再适合描述这种异质区域,导致城区内部的亮暗变化的边界难以检测到。(2)由于没有考虑视觉认知机理,传统的边线检测容易出现多边,伪边缘,信息冗余等缺点。(3)自然图像的素描模型没有考虑极化SAR图像的成像特性和散射机理,难以适用于极化SAR图像的素描图提取。因此,传统的边线检测难以很好的刻画结构信息,基于极化SAR图像的素描模型有待提取。
综上所述,上述几种极化SAR边线检测方法和自然图像素描模型仍存在一些缺陷,易产生多边和伪边界现象,难以有效刻画极化SAR图像的结构信息。
发明内容
本发明的目的是提供一种极化SAR图像的素描图提取方法,抑制了多边和噪声引起的伪边界现象,准确刻画了极化SAR图像的结构信息。
本发明所采用的技术方案是,极化SAR图像的素描图提取方法,包括以下步骤:
步骤1,输入待分类的极化SAR图像,对极化SAR图像进行精致Lee滤波处理;
步骤2,构建加权边线滤波器,对步骤1处理后的图像进行恒虚警边线检测,得到极化能量图;
步骤3,构建加权梯度滤波器,对步骤1处理后的图像进行梯度边线检测,得到梯度能量图;
步骤4,对极化能量图和梯度能量图分别进行小波变换,对小波变换得到的高频子带和低频子带分别构造不同策略进行融合;
步骤5,融合步骤4处理后的极化能量图和梯度能量图,并对融合后的图像进行非极大值抑制,得到边线图;
步骤6,对边线图进行素描追踪算子得到素描线;
步骤7,构建统计假设检验方法进行素描线选择,得到极化素描图。
步骤2的具体步骤为:
步骤2.1,构建M个尺度N个方向的边线滤波器,并构造各向异性高斯核,对边线滤波器进行加权;
步骤2.2,通过Wishart似然比计算每个像素点在不同尺度不同方向的边线能量值:
Eedge=max{-2ρlogQ12}Nf (1)
Eridge=max{min{-2ρlogQ12,-2ρlogQ13}}Nf (2)
其中,
其中,Eedge、Eline分别为边能量值和线能量值,Nf为边线滤波器的个数,Q12、Q13为边线滤波器的不同区域之间的Wishart似然比,Qxy为边线滤波器的x区域和y区域之间的Wishart似然比,n为x区域的等效视数,m为y区域的等效视数;Zx为x区域的协方差矩阵的加权平均,Zy为y区域的协方差矩阵的加权平均,p为通道数;
步骤2.3,分别对边能量值和线能量值进行尺度归一化:设定相同的虚警率,为每个尺度的边线滤波器算得一个修正阈值Tf,计算每个像素点的修正能量值:
其中,E为修正前的边能量值或线能量值,为修正后的边能量值或线能量值,取每个像素点在不同尺度不同方向的最大值构成极化能量图。
步骤3的具体步骤为:
步骤3.1,构建加权梯度滤波器:包括构建协方差矩阵以及将协方差矩阵向量化:
散射矩阵S为:
其中,Shh为水平接收的水平向发射极化波的回波数据、Shv为垂直接收的水平向发射极化波的回波数据、Svh为水平接收的垂直向发射极化波的回波数据、Svv为垂直接收的垂直向发射极化波的回波数据;在互易性条件下,Shv=Svh;
由散射矩阵S在Lexicographic基下转换得到协方差矩阵C:
将协方差矩阵C向量化,得到向量V:
V={C11,C22,C33,real(C12),img(C12),real(C13),img(C13),real(C23),img(C23)}
其中,real(·)为求实部操作,imag(·)为求虚部操作;
步骤3.2,根据加权梯度滤波器,计算每个像素的加权梯度边线能量:
其中,Gedge、Gline分别为边能量值和线能量值,wu、xu分别表示各向异性高斯核中第u个像素的权值和极化向量,wv、xv分别表示各向异性高斯核中第v个像素的权值和极化向量,i、j和k代表加权梯度滤波器中的不同区域,m和n分别为区域i和j的视数;
取每个像素点在不同尺度不同方向边线能量的最大值构成梯度能量图。
步骤4的具体步骤为:
步骤4.1,分别对极化能量图和梯度能量图进行三层平稳小波变换,每个像素点的能量值从空域转化为频域;其中,每层包含高高频、高低频、低高频、低低频四个子带;
步骤4.2,对高频子带,根据子带方向选择邻域窗,对低频子带,选择固定的邻域窗;
计算每个像素点(i,j)的领域局域能量E(i,j):
其中,N为邻域窗内的像素个数,η为像素点(i,j)的邻域集合,像素点(m,n)属于集合η,F(m,n)为像素点(m,n)的频域能量值;
步骤4.3,分别对高频子带和低频子带采用不同的语义规则进行融合;对高频子带,选择极化能量图和梯度能量图的局部能量最大值作为融合后的能量值;对低频子带,选择极化能量图和梯度能量图的加权能量均值作为融合后的能量值;
融合规则定义如下:
其中,Fhigh表示高高频、高低频、低高频三个高频子带融合后的能量值,FLL表示低频子带融合后的能量值,1指代极化能量图,2指代梯度能量图。
步骤5中,选用双阈值的非极大值对融合后的图像进行抑制,其中,使用自适应的阈值选择算法自动确定双阈值的大小。
步骤6具体为:找到边线图中响应最大的位置,将最大响应位置的点连接成线段,根据素描追踪算法,得到素描线。
步骤7的具体步骤为:
步骤7.1,根据Wishart分布和假设检验方法,计算每条素描线的重要程度;
根据假设检验方法,一条素描线是否应该被保留的假设如下:
H0:提取的素描线不应该被保留;
H1:提取的素描线应该被保留;
每条素描线的重要程度定义为G:
其中,素描线由多条素描线段构成,Si是第i条素描线段;P(Si|Hk),k={0,1}表示Si满足假设Hk的概率,用Wishart分布计算lnP(Si|Hk),k={0,1}:
其中,Ci为素描线段所在区域的平均斜方差矩阵,Tr(·)为矩阵求迹运算,Ci -1为Ci的逆;
步骤7.2,设定素描线段的编码长度增益阈值,对重要程度大于编码长度增益阈值的素描线进行保留,对重要程度小于编码长度增益阈值的素描线进行去除,得到极化素描图。
本发明的有益效果是:极化SAR图像的素描图提取方法,不仅能够利用极化SAR图像的散射特性和统计信息,而且基于Marr的视觉计算理论,根据视觉的稀疏特性,得到了比边缘检测更加稀疏的素描图;同时,使用3个尺度18个方向的滤波器,构建基于小波融合的边缘检测方法,能够刻画不同尺度不同方向的地物目标,有效检测异质区域内边界和弱边界;最后,得到的极化素描图是由有长度和方向信息素描线段组成,极化素描图的基元不再是像素,而是线段,不仅能够刻画结构的位置,同时能够刻画结构的方向和拐点。
附图说明
图1是本发明的流程图;
图2是边线滤波器的细节图;
图3是不同邻域窗的示意图;
图4是本发明对San Francisco地区全极化SAR图像的处理结果图;
图5是本发明对Ottawa地区全极化SAR图像的处理结果图;
图6是不同算法对西安地区全极化SAR图像的处理结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,极化SAR图像的素描图提取方法,包括以下步骤:
步骤1,输入待分类的极化SAR图像,对极化SAR图像进行精致Lee滤波处理;该滤波方法不仅能够平滑匀质区域,抑制噪声,同时能够保持边界细节。
步骤2,构建加权边线滤波器,对步骤1处理后的图像进行恒虚警边线检测,得到极化能量图;
步骤2的具体步骤为:
步骤2.1,构建M个尺度N个方向的边线滤波器,如图2所示,边线滤波器包括边滤波器和线滤波器,边滤波器包括区域1和区域2,具体细节如图2(a)所示,区域1和区域2中间一个像素宽不参与计算;线滤波器包括区域1、区域2和区域3,细节如图2(b)所示,区域2为3个像素宽,并构造各向异性高斯核,分别对边滤波器和线滤波器进行加权;
步骤2.2,通过Wishart似然比计算每个像素点在不同尺度和方向的边线能量值:
Eedge=max{-2ρlogQ12}Nf (1)
Eridge=max{min{-2ρlogQ12,-2ρlogQ13}}Nf (2)
其中,
其中,Eedge、Eline分别为边能量值和线能量值,在式(1)中,Nf为边滤波器的个数,Q12为边滤波器的区域1和区域2之间的Wishart似然比,从式(1)能够看出,边能量值随着Q12的增加而减小;在式(2)中,Nf为线滤波器的个数,Q12为线滤波器的区域1和区域2之间的Wishart似然比、Q13为线滤波器的区域1和区域3之间的Wishart似然比,从式(2)能够看出,当区域1和区域2、区域3都有较大边能量值时,才被检测为线目标;
Qxy为边线滤波器的x区域和y区域之间的Wishart似然比的通式,n为x区域的等效视数,m为y区域的等效视数;Zx为x区域的协方差矩阵的加权平均,Zy为y区域的协方差矩阵的加权平均,p为通道数;
步骤2.3,因为不同尺度的窗口大小不一样,等效视数也不一样,不同尺度之间的边线能量值不能直接进行比较,分别对边能量值和线能量值进行尺度归一化:设定相同的虚警率,为每个尺度的边线滤波器算得一个修正阈值Tf,计算每个像素点的修正能量值:
其中,E为修正前的边能量值或线能量值,为修正后的边能量值或线能量值,取每个像素点在不同尺度不同方向的最大值构成极化能量图。
步骤3,构建加权梯度滤波器,对步骤1处理后的图像进行梯度边线检测,得到梯度能量图;
步骤3的具体步骤为:
步骤3.1,构建加权梯度滤波器:包括构建协方差矩阵以及将协方差矩阵向量化:
散射矩阵S为:
其中,Shh为水平接收的水平向发射极化波的回波数据、Shv为垂直接收的水平向发射极化波的回波数据、Svh为水平接收的垂直向发射极化波的回波数据、Svv为垂直接收的垂直向发射极化波的回波数据;在互易性条件下,Shv=Svh;
由散射矩阵S在Lexicographic基下转换得到协方差矩阵C:
将协方差矩阵C向量化,得到向量V:
V={C11,C22,C33,real(C12),img(C12),real(C13),img(C13),real(C23),img(C23)}
其中,real(·)为求实部操作,imag(·)为求虚部操作;
步骤3.2,根据加权梯度滤波器,计算每个像素的加权梯度边线能量:
其中,Gedge、Gline分别为边能量值和线能量值,wu、xu分别表示各向异性高斯核中第u个像素的权值和极化向量,wv、xv分别表示各向异性高斯核中第v个像素的权值和极化向量,i、j和k代表加权梯度滤波器中的不同区域,m和n分别为区域i和j的视数;因为极化SAR图像大部分数据值特别小,而只有少量数据值很大,在式(7)中作对数变换的目的是增强小的数据值并且减小大的数据值,减少了数据值的差距;
取每个像素点在不同尺度不同方向边线能量的最大值构成梯度能量图。
步骤4,对极化能量图和梯度能量图分别进行小波变换,对小波变换得到的高频子带和低频子带分别构造不同策略进行融合;平稳小波变换使每层变换得到相同大小的小波系数,平稳小波变换能够保留更多细节信息,使不同尺度之间的融合更加直接;
步骤4的具体步骤为:
步骤4.1,分别对极化能量图和梯度能量图进行三层平稳小波变换,每个像素点的能量值从空域转化为频域;其中,每层包含高高频、高低频、低高频、低低频四个子带;
步骤4.2,为了抑制噪声,每个像素的局部能量值使用一组邻域窗进行计算,对高频子带,根据子带方向选择邻域窗,如图3(a)、3(b)、3(c)所示;对低频子带,因为没有方向信息,选择固定的5×5的邻域窗,如图3(d)所示;
计算每个像素点(i,j)的领域局域能量E(i,j):
其中,N为邻域窗内的像素个数,η为像素点(i,j)的邻域集合,像素点(m,n)属于集合η,F(m,n)为像素点(m,n)的频域能量值;
步骤4.3,分别对高频子带和低频子带采用不同的语义规则进行融合;对高频子带,由包含了边界和细节信息,为了增强边界信息,选择极化能量图和梯度能量图的局部能量最大值作为融合后的能量值;对低频子带,为了保持图像能量信息,选择极化能量图和梯度能量图的加权能量均值作为融合后的能量值;
融合规则定义如下:
其中,Fhigh表示高高频、高低频、低高频三个高频子带融合后的能量值,FLL表示低频子带融合后的能量值,1指代极化能量图,2指代梯度能量图。
步骤5,融合步骤4处理后的极化能量图和梯度能量图,并对融合后的图像进行非极大值抑制,得到边线图;
步骤5中,选用双阈值的非极大值对融合后的图像进行抑制,其中,使用自适应的阈值选择算法自动确定双阈值的大小。
步骤6,对边线图进行素描追踪算子得到素描线;具体为:找到边线图中响应最大的位置,将最大响应位置的点连接成线段,根据素描追踪算法,得到素描线。
步骤7,构建统计假设检验方法进行素描线选择,得到极化素描图;
步骤7的具体步骤为:
步骤7.1,根据Wishart分布和假设检验方法,计算每条素描线的重要程度;
根据假设检验方法,一条素描线是否应该被保留的假设如下:
H0:提取的素描线不应该被保留;
H1:提取的素描线应该被保留;
每条素描线的重要程度定义为G:
其中,素描线由多条素描线段构成,Si是第i条素描线段;P(Si|Hk),k={0,1}表示Si满足假设Hk的概率,用Wishart分布计算lnP(Si|Hk),k={0,1}:
其中,Ci为素描线段所在区域的平均斜方差矩阵,Tr(×)为矩阵求迹运算,Ci-1为Ci的逆;
步骤7.2,根据素描线重要性的直方图自适应设定素描线段的编码长度增益阈值,一般来说,选择直方图的第一个峰值对应的重要程度值为编码长度增益阈值,对重要程度大于编码长度增益阈值的素描线进行保留,对重要程度小于编码长度增益阈值的素描线进行去除,得到极化素描图。
仿真实验1
1.仿真条件
(1)仿真实验中,选取NASA/JPL AIRSAR L波段的全极化San Francisco数据的一幅子图,图像大小为512×512像素;
(2)仿真实验中,Lee滤波窗口选为5×5;
(3)仿真实验中,边线滤波器选取为3个尺度18个方向;
2.仿真内容与结果
利用NASA/JPL AIRSAR L波段San Francisco地区的全极化SAR图像的子图,如图4(a)所示,用本发明对其进行素描图提取;从0度开始,每隔10度构造的3个尺度18个方向的边和线滤波器,三个尺度分别为7×7,9×9和11×11,如图4(b)所示;构造各向异性高斯核,对边线滤波器进行加权后,构造图如图4(c)所示;图4(d)为步骤2得到的极化能量图,从图中能够看出,不仅刻画了图像的边界,对较弱的边界也能够很好的保持,然而,该算子却不能够检测城区内部的强烈变化;图4(e)为步骤3得到的梯度能量图,从图中能够看出,很好地检测了城区内部的亮暗变化,然而,由于没有考虑斑点噪声的影响,容易产生一些伪边界;图4(f)为极化能量图和梯度能量图融合后的能量图,能够看出,融合后的能量图不仅能够描述弱边界,如海岸线,还能有效的刻画城区内部的结构变化;图4(g)为得到的极化素描图,图4(h)为极化素描图对应在SPAN图上的位置,从图中可以看出,素描线刻画了图像的结构信息,在灰度变化的地方产生了素描线,而匀质区域很少有素描线段,素描图抑制了噪声,刻画了图像的结构部分。
仿真实验2
1.仿真条件
(1)选取CONVAIR卫星Ottawa地区的10视全极化SAR图像,图像大小为222×342像素;
(2)仿真实验中,Lee滤波窗口选为5×5;
(3)仿真实验中,边线滤波器选取为3个尺度18个方向;
2.仿真内容与结果
利用CONVAIR卫星Ottawa地区的全极化SAR图像,用本发明对其进行素描图提取,图5(a)为极化伪彩图,图5(b)为步骤5融合后的能量图,图5(c)为极化素描图,图5(d)为素描线在SPAN图上对应的位置。从图中能够看出,本发明得到的极化素描图既能够刻画城区内部的亮暗变化,又能刻画右下角的线目标,并精确的定位图像中的结构区域,同时,该图中素描线还有长度和方向,能够比边缘检测提供更多的信息。
仿真实验3
1.仿真条件
(1)仿真实验中,选取RadarSAT-2C波段中国西安地区8米分辨率的极化SAR图像,图像大小为512×512像素;
(2)仿真实验中,Lee滤波窗口选为5×5;
(3)仿真实验中,边线滤波器选取为3个尺度18个方向;
2.仿真内容与结果
利用RadarSAT-2C波段西安地区全极化SAR图像,用步骤2的方法,即极化恒虚警(CFAR)边线检测法,进行边线检测,图6(a)为西安地区极化伪彩图,图5(b)为得到极化能量图,图6(c)为边线检测结果;从图中能够看出,极化CFAR检测法虽然能够较好地检测图像的边界,尤其是河流等的弱边界,然而,对城区内部的强烈亮暗变化却难以清晰的检测,这是因为Wishart测度已经难以刻画城区内部的变化;虽然建筑物和道路或周围地物有强烈的散射变化,由于分辨率低,变化密集且重复,极化CFAR检测法很难检测到城区这种结构;另外,极化CFAR边线检测的边缘为多个像素宽的区域,不能够精确定位边界。
利用RadarSAT-2C波段西安地区全极化SAR图像,用本发明进行边线检测,图6(d)为本发明得到的能量图,图6(e)为得到极化素描图,图6(f)为素描图对应在SPAN图的位置;将本发明与极化CFAR边线检测结果进行对比,对比图6(b)和图6(c)能够看出,本发明较极化CFAR边线检测结果,城区的结构信息能够被更好的检测,另外,本发明能够去掉距离很近的多边现象,并且抑制斑点噪声的影响,同时,本发明的得到的素描图具有方向信息,能够刻画结构所在的方向,且与极化CFAR检测结果相比,具有更加稀疏的结构。
通过上述方式,本发明极化SAR图像的素描图提取方法,对极化SAR图像进行精致Lee滤波,用多尺度多方向的加权滤波器,对极化SAR图像进行CFAR边线检测,得到极化能量图;同时,用加权梯度滤波器对极化SAR图像进行边线检测,得到梯度能量图;融合极化和梯度能量图,并进行非极大值抑制,得到边线图;根据素描追踪算法和素描线选择,得到最终的极化素描图。本发明将极化CFAR检测子和极化梯度检测子进行融合,现有极化边缘检测方法难以检测城区等聚集区域的结构,并抑制了多边和噪声引起的伪边界现象,准确刻画了极化SAR图像的结构信息。
Claims (7)
1.极化SAR图像的素描图提取方法,其特征在于,包括以下步骤:
步骤1,输入待分类的极化SAR图像,对极化SAR图像进行精致Lee滤波处理;
步骤2,构建加权边线滤波器,对所述步骤1处理后的图像进行恒虚警边线检测,得到极化能量图;
步骤3,构建加权梯度滤波器,对所述步骤1处理后的图像进行梯度边线检测,得到梯度能量图;
步骤4,对所述极化能量图和梯度能量图分别进行小波变换,对小波变换得到的高频子带和低频子带分别构造不同策略进行融合;
步骤5,融合所述步骤4处理后的极化能量图和梯度能量图,并对融合后的图像进行非极大值抑制,得到边线图;
步骤6,对所述边线图进行素描追踪算子得到素描线;
步骤7,构建统计假设检验方法进行素描线选择,得到极化素描图。
2.根据权利要求1所述的极化SAR图像的素描图提取方法,其特征在于,所述步骤2的具体步骤为:
步骤2.1,构建M个尺度N个方向的边线滤波器,并构造各向异性高斯核,对边线滤波器进行加权;
步骤2.2,通过Wishart似然比计算每个像素点在不同尺度和方向的边线能量值:
Eedge=max{-2ρlogQ12}Nf (1)
Eridge=max{min{-2ρlogQ12,-2ρlogQ13}}Nf (2)
其中,
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mrow>
<msup>
<mi>n</mi>
<mrow>
<mi>p</mi>
<mi>n</mi>
</mrow>
</msup>
<msup>
<mi>m</mi>
<mrow>
<mi>p</mi>
<mi>m</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>|</mo>
<msub>
<mi>Z</mi>
<mi>x</mi>
</msub>
<mo>|</mo>
</mrow>
<mi>n</mi>
</msup>
<msup>
<mrow>
<mo>|</mo>
<msub>
<mi>Z</mi>
<mi>y</mi>
</msub>
<mo>|</mo>
</mrow>
<mi>m</mi>
</msup>
</mrow>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>Z</mi>
<mi>x</mi>
</msub>
<mo>+</mo>
<msub>
<mi>Z</mi>
<mi>y</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&rho;</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msup>
<mi>p</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>6</mn>
<mi>p</mi>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Eedge、Eline分别为边能量值和线能量值,Nf为边线滤波器的个数,Q12、Q13为边线滤波器的不同区域之间的Wishart似然比,Qxy为边线滤波器的x区域和y区域之间的Wishart似然比,n为x区域的等效视数,m为y区域的等效视数;Zx为x区域的协方差矩阵的加权平均,Zy为y区域的协方差矩阵的加权平均,p为通道数;
步骤2.3,分别对边能量值和线能量值进行尺度归一化:设定相同的虚警率,为每个尺度的边线滤波器算得一个修正阈值Tf,计算每个像素点的修正能量值:
<mrow>
<mover>
<mi>E</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mfrac>
<mi>E</mi>
<msub>
<mi>T</mi>
<mi>f</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,E为修正前的边能量值或线能量值,为修正后的边能量值或线能量值,取每个像素点在不同尺度不同方向的最大值构成极化能量图。
3.根据权利要求2所述的极化SAR图像的素描图提取方法,其特征在于,所述步骤3的具体步骤为:
步骤3.1,构建加权梯度滤波器:包括构建协方差矩阵以及将协方差矩阵向量化:
散射矩阵S为:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mi>h</mi>
<mi>h</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mi>h</mi>
<mi>v</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mi>v</mi>
<mi>h</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mi>v</mi>
<mi>v</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Shh为水平接收的水平向发射极化波的回波数据、Shv为垂直接收的水平向发射极化波的回波数据、Svh为水平接收的垂直向发射极化波的回波数据、Svv为垂直接收的垂直向发射极化波的回波数据;在互易性条件下,Shv=Svh;
由散射矩阵S在Lexicographic基下转换得到协方差矩阵C:
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>C</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mn>13</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>C</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mn>23</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>C</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mn>32</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mn>33</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
将协方差矩阵C向量化,得到向量V:
V={C11,C22,C33,real(C12),img(C12),real(C13),img(C13),real(C23),img(C23)}
其中,real(·)为求实部操作,imag(·)为求虚部操作;
步骤3.2,根据加权梯度滤波器,计算每个像素的加权梯度边线能量:
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>e</mi>
<mi>d</mi>
<mi>g</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>|</mo>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>u</mi>
</msub>
<msub>
<mi>x</mi>
<mi>u</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>v</mi>
</msub>
<msub>
<mi>x</mi>
<mi>v</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
<mi>n</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<msubsup>
<mi>G</mi>
<mrow>
<mi>e</mi>
<mi>d</mi>
<mi>g</mi>
<mi>e</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>G</mi>
<mrow>
<mi>e</mi>
<mi>d</mi>
<mi>g</mi>
<mi>e</mi>
</mrow>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msubsup>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Gedge、Gline分别为边能量值和线能量值,wu、xu分别表示各向异性高斯核中第u个像素的权值和极化向量,wv、xv分别表示各向异性高斯核中第v个像素的权值和极化向量,i、j和k代表加权梯度滤波器中的不同区域,m和n分别为区域i和j的视数;
取每个像素点在不同尺度不同方向边线能量的最大值构成梯度能量图。
4.根据权利要求3所述的极化SAR图像的素描图提取方法,其特征在于,所述步骤4的具体步骤为:
步骤4.1,分别对所述极化能量图和梯度能量图进行三层平稳小波变换,每个像素点的能量值从空域转化为频域;其中,每层包含高高频、高低频、低高频、低低频四个子带;
步骤4.2,对所述高频子带,根据子带方向选择邻域窗,对低频子带,选择固定的邻域窗;
计算每个像素点(i,j)的领域局域能量E(i,j):
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>&eta;</mi>
</mrow>
</munder>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,N为邻域窗内的像素个数,η为像素点(i,j)的邻域集合,像素点(m,n)属于集合η,F(m,n)为像素点(m,n)的频域能量值;
步骤4.3,分别对所述高频子带和低频子带采用不同的语义规则进行融合;对高频子带,选择极化能量图和梯度能量图的局部能量最大值作为融合后的能量值;对低频子带,选择极化能量图和梯度能量图的加权能量均值作为融合后的能量值;
融合规则定义如下:
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>F</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>F</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msubsup>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>L</mi>
<mi>L</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>E</mi>
<mrow>
<mi>L</mi>
<mi>L</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msubsup>
<mi>F</mi>
<mrow>
<mi>L</mi>
<mi>L</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<msubsup>
<mi>E</mi>
<mrow>
<mi>L</mi>
<mi>L</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msubsup>
<mi>F</mi>
<mrow>
<mi>L</mi>
<mi>L</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Fhigh表示高高频、高低频、低高频三个高频子带融合后的能量值,FLL表示低频子带融合后的能量值,1指代极化能量图,2指代梯度能量图。
5.根据权利要求4所述的极化SAR图像的素描图提取方法,其特征在于,所述步骤5中,选用双阈值的非极大值对融合后的图像进行抑制,其中,使用自适应的阈值选择算法自动确定双阈值的大小。
6.根据权利要求4所述的极化SAR图像的素描图提取方法,其特征在于,所述步骤6具体为:找到所述边线图中响应最大的位置,将最大响应位置的点连接成线段,根据素描追踪算法,得到素描线。
7.根据权利要求4所述的极化SAR图像的素描图提取方法,其特征在于,所述步骤7的具体步骤为:
步骤7.1,根据Wishart分布和假设检验方法,计算每条素描线的重要程度;
根据假设检验方法,一条素描线是否应该被保留的假设如下:
H0:提取的素描线不应该被保留;
H1:提取的素描线应该被保留;
每条素描线的重要程度定义为G:
<mrow>
<mi>G</mi>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>ln</mi>
<mi> </mi>
<mi>P</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>ln</mi>
<mi> </mi>
<mi>P</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,素描线由多条素描线段构成,Si是第i条素描线段;P(Si|Hk),k={0,1}表示Si满足假设Hk的概率,用Wishart分布计算lnP(Si|Hk),k={0,1}:
<mrow>
<mi>ln</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<msub>
<mi>H</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>|</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>+</mo>
<mi>T</mi>
<mi>r</mi>
<mo>(</mo>
<mrow>
<msup>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Ci为素描线段所在区域的平均斜方差矩阵,Tr(·)为矩阵求迹运算,Ci -1为Ci的逆;
步骤7.2,设定素描线段的编码长度增益阈值,对重要程度大于编码长度增益阈值的素描线进行保留,对重要程度小于编码长度增益阈值的素描线进行去除,得到极化素描图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710679437.6A CN107507209B (zh) | 2017-08-07 | 2017-08-07 | 极化sar图像的素描图提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710679437.6A CN107507209B (zh) | 2017-08-07 | 2017-08-07 | 极化sar图像的素描图提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107507209A true CN107507209A (zh) | 2017-12-22 |
CN107507209B CN107507209B (zh) | 2020-10-23 |
Family
ID=60689161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710679437.6A Active CN107507209B (zh) | 2017-08-07 | 2017-08-07 | 极化sar图像的素描图提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507209B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062767A (zh) * | 2018-02-11 | 2018-05-22 | 河海大学 | 基于时序sar图像的统计同分布空间像素选择方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN109165653A (zh) * | 2018-08-15 | 2019-01-08 | 西安电子科技大学 | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
CN109242850A (zh) * | 2018-10-11 | 2019-01-18 | 黑龙江大学 | 采用鲁棒局部各向异性聚类模型的磁共振图像修正方法 |
CN109523564A (zh) * | 2018-10-19 | 2019-03-26 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN112967308A (zh) * | 2021-02-26 | 2021-06-15 | 湖南南方水利水电勘测设计院有限公司 | 一种双极化sar影像的水陆边界提取方法及系统 |
CN113240716A (zh) * | 2021-05-31 | 2021-08-10 | 西安电子科技大学 | 一种多特征融合的孪生网络目标跟踪方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608692A (zh) * | 2015-12-17 | 2016-05-25 | 西安电子科技大学 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
-
2017
- 2017-08-07 CN CN201710679437.6A patent/CN107507209B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608692A (zh) * | 2015-12-17 | 2016-05-25 | 西安电子科技大学 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
Non-Patent Citations (2)
Title |
---|
JIE WU, FANG LIU,LICHENG JIAO,XIANGRONG ZHANG,HONGXIA HAO: "Local Maximal Homogeneous Region Search for", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
武杰: "基于素描模型和可控核函数的SAR图像相干斑抑制", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062767A (zh) * | 2018-02-11 | 2018-05-22 | 河海大学 | 基于时序sar图像的统计同分布空间像素选择方法 |
CN108062767B (zh) * | 2018-02-11 | 2022-02-11 | 河海大学 | 基于时序sar图像的统计同分布空间像素选择方法 |
CN108564006B (zh) * | 2018-03-26 | 2021-10-29 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN109165653A (zh) * | 2018-08-15 | 2019-01-08 | 西安电子科技大学 | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
CN109165653B (zh) * | 2018-08-15 | 2022-03-15 | 西安电子科技大学 | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
CN109242850A (zh) * | 2018-10-11 | 2019-01-18 | 黑龙江大学 | 采用鲁棒局部各向异性聚类模型的磁共振图像修正方法 |
CN109523564B (zh) * | 2018-10-19 | 2020-04-28 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN109523564A (zh) * | 2018-10-19 | 2019-03-26 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN112967308A (zh) * | 2021-02-26 | 2021-06-15 | 湖南南方水利水电勘测设计院有限公司 | 一种双极化sar影像的水陆边界提取方法及系统 |
CN112967308B (zh) * | 2021-02-26 | 2023-09-19 | 湖南南方水利水电勘测设计院有限公司 | 一种双极化sar影像的水陆边界提取方法及系统 |
CN113240716A (zh) * | 2021-05-31 | 2021-08-10 | 西安电子科技大学 | 一种多特征融合的孪生网络目标跟踪方法及系统 |
CN113240716B (zh) * | 2021-05-31 | 2023-04-18 | 西安电子科技大学 | 一种多特征融合的孪生网络目标跟踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107507209B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507209A (zh) | 极化sar图像的素描图提取方法 | |
CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
CN101661611B (zh) | 基于贝叶斯非局部均值滤波器的实现方法 | |
CN104361590B (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
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 | |
CN104331886B (zh) | 基于高分辨sar图像的港口区域舰船检测方法 | |
CN107450054B (zh) | 一种自适应探地雷达数据去噪方法 | |
CN107403433A (zh) | 一种复杂云背景下红外小目标检测方法 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
CN103400383A (zh) | 基于nsct和压缩投影的sar图像变化检测方法 | |
CN104318572B (zh) | 基于极化方向角补偿的polsar图像海上目标检测方法 | |
Li et al. | Gaofen-3 sea ice detection based on deep learning | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
CN106156758A (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN104268877A (zh) | 一种红外图像海天线自适应检测方法 | |
CN106886747A (zh) | 一种基于扩展小波变换的复杂背景下舰船检测方法 | |
CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
CN104036461B (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
CN113569720B (zh) | 一种舰船检测方法、系统及装置 | |
CN106291550A (zh) | 基于局部散射机制差异回归核的极化sar舰船检测方法 | |
Chen et al. | SAR ship target detection for SSDv2 under complex backgrounds |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |