CN108447045B - 一种基于sat积分图的sar遥感图像水域检测方法 - Google Patents
一种基于sat积分图的sar遥感图像水域检测方法 Download PDFInfo
- Publication number
- CN108447045B CN108447045B CN201810107310.1A CN201810107310A CN108447045B CN 108447045 B CN108447045 B CN 108447045B CN 201810107310 A CN201810107310 A CN 201810107310A CN 108447045 B CN108447045 B CN 108447045B
- Authority
- CN
- China
- Prior art keywords
- sat
- image
- integral
- water area
- pixel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于SAT积分图的SAR遥感图像水域检测方法,能够解决现有水域检测算法中检测率低、虚警较高,计算复杂、计算量大的问题,本发明采用的分块级纹理特征提取能快速的提取水域及非水域的纹理特征,水域的纹理特征平滑、而非水域的纹理粗糙,本发明采用的基于SAT积分图的水域候选区提取能够快速、准确的提取水域候选区域;最后,利用连通域标记去除面积较小的虚警区域,本发明采用的均值滤波,能够去除SAR图像的噪声斑点,使图像更平滑。
Description
技术领域
本发明涉及图像检测技术领域,具体涉及一种基于SAT(Summed Area Table)积分图的SAR遥感图像水域检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR),是一种微波遥感系统,SAR获取的图像是一种侧视的、全天候、全天时的主动微波遥感图像。SAR图像的水域检测已经广泛地应用于水域制图和洪水监测。
SAR图像的水域检测的难点主要分为以下两点:一、由于海洋气候的可变性,同一水域的不同区域的雷达散射强度是不一样的,容易引起误检测。二、从低灰度值的植被和路网中将水域区分开来比较困难。如何快速精确的进行水域检测是水域制图和洪水检测迫切需要解决的难题。
传统的水域检测方法一般采用分割或者分类的方法进行水域检测。基于分割的水域检测方法受散射强度与山谷等暗斑的影响,导致检测率比较低,虚警较高;而基于分类的水域检测方法计算复杂,计算量大,需要大量的训练样本,大大降低了水域检测速度。
发明内容
有鉴于此,本发明提供了一种基于SAT积分图的SAR遥感图像水域检测方法,能够解决现有的水域检测方法中检测率低,虚警率高与计算复杂,检测速度慢的问题。
实现本发明的技术方案如下:
一种基于SAT积分图的SAR遥感图像水域检测方法,包括以下步骤:
步骤一、对待检测图像进行均值滤波得到滤波后图像;
步骤二、对滤波后图像进行像素为L×L无重叠分块,计算每一块的均值,其中,L=2n,n∈[4,6];
步骤三、利用步骤二得到的均值构成新的图像,对于所述新的图像进行SAT积分得到SAT积分图,对SAT积分图进行图像分割,提取水域候选区;
步骤四、对滤波后图像进行像素为l×l无重叠分块,然后计算每一块的均值p,其中,l=2n,n∈[1,3],
步骤五、计算水域候选区均值q和方差σ,若p≤q+σ,则均值p对应的像素块均为水域,标记为1,若p>q+σ,则均值p对应的像素块为非水域,标记为0;得到水域检测结果二值图;
步骤六、对二值图进行连通域标记,获得每个标记区域的像素点个数,剔除像素点个数小于设定值a的连通域。
进一步地,所述SAT积分具体为:
其中,I(x,y)表示图像(x,y)位置的象素值,(x',y')表示任一横坐标不大于x且纵坐标不大于y的像素点,SAT(x,y)表示图像(x,y)位置的SAT积分值。
进一步地,所述SAT积分采用增量的方式计算:
SAT(x,y)=SAT(x,y-1)+SAT(x-1,y)+I(x,y)-SAT(x-1,y-1)
其中,初始边界:SAT(-1,y)=SAT(x,-1)=SAT(-1,-1)=0。
有益效果:
(1)采用大尺度分块,能够快速有效地提取水域候选区,在水域候选区的引导下对小尺度分块进行精细的水域检测,能够提高水域检测的精度,减少虚警。
(2)本发明采用的分块的纹理特征提取,充分利用了水域平滑的纹理信息,使得纹理特征具有较好的鲁棒性,提高特征提取的速度。
(3)本发明采用的基于SAT积分图水域候选区提取,相比于传统的水域检测算法,提高检测精度与效率。
附图说明
图1为本发明提供的一种基于SAT积分图的SAR遥感图像水域检测方法。
图2为图像分块示意图。
图3为SAT积分图计算示例。
具体实施方式
由于SAR图像存在斑点噪声,信噪比较高,单纯的SAT积分图难以准确的检测出水域候选区。因此,首先对原始SAR图像进行均值滤波,去除SAR图像的斑点噪声;然后,为了提取水域特征,进行大尺度的分块级纹理特征提取;在大尺度分块纹理均值的基础上,计算SAT积分图,并利用自适应阈值分割获取水域候选区;然后根据水域候选区的引导对小尺度的纹理特征进行水域的精细提取;最后通过统计水域候选区连通域的面积,剔除小面积的水域候选区后,作为水域精细检测结果。本发明提供了一种基于SAT积分图的SAR遥感图像水域检测方法,下面结合附图并举实施例,对本发明进行详细描述。
一种基于SAT积分图的SAR遥感图像水域检测方法,如图1所示,包括以下步骤:
步骤一、对待检测图像进行均值滤波去除极值噪声点得到滤波后图像;
读入待检测的SAR遥感图像数据,采用m×m正方形滑窗在图像中进行水平和竖直方向的步进,滑窗的步进量为1,计算每个窗口的有效像素(像素值大于0)的均值替代原像素点的像素值。
步骤二、大尺度分块纹理特征提取;
如图2所示,对滤波后图像进行像素为L×L无重叠的分块,计算每一块的均值,其中,L=2n,n∈[4,6];
统计块内数据的均值:由于黑边的存在,0像素值不做统计,像素值大于0的象素点个数有b个,对应的像素点的像素值用x1,x2,...,xn表示,此块的均值为c,
c=(x1+x2+...+xn)/b
步骤三、基于SAT积分图的水域候选区提取:
利用步骤二得到的均值构成新的图像,对于所述新的图像进行SAT积分得到SAT积分图,对SAT积分图进行图像分割,提取水域候选区;
对于复杂的纹理图,积分图具有较好的表现特性,积分图的值一般较大,对于较平坦的纹理区域,积分图的值较小。
在积分图像中,每个点存储是其左上方及其本身所有象素之和,如图3所示,
其中,I(x,y)表示图像(x,y)位置的象素值,(x',y')表示任一横坐标不大于x且纵坐标不大于y的像素点,SAT(x,y)表示图像(x,y)位置的SAT积分值。
所述SAT积分采用增量的方式计算:
SAT(x,y)=SAT(x,y-1)+SAT(x-1,y)+I(x,y)-SAT(x-1,y-1)
其中,初始边界:SAT(-1,y)=SAT(x,-1)=SAT(-1,-1)=0。因此,只需要对整张图遍历一次就可以求得这张图的积分图像。
步骤四、小尺度分块纹理特征提取:
对滤波后图像进行像素为l×l无重叠的分块,然后计算每一块的均值pij,其中,l=2n,n∈[1,3];pij表示横向第i个,纵向第j个分块的均值,i=1,2,……,j=1,2,……。
步骤五、计算水域候选区均值q和方差σ,若pij≤q+σ,则均值pij对应的像素块均为水域,标记为1,若pij>q+σ,则均值pij对应的像素块为非水域,标记为0;得到水域检测结果二值图;
步骤六、虚警剔除
对二值图进行“4”连通区域标记,获得每个标记区域的像素点个数,由于SAR图像存在小块的非关注区域的池塘等,或者类似水域区域,剔除像素点个数小于200的虚警区域。
综上所述,以上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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于SAT积分图的SAR遥感图像水域检测方法,其特征在于,包括以下步骤:
步骤一、对待检测图像进行均值滤波得到滤波后图像;
步骤二、对滤波后图像进行像素为L×L无重叠分块,计算每一块的均值,其中,L=2n,n∈[4,6];
步骤三、利用步骤二得到的均值构成新的图像,对于所述新的图像进行SAT积分得到SAT积分图,对SAT积分图进行图像分割,提取水域候选区;
步骤四、对滤波后图像进行像素为l×l无重叠分块,然后计算每一块的均值p,其中,l=2n,n∈[1,3];
步骤五、计算水域候选区均值q和方差σ,若p≤q+σ,则均值p对应的像素块均为水域,标记为1,若p>q+σ,则均值p对应的像素块为非水域,标记为0;得到水域检测结果二值图;
步骤六、对二值图进行连通域标记,获得每个标记区域的像素点个数,剔除像素点个数小于设定值a的连通域。
3.如权利要求2所述的一种基于SAT积分图的SAR遥感图像水域检测方法,其特征在于,所述SAT积分采用增量的方式计算:
SAT(x,y)=SAT(x,y-1)+SAT(x-1,y)+I(x,y)-SAT(x-1,y-1)
其中,初始边界:SAT(-1,y)=SAT(x,-1)=SAT(-1,-1)=0;
SAT(x,y-1)表示图像(x,y-1)位置的SAT积分值,SAT(x-1,y)表示图像(x-1,y)位置的SAT积分值,SAT(x-1,y-1)表示图像(x-1,y-1)位置的SAT积分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107310.1A CN108447045B (zh) | 2018-02-02 | 2018-02-02 | 一种基于sat积分图的sar遥感图像水域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107310.1A CN108447045B (zh) | 2018-02-02 | 2018-02-02 | 一种基于sat积分图的sar遥感图像水域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108447045A CN108447045A (zh) | 2018-08-24 |
CN108447045B true CN108447045B (zh) | 2022-03-25 |
Family
ID=63191491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810107310.1A Active CN108447045B (zh) | 2018-02-02 | 2018-02-02 | 一种基于sat积分图的sar遥感图像水域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447045B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110688923A (zh) * | 2019-09-19 | 2020-01-14 | 中国电子科技集团公司第二十九研究所 | 一种基于哨兵1a sar数据的城市内涝风险区提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599120A (zh) * | 2009-07-07 | 2009-12-09 | 华中科技大学 | 一种遥感影像建筑物识别方法 |
CN101867699A (zh) * | 2010-05-25 | 2010-10-20 | 中国科学技术大学 | 基于分块的非特定目标实时跟踪方法 |
CN102968799A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 |
CN107292879A (zh) * | 2017-07-17 | 2017-10-24 | 电子科技大学 | 一种基于图像分析的金属板材表面异常检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602005012673D1 (de) * | 2005-02-21 | 2009-03-26 | Mitsubishi Electric Corp | Schnelles Verfahren zum Detektieren von Objekten durch statistischen Mustervergleich |
US7899253B2 (en) * | 2006-09-08 | 2011-03-01 | Mitsubishi Electric Research Laboratories, Inc. | Detecting moving objects in video by classifying on riemannian manifolds |
-
2018
- 2018-02-02 CN CN201810107310.1A patent/CN108447045B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599120A (zh) * | 2009-07-07 | 2009-12-09 | 华中科技大学 | 一种遥感影像建筑物识别方法 |
CN101867699A (zh) * | 2010-05-25 | 2010-10-20 | 中国科学技术大学 | 基于分块的非特定目标实时跟踪方法 |
CN102968799A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于积分图像的快速acca-cfar sar图像目标检测方法 |
CN107292879A (zh) * | 2017-07-17 | 2017-10-24 | 电子科技大学 | 一种基于图像分析的金属板材表面异常检测方法 |
Non-Patent Citations (1)
Title |
---|
image approach to performing multi-scale topographic position analysis;J.B.Lindsaya;《Geomorphology》;20150915;第245卷;第51-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108447045A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN101599120B (zh) | 一种遥感影像建筑物识别方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
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 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN109902618A (zh) | 一种海面船只识别方法和装置 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN104715474B (zh) | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN103996017A (zh) | 一种基于Hu不变矩和支持向量机的舰船检测方法 | |
Wan et al. | Automatic extraction of flood inundation areas from SAR images: A case study of Jilin, China during the 2017 flood disaster | |
CN109635722B (zh) | 一种高分辨率遥感影像路口自动识别方法 | |
Ouma et al. | Urban features recognition and extraction from very-high resolution multi-spectral satellite imagery: a micro–macro texture determination and integration framework | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN107862262A (zh) | 一种适用于高空侦察的快速可见光图像舰船检测方法 | |
CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
CN108447045B (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 | |
CN110111352A (zh) | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 | |
CN108694415B (zh) | 图像特征提取方法、装置及水源图像分类方法、装置 | |
Park et al. | Single image based algal bloom detection using water body extraction and probabilistic algae indices | |
Cheng-Li et al. | Road extraction from high-resolution SAR imagery using Hough transform | |
Zeng et al. | Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding |
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 |