CN108537807A - 一种基于高分四号卫星影像改进的边缘增强检测方法 - Google Patents
一种基于高分四号卫星影像改进的边缘增强检测方法 Download PDFInfo
- Publication number
- CN108537807A CN108537807A CN201710119721.8A CN201710119721A CN108537807A CN 108537807 A CN108537807 A CN 108537807A CN 201710119721 A CN201710119721 A CN 201710119721A CN 108537807 A CN108537807 A CN 108537807A
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- gradient
- point
- value
- 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
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000001629 suppression Effects 0.000 claims abstract description 7
- 230000009977 dual effect Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000001027 hydrothermal synthesis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009610 hypersensitivity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 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 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
本发明针对高分四号卫星影像提出了一种结合图像增强的边缘检测改进方法,该方法包括如下步骤:步骤1)对预处理后的高分四号多光谱影像使用多尺度Retinex算法进行增强处理;步骤2)根据高分四号多光谱影像光谱统计拟合出最佳梯度阈值与能量值、惯性矩均值两个特征值之间的拟合函数;步骤3)计算影像的梯度幅值和方向,构造影像灰度共生矩阵计算能量值和惯性矩均值,然后根据拟合函数计算梯度阈值,将梯度幅值大于或等于梯度阈值的像素点记为候选边缘点;步骤4)进行非极大值抑制处理,将候选边缘点与沿梯度方向的相邻像素点进行梯度插值比较,如果该点为梯度局部极大值点,则判定该点为边缘点;最后利用双阈值方法对边缘点连接得到影像边缘结果。
Description
技术领域
本发明涉及一种基于高分四号卫星影像改进的边缘增强检测方法。
背景技术
高分四号(GF-4)卫星是我国第一颗地球静止轨道高分辨率对地观测卫星,于2015年12月29日在西昌发射成功,它的成功发射开辟了我国高轨道高分辨率对地观测技术的新领域。GF-4卫星以其独特的载荷特性,不仅为气象天气监测、灾害风险预警预报、森林火灾害监测、地震构造信息提取等业务补充了全新的技术手段,并且还在环保、海洋、农业、水利等行业也具有巨大潜力和广阔空间。针对GF-4影像的边缘检测技术是一项关键的技术难题,边缘检测的效果和精度对图像配准、地物识别、变化检测等技术的应用有很大的影响。
遥感图像边缘检测是处理图像与分析的基础,具有重要的研究价值,其实质是采用某种算法提取图像中目标与背景之间的边界线。传统边缘检测算法有Roberts、Prewitt、Sobel、LoG算子等,这些算子的优点是计算量较小,但对噪声有较高敏感性,在一定程度上丢失了一些边缘信息,检测效果不理想。最为经典的是Canny算子,它提出了一种最优化思想的边缘检测算法,而被广泛地应用并改进。Ali M等提出了一种高斯滤波器和拉普拉斯算子结合方法,提高了Canny算子的去噪能力。王植等提出了一种改进的Canny算子检测方法,在保持传统Canny算子优良特性的同时,在防噪声干扰和边缘细节信息的处理上有了很大的提升。Wang等提出用自适应滤波器改进传统的高斯滤波器,在一定程度上提高了Canny算子的性能。近些年针对自适应确定高低阈值出现了各种解决办法,如王小俊等采用迭代算法计算最佳高低阈值,张志强等用Otsu算法确定高阈值,徐辛超等改进了梯度计算和优化阈值设置等。
但由于GF-4卫星传感器轨道高、成像机理和外界环境复杂等因素,导致其影像模糊、对比度低等问题,使得传统或现有改进的算法难以满足边缘检测的精度要求。综上所述,本发明针对在分析了GF-4影像特性和边缘检测存在问题的基础上,借鉴Canny算法的核心思想,提出了一种改进的边缘增强检测方法。通过定量分析与实验结果表明:针对GF-4影像的边缘检测,与传统的Canny算法相比,该方法更具有适用性和准确性,使提取的边缘正确率提高约35.8%,对新卫星数据的应用与推广具有一定地价值。
发明内容
针对GF-4卫星传感器轨道高、成像机理和外界环境复杂等因素,导致其影像模糊、对比度低等问题,本发明的目的在于提出一种基于高分四号卫星影像改进的边缘增强检测方法。
本发明的目的通过以下技术步骤实现:
步骤1)先对原始影像进行必要的预处理,再使用多尺度Retinex算法对预处理影像进行增强;
步骤2)通过分析与设想,确定灰度共生矩阵的两个特征值与梯度阈值的最佳取值存在某种函数关系,再通过实验及对实验结果拟合出最佳梯度阈值与两个特征值之间可信度最高的一种函数关系,进而确定出一个梯度阈值经验公式;
步骤3)先构造出影像的灰度共生矩阵,并计算其能量值和惯性矩均值,然后根据梯度阈值经验拟合公式求得最佳的梯度阈值,进而确定出候选边缘点;
步骤4)先进行非极大值抑制方法处理,确定边缘点;再利用双阈值方法对边缘点进行连接得到最终影像的边缘检测结果图。
进一步,所述步骤1)的具体方法为:
a)首先对原始影像进行必要的预处理,即辐射定标和大气校正,将部分消除大气等因素的影响;b)再使用多尺度Retinex算法对预处理影像进行增强,其基本思想是采用多个具有不同尺度系数σ的高斯滤波器对影像进行滤波,然后对多个滤波结果进行加权平均。这样不仅使影像从直观上看起来更加清晰、对比度更高,而且从边缘检测的过程中还能反映出:它能使边缘检测的正确率有较大提升。
进一步,所述步骤2)的具体方法为:
a)针对高分四号影像的特性,从影像像素间的灰度差异和灰度差异空间分布两方面来考虑,进而确定灰度共生矩阵的两个特征值与梯度阈值的最佳取值的某种函数关系;b)然后再对120幅不同时期和范围的高分四号影像进行实验,通过实验结果拟合出最佳梯度阈值与两个特征值之间可信度最高的一种函数关系,进而确定出一个梯度阈值经验公式。
进一步,所述步骤3)的具体方法为:
a)先根据影像灰度计算出待检测影像的梯度幅值和方向;b)再构造出影像的灰度共生矩阵,并计算出它的能量值和惯性矩均值,然后根据阈值经验公式计算出最佳梯度阈值的取值;c)然后将梯度幅值与梯度阈值进行比较,如果某像素点满足梯度幅值大于或等于梯度阈值,则将该点记为候选边缘点。
进一步,所述步骤4)的具体方法为:
a)进行非极大值抑制方法处理,将候选边缘点于沿梯度方向的相邻像素点进行梯度插值比较,如果该点为梯度局部极大值点,则判定该点为边缘点;b)最后,利用双阈值方法对边缘点进行连接得到最终影像的边缘检测结果图。
附图说明
图1为原始数据;
图2为图像增强结果;
图3为高斯滤波后的检测结果图;
图4为MSR算法增强后的检测结果图;
图5为自适应梯度阈值公式拟合结果图;
图6为传统Canny算法检测结果图;
图7为本专利改进算法检测结果图;
图8为本专利改进算法的流程图。
具体实施方式
下面结合附图对本发明“一种基于高分四号卫星影像改进的边缘增强检测方法”作进一步阐述说明。
(一)图像预处理
首先,先对原始真彩色图像(图1)进行必要的预处理,即辐射定标和大气纠正,能消除大气和光照等因素对地物反射的影响,这样将有利于地表特征的提取。另外,由于GF-4影像本身的质量问题和外界环境的影响,对边缘检测带来很大的困难,使检测结果难以达到要求地精度。单纯地使用传统的算法中采用高斯滤波器仅能去除部分噪声,已经无法满足需要,所以考虑采用多尺度Retinex(MSR)算法对原始图像进行增强处理。MSR算法的基本思想是采用多个具有不同尺度系数σ的高斯滤波器对图像进行滤波,然后对多个滤波结果进行加权平均。它不同于传统的线性、非线性的只能增强图像某一类特征的方法,可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡,能对各种不同类型的图像进行自适应的增强。因此本专利使用MSR算法对预处理图像进行增强处理,得到增强图像(图2)。通过对比实验:在取相同梯度阈值的情况下,对分别经过高斯滤波和MSR增强的两影像进行边缘检测,得到检测结果图(图3和图4),可观察到图4中检测的地物信息明显比图3丰富而且连续。所以,该算法不仅使影像更加清晰、对比度提高,而且还能反映出更为丰富的地物轮廓信息,对边缘检测的正确率有较大提升。
(二)自适应梯度阈值拟合计算
在Canny算法中,高阈值是影响最终边缘提取结果的主要因素,所以如何确定一个合适的阈值是非常重要的。边缘是图像中与邻域像素灰度有强烈对比的像素集合,而对比是否足够强,既取决于图像像素间的灰度差异,也取决于灰度差异空间分布。而传统的边缘检测算法仅仅考虑了图像像素间的灰度差异,这是值得改进的地方。因此,本专利在基于GF-4影像的实际情况,考虑综合以上两方面的因素来自适应确定梯度阈值。要研究图像灰度的空间相关特性通常需要构造灰度共生矩阵,图像灰度共生矩阵它不仅反映灰度的分布特性,也反映具有同样灰度或接近灰度的像素之间的位置分布特性,它是对图像上保持一定角度和距离的两像素的灰度取值进行统计的结果。通常可以用一些标量来表征灰度共生矩阵的特征,常用的特征值有:能量、对比度、熵、相关性等。基于以上特征值物理意义分析和设想,发现梯度阈值的最佳取值与能量值和对比度均值存在某种函数关系。为了得到两者之间确定的函数关系,本专利采取了一种经验参数估计的方法。经过对3个时期(每期40幅),不同区域的120幅GF-4影像进行Canny边缘检测实验。对比不同的梯度阈值得到的边缘检测结果,确定最佳取值;同时,计算影像相应的能量值和对比度均值,从而来拟合它们之间的函数关系。实验数据分为两组,第一组从每期影像中随机选取20幅,共60幅影像,剩下的60幅影像为第二组数据。两组实验分别进行,建立这些参数的对应关系并拟合出R2尽可能高的函数关系曲线图,分别得到两组拟合结果图(图5(a)、图5(b))。再根据拟合结果分析,最后确定梯度阈值的经验公式如下:
TH=0.11+0.04×(1.2×E+FAVE)-0.01×(1.2×E+FAVE)2 (1)
上式中TH为梯度阈值,E为能量值,FAVE为对比度均值。
(三)最佳梯度阈值的计算与确定候选边缘点
先根据影像的灰度计算图像的梯度幅值和方向,并构造出影像的灰度共生矩阵,再计算其能量值和惯性矩均值,然后根据阈值拟合公式计算最佳梯度阈值的取值。将梯度幅值与梯度阈值进行比较,如果某像素点满足梯度幅值大于或等于梯度阈值,则将该点记为候选边缘点。
(四)边缘点的确定与连接
当确定候选边缘点后,再进行非极大值抑制方法处理。非极大值抑制就是将那些在梯度方向具有最大梯度的像元作为边缘像元保留,将其他像元删除。梯度最大值通常出现在边缘的中心,随着沿梯度方向距离的增加,梯度值将随之减小。再将候选边缘点于沿梯度方向的相邻像素点进行梯度插值比较,如果该点为梯度局部极大值点,则判定该点为边缘点。然后,利用双阈值方法对边缘点进行连接得到最终影像的边缘检测结果图。进行非极大值抑制方法不仅可以有效地抑制多响应边缘,而且还可以提高边缘的定位精度。利用双阈值方法可以有效减少边缘的漏检率。最后,作对比实验进行验证,分别用传统的Canny算法和本专利改进的算法对图像进行边缘检测,得到检测结果(图6和图7),图8为本专利改进算法的流程图。
Claims (5)
1.一种基于高分四号卫星影像改进的边缘增强检测方法,该方法包括如下步骤:
步骤1)先对原始影像进行必要的预处理,再使用多尺度Retinex算法对预处理影像进行增强;
步骤2)通过分析与设想,确定灰度共生矩阵的两个特征值与梯度阈值的最佳取值存在某种函数关系,再通过实验及对实验结果拟合出最佳梯度阈值与两个特征值之间可信度最高的一种函数关系,进而确定出一个梯度阈值经验公式;
步骤3)先构造出影像的灰度共生矩阵,并计算其能量值和惯性矩均值,然后根据梯度阈值经验拟合公式求得最佳的梯度阈值,进而确定出候选边缘点;
步骤4)先进行非极大值抑制方法处理,确定边缘点;再利用双阈值方法对边缘点进行连接得到最终影像的边缘检测结果图。
2.如权利要求书1所述的方法,其特征在于,所述步骤1)的具体方法为:
a)首先对原始影像进行必要的预处理,即辐射定标和大气校正,将部分消除大气等因素的影响;b)再使用多尺度Retinex算法对预处理影像进行增强,其基本思想是采用多个具有不同尺度系数σ的高斯滤波器对影像进行滤波,然后对多个滤波结果进行加权平均。这样不仅使影像从直观上看起来更加清晰、对比度更高,而且从边缘检测的过程中还能反映出:它能使边缘检测的正确率有较大提升。
3.如权利要求书1所述的方法,其特征在于,所述步骤2)的具体方法为:
a)针对高分四号影像的特性,从影像像素间的灰度差异和灰度差异空间分布两方面来考虑,进而确定灰度共生矩阵的两个特征值与梯度阈值的最佳取值的某种函数关系;b)然后再对120幅不同时期和范围的高分四号影像进行实验,通过实验结果拟合出最佳梯度阈值与两个特征值之间可信度最高的一种函数关系,进而确定出一个梯度阈值经验公式。
4.如权利要求书1所述的方法,其特征在于,所述步骤3)的具体方法为:
a)先根据影像灰度计算出待检测影像的梯度幅值和方向;b)再构造出影像的灰度共生矩阵,并计算出它的能量值和惯性矩均值,然后根据阈值经验公式计算出最佳梯度阈值的取值;c)然后将梯度幅值与梯度阈值进行比较,如果某像素点满足梯度幅值大于或等于梯度阈值,则将该点记为候选边缘点。
5.如权利要求书1所述的方法,其特征在于,所述步骤4)的具体方法为:
a)进行非极大值抑制方法处理,将候选边缘点于沿梯度方向的相邻像素点进行梯度插值比较,如果该点为梯度局部极大值点,则判定该点为边缘点;b)最后,利用双阈值方法对边缘点进行连接得到最终影像的边缘检测结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710119721.8A CN108537807B (zh) | 2017-03-02 | 2017-03-02 | 一种基于高分四号卫星影像改进的边缘增强检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710119721.8A CN108537807B (zh) | 2017-03-02 | 2017-03-02 | 一种基于高分四号卫星影像改进的边缘增强检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537807A true CN108537807A (zh) | 2018-09-14 |
CN108537807B CN108537807B (zh) | 2021-07-13 |
Family
ID=63488957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710119721.8A Expired - Fee Related CN108537807B (zh) | 2017-03-02 | 2017-03-02 | 一种基于高分四号卫星影像改进的边缘增强检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537807B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522807A (zh) * | 2018-10-22 | 2019-03-26 | 深圳先进技术研究院 | 基于自生成特征的卫星影像识别系统、方法及电子设备 |
CN114018834A (zh) * | 2021-08-06 | 2022-02-08 | 中科联芯(广州)科技有限公司 | 一种硅基多光谱信号的智能识别目标方法及探测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
US8295607B1 (en) * | 2008-07-09 | 2012-10-23 | Marvell International Ltd. | Adaptive edge map threshold |
-
2017
- 2017-03-02 CN CN201710119721.8A patent/CN108537807B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8295607B1 (en) * | 2008-07-09 | 2012-10-23 | Marvell International Ltd. | Adaptive edge map threshold |
CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
Non-Patent Citations (2)
Title |
---|
杨振亚 等: "LOG算子边缘检测方法的改进方案", 《计算机应用与软件》 * |
胡平 等: "基于多尺度Retinex的自适应交通监控图像快速去雾算法", 《公路交通科技(应用技术版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522807A (zh) * | 2018-10-22 | 2019-03-26 | 深圳先进技术研究院 | 基于自生成特征的卫星影像识别系统、方法及电子设备 |
CN114018834A (zh) * | 2021-08-06 | 2022-02-08 | 中科联芯(广州)科技有限公司 | 一种硅基多光谱信号的智能识别目标方法及探测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108537807B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11127122B2 (en) | Image enhancement method and system | |
CN109447917B (zh) | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 | |
CN104504686A (zh) | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 | |
CN104574293A (zh) | 基于有界运算的多尺度Retinex图像清晰化算法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN109377464B (zh) | 一种红外图像的双平台直方图均衡化方法及其应用系统 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN109003238B (zh) | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
CN101123683A (zh) | 结合可见光图像信息的sar图像斑点噪声抑制方法 | |
CN112465708A (zh) | 基于暗通道改进的图像去雾方法 | |
CN102750675B (zh) | 一种斑点噪声污染图像的非局部均值滤波方法 | |
CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
CN108537807A (zh) | 一种基于高分四号卫星影像改进的边缘增强检测方法 | |
Gupta et al. | Fast single image haze removal method for inhomogeneous environment using variable scattering coefficient | |
CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 | |
CN107610056A (zh) | 基于全变分的混合加权维纳滤波图像去噪方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
Shetter et al. | Finger print image enhancement using thresholding and binarization techniques | |
Mahdi et al. | SINGLE IMAGE DE-HAZING THROUGH IMPROVED DARK CHANNEL PRIOR AND ATMOSPHERIC LIGHT ESTIMATION. | |
Xiong et al. | Research on an Edge Detection Algorithm of Remote Sensing Image Based on Wavelet Enhancement and Morphology. | |
CN114627164A (zh) | 一种图像局部结构差异评估方法及系统 | |
CN110322431B (zh) | 雾霾图像质量评价方法、系统、存储介质及电子设备 | |
Kansal et al. | Effect of non uniform illumination compensation on dehazing/de-fogging techniques |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210713 |
|
CF01 | Termination of patent right due to non-payment of annual fee |