CN109712155A - 一种差分-比例型无偏sar边缘检测方法 - Google Patents
一种差分-比例型无偏sar边缘检测方法 Download PDFInfo
- Publication number
- CN109712155A CN109712155A CN201811514679.0A CN201811514679A CN109712155A CN 109712155 A CN109712155 A CN 109712155A CN 201811514679 A CN201811514679 A CN 201811514679A CN 109712155 A CN109712155 A CN 109712155A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- sar image
- filter
- sar
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 28
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000002474 experimental method Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于SAR图像检测技术领域,公开了一种差分‑比例型无偏SAR边缘检测方法,首先,选定一个可分离的2D边缘滤波器;逆时针旋转2D边缘滤波器,旋转角度为θ,可获得方向滤波器;使用方向滤波器计算每个像素点强度指标;根据计算出来的强度指标来计算边缘强度图;最后,对所得的边缘强度图,使用NSHT算法即可得二值边缘图。
Description
技术领域
本发明属于SAR图像检测技术领域,尤其涉及一种差分-比例型无偏SAR边缘检测方法。
背景技术
图像边缘检测算法分为普通的光学图像边缘检测算法和合成孔径雷达图像(Synthetic Aperture Radar,缩写为SAR)边缘检测算法。尽管光学图像和SAR图像成像方式(图像获取方式)有所不同,但是在两种图像中,场景物理特性的突变,比如高度,表面反射率的改变等,总是在图像中以边缘的形式呈现。从初始简图的构成分析可知,边缘的信息含量远大于平坦区域,占据了主导地位。人类视觉研究表明,图像边缘的这种主导地位恰好可以被视觉细胞捕获,真实的反应到人类大脑中。轮廓,也就是边缘,在辨识和区别不同的物体可提供重要的信息。因此,为了降低处理图像信息的耗时,而又不损耗过多的图像信息,边缘检测在图像处理领域就显的尤为重要。
普通光学图像,也就是传统的视网膜成像,总是很鲜明的表现出物体的特征,而SAR图像往往都是“含蓄”的表现物体的特征。这意味着,同光学图像的信息提取过程相比,SAR图像特征提取过程更为复杂和困难。光学图像中,边缘像素既可以通过计算梯度方向的梯度幅值判断,又可以通过二阶导数的过零点判断。然而,在SAR图像中,由于同时包含加性噪声和乘性相干斑噪声,两种方法都不适用,其中乘性相干斑噪声是导致传统的边缘检测算法无法完成SAR图像边缘检测任务的主要原因。如果使用梯度的边缘检测方法检测SAR图像,这些检测算法会在高反射系数的区域内产生较多的虚警,而在低反射系数区域产生较少的虚警。当传统检测方法被用于检测SAR图像的边缘时,它们将不再具有恒虚警特性(Constant False Alarm Rate,缩写为CFAR)。
所以如何在降低边缘检测算法错误率的同时保持甚至提高其正确率水平是一个难题。理想边缘模型将边缘描述为区域间散射系数(灰度值)的突变过程。实际上,由于噪声的影响,SAR图像中区域间散射系数(灰度值)的改变过程并不是突变式的。因此很难利用理想边缘模型来描述SAR图像中的模糊边缘。通过反复的分析和对比,可得到非理想边缘模型更适合用来描述SAR图像中的边缘。然而,在非理想边缘模型下,常见的SAR图像边缘检测算子的检测结果大多是定位有偏的。
发明内容
针对上述问题,本发明的目的在于提供一种差分-比例型无偏SAR边缘检测方法,可用于检测SAR图像中的非理想边缘的差分-比例型无偏边缘检测算子(Difference-RatioUnbiased,缩写为DRU),该算子的检测精度对边缘对比度以及过渡带尺寸的变化不敏感。主、客观实验均表明该检测算子具有较好的检测性能。
由于相干斑噪声的影响,比例型检测算子往往无法定位无偏的检测出非理想边缘,差分算子虽然具有无偏性,却不具备CFAR特性。该方法针对此问题提出的检测算子既可以提供无偏的检测结果又同时具有CFAR特性,差分-比例型检测算子中的差分操作保证了算子的无偏性,而比例操作则保证了算子的CFAR特性。
为达到上述目的,本发明采用如下技术方案予以实现。
一种差分-比例型无偏SAR边缘检测方法,所述方法包括如下步骤:
步骤1,确定一个可分离的二维边缘滤波器;
步骤2,设定多个旋转角度,依次按照每个旋转角度逆时针旋转所述二维边缘滤波器,得到对应的多个方向滤波器;
步骤3,根据多个方向滤波器,计算SAR图像中每个像素对应的多个强度指标;
步骤4,根据所述SAR图像中每个像素对应的多个强度指标,确定所述SAR图像的边缘强度图;
步骤5,根据所述SAR图像的边缘强度图,得到SAR图像的边缘二值图,并将所述SAR图像的边缘二值图作为差分-比例型无偏SAR边缘检测结果。
本发明技术方案的特点和进一步的改进为:
(1)步骤1具体为:
确定一个可分离的二维边缘滤波器fDRU(x,y):
其中,为一维垂直伽马滤波器,为一维水平扁平钟形滤波器,x、y分别为对应的滤波器输入变量,为二维边缘滤波器的左子窗,为二维边缘滤波器的右子窗。
(2)步骤2具体为:
(2a)设定第k个旋转角度θk=kπ/P,k=0,1,…,P-1,P表示旋转角度的总个数;
(2b)按照第k个旋转角度逆时针旋转所述二维边缘滤波器,得到对应的第k个方向滤波器
其中,为第k个方向滤波器的左子窗,为第k个方向滤波器的右子窗;
从而得到P个方向滤波器。
(3)步骤3具体为:
根据第k个方向滤波器计算SAR图像中任意一个像素(x0,y0)对应的第k个强度指标
其中,为第k个方向滤波器的左子窗对像素(x0,y0)的局部加权均值,且 为第k个方向滤波器的右子窗对像素(x0,y0)的局部加权均值,且I(x0,y0)为SAR图像中像素(x0,y0)对应的像素值,为采用右子窗中的样本估计到的像素(x0,y0)的散射参数,为采用左子窗中的样本估计到的像素(x0,y0)的散射参数;
从而得到SAR图像中任意一个像素(x0,y0)对应的P个强度指标。
(4)根据第k个方向滤波器计算SAR图像中任意一个像素(x0,y0)对应的第k个强度指标
(5)步骤4具体为:
根据所述SAR图像中任意一个像素(x0,y0)对应的P个强度指标,确定所述SAR图像中任意一个像素(x0,y0)对应的边缘强度EDRU(x0,y0):
从而所述SAR图像的所有像素对应的边缘强度组成所述SAR图像对应的边缘强度图。
(6)步骤5具体为:
(5a)对于SAR图像对应的边缘强度图中的任意一个像素点(x1,y1),判断边缘强度值EDRU(x1,y1)是否为局部极大值点,如果是,则保留当前像素点的边缘强度值EDRU(x1,y1),否则令EDRU(x1,y1)=0;
(5b)设定高门限Th和低门限Tl;且Th>Tl;
(5c)若EDRU(x1,y1)≥Th,则确定SAR图像中的像素点(x1,y1)为强边缘像素点;
(5d)若Th>EDRU(x1,y1)>Tl,则确定SAR图像中的像素点(x1,y1)为弱边缘像素点;
(5e)对于弱边缘像素点,如果其以四邻域或者八邻域的关系连接到任意一个强边缘像素点上,则将该弱边缘像素点标记为强边缘像素点;
(5f)在SAR图像中,将所有强边缘像素点的像素值标记为1,所述SAR图像中出去强边缘像素点后剩余像素点的像素值标记为0,从而得到SAR图像的边缘二值图。
本发明相对于现有方法的主要优点在于:第一,本发明的创新点在于对SAR图像中的非理想边缘,该检测算子既可以提供无偏的检测结果又同时具有CFAR特性。第二,本发明提出的算子具有较稳定的边缘定位准确性,检测到的边缘具有较好的光滑性和连续性。第三,本发明提出的算子定位精度不敏感于边缘对比度的变化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明技术方案的实现流程示意图;
图2为DUR,Canny,ROA,GGS,ROEWA和RBED对不同过渡带尺寸的非理想边缘的检测结果示意图;
图3为DUR,Canny,ROA,GGS,ROEWA和RBED对不同边缘对比度的非理想边缘的检测结果示意图;
图4为包含非理想边缘的灰度图像及其标准图像示意图;
图5为DUR,Canny,ROA,GGS,ROEWA和RBED的品质因数随等效视数的变化示意图;
图6为幅度SAR图像及其标准图像示意图;
图7为RBED,GGS,DUR的ROC曲线示意图;
图8为DUR,GGS,RBED,ROEWA和ROA对仿真SAR图像的检测结果示意图;
图9为DUR,GGS,RBED,ROEWA和ROA对真实SAR图像的检测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种差分-比例型无偏SAR边缘检测方法,如图1所示,所述方法包括如下步骤:
步骤1,确定一个可分离的二维边缘滤波器;
步骤1具体为:
确定一个可分离的二维边缘滤波器fDRU(x,y):
其中,为一维垂直伽马滤波器,为一维水平扁平钟形滤波器,x、y分别为对应的滤波器输入变量,为二维边缘滤波器的左子窗,为二维边缘滤波器的右子窗。
步骤2,设定多个旋转角度,依次按照每个旋转角度逆时针旋转所述二维边缘滤波器,得到对应的多个方向滤波器;
步骤2具体为:
(2a)设定第k个旋转角度θk=kπ/P,k=0,1,…,P-1,P表示旋转角度的总个数;θk在[0,π)上均匀采样,考虑到边缘检测精度以及检测算子的计算量,通常情况采样间隔设为π/8,从而设定P的取值。当然,π/4或π/16也是两种常用的采样间隔取值(即P可取值4,8或16)。
(2b)按照第k个旋转角度逆时针旋转所述二维边缘滤波器,得到对应的第k个方向滤波器
其中,为第k个方向滤波器的左子窗,为第k个方向滤波器的右子窗;
从而得到P个方向滤波器。
步骤3,根据多个方向滤波器,计算SAR图像中每个像素对应的多个强度指标;步骤3具体为:
根据第k个方向滤波器计算SAR图像中任意一个像素(x0,y0)对应的第k个强度指标
其中,为第k个方向滤波器的左子窗对像素(x0,y0)的局部加权均值,且 为第k个方向滤波器的右子窗对像素(x0,y0)的局部加权均值,且I(x0,y0)为SAR图像中像素(x0,y0)对应的像素值,为采用右子窗中的样本估计到的像素(x0,y0)的散射参数,为采用左子窗中的样本估计到的像素(x0,y0)的散射参数;
从而得到SAR图像中任意一个像素(x0,y0)对应的P个强度指标。
优选的,DRU的无偏性主要得益于差分操作。因此,利用和Z代替和λ不会影响DRU的无偏性,所以根据第k个方向滤波器计算SAR图像中任意一个像素(x0,y0)对应的第k个强度指标
步骤4,根据所述SAR图像中每个像素对应的多个强度指标,确定所述SAR图像的边缘强度图(Edge Strength Map,缩写为ESM);
步骤4具体为:
根据所述SAR图像中任意一个像素(x0,y0)对应的P个强度指标,确定所述SAR图像中任意一个像素(x0,y0)对应的边缘强度EDRU(x0,y0):
从而所述SAR图像的所有像素对应的边缘强度组成所述SAR图像对应的边缘强度图。
步骤5,根据所述SAR图像的边缘强度图,得到SAR图像的边缘二值图,并将所述SAR图像的边缘二值图作为差分-比例型无偏SAR边缘检测结果。
步骤5具体采用非极大值滞后阈值(Non-Maximum Suppression and HystereticThresholding,缩写为NSHT)算法得到SAR图像的边缘二值图,具体过程为:
(5a)对于SAR图像对应的边缘强度图中的任意一个像素点(x1,y1),判断边缘强度值EDRU(x1,y1)是否为局部极大值点,如果是,则保留当前像素点的边缘强度值EDRU(x1,y1),否则令EDRU(x1,y1)=0;
(5b)设定高门限Th和低门限Tl;且Th>Tl;
(5c)若EDRU(x1,y1)≥Th,则确定SAR图像中的像素点(x1,y1)为强边缘像素点;
(5d)若Th>EDRU(x1,y1)>Tl,则确定SAR图像中的像素点(x1,y1)为弱边缘像素点;
(5e)对于弱边缘像素点,如果其以四邻域或者八邻域的关系连接到任意一个强边缘像素点上,则将该弱边缘像素点标记为强边缘像素点;
(5f)在SAR图像中,将所有强边缘像素点的像素值标记为1,所述SAR图像中出去强边缘像素点后剩余像素点的像素值标记为0,从而得到SAR图像的边缘二值图。
下面通过实验对本发明效果做进一步验证。
一:实验内容
实验主要比较检测器DRU,Canny,均值比ROA(Ratio of average,缩写为ROA),高斯-伽马型双窗GGS(Gaussian-Gamma-Shaped Bi-Windows,缩写为GGS),指数加权均值ROEWA(Ratio of Exponentially Weighted Averages,缩写为ROEWA)以及比例边缘检测算子RBED(Ratio-based edge detector,缩写为RBED)的检测性能。这些检测器使用了不同的边缘滤波器,但是它们均使用了NSHT作为其后处理方法。参与比较的检测算子除Canny算子为差分检测算子外,其余均为比例型检测算子。DRU,Canny,ROA,GGS,ROEWA以及RBED的2D滤波器可分别写为: 以及
实验一:分析过渡带尺寸对定位精度的影响
ρ和2a分别表示边缘对比度以及过渡带的尺寸。图2(a)中给出了三个具有不同过渡带尺寸的边缘。这三个边缘的过渡带尺寸分别为2a=2,2a=4和2a=6,边缘对比度均为ρ=10。用参与比较的检测算子分别去检测这三条非理想边缘,所得的检测结果如图2(b)-(d)所示。为了清楚起见,在检测结果中用虚线标注出了真实边缘的位置。由于真实边缘的位置精确到亚像素精度上,因此如果一个边缘像素被标记在该亚像素精度的左或右侧的像素上,那么该边缘像素是定位无偏的。
实验二:分析边缘对比度对定位精度的影响
图3(a)中给出了三条具有不同对比度的边缘。这三条边缘的对比度分别为ρ=1.5,ρ=5和ρ=30,过渡带尺寸均为2a=4。用参与比较的检测算子分别去检测这三条非理想边缘,所得的检测结果如图3(b)-(d)所示。
实验三:品质因数衡量定位精度
图4显示了一幅127×151的仿真图像及其标准图像。该仿真图像中的所有边缘均为非理想边缘。利用该图像仿真了一系列具有不同视数的幅度格式SAR图像。这些图像的视数变化范围为1-视到9-视。用参与比较的检测算子分别去检测这些仿真图像,让每一个检测算子的可调参数在其参数空间内变化。然后记录每个检测算子在其参数空间内所得到的最优的品质因数。图5为不同检测算子的品质因数随等效视数的变化情况。
ROA的参数空间为:
其中tlow和thigh为后处理算法NSHT所要求的参数。这两个参数为公共参数,其他的检测算子所要求的tlow和thigh均从上式中选取。
ROEWA的参数空间为:
GGS的参数空间为:
RBED的参数空间为
DRU的参数空间为:
实验四:ROC曲线衡量检测正确率
本实验仅比较检测算子GGS,RBED以及DRU的ROC曲线。参与比较的检测算子的参数从实验三中中所示的参数空间内选取。用参与比较的检测算子分别对图6所示场景进行检测。所得的ROC曲线如图7所示。
实验五:DRU对仿真以及真实SAR图像的检测结果
图8(a)为一幅507×474的3-视幅度格式的仿真SAR图像。检测算子DRU,GGS,RBED,ROEWA,以及ROA的参数分别设为[α,β,l,σ//]=[2,2.573,4.79],[αGGs,βGGs,σGGs]=[2,2.57,7.18],[αRBED,βRBED,lRBED,σRBED]=[3,5.74,3,4.79],以及[wMF,lMF]=[7,9]。
图9(a)所示为一幅396×472的3m分辨率的幅度格式真实SAR图像。比较一下检测算子DRU,GGS,RBED,ROEWA,以及ROA对真实SAR图像的检测结果,检测结果如图9(b)-(f)所示。
(二)结果分析
实验一:通过图2可以看出,检测算子ROA,GGS,ROEWA以及RBED的边缘定位准确性随着过渡带尺寸的增大而下降,而DRU具有较稳定的边缘定位准确性,其检测结果具有较好的光滑性和连续性。
实验二:当ρ=5时,ROA,ROEWA以及GGS所检测到的边缘位置与真实边缘位置之间的偏差为1个像素宽度;当ρ=30时,它们的偏差变为2个像素宽度。至于RBED,当ρ=1.5,ρ=5时,其均可以准确的检测出边缘的位置。当ρ=30时,RBED的偏差大约为1个像素宽度。仔细观察RBED的检测结果可以发现,当边缘对比度较小时,RBED的检测结果会出现较明显的波动。至于DRU和Canny检测算子,它们对于不同的对比度的边缘均可提供无偏的边缘估计。该实验表明,DRU的定位精度对边缘对比度的变化不敏感。
实验三:通过图5可以看出,随着等效视数的增大,所有算子的品质因数都在不断增大。在所有检测算子中,当等效视数相同时,DRU具有最高的品质因数。值得一提的是,对于9-视图,DRU的品质因数甚至可以达到0.88。
实验四:通过图6可以看出,3-视ROC曲线中,当DRU的虚警率为0时,其正确率可以达到94%。对于6-视SAR图像,DRU的正确率甚至可以达到96%。DRU的高的正确率主要是得益于其好的边缘定位能力。至于其低虚警率,则是得益于DRU的水平滤波器的协助。在相同的虚警率下,DRU总是具有最高的正确率。
实验五:通过图8可以看出,DRU可以精确的检测出大部分的边缘,除了图像中间上部的那条边缘。该边缘对比度仅为1.26,其过渡带宽度为5个像素。对于靠近图像左下角的那块深色区域的边缘,可以看到,除了DRU,其余检测算子均不能正确的检测该区域的边缘。它们检测出的边界均向区域内侧(具有较小反射系数的部分)发生了一定的移动。
通过图9可以看出,所有算子均可以可靠的检出对比度较大的边缘。对于细小边缘(图中椭圆标记出的两个区域的边缘),除了DRU其他算子均不能得到较好的检测结果。
综上所述,仿真实验验证了本发明的正确性,有效性和可靠性。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种差分-比例型无偏SAR边缘检测方法,其特征在于,所述方法包括如下步骤:
步骤1,确定一个可分离的二维边缘滤波器;
步骤2,设定多个旋转角度,依次按照每个旋转角度逆时针旋转所述二维边缘滤波器,得到对应的多个方向滤波器;
步骤3,根据多个方向滤波器,计算SAR图像中每个像素对应的多个强度指标;
步骤4,根据所述SAR图像中每个像素对应的多个强度指标,确定所述SAR图像的边缘强度图;
步骤5,根据所述SAR图像的边缘强度图,得到SAR图像的边缘二值图,并将所述SAR图像的边缘二值图作为差分-比例型无偏SAR边缘检测结果。
2.根据权利要求1所述的一种差分-比例型无偏SAR边缘检测方法,其特征在于,步骤1具体为:
确定一个可分离的二维边缘滤波器fDRU(x,y):
其中,为一维垂直伽马滤波器,为一维水平扁平钟形滤波器,x、y分别为对应的滤波器输入变量,为二维边缘滤波器的左子窗,为二维边缘滤波器的右子窗。
3.根据权利要求1所述的一种差分-比例型无偏SAR边缘检测方法,其特征在于,步骤2具体为:
(2a)设定第k个旋转角度θk=kπ/P,k=0,1,…,P-1,P表示旋转角度的总个数;
(2b)按照第k个旋转角度逆时针旋转所述二维边缘滤波器,得到对应的第k个方向滤波器
其中,为第k个方向滤波器的左子窗,为第k个方向滤波器的右子窗;
从而得到P个方向滤波器。
4.根据权利要求1所述的一种差分-比例型无偏SAR边缘检测方法,其特征在于,步骤3具体为:
根据第k个方向滤波器计算SAR图像中任意一个像素(x0,y0)对应的第k个强度指标
其中,为第k个方向滤波器的左子窗对像素(x0,y0)的局部加权均值,且 为第k个方向滤波器的右子窗对像素(x0,y0)的局部加权均值,且I(x0,y0)为SAR图像中像素(x0,y0)对应的像素值,为采用右子窗中的样本估计到的像素(x0,y0)的散射参数.为采用左子窗中的样本估计到的像素(x0,y0)的散射参数;
从而得到SAR图像中任意一个像素(x0,y0)对应的P个强度指标。
5.根据权利要求4所述的一种差分-比例型无偏SAR边缘检测方法,其特征在于,根据第k个方向滤波器计算SAR图像中任意一个像素(x0,y0)对应的第k个强度指标
6.根据权利要求1所述的一种差分-比例型无偏SAR边缘检测方法,其特征在于,步骤4具体为:
根据所述SAR图像中任意一个像素(x0,y0)对应的P个强度指标,确定所述SAR图像中任意一个像素(x0,y0)对应的边缘强度EDRU(x0,y0):
从而所述SAR图像的所有像素对应的边缘强度组成所述SAR图像对应的边缘强度图。
7.根据权利要求1所述的一种差分-比例型无偏SAR边缘检测方法,其特征在于,步骤5具体为:
(5a)对于SAR图像对应的边缘强度图中的任意一个像素点(x1,y1),判断边缘强度值EDRU(x1,y1)是否为局部极大值点,如果是,则保留当前像素点的边缘强度值EDRU(x1,y1),否则令EDRU(x1,y1)=0;
(5b)设定高门限Th和低门限Tl;且Th>Tl;
(5c)若EDRU(x1,y1)≥Th,则确定SAR图像中的像素点(x1,y1)为强边缘像素点;
(5d)若Th>EDRU(x1,y1)>Tl,则确定SAR图像中的像素点(x1,y1)为弱边缘像素点;
(5e)对于弱边缘像素点,如果其以四邻域或者八邻域的关系连接到任意一个强边缘像素点上,则将该弱边缘像素点标记为强边缘像素点;
(5f)在SAR图像中,将所有强边缘像素点的像素值标记为1,所述SAR图像中出去强边缘像素点后剩余像素点的像素值标记为0,从而得到SAR图像的边缘二值图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514679.0A CN109712155A (zh) | 2018-12-12 | 2018-12-12 | 一种差分-比例型无偏sar边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514679.0A CN109712155A (zh) | 2018-12-12 | 2018-12-12 | 一种差分-比例型无偏sar边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109712155A true CN109712155A (zh) | 2019-05-03 |
Family
ID=66256245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811514679.0A Pending CN109712155A (zh) | 2018-12-12 | 2018-12-12 | 一种差分-比例型无偏sar边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643248A (zh) * | 2023-07-26 | 2023-08-25 | 成都航空职业技术学院 | 一种恒虚警检测方法、存储介质及设备 |
-
2018
- 2018-12-12 CN CN201811514679.0A patent/CN109712155A/zh active Pending
Non-Patent Citations (1)
Title |
---|
魏倩茹: ""合成孔径雷达图像特征提取的方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643248A (zh) * | 2023-07-26 | 2023-08-25 | 成都航空职业技术学院 | 一种恒虚警检测方法、存储介质及设备 |
CN116643248B (zh) * | 2023-07-26 | 2023-11-14 | 成都航空职业技术学院 | 一种恒虚警检测方法、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clausi et al. | Comparing cooccurrence probabilities and Markov random fields for texture analysis of SAR sea ice imagery | |
CN102096921B (zh) | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 | |
CN104335006B (zh) | 3d扫描以及定位界面 | |
KR102014104B1 (ko) | 초음파 검사 시스템 및 초음파 검사 방법 | |
Lang et al. | Adaptive-window polarimetric SAR image speckle filtering based on a homogeneity measurement | |
CN108986126A (zh) | 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法 | |
CN104899888B (zh) | 一种基于Legendre矩的图像亚像素边缘检测方法 | |
CN108550145B (zh) | 一种sar图像质量评估方法和装置 | |
Baselice et al. | Denoising of MR images using Kolmogorov-Smirnov distance in a Non Local framework | |
CN103218788B (zh) | 一种肝脏磁共振r2*参数的测量方法 | |
CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
WO2018082540A1 (zh) | 一种票据一维信号的检测方法及装置 | |
He et al. | Retinal image denoising via bilateral filter with a spatial kernel of optimally oriented line spread function | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
CN109060290A (zh) | 基于视频和亚像素技术对风洞密度场进行测量的方法 | |
CN110033434A (zh) | 一种基于纹理显著性的表面缺陷检测方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN109712156A (zh) | 一种低错误率的sar图像边缘检测方法 | |
Pescia et al. | Automatic detection of liver tumors | |
CN109712155A (zh) | 一种差分-比例型无偏sar边缘检测方法 | |
CN110223312A (zh) | 一种基于剪切波的sar图像边缘检测方法 | |
CN117808800A (zh) | 一种纺织品染色质量智能评估方法及系统 | |
CN106600615A (zh) | 一种图像边缘检测算法评价系统及方法 | |
CN107369163A (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
Arora et al. | Noise adaptive FCM algorithm for segmentation of MRI brain images using local and non-local spatial information |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190503 |