CN110533679A - 基于对数变换与伽柏卷积的sar图像边缘检测方法 - Google Patents

基于对数变换与伽柏卷积的sar图像边缘检测方法 Download PDF

Info

Publication number
CN110533679A
CN110533679A CN201910688034.7A CN201910688034A CN110533679A CN 110533679 A CN110533679 A CN 110533679A CN 201910688034 A CN201910688034 A CN 201910688034A CN 110533679 A CN110533679 A CN 110533679A
Authority
CN
China
Prior art keywords
pixel
convolution
edge
value
gal cypress
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
Application number
CN201910688034.7A
Other languages
English (en)
Other versions
CN110533679B (zh
Inventor
尚荣华
林俊凯
焦李成
尚凡华
马文萍
王蓉芳
李阳阳
冯婕
张梦璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201910688034.7A priority Critical patent/CN110533679B/zh
Publication of CN110533679A publication Critical patent/CN110533679A/zh
Application granted granted Critical
Publication of CN110533679B publication Critical patent/CN110533679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于对数变换与伽柏卷积的SAR图像边缘检测方法，主要解决现有技术合成孔径雷达SAR图像边缘检测不准确以及耗时长的问题。其实现步骤如下：(1)生成含有48个伽柏卷积核的卷积核模型；(2)计算每个卷积核对应的卷积图；(3)通过计算卷积图获得图像的梯度边缘；(4)计算每个卷积核对应的对数变换卷积图；(5)通过计算对数变换边缘卷积图获得图像的比率边缘；(6)将梯度边缘和比率边缘进合并，从而得到最终的SAR图像边缘检测结果。本发明得到了良好SAR图像的边缘检测结果，可用于SAR图像的地形检测，灾害探测。

Description

基于对数变换与伽柏卷积的SAR图像边缘检测方法
技术领域
本发明属于图像处理技术领域，更进一步涉及雷达图像处理技术领域中的一种基于对数变换与伽柏卷积的SAR(Synthetic Aperture Radar)图像边缘检测方法。本发明可应用于对合成孔径雷达SAR图像中的不同区域进行边缘检测提取，可用于地形检测、灾害探测、农田分布等领域中的雷达图像边缘检测。
背景技术
传统的光学图像由于通常具有明显的目标边缘信息，且无明显噪声，所以可以直接用常规的边缘检测算子进行边缘检测。然而SAR图像由于其独特的成像机理，导致其中往往分布着大量相干斑噪声，且这种噪声是加权噪声。正因为这种加权噪声的存在，使得常规光学图像的边缘检测方法无法有效对SAR图像的边缘进行检测，导致SAR图像的边缘检测难度大大提高。
Yuming Xiang，Feng Wang，Ling Wan等人在其发表的论文“一种先进的基于伽柏滤波器的SAR图像多尺度边缘检测器”(IEEE Geoscience and Remote Sensing Letters,2017,14(9):1522-1526.)中提出了一种基于伽柏滤波器的SAR图像结构边缘检测方法。该方法首先生成多个伽柏滤波器作为边缘检测模板；接着使用检测模板在SAR图像进行滑动，并计算对应滑窗内的比值作为检测强度响应；接着使用非极大抑制操作和连接操作获得初步边缘；根据边缘的角度和距离关系进行边缘线筛选，获得最终的图像边缘检测结果。该方法的不足之处在于，该方法中计算对应滑窗内的比值作为检测强度响应，在像素点灰度值高的位置会出现图像边缘的漏检。
西安电子科技大学在其申请的专利“基于各向异性形态学方向比率的SAR图像边缘检测方法”(专利申请号201710523319.6，公开号107358616A.)中公开了一种基于各向异性形态学方向比率的SAR图像边缘检测方法。该方法根据输入的SAR图像设置高斯伽马形双窗的参数；逆时针旋转高斯伽马形双窗，得到多方向的高斯伽马形双窗，并对其进行加权中值滤波；利用加权中值计算多方向的图像边缘响应并对其进行增强；根据边缘响应计算边缘强度映射；从边缘强度映射中抽取极大值点，作为候选边缘点；对候选边缘点进行双阈值门限决策，得到最终图像的边缘检测结果。该方法存在的不足之处在于，该方法中进行加权中值滤波、利用加权中值计算多方向的图像边缘响应，是比较复杂的计算过程，导致该边缘检测方法计算量大，需要消耗大量时间。
发明内容
本发明的目的是针对上述已有技术的不足，提出了一种基于对数变换与伽柏卷积的SAR图像边缘检测方法，解决在像素点灰度值高的位置会出现图像边缘漏检的问题，以及边缘检测方法计算量大，需要消耗大量时间的问题。
实现本发明目的的思路是，SAR图像边缘通常分布在高比率值和高梯度值的位置。当边缘所在位置的灰度值较高时，计算对应滑窗内的比值所得的结果，是一个十分接近数值1的检测结果，该结果难以与非图像边缘处的检测结果区分，导致在阈值筛选中被去除，出现图像边缘的漏检。而这些位置若存在真实的图像边缘，则其在图像灰度值上会有较大的差异，这些差异能够使用梯度的方式检测。但是传统的边缘检测算子会被SAR图像的相干斑噪声影响而出现大量噪声，而使用多尺度的伽柏卷积核作为边缘检测，由于其包括不同尺度的大量像素参与加权检测过程，能够有效降低噪声影响。使用梯度方式的检测结果弥补比值边缘检测的缺陷，能够解决在像素点灰度值高的位置会出现图像边缘漏检的问题。
加权中值滤波、利用加权中值计算多方向的图像边缘响应是比较复杂的操作过程，而常用有效的SAR图像边缘检测方式是多方向的滑动窗口内的比值操作，同样需要进行大量的滑动窗口比值操作，也是复杂难以加速执行的操作过程。现代计算机设备普遍拥有对矩阵计算以及卷积操作加速的功能，而难以对复杂的计算过程进行加速。通过对图像进行对数变换，能够将对原图进行滑动窗口比值计算的过程，转为对滑动窗口进行减法操作的过程，该过程可以直接使用卷积操作实现，最后将卷积的结果进行取指数操作，就能得到原处理图像的滑动窗口比值结果。由于计算机对减法的运算速度快于除法的运算速度，使得整体计算速度能够大大提升。且现代计算机设备中卷积操作可以使用已优化的卷积函数，或调用计算机的GPU进行并行加速，使得检测过程可以得到进一步加速。
为实现上述目的，本发明的具体步骤如下：
(1)生成伽柏函数卷积核模型：
(1a)按照的排列顺序，依次设置第一至第四十八的伽柏函数卷积核的倾斜角，将第一至第十六的伽柏函数卷积核的边长均设置为9，将第十七至第三十二的伽柏函数卷积核的边长均设置为13，将第三十三至第四十八的伽柏函数卷积核的边长均设置为15；
(1b)按照下式，利用设置的伽柏函数卷积核的参数，计算每个伽柏函数在不同坐标位置的卷积核的数值，将每个伽柏函数卷积核中所有坐标位置的卷积核的数值，组成该伽柏函数卷积核，将所有的伽柏函数卷积核组成伽柏函数卷积核模型：
其中，wixy表示第i个伽柏函数卷积核中位于横坐标x，纵坐标y处的伽柏函数卷积核的数值，exp表示以自然常数e为底的指数操作，xi，yi分别表示第i个伽柏函数卷积核中卷积值的横坐标和纵坐标，Wi表示第i个伽柏函数卷积核的边长，sin表示正弦操作，π表示圆周率，cos表示余弦操作，θi表示第i个伽柏函数卷积核的倾斜角；
(2)获得卷积图：
(2a)输入一幅待处理的单通道SAR图像，该SAR图像为灰度图像；
(2b)用伽柏函数卷积核模型中的每个伽柏函数卷积核，对输入的SAR图像进行卷积操作，得到每个卷积核的卷积图，共48个卷积图；
(3)获得边缘定位图：
(3a)从48个卷积图中选取所有相同序号的像素中的最大值像素，将所有的最大值像素组成图像边缘强度图；
(3b)将所有最大值像素对应的卷积图的序号值作为梯度像素值，将所有的梯度像素组成图像边缘梯度图；
(3c)对图像边缘强度图进行非极大抑制操作，得到边缘非抑制图；
(3d)对边缘非抑制图的每个像素进行滞后阈值操作，得到图像的边缘定位图；
(4)获得对数变换卷积图：
(4a)对输入待处理的单通道SAR图像中的每个像素值取自然对数，将所有对数变换后的像素组成对数变换图；
(4b)用伽柏函数卷积核模型中的每一个伽柏函数卷积核，对对数变换图进行卷积操作，得到每个卷积核的对数变换卷积图，共48个对数变换卷积图；
(5)获得对数变换边缘定位图:
(5a)从48个对数变换卷积图中选取所有相同序号的像素中的最小值像素，按照下式，计算每个最小值像素的指数变换值，将所有的指数变换像素组成变换边缘强度图：
Mi＝1-exp Ni
其中，Mi表示第i个最小值像素的指数变换值，Ni表示第i个最小值像素的值；
(5b)将所有最小值像素对应的对数变换卷积图的序号值，作为变换梯度像素值，将所有变换梯度像素组成变换边缘梯度图；
(5c)对变换边缘强度图进行非极大抑制操作，得到变换边缘非抑制图；
(5d)对变换边缘非抑制图的每个像素进行滞后阈值操作，得到对数变换边缘定位图；
(6)获得SAR图像的边缘检测图：
将边缘定位图和对数变换边缘定位图中的所有确定特征像素组成SAR图像边缘检测图。
本发明与现有技术相比具有如下优点：
第一，由于本发明获得卷积图，计算了SAR图像的低比率值高梯度值位置的图像边缘，使得灰度值高的图像边缘能够有效被检测，克服了现有技术在像素点灰度值高的位置会出现图像边缘的漏检的的缺点，使得采用本发明能够更加准确地检测SAR图像的边缘。
第二，由于本发明获得对数变换卷积图，通过使用对数变换将图像的模板内比值运算转换为减法运算，并使用卷积运算后的指数变换恢复数值，大大减少了计算量和复杂度，减少了消耗的时间，克服了边缘检测方法计算量大，需要消耗大量时间的缺点，节省了SAR图像边缘检测的消耗时间。
附图说明
图1是本发明的流程图；
图2是本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照附图1，对本发明的具体实施步骤做进一步描述。
步骤1，生成伽柏函数卷积核模型。
按照的排列顺序，依次设置第一至第四十八的伽柏函数卷积核的倾斜角，将第一至第十六的伽柏函数卷积核的边长均设置为9，将第十七至第三十二的伽柏函数卷积核的边长均设置为13，将第三十三至第四十八的伽柏函数卷积核的边长均设置为15。
按照下式，利用设置的伽柏函数卷积核的参数，计算每个伽柏函数在不同坐标位置的卷积核的数值，将每个伽柏函数卷积核中所有坐标位置的卷积核的数值，组成该伽柏函数卷积核，将所有的伽柏函数卷积核组成伽柏函数卷积核模型：
其中，wixy表示第i个伽柏函数卷积核中位于横坐标x，纵坐标y处的伽柏函数卷积核的数值，exp表示以自然常数e为底的指数操作，xi，yi分别表示第i个伽柏函数卷积核中卷积值的横坐标和纵坐标，Wi表示第i个伽柏函数卷积核的边长，sin表示正弦操作，π表示圆周率，cos表示余弦操作，θi表示第i个伽柏函数卷积核的倾斜角。
步骤2，获得卷积图。
输入一幅待处理的单通道SAR图像，该SAR图像为灰度图像。
用伽柏函数卷积核模型中的每个伽柏函数卷积核，对输入的SAR图像进行卷积操作，得到每个卷积核的卷积图，共48个卷积图。
步骤3，获得边缘定位图。
从48个卷积图中选取所有相同序号的像素中的最大值像素，将所有的最大值像素组成图像边缘强度图。
将所有最大值像素对应的卷积图的序号值作为梯度像素值，将所有的梯度像素组成图像边缘梯度图。
对图像边缘强度图进行非极大抑制操作，得到边缘非抑制图。
所述非极大抑制操作的具体步骤如下：
第1步，按照下式，计算图像边缘强度图中每个像素的梯度方向：
其中，Gm表示图像边缘强度图中第m像素的梯度方向值，Tm表示图像边缘梯度图中第m像素值，π表示圆周率。
第2步，根据图像边缘强度图中每个像素的梯度方向，将以该像素为中心的8邻域像素中，位于对应梯度方向上的2个像素作为该像素的对比像素。
第3步，遍历图像边缘强度图中的每个像素，对比每个像素与其2个对比像素的值的大小，将大于2个对比像素的像素值作为一个非抑制像素值。
第4步，将所有的非抑制像素值组成边缘非抑制图。
对边缘非抑制图的每个像素进行滞后阈值操作，得到图像的边缘定位图。
所述滞后阈值操作的具体步骤如下：
第1步：根据不同的SAR图像，分别设置对应的高、低阈值；
第2步：遍历边缘非抑制图中的每个像素，将每个像素的值分别与高、低阈值对比，将大于高阈值的像素作为确定特征像素，将小于高阈值且大于低阈值的每个像素作为待定特征像素，将所有的确定特征像素组成确定像素集。
第3步：将以每个确定特征像素为中心的8邻域内的8个像素组成一个补充集。
第4步：将补充集中的每个待定特征像素作为确定特征像素。
第5步：将所有的确定特征像素组成边缘定位图。
步骤4，获得对数变换卷积图。
对输入待处理的单通道SAR图像中的每个像素值取自然对数，将所有对数变换后的像素组成对数变换图。
用伽柏函数卷积核模型中的每一个伽柏函数卷积核，对对数变换图进行卷积操作，得到每个卷积核的对数变换卷积图，共48个对数变换卷积图。
步骤5，获得对数变换边缘定位图。
从48个对数变换卷积图中选取所有相同序号的像素中的最小值像素，按照下式，计算每个最小值像素的指数变换值，将所有的指数变换像素组成变换边缘强度图：
Mi＝1-exp Ni
其中，Mi表示第i个最小值像素的指数变换值，Ni表示第i个最小值像素的值。
将所有最小值像素对应的对数变换卷积图的序号值，作为变换梯度像素值，将所有变换梯度像素组成变换边缘梯度图。
对变换边缘强度图进行非极大抑制操作，得到变换边缘非抑制图。
所述非极大抑制操作的具体步骤如下：
第1步，按照下式，计算变换边缘强度图中每个像素的梯度方向：
其中，Gm表示图像变换边缘强度图中第m像素的梯度方向值，Tm表示变换边缘梯度图中第m像素值，π表示圆周率。
第2步，根据图像边缘强度图中每个像素的梯度方向，将以该像素为中心的8邻域像素中，位于对应梯度方向上的2个像素作为该像素的对比像素。
第3步，遍历图像边缘强度图中的每个像素，对比每个像素与其2个对比像素的值的大小，将大于2个对比像素的像素值作为一个非抑制像素值。
第4步，将所有的非抑制像素值组成变换边缘非抑制图。
对变换边缘非抑制图的每个像素进行滞后阈值操作，得到图像的变换边缘定位图。
所述滞后阈值操作的具体步骤如下：
第1步：根据不同的SAR图像，分别设置对应的高、低阈值；
第2步：遍历边缘非抑制图中的每个像素，将每个像素的值分别与高、低阈值对比，将大于高阈值的像素作为确定特征像素，将小于高阈值且大于低阈值的每个像素作为待定特征像素，将所有的确定特征像素组成确定像素集。
第3步：将以每个确定特征像素为中心的8邻域内的8个像素组成一个补充集。
第4步：将补充集中的每个待定特征像素作为确定特征像素。
第5步：将所有的确定特征像素组成对数变换边缘定位图。
步骤6，获得SAR图像的边缘检测图。
将边缘定位图和变换边缘定位图中的所有确定特征像素组成SAR图像边缘检测图。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明的仿真实验的硬件平台为：处理器为Intel i5 4200M CPU，主频为2.5GHz，内存8GB。
本发明的仿真实验的软件平台为：Windows 7操作系统和MATLAB R2018b。
本发明仿真实验所使用的输入图像为，在原始无噪的灰度图像上增加伽玛噪声合成的模拟SAR图像S1，S2，S3，图像大小分别为256×256、384×384、512×512个像素，图像视数为6，图像格式为bmp。
2.仿真内容及其结果分析：
本发明的仿真实验有两个。
仿真实验1，采用本发明和现有技术对输入的人工合成SAR图像进行边缘检测，从获取检测边缘的完整性上比较边缘检测方法的性能，结果如图2所示。
所述的现有技术是Yuming Xiang，Feng Wang，Ling Wan等人在其发表的论文“一种先进的基于伽柏滤波器的SAR图像多尺度边缘检测器”(IEEE Geoscience and RemoteSensing Letters,2017,14(9):1522-1526.)中提出的一种基于伽柏滤波器的SAR图像结构边缘检测方法。
图2(a)为仿真实验输入的待处理SAR图像S2。
图2(b)为现有技术方法对S2图像进行边缘检测的结果图。
图2(c)为利用本发明的方法对S2图像进行边缘检测的结果图。
由图2(b)可以看出，采用现有技术方法得到的结果图中的左上角，以椭圆圈出的部分中没有检测出待处理SAR图像S2的图像边缘，说明出现了图像边缘的漏检。
由图2(c)可以看出，采用本发明的方法得到的结果图中的左上角，椭圆圈出的部分中有一条黑色的待处理SAR图像S2的图像边缘线，说明本发明检测到了图像的边缘。
仿真实验2，采用本发明和现有技术对输入的人工合成SAR图像进行边缘检测，从获取边缘检测结果消耗的时间上比较边缘检测方法的性能，结果如表1所示，表1中的S1、S2、S3表示合成的三个模拟SAR图像。
所述的现有技术是Yuming Xiang，Feng Wang，Ling Wan等人在其发表的论文“一种先进的基于伽柏滤波器的SAR图像多尺度边缘检测器”(IEEE Geoscience and RemoteSensing Letters,2017,14(9):1522-1526.)中提出的一种基于伽柏滤波器的SAR图像结构边缘检测方法，简称MGO方法。
表1.仿真实验中本发明和现有技术检测SAR图像边缘的耗时表
测试图像 S1 S2 S3
MGO方法耗时(s) 4.62 9.95 17.34
本发明方法耗时(s) 0.83 1.39 2.22
从表1可以看出，本发明的方法在每个合成的模拟SAR图像上进行边缘检测，耗时均明显低于现有方法，证明本发明可以更加快速地得到SAR图像的边缘检测结果。
以上仿真实验表明：本发明方法利用伽柏函数卷积求SAR图像梯度的方法，能够有效提取高灰度值位置的图像边缘，解决了现有技术方法中在像素点灰度值高的位置会出现图像边缘的漏检的问题；使用对数变换并进行卷积处理，再进行指数操作的方法，能够有效降低计算的计算复杂度，减少消耗时间，解决了现有技术方法中边缘检测方法计算量大，需要消耗大量时间的缺点。

Claims (3)

1.一种基于对数变换与伽柏卷积的SAR图像边缘检测方法，其特征在于，生成伽柏函数卷积核模型，获得对数变换卷积图，获得对数变换边缘定位图；该方法的具体步骤包括如下：
(1)生成伽柏函数卷积核模型：
(1a)按照的排列顺序，依次设置第一至第四十八的伽柏函数卷积核的倾斜角，将第一至第十六的伽柏函数卷积核的边长均设置为9，将第十七至第三十二的伽柏函数卷积核的边长均设置为13，将第三十三至第四十八的伽柏函数卷积核的边长均设置为15；
(1b)按照下式，利用设置的伽柏函数卷积核的参数，计算每个伽柏函数在不同坐标位置的卷积核的数值，将每个伽柏函数卷积核中所有坐标位置的卷积核的数值，组成该伽柏函数卷积核，将所有的伽柏函数卷积核组成伽柏函数卷积核模型：
其中，wixy表示第i个伽柏函数卷积核中位于横坐标x，纵坐标y处的伽柏函数卷积核的数值，exp表示以自然常数e为底的指数操作，xi，yi分别表示第i个伽柏函数卷积核中卷积值的横坐标和纵坐标，Wi表示第i个伽柏函数卷积核的边长，sin表示正弦操作，π表示圆周率，cos表示余弦操作，θi表示第i个伽柏函数卷积核的倾斜角；
(2)获得卷积图：
(2a)输入一幅待处理的单通道SAR图像，该SAR图像为灰度图像；
(2b)用伽柏函数卷积核模型中的每个伽柏函数卷积核，对输入的SAR图像进行卷积操作，得到每个卷积核的卷积图，共48个卷积图；
(3)获得边缘定位图：
(3a)从48个卷积图中选取所有相同序号的像素中的最大值像素，将所有的最大值像素组成图像边缘强度图；
(3b)将所有最大值像素对应的卷积图的序号值作为梯度像素值，将所有的梯度像素组成图像边缘梯度图；
(3c)对图像边缘强度图进行非极大抑制操作，得到边缘非抑制图；
(3d)对边缘非抑制图的每个像素进行滞后阈值操作，得到图像的边缘定位图；
(4)获得对数变换卷积图：
(4a)对输入待处理的单通道SAR图像中的每个像素值取自然对数，将所有对数变换后的像素组成对数变换图；
(4b)用伽柏函数卷积核模型中的每一个伽柏函数卷积核，对对数变换图进行卷积操作，得到每个卷积核的对数变换卷积图，共48个对数变换卷积图；
(5)获得对数变换边缘定位图:
(5a)从48个对数变换卷积图中选取所有相同序号的像素中的最小值像素，按照下式，计算每个最小值像素的指数变换值，将所有的指数变换像素组成变换边缘强度图：
Mi＝1-expNi
其中，Mi表示第i个最小值像素的指数变换值，Ni表示第i个最小值像素的值；
(5b)将所有最小值像素对应的对数变换卷积图的序号值，作为变换梯度像素值，将所有变换梯度像素组成变换边缘梯度图；
(5c)对变换边缘强度图进行非极大抑制操作，得到变换边缘非抑制图；
(5d)对变换边缘非抑制图的每个像素进行滞后阈值操作，得到对数变换边缘定位图；
(6)获得SAR图像的边缘检测图：
将边缘定位图和对数变换边缘定位图中的所有确定特征像素组成SAR图像边缘检测图。
2.根据权利要求1所述的基于对数变换与伽柏卷积的SAR图像边缘检测方法，其特征在于，步骤(3c)、步骤(5c)中所述非极大抑制操作的具体步骤如下：
第一步，按照下式，计算图像边缘强度图中每个像素的梯度方向：
其中，Gm表示图像边缘强度图中第m像素的梯度方向值，Tm表示图像边缘梯度图中第m像素值，π表示圆周率；
第二步，根据图像边缘强度图中每个像素的梯度方向，将以该像素为中心的8邻域像素中，位于对应梯度方向上的2个像素作为该像素的对比像素；
第三步，遍历图像边缘强度图中的每个像素，对比每个像素与其2个对比像素的值的大小，将大于2个对比像素的像素值作为一个非抑制像素值；
第四步，将所有的非抑制像素值组成边缘非抑制图。
3.根据权利要求1所述的基于对数变换与伽柏卷积的SAR图像边缘检测方法，其特征在于，步骤(3d)、步骤(5d)中所述滞后阈值操作的具体步骤如下：
第一步：根据不同的SAR图像，分别设置对应的高、低阈值；
第二步：遍历边缘非抑制图中的每个像素，将每个像素的值分别与高、低阈值对比，将大于高阈值的像素作为确定特征像素，将小于高阈值且大于低阈值的每个像素作为待定特征像素，将所有的确定特征像素组成确定像素集；
第三步：将以每个确定特征像素为中心的8邻域内的8个像素组成一个补充集；
第四步：将补充集中的每个待定特征像素作为确定特征像素；
第五步：将所有的确定特征像素组成边缘定位图。
CN201910688034.7A 2019-07-29 2019-07-29 基于对数变换与伽柏卷积的sar图像边缘检测方法 Active CN110533679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910688034.7A CN110533679B (zh) 2019-07-29 2019-07-29 基于对数变换与伽柏卷积的sar图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910688034.7A CN110533679B (zh) 2019-07-29 2019-07-29 基于对数变换与伽柏卷积的sar图像边缘检测方法

Publications (2)

Publication Number Publication Date
CN110533679A true CN110533679A (zh) 2019-12-03
CN110533679B CN110533679B (zh) 2021-09-03

Family

ID=68661294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910688034.7A Active CN110533679B (zh) 2019-07-29 2019-07-29 基于对数变换与伽柏卷积的sar图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN110533679B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111189399A (zh) * 2019-12-05 2020-05-22 西安大目智能设备研究所有限公司 一种用于圆形工业零件尺寸的图像测量算法
CN111402279A (zh) * 2020-01-17 2020-07-10 中国人民解放军战略支援部队信息工程大学 基于组合滤波器的sar影像的边缘特征提取方法
CN113436218A (zh) * 2021-07-28 2021-09-24 西安电子科技大学 基于高斯滤波与均值滤波的sar图像边缘检测方法
CN116740115A (zh) * 2023-08-14 2023-09-12 国网电商科技有限公司 图像边缘检测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160180541A1 (en) * 2014-12-19 2016-06-23 Apical Limited Sensor noise profile
CN108537102A (zh) * 2018-01-25 2018-09-14 西安电子科技大学 基于稀疏特征与条件随机场的高分辨sar图像分类方法
WO2018182846A1 (en) * 2017-03-31 2018-10-04 Qualcomm Incorporated Systems and methods for improved image textures
CN109949329A (zh) * 2019-03-25 2019-06-28 平顶山学院 基于相位一致的相位拉伸变换pst图像边缘检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160180541A1 (en) * 2014-12-19 2016-06-23 Apical Limited Sensor noise profile
WO2018182846A1 (en) * 2017-03-31 2018-10-04 Qualcomm Incorporated Systems and methods for improved image textures
CN108537102A (zh) * 2018-01-25 2018-09-14 西安电子科技大学 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN109949329A (zh) * 2019-03-25 2019-06-28 平顶山学院 基于相位一致的相位拉伸变换pst图像边缘检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"YUMING XIANG": ""SAR-PC: Edge Detection in SAR Images via an Advanced Phase Congruency Model"", 《REMOTE SENSING》 *
窦利军: ""SAR影像的城市街区边缘直线特征提取算法研究"", 《测绘科学技术学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111189399A (zh) * 2019-12-05 2020-05-22 西安大目智能设备研究所有限公司 一种用于圆形工业零件尺寸的图像测量算法
CN111402279A (zh) * 2020-01-17 2020-07-10 中国人民解放军战略支援部队信息工程大学 基于组合滤波器的sar影像的边缘特征提取方法
CN113436218A (zh) * 2021-07-28 2021-09-24 西安电子科技大学 基于高斯滤波与均值滤波的sar图像边缘检测方法
CN113436218B (zh) * 2021-07-28 2023-02-10 西安电子科技大学 基于高斯滤波与均值滤波的sar图像边缘检测方法
CN116740115A (zh) * 2023-08-14 2023-09-12 国网电商科技有限公司 图像边缘检测方法和装置
CN116740115B (zh) * 2023-08-14 2023-11-17 国网电商科技有限公司 图像边缘检测方法和装置

Also Published As

Publication number Publication date
CN110533679B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN110533679A (zh) 基于对数变换与伽柏卷积的sar图像边缘检测方法
Xia et al. Infrared small target detection based on multiscale local contrast measure using local energy factor
Modava et al. Coastline extraction from SAR images using spatial fuzzy clustering and the active contour method
Amer et al. Edge detection methods
CN104899888B (zh) 一种基于Legendre矩的图像亚像素边缘检测方法
CN103871039B (zh) 一种sar图像变化检测差异图生成方法
CN106682678A (zh) 一种基于支撑域的图像角点检测和分类方法
CN103971364A (zh) 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法
CN105678792A (zh) 一种人体轮廓提取方法及系统
Fu et al. Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform
CN109523559A (zh) 一种基于改进的能量泛函模型的噪声图像分割方法
CN115546232A (zh) 一种肝脏超声图像工作区域提取方法、系统及电子设备
CN105488798B (zh) 基于点集对比的sar图像相似性度量方法
Zhuang et al. Local fuzzy fractal dimension and its application in medical image processing
CN113436218B (zh) 基于高斯滤波与均值滤波的sar图像边缘检测方法
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
Jiao et al. A novel and fast corner detection method for sar imagery
CN107862701B (zh) 基于马尔科夫随机场和混合核函数的遥感图像分割方法
Zhang et al. Region-of-interest extraction based on spectrum saliency analysis and coherence-enhancing diffusion model in remote sensing images
CN108205814B (zh) 彩色图像的黑白轮廓生成方法
Huang et al. An automatic detection and recognition method for pointer-type meters in natural gas stations
CN115049552A (zh) 基于结构张量加权局部对比度测量的红外小目标检测方法
Wei et al. An algorithm for segmentation of lung ROI by mean-shift clustering combined with multi-scale HESSIAN matrix dot filtering
CN114387306A (zh) 目标物位移监测方法、装置、计算机设备及存储介质
CN113940704A (zh) 一种基于甲状腺的肌肉和筋膜检测装置

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