CN111951187A - 一种基于变换梯度域的sar图像增强方法 - Google Patents

一种基于变换梯度域的sar图像增强方法 Download PDF

Info

Publication number
CN111951187A
CN111951187A CN202010705410.1A CN202010705410A CN111951187A CN 111951187 A CN111951187 A CN 111951187A CN 202010705410 A CN202010705410 A CN 202010705410A CN 111951187 A CN111951187 A CN 111951187A
Authority
CN
China
Prior art keywords
image
sar
points
edge
gradient
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
CN202010705410.1A
Other languages
English (en)
Other versions
CN111951187B (zh
Inventor
陈彦
陈云坪
顾周玻
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010705410.1A priority Critical patent/CN111951187B/zh
Publication of CN111951187A publication Critical patent/CN111951187A/zh
Application granted granted Critical
Publication of CN111951187B publication Critical patent/CN111951187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

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)

Abstract

本发明公开了一种基于变换梯度域的SAR图像增强方法，首先通过星载卫星获得不同时间、不同航迹位置的目标区域的多幅SAR图像，并进行配准、去噪，得到可以进行SAR增强的图像，然后，根据图像像素点灰度值的分布规律，进行扩散点和边缘点进行估计，得到扩散点和边缘点，最后从变换梯度域中提取增强后的图像E(u)，根据图像E(u)选取停止函数并作用与光滑区域(扩散点构成)和边缘区域(边缘点构成)，得到增强后SAR图像。测试表明，本发明基于变换梯度域的SAR图像增强方法中各项指标，包括平均值MEV、方差SIG、等效视数ENL、信息熵INE均有所提升。

Description

一种基于变换梯度域的SAR图像增强方法
技术领域
本发明属于合成孔径雷达成像技术领域，更为具体地讲，涉及一种基于变换梯度域的SAR图像增强方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式微波传感器，通过发射和接收特定的电磁波获取目标的散射信息。SAR能够不受云雾、雨雪和黑夜等条件的限制，能够对目标进行全天候和全天时的监测，并且在大范围的自然灾害条件下具有明显的优越性。随着微波遥感技术的不断发展，SAR遥感的应用不断深入和广泛，不仅可用于道路、桥梁、建筑物和车辆等目标的识别与分类，还可以用于森林植被和冰雪监测、地形测量、城市整体监测和灾害预警等，在民用和国防建设等领域有着巨大的应用潜力。
SAR图像具有与光学系统互补的信息，雷达波的穿透，不受天气影响，昼夜成像能力以及与距离无关的几何分辨率等优势，被广泛用于海水和陆地覆盖监测等众多应用中。但是SAR图像的分辨率受以下两个方面的制约：一是从SAR系统本身来看，其分辨率在理论上具有局限性，没有办法达到预期效果；二是从获取图像的过程里随机遇到的误差而言：譬如平台抖动、系统噪声、大气干扰及成像条件很差等问题都是造成图像降质的原因。由于生产可靠、高精度的成像系统、改进和更新硬件设备代价太高而且周期长，而利用数据处理技术提高图像的分辨率，即进行SAR图像增强，不仅研究周期短而且可以极大地降低成本。
SAR图像增强则是一门重要的前沿学科，主要目的是增强的SAR图像的分辨率，为SAR图像的后续处理提供了更加有利的图像数据，然而，现有的SAR图像增强的各项指标都有待提高。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于变换梯度域的SAR图像增强方法，以提高SAR图像增强的各项指标。
为实现上述发明目的，本发明基于变换梯度域的SAR图像增强方法，其特征在于，包括以下步骤：
(1)、待处理原始SAR图像的获取
通过星载卫星在不同时间、不同航迹位置对同一特定(需要观测的)目标区域进行多时相的SAR图像获取，得到同一目标区域的多幅SAR图像；
(2)、图像预处理
将同一目标区域的多幅SAR图像进行配准：选取一幅SAR图像作为主图像，其他幅SAR图像与主图像进行配准，对配准后的SAR图像的同一散射单元构成的观测信号进行去噪处理，得到可以进行SAR增强的图像；
(3)、扩散点和边缘点估计
对于步骤(2)得到的可以进行SAR增强的图像，选取的感兴趣部分的图像，根据图像像素点灰度值的分布规律，进行扩散点和边缘点进行估计，得到扩散点和边缘点；
(4)、图像扩散增强
4.1)、从变换梯度域中提取增强后的图像E(u)：
Figure BDA0002594552690000021
其中，
Figure BDA0002594552690000025
为感兴趣部分图像u的梯度函数，
Figure BDA0002594552690000024
为梯度模数的最大位表，
Figure BDA0002594552690000026
为梯度模数的最小位表，|| ||表示范数，|| ||2表示二范数，dx表示图像x轴微分，dy表示图像y轴微分；
4.2)、根据提取增强后的图像E(u)选取边缘停止函数:
Figure BDA0002594552690000022
其中，
Figure BDA0002594552690000023
(α是个常数)，Gσ*u为标准差为σ的高斯核函数与感兴趣部分图像u的卷积运算，▽为梯度算子，利用图像梯度阈值T来分别作用图像的光滑区域(扩散点构成)和边缘区域(边缘点构成)，得到增强后SAR图像。
本发明的发明目的是这样实现的：
本发明基于变换梯度域的SAR图像增强方法，首先通过星载卫星获得不同时间、不同航迹位置的目标区域的多幅SAR图像，并进行配准、去噪，得到可以进行SAR增强的图像，然后，根据图像像素点灰度值的分布规律，进行扩散点和边缘点进行估计，得到扩散点和边缘点，最后从变换梯度域中提取增强后的图像E(u)，根据图像E(u)选取停止函数并作用与光滑区域(扩散点构成)和边缘区域(边缘点构成)，得到增强后SAR图像。测试表明，本发明基于变换梯度域的SAR图像增强方法中各项指标，包括平均值MEV、方差SIG、等效视数ENL、信息熵INE均有所提升。
附图说明
图1是本发明基于变换梯度域的SAR图像增强方法一种具体实施方式的流程图；
图2是经过图像预处理的目标区域SAR图像(框体内为铁塔)；
图3是输出的增强后的图像。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明基于变换梯度域的SAR图像增强方法一种具体实施方式的流程图。
在本实施例中，如图2所示，本发明基于变换梯度域的SAR图像增强方法包括以下步骤：
步骤S1：待处理原始SAR图像的获取
通过星载卫星在不同时间、不同航迹位置对同一特定(需要观测的)目标区域进行多时相的SAR图像获取，得到同一目标区域的多幅SAR图像。在本实施例中，采用的是SAR图像为星载雷达COSMO获取四川云南交界地区SAR影像。
步骤S2：图像预处理
将同一目标区域的多幅SAR图像进行配准：选取一幅SAR图像作为主图像，其他幅SAR图像与主图像进行配准，对配准后的SAR图像的同一散射单元构成的观测信号进行去噪处理，得到可以进行SAR增强的图像。
步骤S3：扩散点和边缘点估计
对于步骤(2)得到的可以进行SAR增强的图像，选取的感兴趣部分的图像，根据图像像素点灰度值的分布规律，进行扩散点和边缘点进行估计，得到扩散点和边缘点。
扩散点和边缘点估计的目的是为确定边缘方向的扩散系数和垂直边缘方向的扩散系数提供了可靠的前提，同时保证SAR图像中不会残生很多虚假条纹，
步骤S4：图像扩散增强
步骤S4.1：从变换梯度域中提取增强后的图像E(u)：
Figure BDA0002594552690000041
其中，
Figure BDA0002594552690000044
为感兴趣部分图像的梯度函数，
Figure BDA0002594552690000046
为梯度模数的最大位表，
Figure BDA0002594552690000045
为梯度模数的最小位表，|| ||表示范数，|| ||2表示二范数，dx表示图像x轴微分，dy表示图像y轴微分。
梯度场的方向与原梯度场的变化平方一致，使原梯度场均匀地从
Figure BDA0002594552690000047
映射到
Figure BDA0002594552690000048
扩大梯度空间。
步骤S4.2：根据提取增强后的图像E(u)选取边缘停止函数
Figure BDA0002594552690000049
Figure BDA0002594552690000042
其中，
Figure BDA0002594552690000043
(α是个常数)，Gσ*u为标准差为σ的高斯核函数与感兴趣部分图像u的卷积运算，▽为梯度算子，利用图像梯度阈值T来分别作用图像的光滑区域(扩散点构成)和边缘区域(边缘点构成)，得到增强后SAR图像。
在本实施例中提供的是2016年的10景距离向分辨率0.93米、方位向分辨率2.2米的SAR图像，以2016年7月的SAR图像为主图像，其他图像与主图像进行配准，选取一个高压输电铁塔的区域进行去噪处理。根据步骤3、步骤4进行SAR图像增强。目标铁塔轮廓和周围环境主观可见度更高，同时如表1所示，增强后的SAR图像各项指标均有所提升(其中，MEV为平均值，SIG为方差，ENL为等效视数，INE为信息熵)。
MEV SIG ENI INE
增强前SAR图像 103.58 52.48 2.13 7.36
增强后SAR图像 120.30 63.14 3.63 7.84
表1
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于变换梯度域的SAR图像增强方法，其特征在于，包括以下步骤：
(1)、待处理原始SAR图像的获取
通过星载卫星在不同时间、不同航迹位置对同一特定(需要观测的)目标区域进行多时相的SAR图像获取，得到同一目标区域的多幅SAR图像；
(2)、图像预处理
将同一目标区域的多幅SAR图像进行配准：选取一幅SAR图像作为主图像，其他幅SAR图像与主图像进行配准，对配准后的SAR图像的同一散射单元构成的观测信号进行去噪处理，得到可以进行SAR增强的图像；
(3)、扩散点和边缘点估计
对于步骤(2)得到的可以进行SAR增强的图像，选取的感兴趣部分的图像，根据图像像素点灰度值的分布规律，进行扩散点和边缘点进行估计，得到扩散点和边缘点；
(4)、图像扩散增强
4.1)、从变换梯度域中提取增强后的图像E(u)：
Figure FDA0002594552680000011
其中，
Figure FDA0002594552680000015
为感兴趣部分图像u的梯度函数，
Figure FDA0002594552680000017
为梯度模数的最大位表，
Figure FDA0002594552680000016
为梯度模数的最小位表，|| ||表示范数，|| ||2表示二范数，dx表示图像x轴微分，dy表示图像y轴微分；
4.2)、根据提取增强后的图像E(u)选取边缘停止函数:
Figure FDA0002594552680000012
其中，T＝α×d,d＝max{E(u)},
Figure FDA0002594552680000013
(α是个常数)，Gσ*u为标准差为σ的高斯核函数与感兴趣部分图像u的卷积运算，
Figure FDA0002594552680000014
为梯度算子，利用图像梯度阈值T来分别作用图像的光滑区域(扩散点构成)和边缘区域(边缘点构成)，得到增强后SAR图像。
CN202010705410.1A 2020-07-21 2020-07-21 一种基于变换梯度域的sar图像增强方法 Active CN111951187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010705410.1A CN111951187B (zh) 2020-07-21 2020-07-21 一种基于变换梯度域的sar图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010705410.1A CN111951187B (zh) 2020-07-21 2020-07-21 一种基于变换梯度域的sar图像增强方法

Publications (2)

Publication Number Publication Date
CN111951187A true CN111951187A (zh) 2020-11-17
CN111951187B CN111951187B (zh) 2023-04-18

Family

ID=73340133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010705410.1A Active CN111951187B (zh) 2020-07-21 2020-07-21 一种基于变换梯度域的sar图像增强方法

Country Status (1)

Country Link
CN (1) CN111951187B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170097399A1 (en) * 2015-10-06 2017-04-06 Toshiba Medical Systems Corporation Mri apparatus, image processing apparatus, and image processing method
CN108872988A (zh) * 2018-07-12 2018-11-23 南京航空航天大学 一种基于卷积神经网络的逆合成孔径雷达成像方法
CN109190684A (zh) * 2018-08-15 2019-01-11 西安电子科技大学 基于素描及结构生成对抗网络的sar图像样本生成方法
CN110161501A (zh) * 2019-05-24 2019-08-23 电子科技大学 一种多时序sar图像的目标区域地表起伏信息提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170097399A1 (en) * 2015-10-06 2017-04-06 Toshiba Medical Systems Corporation Mri apparatus, image processing apparatus, and image processing method
CN108872988A (zh) * 2018-07-12 2018-11-23 南京航空航天大学 一种基于卷积神经网络的逆合成孔径雷达成像方法
CN109190684A (zh) * 2018-08-15 2019-01-11 西安电子科技大学 基于素描及结构生成对抗网络的sar图像样本生成方法
CN110161501A (zh) * 2019-05-24 2019-08-23 电子科技大学 一种多时序sar图像的目标区域地表起伏信息提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GU ZHOUBO等: "sar image enhancement based on P-M Nolinear diffusion and coherent enhancement diffusion" *
鲁圆圆;冯浩;李靖;: "结合分布度量统计建模的主动轮廓图像分割" *

Also Published As

Publication number Publication date
CN111951187B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Meyer et al. Correction and characterization of radio frequency interference signatures in L-band synthetic aperture radar data
CN109583293B (zh) 星载sar图像中的飞机目标检测与鉴别方法
US9734398B2 (en) Method and apparatus for identifying object
US10613214B2 (en) Terrestrial imaging using multi-polarization Synthetic Aperture Radar
Sobiech et al. Observing lake-and river-ice decay with SAR: advantages and limitations of the unsupervised k-means classification approach
CN110703244B (zh) 基于遥感数据识别城区内水体的方法和装置
Wang et al. Research on crack monitoring at the trailing edge of landslides based on image processing
CN113920438A (zh) 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法
Liao et al. Urban change detection based on coherence and intensity characteristics of SAR imagery
Wakabayashi et al. Flooded area extraction of rice paddy field in Indonesia using Sentinel-1 SAR data
CN105160648A (zh) 基于小波和恒虚警率的雷达目标及阴影分割方法
CN109085588B (zh) 基于Terra SAR-X高分辨率聚束模式数据电网铁塔倾斜的监测方法
CN111951187B (zh) 一种基于变换梯度域的sar图像增强方法
CN112966656A (zh) 数据处理方法及装置
Dekker SAR change detection techniques and applications
CN111144246B (zh) 利用多时相sar影像和光学辅助信息的道路提取方法
Kondapalli et al. Real-time rain severity detection for autonomous driving applications
CN114373135A (zh) 基于局部显著性特征度量的舰船目标检测方法
CN116051426B (zh) 一种合成孔径雷达图像处理方法
Kondo et al. Non-deterministic seismic damage detection of road infrastructure analysing image training database
CN113759330B (zh) 一种sar交叉定标参考目标选择方法
Ji et al. An algorithm based on PCGP image fusion for multi-source remote sensing images
TW201430366A (zh) 應用微波雷達於海岸線及潮間帶地形測量之技術
CN114236544B (zh) 一种基于几何匹配的升降轨星载sar三维成像方法及装置
Tompkini et al. Snow Avalanche Backscatter Characteristics and Their Benefit for Avalanche Mapping with Local Resolution Weighting

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