CN113050090B - 一种双极化hh、hv雷达图像特征融合增强方法 - Google Patents

一种双极化hh、hv雷达图像特征融合增强方法 Download PDF

Info

Publication number
CN113050090B
CN113050090B CN202110329382.2A CN202110329382A CN113050090B CN 113050090 B CN113050090 B CN 113050090B CN 202110329382 A CN202110329382 A CN 202110329382A CN 113050090 B CN113050090 B CN 113050090B
Authority
CN
China
Prior art keywords
img
polarized
image
polarized image
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
Application number
CN202110329382.2A
Other languages
English (en)
Other versions
CN113050090A (zh
Inventor
陈乾福
唐新明
李涛
高小明
周晓青
张祥
张文君
高延东
李世金
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.)
Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
Original Assignee
Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
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 Ministry Of Natural Resources Land Satellite Remote Sensing Application Center filed Critical Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
Priority to CN202110329382.2A priority Critical patent/CN113050090B/zh
Publication of CN113050090A publication Critical patent/CN113050090A/zh
Application granted granted Critical
Publication of CN113050090B publication Critical patent/CN113050090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/20024—Filtering details
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种双极化HH、HV雷达图像特征融合增强方法，通过对HH、HV极化图像的分析，确定特征像素和背景像素的分割阈值，通过特征融合，既保留了HH图像地形地貌纹理丰富的优点，又融合了HV图像的构筑物信息，较好吸收了HH极化和HV极化信息各自优势，增强了图像特征信息，融合后的图像有效地增强了地形地貌、构筑物等信息，使得雷达图像清晰可辨，为开展后续应用提供高质量图像。

Description

一种双极化HH、HV雷达图像特征融合增强方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种双极化HH、HV雷达图像特征融合增强方法。
背景技术
合成孔径雷达技术(SAR)诞生于1951年，它通过收集和记录目标、背景在微波波段内的电磁波辐射、散射能量，利用信号处理技术加工整理，压缩成一幅SAR图像，提取识别目标物体或现象的有用信息，广泛应用于测绘地形地物、检测海洋、探测地球资源和侦察监视军事目标等。SAR影像的广泛应用，成为自然资源不可或缺的基础遥感影像产品，服务自然资源山、水、林、田、湖、草的监测监管。
雷达极化特性包括线极化、圆极化、椭圆极化等，发射和接收方式有水平H极化和垂直V极化，如常见的发、收组合有HH、HV、VH、VV图像，不同的极化方式获取的地物目标差异较大，从而能发现目标的不同特点，进而为应用提供多种可能。雷达目标在散射电磁波的同时会改变电磁波的极化状态，这种变极化效应蕴含了目标姿态、尺寸、结构、形状、材料属性等物理特征信息，雷达目标极化特性与识别是现代雷达科学与技术领域的共性、前沿基础技术，主要研究目标与环境的极化散射特性及其变化规律，以及在雷达目标识别中的应用方法。雷达极化特性对点、线、面的表现形式不同，从而利用目标提取与识别方法能有效获取感兴趣区域的特征数据或通过融合处理增强图像对比度。
在点状地物方面，通过对Ka波段雷达角反射器的定位、振幅利差提取、傅里叶变换，从而高精度提取雷达像素位置，为精确图像定位提供良好基础。在线状地物方面，线状物体对雷达垂直极化和水平极化信号响应强弱具有明显差异性，利用回波信号的极化特性建立起多维特征空间，并在该空间内完成电力线目标的感知、分类。在面状地物方面，利用高分三号的SAR影像进行预处理，包括辐射定标、复数据转换、多视处理、滤波处理以及转DB影像，对某地区的影像进行水体提取操作，使用的方法为阈值法，有效地提取了水体区域。
在雷达目标特征融合方面，现有技术有基于随机加权的方法、卷积神经网络、多准则融合、深层次多尺度特征融合等方法。如针对合成孔径雷达图像目标在背景复杂、场景较大、干扰杂波较多情况下检测困难的问题，设计一种层数较少的卷积神经网络，在完备数据集验证其特征提取效果后，作为基础特征提取网络使用，在SAR图像目标检测方面具有较好的效果。如基于多重集典型相关分析(MCCA)的深度特征融合及合成孔径雷达(SAR)目标识别方法，该方法设计了针对SAR目标识别的卷积神经网络(CNN)，采用矢量化串接、下采样的方式为每一个卷积层的输出构造特征矢量，采用多重集典型相关分析融合各个层次的特征矢量，构造统一的特征矢量，采用稀疏表示分类(SRC)对融合得到的特征矢量进行决策，判定目标类别。现有的方法认为雷达图像目标清晰，且基于单个极化模式图像进行处理，存在HH图形构筑物信息较弱、HV图像地形地貌不明显的缺点，并且随着海量雷达遥感卫星数据的出现，在数据源、成像模式、极化方式、多波段等方面均发生了巨大变化，这给应用带来了新的挑战，传统的处理方式已不满足于现有应用需求。
发明内容
针对上述问题，本发明提供了一种双极化HH、HV雷达图像特征融合增强方法，可充分地消除由于现有技术的限制和缺陷导致的一个或多个问题。
本发明提供了一种双极化HH、HV雷达图像特征融合增强方法，其特征在于，所述方法包括以下步骤：
步骤S1，获得同一地区的双极化图像，所述双极化图像为HH极化图像IMGHH和HV极化图像IMGHV；
步骤S2，对所述HH极化图像IMGHH和HV极化图像IMGHV进行预处理，以使所述HH极化图像IMGHH和HV极化图像IMGHV大小一致且所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置一致；
步骤S3，确定经过预处理后的HV极化图像IMGHV的特征区域，并提取所述特征区域的所有样本像素的像素值，其中，所述特征区域包括多个样本要素，每个所述样本要素包括多个样本像素；
步骤S4，计算所述HV极化图像IMGHV的所述特征区域的所有样本像素的像素值的均值；
步骤S5，基于所述均值，提取所述HV极化图像IMGHV的特征像素，其中，通过对所述HV极化图像IMGHV进行二值化处理，获得仅包括所述特征像素的所述HV极化图像IMGHV的二值图像；
步骤S6，对所述二值图像进行nW×nW窗口的均值滤波，获得滤波后的HV极化图像IMGHV的二值图像；
步骤S7，基于所述滤波后的HV极化图像IMGHV的二值图像，将所述HV极化图像IMGHV与所述HH极化图像IMGHH进行特征融合，以获得特征融合后的图像；
步骤S8，输出特征融合后的图像。
优选的，所述步骤S2具体包括：
判断所述HH极化图像IMGHH和HV极化图像IMGHV大小是否一致并判断所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置是否一致，如果一致，则保留所述HH极化图像IMGHH和HV极化图像IMGHV；如果不一致，则以所述HH极化图像IMGHH为参考图像，对所述V极化图像IMGHV进行重采样，以通过重采样处理使得所述HH极化图像IMGHH和HV极化图像IMGHV大小一致且所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置一致。
优选的，在所述步骤S3中，确定经过预处理后的HV极化图像IMGHV的特征区域具体包括：
对经过预处理后的HV极化图像IMGHV进行特征分析，识别所述HV极化图像IMGHV中的特定的样本要素，并确定所述HV极化图像IMGHV中包括所述样本要素的区域为所述HV极化图像IMGHV的特征区域。
优选的，在所述步骤S3中，所述提取所述特征区域的所有样本像素的像素值，具体包括：
对包括所述样本要素的所述特征区域画十字丝，在画十字丝的同时记录十字丝上每个样本像素的位置，并基于所述每个样本像素的位置提取所有样本像素的像素值。
优选的，在所述步骤S4中，根据以下公式(1)计算所述HV极化图像IMGHV的所述特征区域的所有样本像素的像素值的均值Pix_ave：
其中，Pix_value(i)为特征区域的第i个样本像素的像素值，n为样本像素的个数。
优选的，在所述步骤S5中，所述基于所述均值，提取所述HV极化图像IMGHV的特征像素包括：
将所述HV极化图像IMGHV的所有像素的像素值逐一与所述均值进行比较，如果所述HV极化图像IMGHV的像素值大于等于所述均值，则将该像素确定为特征像素，否则，将该像素确定为背景像素。
优选的，在步骤S5中，根据公式(2)，获得所述HV极化图像IMGHV的二值图像：
其中，IMGHV_2value(i)为所述HV极化图像IMGHV的二值图像的第i个像素的像素值，Pix_ave为所述HV极化图像IMGHV的特征区域的所有样本像素的像素值的均值，IMGHV(i)为所述HV极化图像IMGHV的第i个像素的像素值。
优选的，在所述步骤S6中，根据公式(3)对所述二值图像进行滤波：
其中，IMGHV_2value_filter(i)为滤波后的二值图像的第i个像素的像素值，为二值图像的nW×nW滤波窗口的区域的像素值，MID为计算中值函数，nW为滤波窗口。
优选的，所述步骤S7包括：
根据公式(4)，基于所述滤波后的HV极化图像的二值图像，将HV极化图像与HH极化图像进行特征融合：
其中，IMGHHHV_mosaic(i)为融合后的第i个像素值，IMGHV(i)为HV极化图像IMGHV的第i个像素的像素值，IMGHH(i)为HH极化图像IMGHH的第i个像素的像素值，IMGHV_2value_filter(i)为滤波后的HV极化图像的二值图像的第i个像素值。
本发明还提供了一种计算机程序，当所述计算机程序被处理器执行时，实现上述方法。
本发明在实际应用处理中，充分结合雷达图像多极化的特点，挖掘不同成像极化之间的融合关系，改进传统处理方式的弱点，提高了雷达图像特征融合的效果。
本发明由于采用了上述的技术方案，使之与现有技术相比，具有以下的优点和积极效果:通过对HH、HV极化图像(例如，高分三号雷达HH、HV极化图像)的分析，确定特征像素和背景像素的分割阈值，通过特征融合，既保留了HH图像地形地貌纹理丰富的优点，又融合了HV图像的构筑物信息，较好吸收了HH极化和HV极化信息各自优势，增强了图像特征信息，解决了HH图形构筑物信息较弱、HV图像地形地貌不明显的缺点。融合后的图像有效地增强了地形地貌、构筑物等信息，使得雷达图像清晰可辨，为开展后续应用提供高质量图像。
附图说明
图1为根据本发明实施例的双极化HH、HV雷达图像特征融合增强方法的流程图；
图2为根据本发明实施例的HH极化图像的示意图；
图3为根据本发明实施例的HV极化图像的示意图；
图4为根据本发明实施例的特征区域分布示意图；
图5-7分别为根据本发明实施例的道路、房屋、高压塔的特征区域局部放大图；
图8为根据本发明实施例的特征区域样本像素在水平、竖直方向示意图；
图9为根据本发明实施例的基于样本像素的均值获得的二值图像的示意图；
图10为根据本发明实施例的中值滤波后的二值图像的示意图；
图11为根据本发明实施例的二值图像某窗口的滤波前后对比的示意图；
图12为根据本发明实施例的HH、HV图像经特征融合后的结果示意图；
图13为根据本发明实施例的HH、HV图像经特征融合后的结果--道路的局部放大图；
图14为根据本发明实施例的HH、HV图像经特征融合后的结果—房屋的局部放大图；
图15为根据本发明实施例的HH、HV图像经特征融合后的结果—高压塔的局部放大图。
具体实施方式
下面对本发明进行更全面的描述，其中说明本发明的示例性实施例。
如图1所示，本发明实施例提出的一种双极化HH、HV雷达图像特征融合增强方法包括以下步骤：
步骤S1，获得同一地区的双极化图像，所述双极化图像为HH极化图像IMGHH和HV极化图像IMGHV。
本发明所述的同一地区是本发明研究的对象地区，也可称研究地区，例如，山东省某城市。双极化图像(即，前文所述HH极化图像IMGHH和HV极化图像IMGHV)是卫星传到地面站的数据，在实际应用中，可以向国家卫星海洋应用中心申请，通过网络下载的方式获取某个地区的双极化图像数据，以作为本发明方案研究的数据。所述HH极化图像IMGHH和HV极化图像IMGHV是获取的同一地区的两种极化方式的图像，是两幅独立图像，以独立文件形式存储。
图2和图3分别示出了根据本发明实施例的某地区的HH、HV极化图像的示意图。如图2和图3所示，HH极化图像IMGHH的地形地貌特征明显，HV极化图像IMGHV的构筑物等基础设施特征明显。
步骤S2，对所述HH极化图像IMGHH和HV极化图像IMGHV进行预处理，以使所述HH极化图像IMGHH和HV极化图像IMGHV大小一致且所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置一致。
步骤S2通过对HH极化图像IMGHH和HV极化图像IMGHV进行预处理，以使得两幅图像的大小一致并且两幅图像的相同位置的像素所对应的地面位置一致，获得覆盖同一区域的两幅图像，是为了后续融合处理步骤上的方便，确定两幅图像的大小和相同位置的像素所对应的地面位置均一致后，在后续的融合处理步骤就可以直接对HH极化图像IMGHH和HV极化图像IMGHV上的同一像素位置直接进行加减乘除的运算操作，而不用考虑位置不一致带来的复杂步骤处理。这样可以极大的降低融合图像处理的复杂度，这是本发明与现有技术的主要区别之一。
例如，HH极化图像上的像素位置(1,1)，HV极化图像上的相同像素位置(1,1)，如果他们对应地面同一个位置，那么在后续的融合处理步骤里，只考虑各自图像的特征信息，然后对特征信息进行加减乘除的融合处理，而不用考虑位置差异带来处理层面的难度。
根据本发明的实施例，步骤S2具体包括：判断所述HH极化图像IMGHH和HV极化图像IMGHV大小是否一致并判断所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置是否一致，如果一致，则保留所述HH极化图像IMGHH和HV极化图像IMGHV，即，在步骤S2不对这两幅图像做任何处理；如果不一致，则以所述HH极化图像IMGHH为参考图像，对所述HV极化图像IMGHV进行重采样，即，将所述HV极化图像IMGHV的像素重采样到与所述HH极化图像IMGHH大小一致、对应的地面位置一致的像素上，以通过重采样处理使得所述HH极化图像IMGHH和HV极化图像IMGHV大小一致且所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置一致。
步骤S3，确定经过预处理后的HV极化图像IMGHV的特征区域，并提取所述特征区域的所有样本像素的像素值，其中，所述特征区域包括多个样本要素，每个所述样本要素包括多个样本像素。
根据本发明的优选实施例，确定经过预处理后的HV极化图像IMGHV的特征区域具体包括：
对经过预处理后的HV极化图像IMGHV进行特征分析，识别所述HV极化图像IMGHV中的特定的样本要素(例如，房屋、道路、高压塔等)，并确定所述HV极化图像IMGHV中包括所述样本要素的区域为所述HV极化图像IMGHV的特征区域。
下面，对上述特征区域的确定进行详细说明。由于HH极化图像IMGHH的地形地貌特征明显，HV极化图像IMGHV的构筑物等基础设施特征明显，因此，选择HV极化图像IMGHV中与图像背景区分较大的样本要素，易于提取。根据本发明的优选实施例，所述样本要素为基础设施，优选的，所述基础设施为道路、房屋或者高压塔。即，确定HV极化图像IMGHV中包括样本要素道路、房屋、高压塔等基础设施的区域为特征区域，这些样本要素在图像中呈现高亮特点，如图4中标记的F1,F2,F3,F4,F5,F6所示。可以理解，每个样本要素包括多个样本像素。
根据本发明的优选实施例，提取所述特征区域的所有样本像素的像素值，具体包括：对包括所述样本要素的所述特征区域画十字丝，在画十字丝的同时记录十字丝上每个样本像素的位置，并基于所述每个样本像素的位置提取所有样本像素的像素值。
例如，对包括样本要素F1,F2,F3,F4,F5,F6的特征区域画十字丝，所述样本要素如图5～7显示的道路、房屋、高压塔。
这里的十字丝可以理解为，在某个特征区域的水平和竖直方向人为画(取)了两直线段样本像素信息，两条直线相交，所以看起来像十字丝。画十字丝一般使用水平或者竖直线段表示，以图6(左图)为例，画的线段穿过整个特征区域的样本像素直至边界为止，这样能最大限度的展示特征区域的样本像素值信息，从而便于提取样本像素的像素值，这也是本发明的主要改进点之一。
在画十字丝的时候，同时记录了每一个样本像素的位置，从而可以根据每个样本像素的位置，提取每个样本像素的像素值。将提取的所有样本像素的像素值的集合记为Pix_value。
本发明的特定实施例中，有3种样本要素(房屋、道路、高压塔)，对每种样本要素画2个十字丝，总共选取6个特征区域，通过样本要素能反映整幅图像的特征要素。
步骤S4，计算所述HV极化图像IMGHV的所述特征区域的所有样本像素的像素值的均值。
具体的，根据以下公式(1)计算所述HV极化图像IMGHV的所述特征区域的所有样本像素的像素值的均值Pix_ave：
其中，Pix_value(i)为特征区域的第i个样本像素的像素值，n为样本像素的个数。
需要说明的是，每个样本要素包括多个样本像素，n是所有样本像素的总个数，例如，F1有n1个像素，F2有n2个像素，以此类推，F6有n6个像素，那么n＝n1+...+n6。
步骤S5，基于所述均值，提取所述HV极化图像IMGHV的特征像素，其中，通过对所述HV极化图像IMGHV进行二值化处理，获得仅包括所述特征像素的所述HV极化图像IMGHV的二值图像。
本发明将所述HV极化图像IMGHV的特征区域的所有样本像素的均值Pix_ave作为所述HV极化图像IMGHV的图像背景与特征区域的分割阈值。
具体的，所述基于所述均值，提取所述HV极化图像IMGHV的特征像素包括：将所述HV极化图像IMGHV的所有像素的像素值逐一与所述均值进行比较，如果所述HV极化图像IMGHV的像素值大于等于所述均值，则将该像素确定为特征像素(即，亮特征像素)，否则，将该像素确定为背景像素。通过分割阈值，分离了所述HV极化图像IMGHV的背景像素与特征像素。
需要说明的是，步骤S3里提取的是样本要素的像素值，在具体的实施例中，这里的样本只有F1-F6，它的数量是有限(本发明选取了6个区域的样本)，而通过步骤S5的处理提取了所述HV极化图像IMGHV的所有特征像素，这是覆盖整幅图像的。将背景像素与特征像素分离，提取出特征像素，是本发明方案的核心，将HV极化图像IMGHV的所有特征要素融合到HH极化图像中，将两幅图像的各自优势信息进行融合。这是分离的最终目的，分离之后要对特征像素进行滤波(去噪)，得到满意的特征要素参与融合。
根据本发明的特定实施例，具体来说，通过对所述HV极化图像IMGHV进行二值化处理，获得仅包括所述特征像素的所述HV极化图像IMGHV的二值图像。
具体的，遍历所述HV极化图像IMGHV的所有像素值，将所述HV极化图像IMGHV的所有像素的像素值与所述均值Pix_ave进行比较，如果所述HV极化图像IMGHV的像素值大于等于所述均值Pix_ave，则将该像素作为特征像素且取值(标记为)255，否则将该像素作为背景像素且取值0。由于255对应白色，0对应黑色，形成一幅黑白图像，便于区分标记，所以本发明进行了上述取值设定，当然也可以根据实际应用，取其他数值，本发明不对此作具体限定。
具体的，根据公式(2)，获得所述HV极化图像IMGHV的二值图像：
其中，IMGHV_2value(i)为所述HV极化图像IMGHV的二值图像的第i个像素的像素值，Pix_ave为所述HV极化图像IMGHV的特征区域的所有样本像素的像素值的均值，IMGHV(i)为所述HV极化图像IMGHV的第i个像素的像素值。
通过步骤S5，获得所述HV极化图像IMGHV的二值图像IMGHV_2value，结果如图9所示。
步骤S6，对所述二值图像进行nW×nW窗口的均值滤波，获得滤波后的HV极化图像IMGHV的二值图像。
根据本发明的优选实施例，采用5×5窗口的均值滤波。
具体的，根据公式(3)对所述二值图像IMGHV_2value进行滤波：
其中，IMGHV_2value_filter(i)为滤波后的二值图像的第i个像素的像素值，为二值图像的nW×nW滤波窗口的区域的像素值，MID为计算中值函数，即对nW×nW窗口像素进行排序，取nW×nW/2位置数据为中值，nW为滤波窗口。
经过步骤S6的滤波处理后，去除了无效信息，获得了仅保留了特征区域信息的滤波后的HV极化图像IMGHV的二值图像IMGHV_2value_filter，结果如图10所示，由图10可以看出，滤波后图像较好的保留了特征区域信息，过滤掉了无效信息。
图11示出了某区域滤波前后的二值图像对比图。在图11中，图11(a)是滤波前的图像(HV极化图像IMGHV的二值图像的局部)，图11(b)是图11(a)中的局部(虚线正方形框所示)，可以看到图11(a)中有很多的噪声信息(残余的、非特征区域的像素值)，需要利用一定的滤波方法进行去除。图11(c)是图11(a)滤波后的效果，可以看到几乎所有的残余像素均被过滤掉了，而特征区域较好的保留下来，图11(d)是图11(c)中的局部(虚线正方形框所示)，与图11(b)示同一个位置，更能明显看出残余点被过滤掉了。
步骤S7，基于所述滤波后的HV极化图像IMGHV的二值图像，将所述HV极化图像IMGHV与所述HH极化图像IMGHH进行特征融合，以获得特征融合后的图像。
具体的，步骤S7包括：
遍历所述滤波后的二值图像IMGHV_2value_filter的所有像素值，将所述滤波后的二值图像的像素值与255进行比较，若所述滤波后的二值图像的第i个像素值等于255，则将与所述像素值的位置对应的HV极化图像的IMGHV(i)像素值作为融合后的像素值IMGHHHV_mosaic(i)，否则，若滤波后的二值图像的第i个像素值等于0，则将与所述像素值的位置对应HH极化图像的IMGHH(i)像素值作为融合后的像素值IMGHHHV_mosaic(i)。需要说明的是，因为HH极化图像、HV极化图像和所述滤波后的二值图像IMGHV_2value_filter三者的像素值是一一对应的，他们图像大小一致，所以根据滤波后的二值图像的像素位置，即可确定HH极化图像和HV极化图像的像素位置。
具体的，根据公式(4)，基于所述滤波后的HV极化图像IMGHV的二值图像，将所述HV极化图像IMGHV与所述HH极化图像IMGHH进行特征融合，以获得特征融合后的图像：
其中，IMGHHHV_mosaic(i)为融合后的第i个像素值，IMGHV(i)为HV极化图像IMGHV的第i个像素的像素值，IMGHH(i)为HH极化图像IMGHH的第i个像素的像素值，IMGHV_2value_filter(i)为滤波后的HV极化图像的二值图像的第i个像素值。
步骤S8，输出特征融合后的图像。
结果如图12所示，其特征区域融合后的放大图如图13-15所示，由图12-15可以看出，融合后的图像既保留了图像的地形地貌特征，又增强了构筑物信息，使得图像各部分信息完整呈现，充分体现了HH极化信息和HV极化信息。
可以理解，本发明既可以通过硬件实现也可以通过计算机程序来实现，为此本发明还提供了一种计算机程序，当所述计算机程序被处理器执行时，实现本发明的方法步骤。
本发明还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现本发明的方法步骤。
本发明还提供了一种计算设备，所述计算设备包括处理器和存储器，其中，存储器中存储有计算机程序，，当所述计算机程序被所述处理器执行时，实现本发明的方法步骤。
以上内容仅为本发明的较佳实施例，对于本领域的普通技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种双极化HH、HV雷达图像特征融合增强方法，其特征在于，所述方法包括以下步骤：
步骤S1，获得同一地区的双极化图像，所述双极化图像为HH极化图像IMGHH和HV极化图像IMGHV；
步骤S2，对所述HH极化图像IMGHH和HV极化图像IMGHV进行预处理，以使所述HH极化图像IMGHH和HV极化图像IMGHV大小一致且所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置一致；
步骤S3，确定经过预处理后的HV极化图像IMGHV的特征区域，并提取所述特征区域的所有样本像素的像素值，其中，所述特征区域包括多个样本要素，每个所述样本要素包括多个样本像素；
步骤S4，计算所述HV极化图像IMGHV的所述特征区域的所有样本像素的像素值的均值；
步骤S5，基于所述均值，提取所述HV极化图像IMGHV的特征像素，其中，通过对所述HV极化图像IMGHV进行二值化处理，获得仅包括所述特征像素的所述HV极化图像IMGHV的二值图像；
步骤S6，对所述二值图像进行nW×nW窗口的均值滤波，获得滤波后的HV极化图像IMGHV的二值图像；
步骤S7，基于所述滤波后的HV极化图像IMGHV的二值图像，将所述HV极化图像IMGHV与所述HH极化图像IMGHH进行特征融合，以获得特征融合后的图像；
步骤S8，输出特征融合后的图像；
其中，所述步骤S2具体包括：
判断所述HH极化图像IMGHH和HV极化图像IMGHV大小是否一致并判断所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置是否一致，如果一致，则保留所述HH极化图像IMGHH和HV极化图像IMGHV；如果不一致，则以所述HH极化图像IMGHH为参考图像，对所述HV极化图像IMGHV进行重采样，以通过重采样处理使得所述HH极化图像IMGHH和HV极化图像IMGHV大小一致且所述HH极化图像IMGHH和HV极化图像IMGHV的相同位置的像素所对应的地面位置一致；
在所述步骤S4中，根据以下公式(1)计算所述HV极化图像IMGHV的所述特征区域的所有样本像素的像素值的均值Pix_ave：
其中，Pix_value(i)为特征区域的第i个样本像素的像素值，n为样本像素的个数；
在所述步骤S5中，所述基于所述均值，提取所述HV极化图像IMGHV的特征像素包括：
将所述HV极化图像IMGHV的所有像素的像素值逐一与所述均值进行比较，如果所述HV极化图像IMGHV的像素值大于等于所述均值，则将该像素确定为特征像素，否则，将该像素确定为背景像素；其中，将均值Pix_ave作为所述HV极化图像IMGHV的图像背景与特征区域的分割阈值，通过分割阈值，分离了所述HV极化图像IMGHV的背景像素与特征像素；
所述步骤S7包括：根据公式(4)，基于所述滤波后的HV极化图像的二值图像，将HV极化图像与HH极化图像进行特征融合：
其中，IMGHHHV_mosaic(i)为融合后的第i个像素值，IMGHV(i)为HV极化图像IMGHV的第i个像素的像素值，IMGHH(i)为HH极化图像IMGHH的第i个像素的像素值，IMGHV_2value_filter(i)为滤波后的HV极化图像的二值图像的第i个像素值。
2.根据权利要求1所述的方法，其特征在于，在所述步骤S3中，确定经过预处理后的HV极化图像IMGHV的特征区域具体包括：
对经过预处理后的HV极化图像IMGHV进行特征分析，识别所述HV极化图像IMGHV中的特定的样本要素，并确定所述HV极化图像IMGHV中包括所述样本要素的区域为所述HV极化图像IMGHV的特征区域。
3.根据权利要求1所述的方法，其特征在于，在所述步骤S3中，所述提取所述特征区域的所有样本像素的像素值，具体包括：
对包括所述样本要素的所述特征区域画十字丝，在画十字丝的同时记录十字丝上每个样本像素的位置，并基于所述每个样本像素的位置提取所有样本像素的像素值。
4.根据权利要求1所述的方法，其特征在于，在步骤S5中，根据公式(2)，获得所述HV极化图像IMGHV的二值图像：
其中，IMGHV_2value(i)为所述HV极化图像IMGHV的二值图像的第i个像素的像素值，Pix_ave为所述HV极化图像IMGHV的特征区域的所有样本像素的像素值的均值，IMGHV(i)为所述HV极化图像IMGHV的第i个像素的像素值。
5.根据权利要求1所述的方法，其特征在于，在所述步骤S6中，根据公式(3)对所述二值图像进行滤波：
其中，IMGHV_2value_filter(i)为滤波后的二值图像的第i个像素的像素值，为二值图像的nW×nW滤波窗口的区域的像素值，MID为计算中值函数，nW为滤波窗口。
CN202110329382.2A 2021-03-28 2021-03-28 一种双极化hh、hv雷达图像特征融合增强方法 Active CN113050090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110329382.2A CN113050090B (zh) 2021-03-28 2021-03-28 一种双极化hh、hv雷达图像特征融合增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110329382.2A CN113050090B (zh) 2021-03-28 2021-03-28 一种双极化hh、hv雷达图像特征融合增强方法

Publications (2)

Publication Number Publication Date
CN113050090A CN113050090A (zh) 2021-06-29
CN113050090B true CN113050090B (zh) 2023-08-15

Family

ID=76515848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110329382.2A Active CN113050090B (zh) 2021-03-28 2021-03-28 一种双极化hh、hv雷达图像特征融合增强方法

Country Status (1)

Country Link
CN (1) CN113050090B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574856A (zh) * 2015-12-10 2016-05-11 国网四川省电力公司电力科学研究院 一种基于双极化sar图像的冰雪面积提取方法
CN106803100A (zh) * 2016-12-26 2017-06-06 国家海洋局第二海洋研究所 一种双极化星载sar图像海上船舶检测分类方法
CN106910177A (zh) * 2017-01-20 2017-06-30 中国人民解放军装备学院 一种局域图像指标最优化的多角度sar图像融合方法
CN108646246A (zh) * 2018-05-03 2018-10-12 中国人民解放军国防科技大学 一种基于ppmf的脉内分时极化isar融合成像方法
CN110232362A (zh) * 2019-06-18 2019-09-13 西安电子科技大学 基于卷积神经网络和多特征融合的舰船尺寸估计方法
CN112558066A (zh) * 2020-10-30 2021-03-26 西南电子技术研究所（中国电子科技集团公司第十研究所） 双极化sar图像系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574856A (zh) * 2015-12-10 2016-05-11 国网四川省电力公司电力科学研究院 一种基于双极化sar图像的冰雪面积提取方法
CN106803100A (zh) * 2016-12-26 2017-06-06 国家海洋局第二海洋研究所 一种双极化星载sar图像海上船舶检测分类方法
CN106910177A (zh) * 2017-01-20 2017-06-30 中国人民解放军装备学院 一种局域图像指标最优化的多角度sar图像融合方法
CN108646246A (zh) * 2018-05-03 2018-10-12 中国人民解放军国防科技大学 一种基于ppmf的脉内分时极化isar融合成像方法
CN110232362A (zh) * 2019-06-18 2019-09-13 西安电子科技大学 基于卷积神经网络和多特征融合的舰船尺寸估计方法
CN112558066A (zh) * 2020-10-30 2021-03-26 西南电子技术研究所（中国电子科技集团公司第十研究所） 双极化sar图像系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Mapping urban impervious surface with dual-polarimetric SAR data: An improved method;Hongsheng Zhang 等;《Landscape and Urban Planning》;20160404;第151卷;第55-63页 *

Also Published As

Publication number Publication date
CN113050090A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN114202696B (zh) 基于上下文视觉的sar目标检测方法、装置和存储介质
CN109840553B (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
CN115236655B (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
CN107256414A (zh) 基于空域特征图谱的极化sar图像卷积神经网络分类方法
CN110147778B (zh) 稀土矿开采识别方法、装置、设备及存储介质
CN110703244B (zh) 基于遥感数据识别城区内水体的方法和装置
CN114694011A (zh) 一种基于多传感器融合的透雾目标检测方法及装置
CN113570632B (zh) 基于高时相星载sar序贯图像的运动小目标检测方法
CN115983141B (zh) 一种基于深度学习反演海浪波高的方法、介质及系统
CN112766132A (zh) 一种基于哨兵1号数据的干盐滩提取方法
CN114549642B (zh) 一种低对比度红外弱小目标检测方法
CN112989940B (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
CN114373135A (zh) 基于局部显著性特征度量的舰船目标检测方法
CN118097450A (zh) 一种卫星遥感数据海洋涡旋实时检测方法、装置及介质
Zou et al. Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network.
CN113408547A (zh) 一种多时相多极化sar滑坡提取方法
CN106910178B (zh) 一种基于色调统计特性分类的多角度sar图像融合方法
CN108985292A (zh) 一种基于多尺度分割的sar图像cfar目标检测方法与系统
CN113050090B (zh) 一种双极化hh、hv雷达图像特征融合增强方法
CN115205705A (zh) 一种基于极化特性驱动的全极化sar图像舰船检测方法
CN112766032A (zh) 一种基于多尺度和超像素分割的sar图像显著图生成方法
Zhang et al. Target detection in sar images based on sub-aperture coherence and phase congruency
CN105487118A (zh) 一种处理叠前宽线地震数据的方法
Li et al. SAR Tomographic Inversion of Urban Areas via Morphology Regularization
CN117310705B (zh) 一种基于双极化sar影像的洪涝灾害快速检测方法

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