CN113296095B

CN113296095B - 一种用于脉冲探地雷达的目标双曲线边缘提取方法

Info

Publication number: CN113296095B
Application number: CN202110557324.5A
Authority: CN
Inventors: 王俊波; 张冀; 常传文; 朱伟; 赵玉丽; 张华�
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2021-05-21
Filing date: 2021-05-21
Publication date: 2023-12-22
Anticipated expiration: 2041-05-21
Also published as: CN113296095A

Abstract

本发明公开了一种用于脉冲探地雷达的目标双曲线边缘提取方法，包括五个主要步骤：探地雷达图像预处理；高斯滤波去噪；使用Sobel算子获得预处理后图像各像素点梯度幅值及方向；使用改进的非极大值抑制算法获得处理后的梯度图像；对处理后的梯度图像使用一种基于Otsu的自适应单阈值分割算法得到最优阈值，并分割图像，获得最后边缘双曲线的提取结果。本发明可有效解决基于传统Canny算法的探地雷达目标双曲线提取存在同一目标提取出多条双曲线边缘，导致后续目标检测定位计算量增加，并且无法自适应选择阈值的问题，提高了探地雷达目标双曲线边缘提取的自适应能力，并且与曲线拟合算法结合可提高后续目标检测定位效率。

Description

一种用于脉冲探地雷达的目标双曲线边缘提取方法

技术领域

本发明涉及探地雷达技术领域，特别是涉及一种用于脉冲探地雷达的目标双曲线边缘提取方法。

背景技术

脉冲探地雷达由于其成本以及硬件复杂度较低，因此广泛应用于探地雷达系统中。基于探地雷达的地下目标检测是探地雷达领域重要的任务之一。目前探地雷达目标检测的方法大多数是基于目标双曲线回波形态完成的，其中最简单常用的方法是基于边缘检测算法提取探地雷达目标回波双曲线边缘，并结合曲线拟合算法进行目标检测与定位。

目前的用于探地雷达图像双曲线边缘提取的算法大部分是基于图像处理领域中的各种经典边缘检测算法实现的，如Robert算法、Prewitt算法、Sobel算法、Canny算法。有文献研究结果表明基于Canny算法的探地雷达目标双曲线边缘提取方法较其余边缘检测算法而言具有更好的边缘提取性能。但传统Canny算法常常导致一个目标检测出多条边缘，大大增加了后续曲线拟合的计算量，影响目标的精确定位。并且传统的Canny算法不具备自适应选择划分图像阈值的能力，人工选取阈值不够自动化且很难选取到最优阈值。因此本发明结合脉冲探地雷达回波变化特征并给出一种自适应单阈值分割算法，弥补传统Canny算法的缺陷，实现对探地雷达回波图像中每个目标自适应地检测出单条双曲线边缘。实验表明该算法与曲线拟合算法结合可实现更快速的目标检测与定位。

发明内容

有鉴于此，本发明的目的在于提供一种用于脉冲探地雷达的目标双曲线边缘提取方法，用以解决现有技术中基于传统Canny算法的探地雷达目标回波双曲线边缘检测会对同一目标提取多条边缘，导致后续曲线拟合算法计算量过高，以及无法自适应选取分割阈值两方面的缺陷。

为了实现上述目的，本发明采用如下技术方案：

一种用于脉冲探地雷达的目标双曲线边缘提取方法，包括如下步骤：

步骤S1、获取探地雷达的原始图像，并对该图像进行预处理，用以去除图像中的干扰，凸显目标；

步骤S2、通过高斯滤波对所述步骤S1中经过预处理后的图像进行降噪处理，获取降噪图像；

步骤S3、通过Sobel算子对所述步骤S2中的降噪图像进行处理，获取图像中各像素点垂直及水平方向的梯度，并计算各像素点的梯度幅值及方向；

步骤S4、对步骤S3中获取的所有垂直梯度方向为正的像素点的梯度幅度进行非极大值抑制，其余像素点的梯度幅度直接置为0，获得梯度图像；

步骤S5、通过基于Otsu的改进自适应单阈值分割算法对步骤S4中获取的梯度图像进行分割阈值处理，梯度幅值大于该阈值的像素点则置1，小于该阈值的像素点则置0，最终输出边缘提取后的图像。

进一步的，所述预处理的步骤具体为：

步骤S101、对所述原始图像进行直流滤波处理，表达式为：

公式(1)中，I′(x,y)表示为经过直流滤波处理的图像，I(x,y)表示为探地雷达的原始图像，2w₁+1表示为滑动窗长；

步骤S102、对直流滤波后的图像I′(x,y)使用均值法进行杂波抑制，表达式为：

公式(2)中，I″(x,y)表示为经过杂波抑制后的图像，2w₂+1表示为滑动窗长；

进一步的，所述步骤S2具体包括：

步骤S201、选择高斯滤波参数，构建二维高斯核函数H(x,y)，表达式为：

公式(3)中，σ表示为控制高斯平滑滤波效果的参数；

步骤S202、将步骤S201中构建的二维高斯核函数H(x,y)与步骤S102中经过杂波抑制后的图像I″(x,y)进行卷积，获得高斯滤波后图像G(x,y)。

进一步的，所述步骤S3具体包括：

步骤S301、使用Sobel算子计算各像素点水平方向梯度P_h(x,y)及垂直方向梯度P_v(x,y)；

步骤S302、计算各像素点的梯度幅度D(x,y)及方向θ(x,y)，表达式为：

进一步的，在所述步骤S4中，对于步骤S3获取的所有垂直梯度方向为正的像素点，即P_v(x,y)≥0像素点的梯度幅度进行非极大值抑制算法，其余像素点的梯度幅度直接置为0，获得经过非极大值抑制后的梯度图像N(x,y)。

进一步的，所述步骤S5具体包括：

步骤S501、对步骤S4获得的非极大值抑制后的梯度图像N(x,y)使用Otsu算法进行计算获取划分阈值k₁；

步骤S502、对所述梯度图像N(x,y)中幅度大于划分阈值T₁的所有像素点再次使用Otsu算法进行计算获取划分阈值k₂；

步骤S503、对所述梯度图像N(x,y)使用划分阈值k₂进行划分，像素点的幅度大于k₂则认为是目标边缘，置1；否则认为是背景，置0，最后获得边缘提取的结果图像。

本发明的有益效果是：

1、由于探地雷达目标双曲线上下边缘梯度十分接近，使用基于传统Canny算法的探地雷达目标双曲线边缘提取无法通过划分阈值的选取将二者分离，导致同时提取目标双曲线上下两条边缘，增加后续基于曲线拟合的目标检测与定位算法的计算量；本发明通过步骤S4的处理，根据脉冲探地雷达目标回波双曲线梯度变化特性，可只检测目标双曲线上边缘，使得后续需要计算的像素点大大减少，计算效率大幅度提升。

2、由于基于传统Canny算法的探地雷达回波图像目标双曲线边缘提取包含人工选择分割阈值步骤，但在实际不同的场景下需要人工多次尝试选择不同阈值，以获得最优的边缘提取结果，效率低且耗费时间与人力；本发明使用步骤S5给出的一种自适应单阈值分割算法，可自适应确定最优划分阈值，减少人工投入。

附图说明

图1、为实施例1中用于脉冲探地雷达的目标双曲线边缘提取方法的流程示意图。

图2、为实施例1中经过预处理后的仿真探地雷达图像。

图3、为基于传统Canny算法的仿真图像双曲线边缘提取结果。

图4、为实施例1中获得的仿真图像双曲线边缘提取结果。

图5、为实施例1中经过预处理后的实测探地雷达图像

图6、为基于传统Canny算法的实测图像双曲线边缘提取结果。

图7、为实施例1中获得的实测图像双曲线边缘提取结果。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

实施例1

参见图1-图7，本实施例提供一种用于脉冲探地雷达的目标双曲线边缘提取方法，该方法首先需要获取到原始探地雷达回波灰度图像，用I(x,y)表示原始图像中像素点位于(x,y)位置的灰度值。接下来进行具体的处理步骤：

步骤S1、获取探地雷达的原始图像，并对该图像进行预处理，用以去除图像中的干扰，凸显目标；具体的说，步骤S1包括：

步骤S101、对原始探地雷达回波图像I(x,y)确定一个滑动窗长2w₁+1，通过如下公式计算直流滤波后的图像I′(x,y)为：

步骤S102、对原始探地雷达回波图像I′(x,y)确定滑动窗长为2w₂+1，通过如下公式计算出杂波抑制后的图像I″(x,y)为：

具体的说，步骤S2包括：

步骤S201、确定合适高斯滤波器参数，构建二维高斯核函数

步骤S202、将高斯核函数H(x,y)与预处理后的图像I″(x,y)进行卷积，获得高斯滤波后图像G(x,y)。

具体的说，步骤S3包括：

步骤S301、使用下述公式分别计算出各像素点水平方向梯度P_h(x,y)及垂直方向梯度P_v(x,y)：

P_h(x,y)＝G(x-1,y+1)+2G(x,y+1)

+G(x+1,y+1)-G(x-1,y-1)

-2G(x,y-1)-G(x+1,y-1)

P_v(x,y)＝G(x-1,y-1)+2G(x-1,y)

+G(x-1,y+1)-G(x+1,y-1)

-2G(x+1,y)-G(x+1,y+1)

步骤S302、使用下述公式分别计算得到各像素点的梯度幅度D(x,y)及方向θ(x,y)，表达式为：

具体的说，传统Canny算法中的非极大值抑制算法具体可描述为：若某像素点比沿梯度方向上相邻两个像素点的灰度值大，那么该像素点是极大值点，其梯度值保留；否则置0，以获得更准确的边缘定位性能。

若直接使用非极大值抑制算法会导致处理后的梯度图像包含双曲线上下边缘，由于探地雷达目标双曲线上下边缘梯度十分接近，难以通过阈值选取的方式去除，边缘提取结果会包含上下两条双曲线边缘。

因此，本实施例采用一种改进的非极大值抑制方法，具体为：对于步骤S3获得的所有垂直梯度方向为正的像素点进行非极大值抑制处理，其余像素点的梯度幅度直接置0，获得改进非极大值抑制后的梯度图像N(x,y)。

具体的说，传统Otsu算法基本步骤可以表述为：若待分割图像灰度值位于[k_a,k_b]，像素点总数为N，灰度值为i的像素点个数为n_i，那么灰度值为i的像素点所占比例为设有一分割阈值k_th将图像划分为目标和背景两部分，所有灰度值大于等于k_th的像素点为目标，灰度值小于k_th的像素点为背景。那么目标和背景在图像中所占比例分别计算为：

目标以及背景的像素点的平均灰度值可计算为：

此时图像类间方差可计算为：

σ²(k_a,k_b,k_th)＝p_tp_b(μ_t-μ_b)²

由于类间方差σ²越大，目标与背景之间的差别越大，错分概率越小，因此Otsu算法通过最大化类间方差以确定最优阈值k_Otsu：

由于经过步骤S4处理后的梯度图像中存在大量小梯度的噪声点，直接使用传统Otsu自适应选择阈值会导致分割阈值偏小，因此本实施例给出一种基于改进Otsu的自适应阈值分割算法，其具体实现步骤为：

步骤S501、若步骤S4获得的非极大值抑制后的梯度图像灰度值位于[k_a,k_b]，对该图像所有像素点使用传统Otsu算法进行自适应获得划分阈值k₁，表达式为：

步骤S502、对梯度图像中所有灰度值位于[k₁,k_b]的像素点再次使用传统Otsu算法自适应获得划分阈值k₂，表达式为：

步骤S503、最后对梯度图像使用阈值k₂行划分，像素点幅度大于k₂则认为是目标边缘，置1；否则认为是背景，置0，获得边缘提取的结果图像。

图2为预处理后的仿真探地雷达图像，图3为基于传统Canny算法的仿真图像双曲线边缘提取结果，图4为通过本实施获得的仿真图像双曲线边缘提取结果，图5为预处理后的实测探地雷达图像，图6为基于传统Canny算法的实测图像双曲线边缘提取结果，图7为通过本实施例方法获得的实测图像双曲线边缘提取结果；从图2-图7的结果可以看出，无论是仿真数据还是实测数据，使用传统Canny算法会导致每个目标提取出两条双曲线边缘，给出的算法不仅可以自适应选择出最优阈值，而且每个目标只提取出单条双曲线边缘。由于提取的冗余双曲线边缘减少了，因此本实施例与曲线拟合算法结合可实现更快速的目标检测与定位。

本发明未详述之处，均为本领域技术人员的公知技术。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种用于脉冲探地雷达的目标双曲线边缘提取方法，其特征在于，包括如下步骤：

步骤S5、通过基于Otsu的改进自适应单阈值分割算法对步骤S4中获取的梯度图像进行分割阈值处理，梯度幅值大于该阈值的像素点则置1，小于该阈值的像素点则置0，最终输出边缘提取后的图像；

所述预处理的步骤具体为：

步骤S101、对所述原始图像进行直流滤波处理，表达式为：

所述步骤S2具体包括：

公式(3)中，σ表示为控制高斯平滑滤波效果的参数；

步骤S202、将步骤S201中构建的二维高斯核函数H(x,y)与步骤S102中经过杂波抑制后的图像I″(x,y)进行卷积，获得高斯滤波后图像G(x,y)；

所述步骤S5具体包括：

步骤S501、对步骤S4获得的非极大值抑制后的梯度图像N(x,y)使用Otsu算法进行计算获取划分阈值T₁；

步骤S502、对所述梯度图像N(x,y)中幅度大于划分阈值T₁的所有像素点再次使用Otsu算法进行计算获取划分阈值T₂；

步骤S503、对所述梯度图像N(x,y)使用划分阈值T₂进行划分，像素点的幅度大于T₂则认为是目标边缘，置1；否则认为是背景，置0，最后获得边缘提取的结果图像。

2.根据权利要求1所述的一种用于脉冲探地雷达的目标双曲线边缘提取方法，其特征在于，所述步骤S3具体包括：

3.根据权利要求2所述的一种用于脉冲探地雷达的目标双曲线边缘提取方法，其特征在于，在所述步骤S4中，对于步骤S3获取的所有垂直梯度方向为正的像素点，即P_v(x,y)≥0像素点的梯度幅度进行非极大值抑制算法，其余像素点的梯度幅度直接置为0，获得经过非极大值抑制后的梯度图像N(x,y)。