CN113298839B - 一种sar影像半自动阈值提取方法 - Google Patents
一种sar影像半自动阈值提取方法 Download PDFInfo
- Publication number
- CN113298839B CN113298839B CN202110540450.XA CN202110540450A CN113298839B CN 113298839 B CN113298839 B CN 113298839B CN 202110540450 A CN202110540450 A CN 202110540450A CN 113298839 B CN113298839 B CN 113298839B
- Authority
- CN
- China
- Prior art keywords
- threshold
- line
- pixels
- gradient
- sar image
- 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
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种SAR影像半自动阈值提取方法,该方法在少量人工干预下实现基于贪婪算法的两种不同地物交界的自动查找及阈值计算。首先确定两种待进行阈值分割的地物,在SAR图像中绘制一条跨越两种所选地物的线,在线两侧自动生成缓冲区并计算缓冲区均值,形成一条均值线;然后,分别计算线两端相邻像素的梯度,并根据梯度大小,从该线两端向中间进行像素合并,直到相遇;最后根据相遇处的像素对和梯度计算阈值,并利用阈值提取目标地物,得到阈值分割结果。该方法结合自动和手动阈值提取的优点,能够适用于不同分辨率的SAR影像,并且速度快,精度高。
Description
技术领域
本发明属于遥感图像处理技术领域,尤其涉及一种基于SAR影像的半自动阈值提取方法。
背景技术
与光学遥感图像相比,SAR图像具有穿云透雾且全天时全天候采集信息的优势。从SAR影像中快速准确获取地面信息对地表监测、生态评估、灾害检测与预警等方面具有重要意义。SAR图像的阈值分割是目前提取地物信息较常使用的一种技术。该技术通过不同阈值,对图像中不同地物进行区分,将目标地物从背景中提取出来。例如:水体信息提取、水稻面积提取等。然而,SAR图像中存在大量的相干斑噪声且该噪声为乘性噪声,相较于光学领域所处理的加性噪声,乘性噪声的去除更为复杂一些。因此,SAR图像阈值分割技术一直是公认的难题。
在实际应用中,阈值分割方法可分为两大类:1)手动提取:人工查看两种或多种地物的强度值,根据经验选取阈值,通过多次试验,选取分割效果最佳的阈值为最优阈值;2)自动提取:基于SAR图像的统计特性,利用水平集、马尔科夫随机场、直方图统计特性等并结合各种辅助数据得到全局阈值。
手动提取阈值的方法,需要操作人员多次查看目标地物与背景之间的强度值,根据以往的经验大致给出一个阈值,还需要对图像进行反复试验和对比。这种方法纯粹依靠人工目视解译,虽然有时能达到较好的精度,但工作量较大且最终阈值具有随机性。当对大量SAR图像进行阈值选取时,该方法效率较低。
自动提取阈值的方法,相较于手动提取,增加准确性,可对数据进行批量处理。常见的是对大津法进行改进,将其应用于SAR图像。但是,由于SAR图像特有的统计特性,使得SAR强度服从单峰的负指数分布,并不存在谷值,所以分割的效果并不理想。其他的阈值分割算法,例如基于水平集、马尔科夫随机场等的阈值分割方法,虽然提取的阈值精度较高,但流程复杂、耗时,在实际应用中效率较低。
除此之外,商业软件中只有极少数提供了自动阈值提取模块。在实际应用中发现,这些软件对图像质量有一定的依赖性。当SAR图像质量较差时,所得到的阈值分割结果精度偏低。
发明内容
本发明目的在于基于贪婪算法的基本思想,快速且精确地获取区分目标地物与背景的最佳阈值,得到较高精度的分割结果,有效解决目前SAR影像阈值分割中的难题。
为实现上述目的本发明采用以下技术方案:一种SAR影像半自动阈值提取方法,具体包括:
像素提取:对原始SAR影像进行预处理,在抑制噪声的同时保持图像边缘信息;
确定两种待阈值分割的地物,在SAR图像中绘制一条跨越两种所选地物的线,估算线上所有像素的值;
梯度计算:根据梯度函数,从线的两端开始分别计算相邻像素的梯度f;
像素检索:根据贪婪算法对均值线进行像素的自动检索,从均值线的两端向中心进行像素合并并更新梯度,直到像素对相遇;
阈值计算:根据相遇处像素对的值以及梯度计算阈值;
阈值分割:根据阈值对SAR影像进行二值化,得到SAR影像提取结果。
进一步的,估算线上的像素值方法如下:
在线两侧自动生成缓冲区,该缓冲区以绘制的线为中心轴线,两端与中心轴线的距离为L;
提取缓冲区覆盖的像素值,计算中心轴线垂线上所有像素的均值,形成一条均值线,该均值线上所有像素即为待检测点。
进一步的,从均值线的两端开始分别计算相邻像素的梯度,具体如下:
设均值线为X,x=(x1,x2,x3,...xn)是均值线X上像素的集合,像素总数为n,利用梯度函数f计算相邻像素对的梯度;
用于左侧检索的梯度函数:
f(Mk,xk+1)=|xk+1-Mk|k=1,2,...,n-1
其中M1=x1,Mk为加权均值,公式为:
用于右侧检索的梯度函数:
f(xh-1,Mh)=|xh-1-Mh|h=n,n-1,...,2
其中Mn=xn,Mh为加权均值,公式为:
进一步的,对均值线进行像素的自动检索,从均值线的两端向中心进行像素合并,具体为:以计算的梯度f作为比较准则,左右两端中梯度较小的一端向前移动一个像素并更新梯度,较大的一端不移动,逐次比较,直到相遇。
进一步的,当检索到相遇处像素对(xi,xi+1)时,计算两像素算数平均值作为最终阈值T;
进一步的,当检索到相遇处像素对(xi,xi+1)时,选取两像素中较小值作为最终阈值T。
进一步的,当检索到相遇处像素对(xi,xi+1)时,计算两像素加权平均值作为最终阈值T;
进一步的,将均值线左右两侧计算的梯度从小到大进行排序,从较大侧开始选取j个梯度,j∈[1,n-2],n为像素总数,计算j个梯度所对应的2j个像素的算数平均值作为最终阈值T。
有益效果:与现有技术相比,本发明的技术方案具有以下优点:
(1)相较于手动阈值提取方法,本发明有效地克服了手动提取阈值中主观性过强、批量处理数据时效率较低的缺点,极大地提高了阈值提取的工作效率与精度。
(2)相较于自动阈值提取方法,例如常用的OTSU大津法,本发明获取的阈值精度较高;与其他的基于水平集、马尔科夫随机场等的阈值分割方法比较,本发明原理简单,而且在无需借助辅助数据的前提下也能保证分割精度。
(3)在SAR图像质量较差时,能通过调整最终阈值计算方法来获取较高精度的阈值分割结果。同时,该方法适用于不同传感器、不同分辨率、不同区域的SAR影像。
附图说明
图1是本发明方法的整体流程图;
图2是本发明实施例中绘制的线要素图;
图3是本发明实施例中生成的缓冲区图;
图4是本发明实施例中的像素检索图;
图5是本发明实施例中的原始SAR影像;
图6是本发明实施例中的水体阈值分割结果图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式。但是,所描述的实施例是本发明一部分实施例,并不是全部的实施例。基于本发明中的实施例,本领域技术人员可以在具体实施例中做各种各样的修改或者补充或采用类似方式替代。如预处理可以采用其他分割或滤波算法;线的条数可以单个或多个;缓冲区大小和形状可根据具体情况进行修改;均值线上用于像素检索的梯度计算公式可以用其他公式代替;最终阈值的计算可以用其他的公式代替。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。
如图1所示,本发明提供一种SAR影像半自动阈值提取方法,主要应用于目标地物的提取。在此,选取SAR影像水体提取作为实施例,具体如下:
(1)像素提取:对原始SAR影像进行预处理,包括滤波、分割、多视,在抑制噪声的同时保持图像边缘信息;
在预处理后的SAR影像中建立一个横跨水体和陆地的矩形缓冲区,估算该缓冲区均值线上所有的像素值,具体包括:
如图2所示,在图中寻找一块包含两种待分割地物(水体和陆地)且两者相邻的较大区域,从而保证提取的数据量足够大;
手动绘制一条横跨水陆的直线,线的形状可以是直线也可以是曲线,然后自动生成基于该线要素的缓冲区;
需要注意的是,线上的像素尽可能只包含水体和陆地,且画线时从一种地物开始到另一种地物结束;
如图3所示,该缓冲区以绘制的直线为中心轴线,两端与中心轴线的距离为L,L∈[0,n],n为像素总数,本实施例中,设置L=2;
提取缓冲区覆盖的像素值,计算中心轴线垂线上所有像素的均值,形成一条均值线,该均值线上所有像素即为待检测点。
(2)梯度计算:根据梯度函数,从线的两端开始分别计算相邻像素的梯度f;具体如下:
设均值线为X,x=(x1,x2,x3,...xn)是均值线X上像素的集合,像素总数为n,利用梯度函数f计算相邻像素对的梯度;
由于SAR图像中相干斑噪声影响,若以相邻像素之间的差值(xk+1-xk)作为梯度可能会出现一些异常值(较大或较小),从而干扰对交界处像素的检索;因此,本发明采用一种加权梯度计算方法,将xk替换为加权像素均值Mk。当某一个像素为噪点时,利用加权均值弱化其对梯度的影响,离xk+1越近的像素对梯度贡献较大,离xk+1越远的像素对梯度贡献较小,从而避免误判;
用于左侧检索的梯度函数:
f(Mk,xk+1)=|xk+1-Mk|k=1,2,...,n-1
其中M1=x1,Mk为加权均值,公式为:
通过推导可得:
用于右侧检索的梯度函数:
f(xh-1,Mh)=|xh-1-Mh|h=n,n-1,...,2
其中Mn=xn,Mh为加权均值,公式为:
通过推导可得:
(3)像素检索:根据贪婪算法对均值线进行像素的自动检索,如图4所示,以计算的梯度f作为比较准则,从均值线的两端向中心进行像素合并,左右两端中梯度较小的一端向前移动一个像素并更新梯度,较大的一端不移动,逐次比较,直到相遇。
(4)阈值计算:对相遇处像素对的值以及梯度进行多种运算,得到若干阈值,用户根据不同的应用场景,选取最佳阈值;
本实施例提供以下四种阈值计算方法供用户参考:
1)当检索到相遇处像素对(xi,xi+1)时,计算两像素算数平均值作为最终阈值T;
2)当检索到相遇处像素对(xi,xi+1)时,选取两像素中较小值作为最终阈值T;
3)当检索到相遇处像素对(xi,xi+1)时,计算两像素加权平均值作为最终阈值T;
4)将均值线左右两侧计算的梯度从小到大进行排序,从较大侧开始选取j个梯度,j∈[1,n-2],n为像素总数,计算j个梯度所对应的2j个像素的算数平均值作为最终阈值T。
本实施例选择计算两像素算数平均值作为最终阈值。
(5)阈值分割:根据最终阈值对SAR影像进行二值化,得到SAR影像提取结果。本实施例得到的SAR影像水体提取结果如图6所示。
Claims (7)
1.一种SAR影像半自动阈值提取方法,其特征在于:该方法具体包括:
像素提取:对原始SAR影像进行预处理,在抑制噪声的同时保持图像边缘信息;
确定两种待阈值分割的地物,在SAR图像中绘制一条跨越两种所选地物的线,估算线上所有像素的值,方法如下:
在线两侧自动生成缓冲区,该缓冲区以绘制的线为中心轴线,两端与中心轴线的距离为L;
提取缓冲区覆盖的像素值,计算中心轴线垂线上所有像素的均值,形成一条均值线,该均值线上所有像素即为待检测点;
梯度计算:根据梯度函数,从线的两端开始分别计算相邻像素的梯度;
像素检索:根据贪婪算法对均值线进行像素的自动检索,从均值线的两端向中心进行像素合并并更新梯度,直到像素对相遇;
阈值计算:根据相遇处像素对的值以及梯度计算阈值;
阈值分割:根据阈值对SAR影像进行二值化,得到SAR影像提取结果。
2.根据权利要求1所述的SAR影像半自动阈值提取方法,其特征在于:从均值线的两端开始分别计算相邻像素的梯度,具体如下:
设均值线为X,x=(x1,x2,x3,...xn)是均值线X上像素的集合,像素总数为n,利用梯度函数f计算相邻像素对的梯度;
用于左侧检索的梯度函数:
f(Mk,xk+1)=|xk+1-Mk|k=1,2,...,n-1
其中M1=x1,Mk为加权均值,公式为:
用于右侧检索的梯度函数:
f(xh-1,Mh)=|xh-1-Mh|h=n,n-1,...,2
其中Mn=xn,Mh为加权均值,公式为:
3.根据权利要求1-2任一所述的SAR影像半自动阈值提取方法,其特征在于:对均值线进行像素的自动检索,从均值线的两端向中心进行像素合并,具体为:以计算的梯度f作为比较准则,左右两端中梯度较小的一端向前移动一个像素并更新梯度,较大的一端不移动,逐次比较,直到相遇。
4.根据权利要求1所述的SAR影像半自动阈值提取方法,其特征在于:当检索到相遇处像素对(xi,xi+1)时,计算两像素算数平均值作为最终阈值T;
5.根据权利要求1所述的SAR影像半自动阈值提取方法,其特征在于:当检索到相遇处像素对(xi,xi+1)时,选取两像素中较小值作为最终阈值T。
6.根据权利要求1所述的SAR影像半自动阈值提取方法,其特征在于:当检索到相遇处像素对(xi,xi+1)时,计算两像素加权平均值作为最终阈值T;
7.根据权利要求1所述的SAR影像半自动阈值提取方法,其特征在于:将均值线左右两侧计算的梯度从小到大进行排序,从较大侧开始选取j个梯度,j∈[1,n-2],n为像素总数,计算j个梯度所对应的2j个像素的算数平均值作为最终阈值T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540450.XA CN113298839B (zh) | 2021-05-18 | 2021-05-18 | 一种sar影像半自动阈值提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540450.XA CN113298839B (zh) | 2021-05-18 | 2021-05-18 | 一种sar影像半自动阈值提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298839A CN113298839A (zh) | 2021-08-24 |
CN113298839B true CN113298839B (zh) | 2023-08-15 |
Family
ID=77322657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110540450.XA Active CN113298839B (zh) | 2021-05-18 | 2021-05-18 | 一种sar影像半自动阈值提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298839B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN108765491A (zh) * | 2018-05-31 | 2018-11-06 | 成都信息工程大学 | 一种sar图像舰船目标检测方法 |
CN109726649A (zh) * | 2018-12-15 | 2019-05-07 | 中国科学院深圳先进技术研究院 | 遥感影像云检测方法、系统及电子设备 |
CN110782471A (zh) * | 2019-10-16 | 2020-02-11 | 中国矿业大学 | 一种多尺度sar图像边缘检测方法 |
JP2020159946A (ja) * | 2019-03-27 | 2020-10-01 | 株式会社Ihi | 船舶検出装置及び方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6971177B2 (ja) * | 2018-03-09 | 2021-11-24 | フォルシアクラリオン・エレクトロニクス株式会社 | 区画線認識装置 |
US11373314B2 (en) * | 2018-04-05 | 2022-06-28 | Nec Corporation | Land mask image generation for ocean surface and land surface |
-
2021
- 2021-05-18 CN CN202110540450.XA patent/CN113298839B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
CN108765491A (zh) * | 2018-05-31 | 2018-11-06 | 成都信息工程大学 | 一种sar图像舰船目标检测方法 |
CN109726649A (zh) * | 2018-12-15 | 2019-05-07 | 中国科学院深圳先进技术研究院 | 遥感影像云检测方法、系统及电子设备 |
JP2020159946A (ja) * | 2019-03-27 | 2020-10-01 | 株式会社Ihi | 船舶検出装置及び方法 |
CN110782471A (zh) * | 2019-10-16 | 2020-02-11 | 中国矿业大学 | 一种多尺度sar图像边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
FLOOD EXTRACTION FROM SAR IMAGES BASED ON SEMI-AUTOMATIC THRESHOLDING;Xinru Hu 等;《IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium》;1-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN113298839A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261017B (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN111192284A (zh) | 一种车载激光点云分割方法及系统 | |
CN109816664B (zh) | 一种三维点云分割方法及装置 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN110110675B (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN104217208A (zh) | 目标检测方法和装置 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN112200171B (zh) | 一种基于扫描线的道路点云的提取方法 | |
CN110866926B (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN105787950B (zh) | 一种基于行梯度累加对红外图像海天线进行检测的方法 | |
Er-Sen et al. | An adaptive edge-detection method based on the canny operator | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN109961065B (zh) | 一种海面舰船目标检测方法 | |
CN112669333A (zh) | 一种单木信息提取方法 | |
CN113239733A (zh) | 一种多车道车道线检测方法 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN113298839B (zh) | 一种sar影像半自动阈值提取方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN115294066A (zh) | 一种砂石粒径检测方法 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN109308468B (zh) | 一种车道线检测方法 |
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 |