CN113436218A - 基于高斯滤波与均值滤波的sar图像边缘检测方法 - Google Patents
基于高斯滤波与均值滤波的sar图像边缘检测方法 Download PDFInfo
- Publication number
- CN113436218A CN113436218A CN202110856884.0A CN202110856884A CN113436218A CN 113436218 A CN113436218 A CN 113436218A CN 202110856884 A CN202110856884 A CN 202110856884A CN 113436218 A CN113436218 A CN 113436218A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- mean
- value
- kernel
- 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
Links
Images
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
- G06T7/12—Edge-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
- G06T7/136—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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/20028—Bilateral filtering
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
本发明公开了一种基于高斯滤波与均值滤波的SAR图像边缘检测方法,主要解决现有技术漏检、错检,且检测的时间成本较高问题。包括:1)生成多向双高斯滤波核模型和多向双均值滤波核模型;2)利用多向双高斯滤波核模型求SAR图像梯度,获取阈值化高斯边缘强度图与边缘梯度图;3)生成阈值化均值边缘强度图;4)使用阈值化均值边缘强度图修正阈值化高斯边缘强度图,得到阈值化边缘强度图;5)对阈值化边缘强度图进行非极大抑制操作,对操作结果再进行滞后阈值操作,得到边缘检测结果。本发明有效提高了SAR图像边缘检测结果的准确性,且通过使用简单的比值运算与减法运算代替巴氏系数运算,明显降低了计算复杂度,减少消耗的时间。
Description
技术领域
本发明属于图像处理技术领域,进一步涉及SAR图像边缘检测方法,具体为一种基于高斯滤波与均值滤波的SAR图像边缘检测方法,可用于图像分割、图像分类及图像语义识别。
背景技术
作为主动式高分辨率遥感成像系统,合成孔径雷达SAR被广泛应用于许多领域。然而,SAR图像中固有的散斑噪声使得提取和解译遥感信息更加具有挑战性。SAR图像边缘检测是一项基础的遥感数据处理技术,旨在更加精确,快速的提取SAR图像边缘。常规的边缘检测算子,例如Canny、Sobel、Prewitt等,仅仅适用于光学图像,而不能有效地检测SAR图像边缘。
水鹏朗等人在其发表的论文“Fast SAR image segmentation via merging costwith relative common boundary length penalty”(IEEE Transactions on Geoscienceand Remote Sensing,52(2014)6434-6448)中提出了一种基于矩形窗口与比的SAR图像边缘检测方法。该方法首先生成多个矩形窗口,每个矩形窗口包括两个子窗口;然后使用矩形窗口对SAR图像进行均值滤波,并计算每个像素的最小滤波响应比作为边缘强度响应,生成边缘强度图;接着对边缘强度图进行阈值化操作;最后使用非极大值抑制与滞后阈值操作获得图像边缘。该方法的不足之处在于,对SAR图像进行均值滤波操作,造成边缘退化,进而导致一些真实边缘不能被有效地检测到。
张泽钧等人在IEEE Access,7(2019)84479-84496上发表论文“SAR imagesegmentation using hierarchical region merging with orientated edge strengthweighted Kuiper’s distance”,该论文提出了一种基于矩形窗口与巴氏系数的SAR图像边缘检测方法。该方法首先构建三组不同尺度的矩形窗口,并生成SAR图像的标准化直方图;接着使用矩形窗口在直方图上滑动,计算每个像素的边缘强度响应,并融合不同尺度矩形窗口下的边缘强度响应作为最终的边缘强度响应;然后根据阈值化操作将较小的边缘强度响应置零,生成阈值化的边缘强度图。最后根据非极大值抑制方法从边缘强度图中选取极大值点作为候选边缘点,并对候选边缘点进行滞后阈值操作,得到图像边缘。该方法的不足在于,计算各像素对应的边缘强度响应过程复杂,每个像素需要进行多次巴氏系数计算,导致边缘检测需要大量的时间消耗。
发明内容
本发明的目的是针对上述已有技术的不足,提出了一种基于高斯滤波与均值滤波的SAR图像边缘检测方法,解决现有方法在图像边缘检测时漏检、错检,且检测的时间成本较高问题。本发明首先生成多向双高斯滤波核模型和多向双均值滤波核模型,利用这两种模型的优势进一步得到包含更精确边缘信息的阈值化边缘强度图,以提取更加准确的SAR图像边缘,减少边缘检测的时间消耗。
为实现上述目的,本发明的具体步骤如下:
(1)构建多向双高斯滤波核模型,实现如下:
(1a)生成左高斯滤波核:
其中,exp表示以自然常数e为底的指数操作,π表示圆周率;横坐标xgl和纵坐标ygl均为整数,且其取值范围为[-(Wgl-1)/2,(Wgl-1)/2];
(1a2)计算在[-(Wgl-1)/2,(Wgl-1)/2]范围内所有坐标位置的第一左高斯滤波核数值,得到第一左高斯滤波核;
(1a4)将第一至第八左高斯滤波核构成的整体作为左高斯滤波核;
(1b)生成右高斯滤波核:
其中,exp表示以自然常数e为底的指数操作,π表示圆周率;横坐标xgr和纵坐标ygr均为整数,且其取值范围为[-(Wgr-1)/2,(Wgr-1)/2];
(1b2)计算在[-(Wgr-1)/2,(Wgr-1)/2]范围内所有坐标位置的第一右高斯滤波核数值,得到第一右高斯滤波核;
(1b4)将第一至第八右高斯滤波核构成的整体作为右高斯滤波核;
(1c)利用左高斯滤波核和右高斯滤波核组成多向双高斯滤波核模型;
(2)构建多向双均值滤波核模型,实现如下:
(2a)生成左均值滤波核:
其中,横坐标xml和纵坐标yml均为整数,且其取值范围为[-(Wml-1)/2,(Wml-1)/2];
(2a2)计算在[-(Wml-1)/2,(Wml-1)/2]范围内所有坐标位置的第一左均值滤波核数值,得到第一左均值滤波核;
(2a4)将第一至第八左均值滤波核构成的整体作为左均值滤波核;
(2b)生成右均值滤波核:
其中,横坐标xmr和纵坐标ymr均为整数,且其取值范围为[-(Wmr-1)/2,(Wmr-1)/2];
(2b2)计算在[-(Wmr-1)/2,(Wmr-1)/2]范围内所有坐标位置的第一右均值滤波核数值,得到第一右均值滤波核;
(2b4)将第一至第八右均值滤波核构成的整体作为右均值滤波核;
(2c)利用左均值滤波核和右均值滤波核组成多向双均值滤波核模型;
(3)输入一幅待处理的单通道SAR图像灰度图,其像素个数为M×N;
(4)生成边缘梯度图与阈值化高斯边缘强度图:
(4a)使用多向双高斯滤波核模型对输入的SAR图像进行滤波操作,得到8个左高斯滤波图和8个右高斯滤波图;对其进行编号,令左高斯滤波图的序号为i,i=1,2,...,8,右高斯滤波图的序号与左高斯滤波图一一对应,即同为i;
(4b)根据下式,计算高斯边缘强度图中所有坐标位置的边缘强度响应,将其组成高斯边缘强度图:
其中,表示高斯边缘强度图中位于坐标(xg,yg)处的边缘强度响应,min表示取最小值操作;表示第i左高斯滤波图中位于坐标(xg,yg)处的滤波值,表示第i右高斯滤波图中位于坐标(xg,yg)处的滤波值;
(4c)将高斯边缘强度图中每个边缘强度响应对应的左高斯滤波图的序号作为梯度值,根据所有的梯度值得到边缘梯度图;同时,设置阈值化参数为αg,对高斯边缘强度图进行阈值化操作,得到阈值化高斯边缘强度图;
(5)生成阈值化均值边缘强度图:
(5a)用多向双均值滤波核模型对输入的SAR图像进行滤波操作,得到8个左均值滤波图和8个右均值滤波图;对其进行编号,令左均值滤波图的序号为j,j=1,2,...,8,右均值滤波图的序号与左均值滤波图一一对应,即同为j;
(5b)根据下式,计算均值边缘强度图中所有坐标位置的边缘强度响应,将其组成均值边缘强度图:
(5c)对均值边缘强度图进行阈值化操作,得到阈值化均值边缘强度图;
(6)生成阈值化边缘强度图:
(6a)遍历阈值化高斯边缘强度图中的每个像素,将像素值大于0的像素的值设置为1,将像素值小于或等于0的像素的值设置为0,得到逻辑化高斯边缘强度图;
(6b)遍历阈值化均值边缘强度图中的每个像素,将像素值大于0的像素的值设置为1,将像素值小于或等于0的像素的值设置为0,得到逻辑化均值边缘强度图;
(6c)根据下式,计算阈值化边缘强度图中所有坐标位置的边缘强度响应,将其组成阈值化边缘强度图:
其中,TExy表示阈值化边缘强度图中位于坐标(x,y)处的边缘强度响应,GExy表示阈值化高斯边缘强度图中位于坐标(x,y)处的边缘强度响应,GLxy表示逻辑化高斯边缘强度图中位于坐标(x,y)处的逻辑值,RLxy表示逻辑化均值边缘强度图中位于坐标(x,y)处的逻辑值;
(7)获取边缘检测结果:
(7a)对阈值化边缘强度图进行非极大抑制操作,得到边缘非抑制图;
(7b)对边缘非抑制图的每个像素进行滞后阈值操作,得到SAR图像的边缘图,即边缘检测结果。
本发明与现有技术相比具有如下优点:
第一,本发明综合利用了多向双高斯滤波核模型与多向双均值滤波核模型的优势,使用阈值化均值边缘强度图对阈值化高斯边缘强度图进行修正,得到包含更精确边缘信息的阈值化边缘强度图,克服了现有技术对图像边缘漏检和错检的缺点,使得SAR图像边缘检测结果更加准确。
第二,由于本发仅仅采用比值与减法运算来获得边缘强度图,其运算步骤简单,与巴氏系数的多次计算相比,大大降低了计算复杂度,进而减少时间消耗,克服了边缘检测方法需要大量时间进行计算的缺点,有效提升了SAR图像边缘检测的检测速度。
附图说明
图1是本发明的实现流程图;
图2是本发明的仿真图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的描述。
本发明提出的一种基于高斯滤波与均值滤波的SAR图像边缘检测方法,包括如下步骤:
实施例一:
步骤1,构建多向双高斯滤波核模型,实现如下:
(1a)生成左高斯滤波核:
其中,exp表示以自然常数e为底的指数操作,π表示圆周率;横坐标xgl和纵坐标ygl均为整数,且其取值范围为[-(Wgl-1)/2,(Wgl-1)/2];
(1a2)计算在[-(Wgl-1)/2,(Wgl-1)/2]范围内所有坐标位置的第一左高斯滤波核数值,得到第一左高斯滤波核;
(1a4)将第一至第八左高斯滤波核构成的整体作为左高斯滤波核;
(1b)生成右高斯滤波核:
其中,exp表示以自然常数e为底的指数操作,π表示圆周率;横坐标xgr和纵坐标ygr均为整数,且其取值范围为[-(Wgr-1)/2,(Wgr-1)/2];
(1b2)计算在[-(Wgr-1)/2,(Wgr-1)/2]范围内所有坐标位置的第一右高斯滤波核数值,得到第一右高斯滤波核;
(1b4)将第一至第八右高斯滤波核构成的整体作为右高斯滤波核;
(1c)利用左高斯滤波核和右高斯滤波核组成多向双高斯滤波核模型;
步骤2,构建多向双均值滤波核模型,实现如下:
(2a)生成左均值滤波核:
其中,横坐标xml和纵坐标yml均为整数,且其取值范围为[-(Wml-1)/2,(Wml-1)/2];
(2a2)计算在[-(Wml-1)/2,(Wml-1)/2]范围内所有坐标位置的第一左均值滤波核数值,得到第一左均值滤波核;
(2a4)将第一至第八左均值滤波核构成的整体作为左均值滤波核;
(2b)生成右均值滤波核:
其中,横坐标xmr和纵坐标ymr均为整数,且其取值范围为[-(Wmr-1)/2,(Wmr-1)/2];
(2b2)计算在[-(Wmr-1)/2,(Wmr-1)/2]范围内所有坐标位置的第一右均值滤波核数值,得到第一右均值滤波核;
(2b4)将第一至第八右均值滤波核构成的整体作为右均值滤波核;
(2c)利用左均值滤波核和右均值滤波核组成多向双均值滤波核模型;
步骤3,输入一幅待处理的单通道SAR图像灰度图,其像素个数为M×N;
步骤4,生成边缘梯度图与阈值化高斯边缘强度图:
(4a)使用多向双高斯滤波核模型对输入的SAR图像进行滤波操作,得到8个左高斯滤波图和8个右高斯滤波图;对其进行编号,令左高斯滤波图的序号为i,i=1,2,...,8,右高斯滤波图的序号与左高斯滤波图一一对应,即同为i;
(4b)根据下式,计算高斯边缘强度图中所有坐标位置的边缘强度响应,将其组成高斯边缘强度图:
其中,表示高斯边缘强度图中位于坐标(xg,yg)处的边缘强度响应,min表示取最小值操作;表示第i左高斯滤波图中位于坐标(xg,yg)处的滤波值,表示第i右高斯滤波图中位于坐标(xg,yg)处的滤波值;
(4c)将高斯边缘强度图中每个边缘强度响应对应的左高斯滤波图的序号作为梯度值,根据所有的梯度值得到边缘梯度图;同时,设置阈值化参数为αg,对高斯边缘强度图进行阈值化操作,具体是将高斯边缘强度图中所有的边缘强度响应按照升序排列,并将前αg×M×N个边缘强度响应置0,得到阈值化高斯边缘强度图;。
步骤5,生成阈值化均值边缘强度图:
(5a)用多向双均值滤波核模型对输入的SAR图像进行滤波操作,得到8个左均值滤波图和8个右均值滤波图;对其进行编号,令左均值滤波图的序号为j,j=1,2,...,8,右均值滤波图的序号与左均值滤波图一一对应,即同为j;
(5b)根据下式,计算均值边缘强度图中所有坐标位置的边缘强度响应,将其组成均值边缘强度图:
(5c)对均值边缘强度图进行阈值化操作,得到阈值化均值边缘强度图;按如下步骤实现:
(5c1)设置阈值化参数为αm,并令αm=αg;
(5c2)将均值边缘强度图中所有的边缘强度响应按照升序排列,将前αm×M×N个边缘强度响应置0,得到阈值化均值边缘强度图。
步骤6,生成阈值化边缘强度图:
(6a)遍历阈值化高斯边缘强度图中的每个像素,将像素值大于0的像素的值设置为1,将像素值小于或等于0的像素的值设置为0,得到逻辑化高斯边缘强度图;
(6b)遍历阈值化均值边缘强度图中的每个像素,将像素值大于0的像素的值设置为1,将像素值小于或等于0的像素的值设置为0,得到逻辑化均值边缘强度图;
(6c)根据下式,计算阈值化边缘强度图中所有坐标位置的边缘强度响应,将其组成阈值化边缘强度图:
其中,TExy表示阈值化边缘强度图中位于坐标(x,y)处的边缘强度响应,GExy表示阈值化高斯边缘强度图中位于坐标(x,y)处的边缘强度响应,GLxy表示逻辑化高斯边缘强度图中位于坐标(x,y)处的逻辑值,RLxy表示逻辑化均值边缘强度图中位于坐标(x,y)处的逻辑值;
步骤7,获取边缘检测结果:
(7a)对阈值化边缘强度图进行非极大抑制操作,得到边缘非抑制图;具体步骤如下:
(7a1)计算每个像素的梯度方向,将所有像素的梯度方向组成边缘梯度方向图;计算公式如下:
其中,Dm表示边缘梯度方向图中第m像素的梯度方向,Tm表示边缘梯度图中第m像素的梯度值;
(7a2)遍历阈值化边缘强度图中的每个像素,根据每个像素的梯度方向,将以每个像素为中心的8邻域像素中,位于对应梯度方向上的2个像素作为每个像素的对比像素;
(7a3)遍历阈值化边缘强度图中的每个像素,对比每个像素与其2个对比像素值的大小,将大于对比像素的像素值作为一个非抑制像素值;
(7a4)将所有的非抑制像素值组成边缘非抑制图。
(7b)对边缘非抑制图的每个像素进行滞后阈值操作,得到SAR图像的边缘图,即边缘检测结果;具体步骤如下:
(7b1)设定用于判定边缘像素的高阈值和低阈值;
(7b2)遍历边缘非抑制图中的每个像素,将每个像素的值分别与预先设定的高阈值、低阈值对比,将大于高阈值的像素作为边缘像素、小于高阈值且大于低阈值的像素作为待定特征像素、小于低阈值的像素判定为非边缘像素,将所有的边缘像素组成边缘像素集;
(7b3)将以每个边缘像素为中心的8邻域内的8个像素组成一个补充集,并将补充集中的每个待定特征像素作为边缘像素;
(7b4)将得到的所有边缘像素组成SAR图像的边缘图。
实施例二:
参照图1,本发明提出的边缘检测方法,具体实现步骤如下:
步骤A,生成多向双高斯滤波核模型。
在本实施例中,将第一左高斯滤波核的边长设置为13,按照下式,计算第一左高斯滤波核在不同坐标位置的滤波核的数值,将第一左高斯滤波核中所有坐标位置的滤波核的数值组成该左高斯滤波核。
其中,表示第一左高斯滤波核中位于横坐标xgl、纵坐标ygl处的滤波核的数值,exp表示以自然常数e为底的指数操作,xgl、ygl分别表示第一左高斯滤波核中滤波核数值的横坐标和纵坐标,xgl为整数,其取值范围为[-6,6],ygl为整数,其取值范围为[-6,6],Wgl表示第一左高斯滤波核的边长,π表示圆周率。
依次设置第一左高斯滤波核至第八左高斯滤波核的倾斜角为以第一左高斯滤波核的中心位置为旋转中心,将第一左高斯滤波核绕其中心位置逆时针旋转得到第二左高斯滤波核;以第一左高斯滤波核的中心位置为旋转中心,将第一左高斯滤波核绕其中心位置逆时针旋转得到第三左高斯滤波核;同理,以第四至第八左高斯核的倾斜角为各自的旋转角度,采用相同的生成方式得到第四至第八左高斯滤波核。
将第一右高斯滤波核的边长设置为13,按照下式,计算第一个右高斯滤波核在不同坐标位置的滤波核的数值,将第一右高斯滤波核中所有坐标位置的滤波核的数值组成该右高斯滤波核:
其中,表示第一右高斯滤波核中位于横坐标xgr、纵坐标ygr处的滤波核的数值,exp表示以自然常数e为底的指数操作,xgr、ygr分别表示第一右高斯滤波核中滤波核数值的横坐标和纵坐标,xgr为整数,其取值范围为[-6,6],ygr为整数,其取值范围为[-6,6],Wgr表示第一右高斯滤波核的边长,π表示圆周率。
依次设置第一右高斯滤波核至第八右高斯滤波核的倾斜角为以第一右高斯滤波核的中心位置为旋转中心,将第一右高斯滤波核绕其中心位置逆时针旋转得到第二右高斯滤波核;以第一右高斯滤波核的中心位置为旋转中心,将第一右高斯滤波核绕其中心位置逆时针旋转得到第三右高斯滤波核;同理,以第四至第八右高斯核的倾斜角为各自的旋转角度,采用相同的生成方式得到第四至第八右高斯滤波核。
将所有的左高斯滤波核组成左高斯滤波核模型,将所有的右高斯滤波核组成右高斯滤波核模型,将左高斯滤波核模型与右高斯滤波核模型组成多向双高斯滤波核模型。
步骤B,生成多向双均值滤波核模型。
将第一左均值滤波核的边长设置为13,按照下式,计算第一左均值滤波核在不同坐标位置的滤波核的数值,将第一左均值滤波核中所有坐标位置的滤波核的数值组成该左均值滤波核:
其中,表示第一左均值滤波核中位于横坐标xml、纵坐标yml处的滤波核的数值,xml、yml分别表示第一左均值滤波核中滤波核数值的横坐标和纵坐标,xml为整数,其取值范围为[-6,6],yml为整数,其取值范围为[-6,6]。
按照的排列顺序,依次设置第一至第八左均值滤波核的倾斜角,以第一左均值滤波核的中心位置为旋转中心,以第二左均值滤波核的倾斜角为旋转角度,将第一左均值滤波核绕其中心位置逆时针旋转得到第二左均值滤波核,以第三至第八的左均值滤波核的倾斜角为各自的旋转角度,采用与第二左均值滤波核相同的生成方法生成第三至第八左均值滤波核。
将第一至第八的右均值滤波核的边长设置为13,按照下式,计算第一右均值滤波核在不同坐标位置的滤波核的数值,将第一右均值滤波核中所有坐标位置的滤波核的数值组成该右均值滤波核:
其中,表示第一右均值滤波核中位于横坐标xmr、纵坐标ymr处的滤波核的数值,xmr、ymr分别表示第一右均值滤波核中滤波核数值的横坐标和纵坐标,xmr为整数,其取值范围为[-6,6],ymr为整数,其取值范围为[-6,6];
按照的排列顺序,依次设置第一至第八右均值滤波核的倾斜角,以第一右均值滤波核的中心位置为旋转中心,以第二右均值滤波核的倾斜角为旋转角度,将第一右均值滤波核绕其中心位置逆时针旋转得到第二右均值滤波核,以第三至第八的右均值核的倾斜角为各自的旋转角度,采用与第二右均值滤波核相同的生成方法生成第三至第八右均值滤波核;
将所有的左均值滤波核组成左均值滤波核模型,将所有的右均值滤波核组成右均值滤波核模型,将左均值滤波核模型与右均值滤波核模型组成多向双均值滤波核模型。
步骤C,生成阈值化高斯边缘强度图与边缘梯度图。
输入一幅待处理的单通道SAR图像,该SAR图像为灰度图像,行数为M,列数为N,所含像素个数为M×N。
用左高斯滤波核模型中的每个左高斯滤波核,对输入的SAR图像进行滤波操作,得到每个左高斯滤波核的左高斯滤波图,共8个左高斯滤波图。
用右高斯滤波核模型中的每个右高斯滤波核,对输入的SAR图像进行滤波操作,得到每个右高斯滤波核的右高斯滤波图,共8个右高斯滤波图。
对得到的高斯滤波图进行编号,令左高斯滤波图的序号为i,i=1,2,...,8,右高斯滤波图的序号与左高斯滤波图一一对应,即同为i;例如第一左高斯滤波核滤波后得到第一左高斯滤波图,对其编号为1,第一右高斯滤波核滤波后得到第一右高斯滤波图,其编号也为1;第二左高斯滤波核滤波后得到第二左高斯滤波图,对其编号为2,第二右高斯滤波核滤波后得到第二右高斯滤波图,其编号也为2;依次类推进行编号。
根据下式,计算SAR图像中每个像素的边缘强度响应,所有像素的边缘强度响应组成高斯边缘强度图;
其中,表示高斯边缘强度图中位于横坐标xg、纵坐标yg处的边缘强度响应,min表示取最小值操作,表示第i左高斯滤波图中位于横坐标xg、纵坐标yg处的滤波值,表示第i右高斯滤波图中位于横坐标xg、纵坐标yg处的滤波值。
将高斯边缘强度图中每个边缘强度响应对应的左高斯滤波图的序号值作为梯度像素值,将所有的梯度像素组成图像的边缘梯度图。
对高斯边缘强度图进行阈值化操作,得到阈值化高斯边缘强度图。
所述对高斯边缘强度图进行阈值化操作的具体步骤如下:
C1)设置高斯边缘强度图的阈值化参数α。
C2)将高斯边缘强度图中边缘强度响应按照升序顺序排序,将前α×M×N个边缘强度响应值置0,得到阈值化高斯边缘强度图。
步骤D,生成阈值化均值边缘强度图。
输入一幅待处理的单通道SAR图像,该SAR图像为灰度图像,行数为M,列数为N,所含像素个数为M×N。
用左均值滤波核模型中的每个左均值滤波核,对输入的SAR图像进行滤波操作,得到每个左均值滤波核的左均值滤波图,共8个左均值滤波图。
用右均值滤波核模型中的每个右均值滤波核,对输入的SAR图像进行滤波操作,得到每个右均值滤波核的右均值滤波图,共8个右均值滤波图。
对得到的均值滤波图进行编号,令左均值滤波图的序号为j,j=1,2,...,8,右均值滤波图的序号与左均值滤波图一一对应,即同为j;例如第一左均值滤波核滤波后得到第一左均值滤波图,对其编号为1,第一右均值滤波核滤波后得到第一右均值滤波图,其编号也为1;第二左均值滤波核滤波后得到第二左均值滤波图,对其编号为2,第二右均值滤波核滤波后得到第二右均值滤波图,其编号也为2;依次类推进行编号。
根据下式,计算SAR图像中每个像素的边缘强度响应,所有像素的边缘强度响应组成均值边缘强度图:
其中,表示均值边缘强度图中位于横坐标xm、纵坐标ym处的边缘强度响应,min表示取最小值操作,表示第j左均值滤波图中位于横坐标xm、纵坐标ym处的滤波值,表示第j右均值滤波图中位于横坐标xm、纵坐标ym处的滤波值。
对均值边缘强度图进行阈值化操作,得到阈值化均值边缘强度图,所述阈值化操作的具体步骤如下:
D1)设置均值边缘强度图的阈值化参数与高斯边缘强度图的阈值化参数相同,即为α;
D2)将均值边缘强度图中边缘强度响应按照升序顺序排序,将前α×M×N个边缘强度响应值置0,得到阈值化均值边缘强度图。
步骤E,生成阈值化边缘强度图。
遍历阈值化高斯边缘强度图中的每个像素,将像素值大于0的像素的值设置为1,将像素值小于或等于0的像素的值设置为0,得到逻辑化高斯边缘强度图。
遍历阈值化均值边缘强度图中的每个像素,将像素值大于0的像素的值设置为1,将像素值小于或等于0的像素的值设置为0,得到逻辑化均值边缘强度图。
根据下式,计算阈值化边缘强度图中每个像素的边缘强度响应,所有像素的边缘强度响应组成阈值化边缘强度图:
其中,TExy表示阈值化边缘强度图中位于横坐标x、纵坐标y处的边缘强度响应,GExy表示阈值化高斯边缘强度图中位于横坐标x、纵坐标y处的边缘强度响应,GLxy表示逻辑化高斯边缘强度图中位于横坐标x、纵坐标y处的逻辑值,RLxy表示逻辑化均值边缘强度图中位于横坐标x、纵坐标y处的逻辑值。
步骤F,获取边缘检测结果,具体步骤同实施例一的步骤7。
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 i7-7700 CPU,主频为3.6GHz,内存16GB。
本发明的仿真实验的软件平台为:Windows 10操作系统和MATLAB R2017b。
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384×384、460×460、460×460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,从获取的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。
所述的现有技术是水鹏朗等人在其发表的论文“Fast SAR image segmentationvia merging cost with relative common boundary length penalty”(IEEETransactions on Geoscience and Remote Sensing,52(2014)6434-6448)中提出的一种基于矩形窗口与比的SAR图像边缘检测方法。
图2中的(a)为仿真实验输入的待处理SAR图像S3;
图2中的(b)为现有技术对S3图像进行边缘检测得到的边缘图;
图2中的(c)为利用本发明对S3图像进行边缘检测得到的边缘图;
由图2中的(b)可以看出,采用现有技术得到的边缘图中的左上方,以椭圆圈出的部分中没有检测出待处理SAR图像S3的图像边缘,且在各边缘附近存在一些错误检测到的孤立的边缘点,说明现有技术会造成图像边缘的漏检与错检。
由图2中的(c)可以看出,采用本发明得到的边缘图中的左上方,椭圆圈出的部分中有完整的待处理SAR图像S3的图像边缘,且在各边缘附近不存在错误检测到边缘点,说明本发明能够精确地检测到图像的边缘。
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,从获取边缘结果所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。
所述的现有技术是张泽钧等人在IEEE Access,7(2019)84479-84496上发表的论文“SAR image segmentation using hierarchical region merging with orientatededge strength weighted Kuiper’s distance”中提出的一种基于矩形窗口与巴氏系数的SAR图像边缘检测方法,简称RBED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 |
RBED方法耗时(s) | 267.69 | 400.68 | 422.06 |
本发明方法耗时(s) | 0.81 | 1.14 | 1.17 |
从表1可以看出,对每个合成的模拟SAR图像进行边缘检测,本发明的耗时均明显低于现有技术,证明本发明可以更加快速地得到SAR图像的边缘结果。
以上仿真实验表明:本发明利用多向双高斯核模型求SAR图像梯度,能够准确定位SAR图像边缘,使用阈值化均值边缘强度图修正阈值化高斯边缘强度图,解决了现有技术图像边缘的漏检问题与错检问题;使用简单的比值运算与减法运算代替复杂的巴氏系数运算,能够有效降低计算复杂度,减少消耗的时间,解决了现有技术计算量大,需要消耗大量时间的问题。
上述仿真分析证明了本发明所提方法的正确性与有效性。
本发明未详细说明部分属于本领域技术人员公知常识。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于高斯滤波与均值滤波的SAR图像边缘检测方法,其特征在于,包括如下步骤:
(1)构建多向双高斯滤波核模型,实现如下:
(1a)生成左高斯滤波核:
其中,exp表示以自然常数e为底的指数操作,π表示圆周率;横坐标xgl和纵坐标ygl均为整数,且其取值范围为[-(Wgl-1)/2,(Wgl-1)/2];
(1a2)计算在[-(Wgl-1)/2,(Wgl-1)/2]范围内所有坐标位置的第一左高斯滤波核数值,得到第一左高斯滤波核;
(1a4)将第一至第八左高斯滤波核构成的整体作为左高斯滤波核;
(1b)生成右高斯滤波核:
其中,exp表示以自然常数e为底的指数操作,π表示圆周率;横坐标xgr和纵坐标ygr均为整数,且其取值范围为[-(Wgr-1)/2,(Wgr-1)/2];
(1b2)计算在[-(Wgr-1)/2,(Wgr-1)/2]范围内所有坐标位置的第一右高斯滤波核数值,得到第一右高斯滤波核;
(1b4)将第一至第八右高斯滤波核构成的整体作为右高斯滤波核;
(1c)利用左高斯滤波核和右高斯滤波核组成多向双高斯滤波核模型;
(2)构建多向双均值滤波核模型,实现如下:
(2a)生成左均值滤波核:
其中,横坐标xml和纵坐标yml均为整数,且其取值范围为[-(Wml-1)/2,(Wml-1)/2];
(2a2)计算在[-(Wml-1)/2,(Wml-1)/2]范围内所有坐标位置的第一左均值滤波核数值,得到第一左均值滤波核;
(2a4)将第一至第八左均值滤波核构成的整体作为左均值滤波核;
(2b)生成右均值滤波核:
其中,横坐标xmr和纵坐标ymr均为整数,且其取值范围为[-(Wmr-1)/2,(Wmr-1)/2];
(2b2)计算在[-(Wmr-1)/2,(Wmr-1)/2]范围内所有坐标位置的第一右均值滤波核数值,得到第一右均值滤波核;
(2b4)将第一至第八右均值滤波核构成的整体作为右均值滤波核;
(2c)利用左均值滤波核和右均值滤波核组成多向双均值滤波核模型;
(3)输入一幅待处理的单通道SAR图像灰度图,其像素个数为M×N;
(4)生成边缘梯度图与阈值化高斯边缘强度图:
(4a)使用多向双高斯滤波核模型对输入的SAR图像进行滤波操作,得到8个左高斯滤波图和8个右高斯滤波图;对其进行编号,令左高斯滤波图的序号为i,i=1,2,...,8,右高斯滤波图的序号与左高斯滤波图一一对应,即同为i;
(4b)根据下式,计算高斯边缘强度图中所有坐标位置的边缘强度响应,将其组成高斯边缘强度图:
其中,表示高斯边缘强度图中位于坐标(xg,yg)处的边缘强度响应,min表示取最小值操作;表示第i左高斯滤波图中位于坐标(xg,yg)处的滤波值,表示第i右高斯滤波图中位于坐标(xg,yg)处的滤波值;
(4c)将高斯边缘强度图中每个边缘强度响应对应的左高斯滤波图的序号作为梯度值,根据所有的梯度值得到边缘梯度图;同时,设置阈值化参数为αg,对高斯边缘强度图进行阈值化操作,得到阈值化高斯边缘强度图;
(5)生成阈值化均值边缘强度图:
(5a)用多向双均值滤波核模型对输入的SAR图像进行滤波操作,得到8个左均值滤波图和8个右均值滤波图;对其进行编号,令左均值滤波图的序号为j,j=1,2,...,8,右均值滤波图的序号与左均值滤波图一一对应,即同为j;
(5b)根据下式,计算均值边缘强度图中所有坐标位置的边缘强度响应,将其组成均值边缘强度图:
(5c)对均值边缘强度图进行阈值化操作,得到阈值化均值边缘强度图;
(6)生成阈值化边缘强度图:
(6a)遍历阈值化高斯边缘强度图中的每个像素,将像素值大于0的像素的值设置为1,将像素值小于或等于0的像素的值设置为0,得到逻辑化高斯边缘强度图;
(6b)遍历阈值化均值边缘强度图中的每个像素,将像素值大于0的像素的值设置为1,将像素值小于或等于0的像素的值设置为0,得到逻辑化均值边缘强度图;
(6c)根据下式,计算阈值化边缘强度图中所有坐标位置的边缘强度响应,将其组成阈值化边缘强度图:
其中,TExy表示阈值化边缘强度图中位于坐标(x,y)处的边缘强度响应,GExy表示阈值化高斯边缘强度图中位于坐标(x,y)处的边缘强度响应,GLxy表示逻辑化高斯边缘强度图中位于坐标(x,y)处的逻辑值,RLxy表示逻辑化均值边缘强度图中位于坐标(x,y)处的逻辑值;
(7)获取边缘检测结果:
(7a)对阈值化边缘强度图进行非极大抑制操作,得到边缘非抑制图;
(7b)对边缘非抑制图的每个像素进行滞后阈值操作,得到SAR图像的边缘图,即边缘检测结果。
2.根据权利要求1所述方法,其特征在于:步骤(4c)中所述阈值化高斯边缘强度图,具体是将高斯边缘强度图中所有的边缘强度响应按照升序排列,并将前αg×M×N个边缘强度响应置0得到。
3.根据权利要求1所述方法,其特征在于:步骤(5c)中所述阈值化均值边缘强度图,按如下步骤得到:
(5c1)设置阈值化参数为αm,并令αm=αg;
(5c2)将均值边缘强度图中所有的边缘强度响应按照升序排列,将前αm×M×N个边缘强度响应置0,得到阈值化均值边缘强度图。
4.根据权利要求1所述方法,其特征在于:步骤(7a)中所述的非极大抑制操作,具体步骤如下:
(7a1)计算每个像素的梯度方向,将所有像素的梯度方向组成边缘梯度方向图;计算公式如下:
其中,Dm表示边缘梯度方向图中第m像素的梯度方向,Tm表示边缘梯度图中第m像素的梯度值;
(7a2)遍历阈值化边缘强度图中的每个像素,根据每个像素的梯度方向,将以每个像素为中心的8邻域像素中,位于对应梯度方向上的2个像素作为每个像素的对比像素;
(7a3)遍历阈值化边缘强度图中的每个像素,对比每个像素与其2个对比像素值的大小,将大于对比像素的像素值作为一个非抑制像素值;
(7a4)将所有的非抑制像素值组成边缘非抑制图。
5.根据权利要求1所述方法,其特征在于:步骤(7b)中所述的滞后阈值操作,具体步骤如下:
(7b1)设定用于判定边缘像素的高阈值和低阈值;
(7b2)遍历边缘非抑制图中的每个像素,将每个像素的值分别与预先设定的高阈值、低阈值对比,将大于高阈值的像素作为边缘像素、小于高阈值且大于低阈值的像素作为待定特征像素、小于低阈值的像素判定为非边缘像素,将所有的边缘像素组成边缘像素集;
(7b3)将以每个边缘像素为中心的8邻域内的8个像素组成一个补充集,并将补充集中的每个待定特征像素作为边缘像素;
(7b4)将得到的所有边缘像素组成SAR图像的边缘图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110856884.0A CN113436218B (zh) | 2021-07-28 | 2021-07-28 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110856884.0A CN113436218B (zh) | 2021-07-28 | 2021-07-28 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436218A true CN113436218A (zh) | 2021-09-24 |
CN113436218B CN113436218B (zh) | 2023-02-10 |
Family
ID=77762174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110856884.0A Active CN113436218B (zh) | 2021-07-28 | 2021-07-28 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436218B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908415A (zh) * | 2023-01-06 | 2023-04-04 | 深圳新视智科技术有限公司 | 基于边缘的缺陷检测方法、装置、设备及存储介质 |
CN117437217A (zh) * | 2023-12-18 | 2024-01-23 | 武汉博源新材料科技集团股份有限公司 | 一种基于图像识别的纸塑产品分拣方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509290A (zh) * | 2011-10-25 | 2012-06-20 | 西安电子科技大学 | 基于显著性的sar图像机场跑道边缘检测方法 |
CN104637063A (zh) * | 2015-02-16 | 2015-05-20 | 天津大学 | 一种在合成孔径雷达海洋溢油图像中检测油膜边缘的方法 |
US20150316646A1 (en) * | 2014-05-01 | 2015-11-05 | Utah State University | Synthetic aperture radar target modeling |
CN107358616A (zh) * | 2017-06-30 | 2017-11-17 | 西安电子科技大学 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
CN108447039A (zh) * | 2018-03-28 | 2018-08-24 | 陕西师范大学 | 一种基于改进非局部均值的非下采样Shearlet降斑方法 |
CN110533679A (zh) * | 2019-07-29 | 2019-12-03 | 西安电子科技大学 | 基于对数变换与伽柏卷积的sar图像边缘检测方法 |
-
2021
- 2021-07-28 CN CN202110856884.0A patent/CN113436218B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509290A (zh) * | 2011-10-25 | 2012-06-20 | 西安电子科技大学 | 基于显著性的sar图像机场跑道边缘检测方法 |
US20150316646A1 (en) * | 2014-05-01 | 2015-11-05 | Utah State University | Synthetic aperture radar target modeling |
CN104637063A (zh) * | 2015-02-16 | 2015-05-20 | 天津大学 | 一种在合成孔径雷达海洋溢油图像中检测油膜边缘的方法 |
CN107358616A (zh) * | 2017-06-30 | 2017-11-17 | 西安电子科技大学 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
CN108447039A (zh) * | 2018-03-28 | 2018-08-24 | 陕西师范大学 | 一种基于改进非局部均值的非下采样Shearlet降斑方法 |
CN110533679A (zh) * | 2019-07-29 | 2019-12-03 | 西安电子科技大学 | 基于对数变换与伽柏卷积的sar图像边缘检测方法 |
Non-Patent Citations (3)
Title |
---|
WENBO JING ET AL.: "SAR Image edge detection with recurrent guidance filter", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
刘晓君等: "一种改进的SAR影像边缘检测方法", 《测绘通报》 * |
许乐灵等: "一种引导滤波自适应双阈值优化边缘检测算法", 《南京理工大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908415A (zh) * | 2023-01-06 | 2023-04-04 | 深圳新视智科技术有限公司 | 基于边缘的缺陷检测方法、装置、设备及存储介质 |
CN117437217A (zh) * | 2023-12-18 | 2024-01-23 | 武汉博源新材料科技集团股份有限公司 | 一种基于图像识别的纸塑产品分拣方法及系统 |
CN117437217B (zh) * | 2023-12-18 | 2024-03-08 | 武汉博源新材料科技集团股份有限公司 | 一种基于图像识别的纸塑产品分拣方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113436218B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farid | Exposing digital forgeries in scientific images | |
CN107808161B (zh) | 一种基于光视觉的水下目标识别方法 | |
Duan et al. | Detection and segmentation of iron ore green pellets in images using lightweight U-net deep learning network | |
CN114372983B (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及系统 | |
CN113436218B (zh) | 基于高斯滤波与均值滤波的sar图像边缘检测方法 | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
CN110232387B (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN111539957B (zh) | 一种用于目标检测的图像样本生成方法、系统及检测方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN104899888A (zh) | 一种基于Legendre矩的图像亚像素边缘检测方法 | |
Sridevi et al. | A survey on monochrome image segmentation methods | |
Chakraborty | An advanced approach to detect edges of digital images for image segmentation | |
CN112116557B (zh) | 一种射线图像焊缝区域缺陷探测方法、存储介质及设备 | |
CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
Zhou et al. | Improved estimation of motion blur parameters for restoration from a single image | |
Norouzi et al. | A hybrid feature extraction method for SAR image registration | |
CN116228780A (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
US8989462B2 (en) | Systems, methods and computer readable storage mediums storing instructions for applying multiscale bilateral filtering to magnetic resonance (RI) images | |
Sengar et al. | Analysis of 2D-gel images for detection of protein spots using a novel non-separable wavelet based method | |
Wu et al. | Image Edge Detection Based on Sobel with Morphology |
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 |