CN115661660A - Sar图像桥梁快速检测方法及设备 - Google Patents

Abstract

本发明公开了一种SAR图像桥梁快速检测方法及设备，属于雷达干涉测量技术领域。本发明的方法包括：采用FCM聚类方法对SAR图像进行分割，将SAR图像分类为水域图像与背景图像两类；利用形态学处理方法对分割结果中水域图像进行膨胀操作，使得被桥梁分割的水域连通；将连通前后的水域图像转换为矢量后，进行叠加变化分析，获取目标候选区域图像；将目标候选区域图像中每个目标定义为对象块，分别对每个对象块提取目标的特征，基于预设的知识规则对所有候选区域进行分类，去除虚警目标，保留目标候选区域图像中桥梁目标，从而提取桥梁的位置与轮廓。本发明能够快速有效地从SAR图像中提取桥梁目标。

Description

SAR图像桥梁快速检测方法及设备

技术领域

本发明属于雷达干涉测量技术领域，具体涉及一种SAR图像桥梁快速检测方法及设备。

背景技术

桥梁是非常重要的陆地交通设施之一，同时也是军事领域中的重点保护和打击目标。随着合成孔径雷达技术的发展，大面积的高分辨率雷达图像为陆地交通与军事目标信息提取提供了丰富的数据源，国内外学者对SAR图像道路和桥梁等交通目标识别研究也日益增多。

从SAR图像中提取桥梁目标存在以下困难：

(1)由于SAR图像中桥梁目标可能是由若干个强散射点或线组成，桥梁轮廓是分裂的、离散的。

(2)由于桥梁目标常常与周围建筑、道路或树木相连，桥梁目标难以从复杂背景中分离出来。

(3)复杂背景中的建筑物与树木等强散射点存在干扰。

目前，国内外学者针对遥感图像提出了多种桥梁提取的方法，其中比较基础的方法有：基于差影检测的方法、基于边缘提取的方法、基于逻辑算子的方法、基于道路信息的方法等。这几种方法虽然操作简便却各有弊端。其中，差影检测法的提取精度取决于水体信息提取的精度，结构元素几何形状单一，提取效果不理想；基于边缘提取的方法未充分考虑桥梁与河流的位置关系，仅根据目标的平行线特征，会产生较多的虚警；基于逻辑算子的方法使用前提是桥梁宽度比较小，只能识别较低分辨率遥感图像中的桥梁目标，不具有普遍的适用性；基于道路信息的方法使用前提是图像中的道路信息已知，限制了目标选择的范围。以上基础方法均存在算法单一，精度不高等问题，仅适用于中低分辨率影像。

因此，有人提出一些综合性较强且适用于高分辨率图像的提取桥梁方法，如闵莉等提出一种基于Mumford_shah模型的水上桥梁目标分割与识别方法，根据桥梁与河流边界的几何位置关系实现对桥梁提取，解决了对远距离小目标水上桥梁及灰度梯度较弱图像的桥梁分割和识别问题。但该算法以桥梁先验知识为前提，对于不符合桥梁知识的情况存在一定局限性。

所以，目前研究还缺乏一种在没有任何先验信息的条件下，快速、自动地从SAR图像中提取桥梁目标的方法。

发明内容

本发明目的是提供一种SAR图像桥梁快速检测方法及设备，克服了现有技术中的缺点，通过SAR图像快速检测技术，结合非局部稀疏模型滤波、FCM聚类分割、面向对象层的多特征提取技术，能够快速、有效地从SAR图像中提取桥梁目标。

具体地说，一方面，本发明提供了一种SAR图像桥梁快速检测方法，包括：

目标候选区域图像提取：采用FCM聚类方法对SAR图像进行分割，将SAR图像分类为水域图像与背景图像两类；利用形态学处理方法对分割结果中水域图像进行膨胀操作，使得被桥梁分割的水域连通；将连通前后的水域图像转换为矢量后，进行叠加变化分析，获取目标候选区域图像；

目标精提取：将所述目标候选区域图像中每个目标定义为对象块，分别对每个对象块提取目标的特征，基于预设的知识规则对所有候选区域进行分类，去除虚警目标，保留目标候选区域图像中桥梁目标，从而提取SAR图像中桥梁的位置与轮廓；

所述采用FCM聚类方法对SAR图像进行分割，包括以下步骤：

提取SAR图像中各像素点的灰度值，作为灰度特征，提取SAR图像的纹理特征，结合提取的所述灰度特征和纹理特征，运用FCM聚类方法对SAR图像进行分割，获得水域分割结果。

进一步的，所述提取SAR图像中各像素点的灰度值，作为灰度特征包括：统计SAR图像中任意像素的灰度值与该像素的邻域内所有像素值的相似度，若相似像素个数少于指定阈值R，则该像素点的灰度值取相似像素灰度值的平均值；否则该像素点的灰度值取邻域内所有像素灰度值的平均值。

进一步的，所述提取SAR图像的纹理特征包括：采用灰度共生矩阵来提取SAR图像的纹理特征，通过统计SAR图像中每个像素周围的邻域像素在0°、45°、90°、135°方向且距离为指定值d的灰度共生矩阵，并分别计算各灰度共生矩阵的相关度、同质性、熵和角二阶矩这四个纹理特征。

进一步的，所述知识规则如下：

对每一种类型的桥梁预设不同的参数范围上下限，包括

(1)假设桥梁目标长度为L，则长度范围为L1<L<L2；

(2)假设桥梁目标宽度为W，则宽度范围为W1<W<W2；

(3)假设桥梁目标长宽比为R，则长度范围为R1<R<R2；

(4)假设桥梁目标形状指数为S，则长度范围为S1<S<S2；

其中，L1、L2分别为预设的桥梁目标长度下限和上限，W1、W2分别为预设的桥梁目标宽度下限和上限，R1、R2分别为预设的桥梁目标长宽比下限和上限，S1、S2分别为预设的桥梁目标形状指数下限和上限。

进一步的，在所述候选区域图像提取之前还包括对SAR图像进行非局部稀疏模型降噪预处理。

进一步的，所述非局部稀疏模型降噪预处理包括：

1)以SAR图像中每个像素的邻域为图像块，计算每个图像块与其他图像块的相似度，构建相似集合，领域的大小为N×N像素；以SAR图像中每个像素的邻域为图像块，并将以像素点为中心的M×M像素的范围为搜索框，M为指定大小的搜索框的尺寸，计算搜索框内的每个图像块与所述邻域图像块的欧式距离，当距离小于预设阈值P时则为相似图像块，从而求解SAR图像中该像素点的相似集合；

2)分析相似集合的结构与大小，通过构建相似集合的字典来组成稀疏表示字典；

3)根据组成的稀疏表示字典，对SAR图像的相似集合进行稀疏分解与稀疏重构，求解图像的稀疏系数矩阵，用于SAR图像去噪；

4)计算SAR图像中每个像素所有降噪结果的平均值，作为该像素的最后降噪结果，从而获得整幅图像的降噪结果。

进一步的，所述分析相似集合的结构与大小，通过构建相似集合的字典来组成稀疏表示字典包括：

当相似集合小于预设阈值Q时，选取K-SVD方法中的稀疏表示字典作为该相似集合的字典；当相似集合大于预设阈值Q时，通过结合SOMP算法迭代计算的方法求解该相似集合的字典；

再由得到的各所述相似集合的字典组成稀疏表示字典。

另一方面，本发明还提供一种SAR图像桥梁快速检测设备，所述设备包括存储器和处理器；所述存储器存储有实现SAR图像桥梁快速检测方法的计算机程序，所述处理器执行所述计算机程序，以实现上述方法的步骤。

再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现上述方法的步骤。

本发明的SAR图像桥梁快速检测方法及设备的有益效果如下：

针对现有技术中桥梁目标提取结果呈现桥梁轮廓分裂的问题，本发明的SAR图像桥梁快速检测方法及设备，采用非局部稀疏模型对SAR图像进行滤波处理，对图像进行降噪与增强，不仅可以使SAR图像更加均匀、平滑，还可以获得轮廓清晰、完整的建筑物区域，为后续的目标精提取提供基础。

针对现有技术中桥梁目标难以从复杂背景中分离的难题，本发明的SAR图像桥梁快速检测方法及设备，首先利用FCM聚类方法对预处理后图像进行二值化分割，获得水域提取结果，并采用形态学处理方法对水域图进行膨胀操作，使得分裂的水域连通，最后通过对水域连通前后的图层进行叠加分析，获得桥梁候选区域。

针对现有技术中复杂背景中存在建筑物与树木等强散射点的干扰问题，本发明的SAR图像桥梁快速检测方法及设备，基于面向对象的分析思想，对所有候选区域提取几何特征、形状特征与拓扑特征，并利用知识规则的分类方法，对所有候选区域进行分类，可以有效地剔除图像中的建筑物与树木等虚警目标，从而减少了复杂背景中建筑物与树木等强散射地物的干扰，能够准确提取桥梁的位置与轮廓。

本发明的SAR图像桥梁快速检测方法及设备，利用非局部稀疏模型，结合形态学方法与叠加变化分析，对水域分割后的图像进行处理，能够快速获取桥梁候选区域。

附图说明

图1是本发明实施例的方法流程图。

图2是本发明实施例的从SAR图像提取桥梁目标过程示意图，其中，(a)为待提取目标的SAR图像，(b)为水域分割结果，(c)为目标候选区域图像，(d)为最终的目标提取结果。

具体实施方式

下面结合实施例并参照附图对本发明作进一步详细描述。

实施例1：

本发明的一个实施例，为一种SAR图像桥梁快速检测方法，如图1所示。利用SAR图像进行桥梁提取实验的实验数据选择具有典型地物场景的单极化SAR图像(大小为1410×858像素)，如图2中(a)所示。研究区域为河流水域，包括建筑物、道路、农田、树木、阴影等地物。具体包括以下步骤：

一、候选区域图像提取

1-1)采用FCM(fuzzy c-means algorithm，模糊c-均值聚类算法)聚类方法对SAR图像进行分割，将SAR图像分类为水域图像与背景图像两类，如图2中(b)所示，包括以下步骤：

1-1-1)提取SAR图像的灰度特征

灰度特征是SAR图像中各像素点的灰度值。统计SAR图像中任意像素的灰度值与其邻域内所有像素值(N×N个)的相似度，若相似像素个数少于指定阈值R，则该像素点的灰度值取相似像素灰度值的平均值；否则该像素点的灰度值取邻域内所有像素(N×N个)灰度值的平均值。

1-1-2)提取SAR图像的纹理特征

采用灰度共生矩阵(GLCM)来提取SAR图像的纹理特征，通过统计SAR图像中每个像素周围的N×N个邻域像素在4个方向(0°、45°、90°、135°)且距离为指定值d的灰度共生矩阵，并分别计算各灰度共生矩阵的相关度、同质性、熵和角二阶矩这四个纹理特征。

1-1-3)进行图像分割

结合之前提取的灰度特征和纹理特征，运用FCM聚类方法对SAR图像进行分割，获得水域分割结果。

1-2)提取目标候选区域图像

利用形态学处理方法对水域分割结果进行膨胀操作，使得被桥梁分割的水域连通；将连通前后的水域图像转换为矢量后，进行叠加变化分析，获取目标候选区域图像，结果如图2中(c)所示。

本发明的SAR图像桥梁快速检测方法，采用多特征判别方法，充分考虑了桥梁所特有的形状特征与拓扑特性，减少了虚警现象，从而达到有效、快速地从图像中提取桥梁的目的。

二、目标精提取

步骤一得到的目标候选区域图像中包含了桥梁、建筑物、树木等地物，为了减少虚警目标，采用面向对象的思想，将目标候选区域图像中每个目标定义为对象块，分别对每个对象块提取目标的特征，例如面积、周长、长宽比、形状指数以及阴影特性等特征，基于预设的知识规则对所有目标候选区域进行分类，去除虚警目标，保留目标候选区域图像中桥梁目标，从而提取SAR图像中桥梁的位置与轮廓。最终的目标提取结果如图2中(d)所示。

例如，常用的知识规则如下：

(1)假设桥梁目标长度为L，则长度范围为L1<L<L2；

(2)假设桥梁目标宽度为W，则宽度范围为W1<W<W2；

(3)假设桥梁目标长宽比为R，则长度范围为R1<R<R2；

(4)假设桥梁目标形状指数为S，则长度范围为S1<S<S2。

其中，L1、L2分别为预设的桥梁目标长度下限和上限，W1、W2分别为预设的桥梁目标宽度下限和上限，R1、R2分别为预设的桥梁目标长宽比下限和上限，S1、S2分别为预设的桥梁目标形状指数下限和上限。

对每一种类型的桥梁(例如小型桥梁、中型桥梁、大型桥梁)预设不同的参数范围上下限。例如小型桥梁的长度上下限分别为5米和3米，中型桥梁的长度上下限分别为50米和5米，大型桥梁的长度上下限分别为5000米和50米，等。

SAR相干成像机理使所获得的SAR图像中含有大量相干斑噪声，这些相干斑噪声给图像目标检测与识别等后续处理带来了不利影响。

因此，优选的，在另一个实施例中，在进行候选区域提取之前，还包括对SAR图像进行非局部稀疏模型降噪预处理。具体来说，采用非局部稀疏模型对SAR图像进行滤波处理，在减少图像相干斑噪声的同时，还可以保持图像边缘、轮廓等细节信息，获得轮廓更加清晰、完整的桥梁区域，为后续目标提取提供基础。

非局部稀疏模型降噪预处理包括：

1)以SAR图像中每个像素的邻域为图像块，计算每个图像块与其他图像块的相似度，构建相似集合。领域的大小为N×N像素。

以SAR图像中每个像素的邻域(大小为N×N像素)为图像块，并将以像素点为中心的M×M像素的范围为搜索框，M为指定大小的搜索框的尺寸，计算搜索框内的每个图像块与所述邻域图像块的欧式距离，当距离小于预设阈值P时则为相似图像块，从而求解SAR图像中该像素点的相似集合。

2)分析相似集合的结构与大小，通过构建相似集合的字典来组成稀疏表示字典。

通过设计有效的稀疏表示字典，利用少量的信息来重构图像信号，从而实现图像去噪。

当相似集合小于预设阈值Q时，选取K-SVD方法中的稀疏表示字典作为该相似集合的字典；当相似集合大于预设阈值Q时，通过结合SOMP算法迭代计算的方法求解该相似集合的字典。再由得到的各相似集合的字典组成稀疏表示字典。

3)根据组成的稀疏表示字典，采用SOMP(Simultaneous Orthogonal MatchingPursuit)算法对SAR图像的相似集合进行稀疏分解与稀疏重构，求解图像的稀疏系数矩阵，用于SAR图像去噪。

4)原SAR图像中每个像素均包含多个去噪结果，计算SAR图像中每个像素所有降噪结果的平均值，作为该像素的最后降噪结果，从而获得整幅图像的降噪结果。

利用非局部稀疏模型对SAR图像进行滤波处理，可以使图像中分裂、离散的桥梁目标聚合成一个完整的强散射目标。通过非局部稀疏模型滤波处理后，图像中背景不仅变得更加均匀、平滑，水域、桥梁轮廓也更加清楚、完整，与背景的可区分度更大。

针对现有技术中桥梁目标提取结果呈现桥梁轮廓分裂的问题，本发明的SAR图像桥梁快速检测方法及设备，采用非局部稀疏模型对SAR图像进行滤波处理，对图像进行降噪与增强，不仅可以使SAR图像更加均匀、平滑，还可以获得轮廓清晰、完整的建筑物区域，为后续的目标精提取提供基础。

针对现有技术中桥梁目标难以从复杂背景中分离的难题，本发明的SAR图像桥梁快速检测方法及设备，首先利用FCM聚类方法对预处理后图像进行二值化分割，获得水域提取结果，并采用形态学处理方法对水域图进行膨胀操作，使得分裂的水域连通，最后通过对水域连通前后的图层进行叠加分析，获得桥梁候选区域。

针对现有技术中复杂背景中存在建筑物与树木等强散射点的干扰问题，本发明的SAR图像桥梁快速检测方法及设备，基于面向对象的分析思想，对所有候选区域提取几何特征、形状特征与拓扑特征，并利用知识规则的分类方法，对所有候选区域进行分类，可以有效地剔除图像中的建筑物与树木等虚警目标，从而减少了复杂背景中建筑物与树木等强散射地物的干扰，能够准确提取桥梁的位置与轮廓。

本发明的SAR图像桥梁快速检测方法及设备，利用非局部稀疏模型，结合形态学方法与叠加变化分析，对水域分割图进行处理，能够快速获取桥梁候选区域。

在一些实施例中，上述技术的某些方面可以由执行软件的处理系统的一个或多个处理器来实现。该软件包括存储或以其他方式有形实施在非暂时性计算机可读存储介质上的一个或多个可执行指令集合。软件可以包括指令和某些数据，这些指令和某些数据在由一个或多个处理器执行时操纵一个或多个处理器以执行上述技术的一个或多个方面。非暂时性计算机可读存储介质可以包括例如磁或光盘存储设备，诸如闪存、高速缓存、随机存取存储器(RAM)等的固态存储设备或其他非易失性存储器设备。存储在非临时性计算机可读存储介质上的可执行指令可以是源代码、汇编语言代码、目标代码或被一个或多个处理器解释或以其他方式执行的其他指令格式。

计算机可读存储介质可以包括在使用期间可由计算机系统访问以向计算机系统提供指令和/或数据的任何存储介质或存储介质的组合。这样的存储介质可以包括但不限于光学介质(例如，光盘(CD)、数字多功能光盘(DVD)、蓝光光盘)、磁介质(例如，软盘、磁带或磁性硬盘驱动器)、易失性存储器(例如，随机存取存储器(RAM)或高速缓存)、非易失性存储器(例如，只读存储器(ROM)或闪存)或基于微机电系统(MEMS)的存储介质。计算机可读存储介质可以嵌入计算系统(例如，系统RAM或ROM)中，固定地附接到计算系统(例如，磁性硬盘驱动器)，可移除地附接到计算系统(例如，光盘或通用基于串行总线(USB)的闪存)，或者经由有线或无线网络(例如，网络可访问存储(NAS))耦合到计算机系统。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (9)

1.一种SAR图像桥梁快速检测方法，其特征在于，包括：

目标候选区域图像提取：采用FCM聚类方法对SAR图像进行分割，将SAR图像分类为水域图像与背景图像两类；利用形态学处理方法对分割结果中水域图像进行膨胀操作，使得被桥梁分割的水域连通；将连通前后的水域图像转换为矢量后，进行叠加变化分析，获取目标候选区域图像；

目标精提取：将所述目标候选区域图像中每个目标定义为对象块，分别对每个对象块提取目标的特征，基于预设的知识规则对所有候选区域进行分类，去除虚警目标，保留目标候选区域图像中桥梁目标，从而提取SAR图像中桥梁的位置与轮廓；

所述采用FCM聚类方法对SAR图像进行分割，包括以下步骤：

提取SAR图像中各像素点的灰度值，作为灰度特征，提取SAR图像的纹理特征，结合提取的所述灰度特征和纹理特征，运用FCM聚类方法对SAR图像进行分割，获得水域分割结果。

2.根据权利要求1所述的SAR图像桥梁快速检测方法，其特征在于，所述提取SAR图像中各像素点的灰度值，作为灰度特征包括：统计SAR图像中任意像素的灰度值与该像素的邻域内所有像素值的相似度，若相似像素个数少于指定阈值R，则该像素点的灰度值取相似像素灰度值的平均值；否则该像素点的灰度值取邻域内所有像素灰度值的平均值。

3.根据权利要求1所述的SAR图像桥梁快速检测方法，其特征在于，所述提取SAR图像的纹理特征包括：采用灰度共生矩阵来提取SAR图像的纹理特征，通过统计SAR图像中每个像素周围的邻域像素在0°、45°、90°、135°方向且距离为指定值d的灰度共生矩阵，并分别计算各灰度共生矩阵的相关度、同质性、熵和角二阶矩这四个纹理特征。

4.根据权利要求1所述的SAR图像桥梁快速检测方法，其特征在于，所述知识规则如下：

对每一种类型的桥梁预设不同的参数范围上下限，包括

(1)假设桥梁目标长度为L，则长度范围为L1<L<L2；

(2)假设桥梁目标宽度为W，则宽度范围为W1<W<W2；

(3)假设桥梁目标长宽比为R，则长度范围为R1<R<R2；

(4)假设桥梁目标形状指数为S，则长度范围为S1<S<S2；

其中，L1、L2分别为预设的桥梁目标长度下限和上限，W1、W2分别为预设的桥梁目标宽度下限和上限，R1、R2分别为预设的桥梁目标长宽比下限和上限，S1、S2分别为预设的桥梁目标形状指数下限和上限。

5.根据权利要求4所述的SAR图像桥梁快速检测方法，其特征在于，在所述候选区域图像提取之前还包括对SAR图像进行非局部稀疏模型降噪预处理。

6.根据权利要求5所述的SAR图像桥梁快速检测方法，其特征在于，所述非局部稀疏模型降噪预处理包括：

1)以SAR图像中每个像素的邻域为图像块，计算每个图像块与其他图像块的相似度，构建相似集合，领域的大小为N×N像素；以SAR图像中每个像素的邻域为图像块，并将以像素点为中心的M×M像素的范围为搜索框，M为指定大小的搜索框的尺寸，计算搜索框内的每个图像块与所述邻域图像块的欧式距离，当距离小于预设阈值P时则为相似图像块，从而求解SAR图像中该像素点的相似集合；

2)分析相似集合的结构与大小，通过构建相似集合的字典来组成稀疏表示字典；

3)根据组成的稀疏表示字典，对SAR图像的相似集合进行稀疏分解与稀疏重构，求解图像的稀疏系数矩阵，用于SAR图像去噪；

4)计算SAR图像中每个像素所有降噪结果的平均值，作为该像素的最后降噪结果，从而获得整幅图像的降噪结果。

7.根据权利要求6所述的SAR图像桥梁快速检测方法，其特征在于，所述分析相似集合的结构与大小，通过构建相似集合的字典来组成稀疏表示字典包括：

当相似集合小于预设阈值Q时，选取K-SVD方法中的稀疏表示字典作为该相似集合的字典；当相似集合大于预设阈值Q时，通过结合SOMP算法迭代计算的方法求解该相似集合的字典；

再由得到的各所述相似集合的字典组成稀疏表示字典。

8.一种SAR图像桥梁快速检测设备，其特征在于，所述设备包括存储器和处理器；所述存储器存储有实现SAR图像桥梁快速检测方法的计算机程序，所述处理器执行所述计算机程序，以实现根据权利要求1-7任一所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现根据权利要求1-7任一所述方法的步骤。

Images