CN116778232A - Sar图像竖条纹检测方法、装置、设备以及存储介质 - Google Patents
Sar图像竖条纹检测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN116778232A CN116778232A CN202310646591.9A CN202310646591A CN116778232A CN 116778232 A CN116778232 A CN 116778232A CN 202310646591 A CN202310646591 A CN 202310646591A CN 116778232 A CN116778232 A CN 116778232A
- Authority
- CN
- China
- Prior art keywords
- image
- vertical stripe
- data set
- stripe data
- candidate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000012788 optical film Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开的实施例提供了一种SAR图像竖条纹检测方法、装置、设备以及存储介质，应用于雷达技术领域。该方法包括对SAR图像进行预处理，得到边缘特征图像；对边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集；对第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集；根据第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合；遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集。以此方式可以高效且精准的将SAR图像上的竖条纹进行检测，避免在相干性方面错误的提升干涉数据的相干性值，影响干涉结果的正确性。
Description
技术领域
本公开涉及图像处理领域，尤其涉及雷达技术领域，具体涉及一种SAR图像竖条纹检测方法、装置、设备以及存储介质。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)图像上色调的变化，主要取决于目标物的后向散射截面。具体地，每一个接受到的回波被转换成电信号，并以某一特定的灰度色调记录在光学胶片上或转换成一个具有特定值、由于表示亮度的数字化像元。
以陆探一号为例，陆探一号是成功发射的第一组具有全天时、全天候、多极化对地观测能力的雷达卫星星座，利用干涉测高和差分形变测量技术，可以在高精度、全天候地形测量、形变监测和地质灾害调查监测等领域提供重要的数据支撑。但是，由于散焦、干扰、模糊等原因，造成了陆探一号的SAR图像的方位向上出现特殊的竖条纹现象，如图1所示，基于特殊存在的竖条纹现象，该竖条纹现象在SAR图像中表现为明显的亮条纹，异常的亮条纹现象会影响图像的解译，在相干性方面会错误的提升干涉数据的相干性值，影响干涉结果的正确性。
发明内容
本公开提供了一种SAR图像竖条纹检测方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种SAR图像竖条纹检测方法。该方法包括：
获取SAR图像；
对所述SAR图像进行预处理，得到边缘特征图像；
对所述边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集；
对所述第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集；
根据所述第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合；
遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对所述边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集包括：
将所述边缘特征图像、theta合集、rho合集和峰值坐标组作为输入条件，以两个线段之间的最小距离、最小线条长度作为过滤条件，提取第一候选竖条纹数据集；
其中，所述theta合集根据预设theta范围确定，所述rho合集根据预设rho范围确定，所述峰值坐标组根据识别出的霍夫变换中的峰值的行和列坐标确定。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设theta范围为theta∈[-1,1]。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对所述SAR图像进行预处理，得到边缘特征图像包括：
对所述SAR图像进行均值滤波处理，得到均值滤波图像；
对所述均值滤波图像进行形态学开运算处理，得到开运算图像；
根据所述均值滤波图像和所述开运算图像，得到噪声图像；
对所述噪声图像进行边缘检测，得到边缘特征图像。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述均值滤波图像和所述开运算图像，得到噪声图像包括：
基于顶帽运算，根据所述均值滤波图像和所述开运算图像，得到噪声图像。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对所述噪声图像进行边缘检测，得到边缘特征图像包括：
对所述噪声图像进行对比度拉伸，得到噪声增强图像；
对所述噪声增强图像进行边缘检测，得到边缘特征图像。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述生成竖条纹数据集之后，所述方法还包括：
计算所述竖条纹数据集中竖条纹的平均相对长度；
根据预设竖条纹等级确定规则和所述平均相对长度，确定所述SAR图像的竖条纹等级，所述预设竖条纹等级确定规则表征平均相对长度与竖条纹等级的映射关系。
根据本公开的第二方面，提供了一种SAR图像竖条纹检测装置。该装置包括：
获取模块，用于获取SAR图像；
生成模块，用于对所述SAR图像进行预处理，得到边缘特征图像；对所述边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集；对所述第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集；根据所述第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合；
遍历模块，用于遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集。
根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
本申请实施例提供的一种SAR图像竖条纹检测方法、装置、设备以及存储介质，能够通过获取SAR图像，并对SAR图像进行预处理，得到边缘特征图像；再对边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集；再对第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集；再根据第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合；再遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集；基于此，可以高效且精准的将SAR图像上的竖条纹进行检测，以便避免异常的亮条纹现象影响图像的解译，进而避免在相干性方面错误的提升干涉数据的相干性值，影响干涉结果的正确性。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的SAR图像的示意图；
图2示出了根据本公开的实施例的SAR图像竖条纹检测方法的流程图；
图3示出了根据本公开的实施例的灰度图像的示意图；
图4示出了根据本公开的实施例的边缘特征图像的示意图；
图5示出了根据本公开的实施例的第一候选竖条纹数据集的示意图；
图6示出了根据本公开的实施例的第二候选竖条纹数据集的示意图；
图7示出了根据本公开的实施例的竖条纹数据集的示意图；
图8示出了根据本公开的实施例的均值滤波图像的示意图；
图9示出了根据本公开的实施例的开运算图像的示意图；
图10示出了根据本公开的实施例的噪声图像的示意图；
图11示出了根据本公开的实施例的噪声增强图像的示意图；
图12示出了根据本公开的实施例的SAR图像竖条纹检测装置的框图；
图13示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本公开中，可以高效且精准的对SAR图像上的竖条纹进行检测，以便避免异常的亮条纹现象影响图像的解译，进而避免在相干性方面错误的提升干涉数据的相干性值，影响干涉结果的正确性。
图2示出了根据本公开实施例的SAR图像竖条纹检测方法200的流程图。
在框210，获取SAR图像。
在一些实施例中，获取的SAR图像可以是图像中存在竖条纹现象的SAR图像。
在一些实施例中，还可以对获取到的SAR图像进行灰度处理。
如图3所示，在进行灰度处理的过程中的，还可以将SAR图像的灰度值/255进行归一化处理，得到灰度图像ImgGray，以便提高检测SAR图像中竖条纹的精准度。
在框220，对SAR图像进行预处理，得到边缘特征图像。
在一些实施例中，可以直接对SAR图像进行预处理，得到边缘特征图像BW，此时边缘特征图像可能包括图像中像素灰度和纹理等特性分布的不连续处，图像周围特性有阶跃变化或屋脊状变化的像素集合。
在一些实施例中，还可以对上述灰度图像ImgGray进行预处理，得到边缘特征图像BW，此时边缘特征图像可能包括图像中纹理等特性分布的不连续处，图像周围特性有阶跃变化或屋脊状变化的像素集合。
如图4所示，为对上述灰度图像ImgGray进行预处理，得到的边缘特征图像BW。
在一些实施例中，对SAR图像进行预处理的预处理过程可以包括均值滤波处理、形态学开运算处理、顶帽运算处理、对比度拉伸处理以及边缘检测处理。
在框230，对边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集。
在一些实施例中，可以通过对边缘特征图像BW进行霍夫变换，实现对边缘特征图像BW的特征提取，从而识别霍夫变换中的峰值，查找峰值的行和列坐标，得到峰值坐标组，进而得到第一候选竖条纹数据集PointCoord。
在一些实施例中，对图4所示的边缘特征图像BW进行霍夫变换，识别出边缘特征图像BW中的竖条纹线段，得到的第一候选竖条纹数据集PointCoord如图5所示。
在框240，对第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集。
在一些实施例中，可以直接对第一候选竖条纹数据集PointCoord进行去重处理，以便将第一候选竖条纹数据集PointCoord中重复的竖条纹线段剔除，得到第二候选竖条纹数据集UniquePointCoord，从而提高检测SAR图像中竖条纹的精准度。
在一些实施例中，还可以先将第一候选竖条纹数据集PointCoord以X坐标由小至大进行排序，再将第一候选竖条纹数据集PointCoord中重复的竖条纹线段剔除，得到第二候选竖条纹数据集UniquePointCoord，从而提高检测SAR图像中竖条纹的精准度，得到的第二候选竖条纹数据集UniquePointCoord如图6所示。
在框250，根据第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合。
在一些实施例中，可以根据第二候选竖条纹数据集UniquePointCoord中每条线段的中心点坐标对线段进行分类，然后根据线段长度以及预设聚类阈值进行聚类分析，得到聚类集合。
其中，预设聚类阈值包括预设中心点坐标阈值和预设线段长度阈值，预设聚类阈值可以根据用户的实际需求设置。例如，预设中心点坐标阈值可以设置为以预设中心点坐标为圆心，半径为预设半径的范围，预设中心点坐标阈值还可以设置为分布在横坐标轴上的点值。预设线段长度阈值可以设置为一段预设长度，也可以设置为不同的点值。
在框260，遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集。
在一些实施例中，遍历聚类集合中各聚类，可以取每个聚类中的线段长度最大值对应的线段，直至各聚类中的线段长度最大值对应的线段均完成提取，生成最终的竖条纹数据集FinalClassCoord，以实现对SAR图像中竖条纹的检测，生成的竖条纹数据集FinalClassCoord如图7所示。
在一些实施例中，可以将检测得到的竖条纹的呈现结果，即图7，以色彩叠加的方式展现到SAR图像中，即图1中，基于此，可以高效且精准的将SAR图像上的竖条纹进行显示，以便避免异常的亮条纹现象影响图像的解译，进而避免在相干性方面错误的提升干涉数据的相干性值，影响干涉结果的正确性。
根据本公开的实施例，实现了以下技术效果：
通过获取SAR图像，并对SAR图像进行预处理，得到边缘特征图像；再对边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集；再对第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集；再根据第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合；再遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集；基于此，可以高效且精准的将SAR图像上的竖条纹进行检测，以便避免异常的亮条纹现象影响图像的解译，进而避免在相干性方面错误的提升干涉数据的相干性值，影响干涉结果的正确性。
在一些实施例中，上述对SAR图像进行预处理，得到边缘特征图像包括：
对SAR图像进行均值滤波处理，得到均值滤波图像；
对均值滤波图像进行形态学开运算处理，得到开运算图像；
根据均值滤波图像和开运算图像，得到噪声图像；
对噪声图像进行边缘检测，得到边缘特征图像。
在一些实施例中，可以直接对SAR图像进行均值滤波处理，得到均值滤波图像ImgGrayFilter。
在一些实施例中，还可以对经过灰度处理的SAR图像，即灰度图像ImgGray进行均值滤波处理，得到均值滤波图像ImgGrayFilter，得到的均值滤波图像ImgGrayFilter如图8所示。
在一些实施例中，对均值滤波图像ImgGrayFilter进行形态学开运算，得到开运算图像ImOpen，以便可以填充局部的亮点，方便竖条纹的识别，得到的开运算图像ImOpen如图9所示。
在一些实施例中，可以基于顶帽运算，根据均值滤波图像和开运算图像，得到噪声图像ImgGrayEn，即“均值滤波图像ImgGrayFilter-开运算图像ImOpen＝噪声图像ImgGrayEn”，得到的噪声图像ImgGrayEn如图10所示。
如图10所示，从噪声图像ImgGrayEn中已经基本上可以看到竖条纹的一些痕迹。
在一些实施例中，上述对噪声图像进行边缘检测，得到边缘特征图像包括：
对噪声图像进行对比度拉伸，得到噪声增强图像；
对噪声增强图像进行边缘检测，得到边缘特征图像。
如图11所示，对噪声图像进行对比度拉伸，得到噪声增强图像ThisMapImg。对噪声增强图像ThisMapImg进行Canny边缘检测，可以得到边缘特征图像BW。
根据本公开的实施例，通过对均值滤波图像ImgGrayFilter进行形态学开运算，得到开运算图像ImOpen，可以填充局部的亮点，方便竖条纹的识别；基于顶帽运算，通过原始图像减去图像开运算后的结果，进一步提高竖条纹检测精度；通过噪声增强，可以进一步提高竖条纹检测精度。
在一些实施例中，上述对边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集包括：
将边缘特征图像、theta合集、rho合集和峰值坐标组作为输入条件，以两个线段之间的最小距离、最小线条长度作为过滤条件，提取第一候选竖条纹数据集；
其中，theta合集根据预设theta范围确定，rho合集根据预设rho范围确定，峰值坐标组根据识别出的霍夫变换中的峰值的行和列坐标确定。
在一些实施例中，rho为沿垂直于线条的向量从原点到线条的距离；theta为x轴与rho向量之间的角度，以度为单位。
在一些实施例中，预设theta范围为theta∈[-1,1]。
在一些实施例中，在对边缘特征图像BW进行霍夫变换的过程中，可以通过定义预设rho范围在[-1,1]，从而可以只得到竖条纹线段的结果。
根据本公开的实施例，通过对边缘特征图像进行霍夫变换实现特征提取，提高竖条纹检测结果的精确度，在进行霍夫变换的时候，通过定义Theta范围从而可以只得到竖条纹的结果，进一步提高竖条纹检测结果的精确度。
在一些实施例中，上述生成竖条纹数据集之后，上述方法还包括：
计算竖条纹数据集中竖条纹的平均相对长度；
根据预设竖条纹等级确定规则和平均相对长度，确定SAR图像的竖条纹等级，预设竖条纹等级确定规则表征平均相对长度与竖条纹等级的映射关系。
在一些实施例中，可以通过计算竖条纹数据集FinalClassCoord中每条竖条纹线段的长度，累计得到所有竖条纹线段的总长度，定义竖条纹线段的平均相对长度，计算方式可以为“平均相对长度＝竖条纹总长度/竖条纹条数”。
在一些实施例中，预设竖条纹等级确定规则可以根据用户的实际需求设定。
例如，可以通过对平均相对长度的大小进行分级，从而进行对图像中竖条纹情况定义无、轻、中、重四个等级，从而客观的进行竖条纹现象的评价。
具体地，如表1示出的辐射问题标记分级指标所示。
表1：辐射问题标记分级指标
根据本公开的实施例，可以通过定义一个平均相对长度的指标，实现对图像的竖条纹的严重程度进行分级。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图12示出了根据本公开的实施例的SAR图像竖条纹检测装置1200的框图。如图12所示，装置1200包括：
获取模块1210，用于获取SAR图像；
生成模块1220，用于对SAR图像进行预处理，得到边缘特征图像；对边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集；对第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集；根据第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合；
遍历模块1230，用于遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的电子设备1300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
电子设备1300包括计算单元1301，其可以根据存储在ROM1302中的计算机程序或者从存储单元1308加载到RAM1303中的计算机程序，来执行各种适当的动作和处理。在RAM1303中，还可存储电子设备1300操作所需的各种程序和数据。计算单元1301、ROM1302以及RAM1303通过总线1304彼此相连。I/O接口1305也连接至总线1304。
电子设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许电子设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。
在一些实施例中，计算机程序的部分或者全部可以经由ROM1302和/或通信单元1309而被载入和/或安装到电子设备1300上。当计算机程序加载到RAM1303并由计算单元1301执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种SAR图像竖条纹检测方法，其特征在于，包括：
获取SAR图像；
对所述SAR图像进行预处理，得到边缘特征图像；
对所述边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集；
对所述第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集；
根据所述第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合；
遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集。
2.根据权利要求1所述的方法，其特征在于，所述对所述边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集包括：
将所述边缘特征图像、theta合集、rho合集和峰值坐标组作为输入条件，以两个线段之间的最小距离、最小线条长度作为过滤条件，提取第一候选竖条纹数据集；
其中，所述theta合集根据预设theta范围确定，所述rho合集根据预设rho范围确定，所述峰值坐标组根据识别出的霍夫变换中的峰值的行和列坐标确定。
3.根据权利要求2所述的方法，其特征在于，所述预设theta范围为theta∈[-1,1]。
4.根据权利要求1所述的方法，其特征在于，所述对所述SAR图像进行预处理，得到边缘特征图像包括：
对所述SAR图像进行均值滤波处理，得到均值滤波图像；
对所述均值滤波图像进行形态学开运算处理，得到开运算图像；
根据所述均值滤波图像和所述开运算图像，得到噪声图像；
对所述噪声图像进行边缘检测，得到边缘特征图像。
5.根据权利要求4所述的方法，其特征在于，所述根据所述均值滤波图像和所述开运算图像，得到噪声图像包括：
基于顶帽运算，根据所述均值滤波图像和所述开运算图像，得到噪声图像。
6.根据权利要求4所述的方法，其特征在于，所述对所述噪声图像进行边缘检测，得到边缘特征图像包括：
对所述噪声图像进行对比度拉伸，得到噪声增强图像；
对所述噪声增强图像进行边缘检测，得到边缘特征图像。
7.根据权利要求1至6中任一权利要求所述的方法，其特征在于，在所述生成竖条纹数据集之后，所述方法还包括：
计算所述竖条纹数据集中竖条纹的平均相对长度；
根据预设竖条纹等级确定规则和所述平均相对长度，确定所述SAR图像的竖条纹等级，所述预设竖条纹等级确定规则表征平均相对长度与竖条纹等级的映射关系。
8.一种SAR图像竖条纹检测装置，其特征在于，包括：
获取模块，用于获取SAR图像；
生成模块，用于对所述SAR图像进行预处理，得到边缘特征图像；对所述边缘特征图像进行霍夫变换，得到第一候选竖条纹数据集；对所述第一候选竖条纹数据集进行去重，得到第二候选竖条纹数据集；根据所述第二候选竖条纹数据集中每条线段的中心点坐标对线段进行分类，并根据线段长度以及预设聚类阈值进行聚类，得到聚类集合；
遍历模块，用于遍历聚类集合中各聚类，直至各聚类中的线段长度最大值对应的线段均完成提取，生成竖条纹数据集。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一权利要求所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646591.9A CN116778232B (zh) | 2023-06-01 | 2023-06-01 | Sar图像竖条纹检测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646591.9A CN116778232B (zh) | 2023-06-01 | 2023-06-01 | Sar图像竖条纹检测方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116778232A true CN116778232A (zh) | 2023-09-19 |
| CN116778232B CN116778232B (zh) | 2024-07-26 |
Family
ID=87994032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310646591.9A Active CN116778232B (zh) | 2023-06-01 | 2023-06-01 | Sar图像竖条纹检测方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116778232B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346553A (zh) * | 2016-05-06 | 2017-11-14 | 深圳超多维光电子有限公司 | 一种图像中条纹信息的确定方法和装置 |
| KR20200103180A (ko) * | 2019-02-13 | 2020-09-02 | 제주대학교 산학협력단 | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
| US20200348448A1 (en) * | 2019-04-30 | 2020-11-05 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
| CN112752093A (zh) * | 2020-12-25 | 2021-05-04 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
| CN113077468A (zh) * | 2021-06-08 | 2021-07-06 | 自然资源部国土卫星遥感应用中心 | 高光谱卫星影像的辐射异常的质量检测方法和装置 |
| CN113487547A (zh) * | 2021-06-24 | 2021-10-08 | 北京市遥感信息研究所 | 卫星遥感图像条带噪声定位方法及装置 |
| CN114757898A (zh) * | 2022-03-31 | 2022-07-15 | 广州科语机器人有限公司 | 基于lsd算法的图像线段检测方法 |
| CN115908404A (zh) * | 2023-01-03 | 2023-04-04 | 合肥中科类脑智能技术有限公司 | 图像条纹干扰的检测方法、装置、电子设备及介质 |
| CN116109659A (zh) * | 2022-12-05 | 2023-05-12 | 上海海事大学 | 一种sar影像海洋内波条纹分割方法、设备及存储介质 |
| CN116184407A (zh) * | 2023-02-22 | 2023-05-30 | 北京东方至远科技股份有限公司 | Sar影像辐射质量问题自动化标记方法、装置及设备 |
-
2023
- 2023-06-01 CN CN202310646591.9A patent/CN116778232B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346553A (zh) * | 2016-05-06 | 2017-11-14 | 深圳超多维光电子有限公司 | 一种图像中条纹信息的确定方法和装置 |
| KR20200103180A (ko) * | 2019-02-13 | 2020-09-02 | 제주대학교 산학협력단 | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 |
| US20200348448A1 (en) * | 2019-04-30 | 2020-11-05 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
| CN112752093A (zh) * | 2020-12-25 | 2021-05-04 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
| CN113077468A (zh) * | 2021-06-08 | 2021-07-06 | 自然资源部国土卫星遥感应用中心 | 高光谱卫星影像的辐射异常的质量检测方法和装置 |
| CN113487547A (zh) * | 2021-06-24 | 2021-10-08 | 北京市遥感信息研究所 | 卫星遥感图像条带噪声定位方法及装置 |
| CN114757898A (zh) * | 2022-03-31 | 2022-07-15 | 广州科语机器人有限公司 | 基于lsd算法的图像线段检测方法 |
| CN116109659A (zh) * | 2022-12-05 | 2023-05-12 | 上海海事大学 | 一种sar影像海洋内波条纹分割方法、设备及存储介质 |
| CN115908404A (zh) * | 2023-01-03 | 2023-04-04 | 合肥中科类脑智能技术有限公司 | 图像条纹干扰的检测方法、装置、电子设备及介质 |
| CN116184407A (zh) * | 2023-02-22 | 2023-05-30 | 北京东方至远科技股份有限公司 | Sar影像辐射质量问题自动化标记方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116778232B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108228798B (zh) | 确定点云数据之间的匹配关系的方法和装置 | |
| Hou et al. | Unsupervised change detection in SAR image based on gauss-log ratio image fusion and compressed projection | |
| CN113781402A (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
| CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN108537286B (zh) | 一种基于关键区域检测的复杂目标精准识别方法 | |
| Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
| Sridevi et al. | A survey on monochrome image segmentation methods | |
| Ronggui et al. | Extracting roads based on Retinex and improved Canny operator with shape criteria in vague and unevenly illuminated aerial images | |
| CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
| US20170178341A1 (en) | Single Parameter Segmentation of Images | |
| CN113920420A (zh) | 一种建筑物提取方法、装置、终端设备及可读存储介质 | |
| CN111402161A (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
| CN112763993A (zh) | 标定雷达参数的方法和装置、电子设备、存储介质 | |
| CN112526470A (zh) | 标定雷达参数的方法和装置、电子设备、存储介质 | |
| CN116152208A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
| CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
| CN116778232B (zh) | Sar图像竖条纹检测方法、装置、设备以及存储介质 | |
| CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
| CN117079150A (zh) | 基于图像分割的海洋锋检测方法和装置 | |
| CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
| CN115731221A (zh) | 一种考虑邻域各向异性的自适应红外小目标检测方法 | |
| CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
| Abraham et al. | Unsupervised building extraction from high resolution satellite images irrespective of rooftop structures | |
| CN114677530A (zh) | 一种基于小波形状描述子的聚类算法有效性评价方法、设备及介质 |
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 |