CN103942803B - 基于sar图像的水域自动检测方法 - Google Patents
基于sar图像的水域自动检测方法 Download PDFInfo
- Publication number
- CN103942803B CN103942803B CN201410185121.8A CN201410185121A CN103942803B CN 103942803 B CN103942803 B CN 103942803B CN 201410185121 A CN201410185121 A CN 201410185121A CN 103942803 B CN103942803 B CN 103942803B
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- segmentation
- sar
- area
- 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
Landscapes
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于SAR图像的水域自动检测方法,包括以下步骤:第一步,对SAR图像进行去噪处理;第二步,利用边缘检测算子计算输入图像的梯度,得到SAR图像的梯度图像;第三步,利用对比度拉伸变换算法提高SAR图像的对比度;第四步,利用双峰迭代法实现二次自适应阈值分割,得到两幅二值图像;第五步:利用形态学分别对第四步得到的两幅二值图像进行后处理,得到粗提取的目标候选区域;第六步:虚警剔除:标记第五步得到的粗提取的目标候选区域,并统计每个连通暗斑的面积,根据SAR图像的分辨率,设置一个面积阈值,对小于预设面积的暗斑进行剔除,最终在原图中标记出提取的水域。
Description
技术领域
本发明涉及一种基于SAR图像的水域自动检测方法,属于图像处理技术领域。
背景技术
由于合成孔径雷达(SAR)具有全天时、全天候等特点,已经在军事、农业、航空等各个领域得到了广泛的应用。其中,水域检测是SAR图像应用的一个重要方面。
一般陆地上的水体表面比较均匀和平滑,SAR射到水体表面的电磁波相当于发生镜面反射,所以水体的后向散射系数较小,水域在SAR图像中呈现纹理特征单一、均匀的黑色暗斑区域。而陆地、山体、建筑等物体表面不均匀,电磁波在其表面会发生慢反射,所以这些物体的后向散射系数较大,在SAR图像中呈现为亮度较高且纹理粗糙的区域。
现有的水域检测算法主要包括:基于纹理特征的提取方法、基于形态学的提取方法、基于支持向量机SVM的提取方法、基于区域生长的提取方法等等。其中,基于纹理特征的提取方法主要有基于灰度共生矩阵的算法、基于变换的算法、基于形状特征的算法等等,这种方法一般计算比较复杂,例如基于灰度共生矩阵的算法需要提取每个像素点的灰度共生矩阵,计算过程非常耗时。
基于形态学提取的方法主要是利用腐蚀、膨胀以及它们的组合运算,可以从图像中提取对于表达和描述区域形状有用的图像分量,如边界、骨架、凸壳等等,也可以对图像进行预处理或后处理,如过滤、细化、修剪等等,但是这种方法的结构元素的大小及运算次数难以确定。
基于支持向量机SVM的方法首先需要确定选择何种纹理特征以及计算这些纹理特征,然后利用SVM进行训练分类,最终得到提取的目标,但是很难确定最优的纹理特征组合,而且计算量也很大。
基于区域生长的方法是根据目标成像特性和先验知识确定区域生长的规则,但是选择合适的生长规则不仅需要经过大量实验训练,而且有时候是很困难的。
上述这些方法的共同缺点是运算量大、速度较慢,很难满足实时性的要求,且需要利用先验知识以及大量的试验训练来确定一些特征或者规则,有时候这些特征或者规则的确定是很困难的。
发明内容
本发明的目的在于克服已有方法的缺点,提出了一种基于SAR图像的水域自动检测方法。
该基于SAR图像的水域自动检测方法,包括以下步骤:
第一步,对SAR图像进行去噪处理:在提取水域目标之前通过滤波器对SAR图像进行滤波处理;
第二步,以第一步中输出的去噪后的图像为输入图像,利用边缘检测算子计算输入图像的梯度,得到SAR图像的梯度图像;
第三步,以第一步中输出的去噪后的图像为输入图像,利用对比度拉伸变换算法提高SAR图像的对比度,即对于小于预定灰度级的像素值设置为一个固定的灰度值,对于大于预定灰度级的像素值设置为另一个固定的灰度值,在这个范围内的灰度级的像素值按照线性函数变换,实现SAR图像的对比度增强;
第四步,利用双峰迭代法实现二次自适应阈值分割:利用双峰迭代法分别对第二步和第三步得到的图像进行二次阈值分割,得到两幅二值图像;
第五步:利用形态学分别对第四步得到的两幅二值图像进行后处理,即利用腐蚀和膨胀操作对二值图进行滤波、细化,并合并形态学处理之后的两幅二值图像;
第六步:虚警剔除:标记第五步得到的粗提取的目标候选区域,并统计每个连通暗斑的面积,根据SAR图像的分辨率,设置一个面积阈值,对小于预设面积的暗斑进行剔除,最终在原图中标记出提取的水域。
其中利用双峰迭代法实现二次自适应阈值分割的具体方法如下:首先选择一个初始阈值,将图像的灰度级分割为两部分,然后分别计算这两部分的灰度均值,再计算这两个均值的均值作为新的阈值,重新重复上述过程,直到计算的新的阈值和上次的阈值差别在预设范围之内时迭代结束,或者已经完成所有的迭代次数时迭代结束,最后的阈值作为图像分割的阈值。
其中求第一次阈值分割的阈值:首先对灰度图像进行下采样,然后选择迭代次数,以及计算下采样图像的灰度均值作为迭代的初始值;统计下采样图像的灰度直方图,利用上述的迭代次数和初始值,根据双峰迭代法计算出第一次阈值分割的阈值;最后利用此阈值分割对比度增强的图像,得到两幅二值图,其中暗斑为水域的候选区域。
其中求第二次阈值分割的阈值:首先,统计第一次阈值分割得到的二值图中暗斑对应的下采样灰度图像的灰度直方图,以及计算这部分的灰度均值作为阈值分割的初始值;然后,在小于第一次分割的阈值范围内,利用双峰迭代法求取第二次阈值分割的阈值;最后利用此阈值分割对比度增强的图像,最终得到两幅二值图。
本发明的效益:
1、本发明利用边缘检测算子和对比度拉伸变换两种互补的方法,实现图像增强以及提取目标候选区域,不仅可以准确的提取出大的水域,而且可以提取出细的河流、小面积人工水域等,使提取的目标候选区域更加完整,漏检概率降低到最小。
2、本发明实现二次自适应求阈值,且在第二次求阈值时,在零灰度级到第一次阈值的范围内求第二次分割的阈值,不仅减小了计算量,而且求取的阈值偏向于低灰度级,能够准确的分割出水域,大大的减少了虚警。
3、本发明克服了已有算法在选择特征值、结构元素大小等方面的困难,且大大降低了运算时间的复杂度。
附图说明
图1是本发明基于SAR图像的水域自动检测方法的基本流程图;
图2是本发明实施例中5*5的窗口中的像素值示意图;
图3是本发明实施例中边缘检测的梯度算子示意图。
具体实施方法
如图1所示,本发明基于SAR图像的水域自动检测方法的实现步骤主要包括:空间均值滤波,梯度变换,对比度拉伸变换,两次自适应阈值分割,形态学处理和小面积剔除,合并基于两种变换提取的暗斑图像,虚警剔除。具体实现方式如下:
步骤1,选择一个大小为N*N滑动的窗口,根据空间滤波原理,对输入的SAR图像进行均值滤波。当选择N=5时,均值滤波的实现过程如下所示。
计算图2中的像素均值:
利用均值代替中间像素点(3,3)的像素值,利用小的滑窗对整幅图的上述操作,最终得到均值滤波之后的图像。。
步骤2,选择Sobel边缘检测算子来计算梯度图像。
Sobel梯度变换:利用Sobel算子计算出像素点i处的梯度值,然后用梯度值替代像素点i处的原像素值,即可得到对比度较高的梯度图像。
Sobel边缘检测的梯度算子如图3所示;
利用这两个模板计算图像的每个像素位置处的水平梯度分量gx和垂直梯度分量gy,然后利用这两个偏导数估计出图像中每个像素位置处的梯度的幅值M(x,y),为了简化计算,令M(x,y)=max(|gx|,|gy|),最后用M(x,y)值代替模板中心的像素值,即可得到梯度图像。
计算水平梯度分量和垂直梯度分量的公式如下所示:
gx=-f11-2*f12-f13+f31+2*f32+f33 (2)
gy=-f11-2*f21-f31+f13+2*f23+f33 (3)
其中,fij为Sobel模板窗口中的图像像素值。
步骤3,选择分段函数对图像进行对比度拉伸变换。
选择对比度拉伸变换的函数为:
b=c-k*t2(6)
其中,f(x,y)表示SAR图像中像素点(x,y)处的像素值,G(x,y)是变换之后的灰度值。由于水域主要集中在低灰度级,为了使对比度得到明显的改善,a一般选择在[0,5]范围内的像素值,c一般选择最大的灰度值,k和b根据选择的a、c的值确定,另外,t1是低灰度级的一个灰度值,经过样本实验t1取10附近的值,t2是高灰度级的一个灰度值,选择在100附近的值。
步骤4,利用双峰迭代法分别对Sobel变换的梯度图像和对比度拉伸变换的图像进行两次自适应阈值分割。
a)首先,对变换之后的图像进行下采样:按照比例L:1进行下采样,即在水平方向和垂直方向都是每隔L个点采一个点,减小图像的大小,从而减小的求阈值的计算量。
b)然后,利用自适应双峰迭代法第一次阈值分割:统计下采样图像的灰度直方图以及图像的灰度均值,在灰度级小于255的范围内,以图像的灰度均值为迭代的初始阈值T,将图像直方图分割成两部分R1和R2,计算区域R1和R2的均值μ1和μ2,计算μ1和μ2的均值为新的分割阈值T,重复上述步骤直到T变化在一定范围内为止,或者选择迭代次数M进行迭代,一般选择M>20,直到迭代结束为止。最后求出第一次分割的阈值,并利用第一次分割的阈值分别分割梯度图像和对比度拉伸变换图像,得到两幅二值图像。
c)其次,在小于第一次分割阈值的灰度范围内,统计第一次分割的暗斑对应的下采样图像的灰度直方图,以及计算暗斑对应的这部分灰度均值。
d)最后,利用自适应双峰值迭代法进行第二次阈值分割:利用c)中计算的灰度均值作为迭代的初始阈值T,在灰度级小于第一次分割阈值的范围内,基于c)的灰度直方图进行迭代求出第二次分割的阈值,并利用此阈值分割梯度图像和对比度拉伸变换图像,得到最终分割的二值图像。
步骤5,形态学处理和小面积剔除:形态学处理主要是利用一次腐蚀和膨胀操作,对暗斑图像进行细化处理,以及剔除一些小面积虚警,利用“并”操作,合并基于梯度图像提取的暗斑图像和基于对比度拉伸变换提取的暗斑图像,得到水域目标的候选区域。
步骤6,虚警剔除:标记水域目标候选区域,然后统计每个标记连通区域的面积,根据SAR图像的分辨率,选择一个合适的面积门限,剔除小于面积门限的连通区域,经过虚警剔除之后,得到最终的水域检测结果图像。
Claims (1)
1.基于SAR图像的水域自动检测方法,其特征在于,包括以下步骤:
第一步,对SAR图像进行去噪处理:在提取水域目标之前通过滤波器对SAR图像进行滤波处理;
第二步,以第一步中输出的去噪后的图像为输入图像,利用边缘检测算子计算输入图像的梯度,得到SAR图像的梯度图像;
第三步,以第一步中输出的去噪后的图像为输入图像,利用对比度拉伸变换算法提高SAR图像的对比度,即对于小于预定灰度值的像素值设置为一个固定的灰度值,对于大于预定灰度值的像素值设置为另一个固定的灰度值,在这个范围内的灰度值的像素值按照线性函数变换,实现SAR图像的对比度增强;
第四步,利用双峰迭代法实现二次自适应阈值分割:利用双峰迭代法分别对第二步和第三步得到的图像进行二次阈值分割,得到两幅二值图像;
具体过程为:
a)首先,对变换之后的图像进行下采样:按照比例L:1进行下采样,即在水平方向和垂直方向都是每隔L个点采一个点,减小图像的大小,从而减小的求阈值的计算量;
b)然后,利用自适应双峰迭代法第一次阈值分割:统计下采样图像的灰度直方图以及图像的灰度均值,在灰度级小于255的范围内,以图像的灰度均值为迭代的初始阈值T,将图像直方图分割成两部分R1和R2,计算区域R1和R2的均值u1和u2,计算u1和u2的的均值为新的分割阈值T,重复上述步骤直到T变化在一定范围内为止,或者选择迭代次数M进行迭代,M>20,直到迭代结束为止;最后求出第一次分割的阈值,并利用第一次分割的阈值分别分割梯度图像和对比度拉伸变换图像,得到两幅二值图像;
c)其次,在小于第一次分割阈值的灰度范围内,统计第一次分割的暗斑对应的下采样图像的灰度直方图,以及计算暗斑对应的这部分灰度均值;
d)最后,利用自适应双峰值迭代法进行第二次阈值分割:利用c)中计算的灰度均值作为迭代的初始阈值T,在灰度级小于第一次分割阈值的范围内,基于c)的灰度直方图进行迭代求出第二次分割的阈值,并利用此阈值分割梯度图像和对比度拉伸变换图像,得到最终分割的二值图像;
第五步:利用形态学分别对第四步得到的两幅二值图像进行处理,即利用腐蚀和膨胀操作对二值图像进行滤波、细化,并合并形态学处理之后的两幅二值图像;
第六步:虚警剔除:标记第五步得到的粗提取的目标候选区域,并统计每个连通暗斑的面积,根据SAR图像的分辨率,设置一个面积阈值,对小于预设面积的暗斑进行剔除,最终在原图中标记出提取的水域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410185121.8A CN103942803B (zh) | 2014-05-05 | 2014-05-05 | 基于sar图像的水域自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410185121.8A CN103942803B (zh) | 2014-05-05 | 2014-05-05 | 基于sar图像的水域自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103942803A CN103942803A (zh) | 2014-07-23 |
CN103942803B true CN103942803B (zh) | 2017-05-17 |
Family
ID=51190454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410185121.8A Active CN103942803B (zh) | 2014-05-05 | 2014-05-05 | 基于sar图像的水域自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942803B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835176B (zh) * | 2015-01-20 | 2018-02-27 | 广西机电职业技术学院 | 一种激光视觉图像的阈值分割方法 |
CN105069780B (zh) * | 2015-07-17 | 2017-12-08 | 北京理工大学 | 一种基于SoPC的SAR图像水域检测实现方法 |
CN107423734B (zh) * | 2016-05-23 | 2020-01-21 | 中国科学院计算技术研究所 | 一种sar图像海洋目标快速检测方法与装置 |
CN106097368B (zh) * | 2016-06-22 | 2019-05-31 | 国家***北京林业机械研究所 | 一种单板裂缝的识别方法 |
CN107798681B (zh) * | 2016-09-02 | 2021-01-15 | 天津工业大学 | 基于数学形态学的小目标图像快速阈值分割方法 |
CN107292869B (zh) * | 2017-06-07 | 2020-04-07 | 西安电子科技大学 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
CN107369163B (zh) * | 2017-06-15 | 2020-12-01 | 西安微电子技术研究所 | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 |
CN107507200B (zh) * | 2017-08-31 | 2021-03-30 | 电子科技大学 | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 |
CN108765406A (zh) * | 2018-05-31 | 2018-11-06 | 电子科技大学 | 一种基于红外遥感图像的雪山检测方法 |
CN108876772B (zh) * | 2018-06-05 | 2021-10-12 | 南华大学 | 一种基于大数据的肺癌图像诊断***及方法 |
TWI676936B (zh) * | 2018-06-06 | 2019-11-11 | 偉詮電子股份有限公司 | 條碼偵測方法及條碼偵測系統 |
CN108960085B (zh) * | 2018-06-20 | 2021-10-01 | 中国电子科技集团公司第五十四研究所 | 一种合成孔径雷达图像舰船目标候选区域快速提取方法 |
CN109492592A (zh) * | 2018-11-15 | 2019-03-19 | 杭州芯影科技有限公司 | 毫米波成像图像处理方法 |
CN110688923A (zh) * | 2019-09-19 | 2020-01-14 | 中国电子科技集团公司第二十九研究所 | 一种基于哨兵1a sar数据的城市内涝风险区提取方法 |
CN110648341B (zh) * | 2019-09-19 | 2022-09-30 | 福建师范大学 | 一种基于尺度空间和子图的目标边界检测方法 |
CN111028197A (zh) * | 2019-11-01 | 2020-04-17 | 深圳先进技术研究院 | 一种检测金属锈蚀的方法及终端 |
CN111046812B (zh) * | 2019-12-18 | 2023-04-07 | 四创科技有限公司 | 基于孪生网络的水面漂浮物检测的方法 |
CN111914686B (zh) * | 2020-07-15 | 2022-10-18 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及*** |
CN112101282B (zh) * | 2020-09-25 | 2024-04-26 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
CN112183534B (zh) * | 2020-10-07 | 2023-05-23 | 西安电子科技大学 | 基于视频合成孔径雷达的动目标智能联合检测方法 |
CN112329791B (zh) * | 2020-10-30 | 2022-12-27 | 中国电子科技集团公司第五十四研究所 | 一种高光谱影像水域自动提取方法 |
CN113177949B (zh) * | 2021-04-16 | 2023-09-01 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
CN113362293A (zh) * | 2021-05-27 | 2021-09-07 | 西安理工大学 | 一种基于显著性的sar图像舰船目标快速检测方法 |
CN114511471B (zh) * | 2022-04-18 | 2022-07-01 | 广州骏天科技有限公司 | 基于灰度共生矩阵的图像优化方法及*** |
CN115019187B (zh) * | 2022-08-09 | 2022-11-22 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
US8134489B2 (en) * | 2008-07-14 | 2012-03-13 | The Boeing Company | System and method for bistatic change detection for perimeter monitoring |
-
2014
- 2014-05-05 CN CN201410185121.8A patent/CN103942803B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8134489B2 (en) * | 2008-07-14 | 2012-03-13 | The Boeing Company | System and method for bistatic change detection for perimeter monitoring |
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
Non-Patent Citations (2)
Title |
---|
"从SAR遥感图像中提取水域的一种双模式结合方法";张怀利等;《光学技术》;20090131;第35卷(第1期);第77-79页 * |
"遥感图像分割中阈值的自动选取技术研究";李琳琳;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20120915(第9期);第13-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103942803A (zh) | 2014-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
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 | |
CN105654091B (zh) | 海面目标检测方法及装置 | |
CN104794721B (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN106709426A (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN105741276B (zh) | 一种船舶水线提取方法 | |
CN103927751A (zh) | 基于梯度信息融合的水面光视觉图像目标区域检测方法 | |
CN105389826A (zh) | 珊瑚岛礁岸线高分sar遥感提取方法 | |
CN104021553B (zh) | 一种基于像素点分层的声纳图像目标检测方法 | |
Tahseen et al. | Binarization Methods in Multimedia Systems when Recognizing License Plates of Cars | |
CN107704865A (zh) | 基于结构森林边缘候选区域提取的舰船目标检测算法 | |
CN105893960A (zh) | 基于相位对称性的道路交通标志检测方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN110348442A (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
CN110473255A (zh) | 一种基于多重网格划分的船舶系船柱定位方法 | |
CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |