一种基于边缘检测的sar图像特征提取算法.docx

一种基于边缘检测的sar图像特征提取算法 0 基于规则的sar图像检测 在各种空间和航空图像传感器中，sar是世界上广泛使用的区域观测技术。尤其近几年来,SAR技术已广泛的应用于地质、植物、气象、资源调查、战场侦察等各个学科领域。其中,道路网、机场跑道、河流等大型组合线性目标的特征提取,在军事和民用上都有重要的意义。 但是对于道路网、机场跑道、河流等大型组合线性目标,近几年来的研究多关注于SAR图像线性特征的提取,而忽视了这些目标在高分辨率SAR图像中所具有的明显的平行线特征,尽管也有涉及平行线特征的提取,大多在提取出线特征之后,进行斜率和距离上的判别来检测平行线对。这样的提取平行线特征的方法有两个缺点:第一,用传统的平行线的定义作为判决依据只能提取出平行直线,对于河流和弯曲的道路等具有平行曲线边缘的物体,传统的定义有很大的局限性,同时曲率和梯度的计算也比较复杂。第二,在提取线特征的过程中,如果利用Hough变换、Radon变换或相位编组,算法的时间复杂度和空间复杂度都将大大增加。 针对上述缺点,本文从一个新的视角,提出了一种平行线对模型,并以该模型为依据,设计了一种新的基于边缘检测的SAR图像平行线特征提取算法。首先用Frost算法对SAR图像进行滤波预处理,在去除斑点噪声和保持边缘信息之间进行了折衷。再用指数加权平均比率算子(Ratio of Exponentially Weighted Averages,ROEWA)对图像进行边缘检测,该算子具有恒虚警特性,并且边缘定位准,虚假边缘少,抗断裂,非常适用于检测大型人造目标的边缘。然后根据提出的平行线对模型,设计了一种平行线基元的检测算法。最后,针对提取的平行线基元的特性,采用启发式连接的思想,进一步完善了提取的平行线特征。实验证明,本文所提出的平行线特征提取算法能有效地提取SAR图像中的平行线特征。 1 多边缘检测模型 SAR成像时所固有的斑点噪声会干扰对于图像的分析处理,因此在进行边缘检测之前,进行滤波预处理是必要的。经典的SAR滤波方法有Lee滤波、Frost滤波、Kuan滤波、Map等,其中Frost的边缘保持能力最强。为获得效果较好的平行线特征,本文在利用ROEWA算子检测边缘之前,采用经典Frost滤波算法进行滤波预处理。 ROEWA算子是Fjφrtoft等人针对单边缘模型存在的弊端,于1998年提出的。他以多边缘检测模型为根据,设计了一种基于线性最小均方误差的指数平滑滤波器,由这种滤波器估计检测窗口内的局部均值。由于它的局部均值是根据一定的权值计算出来,而非算术均值,因此该滤波器称为加权指数平滑滤波器。一维情况下,该滤波器的表达形式为 其中:C为归一化常数,α为滤波系数。 它首先将图像I(x,y)先用一维滤波器f一列列的平滑。然后,再用因果滤波器(f1=f(x),x0)和反因果滤波器(f2=f(x),x0)在平滑结果的基础上得到: 这里“*”代表水平方向的卷积,“·”代表垂直方向的卷积。 把带入式(4)产生标准化比例rxmax(x,y)。垂直方向的边缘强度分量用相同的方式得到,除了方向是互换的。 最后和梯度边缘检测相似,计算两个分量的量值。 在获得的边缘检测强度图中,高的像素值意味着边缘的存在。通过分析,对于每一个像素,这种计算需要14次乘法,平均两次除法和一次平方根运算。 最后对边缘强度图设门限,就可以以一个确定的虚警率得到了属于边缘的像素。这时产生的边缘图通常有几个像素的宽度,再经过形态学闭合细化成统一的宽度。 2 平滑元提取算法 2.1 平行对l、snn1,nn的判定 传统的平行线定义是根据斜率(平行直线)或曲率(平行曲线)相等或接近来定义的,这样的定义有很大的局限性。其一,并没有将平行直线和平行曲线统一起来,没有一个统一的平行线的定义。其二,曲率的计算复杂,不利于计算机处理。 针对上述局限性,本文提出一种平行线对模型(这里的“线”包含直线和曲线两层意思),如下: 平行线对模型两条光滑的线L与S,若L与S可以划分成相应的线段对(这里的线段包含直线段与曲线段两层意思)l1与S1,l2与S2,…,ln与Sn(n≥1,n∈N),且各线段对满足条件: 2)对于其中任意一对lk与Sk,k=1,2,…,n,n∈N,可以找到一个方向,使lk与Sk包围的所有内部点从该方向上至lk与Sk的距离和为定值。则认为这两条线为一组平行线对。 示意图如图1所示。图中L和S为一对光滑的线,这里所示意的是最简单的情况,只将L和S分成一个线段对,即L和S本身,则满足条件1)。现任取这对曲线内部点A0和B0,A1A2和B1B2分别是A0和B0从取定的方向(在示意图中为虚线的方向)到两条曲线的距离和,若A1A2=B1B2=常数,对于所有的内部点均成立(满足条件2)),则可判定这两条线为一组平