本发明专利技术公开了一种基于改进多尺度Ｗｅｄｇｅｌｅｔ变换的ＳＡＲ图像边缘检测方法，它涉及图像处理领域。其目的在于解决传统边缘检测方法很难同时兼顾噪声抑制和对边缘完整准确的定位问题。其过程为：１．将ＳＡＲ图像转化为灰度图像并将其分成多个子图像；２．对每个子图像，自适应地按照自下向上的尺度进行多尺度Ｗｅｄｇｅｌｅｔ分解，用四叉树存储各个尺度的分解系数；３．根据分解得到的系数四叉树，对每个子图像进行多尺度Ｗｅｄｇｅｌｅｔ逼近，最终得到整幅图像的多尺度Ｗｅｄｇｅｌｅｔ逼近；４．根据得到的多尺度Ｗｅｄｇｅｌｅｔ逼近图像，通过边缘提取梯度算子检测逼近图像的边缘；５．去除边缘图像中长度小于设定阈值的杂边缘对边缘图像的干扰。本发明专利技术具有运行时间快和边缘检测效果好的优点，可用于ＳＡＲ图像的边缘检测。
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及一种图像边缘检测方法，可用于对合成孔径雷达SAR图像的边缘检测。
技术介绍
合成孔径雷达SAR是一种高分辨率成像雷达，具有全天候，多极化，多视角，多俯角数据获取能力，广泛应用于军事侦察及民用遥感探测领域。由于成像雷达发射的是纯相干波，因而SAR图像受到严重的相干斑噪声影响，图像的信噪比较低。边缘信息对于图像理解有着重要的意义，它既是图像分割的有效途径，又是特征提取的有效手段，在图像处理中已逐渐发展成专门的研究领域，也是SAR图像处理中研究的重点。但SAR图像相干斑噪声的存在给边缘检测造成了困难。 目前，常用的传统边缘检测方法主要有(1)基于微分算子的边缘检测方法如Canny，Sobel算子，这类算子具有算法简单，运行速度快等优点，但是对图像噪声非常敏感。(2)基于假设检验的方法，如Ratio算法，它们能较好的克服噪声的影响，降低检测错误率，但是边缘定位精度较差。(3)基于小波理论的边缘检测方法，利用小波时频分析的优越性，检测图像在多个尺度下的边缘信息，获得多尺度分析下的图像边缘。但是由于SAR图像受强烈的相干斑噪声的影响，传统算法对图像的边缘检测很难同时兼顾噪声抑制和对边缘完整准确定位，对SAR图像的检测效果并不理想。 边缘检测的不确定性表明边缘检测算子的抑噪能力和定位精度是一对矛盾，小尺度算子虽然有利于边缘定位，但对噪声极为敏感；大尺度算子虽然抑噪能力强，但边缘定位精度差，甚至会丢失某些局部细节。多尺度边缘检测为解决此问题的提供了有效途径，例如，在多尺度几何分析工具中，美国学者Donoho等人提出的Wedgelet变换，具有良好的“线”和“面”的特性，但是由于受SAR图像斑点噪声的影响，该变换用于SAR图像时，逼近图像容易产生伪边缘，且运行时间过长，影响检测的效果和效率。 专利技术的内容 本专利技术的目的在于克服现有SAR图像边缘检测中，传统算法很难同时兼顾噪声抑制和对边缘完整准确定位的缺点，而现有的Wedgelet逼近得到的图像具有容易产生伪边缘且运行时间过长的缺点，提出一种基于改进Wedgelet变换的SAR图像边缘检测方法，使检测后得到的边缘图像具有良好的抗噪性和边缘完整连续性的特点。 实现本专利技术目的的技术方案是对传统的Wedgelet变换作改进，利用改进后的Wedgelet变换代价函数能够很好地捕捉图像中的“线”和“面”的特性，对输入图像进行多尺度Wedgelet变换，得到输入图像的多尺度Wedgelet逼近图像，再对逼近图像进行边缘检测和后处理，去除细小杂边缘的干扰，得到最终的边缘图像。具体实现过程如下 (1)输入待检测的SAR图像，将其转化为灰度图像，并将得到的灰度图像分成多个子图像； (2)用改进的Wedgelet代价函数对每个子图像自适应地按照自下向上的尺度进行多尺度Wedgelet分解，用四叉树保存各个尺度的分解系数，该Wedgelet变换的代价函数为 其中，P′，P″分别表示图像子块S被划分成的两个楔形区域， 图像块S的大小为n×n， 分别表示区域P′，P″上像素的均值， η为的权值； (3)根据分解得到的Wedgelet系数，进行多尺度Wedgelet重构，得到每个子图像的多尺度Wedgelet逼近，对所有子图像都逼近后，得到输入图像的多尺度Wedgelet逼近； (4)对得到的多尺度Wedgelet逼近图像，通过边缘提取梯度算子检测该逼近图像的边缘； (5)搜索检测得到的边缘图像，存储每一条边缘的长度，去除边缘长度小于设定阈值的细小边缘，得到最终的边缘检测结果。 本专利技术由于采用多尺度Wedgelet逼近，利用Wedgelet能够良好捕捉图像中“线”和“面”的特性，因而抗噪性好和边缘检测结果完整连续；同时由于本专利技术对现有多尺度Wedgelet逼近方法进行了改进，并且对图像进行分块处理，进一步提高了其抗噪性和运行速度，降低了伪边缘的检测率，并且使其具有可应用性的特点；此外由于本专利技术采用了后处理操作，去除了杂边缘的干扰，得到了更好的边缘检测效果。 附图说明 图1是本专利技术的流程示意图； 图2是本专利技术采用的Wedgelet字典结构图； 图3是现有Wedgelet基函数示意图； 图4是本专利技术对一幅简单图像的Wedgelet逼近示意图； 图5是本专利技术采用的多尺度Wedgelet逼近图像边缘检测梯度算子结构图； 图6是本专利技术对一幅SAR图像Wedgelet逼近的结果图； 图7是本专利技术用于河流的SAR图像与现有方法的边缘检测结果比较图； 图8是本专利技术用于机场SAR图像与现有方法的边缘检测结果比较图； 图9是本专利技术用于机场跑道SAR图像与现有方法的边缘检测结果比较图； 图10是本专利技术用于港口SAR图像与现有方法的边缘检测结果比较图； 图11是本专利技术边缘检测结果与SAR图像原图叠加后的结果图。 具体实施例方式 参照图1，本专利技术的具体实现过程如下 步骤1，输入待检测的SAR图像，将其转化为灰度图像，并将得到的灰度图像分成多个子图像。 每个子图像大小为M×M，假设输入图像大小为N×N，令R＝N/M，则得到R×R个子块图像。 设S(k1，k2，j)＝{(x1，x2)×}(其中j≥0为一个整数，0≤k1，k2≤2j)为二进正方形中的点的集合，任意两个不在同一条边上的顶点之间的连线就构成了一条edgelet线，每一条edgelet线和所在的二进正方形的边构成的楔形区域上的特征函数，称为非退化的Wedgelet，而一个没有被划分的正方形上的特征函数，则称为退化的Wedgelet。 步骤2，用改进的Wedgelet代价函数对每个子图像自适应地按照自下向上的尺度进行多尺度Wedgelet分解，并用四叉树存储各个尺度的分解系数。具体实施步骤如下 1.初始化深度J＝log2(M)的四叉数的最底层，其对应尺度为j＝J； 2.令j＝j-1，计算j尺度每个节点的代价函数，分以下三种情况 (1)对于退化的叶节点，将其所对应的图像子块看作一个均匀的图像块，代价函数为 式中， 表示图像块S上所有像素点的均值，P表示图像的ED-RDP，即逼近图像的Wedgelet的集合，#|P|表示集合P中的Wedgelet数目，λ为复杂度惩罚参数； (2)对于非退化的叶节点，在其对应的图像块内，按图2所示Wedgelet字典结构图，根据本专利技术的最优Wedgelet函数搜索出最优的一条edgelet线，该函数为 式中，P′，P″分别为图像子块S被一条edgelet线划分得到的两个楔形区域，图像块S的大小为n×n，(n×n)2用来调节均值差在不同尺度的图像块中所占的比例的要求，η为均值差部分的权值；通过调节参数η，可以改变均值差部分的信息对代价函数的影响，η越大，表示均值差部分的信息对代价函数影响越大，本专利技术取η＝0.3。 将搜索到的最优的edgelet线对应的尺度、位置、方向和特征函数信息进行存储，并计算该edgelet线对应的最优Wedgelet表示的代价函数 参照图3，在j＝2时，将在单位正方形每条边上间隔δ＝2-j设一个顶点，该单本文档来自技高网...
【技术保护点】
一种基于改进Ｗｅｄｇｅｌｅｔ的多尺度ＳＡＲ图像边缘检测方法，包括如下过程： （１）输入待检测的ＳＡＲ图像，将其转化为灰度图像，并将得到的灰度图像分成多个子图像； （２）用改进的Ｗｅｄｇｅｌｅｔ代价函数对每个子图像自适应地按照自下向上的尺度进行多尺度Ｗｅｄｇｅｌｅｔ分解，用四叉树保存各个尺度的分解系数，该Ｗｅｄｇｅｌｅｔ变换的代价函数为： ｍｉｎ｛‖Ｉ（Ｓ）－＊（Ｓ）‖↓［２］↑［２］－η＊［｜＊｛ｙ｜Ｐ′｝－＊｛ｙ｜Ｐ″｝｜＊（（ｎ×ｎ）↑［２］）］｝， 其中，Ｐ′，Ｐ″分别表示图像子块Ｓ被划分成的两个楔形区域， 图像块Ｓ的大小为ｎ×ｎ， ＊｛ｙ｜Ｐ′｝和＊｛ｙ｜Ｐ″｝分别表示区域Ｐ′，Ｐ″上像素的均值， η为［｜＊｛ｙ｜Ｐ′｝－＊｛ｙ｜Ｐ″｝｜＊（（ｎ×ｎ）↑［２］）］的权值； （３）根据分解得到的Ｗｅｄｇｅｌｅｔ系数，进行多尺度Ｗｅｄｇｅｌｅｔ重构，得到每个子图像的多尺度Ｗｅｄｇｅｌｅｔ逼近，对所有子图像都逼近后，得到输入图像的多尺度Ｗｅｄｇｅｌｅｔ逼近； （４）对得到的多尺度Ｗｅｄｇｅｌｅｔ逼近图像，通过边缘提取梯度算子检测该逼近图像的边缘； （５）搜索检测得到的边缘图像，存储每一条边缘的长度，去除边缘长度小于设定阈值的细小边缘，得到最终的边缘检测结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：侯彪，刘佩，王爽，焦李成，张向荣，马文萍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。