一种多尺度SAR图像边缘检测方法与流程

本发明属于图像处理技术领域，尤其涉及一种多尺度sar图像边缘检测方法。

背景技术：

图像中的边缘是图像中最基本的、不易改变的特征，是图像中信息最集中的地方，是进行图像特征提取、目标识别、图像分割等处理的基础，因此，边缘检测是图像处理领域最基本的问题之一。然而，由于成像过程中传感器、成像原理、成像位置及成像对象等因素的影响，图像中的边缘信息在图像中的表现千差万别，这使得边缘难于被精确检测出来。

目前的图像边缘检测算法大致可分为：1)基于空域梯度的边缘检测算法；2)基于频域的小波边缘检测算法；3)基于机器学习的边缘检测算法；4)基于其它理论技术的边缘检测算法。这些方法中，基于空域梯度的边缘检测算法最为经典、影响最大，而其中又以canny边缘检测算法最为典型。但是这类算法的检测窗口均为固定大小，在图像噪声水平较高时，表现很差。

在合成孔径雷达(syntheticapertureradar，sar)图像处理领域，由于相干斑噪声强烈，一般的边缘检测算法难以达到理想效果，常用的边缘检测器是均值比(ratioofaverage，roa)检测器。该检测器是一种基于空域梯度的检测器，其检测窗口和方向均可以作为参数进行手动调节，并且由于采用了区域均值来代替单个像素值，因此具有较好的抗噪性。但是，该检测器的窗口大小仍然是单一的，而对于一幅图像来说，可能在不同的区域其合适的检测窗口大小是不同的。例如，在细节信息丰富的区域，一般比较适合用小窗口进行检测，因为当使用较大窗口进行边缘检测时，在一些点、线等目标周围检测出的边缘位置会有较大偏差；而边缘信息较弱，同质像素较多的区域，一般比较适合用大窗口进行检测，因为小窗口对噪声较为敏感，检测出的虚假边缘较多。因此，单一大小的检测窗口无法同时满足要求。

技术实现要素：

本发明的目的在于克服常规roa边缘检测器利用单一大小的检测窗口无法满足要求的缺陷，提出了一种综合利用不同大小检测窗口的多尺度sar图像边缘检测方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种多尺度sar图像边缘检测方法，包括以下步骤：

步骤1：设置最大检测窗口wmax和最小检测窗口wmin，获得nw＝(wmax–wmin)/2+1个大小不同的窗口w；

步骤2：对于nw个大小不同的窗口，分别设置其检测模板参数l、w、d、θ，每个大小为w的窗口可获得nθ＝π/θ个模板，则共获得n＝nw*nθ个不同大小w、不同方向θ的模板；其中，l是模板长度，w是模板宽度，d是模板区域r1和r2间的距离，θ是模板对应的角度；

步骤3：对于每个像素p，利用n个不同大小w、不同方向θ的模板，计算模板区域r1和r2之间的梯度dw(θ)，共获得n个梯度值以及对应的角度值；

步骤4：选择n个梯度值中的最大值，记录该值及其对应的角度，继续处理下一个像素，直到所有像素都处理完毕，得到一幅梯度图像和一幅角度图像；

步骤5：进行梯度方向非极大值抑制，得到细化后的梯度图像；具体如下：

对于梯度图像中的每个像素p，沿对应角度图像中所指示的角度的法线方向，比较相邻像素值的大小；如果像素p小于其相邻像素，则将像素p的梯度值设为0，否则，保留其原始值，所有像素处理完毕后得到细化后的梯度图像；

步骤6：将细化后的梯度图像进行二值化处理，得到最终的单像素宽度的边缘图像。

进一步，所述步骤3中，对于sar图像，梯度的计算公式为：

其中，x1、x2分别表示方向θ下模板区域r1和区域r2的sar图像幅度或强度；

对于极化sar图像，梯度的计算公式为：

dw(θ)＝2ln|x1+x2|-ln|x1|-ln|x2|+2qln2

其中，x1、x2分别表示方向θ下模板区域r1和区域r2的q×q的极化sar图像相干矩阵或协方差矩阵，q表示矩阵维度。

进一步，所述步骤6中，采用熵阈值法进行二值化处理，具体包括：

步骤6.1：对细化后的梯度图像进行图像增强处理，方法如下：

首先，对细化后的梯度图像进行对数变换，计算公式为：x＝10*log10(x)，其中，x表示像素值；

然后，进行最大值及最小值拉伸，处理方法为：将图像像素值按从小到大的顺序排序，取第a％位置上的像素值为最小值min，取第b％位置上的像素值为最大值max；

最后，利用最大值及最小值进行归一化处理，归一化公式为：x＝(x-min)/(max-min)，其中，x表示像素值；

步骤6.2：将步骤6.1处理后的梯度图像中的像素分为n个灰度级，计算每个灰度级i中像素占总像素数的比率pi；

步骤6.3：设灰度级s将图像分为a和b两部分，每个部分的熵定义如下：

则a和b的熵的和为：hsum＝ha+hb，计算每个灰度级i对应的hsum；

步骤6.4：求出n个灰度级中最大的hsum及其对应的灰度级s，则s就是分割阈值，将小于或等于s的像素设为0，将大于s的像素设为1，即得到二值化图像。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：

本发明提出利用大小不同的窗口模板对图像进行边缘检测，并将各窗口得到的边缘信息进行综合，得到最终的边缘检测结果，从而克服常规单一窗口进行边缘检测无法兼顾纹理丰富区域和弱边缘区域的缺陷，既可最大程度上检测出可能的边缘，又保证了边缘检测的精确度。

附图说明

图1是本发明的流程图；

图2是本发明实施例中的边缘检测模板图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

如图1所示，本发明所述的一种多尺度sar图像边缘检测方法，包括以下步骤：

步骤1：设置最大检测窗口wmax和最小检测窗口wmin，获得nw＝(wmax–wmin)/2+1个大小不同的窗口w；

本实施例设置wmax＝7，wmin＝3，则共有nw＝3个大小不同的窗口，即w取3、5、7。

步骤2：对于3个大小不同的窗口，分别设置其模板参数l、w、d、θ，如图2所示；每个大小为w的窗口可获得nθ＝π/θ个模板，则共获得n＝nw*nθ个不同大小w、不同方向θ的模板；其中，l是模板长度，w是模板宽度，d是模板区域r1和r2间的距离，θ是模板对应的角度；一般情况下模板为正方形，即l＝2*w+d；

本实施例中，在窗口大小为3时，设置l＝3，w＝1，d＝1，θ＝45°；在窗口大小为5时，设置l＝5，w＝2，d＝1，θ＝45°；在窗口大小为7时，设置l＝7，w＝3，d＝1，θ＝45°；则共有n＝3*(180°/45°)＝12个不同大小、不同方向的模板。

步骤3：对于每个像素p，利用12个不同大小、不同方向的模板，计算模板区域r1和r2之间的梯度dw(θ)，共获得12个梯度值以及对应的角度值；

本实施例中，对于sar图像，步骤3所述的梯度的计算公式为：

其中，x1、x2分别表示方向θ下模板区域r1和区域r2的sar图像幅度或强度；

本实施例中，对于极化sar图像，步骤3所述的梯度的计算公式为：

dw(θ)＝2ln|x1+x2|-ln|x1|-ln|x2|+2qln2

其中，x1、x2分别表示方向θ下模板区域r1和区域r2的q×q的极化sar图像相干矩阵或协方差矩阵，q表示矩阵维度。

步骤4：计算12个梯度值中的最大值，记录该值及其对应的角度，继续处理下一个像素，直到所有像素都处理完毕，所有像素都处理完毕后，得到一幅梯度图像和一幅角度图像。

步骤5：进行梯度方向非极大值抑制，得到细化后的梯度图像；具体如下：

对于梯度图像中的每个像素p，沿对应角度图像中所指示的角度的法线方向，比较相邻像素值的大小，如果像素p小于其相邻像素，则将像素p的梯度值设为0，否则，保留其原始值，所有像素处理完毕后得到细化后的梯度图像。

步骤6：将细化后的梯度图像进行二值化处理，得到最终的单像素宽度的边缘图像；

本实施例中，采用熵阈值法进行二值化处理，具体包括：

步骤6.1：对细化后的梯度图像进行图像增强处理，方法如下：

首先，对细化后的梯度图像进行对数变换，计算公式为：x＝10*log10(x)，其中，x表示像素值；

然后，进行最大值及最小值拉伸，处理方法为：将图像像素值按从小到大的顺序排序，取第6.25％位置上的像素值为最小值min，取第93.75％位置上的像素值为最大值max；

最后，利用最大值及最小值进行归一化处理，归一化公式为：x＝(x-min)/(max-min)，其中，x表示像素值；

步骤6.2：将步骤6.1处理后的梯度图像中的像素分为n个灰度级，计算每个灰度级i中像素占总像素数的比率pi；本实施例中n＝256；

步骤6.3：假设灰度级s将图像分为a和b两部分，每个部分的熵定义如下：

则a和b的熵的和为：hsum＝ha+hb，计算每个灰度级i对应的hsum；

步骤6.4：求出n个灰度级中最大的hsum及其对应的灰度级s，则s就是分割阈值，将小于或等于s的像素设为0，将大于s的像素设为1，即得到二值化图像。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代。如模板参数θ可设置为其它值；梯度可采用其它公式代替；二值化方法可以选择其它方法代替熵阈值法；等等。但这并不会超出本发明所提算法的框架，不会偏离本发明的精神，或者超越所附权利要求书所定义的范围。