《雷达图像 处理.docx》由会员分享，可在线阅读，更多相关《雷达图像 处理.docx（7页珍藏版）》请在金锄头文库上搜索。
1、与光学图像相比，SAR图像视觉可读性较差，并且受到相干斑噪声及阴影、透视收缩、迎坡缩短、顶底倒置等几何特征的影响。因此对SAR雷达图像的图像增强与边缘检测将有别于一般的光学图像。首先，图像增强技术是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息，它是一种将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量，丰富信息量，加强图像判读和识别效果的图像处理方法。从纯技术上讲，图像技术分为频域处理法和空域处理法。空域图像增强是直接对图像中的像素进行处理，基本上是以灰度影射变化为基础的，所用的影射变换取决于增强的目的。具体来说，空域法包括点运算和
2、模板处理，其中点运算时针对每个像素点进行处理的，与周围的像素点无关。空域增强方法大致分为3种，它们分别是用于扩展对比度的灰度变换、清除噪声的各种平滑方法和增强边缘的各种锐化技术。灰度变换主要利用点运算来修改图像像素的灰度， 是一种基于图像变换的操作； 而平滑和锐化都是利用模板来修改像素灰度，是基于图像滤波的操作。频域处理法的基础是卷积定理。传统的频域法是将需要增强的图像进行傅里叶变换或者离散余弦变换，或者是小波变换，然后将其 与一个转移函数相乘，再将结果进行反变换得到增强的图像。在空域图像增强中，形态学的基本思想是使用具有一定形态的结构元素度量和提取图像中的对应形状， 从而达到图像进行分析和识
3、别的目的，利用不同的数学形态学变换滤波方法在对S AR图像直接进行平滑滤波的应用中取得较好的结果。算法简单， 物理意义明显 。形态学的基本思想是使用具有一定形态的结构元素度量和提取图像中的对应形状， 从而达到图像进行分析和识别 的目的。由于形态学算子实质上是表达物体或形状的集合与结构元素之间的相互作用， 结构元素的形态就决定了这种运算所提取的信号的形态信息 。 因此数学形态学对信号的处理具有直观上的简单性和数学上的严谨性，在描述信号形态特征上具有独特的优势。同时，形态学中的形态滤波器可借助于先验的几何特征信息，利用形态学算子有效地滤除噪声，又保留图像中的原有信息。因此在图像平滑滤波、分割、识别
4、、形状描述等方面得到了广泛的应用，它最显著的特点是直接处理图像表面的几何形状， 具有快速、 健壮和精确的特性。本文将开运算和闭运算的另外一种组合方法 交替顺序滤波运用到 s AR图像增强处理 中。它是用一系列不断增大的结构元 素来执行 开闭滤 波。具体过程如下 ：本文开始使用的是一个 2 2较小的结构元素， 然后增加其大小，直到其大小与获得单个开闭滤波器最佳 效果所用 的 3 3结构元素的大小相同为止。在频域图像增强中，小波变换的时域与频域是具有多分辨率的时频分析方法，我们可以利用它的这个特性来对信号做高通滤波和低通滤波，得到原始信号的逼近信号和细节信号。对一幅图像sar进行基于小波变换的增强
5、处理，主要步骤：1、对图像用mallat快速算法进行小波分解；2、选取增强系数；3、对处理后的小波系数进行小波逆变换，得到增强图像。多尺度积用于图像边缘检测。但小波变换各向同性的性质导致方向选择性差，不能有效地捕捉轮廓信息。其次图像边缘检测 边缘的种类分为两种，一种为阶跃性边缘，它两边的像素的灰度值有着显著的不同；另一种成为屋顶状边缘，它位于灰度值从增加到减少的变化转折点。边缘特征提取的常用方法有Sobel算子和Cannny算子，其中canny算子对高斯加性噪声有一定的抑制作用，提取的边缘方向和位置信息比较准确，但是SAR的噪声为Gamma分布的乘性噪声，canny算子的边缘检测容易产生大量错
6、误和虚假检测结果。常用的边缘检测算子有梯度算子，拉普拉斯高斯算子，和CANNY算子。梯度算子是一阶导数算子，算子运算时采取类似卷积的方式，将模板在图像上移动并在每个位置计算对应中心像素的梯度值，所得的结果是一副梯度图，比较常见的有Roberts算子，Prewitt算子，Sobel算子。Roberts算子是一种利用局部差分算子寻找边缘的算子，计算简单，对噪声很敏感。Sobel算子有两个卷积核，主要针对阶跃边缘。拉普拉斯高斯算子（LOG）是一种二阶边缘检测算法。通过寻找图像灰度值中的二阶微分过零点，来检测边缘点。，是一个线性移不变算子，它的传递函数在频域空间的原点是零，因此经拉普拉斯滤波过的图像具
7、有零平均值。Canny边缘检测算子利用高斯函数的一阶微分，在噪声抑制和边缘检测之间寻求较好的平衡，表达式近似于高斯函数的一阶导数。Canny边缘检测算子对受加性噪声影响的边缘检测时较优的。Radon变换和Hough变换是直线边缘检测的经典算法，但是运算量较大，另外还有一些方法就是组合使用各算法。R a t i o s 算子具有较高的检测率， 但是 R a t i o s 算子的定位精度较差，主要表现在实际边缘点附近总存在一定的错检， 难以判别真实边缘的位置， 运用针对 R a t i o s 算法漏检 的改进算法，可得到稳定、可靠的实验结果。 Ra t i o s方法利用的是相邻区域的强度均值
8、 ，因此降低了 由于斑点噪声引起的单个像素的强度波动，获得比较可靠的边缘结果。SA R图像中含有大量相干斑乘性噪声， 很难区分出弱小的边缘和噪声。本文分析了在 N S c T域边缘和噪声对应的系数规律，与小波变换类似，对图像进行 N s c T变换，高频子带边缘信息和噪声对应的系数都具有较大的值。但随着尺度的增加， 边缘信息的系数也增大， 而噪声信息的系数衰减得很快。这样边缘信息的系数乘积结果会成倍增加而噪声信息的系数会成倍减少，且 N s c T变换具有良好的方向滤波性，分别在不同尺度的相同位置和方向的系数相乘，从而可以增强边缘特征且抑制噪声。由此，本文提出基于 N s c T的多尺度积的
9、s A R图像的目标检测算法，根据各个不同方向的高频子图信噪比最大来自动地选取阈值 ， 可以有效地区分出噪声点和边缘点。图像分割：SAR图像分割技术已经取得了一些研究成果，常用的方法有基于直方图的最值分割算法、基于边缘检测的算法、基于纹理特征分割的算法，还有的是基于灰度信息的分割方法；在割裂分割中，基于算子的特征计算较为简单，但大多数方法抗噪声能力差；基于统计的特征计算量大、分割精度差，同样受到噪声的影响。描述纹理的特征很多，但目前还没有提出一种纹理特征可以描述所有纹理。实际中针对不同的应用寻找合适的某纹理的特征，由此得到满意的分割时切实可行的。；分型模型使用范围较小，只在个别分辨率下有分割纹
10、理的能力，分数维门限值确定困难，分割精度差。基于随机场的模型对大尺寸、灰度较多的图像分割计算量是很大的；多分辨率小波的纹理特征具有先天的缺点（逐点采样造成的纹理信息不全），很难得到稳定的纹理特征，并且计算量较大；结构法仅适合规则纹理。聚类分割法根据某个聚类准则划分区域属性所在的特征空间，使得每类区域中的属性特征值只落在一个划分空间中，从而可按其属性特征值所在的划分空间标记其所的区域类型。区域增长法和分开合并法都属于局部分割法。区域增长法从像元出发，研究像元的相似性，将具有足够相似程度的相邻像元连接起来。分开合并法14刀是对区域增长法的改进，它考虑到基于像素级融合的计算代价及可能存在的初始分。害
11、U，对图像建立四分树或金字塔结构，从其中的某一层开始，利用相似性准则，满足相似性准则的相邻块加以合并，对应该进一步划分的块进行切分。选择不同的相似性准则可以获得不同的分割结果。现有的SAR图像分割算法有应用数据挖掘的海冰分割算法；非监督的基于播送分布的分割算法；优化的边缘检测分割算法；最大似然区域增长分割算法和模拟退火分割算法的组合算法；应用不完全分层马尔科夫随机场图像模型对SAR图像进行分割的算法等，这些算法有的是有针对性的，有的是基于几何条件的， 纹理分割是基于特征的。描述纹理的特征很多，但目前还没有提出一种纹理特征可以描述所有纹理。实际中针对不同的应用寻找合适的某纹理的特征，由此得到满意
12、的分割时切实可行的。；分型模型使用范围较小，只在个别分辨率下有分割纹理的能力，分数维门限值确定困难，分割精度差。基于随机场的模型对大尺寸、灰度较多的图像分割计算量是很大的；多分辨率小波的纹理特征具有先天的缺点（逐点采样造成的纹理信息不全），很难得到稳定的纹理特征，并且计算量较大；结构法仅适合规则纹理。 图像阈值分割本质上是利用阈值将图像中不同区域内像素间的相关性，而非各区域的边缘。相对于二维直方图，阈值分割技术最关心的是在对角线附件的概率分布。而远离对角线附近的一方面概率几乎为零另一方面对阈值分割方法本身的贡献较小，计算时完全可以忽略；马尔科夫随机场模型可以很好的描述相邻像素之间的信息，该模型
13、还可以与某其他模型结合进行图像黑醋栗，免疫算法是借鉴生命科学中免疫的概念和理论提出的一种优化算法，它继承了遗传算法的优越性，其避免了优化过程中的退化现象。空间矩阵描述了不同区域间的相邻概念，空间矩阵描述了两类之间以及异类之间在空间上的相邻概率，SAR图像轮廓清晰，不同形状和物理特征的目标呈现出不同的灰度和纹理特征。即SAR图像有同类像素的相邻概率大于异类像素的相邻概率的特点。 与光学图像相比，SRA图像视觉可读性较差，并且受到相干斑噪声及阴影、透视收缩、迎坡缩短、顶底倒置等几何特征的影响，边缘特征提取的常用方法有Sobel算子和Cannny算子，其中canny算子对高斯加性噪声有一定的抑制作用
14、，提取的边缘方向和位置信息比较准确，但是SAR的噪声为Gamma分布的乘性噪声，canny算子的边缘检测容易产生大量错误和虚假检测结果。Touzi等人提出了Rtio算子虽然对受到Gamma分布的乘性噪声干扰的SArt图像是衡虚警的，但是只能提供边缘的大致方向，因此不能直接用于直线边缘的检测。Radon变换和Hough变换是直线边缘检测的经典算法，但是运算量较大，另外还有一些方法就是组合使用各算法。图像分割的方法主要有阈值法、边缘检测发、区域跟踪法、统计学分割法，聚类分割法其中阈值法是最常用的方法，通过最大化类间方差之比类选择门限。Nakagawa和Rosenfeld假设目标元素和背景像元均服从
15、正态分布，但二者的均值和方差不同，在此前提下，他们通过最小化总体错误分类的概率来选择门限。Kapur等人提出了最佳熵阈值方法，此方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行较好的分割。但是此方法在进行阈值确定时，特别是确定多阈值时计算量是很大的。作为一种新的全局优化搜索算法，遗传算法具有强鲁棒性、自适应性和并行性等显著特点。但是SAR图像包含有相干斑噪声，传统方法不能很好对其进行分割。SAR图像的噪声抑制方法可分为基于统计意义的空域滤波方法和频域滤波方法，经典的空域滤波方法有Lee,Kuan、Gamma_MAP等滤波算法；频域处理方法有小波变换，可以较好的保留了图像的结构信息。
16、边缘检测：边缘的种类分为两种，一种为阶跃性边缘，它两边的像素的灰度值有着显著的不同；另一种成为屋顶状边缘，它位于灰度值从增加到减少的变化转折点。基于canny 算子方向的基于改进的ratio算子的边缘检测方法，应用于SAR图像中获得了良好的检测效果；常用的边缘检测算子有梯度算子，拉普拉斯高斯算子，和CANNY算子。梯度算子是一阶导数算子，算子运算时采取类似卷积的方式，将模板在图像上移动并在每个位置计算对应中心像素的梯度值，所得的结果是一副梯度图，比较常见的有Roberts算子，Prewitt算子，Sobel算子。Roberts算子是一种利用局部差分算子寻找边缘的算子，计算简单，对噪声很敏感。Sobel算子有两个卷积核，主要针对阶跃边缘。拉普拉斯高斯算子（LOG）是一种二阶边缘检测算法。通过寻找图像灰度值中的二阶微分过零点，来
