文档介绍：该【雷达图像处理 】是由【1781111****】上传分享，文档一共【7】页，该文档可以免费在线阅读，需要了解更多关于【雷达图像处理 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。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。Ratios算子具有较高的检测率,但是Ratios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Ratios算法漏检的改进算法,可得到稳定、可靠的实验结果。Ratios方法利用的是相邻区域的强度均值,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。SAR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NScT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NscT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NscT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NscT的多尺度积的sAR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、***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,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。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。针对SAR图像中所特有的相干乘性噪声(speckle),摒弃传统的图像边缘提算子,采用了一系列假设检验的边缘提取算子,取得了较为理想的结果。应用Ratin算法团一391进行边缘检测时,首先在图像上移动的检测窗中,取某象素点为待检测点,对于沿某一特定方向过该点的直线,计算窗口内两侧不重区域的各自样本均值ul、u:(注:假设图像数据均为32?bit强度值,若实际数为16一hit幅度值,则应求其平方均值)。一般取检测窗中心点以保证两区域点相等,可设各区域内象素点数均为N。再求两样本均值ul、u,之比R:由于r仅与两区域均值之比有关,而与均值大小无关,故可用一全局闭与r值比较,当;<T时即认为该点为边缘点。考虑到边缘的不同取向,,保留r值最小的结果。为了以较低的计算量得到有效的边缘检测,在检测图像中使用一个固定的阂值,但是在原有的Ratio算子的四个方向上,再添加八个平直一倾斜方向,闭值分割方法就是,简单地用一个或几个闭值将图像的灰度直方图分成几个类,认为图像中灰度值在同一灰度类内的像素属于同一类物体。最佳闭值法一般基于某种准则对图像的直方图进行分析获得,如峰谷法、类别方差自动门限法和最佳嫡门限法等。,使得每类区域中的属性征值只落在一个划分空间中,,由下式表示:G一*(H(I))④N(5一‘)其中I表示实际物体,H为模糊算子,切表示非线性变换,N表示噪声,④表示加入噪声的形式,可以是加性噪声或者乘性噪声。由5一1式可知从I得到G是唯一,的反过来要从G得到I却没有唯一解。统计学的分割方法,就是认为图像中各像素点的灰度值是具有一定概率分布的随机变量,要从观察到的图像中恢复物体或正确分割观测图像,由Bayes定理可知,就是要求出具有最大后验概率的实际图像的估计。。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。分割算法:结合上面的介绍,我们给出具体的基于t一混合模型和贪婪EM的SA卫图像分割算法步骤如下:(1)对输入的SAR图像进行灰度、均值、标准差、高阶矩、纹理等特征的提取,得到N维综合特征矢量(维数N根据不同的SAR图像来决定,一般在4一10之间,本文N为5);(2)采用多元t一混合模型对提取的SAR图像特征进行建模;(3)利用贪婪EM算法,计算估计参数。,得到每个像素属于各类别的后验概率;(4)SAR图像分割:根据贝叶斯最小错误率准则对图像进行标记,如果:夕,二argmaxa*P*(x,;月*,叉*)(5一42)那么就认为观测样本x‘对应的像素就属于y,即第k类,标记为ko这样通过上述几步就可以把SAR图像的各个像素划分到其所属的类别,达到图像分割的目的。本文将基于稳健t一混合建模的贪婪EM算法的分割方法应用于SA丑图像中取得了较好的分割效果。‘该方法:易于参数初始化、产生的混合模型序列便于模型选择,不受局部最优所困。因为t混合模型的稳健性该文的分割方法能有效地融合灰度、均值、标准差、高阶矩、纹理等特征。综合上面的多幅SAR图像分割实验可知,该贪婪EM算法能得到较好的目标分割结果,有效地抑制SAR图像中的斑点噪声,具有较好的鲁棒性,并且可以在整个搜索空间内快速寻优,具有一定的实用价值,是一种有效的SAR图像分割方法边缘检测:Ratios算子具有较高的检测率,但是Ratios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Ratios算法漏检的改进算法,可得到稳定、可靠的实验结果。Ratios方法利用的是相邻区域的强度均值,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。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。域处理法的基础是频卷积定理。传统的域法是频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,小波变换的时域与域是具有频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,。sAR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NScT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NscT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NscT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NscT的多尺度积的sAR图像的目标检测算法,根据各个不同方向的高子图频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。。NscT由非采样金字塔滤波器组和非采样方向滤波器组构成,克服了平移不变性且变换后的每个子图都与原图大小保持一致,。进行多层NscT域的多尺度积,可以达到增强边缘信息且有效抑制sAR乘性噪声的效果,边缘点系数会增大,而噪声点系数会很快衰减。在对分解层的选择上,实验证明选择5尺度最合适,既能抑制噪声且保持图像中小目标