專利名稱：基于改進(jìn)Wedgelet的多尺度SAR圖像邊緣檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種圖像邊緣檢測方法，可用于對(duì)合成孔徑雷達(dá)SAR圖像的邊緣檢測。

背景技術(shù)：
合成孔徑雷達(dá)SAR是一種高分辨率成像雷達(dá)，具有全天候，多極化，多視角，多俯角數(shù)據(jù)獲取能力，廣泛應(yīng)用于軍事偵察及民用遙感探測領(lǐng)域。由于成像雷達(dá)發(fā)射的是純相干波，因而SAR圖像受到嚴(yán)重的相干斑噪聲影響，圖像的信噪比較低。邊緣信息對(duì)于圖像理解有著重要的意義，它既是圖像分割的有效途徑，又是特征提取的有效手段，在圖像處理中已逐漸發(fā)展成專門的研究領(lǐng)域，也是SAR圖像處理中研究的重點(diǎn)。但SAR圖像相干斑噪聲的存在給邊緣檢測造成了困難。
目前，常用的傳統(tǒng)邊緣檢測方法主要有(1)基于微分算子的邊緣檢測方法如Canny，Sobel算子，這類算子具有算法簡單，運(yùn)行速度快等優(yōu)點(diǎn)，但是對(duì)圖像噪聲非常敏感。(2)基于假設(shè)檢驗(yàn)的方法，如Ratio算法，它們能較好的克服噪聲的影響，降低檢測錯(cuò)誤率，但是邊緣定位精度較差。(3)基于小波理論的邊緣檢測方法，利用小波時(shí)頻分析的優(yōu)越性，檢測圖像在多個(gè)尺度下的邊緣信息，獲得多尺度分析下的圖像邊緣。但是由于SAR圖像受強(qiáng)烈的相干斑噪聲的影響，傳統(tǒng)算法對(duì)圖像的邊緣檢測很難同時(shí)兼顧噪聲抑制和對(duì)邊緣完整準(zhǔn)確定位，對(duì)SAR圖像的檢測效果并不理想。
邊緣檢測的不確定性表明邊緣檢測算子的抑噪能力和定位精度是一對(duì)矛盾，小尺度算子雖然有利于邊緣定位，但對(duì)噪聲極為敏感；大尺度算子雖然抑噪能力強(qiáng)，但邊緣定位精度差，甚至?xí)G失某些局部細(xì)節(jié)。多尺度邊緣檢測為解決此問題的提供了有效途徑，例如，在多尺度幾何分析工具中，美國學(xué)者Donoho等人提出的Wedgelet變換，具有良好的“線”和“面”的特性，但是由于受SAR圖像斑點(diǎn)噪聲的影響，該變換用于SAR圖像時(shí)，逼近圖像容易產(chǎn)生偽邊緣，且運(yùn)行時(shí)間過長，影響檢測的效果和效率。
發(fā)明的內(nèi)容 本發(fā)明的目的在于克服現(xiàn)有SAR圖像邊緣檢測中，傳統(tǒng)算法很難同時(shí)兼顧噪聲抑制和對(duì)邊緣完整準(zhǔn)確定位的缺點(diǎn)，而現(xiàn)有的Wedgelet逼近得到的圖像具有容易產(chǎn)生偽邊緣且運(yùn)行時(shí)間過長的缺點(diǎn)，提出一種基于改進(jìn)Wedgelet變換的SAR圖像邊緣檢測方法，使檢測后得到的邊緣圖像具有良好的抗噪性和邊緣完整連續(xù)性的特點(diǎn)。
實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是對(duì)傳統(tǒng)的Wedgelet變換作改進(jìn)，利用改進(jìn)后的Wedgelet變換代價(jià)函數(shù)能夠很好地捕捉圖像中的“線”和“面”的特性，對(duì)輸入圖像進(jìn)行多尺度Wedgelet變換，得到輸入圖像的多尺度Wedgelet逼近圖像，再對(duì)逼近圖像進(jìn)行邊緣檢測和后處理，去除細(xì)小雜邊緣的干擾，得到最終的邊緣圖像。具體實(shí)現(xiàn)過程如下 (1)輸入待檢測的SAR圖像，將其轉(zhuǎn)化為灰度圖像，并將得到的灰度圖像分成多個(gè)子圖像； (2)用改進(jìn)的Wedgelet代價(jià)函數(shù)對(duì)每個(gè)子圖像自適應(yīng)地按照自下向上的尺度進(jìn)行多尺度Wedgelet分解，用四叉樹保存各個(gè)尺度的分解系數(shù)，該Wedgelet變換的代價(jià)函數(shù)為 其中，P′，P″分別表示圖像子塊S被劃分成的兩個(gè)楔形區(qū)域， 圖像塊S的大小為n×n，

分別表示區(qū)域P′，P″上像素的均值， η為的權(quán)值； (3)根據(jù)分解得到的Wedgelet系數(shù)，進(jìn)行多尺度Wedgelet重構(gòu)，得到每個(gè)子圖像的多尺度Wedgelet逼近，對(duì)所有子圖像都逼近后，得到輸入圖像的多尺度Wedgelet逼近； (4)對(duì)得到的多尺度Wedgelet逼近圖像，通過邊緣提取梯度算子檢測該逼近圖像的邊緣； (5)搜索檢測得到的邊緣圖像，存儲(chǔ)每一條邊緣的長度，去除邊緣長度小于設(shè)定閾值的細(xì)小邊緣，得到最終的邊緣檢測結(jié)果。
本發(fā)明由于采用多尺度Wedgelet逼近，利用Wedgelet能夠良好捕捉圖像中“線”和“面”的特性，因而抗噪性好和邊緣檢測結(jié)果完整連續(xù)；同時(shí)由于本發(fā)明對(duì)現(xiàn)有多尺度Wedgelet逼近方法進(jìn)行了改進(jìn)，并且對(duì)圖像進(jìn)行分塊處理，進(jìn)一步提高了其抗噪性和運(yùn)行速度，降低了偽邊緣的檢測率，并且使其具有可應(yīng)用性的特點(diǎn)；此外由于本發(fā)明采用了后處理操作，去除了雜邊緣的干擾，得到了更好的邊緣檢測效果。



圖1是本發(fā)明的流程示意圖； 圖2是本發(fā)明采用的Wedgelet字典結(jié)構(gòu)圖； 圖3是現(xiàn)有Wedgelet基函數(shù)示意圖； 圖4是本發(fā)明對(duì)一幅簡單圖像的Wedgelet逼近示意圖； 圖5是本發(fā)明采用的多尺度Wedgelet逼近圖像邊緣檢測梯度算子結(jié)構(gòu)圖； 圖6是本發(fā)明對(duì)一幅SAR圖像Wedgelet逼近的結(jié)果圖； 圖7是本發(fā)明用于河流的SAR圖像與現(xiàn)有方法的邊緣檢測結(jié)果比較圖； 圖8是本發(fā)明用于機(jī)場SAR圖像與現(xiàn)有方法的邊緣檢測結(jié)果比較圖； 圖9是本發(fā)明用于機(jī)場跑道SAR圖像與現(xiàn)有方法的邊緣檢測結(jié)果比較圖； 圖10是本發(fā)明用于港口SAR圖像與現(xiàn)有方法的邊緣檢測結(jié)果比較圖； 圖11是本發(fā)明邊緣檢測結(jié)果與SAR圖像原圖疊加后的結(jié)果圖。

具體實(shí)施例方式 參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)過程如下 步驟1，輸入待檢測的SAR圖像，將其轉(zhuǎn)化為灰度圖像，并將得到的灰度圖像分成多個(gè)子圖像。
每個(gè)子圖像大小為M×M，假設(shè)輸入圖像大小為N×N，令R＝N/M，則得到R×R個(gè)子塊圖像。
設(shè)S(k1，k2，j)＝{(x1，x2)[k1/2j，k1+1/2j]×[k2/2j，k2+1/2j]}(其中j≥0為一個(gè)整數(shù)，0≤k1，k2≤2j)為二進(jìn)正方形中的點(diǎn)的集合，任意兩個(gè)不在同一條邊上的頂點(diǎn)之間的連線就構(gòu)成了一條edgelet線，每一條edgelet線和所在的二進(jìn)正方形的邊構(gòu)成的楔形區(qū)域上的特征函數(shù)，稱為非退化的Wedgelet，而一個(gè)沒有被劃分的正方形上的特征函數(shù)，則稱為退化的Wedgelet。
步驟2，用改進(jìn)的Wedgelet代價(jià)函數(shù)對(duì)每個(gè)子圖像自適應(yīng)地按照自下向上的尺度進(jìn)行多尺度Wedgelet分解，并用四叉樹存儲(chǔ)各個(gè)尺度的分解系數(shù)。具體實(shí)施步驟如下 1.初始化深度J＝log2(M)的四叉數(shù)的最底層，其對(duì)應(yīng)尺度為j＝J； 2.令j＝j(luò)-1，計(jì)算j尺度每個(gè)節(jié)點(diǎn)的代價(jià)函數(shù)，分以下三種情況 (1)對(duì)于退化的葉節(jié)點(diǎn)，將其所對(duì)應(yīng)的圖像子塊看作一個(gè)均勻的圖像塊，代價(jià)函數(shù)為 式中，

表示圖像塊S上所有像素點(diǎn)的均值，P表示圖像的ED-RDP，即逼近圖像的Wedgelet的集合，#|P|表示集合P中的Wedgelet數(shù)目，λ為復(fù)雜度懲罰參數(shù)； (2)對(duì)于非退化的葉節(jié)點(diǎn)，在其對(duì)應(yīng)的圖像塊內(nèi)，按圖2所示W(wǎng)edgelet字典結(jié)構(gòu)圖，根據(jù)本發(fā)明的最優(yōu)Wedgelet函數(shù)搜索出最優(yōu)的一條edgelet線，該函數(shù)為 式中，P′，P″分別為圖像子塊S被一條edgelet線劃分得到的兩個(gè)楔形區(qū)域，圖像塊S的大小為n×n，(n×n)2用來調(diào)節(jié)均值差在不同尺度的圖像塊中所占的比例的要求，η為均值差部分的權(quán)值；通過調(diào)節(jié)參數(shù)η，可以改變均值差部分的信息對(duì)代價(jià)函數(shù)的影響，η越大，表示均值差部分的信息對(duì)代價(jià)函數(shù)影響越大，本發(fā)明取η＝0.3。
將搜索到的最優(yōu)的edgelet線對(duì)應(yīng)的尺度、位置、方向和特征函數(shù)信息進(jìn)行存儲(chǔ)，并計(jì)算該edgelet線對(duì)應(yīng)的最優(yōu)Wedgelet表示的代價(jià)函數(shù) 參照?qǐng)D3，在j＝2時(shí)，將在單位正方形每條邊上間隔δ＝2-j設(shè)一個(gè)頂點(diǎn)，該單位正方形的四條邊上共有4×2j＝16個(gè)頂點(diǎn)，在二進(jìn)正方形中的edgelet線左側(cè)區(qū)域P′，構(gòu)成了值為常數(shù)ca的Wedgelet基函數(shù)，而在二進(jìn)正方形中的edgelet線右側(cè)區(qū)域P″，構(gòu)成了值為常數(shù)cb的Wedgelet基函數(shù)；ca，cb的值可由下式得到 ca＝Ave(I(Sj，k)|Ra) (4) cb＝Ave(I(Sj，k)|Rb) 式中，I為該二進(jìn)正方形
2，并且(j，k分別表示圖像塊S尺度和位置)，ca，cb即為相應(yīng)Wedgelet區(qū)域內(nèi)各像素點(diǎn)的均值。
(3)對(duì)于中間節(jié)點(diǎn)，由其4個(gè)子節(jié)點(diǎn)在下一層更細(xì)的尺度上表示，其代價(jià)函數(shù)為四個(gè)子節(jié)點(diǎn)的代價(jià)函數(shù)之和，即 costD＝costS1+costS2+costS3+costS4(5) 其中，S1，S2，S3，S4分別表示該節(jié)點(diǎn)對(duì)應(yīng)的四個(gè)子節(jié)點(diǎn)。
3.比較每個(gè)節(jié)點(diǎn)三種代價(jià)函數(shù)值，取最小值作為當(dāng)前節(jié)點(diǎn)代價(jià)函數(shù)值 costoptS＝min{costE，costP，costD}(6) 4.如果costoptS＝costE或costP，標(biāo)記當(dāng)前節(jié)點(diǎn)為葉子節(jié)點(diǎn)，剪枝掉以當(dāng)前節(jié)點(diǎn)為根節(jié)點(diǎn)的所有子節(jié)點(diǎn)，并在分解四叉樹中對(duì)應(yīng)位置存儲(chǔ)當(dāng)前節(jié)點(diǎn)的最優(yōu)Wedgelet表示信息，否則記錄當(dāng)前節(jié)點(diǎn)為中間節(jié)點(diǎn)； 5.循環(huán)執(zhí)行(2)～(4)，滿足停機(jī)條件j＝0，即對(duì)所有尺度執(zhí)行完后停止，得到每個(gè)子圖像完整的分解系數(shù)四叉樹。
步驟3，根據(jù)分解得到的Wedgelet系數(shù)，進(jìn)行多尺度Wedgelet重構(gòu)，得到每個(gè)子圖像的多尺度Wedgelet逼近，對(duì)所有子圖像都逼近后，得到輸入圖像的多尺度Wedgelet逼近，具體實(shí)施步驟如下 1.將分解系數(shù)四叉樹，自頂向下遍歷搜索整個(gè)四叉樹； 2.如果搜索到葉節(jié)點(diǎn)，根據(jù)存儲(chǔ)在該節(jié)點(diǎn)中的其對(duì)應(yīng)二進(jìn)正方形的Wedgelet表示信息，用Wedgelet逼近該節(jié)點(diǎn)所對(duì)應(yīng)的圖像子塊； 3.遍歷搜索完整個(gè)四叉樹后，將所有葉節(jié)點(diǎn)對(duì)應(yīng)的圖像子塊用Wedgelet逼近，最終得到整幅圖像的Wedgelet逼近，如圖4所示。
步驟4，根據(jù)得到的多尺度Wedgelet逼近圖像，通過邊緣檢測梯度提取算子檢測逼近圖像的邊緣，具體實(shí)施步驟如下 1.對(duì)得到的多尺度Wedgelet逼近圖像，本發(fā)明利用緣檢測梯度公式Y(jié)(i，j)＝max{Sx，Sy}對(duì)Wedgelet逼近圖像進(jìn)行邊緣檢測，得到為當(dāng)前像素點(diǎn)的梯度值，其中，Sx和Sy分別對(duì)應(yīng)水平和垂直方向的梯度值。該公式的檢測模板如圖5所示，圖5中，左上角的像素點(diǎn)為當(dāng)前像素點(diǎn)， 2.根據(jù)設(shè)定的邊緣閾值Th，對(duì)當(dāng)前像素點(diǎn)的梯度值進(jìn)行判斷，如果Y(i，j)＞Th，則該像素點(diǎn)的值為1，即該像素點(diǎn)為邊緣點(diǎn)，否則為0，即該像素點(diǎn)為非邊緣點(diǎn)。
步驟5，根據(jù)檢測到的邊緣圖像，去除長度小于某一閾值的細(xì)小邊緣雜點(diǎn)，得到最終的邊緣檢測結(jié)果，具體實(shí)施步驟如下 1.對(duì)步驟4所得到的邊緣圖像，按照8連通方式掃描邊緣圖像中的連通曲線，分別標(biāo)記每條連通曲線； 2.分別統(tǒng)計(jì)每條連通曲線的長度，當(dāng)其長度小于設(shè)定閾值Th_post時(shí)，在邊緣圖像中去除該曲線。
本發(fā)明的效果可以通過以下仿真結(jié)果進(jìn)一步說明。
仿真條件 本發(fā)明選用了4幅公共測試SAR圖像進(jìn)行仿真實(shí)驗(yàn)，計(jì)算機(jī)硬件配置為Pentium(R)4，主頻3.00GHz?，F(xiàn)有Wedgelet逼近技術(shù)Beamlab200的軟件平臺(tái)為Matlab7.0，本發(fā)明的軟件平臺(tái)為Matlab7.0和VC2005，選取的測試圖像為Cameraman圖像，大小256×256，運(yùn)行時(shí)間取3次運(yùn)行的平均結(jié)果。
仿真結(jié)果 1.本發(fā)明的逼近時(shí)間與現(xiàn)有技術(shù)的逼近時(shí)間如表1所示 表1Beamlab200工具箱和本發(fā)明方法運(yùn)行時(shí)間對(duì)比 從表1可見，在相同軟件平臺(tái)下，本發(fā)明的逼近時(shí)間僅為現(xiàn)有技術(shù)運(yùn)行時(shí)間的1/10，而在VC2005的軟件平臺(tái)下，運(yùn)行時(shí)間低于現(xiàn)有技術(shù)的1/100，可以看出，與現(xiàn)有技術(shù)相比，本發(fā)明更具有可應(yīng)用性。
2.本發(fā)明的逼近效果如圖6所示。其中，圖6(a)是SAR圖像原圖，圖6(b)是現(xiàn)有Donoho方法的逼近結(jié)果，圖6(c)本發(fā)明方法的逼近結(jié)果。從逼近結(jié)果可以看出，本發(fā)明方法的逼近結(jié)果產(chǎn)生的偽邊緣較少，抗噪性較好。
3.本發(fā)明的檢測結(jié)果如圖7、圖8、圖9、圖10所示，其中 圖7(a)為河流的SAR圖像原圖，圖7(b)和7(b1)分別為Canny算子后處理前后邊緣檢測結(jié)果，圖7(c)和7(c1)分別為Sobel算子后處理前后邊緣檢測結(jié)果，圖7(d)和7(d1)分別為Ratio算法后處理前后邊緣檢測結(jié)果，圖7(e)和7(e1)分別為小波模極大值方法后處理前后邊緣檢測結(jié)果，圖7(f)和7(f1)分別為本發(fā)明方法后處理前后邊緣檢測結(jié)果。
圖8(a)為機(jī)場的SAR圖像原圖，圖8(b)和8(b1)分別為Canny算子后處理前后邊緣檢測結(jié)果，圖8(c)和8(c1)分別為Sobel算子后處理前后邊緣檢測結(jié)果，圖8(d)和8(d1)分別為Ratio算法后處理前后邊緣檢測結(jié)果，圖8(e)和8(e1)分別為小波模極大值方法后處理前后邊緣檢測結(jié)果，圖8(f)和8(f1)分別為本發(fā)明方法后處理前后邊緣檢測結(jié)果。
圖9(a)為機(jī)場跑道SAR圖像原圖，圖9(b)和9(b1)分別為Canny算子后處理前后邊緣檢測結(jié)果，圖9(c)和9(c1)分別為Sobel算子后處理前后邊緣檢測結(jié)果，圖9(d)和9(d1)分別為Ratio算法后處理前后邊緣檢測結(jié)果，圖9(e)和9(e1)分別為小波模極大值方法后處理前后邊緣檢測結(jié)果，圖9(f)和9(f1)分別為本發(fā)明方法后處理前后邊緣檢測結(jié)果。
圖10(a)為港口SAR圖像原圖，圖10(b)和10(b1)分別為Canny算子后處理前后邊緣檢測結(jié)果，圖10(c)和10(c1)分別為Sobel算子后處理前后邊緣檢測結(jié)果，圖10(d)和10(d1)分別為Ratio算法后處理前后邊緣檢測結(jié)果，圖10(e)和10(e1)分別為小波模極大值方法后處理前后邊緣檢測結(jié)果，圖10(f)和10(f1)分別為本發(fā)明方法后處理前后邊緣檢測結(jié)果。
從圖7、圖8、圖9、圖10檢測結(jié)果可以看出，傳統(tǒng)的邊緣檢測方法對(duì)SAR圖像的相干斑噪聲抑制能力不夠強(qiáng)且邊緣完整連續(xù)性不夠好，主要表現(xiàn)如下 Canny方法的檢測到的邊緣比較精細(xì)，對(duì)邊緣的提取比較完整，但抑噪能力較差，體現(xiàn)在檢測到的錯(cuò)誤邊緣較多。
Sobel方法雖然檢測到的偽邊緣較Canny算子少，但邊緣檢出率不及Canny算子，且抑噪能力不理想。這主要是因?yàn)榻?jīng)典的邊緣檢測算子本質(zhì)上都為高通濾波器，而SAR圖像的邊緣和噪聲都為高頻信息，所以該類算子并不能很好地解決SAR圖像的邊緣檢測問題。
Ratio方法對(duì)SAR圖像有較高的檢出率，但檢測到的邊緣線較粗，難以判別真實(shí)邊緣的位置。
小波模極大值邊緣檢測方法相對(duì)經(jīng)典梯度算子方法和Ratio方法，其抑噪能力和檢測效果有所改善，但從對(duì)其后處理的結(jié)果可以看出，其邊緣存在許多間斷現(xiàn)象。
本發(fā)明利用Wedgelet能夠較好地捕捉圖像中的“線”和“面”的特性，進(jìn)一步對(duì)Wedgelet逼近過程，提高了其抑噪能力和運(yùn)行速度，并在抑噪能力、邊緣檢出率和主輪廓完整性方面都較傳統(tǒng)方法有明顯改善。
從每種方法后處理結(jié)果可以看出，傳統(tǒng)算法都存在主輪廓邊緣不連續(xù)現(xiàn)象，而本發(fā)明方法經(jīng)后處理操作后，由于其良好的主輪廓邊緣連續(xù)性，去除了細(xì)小雜邊緣的干擾，得到了較好的邊緣檢測結(jié)果。圖11(a)、圖11(b)、圖11(c)、圖11(d)分別給出了本發(fā)明方法對(duì)圖7(a)、圖8(a)、圖9(a)、圖10(a)邊緣檢測結(jié)果與原圖疊加的結(jié)果，從結(jié)果可以看出，本發(fā)明方法對(duì)SAR圖像的邊緣檢測是有效的。
權(quán)利要求
1.一種基于改進(jìn)Wedgelet的多尺度SAR圖像邊緣檢測方法，包括如下過程
(1)輸入待檢測的SAR圖像，將其轉(zhuǎn)化為灰度圖像，并將得到的灰度圖像分成多個(gè)子圖像；
(2)用改進(jìn)的Wedgelet代價(jià)函數(shù)對(duì)每個(gè)子圖像自適應(yīng)地按照自下向上的尺度進(jìn)行多尺度Wedgelet分解，用四叉樹保存各個(gè)尺度的分解系數(shù)，該Wedgelet變換的代價(jià)函數(shù)為
其中，P′，P″分別表示圖像子塊S被劃分成的兩個(gè)楔形區(qū)域，
圖像塊S的大小為n×n，
和
分別表示區(qū)域P′，P″上像素的均值，
η為
的權(quán)值；
(3)根據(jù)分解得到的Wedgelet系數(shù)，進(jìn)行多尺度Wedgelet重構(gòu)，得到每個(gè)子圖像的多尺度Wedgelet逼近，對(duì)所有子圖像都逼近后，得到輸入圖像的多尺度Wedgelet逼近；
(4)對(duì)得到的多尺度Wedgelet逼近圖像，通過邊緣提取梯度算子檢測該逼近圖像的邊緣；
(5)搜索檢測得到的邊緣圖像，存儲(chǔ)每一條邊緣的長度，去除邊緣長度小于設(shè)定閾值的細(xì)小邊緣，得到最終的邊緣檢測結(jié)果。
2.根據(jù)權(quán)利要求1所述的多尺度SAR圖像邊緣檢測方法，其中步驟(2)按如下過程進(jìn)行
(2a)根據(jù)代價(jià)函數(shù)計(jì)算公式
建立分解系數(shù)四叉樹的最底層，得到最底層系數(shù)，
其中，P表示圖像的ED-RDP，即逼近圖像的Wedgelet的集合，
λ為復(fù)雜度懲罰參數(shù)；
(2b)按自下向上的尺度分別搜索各尺度上每個(gè)二進(jìn)正方形的最優(yōu)Wedgelet表示，該最優(yōu)表示分為非退化Wedgelet表示、退化Wedgelet表示和該二進(jìn)正方形為中間節(jié)點(diǎn)三種情況，對(duì)于非退化的Wedgelet表示，搜索其最優(yōu)Wedgelet基的代價(jià)函數(shù)為
對(duì)于退化的Wedgelet表示，其代價(jià)函數(shù)為
對(duì)于該二進(jìn)正方形為中間節(jié)點(diǎn)的情況，代價(jià)函數(shù)為其對(duì)應(yīng)四個(gè)子節(jié)點(diǎn)的代價(jià)函數(shù)之和；
(2c)取所述的三個(gè)代價(jià)函數(shù)值中的最小者作為當(dāng)前二進(jìn)正方形對(duì)應(yīng)節(jié)點(diǎn)的代價(jià)函數(shù)，存儲(chǔ)于分解系數(shù)四叉樹對(duì)應(yīng)的節(jié)點(diǎn)中；
(2d)如果最小代價(jià)函數(shù)對(duì)應(yīng)退化或非退化的Wedgelet表示，標(biāo)記當(dāng)前節(jié)點(diǎn)為葉節(jié)點(diǎn)，剪枝掉以當(dāng)前節(jié)點(diǎn)為根節(jié)點(diǎn)的所有子節(jié)點(diǎn)，并在分解系數(shù)四叉樹中的對(duì)應(yīng)位置存儲(chǔ)當(dāng)前節(jié)點(diǎn)的最優(yōu)Wedgelet表示信息，否則記錄當(dāng)前節(jié)點(diǎn)為中間節(jié)點(diǎn)；
(2e)循環(huán)執(zhí)行(2b)～(2d)，對(duì)所有尺度執(zhí)行完后停止，得到每個(gè)子圖像完整的分解系數(shù)四叉樹。
3.根據(jù)權(quán)利要求1所述的多尺度SAR圖像邊緣檢測方法，其中步驟(3)按如下過程進(jìn)行
(3a)將分解系數(shù)四叉樹，自頂向下遍歷搜索整個(gè)四叉樹；
(3b)對(duì)于搜索到每個(gè)葉節(jié)點(diǎn)，根據(jù)存儲(chǔ)在該節(jié)點(diǎn)中的其對(duì)應(yīng)二進(jìn)正方形的Wedgelet表示信息，用Wedgelet逼近該節(jié)點(diǎn)所對(duì)應(yīng)的圖像子塊；
(3c)遍歷搜索完整個(gè)四叉樹后，則所有葉節(jié)點(diǎn)對(duì)應(yīng)的圖像子塊用Wedgelet逼近，最終得到整幅圖像的Wedgelet逼近。
4.根據(jù)權(quán)利要求1所述的多尺度SAR圖像邊緣檢測方法，其中步驟(4)按如下過程進(jìn)行
(4a)根據(jù)多尺度Wedgelet逼近圖像的特點(diǎn)，利用邊緣檢測梯度公式Y(jié)(i，j)＝max{Sx，Sy}對(duì)Wedgelet逼近圖像進(jìn)行邊緣檢測，得到當(dāng)前像素點(diǎn)的梯度值，其中，Sx和Sy分別對(duì)應(yīng)水平和垂直方向的梯度值；
(4b)根據(jù)設(shè)定的邊緣閾值Th，對(duì)當(dāng)前像素點(diǎn)的梯度值進(jìn)行判斷，如果Y(i，j)＞Th，則該像素點(diǎn)的值為1，即該像素點(diǎn)為邊緣點(diǎn)，否則為0，即該像素點(diǎn)為非邊緣點(diǎn)。
5.根據(jù)權(quán)利要求1所述的多尺度SAR圖像邊緣檢測方法，其中步驟(5)按如下過程進(jìn)行
(1).對(duì)步驟4所得到的邊緣圖像，按照8連通方式掃描邊緣圖像中的連通曲線，分別標(biāo)記每條連通曲線；
(2).分別統(tǒng)計(jì)每條連通曲線的長度，當(dāng)其長度小于設(shè)定閾值Th_post時(shí)，在邊緣圖像中去除該曲線。
全文摘要
本發(fā)明公開了一種基于改進(jìn)多尺度Wedgelet變換的SAR圖像邊緣檢測方法，它涉及圖像處理領(lǐng)域。其目的在于解決傳統(tǒng)邊緣檢測方法很難同時(shí)兼顧噪聲抑制和對(duì)邊緣完整準(zhǔn)確的定位問題。其過程為1.將SAR圖像轉(zhuǎn)化為灰度圖像并將其分成多個(gè)子圖像；2.對(duì)每個(gè)子圖像，自適應(yīng)地按照自下向上的尺度進(jìn)行多尺度Wedgelet分解，用四叉樹存儲(chǔ)各個(gè)尺度的分解系數(shù)；3.根據(jù)分解得到的系數(shù)四叉樹，對(duì)每個(gè)子圖像進(jìn)行多尺度Wedgelet逼近，最終得到整幅圖像的多尺度Wedgelet逼近；4.根據(jù)得到的多尺度Wedgelet逼近圖像，通過邊緣提取梯度算子檢測逼近圖像的邊緣；5.去除邊緣圖像中長度小于設(shè)定閾值的雜邊緣對(duì)邊緣圖像的干擾。本發(fā)明具有運(yùn)行時(shí)間快和邊緣檢測效果好的優(yōu)點(diǎn)，可用于SAR圖像的邊緣檢測。
文檔編號(hào)G01S13/90GK101329402SQ200810150090
公開日2008年12月24日 申請(qǐng)日期2008年6月20日 優(yōu)先權(quán)日2008年6月20日
發(fā)明者彪 侯, 佩 劉, 爽 王, 焦李成, 張向榮, 馬文萍 申請(qǐng)人:西安電子科技大學(xué)