一種提取道路特征的方法和設(shè)備的制作方法
【專利摘要】本發(fā)明實施例公開了一種提取道路特征的方法和設(shè)備，該方法可以包括：通過非線性量化以及基于多尺度自回歸MAR模型的圖像濾波方法對原始合成孔徑雷達SAR圖像進行預(yù)處理，得到所述SAR圖像預(yù)處理后的圖像；通過基于比率及方向融合的道路提取算法對所述預(yù)處理后的圖像進行道路特征提取，得到所述原始SAR圖像的道路特征；從而能夠高效且準(zhǔn)確地提取SAR圖像中的道路特征。
【專利說明】一種提取道路特征的方法和設(shè)備
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理技術(shù)，尤其涉及一種提取道路特征的方法和設(shè)備。 【背景技術(shù)】
[0002]當(dāng)前,對合成孔徑雷達(SAR, Synthetic Aperture Radar)圖像中的道路提取通常可以包括三個層次:低層次的道路特征提取、中層次的道路基元提取和高層次的道路網(wǎng)絡(luò)建立。而道路特征提取在道路提取中的作用至關(guān)重要，決定著整個道路提取算法的性能和效率。

【發(fā)明內(nèi)容】

[0003]本發(fā)明實施例期望提供一種提取道路特征的方法和設(shè)備，能夠高效且準(zhǔn)確地提取SAR圖像中的道路特征。
[0004]為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的:
[0005]第一方面，本發(fā)明實施例提供了一種提取道路特征的方法，所述方法包括:
[0006]通過非線性量化以及基于多尺度自回歸(MAR,Multiscale Auto Regressive)模型的圖像濾波方法對原始SAR圖像進行預(yù)處理，得到所述SAR圖像預(yù)處理后的圖像；
[0007]通過基于比率及方向融合的道路提取算法對所述預(yù)處理后的圖像進行道路特征提取，得到所述原始SAR圖像的道路特征。
[0008]根據(jù)第一種可能的實現(xiàn)方式，結(jié)合第一方面，所述通過非線性量化以及基于MAR模型的圖像濾波方法對原始SAR圖像進行預(yù)處理，包括:
[0009]通過所述原始SAR圖像的灰度直方圖去除所述原始SAR圖像的少量過飽和點，并獲得所述原始SAR圖像的灰度的動態(tài)范圍；
[0010]通過非線性拉伸算法將所述原始SAR圖像的灰度的動態(tài)范圍擴展到O至255之間，得到非線性量化后的SAR圖像。
[0011]根據(jù)第二種可能的實現(xiàn)方式，結(jié)合第一種可能的實現(xiàn)方式，所述通過非線性量化以及基于MAR模型的圖像濾波方法對原始SAR圖像進行預(yù)處理，還包括:
[0012]首先，對所述非線性量化后的SAR圖像進行金字塔分解，得到分辨率依次降低的SAR 圖像序列 Φρ = [X。X1...Xp]；
[0013]其中，ρ+1為所述SAR圖像序列Φρ中的SAR圖像個數(shù)，Xtl為所述SAR圖像序列Φρ中分辨率最高的SAR圖像，Xp為所述SAR圖像序列Φρ中分辨率最低的SAR圖像；X1為Xw根據(jù)式⑴得到:
【權(quán)利要求】
1.一種提取道路特征的方法，其特征在于，所述方法包括: 通過非線性量化以及基于多尺度自回歸MAR模型的圖像濾波方法對原始合成孔徑雷達SAR圖像進行預(yù)處理，得到所述SAR圖像預(yù)處理后的圖像； 通過基于比率及方向融合的道路提取算法對所述預(yù)處理后的圖像進行道路特征提取，得到所述原始SAR圖像的道路特征。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過非線性量化以及基于MAR模型的圖像濾波方法對原始SAR圖像進行預(yù)處理，包括: 通過所述原始SAR圖像的灰度直方圖去除所述原始SAR圖像的少量過飽和點，并獲得所述原始SAR圖像的灰度的動態(tài)范圍； 通過非線性拉伸算法將所述原始SAR圖像的灰度的動態(tài)范圍擴展到0-255之間，得到非線性量化后的SAR圖像。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過非線性量化以及基于MAR模型的圖像濾波方法對原始SAR圖像進行預(yù)處理，還包括: 對所述非線性量化后的SAR圖像進行金字塔分解，得到分辨率依次降低的SAR圖像序列 Φρ = [X。X1...Xp]; 其中，P+1為所述SAR圖像序列φρ中的SAR圖像個數(shù)，X0為所述SAR圖像序列Φρ中分辨率最高的SAR圖像，Xp為所述SAR圖像序列Φρ中分辨率最低的SAR圖像；Xl為Xw根據(jù)式⑴得到:
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過基于比率及方向融合的道路提取算法對所述預(yù)處理后的圖像進行道路特征提取，包括: 將所述預(yù)處理后的圖像進行分塊，得到至少一個圖像塊； 通過基于比率及方向融合的道路提取算法對每個圖像塊的道路特征進行提??； 將各圖像塊的提取后的道路特征進行拼接，得到所述原始SAR圖像的道路特征。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述通過基于比率及方向融合的道路提取算法對每個圖像塊的道路特征進行提取，包括: 通過可旋轉(zhuǎn)的ROA算子在所述圖像塊上滑動檢測，獲取所述圖像塊的比率信息R和方向信息Θ ;其中，所述可旋轉(zhuǎn)的ROA算子包括一個主窗口 Wl和兩個以主窗口中心對稱的從窗口 W2和W3 ; 根據(jù)所述圖像塊的比率信息R、方向信息Θ和拉東Radon變換獲取所述圖像塊的道路主方向，并根據(jù)所述圖像塊的道路主方向氡iaill對所述圖像塊中交叉道路的最佳分解，得到所述圖像塊的兩個分解圖； 對所述圖像塊的兩個分解圖均使用ROA算子和互相關(guān)算子融合的道路檢測算子提取各自的道路信息，并將所述圖像塊的兩個分解圖的道路信息進行合并，從而得到所述圖像塊的道路特征。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述通過可旋轉(zhuǎn)的ROA算子對圖像塊在所述圖像塊上滑動檢測，獲取所述圖像塊的比率信息R和方向信息Θ，包括: 計算所述可旋轉(zhuǎn)的ROA算子當(dāng)前位置(X(l，ytl)的最大比率值R(^ytl)以及所述當(dāng)前位置的最大比率值R(xQ，yQ)對應(yīng)的方向Θ (x0, y0)； 將所述可旋轉(zhuǎn)的ROA算子滑動到下一個位置(Xl，yi)計算所述可旋轉(zhuǎn)的ROA算子所述下一個位置的最大比率值R(Xl，yi)以及所述下一個位置的最大比率值R(Xl，yi)對應(yīng)的方向Θ (Xl，yi)，直至所述可旋轉(zhuǎn)的ROA算子將所述圖像塊滑動完畢； 其中，計算所述可旋轉(zhuǎn)的ROA算子當(dāng)前位置的最大比率值R以及所述當(dāng)前位置的最大比率值R對應(yīng)的方向Θ由式⑷至式(6)得到:
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，根據(jù)所述圖像塊的比率信息R、方向信息Θ和Radon變換獲取所述圖像塊的道路主方向ILlia，并根據(jù)所述圖像塊的道路主方向Lb對所述圖像塊中交叉道路的最佳分解，得到所述圖像塊的兩個分解圖，包括: 將所述圖像塊每個像素點的比率信息R和方向信息Θ按照式(7)變換為所述每個像素點對應(yīng)的笛卡爾直角坐標(biāo)下的方向矢量(px，py);
8.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對所述圖像塊的兩個分解圖均使用ROA算子和互相關(guān)算子檢測各自的道路信息，并將所述圖像塊的兩個分解圖的道路信息進行合并得到所述圖像塊的道路特征，包括: 對所述圖像塊的兩個分解圖分別通過ROA算子進行檢測，得到所述兩個分解圖的比率信息R’ ； 對所述圖像塊的兩個分解圖分別通過互相關(guān)算子進行檢測，得到所述圖像塊的兩個分解圖對應(yīng)的互相關(guān)值ξ ； 將所述圖像塊的兩個分解圖的比率信息R’與所述圖像塊的兩個分解圖對應(yīng)的互相關(guān)值ξ進行融合，并將融合后的結(jié)果通過閾值化處理，得到所述圖像塊的兩個分解圖對應(yīng)的道路特征；將所述圖像塊的兩個分解圖對應(yīng)的道路特征進行合并得到所述圖像塊的道路特征。
9.一種提取道路特征的設(shè)備，其特征在于，所述設(shè)備包括:預(yù)處理單元和道路特征提取單元，其中， 所述預(yù)處理單元，用于通過非線性量化以及基于多尺度自回歸MAR模型的圖像濾波方法對原始合成孔徑雷達SAR圖像進行預(yù)處理，得到所述SAR圖像預(yù)處理后的圖像； 所述道路特征提取單元，用于通過基于比率及方向融合的道路提取算法對所述預(yù)處理后的圖像進行道路特征提取，得到所述原始SAR圖像的道路特征。
10.根據(jù)權(quán)利要求9所述的設(shè)備，其特征在于，所述預(yù)處理單元包括非線性量化子單元，用于通過所述原始SAR圖像的灰度直方圖去除所述原始SAR圖像的少量過飽和點，并獲得所述原始SAR圖像的灰度的動態(tài)范圍； 以及通過非線性拉伸算法將所述原始SAR圖像的灰度的動態(tài)范圍擴展到0-255之間，得到非線性量化后的SAR圖像。
11.根據(jù)權(quán)利要求10所述的設(shè)備，其特征在于，所述預(yù)處理單元還包括濾波子單元，用于對所述非線性量化后的SAR圖像進行金字塔分解，得到分辨率依次降低的SAR圖像序列Φρ — [X0 X1...Xp]; 其中，P+1為所述SAR圖像序列φρ中的SAR圖像個數(shù)，X0為所述SAR圖像序列Φρ中分辨率最高的SAR圖像，Xp為所述SAR圖像序列Φρ中分辨率最低的SAR圖像；Xl為Xw根據(jù)式(11)得到:
12.根據(jù)權(quán)利要求9所述的設(shè)備，其特征在于，所述道路特征提取單元包括分塊子單元、圖像塊特征提取子單元和拼接子單元，其中， 所述分塊子單元，用于將所述預(yù)處理后的圖像進行分塊，得到至少一個圖像塊； 所述圖像塊特征提取子單元，用于通過基于比率及方向融合的道路提取算法對每個圖像塊的道路特征進行提??；所述拼接子單元，用于將各圖像塊的提取后的道路特征進行拼接，得到所述原始SAR圖像的道路特征。
13.根據(jù)權(quán)利要求12所述的設(shè)備，其特征在于，所述圖像塊特征提取子單元用于: 通過可旋轉(zhuǎn)的ROA算子在所述圖像塊上滑動檢測，獲取所述圖像塊的比率信息R和方向信息Θ ;其中，所述可旋轉(zhuǎn)的ROA算子包括一個主窗口 Wl和兩個以主窗口中心對稱的從窗口 W2和W3 ; 根據(jù)所述圖像塊的比率信息R、方向信息Θ和拉東Radon變換獲取所述圖像塊的道路主方向^iain，并根據(jù)所述圖像塊的道路主方向1Tmain對所述圖像塊中交叉道路的最佳分解，得到所述圖像塊的兩個分解圖； 對所述圖像塊的兩個分解圖均使用ROA算子和互相關(guān)算子檢測各自的道路信息，并將所述圖像塊的兩個分解圖的道路信息進行合并得到所述圖像塊的道路特征。
14.根據(jù)權(quán)利要求13所述的設(shè)備，其特征在于，所述圖像塊特征提取子單元用于: 計算所述可旋轉(zhuǎn)的ROA算子當(dāng)前位置(X(l，yci)的最大比率值R(^ytl)以及所述當(dāng)前位置的最大比率值R(xQ，yQ)對應(yīng)的方向Θ (x0, y0)； 將所述可旋轉(zhuǎn)的ROA算子滑動到下一個位置(Xl，yi)計算所述可旋轉(zhuǎn)的ROA算子所述下一個位置的最大比率值R(Xl，yi)以及所述下一個位置的最大比率值R(Xl，yi)對應(yīng)的方向Θ (Xl，yi)，直至所述可旋轉(zhuǎn)的ROA算子將所述圖像塊滑動完畢； 其中，計算所述可旋轉(zhuǎn)的ROA算子當(dāng)前位置的最大比率值R以及所述當(dāng)前位置的最大比率值R對應(yīng)的方向Θ由式(14)至式(16)得到:
15.根據(jù)權(quán)利要求13所述的設(shè)備，其特征在于，所述圖像塊特征提取子單元用于: 將所述圖像塊每個像素點的比率信息R和方向信息Θ按照式(17)變換為所述每個像素點對應(yīng)的笛卡爾直角坐標(biāo)下的方向矢量(Px，Py)；
16.根據(jù)權(quán)利要求13所述的提取設(shè)備，其特征在于，所述圖像塊特征提取子單元用于:對所述圖像塊的兩個分解圖分別通過ROA算子進行檢測，得到所述兩個分解圖的比率信息R’ ； 對所述圖像塊的兩個分解圖分別通過互相關(guān)算子進行檢測，得到所述圖像塊的兩個分解圖對應(yīng)的互相關(guān)值ξ ； 以及將所述圖像塊的兩個分解圖的比率信息R ‘與所述圖像塊的兩個分解圖對應(yīng)的互相關(guān)值ξ進行融合，并將融合后的結(jié)果通過閾值化處理，得到所述圖像塊的兩個分解圖對應(yīng)的道路特征； 以及將所述圖像塊的兩個分解圖對應(yīng)的道路特征進行合并得到所述圖像塊的道路特征。
【文檔編號】G06K9/46GK104036277SQ201410242669
【公開日】2014年9月10日 申請日期:2014年6月3日 優(yōu)先權(quán)日:2014年6月3日
【發(fā)明者】陸萍萍, 杜康寧, 汪艮, 禹衛(wèi)東, 鄧云凱, 王宇, 魯萌萌 申請人:中國科學(xué)院電子學(xué)研究所