[发明专利]一种低错误率的SAR图像边缘检测方法

说明书

本发明属于SAR图像检测技术领域，公开了一种低错误率的SAR图像边缘检测方法，提出一种有效的比例边缘检测算子(Ratio‑based edge detector，缩写为RBED)，该方法主要针对SAR图像边缘检测虚警率高的情况，结合图像边缘的各向异性，连续性以及延伸性这三个特点得到较为准确的图像边缘。首先，选定一个可分离的2D边缘滤波器；逆时针旋转2D边缘滤波器，旋转角度为θ，可获得方向滤波器；使用方向滤波器计算某像素点两侧的局部均值；根据计算出来的均值来计算边缘强度映射和边缘方向映射；最后，对所得的边缘强度映射，结合边缘方向映射通过使用NSHT算法即可得二值边缘图。

技术领域

本发明属于SAR图像检测技术领域，尤其涉及一种低错误率的SAR图像边缘检测方法。

背景技术

图像边缘检测算法分为普通的光学图像边缘检测算法和合成孔径雷达(Synthetic Aperture Radar，缩写为SAR)图像边缘检测算法。按传感器采用的成像波段分类，普通的光学图像通常是指可见光和部分红外波段传感器获取的影像数据。而SAR图像基本属于微波频段，波长通常在厘米级。可见光图像通常会包含多个波段的灰度信息，以便于识别目标和分类提取。而SAR图像则只记录了一个波段的回波信息，以二进制复数形式记录下来；但基于每个像素的复数数据可变换提取相应的振幅和相位信息。振幅信息通常对应于地面目标对雷达波的后向散射强度，与目标介质、含水量以及粗糙程度密切相关；该信息与可见光成像获得的灰度信息有较大的相关性。而相位信息则对应于传感器平台与地面目标的往返传播距离。普通的光学图像边缘检测算法主要有Sobel算子、Roberts算子、Prewitt算子、LapIacian算子、Canny算子，SAR图像边缘检测算法主要有两类，第一类是以均值比(Ratio of average，缩写为ROA)为代表的，直接使用图像空间灰度信息来进行边缘检测的检测算子。第二类是以主动轮廓法(Active Contour Method，缩写为ACM)为代表的，通过使用图像分布信息或使用图像变换域信息来检测边缘的检测算子。

第一类检测算子中最具代表性的一个——ROA检测算子。ROA检测算子包含一个2D可分离边缘滤波器，以及一个边缘提取算法(也称后处理算法)——非极大值滞后阈值(Non-Maximum Suppression and Hysteretic Thresholding，缩写为NSHT)算法。第二类使用图像分布信息或图像变换域信息的检测算子，通常是通过优化一个或多个代价函数来进行边缘检测的。此类检测算子包括了似然比(Likelihood Ratio，缩写为LR)检测算子，使用ACM的检测算子，基于分水岭的检测方法等。

常见的边缘检测算子通过将图像与边缘滤波器(组)进行卷积从而获得图像中每个像素点的梯度值。根据图像中每个像素点的梯度大小即可判断该点是否为边缘像素。当基于梯度的边缘检测算子用于SAR图像边缘检测时，不仅会检测出大量的虚假边缘，更重要的是这些检测算子已不具有CFAR特性。这使得它们并不能很好的适用于SAR图像边缘检测任务。1985年，Bovik和David提出了ROA检测算子，Touzi证明了这个检测算子具有恒虚警率(Constant False Alarm Rate，缩写为CFAR)特性。由于ROA并不具有很好的边缘分辨率，因此Roger等提出了指数加权均值比(Ratioof Exponentially Weighted Averages，缩写为ROWEA)边缘检测算子；为了获得单像素宽度的边缘，Shui等又提出了高斯-伽马型双窗(Gaussian-Gamma-Shaped Bi-WindoWs，缩写为GGS)边缘检测算子。

我们注意到指数类的垂直滤波器常常具有长拖尾现象，并且在频率域中此类滤波器往往也具有较高的旁瓣高度。有实验表明，使用此类垂直滤波器的边缘检测算子通常具有较高的虚警率。由于SAR图像的质量远远不及光学图像，故而我们认为仅依靠单个像素的信息检测得到的边缘像素是不可靠。

发明内容