遥感影像滤波和边缘检测研究课件

1、遥感影像滤波和边缘检测研究专 业：地理信息系统导 师： 学生： 因此，从遥感影像中快速地，精确地获取空间信息已成为最迫切的任务。本论文的研究现状和意义边缘是指图像灰度发生空间突变的像素的集合阶跃边缘屋顶状边缘原图二阶导数一阶导数本文研究意义和现状本文研究意义和现状主要内容流程第一章 图像预处理之图像滤波原图加椒盐噪声加高斯噪声第一章 图像预处理之图像滤波噪声模拟理想低通滤波噪效果左a 右bWiener滤波去噪效果左a 右ba表示椒盐噪声去噪效果图，b为高斯噪声去噪图第一章 图像预处理之图像滤波matlab模拟去噪Wiener滤波器对高斯噪声滤除效果优于对椒盐噪声理想低通滤波器未能完全滤除噪声，

2、并造成图像细节的丢失。巴特沃斯低通滤波噪效果左a 右ba表示椒盐噪声去噪效果图，b为高斯噪声去噪图第一章 图像预处理之图像滤波matlab模拟去噪巴特沃斯滤波器较理想滤波器去噪效果稍好，但仍未能完全滤除噪声，并造成图像细节的丢失第二章 基于空间域的影像边缘检测技术 空间域的处理是由对像元邻域操作完成，实现的方式基本都是利用模板进行卷积。模板数据将模板中心与图中某个像素位置重合将模板的各个系数与模板下各对应像素的灰度值相乘将所有乘积相加，再除以模板的系数个数上述运算结果赋给图中对应模板中心位置的像素 Sobel算子 （阈值为0.07） prewitt算子 （阈值为0.07）LOG算子（阈值为 0

3、.006 ）canny算子（阈值0.5标准差为2） 实验结论：八方向相邻象素的差分与用对角线方向相邻象素的差分来近似图像梯度的Roberts边缘检测方法相似，边缘定位比较准确，但存在较多漏检。 Sobel算子使用象素上、下、左、右四个方向相邻点的灰度加权差之和来检测边缘。该算法空间上易于实现，能够提供较为准确的边缘方向信息：对噪声具有平滑作用有一定的抗噪能力，特别是使用大的邻域时抗噪性能更好。同时我们看到Sobel算子检测出来的效果，存在较多的伪边缘。使用的领域较大时，计算量大，边缘较粗：增加方向时同时计算量同样增大。第二章 基于空间域的影像边缘检测技术第三章 基于频率域高通滤波的边缘检测 在

4、频率域对图像的处理，先要对图像进行某种变换，再对图像的频谱进行某种修正，最后将修正后的图像再逆变换到空间域。这种变换最常使用的是傅立叶变换。 在傅立叶变换中，图像的高低频实现了很好的分离。图像的边缘、细节主要在高频部分到反映，为了突出边缘，则采用高通滤波器让高频成分通过，使低频成分削弱，再经傅立叶逆变换得到边缘锐化的图像。第三章 基于频率域高通滤波的边缘检测相对在空间域的影像处理，频率域滤波有如下特点 优点：1. 在频率域中，图像处理和变换是全局的，能够自动分离高频和低频信息，通过设定截止频率，自动滤去低频的背景信息，就能突出边缘，执行效率很高。而在空间域中，图像边缘检测是根据像素块（模板）依

5、次移动局部处理，当模板很大时，处理效率非常低。 2. 对具有条带状噪声的影像进行边缘检测时，在频率域中可以直接滤除条带噪声所在频率段，如下图3. 编写频域滤波的程序代码方便，可扩展性强，而编写空间域的模板算子，比较繁琐，局限性大。 所示。再进行高通滤波处理，一般就可得到轮廓较清晰的影像。而在空间域中很难去噪，进行边缘检测后，会有条纹边界出现。 原图 滤波后第三章 基于频率域高通滤波的边缘检测 缺点：1、频率域的高通滤波容易产生振铃现象， 对真边缘造成干扰； 2、对于某些频率较高的噪声,可能会产生伪对象。如下图所示。 3、边缘定位不准确，边界发生偏移。高通滤波后 原图 第三章 基于频率域高通滤波

6、的边缘检测 假定原图像为 ，经傅立叶变换为 ，选择合适的滤波器 对频谱成分 进行调整得到 ，然后经傅立叶逆变换得到增强的图像 。下图是频率域增强的一般过程： 第三章 基于频率域高通滤波的边缘检测频率滤波流程1 二维理想高通滤波器的传递函数和剖面图如下所示其中， 是指定的非负数值，表示截止频率点到原点地的距离， 是 点距频率矩形原点的距离。下同。第三章 基于频率域高通滤波的边缘检测 巴特沃斯滤波器特征曲线是光滑的，不包含数值的突变，所以它能极大地减少振铃效应，在医学等高精密检测技术中常常使用。3 指数高通滤波器传递函数和剖面图如下所示 指数高通滤波器和巴特沃斯高通滤波器相似，也是光滑的曲线，能够

7、有效的抑制振铃效应。第三章 基于频率域高通滤波的边缘检测4 梯形高通滤波器传递函数和剖面图如下所示梯形高通滤波器的特征曲线有突变，所以会产生轻微的振铃现象，它的计算简单，故常被使用。第三章 基于频率域高通滤波的边缘检测 以上滤波效果图都是在matlab中经过大量实验，选取该种滤波器处理效果最好的图像。经过实验表明：理想高通滤波器对边缘检测效果很不理想，造成边缘杂乱，并且产生大量伪边缘；巴特沃斯高通滤波效果比较好，边缘清晰；指数高通滤波检测效果也不理想，对象存在偏移现象，并且产生很多伪边缘，边缘杂乱；梯形高通滤波检测效果仅次于巴特沃斯滤波，边缘比较清晰，但产生很多伪边缘。第三章 基于频率域高通滤

8、波的边缘检测第四章基于数学形态学的遥感影像边缘检测 数学形态学是一门综合了多学科的交叉科学，其基本理论非常艰深，但其基本的运算和观念却比较简单。它体现了逻辑推理和数学演绎的严谨性。利用形态学算子可以有效的滤除噪声，同时保留图像中的原有信息，突出图像的几何特征便于进一步分析图像。 数学形态学的基础是二值形态学，基本变换包括膨胀、腐蚀、开启、闭合。 二值数学形态学图像处理基本原理设二值图像集合为A ，结构元素集合为B 。1 膨胀运算定义为： 其中， 表示B的映像，z 为映像平移的像素。 原像素 模板膨胀后像素膨胀具有扩充图像和填补小孔缝隙的作用第四章基于数学形态学的遥感影像边缘检测2 腐蚀运算定义

9、为：模板原像素腐蚀后像素 腐蚀具有收缩图像和扩张孔隙的作用第四章基于数学形态学的遥感影像边缘检测3 开运算定义为：4 闭运算定义为：第四章基于数学形态学的遥感影像边缘检测 就是B在A内完全匹配的平移的并集，这些平移的并集即为开运算的结果。形态学开运算完全删除了不能包含结构元素的对象区域，平滑了对象的轮廓，断开了狭窄的连接，去掉了细小的突出部分。 是所有不与A重叠的B的平移的并集，闭运算会平滑对象的外部轮廓，将狭窄的缺口连接起来形成细长的碗口，并填充比结构元素小的洞。第四章基于数学形态学的遥感影像边缘检测灰度数学形态学基本变换同样包括膨胀、腐蚀、开启、闭合。其原理和功能与二值数学形态学相似，其中

10、开和闭的定义相同。1 灰度膨胀定义为：2 灰度腐蚀定义为：第四章基于数学形态学的遥感影像边缘检测灰度数学形态学图像处理原理实验仿真结果 阈值为0.65的二值图 84的结构元素闭运算 12的结构元素开运算12腐蚀，84膨胀，52腐蚀第四章基于数学形态学的遥感影像边缘检测影像原图 第四章基于数学形态学的遥感影像边缘检测84灰度开运算 36灰度闭运算 实验表明：形态学开运算可以去除比结构元素更小的亮细节，闭运算可以去除比结构元素更小的暗细节。当进行图像的膨胀和腐蚀时，在选择合适的结构元素时注意图像要去除细节和要膨胀细节的形状，比如，要去除很细的竖条细节，选用横条结构元素，而要去除横条细节，选用竖条的

11、结构元素；膨胀时要拓展横向的对象，选择横向结构元素，纵向的相反。由上可知用数学形态学的方法处理图像能够有效去除噪声，突出边缘，在图像处理方面有独特的优势。第四章基于数学形态学的遥感影像边缘检测第五章 城市道路检测应用 本章利用前面所讲边缘检测技术对遥感影像处理，以检测城市道路。由于高分辨率遥感影像大多内容丰富复杂，以单一的某种检测算法不足以检测出很好的效果，本章提出用多种方式结合来检测道路，并作出初步尝试，效果良好。 原城市道路影像图差分边缘检测Robert算子单一算法去噪效果 Sobel算子Prewitt算子LOG算子Canny算子理想高通滤波巴特沃斯高通滤波第五章 城市道路检测应用 梯形高

12、通滤波指数高通滤波灰度闭运算灰度开运算二值化后的开运算二值化后的闭运算第五章 城市道路检测应用实验可知：Canny算子并非人们所认为的在任何情况下的边缘检测效果都最好。当遥感影像分辨率低、地物细节较少、范围平坦宽敞、内容较简单时，Canny算子的检测效果是最好的，而当遥感影像分辨率高，地物细节多，范围狭窄而复杂时，Canny算子检测效果就不理想了。传统检测方法对高、低分辨率的影像处理效果都一般，而近年发展起来的形态学高分辨率影像的检测越来越凸显优势。第五章 城市道路检测应用原图第五章 城市道路检测应用原图进行二值化处理阈值为0.2，得到图a图a图a再进行24的中值滤波，再进行二值化，阈值0.55，取反色，进行13的腐蚀，再32中值滤波得到图b图b图c图b再用canny算子阈值0.2，标准差3，得到图c