陳喜林

基于融合技術(shù)的遙感圖像邊緣檢測算法

陳喜林

（羅定職業(yè)技術(shù)學院教育系，廣東 羅定 527200）

為準確提取遙感圖像邊緣，研究一種基于融合技術(shù)的遙感圖像邊緣檢測算法，考慮到遙感圖像中存在乘性噪聲，該算法基于自適應(yīng)濾波器的遙感圖像去噪算法，通過自適應(yīng)濾波器有效去除遙感圖像中噪聲點；對去噪后的遙感圖像，再基于融合技術(shù)的遙感圖像邊緣檢測算法，通過滑動窗口技術(shù)、模糊增強方法增強去噪后遙感圖像邊緣，采用模糊形態(tài)學算法檢測遙感圖像邊緣。實驗結(jié)果顯示，所提算法去噪后的遙感圖像信噪比、峰值信噪比較高，去噪效果極好；邊緣檢測結(jié)果與遙感圖像實際邊緣位置之間誤差較小，檢測精度較高，且遙感圖像數(shù)量的增多，對該算法的檢測速度不存在顯著的負面影響。

融合技術(shù)；自適應(yīng)濾波器；遙感圖像；邊緣檢測；滑動窗口；模糊增強；模糊形態(tài)學

遙感工具可在具有差異性的角度、高度檢測地面目標信息[1-2]。伴隨科技快速發(fā)展，遙感工具使用頻率逐漸增大，人們不僅可以在高空或者太空中觀測地球環(huán)境，還可以使用遙感圖像實現(xiàn)地質(zhì)環(huán)境等的相關(guān)研究[3]。將地理學信息變成計算機可處理的圖像即遙感圖像處理技術(shù)[4]，成為當前的研究重點?；谛畔⒄摻嵌确治觯b感圖像顏色屬性均勻的地物單元，邊緣信息豐富性顯著，可體現(xiàn)相當多的地物形狀特征[5]。在遙感圖像中，邊緣主要出現(xiàn)在目標與目標、目標與背景的中間，具有大量有價值信息，是遙感圖像目標識別工作中不可忽視的部分[6-8]。

目前很多邊緣檢測算法的檢測目標大多是普通圖像，對遙感圖像的邊緣檢測效果還有待優(yōu)化。通常，遙感圖像中存在大量噪聲，這對遙感圖像邊緣檢測精度也存在一定影響[9]。為此，本文提出了基于融合技術(shù)的遙感圖像邊緣檢測算法，在對遙感圖像實施噪聲抑制的同時，保護圖像細節(jié)，實現(xiàn)遙感圖像邊緣的高精度檢測。

1 基于融合技術(shù)的遙感圖像邊緣檢測算法

1.1 基于自適應(yīng)濾波器的遙感圖像去噪算法

本文把遙感圖像斑點噪聲變換成乘性噪聲：

下一個平滑窗口的尺寸是：

1.2 基于融合技術(shù)的遙感圖像邊緣檢測算法

基于融合技術(shù)的遙感圖像邊緣檢測算法的流程圖如下：

（3）模糊增強。為實現(xiàn)遙感圖像邊緣的模糊增強，使用變換式(8)把窗口里隸屬度變換至[0,1]的區(qū)間里。

（5）窗口遍歷。窗口遍歷整個遙感圖像，可實現(xiàn)遙感圖像全局邊緣的模糊強化。在窗口滑動時，本文使用半窗口滑動窗口模型，實現(xiàn)窗口遍歷，窗口的中心點每次移動的距離屬于窗口尺寸的二分之一[13-15]。詳情如圖1所示。

“稻田養(yǎng)蝦本小利大?！蓖可Ｌ锩慨斦f起稻田效益都高興得合不攏嘴。據(jù)他介紹，由于無公害種養(yǎng)，小龍蝦今年賣到20多元/kg，且產(chǎn)出的稻米由于品質(zhì)好，畝產(chǎn)綜合收入5000元以上。“稻蝦共作”效益相當可觀，也吸引了很多外出打工的青年民兵回鄉(xiāng)創(chuàng)業(yè)。涂桑田在當?shù)攸h委、政府的扶持下，把當?shù)氐咎镳B(yǎng)殖戶組織起來成立正陽縣稻田養(yǎng)蝦農(nóng)民專業(yè)合作社，采取“合作社+家庭農(nóng)場+基地+品牌+農(nóng)戶”的產(chǎn)業(yè)化經(jīng)營模式，將甲魚、泥鰍、黃鱔、鯉魚、鰱魚等引進稻田，用“稻蝦共作”生物鏈延伸“稻魚連作”生態(tài)循環(huán)鏈。

綜上所述，基于融合技術(shù)的遙感圖像邊緣檢測算法的流程圖如圖2所示。

圖2 基于融合技術(shù)的遙感圖像邊緣檢測算法的流程圖

2 實驗分析

為測試本文算法的使用效果，把Matlab 2019a軟件設(shè)成仿真工具，在Windows 7、四核 Intel Core i7處理器、300GB硬盤、4GB內(nèi)存的PC機中采取仿真測試的模式，測試本文算法使用效果。在使用一幅大小是40mm*20mm的遙感圖像實施邊緣檢測，此遙感圖像如圖3所示，該遙感圖像中存在大量乘性噪聲點。在實驗中，先測試本文算法對此遙感圖像的去噪效果。

圖3 存在乘性噪聲點的遙感圖像

本文算法對圖3進行去噪后，效果圖如圖4所示。

圖4 本文算法去噪后遙感圖像效果圖

對比圖3、圖4后可知，從視覺角度分析，本文算法對存在大量乘性噪聲點的遙感圖像去噪效果極好，能夠有效抑制遙感圖像中的噪聲干擾，去噪后遙感圖像細節(jié)十分清晰。

圖5 本文算法去噪效果

分析圖5可知，使用本文算法之前，遙感圖像的信噪比與峰值信噪比均小于本文算法去噪后遙感圖像的信噪比、峰值信噪比。本文算法去噪后的遙感圖像信噪比、峰值信噪比最大值分別高達225, 275dB，證明本文算法對遙感圖像去噪效果較好。

使用本文算法對圖3去噪后，對其進行邊緣檢測，檢測效果圖如圖6所示。分析圖6可知，本文算法對圖3遙感圖像進行邊緣檢測之后，遙感圖像中全部目標邊緣都被檢測出來，證明本文算法可有效檢測遙感圖像的邊緣信息。

圖6 遙感圖像邊緣檢測效果圖

本文算法檢測結(jié)果的F-Score值測試結(jié)果如圖7所示。

分析圖7可知，多次測試中，本文算法對遙感圖像邊緣檢測后，邊緣檢測結(jié)果的F-Score值與1.0十分接近，大于0.95，表示本文算法對遙感圖像邊緣檢測精度較高。

遙感圖像邊緣檢測速度對遙感圖像目標識別效率存在直接影響，為此，將需邊緣檢測的遙感圖像數(shù)量依次設(shè)成5, 10, 15, 20, 25, 30張。測試本文算法在檢測多張遙感圖像邊緣時的檢測耗時、檢測加速比，以此判斷本文算法對遙感圖像邊緣檢測速度。測試結(jié)果如表1所示。

表1 本文算法對遙感圖像邊緣檢測速度測試結(jié)果

分析表1可知，當需邊緣檢測的遙感圖像數(shù)量依次是5, 10, 15, 20, 25, 30張時，伴隨圖像數(shù)量的增多，本文算法對遙感圖像邊緣檢測的耗時出現(xiàn)小幅度增多，但增幅不大，檢測耗時低于1s，而本文算法的檢測加速比伴隨圖像數(shù)量的增多而變大，體現(xiàn)了本文算法在遙感圖像邊緣檢測過程中占據(jù)速度優(yōu)勢。

3 結(jié)論

邊緣檢測技術(shù)屬于圖像處理與計算機視覺領(lǐng)域中最常用技術(shù)之一，屬于圖像處理環(huán)節(jié)的核心步驟。邊緣檢測能夠保存圖像目標輪廓的結(jié)構(gòu)信息，降低圖像分析復雜度。本文以遙感圖像為研究核心，提出了基于融合技術(shù)的遙感圖像邊緣檢測算法，并對其使用效果進行測試。測試后可知，本文算法不僅對遙感圖像的去噪效果極好，而且能夠高精度、快速地檢測遙感圖像中的邊緣信息。

[1] 劉麗霞，李寶文，王陽萍，等. 改進Canny邊緣檢測的遙感影像分割[J]. 計算機工程與應(yīng)用，2019, 055(012): 54-58.

[2] 邱中原，朱希安，郁建林. 結(jié)合紋理特征和邊緣信息的遙感影像分類[J]. 遙感信息，2018, 33(003): 130-135.

[3] 于野，艾華，賀小軍，等. A-FPN算法及其在遙感圖像船舶檢測中的應(yīng)用[J]. 遙感學報，2020, 24(02): 107-115.

[4] 蘭傳琳，方佩章，何楚. 基于先驗模型優(yōu)化的無人機遙感圖像中幾何輪廓目標檢測方法[J]. 電視技術(shù)，2019, 43(01): 10-15, 70.

[5] 張洪群，顧吟雪，郭擎. 灰色關(guān)聯(lián)分析與模糊推理邊緣檢測圖像融合法[J]. 遙感信息，2020, 035(001): 15-27.

[6] 張文坤，汪西原，宋佳乾. 基于分數(shù)階微分差與高斯曲率濾波的邊緣檢測算法[J]. 計算機工程，2019, 45(02): 213-219.

[7] 郭敬，吉長東，楊健，等. 針對高分四號衛(wèi)星影像的邊緣檢測技術(shù)[J]. 遙感信息，2018, 33(003): 108-115.

[8] 余祥偉，薛東劍，陳鳳嬌. 融合多尺度邊緣檢測的小波貝葉斯SAR圖像濾波[J]. 遙感信息，2019, 34(05): 120-125.

[9] 王倫文，馮彥卿，張孟伯. 光學遙感圖像目標檢測方法[J]. 系統(tǒng)工程與電子技術(shù)，2019(10): 2163-2169.

[10] 凌晨，張鑫彤，馬雷. 基于Mask R-CNN算法的遙感圖像處理技術(shù)及其應(yīng)用[J]. 計算機科學，2020, 47(10): 151-160.

[11] 趙寶康，李晉文，楊帆，等. 劉佳豪.一種基于深度學習的遙感圖像目標檢測算法[J]. 計算機工程與科學，2019, 41(12): 2166-2172.

[12] 吳一全，鄒宇，劉忠林. 基于Franklin矩的亞像素級圖像邊緣檢測算法[J]. 儀器儀表學報，2019, 40(05): 221-229.

[13] 陸盈. 基于區(qū)間值直覺模糊集的圖像邊緣檢測算法[J]. 電子測量與儀器學報，2018, 32(12): 104-112.

[14] 余震，何留杰，王振飛. 基于中智理論與方向-均值的圖像邊緣檢測算法[J]. 電子測量與儀器學報，2020, 34(03): 43-50.

[15] 余小慶，陳仁文，唐杰，等. 融合小波變換和新形態(tài)學的含噪圖像邊緣檢測[J]. 計算機科學，2018, 45(S2): 194-197.

Edge detection algorithm of remote sensing image based on fusion technology

CHEN Xi-lin

(Department of Education, Luoding Vocational and Technical College, Guangdong Luoding 527200)

In order to accurately extract the edge of remote sensing image, a remote sensing image edge detection algorithm based on fusion technology is studied. Considering the multiplicative noise in remote sensing image, the algorithm firstly uses the remote sensing image denoising algorithm based on adaptive filter, and effectively removes noise points in remote sensing image through adaptive filter. For the denoised remote sensing image, the remote sensing image edge detection algorithm based on fusion technology is used, the edge of the denoised remote sensing image is enhanced by sliding window technology and fuzzy enhancement method, and the edge of the remote sensing image is detected by fuzzy morphological algorithm. The experimental results show that the SNR and peak SNR of the remote sensing image denoised by the proposed algorithm are high, and the denoising effect is excellent. The error between the edge detection result and the actual edge position of the remote sensing image is small, the detection accuracy is high, and the increase of the number of remote sensing images has no significant negative impact on the detection speed of the algorithm.

fusion technology；adaptive filter；remote sensing image；edge detection；sliding window；fuzzy enhancement；fuzzy morphology

2021-11-20

2020廣東省教育科學“十三五”規(guī)劃課題“實踐取向的鄉(xiāng)村卓越小學全科教師培養(yǎng)模式研究”（2020GXJK534）；2019羅定職業(yè)技術(shù)學院校級課題“信息化背景下小學全科教師數(shù)學核心素養(yǎng)的提升研究”（KY2019A020）；2021羅定職業(yè)技術(shù)學院黨建與思想政治教育研究課題“課程思政背景下卓越小學全科教師數(shù)學課程實踐研究”（DJYSZ2021010）

陳喜林（1982-），女，陜西寶雞人，碩士研究生，講師，主要從事數(shù)值分析、信息化教學研究，nancychenxilin_9@163.com。

TP751

A

1007-984X(2022)05-0017-05