數(shù)學(xué)形態(tài)學(xué)在SAR圖像處理中的應(yīng)用研究.pdf

1、合成孔徑雷達(dá)(SAR)圖像固有的相干斑噪聲嚴(yán)重降低了圖像的可解譯度，影響了后續(xù)目標(biāo)檢測(cè)、分類和識(shí)別等應(yīng)用。因此，SAR圖像的相干斑抑制算法一直是SAR圖像應(yīng)用的重要課題之一。一種理想的算法應(yīng)該在抑制相干斑噪聲的同時(shí)應(yīng)盡量能保持圖像的邊緣等細(xì)節(jié)不受損失，目前存在各種各樣的算法，但沒(méi)有一種方法能夠完美的滿足這個(gè)要求。本文詳細(xì)分析了相干斑噪聲的形成原理，研究了相干斑噪聲的模型及其統(tǒng)計(jì)特性，然后結(jié)合真實(shí)SAR圖像，深入研究了使用較為廣泛的幾種空

2、間域?yàn)V波算法，并對(duì)基于數(shù)學(xué)形態(tài)學(xué)的濾波算法作了改進(jìn)，同時(shí)與各種經(jīng)典算法如Lee算法等的處理結(jié)果進(jìn)行了定性分析和比較，結(jié)果驗(yàn)證了改進(jìn)的算法在有效去除相干斑的同時(shí)，能較好地保留圖像的邊緣特征。 邊緣檢測(cè)是圖像處理與分析中最基礎(chǔ)的內(nèi)容之一，也是至今仍沒(méi)有得到圓滿解決的一類問(wèn)題。圖像的邊緣包含了圖像的位置、輪廓等特征，是圖像的基本特征之一，廣泛地應(yīng)用于特征描述、圖像分割、圖像增強(qiáng)、圖像復(fù)原、模式識(shí)別、圖像壓縮等圖像處理中。因此，圖像邊緣

3、和輪廓特征的檢測(cè)與提取方法，一直是圖像處理與分析技術(shù)中的研究熱點(diǎn)，新理論、新方法不斷涌現(xiàn)。當(dāng)前存在許多邊緣檢測(cè)的方法，如Robert算子、Sobel算子、Laplacian算子等，但是這些算子大都基于鄰域平均的方法，使得處理后的圖像邊緣模糊，影響人的視覺(jué)，針對(duì)這種情況，本文提出了一種基于數(shù)學(xué)形態(tài)學(xué)的改進(jìn)邊緣檢測(cè)算法，數(shù)學(xué)形態(tài)學(xué)建立在集合論的基礎(chǔ)上，是一種應(yīng)用于圖像處理和模式識(shí)別領(lǐng)域的新的方法，它的基本思想是用一定形態(tài)的結(jié)構(gòu)元素去度量和提

4、取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。邊緣檢測(cè)在圖像處理與計(jì)算機(jī)視覺(jué)中占有特殊的位置，它是低層視覺(jué)處理中最重要的環(huán)節(jié)之一?；跀?shù)學(xué)形態(tài)學(xué)的邊緣信息提取處理優(yōu)于基于微分運(yùn)算的邊緣提取算法，它不像微分算法那樣對(duì)噪聲敏感，同時(shí)，提取的邊緣也比較光滑，在邊緣檢測(cè)上既能夠體現(xiàn)圖像集合特征，很好地檢測(cè)圖像邊緣，又能滿足實(shí)時(shí)性要求，并且可以在邊緣檢測(cè)的基礎(chǔ)上，通過(guò)改變形態(tài)尺度更好地克服噪聲影響。實(shí)驗(yàn)證明，本文提出的形態(tài)學(xué)邊緣檢測(cè)算法，與傳統(tǒng)