CN101510309A - 基于复小波纹理区域合并的改进分水岭sar图像分割方法 - Google Patents

Abstract

本发明公开一种基于复小波纹理区域合并的改进分水岭SAR图像分割方法，将复小波特征提取方法与用高斯低通滤波改进的分水岭算法相结合，用于抑制分水岭分割SAR图像存在的过分割，本发明的实现步骤为：(1)对原图像进行改进的分水岭变换得到初始分割；(2)对初分割图中的每个像素提取复小波能量特征；(3)对各个不规则区域块内像素的特征进行统一；(4)利用“K－均值”聚类的方法对不同的区域块进行分类合并，减少区域块得到最终的结果。经过一组仿真实验验证本发明的图像分割效果基本符合标准。

Description

基于复小波纹理区域合并的改进分水岭SAR图像分割方法

技术领域

本发明属于图像处理技术领域，具体是一种基于复小波纹理区域合并的改进分水岭SAR图像分割方法，用于在合成孔径雷达(synthetic aperture radar，SAR)图像分割领域中抑制SAR图像分割的过分割。

背景技术

SAR图像分割是实现SAR图像自动处理的一个关键步骤，其目的是将SAR图像分割成具有强相关性的子区域或对象。便于进一步对SAR图像进行分析、识别等，分割的准确性直接影响后续任务的有效性。

SAR图像的观测对象是高度无约束场景下的地物和目标，雷达回波对地物类型、方位、均匀程度、空间关系等反应敏感，在图像上很大一部分反映为纹理信息。在SAR图像分割的过程中，纹理信息被认为是区分地物类型的重要解译信息，其它信息难以分辨的观测对象很可能可以用纹理轻易的区分。早在1981年，美国的Shanmugan就认识到了纹理对于雷达图像理解的重要性，并在之后的二十多年中大量的研究人员对此进行了研究，现在已有诸多文献表明引入纹理特征有助于提高SAR图像分割的精度。目前，对SAR图像纹理信息的分析方法主要采用的是统计纹理方法，主要包括自相关函数、傅里叶功率谱法、基于小波变化的纹理特征、灰度共生矩阵、随机模型等方法。但这类种方法对边缘定位不够准确，且运算复杂，解决这个问题必须引入边缘定位准确且运算简单的方法。

传统的形态学分割算法即分水岭算法，1977年该算法由法国的Digabel和Lantujoul引入图像处理领域，1979年法国的Beucher和Lantuejoul进一步发展，应用于灰度图像的分割。1991年法国的Vincent和德国的Pierre Soille提出基于浸沉技术的分水岭算法，此方法较以前的方法更快速、精确、灵活有效完整，从此分水岭图像分割取得突破性的进展。分水岭图像分割算法能够准确定位边缘，具有运算简单、易于并行化处理等优点，输入图像往往是图像的梯度，但是此方法抗噪性差，当受到噪声和平坦区域内部细密纹理的影响时，算法检测的局部极值会过多而产生过分割。目前主要有两类方法解决分水岭的过分割问题。第一种属于“后处理”，针对分水岭分割后的结果，根据某种准则，进行区域合并。这种方法计算量比较大，比较耗时。第二类属于“前处理”，它是基于标记提取的分水岭分割算法，算法简单实用，速度快。Soille在2003年提出的基于内外标记的分水岭分割算法是“前处理”方式改善过分割的算法，广泛应用医学图像、SAR图像、自然图像的分割领域。即使Soille的标记分水岭方法也不能消除纹理信息引起的过分割。

发明内容

本发明要解决的技术问题是：针对现有的图像分割法各自存在的不足之处，将复小波特征提取方法与改进的分水岭算法相结合，提供一种基于复小波纹理区域合并的改进分水岭SAR图像分割方法，有效抑制了SAR图像的过分割问题。

本发明解决技术问题的方案是：将高斯低通滤波改进分水岭算法与复小波特征提取相结合，即采用标记分水岭“前处理”方式与纹理区域合并“后处理”方式相结合的方法解决分水岭SAR图像分割的过分割问题。首先用高斯低通滤波改进的标记分水岭得到初始分割，这样大大消除了噪声的影响，一定程度上解决了分水岭的过分割问题；再针对纹理信息，采用复小波提取区域纹理特征，用聚类的方法进行区域合并，得到最终的分割结果。其具体技术方案的实现包括如下步骤：

(1)用改进的分水岭算法对原图像进行变换得到初始分割，将图像被分成许多不规则的区域块，改进的分水岭变换是对分水岭的“前处理”改进，目的是减少过分割；

(2)对初分割图中的每个像素提取复小波能量特征，用于聚类；

(3)对各个不规则区域块内像素的特征进行统一；

(4)利用“K-均值”聚类方法对不同的区域块进行分类合并，减少区域块得到最终分割结果。区域块的分类合并是对分水岭初始分割的“后处理”，用于进一步减少过分割，得到最终结果。

本发明采用基于高斯低通滤波的改进分水岭分割法在很大程度上减少了过分割现象，尤其对纹理图像效果显著。改进的标记分水岭算法对原图像进行初始分割的步骤如下：

[1]对原图像做高斯低通滤波，一定程度上减少SAR图像噪声引起的过分割；

[2]对滤波后的图像用微分Priwitt算子求梯度得到待修正的梯度图；

[3]对上述的梯度图做高斯低通滤波，此操作有助于减少标记提取得到的无用标记；

[4]对梯度图提取内部标记，选取内部标记的过程就是找到局部极小值的过程，局部极小值是指灰度值在一个灰度范围内的连续区域，且此区域附近的像素的值均大于这个区域内的值；

[5]对内部标记进行分水岭变换提取外部标记；

[6]用内外标记对2.2步骤的所得的梯度图进行梯度修正，以便局部最小区域仅出现在标记位置；

[7]对修正后的梯度图进行分水岭变换，得SAR图像的初始分割。

本发明采用的高斯低通滤波技术是一种低频增强技术。它可以增强图像的某些频率特征，以改变地物目标与邻域或者背景之间的灰度反差。在分析图像信号的频域特性时，一幅图像的边缘、跳跃部分以及颗粒噪声代表图像信号的高频分量，而大面积的背景区则代表图像信号的低频分量。如果通过低通滤波增强低频信息抑制高频信息，则将平滑影像细节，保留并突出较均匀连片的主体图像。

上述步骤[2]中所说的梯度是指图像灰度值的显著变化的地方。从数学的角度可以把图像看成二维离散函数，图像梯度就是这个二维离散函数的求导。不同的算子对应了不同的求梯度的方法，本发明采用了Priwitt算子，它是在一个奇数模板中定义其微分运算。

本发明所应用的复小波特征提取方法中的复小波是二元树复小波变换。此变换法在保留了复小波变换其他诸多优良特性的同时，通过采用二元树滤波的形式，保证了完全重构性。具有平移不变性，良好的方向选择性，有限的数据冗余和高效的计算效率等优良特性的小波变换形式。二元树复小波变换不仅保持了传统小波变换良好的时频局部化的分析能力，而且还具有良好的方向分析能力，它能反映出图像在不同分辨率上沿多个方向的变化，更好地描述图像的方向属性。

由于传统二维小波变换只能描述图像在水平方向和垂直方向上的属性(方向选择性较差)，不能反映其他方向上的特征，而二元树复小波变换不仅保持了传统小波变换良好的时频局部化的分析能力，而且还具有良好的方向分析能力，它能反映出图像在不同分辨率上沿多个方向的变化，更好地描述图像的方向属性。这将有利于纹理特征的表达，因此本发明采用双树复小波提取SAR图像的纹理特征。

本发明与现有的技术相比具有以下优点：

1、本发明采用了标记分水岭“前处理”方式与纹理区域合并“后处理”方式相结合的方法有效解决分水岭SAR图像分割的过分割问题。

2.本发明采用了高斯低通波改进的标记分水岭得到图像的初始分割，这是前处理的方式，标记源和梯度源采用了不同次数的高斯低通滤波，再保证边缘的准确同时一定程度上消除了噪声所所引起的过分割。

3、本发明充分利用分水岭得到的初始分割区域封闭的特点，用复小波提取各区域特征并聚类进行区域合并，这样一定程度上消除了SAR图像纹理信息所产生的过分割，并分出各区域的类别。

通过仿真分析，本发明充分利用了SAR图像的灰度信息、边缘信息及纹理信息，得到的分割结果具有实际意义而且一致的分割区域，以及较为准确、连续、一个像素大小的物体边界。

附图说明

图1是本发明基于复小波纹理区域合并的改进分水岭SAR图像分割方法流程图

图2是本发明对SAR图像I的实验及对比实验结果图：其中(a)原始SAR图像I；(b)为改进后的分水岭算法结果；(c)本发明方法(窗口4)；(d)本发明方法(窗口为20)；(e)分水岭(图像简化)+谱聚类；(f)分水岭(图像简化)+K-均值。

图3是本发明对SAR图像II的实验及对比实验结果图：其中(a)原始SAR图像I；(b)为改进后的分水岭算法结果；(c)本发明方法(窗口4)；(d)本发明方法(窗口为20)；(e)分水岭(图像简化)+谱聚类；(f)分水岭(图像简化)+K-均值。

图4是本发明对SAR图像III的实验及对比实验结果图：其中(a)原始SAR图像I；(b)为改进后的分水岭算法结果；(c)本发明方法(窗口4)；(d)本发明方法(窗口为20)；(e)分水岭(图像简化)+谱聚类；(f)分水岭(图像简化)+K-均值。

具体实施方式

如图1所示，本发明进行SAR图像分割的方法包括如下步骤：

1、对原图像进行高斯低通滤波改进的分水岭变换得到初始分割，图像被分成许多不规则的区域块；改进的分水岭变换是对分水岭的“前处理”改进，一定程度上减少了过分割。具体步骤如下：

(1)对原图像做高斯低通滤波，一定程度上减少SAR图像噪声引起的过分割。

高斯低通滤波是一种在图像处理中应用较广的低通滤波方法，它可以增强图像的某些频率特征，以改变地物目标与邻域或者背景之间的灰度反差。在分析图像信号的频域特性时，一幅图像的边缘、跳跃部分以及颗粒噪声代表图像信号的高频分量，而大面积的背景区则代表图像信号的低频分量。如果通过低通滤波增强低频信息抑制高频信息，则将平滑影像细节，保留并突出较均匀连片的主体图像。高斯低通滤波函数在频域上的形式为：

$H(u,v)=e^{{-D}^{2(u,v)/{2\mathrm{\σ}}^2}}$

$D(u,v)={(u^2+v^2)}^{\frac{1}{2}}$

D(u，v)是频率域的原点到(u，v)点的距离。σ用来衡量高斯曲线的广度，令

σ＝D₀

$H(u,v)=e^{{-D}^{2(u,v)/{{2D}_0}^2}}$

D₀是截止频率。当D(u，v)＝D₀，滤波器下降到最大值的0.607。

(2)对滤波后的图像用Priwitt算子求梯度得到待修正的梯度图。

从数学的角度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导不同的算子对应了不同的求梯度的方法。本发明采用了Priwitt算子，它是在一个奇数模板中定义其微分运算。Priwitt微分算子定义如下：

D_x＝[f(x+1，y-1)-f(x-1，y-1)]+[f(x+1，y)-f(x-1，y)]+[f(x+1，y+1)-f(x-1，y+1)]

D_Y＝[f(x+1，y-1)-f(x-1，y-1)]+[f(x，y+1)-f(x，y-1)]+[f(x+1，y+1)-f(x+1，y-1)]

$\▿f(x,y)=\sqrt{{D_X}^2+{D_Y}^2}$

就是所求得的梯度。

(3)对上述(2)步操作得到的梯度图做高斯低通滤波，此操作有助于减少标记提取得到的无用标记，待修正的梯度图不做此操作是为了确保边缘的准确性。

(4)对梯度图提取内部标记，选取内部标记的过程就是找到局部极小值的过程，局部极小值是指灰度值在一个灰度范围内的连续区域，且此区域附近的像素的值均大于这个区域内的值。

(5)外部标记提取：即对内部标记的分水岭变换。

(6)用内外标记对(2)步骤的所得的梯度图进行梯度修正，以便局部最小区域仅出现在标记位置；具体利用强制最小技术进行梯度修正。

(7)对修正后的梯度图进行分水岭变换，得SAR图像的初始分割。

2、对初分割图中的每个像素提取复小波能量特征，用于实现聚类。

复小波具有时移不变性，方向性信息多和相位信息等特点。它将小波的构造空间扩展到复数域，构造出的小波不仅有传统小波变换良好的时频局部化特征，而且具有良好的方向性。以这个像素为中心，取一个方形小窗口，对这个窗口图像进行两层复小波分解，得到每层6个高频子带和一个低频子带，共13个子带，用下式对各子带分别求小波能量作为特征矢量，归一化特征矢量，将这个窗口图像的能量特征作为此像素的能量特征。

$e=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}\left|s(x,y)\right|$

其中，s(x，y)是分解系数，M×N为频带图像的大小，x和y分别表示图像的行和列，e为能量特征。

3、对各个不规则区域块内像素的特征进行统一，具体的做法是对每个像素提特征，将不规则块中所有像素特征的均值作为该不规则块的特征。

4、利用“K-均值”聚类的方法对不同的区域块进行分类合并，减少区域块得到最终的结果。区域块的分类合并是对分水岭初始分割的“后处理”，又减少了过分割，得到最终结果。仿真结果分析

为验证本发明方法的有效性，进行如下一组实验，这组实验是先对图像进行对称扩展，再对原图中每一个像素点取以它为中心的一个窗口，提取该窗口中的特征，然后对这些特征值进行k-均值聚类。由于该算法计算量较大，实验中采用256×256的图像。本实验中对4幅SAR图像提取了复小波能量特征(13个)，这里使用256×256的图像，采用20×20的和4×4两种窗口。对比实验采用2008年马秀丽、焦李成提出的分水岭(图像简化)+谱聚类的算法，及分水岭+谱聚类的方法对比，核参数根据经验选择σ＝0.6，采用基于小波能量的特征提取方法。

从图2的(c)、(d)，图3的(c)、(d)，图4的(c)、(d)的实验结果图，可看出本发明方法充分利用了SAR图像的灰度信息、边缘信息及纹理信息，得到的分割结果具有实际意义而且一致的分割区域，以及较为准确、连续、一个像素大小的物体边界。对比图2的(b)、图3的(b)、图4的(b)的初始分割图，本发明方法通过“后处理”合并了过分割区域，保持了分水岭的准确边缘，一定程度消除了过分割，对比图2的(e)、(f)，图3的(e)、(f)，图4的(e)、(f)实验结果图，本发明方法很好的解决了过分割问题，同时分割结果的区域一致性更强。

Claims (4)

1、基于复小波纹理区域合并的改进分水岭SAR图像分割方法，其特征是首先用高斯低通滤波改进的标记分水岭变换得到初始分割，消除噪声的影响和过分割，再针对纹理信息，采用复小波提取区域纹理特征，用聚类方法进行区域合并，得到最终的分割结果，所述图像分割包括如下步骤：

1.1用高斯低通滤波改进的分水岭变换对原图像进行初始分割，获得不规则的区域块图像，实现消除噪声和过分割影响；

1.2对初始分割图的每个像素提取复小波能量特征，用于聚类；

1.3对各个不规则区域块内的像素特征进行统一；

1.4利用“K-均值”聚类方法对区域块进行分类合并，减少区域块得到最终的分割结果。

2、根据权利要求1所述的基于复小波纹理区域合并的改进分水岭SAR图像分割方法，其特征是所述步骤1.1采用高斯低通滤波改进的分水岭变换对原图像进行初始分割的步骤如下：

2.1对原图像做高斯低通滤波，减少SAR图像噪声引起的过分割；

2.2对滤波后的图像用微分Priwitt算子求梯度得到待修正的梯度图；

2.3对上述的梯度图做高斯低通滤波，减少提取无用标记；

2.4从梯度图提取内部标记，获得局部极小值；

2.5对内部标记进行分水岭变换提取外部标记；

2.6用内外标记对2.2步骤的所得的梯度图进行梯度修正，以便局部最小区域仅出现在标记位置；

2.7对修正后的梯度图进行分水岭变换，得SAR图像的初始分割。

3、根据权利要求1所述的基于复小波纹理区域合并的改进分水岭SAR图像分割方法，其特征是所述步骤1.2对每个像素提取复小波能量特征的方法是以该像素为中心，取一个方形小窗口，对窗口图像进行两层复小波分解，得到每层6个高频子带和一个低频子带，共13个子带，用下式求图像分别求小波能量作为特征矢量，归一化特征矢量并将这个窗口图像的能量特征作为该像素的能量特征：

$e=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}\left|s(x,y)\right|$

其中，s(x，y)是分解系数，M×N为频带图像的大小，x和y分别表示图像的行和列，e为能量特征矢量。

4、根据权利要求1所述的基于复小波纹理区域合并的改进分水岭SAR图像分割方法，其特征是所述的步骤1.3统一各个不规则区域块的特征的做法是对每个像素提复小波能量特征，将不规则块中所有像素特征的均值作为此不规则块的特征。

Images