CN101556693A - 阈值法标记提取的分水岭sar图像分割方法 - Google Patents

Abstract

本发明涉及一种阈值法标记提取的分水岭SAR图像分割方法，将OTSU阈值法和标记分水岭结合，用阈值分割后的图像作为标记分水岭标记的来源，有效的消除了纹理信息的影响，得到一种新的基于阈值分割的分水岭SAR图像分割方法。其实现包括如下步骤：(1)对原图像Img进行高斯低通滤波得滤波后图像GImg；(2)对滤波后图像GImg求梯度得梯度图PGImg；(3)对原图像Img用Otsu法提取内部标记LImg；(4)对内部标记进行经典分水岭变换得外部标记WLImg；(5)用内、外标记对梯度图PGImg进行梯度修正。利用强制最小技术修正，以便局部最小区域仅出现在标记位置；(6)对修正后的梯度图进行分水岭变换，所得的图为最终的分割图RImg。用本发明的方法分割SAR图像既减少了过分割，又保证了边缘的准确性。

Description

阈值法标记提取的分水岭SAR图像分割方法

技术领域

本发明属于图像处理技术领域，具体地说是一种阈值法标记提取的分水岭SAR图像分割方法。用于合成孔径雷达(synthetic aperture radar，SAR)图像分割中抑制过分割。

背景技术

图像分割是图像处理中一个非常重要的步骤，它将图像分割成具有强相关性的子区域或对象。图像分割通常用于进一步对图像进行分析、识别、压缩编码等，分割的准确性直接影响后续任务的有效性。图像分割算法多种多样，其中基于阈值的分割和基于区域的分割使用较为广泛。基于阈值的分割的优点是算法简单，且总能用封闭而且连通的边界来定义不交叠的区域，而缺点是对目标与背景反差较小的景物很难得到精确的目标边界；而基于区域的分割是将区域一致性作为准则，具有一定的抗噪能力，并可以得到封闭轮廓及单像素分割线。基于区域分割的算法中有基于形态学的分割算法，它能够准确定位边缘且运算简单，能封闭轮廓的分割区域，且分割线是单像素宽的，是目前使用较为广泛的一种图像分割方法。

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。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。

针对SAR图像，由于SAR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，因此产生许多针对纹理信息的SAR图像分割方法，如基于灰度级共生矩阵的方法、基于纹理谱的方法、基于马尔可夫随机场的方法等等，这些方法能有效的消除SAR图像纹理信息的影响，但此类方法有运算复杂及边缘定位不准确的缺点。Otsu在1979年提出的最大类间方差法(也称为大津方法或Otsu法)一直被认为是阈值自动选取方法中的最优方法。Otsu法的基本思路是选取的最佳阈值应当使得不同类间分离性最好，Otsu法实际是一种聚类分析，这种聚类分析最大的优点是运算速度快。用Otsu法分割SAR图像也能很好的消除纹理信息的影响，且运算简单，速度快。分水岭分割算法充分利用了梯度操作捕获的边缘信息，且能形成封闭的分割区域。但是分水岭算法中的梯度操作对纹理及噪声敏感，用于SAR图像时因其丰富的纹理信息而产生严重的过分割。Soille的基于内外标记提取的分水岭分割算法能一定程度上解决SAR图像的严重过分割问题，但没有得到一个理想的分割结果，主要原因是提取到的无用标记太多，严重影响了后续分割。因此考虑到SAR图像的纹理信息，需尝试结合针对纹理信息的SAR图像分割方法和分水岭方法，消除纹理细节影响的同时又能兼顾运算速度。

发明内容

本发明要解决的技术问题是：克服现有的图像分割算法应用于SAR图像产生的过分割问题，提出一种阈值法标记提取的分水岭SAR图像分割方法，分水岭的标记来源于Otsu阈值法分割后的图像，能保证标记的准确性，大大消除纹理信息的影响，有效解决分水岭图像分割算法的过分割问题。

本发明解决技术问题的方案是：用Otsu阈值法分割后的图像作为标记分水岭标记的来源，有效的消除了纹理信息的影响，得到一种阈值法标记提取的分水岭SAR图像分割方法。实现本发明技术方案的步骤如下：

(1)对原图像Img进行高斯低通滤波得滤波后图像GImg；

(2)对滤波后图像GImg求梯度得梯度图PGImg；

(3)用Otsu法从原图像Img提取内部标记LImg；

(4)对内部标记进行经典分水岭变换得外部标记WLImg；

(5)用内部标记LImg、外部标记WLImg修正梯度图PGImg，利用强制最小技术修正，使局部最小区域仅出现在标记位置；

(6)对修正后的梯度图进行分水岭变换，所得的图为最终的分割图RImg。

上述步骤(3)提取内部标记LImg的步骤如下：

[1]对原图像Img做Otsu阈值分割，得到二值图OImg；

[2]对二值图OImg进行高斯低通滤波得到滤波后的图GOImg；

[3]对滤波后的图像GOImg求梯度得梯度图POImg；

[4]针对梯度图POImg提取内部标记，选取内部标记的过程就是找到局部最小值的过程，局部最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。

本发明用Otsu阈值法对原图像进行分割，利用了图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值，以确定图像中每一个像素点应该属于目标还是背景区域，从而产生相应的二值图像，阈值分割不仅可以大量压缩数据，减少存储容量，而且能大大简化在其后的分析和处理步骤。Otsu法是在灰度直方图的基础上用最小二乘法原理推导出来的，具有统计意义上的最佳分割阈值。

本发明所用的高斯低通滤波技术是一种低频增强技术。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。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，去除图像的细节或噪声部分。

本发明对图像求梯度方法中，所说的梯度是指图像灰度值的显著变化的地方。不同的算子对应了不同的求梯度的方法。本发明采用微分Priwitt算子计算梯度。

本发明与现有的技术相比具有以下优点：

1、采用Otsu阈值法分割后的图像作为标记分水岭的标记的来源，有效的消除了纹理信息的影响。

2、采用高斯低通滤波的方法对阈值分割后的图像进行滤波后再提取标记，消除了高频成分带来的过多无用标记，有利于后续运算减少过分割。

3、本发明的梯度修正是针对原图像的滤波后的梯度图像进行的，并不是阈值分割后的滤波图像，这样既减少了过分割，又保证了边缘的准确性。

附图说明

图1是本发明的基于阈值分割的改进分水岭SAR图像分割方法流程图

图2是本发明的基于阈值法提取标记的流程图

图3是本发明中对SAR图像I的实验结果，其中(a)为原始SAR图像，(b)为OTSU阈值分割后的结果图；(c)为对阈值分割结果高斯低通滤波的结果(d)、(e)和(f)依次为经典分水岭和阈值为10、20的标记分水岭结果(其中阈值为1的标记分水岭结果既为经典分水岭结果)；(g)、(h)、(i)依次为本发明方法的阈值分别为30、40、50的最终结果

图4是本发明中对SAR图像II的实验结果，其中(a)为原始SAR图像，(b)为OTSU阈值分割后的结果图；(c)为对阈值分割结果高斯低通滤波的结果(d)、(e)和(f)依次为经典分水岭和阈值为10、20的标记分水岭结果(其中阈值为1的标记分水岭结果既为经典分水岭结果)；(g)、(h)、(i)依次为本发明方法的阈值分别为1、10、20的最终结果

图5是本发明中对SAR图像III的实验结果，其中(a)为原始SAR图像，(b)为OTSU阈值分割后的结果图；(c)为对阈值分割结果高斯低通滤波的结果(d)、(e)和(f)依次为经典分水岭和阈值为10、20的标记分水岭结果(其中阈值为1的标记分水岭结果既为经典分水岭结果)；(g)、(h)、(i)依次为本发明方法的阈值分别为30、40、50的最终结果

图6是本发明中对SAR图像IV的实验结果，其中(a)为原始SAR图像，(b)为OTSU阈值分割后的结果图；(c)为对阈值分割结果高斯低通滤波的结果(d)、(e)和(f)依次为经典分水岭和阈值为10、20的标记分水岭结果(其中阈值为1的标记分水岭结果既为经典分水岭结果)；(g)、(h)、(i)依次为本发明方法的阈值分别为30、40、50的最终结果

具体实施方式

参照图1，本发明具体实现过程如下：

1、对原图像Img进行高斯低通滤波得滤波后图像GImg；

本发明用高斯低通滤波去除图像的细节或噪声部分。高斯低通滤波器的工作原理可以借助频域进行分析。基本思想是让图像在傅立叶空间的高频范围内的分量受到抑制，而让低频分量不受影响，从而改变输出图像的频率分布，达到滤波的目的。其基本步骤为：(1)用(-1)^x+y乘以输入图像来进行中心变换；(2)计算图像的DFT，即F(u，v)；(3)用滤波器函数H(u，v)乘以F(u，v)；(4)计算(3)的IDFT；(5)得到(4)的实部；(6)用(-1)^x+y乘以(5)中的结果。其中， $H(u,v)=e^{-D^{2(u,v)/2{D_0}^2}};$ $D(u,v)={(u^2+v^2)}^{\frac{1}{2}},$ D(u，v)是频率域的原点到(u，v)点的距离。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GImg用priwitt算子求梯度得梯度图PGImg；

梯度是指图像灰度值的显著变化的地方。不同的算子对应了不同的求梯度的方法。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)]求梯度的过程既为 $\▿f(x,y)=\sqrt{{D_X}^2+{D_Y}^2}\▿f(x,y)$ 就是所求得的梯度。

3、对原图像Img用Otsu法提取内部标记LImg

Otsu法提取标记的方法是本发明的核心内容，具体步骤如图2所示：

(1)对原图像Img做Otsu阈值分割，得到二值图OImg；

本发明用Otsu阈值法对原图像进行分割。阈值法利用了图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值，以确定图像中每一个像素点应该属于目标还是背景区域，从而产生相应的二值图像。

Otsu法是在灰度直方图的基础上用最小二乘法原理推导出来的，具有统计意义上的最佳分割阈值。它的基本原理为以最佳阈值将图像的灰度直方图分割成两部分，使两部分的方差取最大值，即分离性最大。

阈值分割法是按某个准则函数求最优阈值t^*的过程。设灰度级为i的像素点个数为m_i，则图像的像素点的总数目M为

$M=\underset{t=0}{\overset{L-1}{\mathrm{\Σ}}}{m}_i$

灰度级i的出现概率P_i为

P_i＝m_i/M

在Otsu法中，阈值t把图像的像素点分为C₀和C₁两类(分别表示目标和背景)。σ_w ²，σ_B ²，σ_T ²分别表示类内方差、类间方差、总体方差。阈值t的分割质量由下列3个标准函数衡量

$\mathrm{\λ}=\frac{{\mathrm{\σ}}_B^2}{{\mathrm{\σ}}_w^2},$ $\mathrm{\κ}=\frac{{\mathrm{\σ}}_T^2}{{\mathrm{\σ}}_w^2},$ $\mathrm{\η}=\frac{{\mathrm{\σ}}_B^2}{{\mathrm{\σ}}_T^2}$

式中 ${\mathrm{\σ}}_w^2={\mathrm{\ω}}_0{\mathrm{\σ}}_0^2+{\mathrm{\ω}}_1{\mathrm{\σ}}_1^2$

${\mathrm{\σ}}_B^2={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-{\mathrm{\μ}}_T)}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-{\mathrm{\μ}}_T)}^2={\mathrm{\ω}}_0{\mathrm{\ω}}_1{({\mathrm{\μ}}_0-{\mathrm{\μ}}_1)}^2$

${\mathrm{\σ}}_T^2={\mathrm{\σ}}_w^2+{\mathrm{\σ}}_B^2,$ ${\mathrm{\ω}}_0=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{P}_i,{\mathrm{\ω}}_1=1-{\mathrm{\ω}}_0$

${\mathrm{\μ}}_T=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{iP}}_i,$ ${\mathrm{\μ}}_t=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{\mathrm{iP}}_i,$ ${\mathrm{\μ}}_0=\frac{{\mathrm{\μ}}_t}{{\mathrm{\ω}}_0},$ ${\mathrm{\μ}}_1=\frac{{\mathrm{\μ}}_T-{\mathrm{\μ}}_t}{1-{\mathrm{\ω}}_0}$

最优阈值t^*通过球类间方差的最大值得到

$t^{*}=\arg \underset{t\∈G}{\max }{\mathrm{\σ}}_B^2$

设(x，y)是二维数字图像的平面坐标，设t∈G为分割阈值，B＝{b₀，b₁}代表一个二值灰度级，并且b₀，b₁∈G。于是图像函数f(·，·)在阈值t上的分割结果可以表示为

$f_t(x,y)=\left\{\begin{array}{cc}{b}_0,& f(x,y)\&GreaterEqual;t\\ b_1,& f(x,y)<t\end{array}\right.$

由此得到分割后的二值图f_t(x，y)，即阈值分割结果。

(2)OImg进行高斯低通滤波得到滤波后的图GOImg。

(3)对滤波后的图像GOImg求梯度得梯度图POImg。

(4)针对梯度图POImg提取内部标记，选取内部标记的过程就是找到局部最小值的过程，局部最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。

4、外部标记提取(如图1所示)：对上述步骤(4)所得内部标记进行经典分水岭变换得外部标记WLImg；

分水岭图像分割方法一种源自地形学的分水岭变换原理。地形中的局部极小点就相当于该地形中具有极小值的点，汇水盆则是地形中这些极小值高程点的影响区。水面从这些高程极小值点处上涨，在水面浸没地形的过程中，每一个汇水盆被筑起的“坝”所包围，这些坝用来防止不同积水盆里的水混合到一起。当所有的汇水盆之间都筑起水坝之后，水面则停止上涨，此时这些筑起的坝就构成了分水岭。

由于不同的目标在相邻接处的变化往往比区域内部像素之间的变化要大的多，因此梯度图像往往能够刻画出目标的大致的边界，从而只要对边界内的区域进行填充，就可以获得不同的图像目标。分水岭算法正是基于这一假设而产生的。

分水岭的算法不是简单地将图像在最佳灰度级进行阈值处理，而是从一个偏低但能正确分割各物体的阈值开始。随后随着阈值逐渐上升到最佳值，使各个物体不会合并。此方法可以解决那些由于物体靠得太近而不能用全局阈值解决的问题。只有采用最初阈值进行分割的结果是正确的，那么最后的分割也是正确的。对最初和最终的阈值灰度级都必须很好的选择。若初始阈值太低，则低对比度的物体开始就会丢失，然后，随着阈值的增加就会与相邻的物体合并。若阈值太高，物体一开始就会被合并。最终阈值决定了最后的边界与实际物体的吻合程度。

5用内部标记LImg、外部标记WLImg修正梯度图PGImg，利用强制最小技术修正，使局部最小区域仅出现在标记位置；

6对修正后的梯度图进行分水岭变换，所得的图为最终的分割图RImg。

为了验证新方法的有效性，本文实验选用了4幅SAR图像实验，分别对其进入经典的分水岭分割、标记分水岭分割、及本发明的方法进行分割。由于标记分水岭中有参数选择的问题，既内部标记选取时的阈值T，如果某区域的集水盆深度大于T，则设为标记区域。实验过程中涉及标记分水岭的部分选取了不同的阈值T，T越大，过分割越少，但会T过大时也会丢失一些必要的边缘。

如图3的(d)、(e)、(f)，图4的(d)、(e)、(f)，图5的(d)、(e)、(f)，图6的(d)、(e)、(f)所示的标记分水岭变换得到的分割结果能在一定程度上抑制过分割，但由于SAR图像丰富的纹理细节，得到的分割结果图依然区域个数过多。采用基于Otsu阈值分割的标记分水岭的方法，如图3的(g)、(h)、(i)，图4的(g)、(h)、(i)，图5的(g)、(h)、(i)，图6的(g)、(h)、(i)，可以看出本发明算法能更有效的抑制过分割，区域大幅减少。表1为实验的对比结果，用区域个数来衡量，区域个数越少，说明过分割越少。

表1.实验对比结果

Claims (2)

1、一种阈值法标记提取的分水岭SAR图像分割方法，其特征在于将Otsu阈值法和标记分水岭结合，用阈值分割后的图像作为标记分水岭标记的来源，对SAR图像进行分水岭分割，消除纹理信息的影响，其具体实现步骤如下：

1.1对原图像Img进行高斯低通滤波得滤波后图像GImg；

1.2对滤波后图像GImg求梯度得梯度图PGImg；

1.3用Otsu法从原图像Img提取内部标记LImg；

1.4对内部标记进行经典分水岭变换得外部标记WLImg；

1.5用内部标记LImg、外部标记WLImg修正梯度图PGImg，使局部最小区域仅出现在标记位置；

1.6对修正后的梯度图进行分水岭变换，所得的图为最终的分割图RImg。

2、根据权利要求1所述的阈值法标记提取的分水岭SAR图像分割方法，其特征在于所述步骤1.3提取内部标记LImg的步骤如下：

2.1对原图像Img做Otsu阈值分割，得到二值图OImg；

2.2对二值图OImg进行高斯低通滤波得到滤波后的图GOImg；

2.3对滤波后的图像GOImg求梯度得梯度图POImg；

2.4针对梯度图POImg提取内部标记。

Images