CN101587587A - 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 - Google Patents

Abstract

本发明公开了一种顾及多特征多尺度MRF场的SAR图像分割方法，用于遥感影像处理，该方法包括：(1)对原始图像利用灰度共生矩阵提取纹理信息，在得到的纹理特征图像上进行多尺度分割；(2)利用小波变换检测原始图像的边缘信息，得到边缘特征图像；(3)利用线性加权法融合纹理多尺度分割结果与边缘特征，即直接对两幅图像的对应像素点进行加权叠加，得到最终分割结果。本发明方法减少了SAR图像的错误分割率，在消除斑点噪声的同时，很好的保留了图像的边缘等细节信息。

Description

顾及多尺度马尔科夫场的合成孔径雷达图像分割方法

技术领域

本发明涉及一种合成孔径雷达图像分割方法，具体地说是一种顾及多特征多尺度马尔科夫场的SAR图像分割方法，属于遥感影像处理领域。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)的全天候、大面积、高分辨率、能穿透地表云雾的特点，使其可在短时间内获得大量的信息，这也使得SAR图像应用成为遥感领域研究的热点。随着国内外星载SAR系统的发展，获取了大量的星载SAR图像数据，与SAR数据源的快速增长趋势相比，作为SAR数据应用基础的SAR图像处理与分析相关技术的研究相对滞后。SAR图像分割是SAR图像应用中一种重要的图像技术，目的是把图像分成区域并提取出感兴趣目标，其分割精度的高低是对SAR图像中不同目标进行识别和提取的关键指标。但是SAR的后向散射机制决定了SAR图像中存在相干斑(Speckle)噪声，Speckle噪声可以认为是一种乘性噪声，且是一种非高斯分布的随机噪声，这导致了SAR图像数据模型的非线性化和图像数据分布的另类性。这些相干斑噪声降低了图像的空间分辨率，掩盖了图像的细节结构，使得SAR图像的稳定信息多存在于统计量而不是单纯的灰度值中，这也使得常规的图像分割技术难于直接应用于SAR图像中取得好结果。

目前，国内外研究较多的是含斑点噪声的SAR图像直接分割，其分割方法大致分为以下几类：基于边界提取的分割方法、基于区域的分割方法、基于特定理论工具的分割方法和混合的分割方法。基于边界提取的分割算法是人们最早研究的方法，它通过区域边缘上的像素灰度值的奇异性来解决不同区域间的分割问题。基于区域的分割方法侧重于利用区域内特征的相似性，主要包括直方图阈值化方法、MUM方法、分裂合并方法、流域分割方法和分类聚类方法等。结合特定理论工具的方法主要包括基于统计学的分割方法、基于数学形态学的分割方法、基于神经网络的分割方法、基于小波变换的分割方法、基于信息论的分割方法、基于水平集理论的分割方法和基于模糊集理论的分割方法等。以上方法各有优缺点，基于边缘检测的方法存在边界点的不连续和同质区域中的伪边界情况，后续处理难度大。基于阈值化的方法没有考虑图像的空间信息，对噪声很敏感。基于分类的方法可以较容易的同时利用多种特征，然而对空间信息利用不足，分割结果的连续性差；基于区域合并的分割方法，主要用于非纹理区域的分割。基于流域变换分割方法能否对纹理图像进行分割，决定于能否得到理想的纹理梯度图。基于MRF场的方法，对类别不多的图像分割精度高，充分利用了统计特性和纹理特性，但是MAP估计计算量大，费时。基于多尺度MRF场的方法，用一个新的多尺度随机场模型来替代MRF模型，并且用从一个新的估计标准推出连续的MAP(SMAP)估计来代替MAP估计，解决了MRF模型的计算问题，但是对斑点抑制的不够充分，且分割结果的边缘细节信息容易丢失。

发明内容

针对上述问题，本发明提出了一种顾及多特征多尺度马尔科夫场(MarkovRandom Field，MRF)的SAR图像分割方法，该方法利用灰度共生矩阵提取原始图像的纹理特征，生成纹理图像，并利用小波变换提取边缘特征，结合纹理和边缘特征对图像进行多尺度分割。该方法提高了SAR图像分割结果的精度，在保持图像大的区域性的同时，也很好的保留了图像的细节信息。

本发明的技术方案是：顾及多特征多尺度MRF场的SAR图像分割方法包括以下步骤：

(1)首先利用灰度共生矩阵对原始影像Y进行纹理分析，得到纹理特征图像Y′；

(2)利用模糊C均值方法对原始影像Y进行聚类分割，获得SAR图像的初始分割结果X(0)；

(3)结合初始分割结果X(0)，在纹理特征图像Y′上进行多尺度MRF分割，获得进一步分割结果X′(0)。

(4)利用小波变换检测原始影像Y边缘信息，得到边缘特征图像Y″。

(5)将边缘特征图像Y″与分割结果X′(0)进行融合，得到最终分割结果。

本发明的特点是：

(1)在得到的纹理特征图像上进行多尺度分割，保证了图像的整体性，使得分割结果区域性明显，受斑点噪声影响小；

(2)融合了小波提取的边缘特征，很好的保留了图像的边缘等细节信息，使得分割结果错误率小。

附图说明

图1为本发明方法的流程示意图。

图2为本发明方法中多尺度MRF模型层内与层间基团示意图，图中(a)为层内基团点s与其邻域，(b)为层内基团类型，(c)为点s的父节点及其邻域，(d)为层间基团类型。

图3为本发明方法的分割结果比较示意图。

具体实施方式

本发明顾及多特征多尺度MRF场的SAR图像分割方法的流程如图1所示，包括以下步骤：

(1)利用灰度共生矩阵对原始影像Y进行纹理分析，得到纹理特征图像Y′。设图像某一区域有N个灰度值，则对应该区域的灰度共生矩阵是一个N×N阶的矩阵，灰度共生矩阵中元素(i，j)的值表示沿某一方向，由距离d分开的分别具有灰度i和j的两相邻像素出现在图像上的相对频率。这样的矩阵是对称的，并且有一个两相邻像素之间角度关系的函数。既可以在整个图像上计算共生矩阵，也可以再扫描图像的小窗口中计算共生矩阵，本实施例采用的特征统计量有以下几种：

角二阶矩：

$\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{P}_{\mathrm{ij}}^2---\left(1\right)$

K阶逆差矩：

$\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{P}_{\mathrm{ij}}^k}{{|i-j|}^k}---\left(2\right)$

纹理相关性：

$\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}(i-{\mathrm{\μ}}_x)(j-{\mathrm{\μ}}_y)}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(3\right)$

熵：

$\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{P}_{i,j}\log P_{i,j}---\left(4\right)$

其中， ${\mathrm{\μ}}_x=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}{P}_{\mathrm{ij}},$ ${\mathrm{\μ}}_y=\underset{j}{\mathrm{\Σ}}j\underset{i}{\mathrm{\Σ}}{P}_{\mathrm{ij}},$ ${\mathrm{\σ}}_x=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_x)}^2\underset{j}{\mathrm{\Σ}}{P}_{\mathrm{ij}},$ ${\mathrm{\σ}}_y=\underset{j}{\mathrm{\Σ}}{(j-{\mathrm{\μ}}_y)}^2\underset{i}{\mathrm{\Σ}}{P}_{\mathrm{ij}},$ P_ij

是灰度共生矩阵中位置(i，j)处元素的值。

灰度共生矩阵提取图像纹理特征可以用以下过程描述：

①采用窗口扫描原图像，分别沿0°、45°、90°和135°四个方向，以两相邻像素距离为1生成共生矩阵，计算出每个像素每个方向相应的统计特征值；

②将四个方向的统计特征值求平均，以替代单个方向的统计特征值，并生成与原图像像素矩阵大小相同的特征值矩阵；

③找出特征值矩阵中的最大值与最小值，以特征值矩阵中各个元素与最小值之差同最大值与最小值之差的比值构成灰度值矩阵，进而转化生成特征图像；

④对这些特征图像像素进行直方图统计分析，发现这些特征量呈指数型分布，可在相应纹理特征图像上考虑选用Gauss分布来描述图像的纹理特征性质。

(2)利用模糊C均值方法对原始影像Y进行聚类分割，获得SAR图像的初始分割结果X(0)；

(3)结合初始分割结果X(0)，在纹理特征图像Y′上进行多尺度MRF分割，获得进一步分割结果X′(0)。

本实施例采用MLL模型描述标号场，如图2所示，只考虑2阶邻域系统(8邻域)N＝{N_s，s∈S}和双像素集团(即只考虑β₁，β₂，β₃，β₄)，并且令基团势能系数β₁＝β₂＝β₃＝β₄＝β，β取经验值。

在同一层内，点s和其邻域的局部相关性如图2(a、b)中的基团来表示，其MLL集团势能函数的计算如下：

层间的基团势能如图2中(c)和(d)所示，其MLL集团势能函数为：

本实施例选用Gauss模型来描述图像的分布，则可用均值μ_r和σ_r标准方差来表示其分布规律，似然函数可以表示为：

$P(X,Y)=\underset{s\∈S}{\mathrm{\Σ}}[\ln \sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{x_s}+\frac{{(y-{\mathrm{\μ}}_{x_s})}^2}{{2\mathrm{\σ}}_{x_s}^2}]---\left(7\right)$

基于多尺度MRF模型的图像分割采用贝叶斯(Bayes)估计器实现，可由一个优化问题表示：

$\hat{x}=\arg \underset{x}{\min }E\left[C(X,x)\right|Y=y]---\left(8\right)$

代价函数C给出了真实配置为X而实际分割结果为x时的代价。在已知图像y的情况下，最小化这一代价的期望，从而得到最佳的分割。本实施例采用序列最大后验概率对SAR图像进行多尺度分割，相应的贝叶斯估计式如下：

${\hat{x}}_s^{\left(L\right)}=\arg \max \{\log p(y_s^{\left(L\right)}/x_s^{\left(L\right)})+\log p\left(x_s^{\left(L\right)}\right)\}---\left(9\right)$

${\hat{x}}_s^{\left(n\right)}=\arg \max \{\log p(y_s^{\left(n\right)}/x_s^{\left(n\right)})+\log p(x_s^{\left(n\right)}/{\hat{x}}^{(n+1)})\}(n<L)---\left(10\right)$

(4)小波变换提取边缘特征Y″，在用小波分析提取边缘信息时，采用的是小波模极大值的方法，其相应的模值和幅角公式如下：

$\mathrm{Mf}(2^j,x,y)=j\sqrt{{\left|{\mathrm{WT}}^{1}f(2^j,x,y)\right|}^2+{\left|{\mathrm{WT}}^{2}f(2^j,x,y)\right|}^2}---\left(11\right)$

$\mathrm{Af}(2^j,x,y)=\arctan \left[\frac{W^{2}f(2^j,x,y)}{W^{1}f(2^j,x,y)}\right]---\left(12\right)$

小波变换的模值沿幅角方向的极大值点就是可能存在的边缘点，将图像的局部模极大值点连接成极值链，并选择阈值去除短的极值链，剩下的就是图像的边缘。

(5)利用线性加权法融合纹理多尺度分割结果X′(0)与边缘特征Y″，即直接对两幅图像的对应像素点进行加权叠加，得到最终分割结果，如图3所示。该图是对真实SAR图像农田进行的分割，并给出了几种分割算法进行比较，此农田图像大小为256×256像素。在图3中，(a)为原始图像，(b)为遗传算法KSW阈值分割结果，(c)为OSTU算法分割结果，(d)为单尺度MRF-ICM分割结果，(e)为多尺度MRF分割结果，(f)为本发明方法分割结果。(f)中圈A表示分割的整体性较好，圈B箭头所指，表示分割的细节性好。

Claims (2)

1.一种顾及多尺度马尔科夫场的合成孔径雷达图像分割方法，其特征在于包括以下步骤：

(1)对原始图像利用灰度共生矩阵提取纹理信息，在得到的纹理特征图像上进行多尺度分割；

(2)利用小波变换检测原始图像的边缘信息，得到边缘特征图像；

(3)利用线性加权法融合纹理多尺度分割结果与边缘特征，即直接对两幅图像的对应像素点进行加权叠加，得到最终分割结果。

2.根据权利要求1所述顾及多尺度马尔科夫场的合成孔径雷达图像分割方法，其特征在于：步骤(1)中首先利用灰度共生矩阵对原始影像进行纹理分析，得到纹理特征图像，并利用模糊C均值方法对原始影像进行聚类分割，获得SAR图像的初始分割结果，然后在纹理特征图像上结合所得到的初始分割结果，对图像进行多尺度MRF分割。

Images