CN102024260A - 基于局部Gamma拟合的活动轮廓SAR图像分割方法 - Google Patents
基于局部Gamma拟合的活动轮廓SAR图像分割方法 Download PDFInfo
- Publication number
- CN102024260A CN102024260A CN 201010614127 CN201010614127A CN102024260A CN 102024260 A CN102024260 A CN 102024260A CN 201010614127 CN201010614127 CN 201010614127 CN 201010614127 A CN201010614127 A CN 201010614127A CN 102024260 A CN102024260 A CN 102024260A
- Authority
- CN
- China
- Prior art keywords
- sar image
- local
- energy
- function
- neighborhood
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于局部Gamma拟合的活动轮廓SAR图像分割方法。现有的技术SAR图像分割精度不高,本发明首先利用Gamma分布表征原始SAR图像中每个像素一定邻域内的局部结构,以极大似然作为该邻域的区域分离准则,并定义局部拟合能量项;然后在定义域内对所有像素点进行积分,从而得到全局优化的能量泛函;最后采用基于曲线演化理论和水平集方法的几何活动轮廓模型描述和求解能量最小化过程,从而实现SAR图像的有效分割。本发明具有较强的斑点噪声抑制能力,能够实现SAR图像的有效分割,特别是针对深度凹陷等复杂边界仍有较为精确的分割结果。
Description
技术领域
本发明属于图像处理领域,涉及一种图像分割方法,特别涉及一种SAR图像的活动轮廓图像分割方法。
背景技术
合成孔径雷达(SAR)以其全天时、全天候的高分辨率数据获取能力成为军事及民用领域普遍采用的对地观测技术。图像分割是SAR图像自动解译的基础性工作,受到了广泛的关注。由于SAR系统采用相干成像处理,致使SAR图像中存在大量相干斑噪声,这也是SAR图像精确分割的重要障碍。立足于消除斑点噪声的影响,传统SAR分割方法需求通过相干斑预处理,但由于预处理在抑制相干斑的同时,不可避免地损失了潜在边界等细节信息,致使分割效果不佳。
目前,基于曲线演化理论和水平集方法的几何活动轮廓模型(Active Contour Model, ACM)受到了众多研究者的关注, SAR图像的ACM分割研究也方兴未艾。ACM实现图像分割的基本思想是:将演化曲线(活动轮廓)隐含地表示为更高维曲面的零水平集,水平集在演化方程控制下进行演化,直至图像的目标边界。ACM有许多优点:曲线演化过程始终处于固定格网,数值实现简单;能够自动处理边界的拓扑变化;提供光滑、闭合的高精度分割曲线,方便后续的图像解译工作;特别是区域ACM能够利用图像全局信息定义能量泛函,对斑点噪声具有较好的抑制作用,从而避免了复杂的相干斑预处理过程。
然而,现有SAR图像的ACM分割方法均基于图像区域内目标地物的强度统计,其分割精度取决于统计分布对图像数据的整体拟合程度,而忽略了边界局部结构的有效表征,从而导致分割结果不理想,特别是在处理深度凹陷等复杂边界情况时存在较大局限。
发明内容
本发明针对现有技术的不足,提出一种基于局部Gamma拟合的活动轮廓SAR图像分割方法。该方法首先利用Gamma分布表征SAR图像中每个像素一定邻域内的局部结构,以极大似然作为该邻域的区域分离准则并以此定义局部拟合能量项;然后通过全局积分,得到全局优化的能量泛函;最后利用几何活动轮廓模型描述和求解能量最小化过程,更好地实现SAR图像的精确分割。
本发明是通过以下技术方案实现,包含的步骤如下:
,
步骤3利用Euler-Lagrange变分极小化步骤2的能量泛函,得到曲线演化的控制方程
;
本发明与现有技术相比具有以下优点:
1本发明结合SAR图像局部和全局信息定义能量泛函,对斑点噪声具有较好的抑制作用,因此无需复杂的相干斑预处理过程;
2本发明采用几何活动轮廓模型描述和求解能量最小化,能够自适应地处理演化曲线的拓扑结构变化,算法稳定性较高;
3相比于依赖整体概率分布拟合的传统ACM分割方法,本发明提出的局部Gamma拟合
4能更为有效地表征局部结构,因此具有更好的边界提取效果,在仿真实验中得到了充分验证。
附图说明
图1是作为本发明具体实施例的L-band SAR图像;
图2是本发明的原理框图;
图3是本发明的计算流程图;
图4是本发明对具体实施例的分割结果二值图;
图5是传统ACM分割方法对具体实施例的分割结果二值图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方法和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,实验对象是2000年8月芬兰Ruokolahti附近的部分机载L-Band E-SAR图像,原图像数据经过4视处理,空间分辨率2.0m。Ruokolahti图像主要包含水系、森林2类地物,同时水系具有偏差模糊、深度凹陷等复杂的边界特征,造成水系边界的精确提取难度较大。
如图2所示,本实施例包括如下具体步骤,:
。
步骤3利用Euler-Lagrange变分极小化步骤2的能量泛函,得到曲线演化的控制方程
,
,;
用基于局部Gamma拟合的活动轮廓SAR图像分割方法对Ruokolahti图进行了分割,实验结果如图4所示,本发明的提取结果兼具边界完整、细节精确等优点,特别是对狭长的深度凹陷区域也有较好的提取效果。
为了比较分割质量,用现有技术提出的基于整体Gamma分布拟合的ACM方法对Ruokolahti图进行了分割,结果如图5所示。
通过比较图4和图5分割结果不难发现,本发明提供的基于局部Gamma拟合的活动轮廓SAR图像分割方法比传统ACM分割方法具有更好的分割效果,在完整保留的目标地物轮廓的同时,其边界细节更为清晰。
Claims (1)
1. 基于局部Gamma拟合的活动轮廓SAR图像分割方法,其特征在于该方法包括以下步骤:
步骤3利用Euler-Lagrange变分极小化步骤2的能量泛函,得到曲线演化的控制方程:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010106141274A CN102024260B (zh) | 2010-12-30 | 2010-12-30 | 基于局部Gamma拟合的活动轮廓SAR图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010106141274A CN102024260B (zh) | 2010-12-30 | 2010-12-30 | 基于局部Gamma拟合的活动轮廓SAR图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102024260A true CN102024260A (zh) | 2011-04-20 |
CN102024260B CN102024260B (zh) | 2012-11-28 |
Family
ID=43865523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010106141274A Expired - Fee Related CN102024260B (zh) | 2010-12-30 | 2010-12-30 | 基于局部Gamma拟合的活动轮廓SAR图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102024260B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426700A (zh) * | 2011-11-04 | 2012-04-25 | 西安电子科技大学 | 基于局部和全局区域信息的水平集sar图像分割方法 |
CN102446357A (zh) * | 2011-11-23 | 2012-05-09 | 浙江工商大学 | 基于自适应有限元的水平集sar图像分割方法 |
CN102542561A (zh) * | 2011-11-23 | 2012-07-04 | 浙江工商大学 | 基于Fisher分布的活动轮廓SAR图像分割方法 |
CN103390268A (zh) * | 2012-05-11 | 2013-11-13 | 株式会社理光 | 物体区域分割方法和装置 |
CN103500453A (zh) * | 2013-10-13 | 2014-01-08 | 西安电子科技大学 | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 |
CN105469408A (zh) * | 2015-11-30 | 2016-04-06 | 东南大学 | 一种sar图像建筑群分割方法 |
CN107665494A (zh) * | 2017-10-11 | 2018-02-06 | 青岛大学 | 一种自适应含噪sar图像全变分分割方法 |
CN108416792A (zh) * | 2018-01-16 | 2018-08-17 | 辽宁师范大学 | 基于活动轮廓模型的医学计算机断层扫描图像分割方法 |
CN110533669A (zh) * | 2019-08-06 | 2019-12-03 | 西安电子科技大学 | 基于变分水平集的sar图像超像素分割方法 |
CN111028256A (zh) * | 2019-10-14 | 2020-04-17 | 杭州电子科技大学 | 一种基于改进活动轮廓模型的sar图像目标检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221239A (zh) * | 2008-01-25 | 2008-07-16 | 电子科技大学 | 一种基于水平集的合成孔径雷达图像分割方法 |
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
-
2010
- 2010-12-30 CN CN2010106141274A patent/CN102024260B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221239A (zh) * | 2008-01-25 | 2008-07-16 | 电子科技大学 | 一种基于水平集的合成孔径雷达图像分割方法 |
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
Non-Patent Citations (4)
Title |
---|
《Computer Vision,2003.Proceedings.Ninth IEEE International Conference on》 20031016 Ren,X. et al. Learning a classification model for segmentation 全文 1 , 2 * |
《Pattern Analysis and Machine Intelligence,IEEE Transactions on》 20060430 Sumengen,B et al. Graph Partitioning active contours (GPAC) for image segmentation 全文 1 第28卷, 第4期 2 * |
《自然科学进展》 20090315 贺志国 基于全局活动轮廓模型的SAR图像分割方法 全文 1 第19卷, 第3期 2 * |
《计算机辅助设计与图形学学报》 20100915 孔丁科 基于区域相似性的活动轮廓SAR图像分割 全文 1 第22卷, 第9期 2 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426700A (zh) * | 2011-11-04 | 2012-04-25 | 西安电子科技大学 | 基于局部和全局区域信息的水平集sar图像分割方法 |
CN102426700B (zh) * | 2011-11-04 | 2013-10-16 | 西安电子科技大学 | 基于局部和全局区域信息的水平集sar图像分割方法 |
CN102446357A (zh) * | 2011-11-23 | 2012-05-09 | 浙江工商大学 | 基于自适应有限元的水平集sar图像分割方法 |
CN102542561A (zh) * | 2011-11-23 | 2012-07-04 | 浙江工商大学 | 基于Fisher分布的活动轮廓SAR图像分割方法 |
CN102446357B (zh) * | 2011-11-23 | 2014-07-09 | 浙江工商大学 | 基于自适应有限元的水平集sar图像分割方法 |
CN103390268A (zh) * | 2012-05-11 | 2013-11-13 | 株式会社理光 | 物体区域分割方法和装置 |
CN103390268B (zh) * | 2012-05-11 | 2016-11-23 | 株式会社理光 | 物体区域分割方法和装置 |
CN103500453B (zh) * | 2013-10-13 | 2016-04-27 | 西安电子科技大学 | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 |
CN103500453A (zh) * | 2013-10-13 | 2014-01-08 | 西安电子科技大学 | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 |
CN105469408A (zh) * | 2015-11-30 | 2016-04-06 | 东南大学 | 一种sar图像建筑群分割方法 |
CN107665494A (zh) * | 2017-10-11 | 2018-02-06 | 青岛大学 | 一种自适应含噪sar图像全变分分割方法 |
CN108416792A (zh) * | 2018-01-16 | 2018-08-17 | 辽宁师范大学 | 基于活动轮廓模型的医学计算机断层扫描图像分割方法 |
CN108416792B (zh) * | 2018-01-16 | 2021-07-06 | 辽宁师范大学 | 基于活动轮廓模型的医学计算机断层扫描图像分割方法 |
CN110533669A (zh) * | 2019-08-06 | 2019-12-03 | 西安电子科技大学 | 基于变分水平集的sar图像超像素分割方法 |
CN110533669B (zh) * | 2019-08-06 | 2023-01-06 | 西安电子科技大学 | 基于变分水平集的sar图像超像素分割方法 |
CN111028256A (zh) * | 2019-10-14 | 2020-04-17 | 杭州电子科技大学 | 一种基于改进活动轮廓模型的sar图像目标检测方法 |
CN111028256B (zh) * | 2019-10-14 | 2023-04-07 | 杭州电子科技大学 | 一种基于改进活动轮廓模型的sar图像目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102024260B (zh) | 2012-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102024260B (zh) | 基于局部Gamma拟合的活动轮廓SAR图像分割方法 | |
CN102542561B (zh) | 基于Fisher分布的活动轮廓SAR图像分割方法 | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
CN104463166B (zh) | 目标水体的提取方法和系统 | |
CN102446357B (zh) | 基于自适应有限元的水平集sar图像分割方法 | |
CN103488968A (zh) | 遥感图像的混合像素物质构成精细化分解装置及方法 | |
CN104049245A (zh) | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 | |
CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN103984947A (zh) | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 | |
CN102314677A (zh) | 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法 | |
CN107194896B (zh) | 一种基于邻域结构的背景抑制方法和系统 | |
CN104657995B (zh) | 利用区域分裂技术的遥感影像分割方法 | |
CN104036461B (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
CA3214248A1 (en) | System and method for vegetation detection from aerial photogrammetric multispectral data | |
CN104166975A (zh) | 一种复杂环境下低空红外目标检测算法 | |
CN103824260A (zh) | 一种高分辨率遥感图像薄雾快速去除技术 | |
CN102314687B (zh) | 一种红外序列图像中的小目标检测方法 | |
Lu et al. | A new technique for automatically locating the center of tropical cyclones with multi-band cloud imagery | |
CN103544707A (zh) | 基于轮廓波变换的光学遥感图像变化检测方法 | |
CN103679648A (zh) | 一种基于空间分割的矩匹配卫星影像条带噪声去除方法 | |
CN116030252A (zh) | 融合边缘信息的模糊迭代sar图像超像素分割方法 | |
Favorskaya et al. | Fusion of airborne LiDAR and digital photography data for tree crowns segmentation and measurement | |
Rahm et al. | Detecting forest degradation in the Congo Basin by optical remote sensing | |
Shan et al. | Ocean-land segmentation based on active contour model for SAR imagery | |
CN105654429A (zh) | 基于透射率归一化的增强弱光图像清晰度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121128 Termination date: 20131230 |