CN102024260B - 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 PDF

Info

Publication number
CN102024260B
CN102024260B CN2010106141274A CN201010614127A CN102024260B CN 102024260 B CN102024260 B CN 102024260B CN 2010106141274 A CN2010106141274 A CN 2010106141274A CN 201010614127 A CN201010614127 A CN 201010614127A CN 102024260 B CN102024260 B CN 102024260B
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.)
Expired - Fee Related
Application number
CN2010106141274A
Other languages
English (en)
Other versions
CN102024260A (zh
Inventor
王勋
孔丁科
宋超
吴海燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN2010106141274A priority Critical patent/CN102024260B/zh
Publication of CN102024260A publication Critical patent/CN102024260A/zh
Application granted granted Critical
Publication of CN102024260B publication Critical patent/CN102024260B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

基于局部Gamma拟合的活动轮廓SAR图像分割方法
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1将定义域为 
Figure 2010106141274100002DEST_PATH_IMAGE001
的SAR图像
Figure 385051DEST_PATH_IMAGE002
划分为
Figure 2010106141274100002DEST_PATH_IMAGE003
个全剖分的同质子区域
Figure 927895DEST_PATH_IMAGE004
，该同质区域集满足
Figure DEST_PATH_IMAGE005
，
Figure 533189DEST_PATH_IMAGE006
。对定义域上的每个像素点
Figure DEST_PATH_IMAGE007
的邻域
Figure 451729DEST_PATH_IMAGE008
内做如下处理，实现局部划分。
步骤1.1 根据相干斑噪声模型,目标区域均匀的SAR图像满足Gamma分布。利用Gamma分布拟合邻域
Figure 371143DEST_PATH_IMAGE008
内的局部结构，定义区域
Figure DEST_PATH_IMAGE009
的概率模型，对于任意
Figure 688599DEST_PATH_IMAGE010
：
                   
Figure DEST_PATH_IMAGE011
其中
Figure 464794DEST_PATH_IMAGE012
是SAR图像的视数，
Figure DEST_PATH_IMAGE013
是区域
Figure 572427DEST_PATH_IMAGE009
的强度均值，
Figure 967636DEST_PATH_IMAGE014
是Gamma函数；
步骤1.2利用极大似然（Maximum Likelihood）作为邻域
Figure 80211DEST_PATH_IMAGE008
的区域分离准则：
                  
Figure DEST_PATH_IMAGE015
最大化
Figure 230570DEST_PATH_IMAGE016
等价于最小化
Figure DEST_PATH_IMAGE017
，以
Figure 559920DEST_PATH_IMAGE017
定义能量泛函即可表征局部区域分离。 
步骤1.3 结合用以控制邻域采样范围的权函数
Figure 821137DEST_PATH_IMAGE018
，得到邻域
Figure 224436DEST_PATH_IMAGE008
的局部拟合能量项
Figure DEST_PATH_IMAGE019
，从而实现局部划分：
                  
Figure 50091DEST_PATH_IMAGE020
。
用水平集函数表示局部二分拟合能量项：
Figure 929054DEST_PATH_IMAGE022
，
其中
Figure DEST_PATH_IMAGE023
，
Figure 728383DEST_PATH_IMAGE024
，而
Figure DEST_PATH_IMAGE025
是单位阶跃函数；
步骤2根据步骤1所得的
Figure 815550DEST_PATH_IMAGE007
点局部能量项，定义域内对
Figure 245394DEST_PATH_IMAGE007
积分得到全局的能量泛函
             
Figure 283757DEST_PATH_IMAGE026
，
其中用以纠正水平集函数与符号距离函数的偏差，避免演化过程中的周期性初始化过程，而
Figure 886777DEST_PATH_IMAGE028
是长度约束项, 
Figure DEST_PATH_IMAGE029
是梯度算子，而
Figure 592565DEST_PATH_IMAGE030
是各能量项的权值系数；
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
                 
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE033
是时间变量，式中
Figure 550900DEST_PATH_IMAGE034
是狄拉克函数，
Figure DEST_PATH_IMAGE035
是演化曲线的曲率，而 
Figure 342139DEST_PATH_IMAGE036
其中
Figure 2010106141274100002DEST_PATH_IMAGE013
是区域
Figure 2010106141274100002572427DEST_PATH_IMAGE009
的强度均值，满足：
；
步骤4利用有限差分方法对步骤3所得的曲线演化控制方程进行迭代求解
Figure 545029DEST_PATH_IMAGE021
： 
Figure 51097DEST_PATH_IMAGE038
,
Figure DEST_PATH_IMAGE039
是时间步长，式中
Figure 391948DEST_PATH_IMAGE040
为控制方程右边的差分离散形式。
本发明根据上式迭代实现，最终得到闭合分割曲线就是由
Figure DEST_PATH_IMAGE041
所组成，即是原始SAR图像的分割结果。
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1将定义域为的原图像
Figure 689254DEST_PATH_IMAGE002
划分为全剖分的同质子区域
Figure 631803DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE043
。满足，
Figure DEST_PATH_IMAGE045
。对定义域上的每个像素点
Figure 169981DEST_PATH_IMAGE007
的邻域
Figure 642550DEST_PATH_IMAGE008
内做如下处理，实现局部二分。
步骤1.1 根据相干斑噪声模型,目标区域均匀的SAR图像满足Gamma分布。利用Gamma分布拟合邻域
Figure 552738DEST_PATH_IMAGE008
内的局部结构，定义区域
Figure 477968DEST_PATH_IMAGE046
的概率模型，对于任意的
Figure 266058DEST_PATH_IMAGE010
：
                
Figure 593134DEST_PATH_IMAGE011
其中
Figure DEST_PATH_IMAGE047
是原图像的视数，
Figure 939802DEST_PATH_IMAGE013
是区域
Figure 352329DEST_PATH_IMAGE009
的强度均值，
Figure 177065DEST_PATH_IMAGE014
是Gamma函数；
步骤1.2 利用极大似然（Maximum Likelihood）作为邻域
Figure 358648DEST_PATH_IMAGE008
的区域分离准则：
                  
Figure 813900DEST_PATH_IMAGE015
，
最大化
Figure 776040DEST_PATH_IMAGE016
即是最小化，
Figure 378239DEST_PATH_IMAGE048
 ； 
步骤1.3 结合用以控制邻域采样范围的权函数
Figure 565245DEST_PATH_IMAGE018
，得到邻域
Figure 952364DEST_PATH_IMAGE008
的局部拟合能量项，从而实现局部划分：
                  
Figure 275078DEST_PATH_IMAGE020
。
其中
Figure 72132DEST_PATH_IMAGE018
选取高斯核函数，满足：
，
是高斯核带宽，本实验中选取
Figure DEST_PATH_IMAGE051
。用水平集函数
Figure 542876DEST_PATH_IMAGE021
表示局部二分拟合能量项：
Figure 553558DEST_PATH_IMAGE022
，
其中
Figure 521514DEST_PATH_IMAGE023
，
Figure 679962DEST_PATH_IMAGE024
，而
Figure 125987DEST_PATH_IMAGE025
是单位阶跃函数。
步骤2根据步骤1所得的
Figure 256754DEST_PATH_IMAGE007
点局部能量项，定义域内对
Figure 457929DEST_PATH_IMAGE007
积分得到全局的能量泛函
             ，
其中
Figure 291072DEST_PATH_IMAGE027
用以纠正水平集函数与符号距离函数的偏差，避免演化过程中的周期性初始化过程，而
Figure 338663DEST_PATH_IMAGE028
是长度约束项, 
Figure 648421DEST_PATH_IMAGE029
是梯度算子，能量项权值取值为
Figure 719146DEST_PATH_IMAGE052
，
Figure DEST_PATH_IMAGE053
；
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
                 
Figure 401581DEST_PATH_IMAGE031
，
Figure 241361DEST_PATH_IMAGE033
是时间变量，式中是狄拉克函数，
Figure 76778DEST_PATH_IMAGE035
是演化曲线的曲率，而 
Figure 933876DEST_PATH_IMAGE036
，
其中
Figure 2010106141274100002DEST_PATH_IMAGE013
是区域
Figure 2010106141274100002572427DEST_PATH_IMAGE009
的强度均值，满足
Figure 342041DEST_PATH_IMAGE037
；
步骤4利用有限差分方法对步骤3所得的曲线演化控制方程进行迭代求解
Figure 387357DEST_PATH_IMAGE021
：在数值实现时,采用正则化单位阶跃函数及相应的狄拉克函数
           
Figure 346348DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE055
；
其中
Figure 957458DEST_PATH_IMAGE056
是水平集正则参数，采用中心差分方案,则步骤3控制方程的离散形式
Figure 45500DEST_PATH_IMAGE038
,
其中时间步长
Figure DEST_PATH_IMAGE057
，式中为控制方程右边的差分离散形式。
本发明根据上式迭代实现，最终得到闭合分割曲线就是由
Figure 370488DEST_PATH_IMAGE041
所组成，即是原始SAR图像的分割结果，图3是根据本发明具体实施的计算流程图。
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1将定义域为 
Figure 2010106141274100001DEST_PATH_IMAGE002
的SAR图像
Figure 2010106141274100001DEST_PATH_IMAGE004
划分为
Figure 2010106141274100001DEST_PATH_IMAGE006
个全剖分的同质子区域
Figure 2010106141274100001DEST_PATH_IMAGE008
，该同质区域集满足
Figure 2010106141274100001DEST_PATH_IMAGE010
，；对定义域上的每个像素点的邻域
Figure 2010106141274100001DEST_PATH_IMAGE016
内执行步骤1.1～步骤1.3，实现局部划分:
步骤1.1根据相干斑噪声模型,目标区域均匀的SAR图像满足Gamma分布，利用Gamma分布拟合邻域
Figure 956448DEST_PATH_IMAGE016
内的局部结构，定义区域
Figure 2010106141274100001DEST_PATH_IMAGE018
的概率模型，对于任意
Figure 2010106141274100001DEST_PATH_IMAGE020
：
其中
Figure DEST_PATH_IMAGE024
是SAR图像的视数，
Figure DEST_PATH_IMAGE026
是区域
Figure 923179DEST_PATH_IMAGE018
的强度均值，
Figure DEST_PATH_IMAGE028
是Gamma函数；
步骤1.2   利用极大似然作为邻域的区域分离准则：
                  
Figure DEST_PATH_IMAGE030
，
最大化等价于最小化，以
Figure 238809DEST_PATH_IMAGE034
定义能量泛函即可表征局部区域分离； 
步骤1.3   结合用以控制邻域采样范围的权函数
Figure DEST_PATH_IMAGE036
，得到邻域的局部拟合能量项
Figure DEST_PATH_IMAGE038
，从而实现局部划分：
Figure DEST_PATH_IMAGE040
；
用水平集函数表示局部二分拟合能量项：
Figure DEST_PATH_IMAGE044
，
其中
Figure DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE050
是单位阶跃函数；
步骤2根据步骤1所得的
Figure 196586DEST_PATH_IMAGE014
点局部能量项，在定义域内对
Figure 181860DEST_PATH_IMAGE014
积分得到全局的能量泛函
                  
Figure DEST_PATH_IMAGE052
，
其中                                               
Figure 427714DEST_PATH_IMAGE002
和
Figure 626614DEST_PATH_IMAGE004
均表示能量项权值，
Figure DEST_PATH_IMAGE054
用以纠正水平集函数与符号距离函数的偏差，避免演化过程中的周期性初始化过程，
Figure DEST_PATH_IMAGE056
是长度约束项, 
Figure DEST_PATH_IMAGE058
是梯度算子；
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:
                  
Figure DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE062
是时间变量，式中
Figure DEST_PATH_IMAGE064
是狄拉克函数，
Figure DEST_PATH_IMAGE066
是演化曲线的曲率， 
Figure DEST_PATH_IMAGE068
，
其中
Figure 2010106141274100001DEST_PATH_IMAGE026
是区域
Figure 2010106141274100001923179DEST_PATH_IMAGE018
的强度均值，满足:
Figure DEST_PATH_IMAGE070
；
步骤4利用有限差分方法对步骤3所得的曲线演化控制方程进行迭代求解，最终得到闭合分割曲线就是由
Figure DEST_PATH_IMAGE072
所组成，即是原始SAR图像的分割结果：
 
Figure DEST_PATH_IMAGE074
,
Figure DEST_PATH_IMAGE076
是时间步长，式中
Figure DEST_PATH_IMAGE078
为控制方程右边的差分离散形式。
CN2010106141274A 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 Expired - Fee Related CN102024260B (zh)

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 CN102024260A (zh) 2011-04-20
CN102024260B true 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)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN102542561B (zh) * 2011-11-23 2014-08-13 浙江工商大学 基于Fisher分布的活动轮廓SAR图像分割方法
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
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
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
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
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101221239B (zh) * 2008-01-25 2010-06-02 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

Also Published As

Publication number Publication date
CN102024260A (zh) 2011-04-20

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
CN104463164B (zh) 一种基于伞骨法与冠高比的树木冠层结构信息提取方法
EP2927709A1 (en) Identifying and tracking convective weather cells
CN106897707B (zh) 基于多源中分的特征影像时间序列合成方法及装置
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
Packalen et al. Predicting the spatial pattern of trees by airborne laser scanning
CA3104652A1 (en) Detection and replacement of transient obstructions from high elevation digital images
CN102314677B (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
CN102446357B (zh) 基于自适应有限元的水平集sar图像分割方法
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
CN107194896B (zh) 一种基于邻域结构的背景抑制方法和系统
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
CN105139396B (zh) 一种全自动遥感影像云雾检测方法
CA3214248A1 (en) System and method for vegetation detection from aerial photogrammetric multispectral data
CN111444616B (zh) 海表叶绿素传输轨迹模拟方法
CN102073867A (zh) 一种遥感图像分类方法及装置
Lei et al. A novel algorithm of individual tree crowns segmentation considering three-dimensional canopy attributes using UAV oblique photos
CN103824260A (zh) 一种高分辨率遥感图像薄雾快速去除技术
CN104614729B (zh) 一种激光雷达航带高程匹配质量分析方法
Lu et al. A new technique for automatically locating the center of tropical cyclones with multi-band cloud imagery
CN116030252A (zh) 融合边缘信息的模糊迭代sar图像超像素分割方法
Hashim et al. Geometric and radiometric evaluation of RazakSAT medium-sized aperture camera data
CN114299397A (zh) 多时相sar影像变化检测方法

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