CN102184538A - 一种基于动态轮廓的合成孔径雷达sar图像自动分割方法 - Google Patents
一种基于动态轮廓的合成孔径雷达sar图像自动分割方法 Download PDFInfo
- Publication number
- CN102184538A CN102184538A CN2011101081801A CN201110108180A CN102184538A CN 102184538 A CN102184538 A CN 102184538A CN 2011101081801 A CN2011101081801 A CN 2011101081801A CN 201110108180 A CN201110108180 A CN 201110108180A CN 102184538 A CN102184538 A CN 102184538A
- Authority
- CN
- China
- Prior art keywords
- image
- level set
- target
- phi
- sar image
- 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
一种基于动态轮廓的合成孔径雷达SAR图像自动分割方法。具体实现步骤为:首先对目标SAR强度图像进行直方图均衡化,以增强其对比度;然后对SAR图像进行水平集初始化,建立目标图像的初始水平集模型;接下来通过初始水平集将原目标图像进行初始分割,并以此结果为初值,利用基于区域统计信息与动态轮廓的相关算法进行水平集的进化,当进化过程达到稳态,所得结果即为粗分割结果;最后对粗分割结果进行合并处理,将奇异点以及孤立的小块区域合并到大区域中,获得分割后的SAR图像。该方法能在无其他人为约束的条件下,对图像进行自动分割,并能在分割结果获得后自动终止算法,提高了SAR图像分割的可靠性以及智能化程度。
Description
技术领域
本发明涉及一种智能图像分割方法,适用于SAR图像,实现对SAR图像自动分割。
背景技术
合成孔径雷达(SAR)具有全天候,全天时获取数据的能力,同时具有穿越一定的植被以及遮盖物的能力,与光学成像相比,其更容易辨别地面的伪装目标,以及丛林中的目标,因此其可以作为光学传感器的有力补充。目前,SAR数据获取比较容易,而SAR图像的解释发展相对落后,因此SAR图像的解释已成为遥感雷达研究领域中的重要研究内容,SAR图像分割是SAR图像解释的关键技术,SAR图像的智能自动分割对遥感雷达的发展有重要的意义。但是,由于相干斑噪声的存在,SAR图像的分割成为一项非常具有挑战的工作。近年来,基于动态轮廓的图像分割方法开始被应用于SAR图像的分割,该方法在统计数据的指导下,通过迭代逐渐找到区域边缘的位置。为解决现有方法存在的局限性,减少迭代次数,本发明构造了一种计算迭代初值的方法,并改进了传统的迭代方程,设计了简单的迭代终止准则。使得整个分割过程可以在无人为干涉的条件下快速,自动的完成。
发明内容
本发明要解决的技术问题是:提出一种基于动态轮廓的SAR图像自动分割方法。包括设计一种新的水平集初始化方法;提出一种改进的水平集进化方法;建立了水平集进化的终止准则。
本发明采用的技术方案为:一种基于动态轮廓的SAR图像自动分割方法,该方法将强度SAR图像转变为水平集进行处理,利用水平集的进化来达到图像分割的目的,并对孤立的小块区域进行处理,与相关大区域进行合并,得到最终的分割图像。具体实现步骤为:
(1)目标SAR图像直方图均衡化;
(2)水平集初始化;
(3)计算所有连通前景区域的Rayleigh先验分布参数以及背景区域的Rayleigh先验分布参数;
(4)进行水平集进化,计算水平集的变化量,计算更新的水平集;
(5)检查是否满足水平集进化终止准则,若不满足,则重复步骤(2)与(3);
(6)当能量函数为负值时,合并孤立的小区域。
本发明的原理是:本发明旨在目标SAR图像中寻找符合Rayleigh分布的同质区域,利用动态轮廓去寻找同质区域,在此过程中为克服离散网格造成几何变化带来的困难,引入了水平集,辅助实现整个进化过程。整个过程是迭代完成的,利用水平集的特性与目标SAR图像Rayleigh模型的相似性来选取迭代初值,并通过对图像进行Rayleigh分布建模实现的。进化方程为:
式中φ(r,t)为t时刻下,水平集图像模型在位置r的值,为前景图像的Rayleigh分布的参数,为背景图像的Rayleigh分布的参数,κ为曲率,sign(·)是一个符号函数,h(·)为一个单调递减函数。
通过进化方程计算每次水平集的变化量,更新水平集信息。
取水平集变化量的绝对均值序列的平均值MAMS作为进化终止的准则:
式中sn为选取AM序列的长度。当MAMS小于0.001时,则停止进化过程。
从面积小的区域开始,判断其是否能与邻接区域进行合并,建立能量函数如下:
若ΔE<0,则将区域R1与R2进行合并。直到所有区域均不可合并,则整个分割过程结束。
本发明与现有技术相比的优点在于:本发明设计了一种新的水平集初始化方法,其更接近于最终分割结果,从而可以减少进化过程的迭代次数。进化方程中引入了H(·)函数,使得在进化过程中,每个区域边缘的响应加强,而减弱对区域内部的影响。改进了进化方程,使进化过程可以收敛到某一定值,进而可以建立简单的迭代终止准则,使得分割过程可以自动结束。
附图说明
图1为本发明的一种基于动态轮廓的SAR图像自动分割方法原理框图;
图2为本发明的目标SAR图像图例;
图3为本发明的目标SAR图像图例经过水平集初始化后得到的灰度图像;
图4为本发明的图例进化过程终止时得到的粗分割图像;
图5为本发明的图例的最终的分割结果;
图6为本发明的图例的进化终止准则MAMS值随迭代次数的变化图。
具体实施方式
如图1所示,本发明的具体实施方法如下:
(1)首先对目标SAR图像进行直方图均衡化,并对均衡化后的图像进行单分布的Rayleigh分布建模。具体步骤为:
②用参数为σ的Rayleigh分布对目标SAR图像建模,即P(I(x)|σ);
③计算P(I(x)|σ)的均值Cmean;
④计算
⑥将目标SAR图像中前景区域以外区域定义为背景区域,背景区域内初始水平值可以定为:φini(xout)=-1-P(I(xout)|σ)+Cmean;
⑦将初始化后的前景与背景区域合并起来,即可得到最终的初始化水平集。
(2)按照如下方程,更新水平集的信息:
式中φ(r,t)为t时刻下,水平集图像模型在位置r的值,为前景图像的Rayleigh分布的参数,为背景图像的Rayleigh分布的参数,κ为曲率,sign(·)是一个符号函数,h(·)为一个单调递减函数。其中H(·)函数中的h(·)定义为一个斜率为的正比例函数,λ1=0.3,λ2=0.3,μ=0.4。
(3)取水平集变化量的绝对均值序列的平均值MAMS作为进化终止的准则:
式中sn=19,当MAMS足够小时,则停止进化过程。
(4)从面积小的区域开始,判断其是否能与邻接区域进行合并,建立能量函数为
式中I(x)是目标SAR图像在x的强度,分别为区域R1,R2,R1∪R2的参数,ζ=100,若ΔE<0,则将区域R1与R2进行合并。直到所有区域均不可合并,则整个分割过程结束。
Claims (5)
1.一种基于动态轮廓的合成孔径雷达SAR图像自动分割方法,其特征在于,该方法包括:
(1)对目标SAR强度图像进行直方图均衡化;
(2)对均衡化后的目标SAR强度图像进行水平集初始化,建立目标SAR图像初始水平集图像模型;
(3)通过初始水平集对目标图像进行初始分割,并以此分割结果为初值,对水平集图像模型进行进化;
(4)建立进化终止条件,在获得分割结果之后,停止水平集图像模型的进化过程,得到粗分割结果;
(5)将粗分割结果中的独立小区域按照一定的规则进行合并,得到SAR图像的自动分割结果。
2.根据权利要求1所述的一种基于动态轮廓的合成孔径雷达SAR图像自动分割方法,其特征在于:所述步骤(2)中对均衡化后的目标SAR强度图像进行水平集初始化,建立目标SAR图像初始水平集图像模型具体为:对目标图像进行水平集初始化时:假设目标图像为一个单区域图像,选取其灰度均值作为Rayleigh分布的参数,对原目标图像进行建模,Rayleigh分布通过下式计算:
式中σ是Rayleigh分布的参数,I(x)是目标SAR图像在x的强度,x为目标SAR图像的像素坐标,水平集初始化的步骤为:
①计算Rayleigh分布的参数σ;
②用参数为σ的Rayleigh分布对目标SAR图像建模,即P(I(x)|σ);
③计算P(I(x)|σ)的均值Cmean;
④计算
⑥将目标SAR图像中前景区域以外区域定义为背景区域,背景区域内初始水平值为:φini(xout)=-1-P(I(xout)|σ)+Cmean;
⑦将初始化后的前景与背景区域合并起来,即可得到最终的初始化水平集。
4.根据权利要求1所述的一种基于动态轮廓的合成孔径雷达SAR图像自动分割方法,其特征在于:所述步骤(4)中建立合理的进化终止条件,在获得分割结果之后,停止水平集图像模型的进化过程,得到粗分割结果具体为:为保证步骤(3)中所使用的进化方程在整个进化过程中最终达到稳态,水平集图像模型单步进化的绝对平均值AM为:
mean(|Δφ|)=1/N·∑|Δφ(r)| (5)
式中N为目标SAR图像的像素数量,并取AM序列的平均值MAMS作为进化终止的准则:
式中sn为选取AM序列的长度;当MAMS小于一个接近于0的预先设置好的阈值时,则停止进化过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110108180 CN102184538B (zh) | 2011-04-28 | 2011-04-28 | 一种基于动态轮廓的合成孔径雷达sar图像自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110108180 CN102184538B (zh) | 2011-04-28 | 2011-04-28 | 一种基于动态轮廓的合成孔径雷达sar图像自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102184538A true CN102184538A (zh) | 2011-09-14 |
CN102184538B CN102184538B (zh) | 2013-09-11 |
Family
ID=44570708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110108180 Active CN102184538B (zh) | 2011-04-28 | 2011-04-28 | 一种基于动态轮廓的合成孔径雷达sar图像自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102184538B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999897A (zh) * | 2011-09-19 | 2013-03-27 | 香港中文大学 | 基于sar图像检测海面溢油的方法和装置 |
CN103123724A (zh) * | 2013-02-27 | 2013-05-29 | 中山大学 | 一种基于连分式水平集的高清图像自动分割方法 |
CN103559709A (zh) * | 2013-11-04 | 2014-02-05 | 北京航空航天大学 | 一种用于plif火焰前锋提取的条件型水平集方法 |
CN105678694A (zh) * | 2016-02-18 | 2016-06-15 | 中国科学院遥感与数字地球研究所 | 一种基于建筑物三维模型的sar图像增强方法及系统 |
CN106874915A (zh) * | 2017-02-16 | 2017-06-20 | 中国人民解放军国防科学技术大学 | 一种具有目标面积比不变性的特征提取方法 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070211940A1 (en) * | 2005-11-14 | 2007-09-13 | Oliver Fluck | Method and system for interactive image segmentation |
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 |
CN101976445A (zh) * | 2010-11-12 | 2011-02-16 | 西安电子科技大学 | 边缘和区域概率密度差相结合的水平集sar图像分割方法 |
-
2011
- 2011-04-28 CN CN 201110108180 patent/CN102184538B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070211940A1 (en) * | 2005-11-14 | 2007-09-13 | Oliver Fluck | Method and system for interactive image segmentation |
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 |
CN101976445A (zh) * | 2010-11-12 | 2011-02-16 | 西安电子科技大学 | 边缘和区域概率密度差相结合的水平集sar图像分割方法 |
Non-Patent Citations (2)
Title |
---|
吴晓红等: "基于水平集和迭代自组织算法的图像分割", 《计算机工程与应用》 * |
宦若虹等: "水平集分割方法在合成孔径雷达图像目标识别中的应用", 《遥感技术与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999897A (zh) * | 2011-09-19 | 2013-03-27 | 香港中文大学 | 基于sar图像检测海面溢油的方法和装置 |
CN103123724A (zh) * | 2013-02-27 | 2013-05-29 | 中山大学 | 一种基于连分式水平集的高清图像自动分割方法 |
CN103559709A (zh) * | 2013-11-04 | 2014-02-05 | 北京航空航天大学 | 一种用于plif火焰前锋提取的条件型水平集方法 |
CN103559709B (zh) * | 2013-11-04 | 2016-06-08 | 北京航空航天大学 | 一种用于plif火焰前锋提取的条件型水平集方法 |
CN105678694A (zh) * | 2016-02-18 | 2016-06-15 | 中国科学院遥感与数字地球研究所 | 一种基于建筑物三维模型的sar图像增强方法及系统 |
CN105678694B (zh) * | 2016-02-18 | 2018-12-21 | 中国科学院遥感与数字地球研究所 | 一种基于建筑物三维模型的sar图像增强方法及系统 |
CN106874915A (zh) * | 2017-02-16 | 2017-06-20 | 中国人民解放军国防科学技术大学 | 一种具有目标面积比不变性的特征提取方法 |
CN106874915B (zh) * | 2017-02-16 | 2019-09-20 | 中国人民解放军国防科学技术大学 | 一种具有目标面积比不变性的特征提取方法 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN108776969B (zh) * | 2018-05-24 | 2021-06-22 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102184538B (zh) | 2013-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102184538B (zh) | 一种基于动态轮廓的合成孔径雷达sar图像自动分割方法 | |
Weinmann et al. | Contextual classification of point cloud data by exploiting individual 3D neigbourhoods | |
CN102136155B (zh) | 基于三维激光扫描数据的物体立面矢量化方法和系统 | |
CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN102426700B (zh) | 基于局部和全局区域信息的水平集sar图像分割方法 | |
CN104463166B (zh) | 目标水体的提取方法和系统 | |
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 | |
CN101937079A (zh) | 基于区域相似度的遥感影像变化检测方法 | |
CN101976445B (zh) | 边缘和区域概率密度差相结合的水平集sar图像分割方法 | |
CN103413133A (zh) | 无序激光点云数据中自动提取电力线方法 | |
CN103714549B (zh) | 基于快速局部匹配的立体图像对象分割方法 | |
CN102103202A (zh) | 一种融合影像的机载激光雷达数据半监督分类方法 | |
CN102024258A (zh) | 具有边界保持特性的遥感图像多尺度分割方法 | |
CN104240244A (zh) | 一种基于传播模式和流形排序的显著性物体检测方法 | |
CN111508073A (zh) | 一种三维建筑模型屋顶轮廓线的提取方法 | |
CN101996401A (zh) | 基于强度图像和深度图像的目标分析方法及设备 | |
CN104820991A (zh) | 一种基于代价矩阵的多重软约束立体匹配方法 | |
CN103500453B (zh) | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 | |
CN102270308A (zh) | 一种基于五官相关aam模型的面部特征定位方法 | |
CN104732551A (zh) | 基于超像素和图割优化的水平集图像分割方法 | |
CN104867133A (zh) | 一种快速的分步立体匹配方法 | |
CN102930273A (zh) | 基于亮度自适应水平集的极光卵分割方法 | |
CN105469408A (zh) | 一种sar图像建筑群分割方法 | |
CN105741309A (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
CN103761522A (zh) | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190708 Address after: 010000 Section B, Wangdi Jiahua Commercial Building, North of Alatan Street, Jinqiao Development Zone, Hohhot City, Inner Mongolia Autonomous Region Patentee after: Inner Mongolia Shengbang Beidou Satellite Information Service Co., Ltd. Address before: 100191 Xueyuan Road, Haidian District, Beijing, No. 37 Patentee before: Beihang University |
|
TR01 | Transfer of patent right |