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

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

一种基于动态轮廓的合成孔径雷达SAR图像自动分割方法

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：

$\frac{\∂\mathrm{\φ}(r,t)}{\∂t}=-\frac{\∂\hat{F}}{\∂\mathrm{\φ}}=-\mathrm{\μ\κ}\·\mathrm{sign}\left(\mathrm{\φ}(r,t)\right)$

$-{\mathrm{\λ}}_2\log \left(P\left(I\left(x\right)\right|{\widehat{\mathrm{\σ}}}_2)\right)\left[H^{\′}\left(\mathrm{\φ}(r,t)\right)\right]---\left(1\right)$

$\mathrm{sign}\left(a\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& a\&GreaterEqual;0\\ -1& \mathrm{if}& a<0\end{array}\right.---\left(2\right)$

$H\left(\mathrm{\&phi;}\right)=\left\{\begin{array}{cc}0& \mathrm{\&phi;}\&GreaterEqual;\mathrm{\&alpha;}\\ h\left(\mathrm{\&phi;}\right)& 0<\mathrm{\&phi;}<\mathrm{\&alpha;}\\ b& \mathrm{\&phi;}=0\\ H(-\mathrm{\&phi;})& \mathrm{\&phi;}<0\end{array}\right.---\left(3\right)$

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：

$\mathrm{MAMS}=\underset{t=t_i}{\overset{t_i+\mathrm{sn}-1}{\mathrm{\&Sigma;}}}\frac{\mathrm{AM}\left(t\right)}{\mathrm{sn}}---\left(4\right)$

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：

$\mathrm{\&Delta;E}=\underset{R_1\&cap;R_2}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_1\&cup;R_2})\right)-\underset{R_1}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_1})\right)-\underset{R_2}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_2})\right)+\mathrm{\&zeta;}---\left(4\right)$

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为一非负常数。

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：

①计算Rayleigh分布的参数σ，Rayleigh分布的参数选取为

其中E表示均衡化后图像的灰度均值。

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 $\hat{P}\left(I\left(x\right)\right)=P\left(I\left(x\right)\right|\mathrm{\&sigma;})-C_{\mathrm{mean}};$

⑤将

的区域，作为前景区域，将此区域内的初始水平值定为φ_ini(x_in)＝P(I(x_in)|σ)；

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：φ_ini(x_out)＝-1-P(I(x_out)|σ)+C_mean；

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：

$\frac{\&PartialD;\mathrm{\&phi;}(r,t)}{\&PartialD;t}=-\frac{\&PartialD;\hat{F}}{\&PartialD;\mathrm{\&phi;}}=-\mathrm{\&mu;\&kappa;}\&CenterDot;\mathrm{sign}\left(\mathrm{\&phi;}(r,t)\right)$

$-{\mathrm{\&lambda;}}_2\log \left(P\left(I\left(x\right)\right|{\widehat{\mathrm{\&sigma;}}}_2)\right)\left[H^{\&prime;}\left(\mathrm{\&phi;}(r,t)\right)\right]---\left(5\right)$

$\mathrm{sign}\left(a\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& a\&GreaterEqual;0\\ -1& \mathrm{if}& a<0\end{array}\right.---\left(6\right)$

$H\left(\mathrm{\&phi;}\right)=\left\{\begin{array}{cc}0& \mathrm{\&phi;}\&GreaterEqual;\mathrm{\&alpha;}\\ h\left(\mathrm{\&phi;}\right)& 0<\mathrm{\&phi;}<\mathrm{\&alpha;}\\ b& \mathrm{\&phi;}=0\\ H(-\mathrm{\&phi;})& \mathrm{\&phi;}<0\end{array}\right.---\left(7\right)$

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：

$\mathrm{MAMS}=\underset{t=t_i}{\overset{t_i+\mathrm{sn}-1}{\mathrm{\&Sigma;}}}\frac{\mathrm{AM}\left(t\right)}{\mathrm{sn}}---\left(8\right)$

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

$\mathrm{\&Delta;E}=\underset{R_1\&cap;R_2}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_1\&cup;R_2})\right)-\underset{R_1}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_1})\right)-\underset{R_2}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_2})\right)+\mathrm{\&zeta;}---\left(9\right)$

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：

$P_{R_i}\left(I\left(x\right)\right)=\left\{\begin{array}{cc}\frac{I\left(x\right)}{{\mathrm{\&sigma;}}^2}{e}^{(-I{\left(x\right)}^2/2{\mathrm{\&sigma;}}^2)}& I\left(x\right)\&GreaterEqual;0\\ 0& I\left(x\right)<0\end{array}\right.---\left(1\right)$

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 $\hat{P}\left(I\left(x\right)\right)=P\left(I\left(x\right)\right|\mathrm{\&sigma;})-C_{\mathrm{mean}};$

⑤将

的区域，作为前景区域，将此区域内的初始水平值为φ_ini(x_in)＝P(I(x_in)|σ)；

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：φ_ini(x_out)＝-1-P(I(x_out)|σ)+C_mean；

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。

3.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(3)中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具体为：水平集图像模型的进化是在如下运动方程的约束下进行的：

$\frac{\&PartialD;\mathrm{\&phi;}(r,t)}{\&PartialD;t}=-\frac{\&PartialD;\hat{F}}{\&PartialD;\mathrm{\&phi;}}=-\mathrm{\&mu;\&kappa;}\&CenterDot;\mathrm{sign}\left(\mathrm{\&phi;}(r,t)\right)$

$-{\mathrm{\&lambda;}}_2\log \left(P\left(I\left(x\right)\right|{\widehat{\mathrm{\&sigma;}}}_2)\right)\left[H^{\&prime;}\left(\mathrm{\&phi;}(r,t)\right)\right]---\left(2\right)$

$\mathrm{sign}\left(a\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& a\&GreaterEqual;0\\ -1& \mathrm{if}& a<0\end{array}\right.---\left(3\right)$

$H\left(\mathrm{\&phi;}\right)=\left\{\begin{array}{cc}0& \mathrm{\&phi;}\&GreaterEqual;\mathrm{\&alpha;}\\ h\left(\mathrm{\&phi;}\right)& 0<\mathrm{\&phi;}<\mathrm{\&alpha;}\\ b& \mathrm{\&phi;}=0\\ H(-\mathrm{\&phi;})& \mathrm{\&phi;}<0\end{array}\right.---\left(4\right)$

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。

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：

$\mathrm{MAMS}=\underset{t-t_i}{\overset{t_i+\mathrm{sn}-1}{\mathrm{\&Sigma;}}}\frac{\mathrm{AM}\left(t\right)}{\mathrm{sn}}---\left(6\right)$

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。

5.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(5)中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具体为：合并粗分割图像中孤立小区域：

①建立能量函数为

$\mathrm{\&Delta;E}=\underset{R_1\&cap;R_2}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_1\&cup;R_2})\right)-\underset{R_1}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_1})\right)-\underset{R_2}{\&Integral;\&Integral;}\log \left(P\left(I\left(x\right)\right|{\mathrm{\&sigma;}}_{R_2})\right)+\mathrm{\&zeta;}---\left(7\right)$

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为一非负常数；

②若ΔE＜0，则将区域R1与R2进行合并。

Images