CN102306375A - 一种sar与可见光像素级融合图像的分割方法 - Google Patents

Abstract

本发明涉及一种SAR与可见光像素级融合图像的分割方法，属于图像处理领域。首先对SAR和可见光图像进行配准和像素级融合，融合图像包含了SAR图像与可见光图像中的互补信息，图像质量得到改善，且融合图像与可见光图像的直方图统计特性相似。再采用Ostu算法实现对融合图像的分割，能够提取出SAR图像和可见光图像中所表现的信息，有效改善图像分割的效果，弥补单一传感器获取信息不够全面、不够精确的缺点。

Description

一种SAR与可见光像素级融合图像的分割方法

技术领域

本发明涉及图像处理技术领域，特别涉及一种星载合成孔径雷达(Synthetic ApertureRadar，SAR)与可见光像素级融合图像的分割方法。

背景技术

SAR是一种起源于20世纪50年代的相干主动成像雷达，其成像在微波波段，具备全天时、全天候成像的能力。SAR接收所照射物体反射的微波成像，得到的图像只有灰度信息，亮暗程度与所照射物体反射微波的能力有关，物体反射微波的能力取决于物体的几何特性和介电特性。SAR系统成像的机理和人眼成像不同，因此SAR图像不符合人眼的视觉习惯，可读性差，但SAR图像中含有丰富的纹理信息。

SAR图像的重要特性在于：物理上同质区域的均方根随着其辐射平均值的增加而增加。这种发散性使SAR图像中存在颗粒状斑点噪声，称为斑点噪声或乘性噪声。SAR图像中的斑点噪声源自基本分辨单元内地物的随机散射，在图像上表现为信号相关的小斑点，它既降低了图像的画面质量，又严重影响图像的分割、分类、目标检测以及其它定量专题信息的提取，例如很难对SAR图像中目标边缘进行精确定位。尽管成像时无法避免斑点噪声的存在，但采用多视处理可以降低噪声的影响，以牺牲分辨率来提高图像的质量。

在成像过程中，SAR波束以一定的角度俯视被观测地带，这使得SAR图像具有阴影、遮掩和透视收缩等固有特性，因此，在对SAR图像进行处理之前需要对SAR图像进行几何校正。SAR成像的微波具有一定的穿透能力，能够穿透植被和伪装，为揭露伪装和有效分割目标区域提供了依据。

可见光图像是由光学传感器获取，是一种被动成像方式。通过垂直照射其下面的区域，利用可见光波长范围内物体的反射光谱特性和辐射光谱特性成像，得到的图像是对光的度量，光学设备获取图像的过程可以建模成卷积过程。光学传感器会受光照条件的影响，在光照不足时成像质量严重下降。

可见光图像成像波段和人眼成像波段相同，符合人的视觉习惯，图像中物体的轮廓清楚、边缘清晰，反映的目标几何特征通常具有很强的区分性，能够对目标及其边缘进行精确定位，且这些特征对目标的姿态不敏感，能够提供良好的鉴别性能。但光学传感器对目标的物理和化学属性敏感，例如城市中的道路目标，使用时间的不同、磨损程度以及表面介质的不同，得到光学图像会有较大的差异。光学成像系统在成像过程中会受到噪声的影响，一般只考虑热噪声的影响，认为此噪声为加性高斯白噪声。但是仅仅依据光学遥感影像信息来进行图像分割往往会导致区域的过度分割，产生目标特征的过度描述。

SAR系统固有的斑点现象使得图像会受到斑点噪声污染，SAR图像分割必须考虑斑点噪声，因此现有的SAR图像分割方法大部分是在分析SAR图像统计特性的基础上提出来的。最简单的Lee算法就是通过对图像强度的均值和方差等统计特性设置阈值来检测目标，随后发展起来的其它算法基本上都是基于SAR图像的概率分布提出来的，其中典型的有Snakes算法和基于MRF模型的分割方法。

对可见光图像的分割处理比较成熟，方法也较多，有阈值分割方法、主成分分析法、基于形态学的分割和基于区域的分割等。其中阈值分割方法包括全局阈值和局部阈值方法。

最大类间方差(Ostu)算法是1979年由Ostu提出的一种图像全局阈值分割算法，算法简单，效果稳定，算法的物理意义明确，是经典的非参数、无监督自适应阈值选取方法，其应用范围广泛。算法以全局最佳阈值将图像灰度值分割成两类，满足分割后两类的类间方差取最大值，即分离性最大。Ostu算法能够有效地运用于光学图像分割，且较适用于较大目标场合。

随着传感器和遥感技术的发展，获取了大量的SAR与可见光遥感图像数据。然而，单一传感器图像中包含的图像信息不够完整和精确。SAR与可见光图像由于成像机制不同，能够提供互补信息。通过对SAR与可见光图像成像原理和各自优缺点的介绍，希望能够综合利用SAR与可见光图像的信息进行图像分割，提高图像分割的性能。因此，需要探索SAR与可见光图像联合分割的方法。

图像融合可以在三个层次进行：像素级、特征级和决策级。像素级融合是针对图像的像素值进行操作的，因此要求图像配准的精度高，通常在一个像素内。像素级融合的优点是信息丢失少，能最大化地利用参与图像的信息；缺点是计算量大、处理速度慢。

图像像素级融合方法较多，如加权平均、IHS、PCA、基于多分辨率分析等。在对图像进行配准后，针对不同的应用需要采用相应的融合方法。本专利将采用加权平均方法对SAR与可见光图像进行像素级融合处理。

为了能够说明融合处理的有效性，可以对融合结果进行定量和定性分析。其中定量分析可以采用“信息熵”，“信噪比”指标进行评价；定性分析主要采用目视效果来评价。

本发明涉及了一种SAR与可见光像素级融合图像的分割方法。融合图像目视效果与可见光图像比较接近，统计特性和可见光图像的统计特性非常相似，融合图像变得平滑，图像质量得到改善，因此可以采用经典简单的Ostu算法对融合图像进行有效分割。

发明内容

本发明的目的是为了实现对SAR与可见光融合图像的分割，通过研究SAR与可见光像素级融合图像的特性，发现融合图像和光学图像的统计特性相似，因此采用光学图像的分割方法来对融合图像进行有效分割。利用经典简单的方法来实现对融合图像的分割，分割速度快，得到的分割结果包含两幅图像中的目标信息，弥补了单一传感器获取信息不够全面、不够精确的缺点。

本发明提供的技术方案是：提供一种SAR与可见光像素级融合图像的分割方法，该方法基于最大类间方差(Ostu)算法，其中SAR与可见光图像的像素级融合采用加权平均的方法，实现步骤如下：

步骤一：图像配准。对同一场景的SAR图像和可见光图像进行配准，要求配准精度在一个像素内。

步骤二：像素级图像融合。利用选取的图像融合模型对配准好的SAR图像和可见光图像进行像素级融合，得到融合图像。采用加权平均方法对SAR与可见光图像进行像素级融合处理，融合图像的像素灰度值由SAR图像的像素灰度值和可见光图像的像素灰度值加权得到，权值的分配由图像中像素邻域的统计特性决定，权值之和为1。

步骤三：求取最佳分割阈值。设定阈值，将图像分割为两类，计算该阈值下的离散度测度，该离散度测度为最大类间方差；遍历阈值的所有可能取值，并求得对应的离散度测度，则离散度测度最大值对应的阈值为最佳分割阈值。

步骤四：图像分割。将融合图像的像素值与最佳分割阈值进行比较，按照大于或小于阈值将图像分为两类，实现对融合图像的分割，得到最终的分割结果。

本发明的优点及技术效果：

(1)本发明是一种基于Ostu算法的SAR与可见光像素级融合图像的分割方法，采用Ostu算法可以实现对融合图像的分割，能够提取出SAR图像和可见光图像中所表现的信息，有效地改善图像分割的效果。

(2)本发明对SAR与可见光图像进行像素级融合，融合图像包含了SAR图像与可见光图像中的互补信息，图像质量得到改善，且融合图像与可见光图像的统计特性相似。

附图说明

图1所示为可见光图像及其直方图。

图2给出了经过配准的同一场景的SAR图像及其直方图。

图3所示为图1和图2的像素级融合图像及其直方图。

图4所示为图1中的可见光图像及对其进行Ostu分割得到的结果。

图5所示为图3中的融合图像及对其进行Ostu分割得到的结果。

图6为本发明提出的基于Ostu算法的SAR与可见光像素级融合图像分割的流程图。

具体实施方式

下面结合附图及对同一场景真实图像的实验结果来进一步详细说明本发明。

对于图6，其为本发明提出的基于Ostu的SAR与可见光像素级融合图像分割的流程图。该基于最大类间方差(Ostu)算法的SAR与可见光像素级融合图像的分割方法，其中SAR与可见光图像的像素级融合采用加权平均的方法。为了便于阐述本发明所提出的融合图像分割方法，给出该融合图像分割的实现步骤。

一种基于Ostu的SAR与可见光像素级融合图像的分割方法，该方法具体步骤如下：

步骤一：图像配准。对同一场景的SAR图像和可见光图像进行配准，要求配准精度在一个像素内。

步骤二：像素级图像融合。利用选取的图像融合模型对配准好的SAR图像和可见光图像进行像素级融合，得到融合图像。采用加权平均方法对SAR与可见光图像进行像素级融合处理，融合图像的像素灰度值由SAR图像的像素灰度值和可见光图像的像素灰度值加权得到，权值的分配由图像中像素邻域的统计特性决定，权值之和为1。

步骤三：求取最佳分割阈值。设定阈值，将融合图像分割为两类，计算该阈值下的离散度测度，该离散度测度为最大类间方差；遍历阈值的所有可能取值，并求得对应的离散度测度，则离散度测度最大值对应的阈值为最佳分割阈值。

步骤四：图像分割。将融合图像的像素值与最佳分割阈值进行比较，按照大于或小于阈值将图像分为两类，实现对融合图像的分割，得到最终的分割结果。如附图4至附图5所示，采用黑白像素来表示最终分割结果中的两类。

图1所示为可见光图像及其直方图。直方图描述的是图像像素灰度级的分布情况。直方图的横轴表示图像的灰度级，范围在0至255之间，纵轴是图像中该灰度级对应的像素数。可见光图像中的跑道灰度值较大，但不够均匀，因为跑道的磨损程度不同，并且可见光图像中不包含机场旁的铁丝网信息。

图2给出了经过配准的同一场景的SAR图像及其直方图。直方图的横轴表示图像的灰度级，范围在0至255之间，纵轴是图像中该灰度级对应的像素数。由于机场跑道反射微波的能力弱，SAR图像中跑道灰度值小，比较均匀。由于铁丝网反射微波的能力强，SAR图像中包含明显的铁丝网信息。

图3所示为图1和图2的像素级融合图像及其直方图。直方图的横轴表示图像的灰度级，范围在0至255之间，纵轴是图像中该灰度级对应的像素数。融合后的图像含有两幅图像的信息，既包含可见光图像中的跑道信息，也包含SAR图像中的铁丝网信息。融合过程起到平滑的作用，融合图像显得更加均匀，信噪比更佳，在视觉上更接近于可见光图像。对图像的统计特征进行分析也证明了这一点，对比直方图可以发现，融合图像的直方图和可见光图像的直方图极其相似，只是进行了平移和压缩，融合图像的特性更接近于可见光图像。

图4所示为图1中的可见光图像及对其进行Ostu分割得到的结果。分割结果将跑道信息分割出来，但是不包含铁丝网信息。

图5所示为图3中的融合图像及对其进行Ostu分割得到的结果。从分割结果可以看出，得到的分割结果中既分割出了跑道，也分割出了SAR图像中独有的铁丝网信息，证明分割的结果较单一光学图像得到了改善。

Claims (1)

1.一种SAR与可见光像素级融合图像的分割方法，该方法基于最大类间方差算法，其中SAR与可见光图像的像素级融合采用加权平均的方法，其特征在于：包括以下步骤：

步骤一：图像配准：

对同一场景的SAR图像和可见光图像进行配准，要求配准精度在一个像素内；

步骤二：像素级图像融合：

利用选取的图像融合模型对配准好的SAR图像和可见光图像进行像素级融合，得到融合图像；采用加权平均方法对SAR与可见光图像进行像素级融合处理，融合图像的像素灰度值由SAR图像的像素灰度值和可见光图像的像素灰度值加权得到，权值的分配由图像中像素邻域的统计特性决定，权值之和为1；

步骤三：求取最佳分割阈值：

设定阈值，将图像分割为两类，计算该阈值下的离散度测度，该离散度测度为最大类间方差；遍历阈值的所有可能取值，并求得对应的离散度测度，则离散度测度最大值对应的阈值为最佳分割阈值；

步骤四：图像分割：

将融合图像的像素值与最佳分割阈值进行比较，按照大于或小于阈值将图像分为两类，实现对融合图像的分割，得到最终的分割结果。

Images