CN102542561B - 基于Fisher分布的活动轮廓SAR图像分割方法 - Google Patents
基于Fisher分布的活动轮廓SAR图像分割方法 Download PDFInfo
- Publication number
- CN102542561B CN102542561B CN201110374474.9A CN201110374474A CN102542561B CN 102542561 B CN102542561 B CN 102542561B CN 201110374474 A CN201110374474 A CN 201110374474A CN 102542561 B CN102542561 B CN 102542561B
- Authority
- CN
- China
- Prior art keywords
- fisher
- level set
- sar image
- equation
- function
- 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
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于Fisher分布的活动轮廓SAR图像分割方法,主要在于克服现有基于Gamma分布对于SAR图像分割技术的不足,其具体实现步骤为:(1)利用Fisher分布拟合图像区域的强度统计特征,根据区域竞争模型建立基于Fisher分布的能量泛函;(2)引入水平集函数,并结合长度约束项和水平集规则项,重新表示步骤一得到的能量泛函;(3)采用Euler-Lagrange变分法最小化步骤二的能量泛函,利用对数矩估计对Fisher分布的参数进行估计,然后对偏微分方程进行数值求解,进而获得SAR图像的分割结果。本发明利用水平集方法演化分割曲线和Fisher分布参数估计相结合,使能量泛函达到最小化,从而实现对SAR图像的分割。
Description
技术领域
本发明属于图像处理领域,涉及雷达遥感应用技术,更具体的说涉及合成孔径雷达(Synthetic Aperture Radar, SAR)图像的水平集分割方法。
技术背景
合成孔径雷达(Synthetic Aperture Radar, SAR)是利用微波进行感知的主动传感器。与依赖于发光源的光学传感器不同,SAR系统是完全主动的获取,不受天气、光照等条件的限制,这使得SAR图像更好的昼夜和季节稳定性,其全天候、全天时的视觉能力,这些优点已然成为了军事、农业、城市规划等应用领域不可或缺的对地观测技术。随着SAR设备和成像技术的不断发展,SAR图像的智能解译技术面临着新的挑战,图像分割作为SAR图像解译的关键步骤,更是备受关注。然而,由于SAR系统的相干成像原理,使得SAR图像深受相干斑噪声的影响,以致成为SAR图像精确分割的重要障碍。目前,SAR图像分割技术大都先对原始的SAR图像进行斑点噪声抑制,然后在采用类似于可见光图像分割的处理方法进行图像分割;在抑制相干斑噪声的同时,不可避免地损失了边界等细节信息,从而影响最终的分割效果。
近年来,基于水平集(level set)方法的图像分割方法由于具有能直接自然地表示图像的区域和边界,更加符合图像分割的定义,得到的结果无需进行诸如边界连接、区域合并等后处理过程等优点得到了人们的重视。一般水平集方法的基本步骤是利用变分法,首先极小化一个关于平面参数化曲线的能量泛函,得到曲线演化的梯度下降流,然后将其转化为水平集演化的欧式表达。变分水平集方法的特点是水平集函数演化的偏微分方程直接通过极小化关于水平集函数的能量泛函得到,此类方法简化了一般水平集方法的步骤,而且更有利于在能量泛函定义中引入关于图像区域和目标形状的先验知识。与阈值、边缘检测和区域增长等传统图像分割方法相比,ACM模型的优点是可以自适应地处理拓扑变化,提供高精度的闭合分割曲线,而且数值实现简单、算法稳定性较高。在SAR图像分割中,ACM模型可以充分利用相干斑噪声的概率模型定义能量泛函,不需要相干斑预处理,也能获得精确的分割结果。
尽管如此,但目前现有的水平集SAR图像分割方法一般基于SAR 图像的Gamma 分布模型(Ben Ayed I., Mitiche A., Belhadj Z.. Multiregion level-set partitioning of Synthetic Aperture Radar images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(5):793:800)等。虽然Gamma 分布能较好地描述中低分辨率情况下的均匀区域 SAR 图像数据,但是随着分辨率的提高,SAR 图像相干斑发育不充分,均匀度降低,Gamma 分布一般不能很好的描述,因而目前基于Gamma 分布的方法不能用于高分辨率SAR 图像的分割处理。二是现有的水平集SAR 图像分割方法一般利用符号距离函数表示水平集函数,往往需要在曲线演化过程中进行耗时的重新初始化步骤,使得分割速度缓慢。
发明内容
本发明目的在于克服现有基于Gamma分布对于SAR图像分割技术的不足,提出了基于Fisher分布的活动轮廓SAR图像分割方法。该方法通过引入Fisher分布统计模型,得到了一种更加适用于SAR图像分割的能量泛函。利用对数矩估计的方法估算Fisher 分布各区域内最优参数,并且通过水平集方法进行偏微分方程的数值求解,实现了SAR图像的分割。由于Fisher分布的采用,能使得该方法能够适用于多种SAR图像的分割。
本发明解决其技术问题所采用的技术方案是:一种基于Fisher分布的活动轮廓SAR图像分割方法,包括以下步骤:
步骤一,采用Fisher分布来描述SAR 图像的统计特性,根据区域竞争模型建立基于Fisher分布的能量泛函。
为了更好的描述高分辨率条件下的SAR 图像,采用Fisher分布来描述SAR 图像的统计特性,假设待分割的SAR 图像 由两部分组成,分别为目标区域 (foreground)与背景区域 (background),假设两区域服从独立的Fisher概率统计模型,由区域竞争模型可建立如下的SAR图像分割的能量泛函,作为方程一:
,
其中,是零水平集的闭合曲线,和是演化曲线的内部区域和外部区域,分别代表SAR图像的目标区域和背景区域,是正的加权参数,、是Fisher分布的概率密度函数,其中Fisher分布的概率密度函数表示为:
其中,是平均强度参数,是等效视数,是形状参数,当趋近于的时候,概率密度函数就变成了Gamma概率密度函数;
步骤二,引入水平集函数,并结合长度约束项和水平集规则项,重新表示步骤一获得的能量泛函。
应用变分水平集方法,将演化曲线隐含得表示成更高维水平集函数的零水平集,在能量泛函中引入Heaviside 函数,其中为水平集函数,对于有,若则,所以方程一也可以表示为:
,
其中,是图像定义域,令是梯度算子,则是长度约束项,用以增加演化曲线抑制局部极小的鲁棒性,而是水平集规则项,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,和分别是水平集规则项和长度约束项的权值系数;
步骤三,迭代法逐步最小化步骤二的能量泛函并进行数值求解,
由于SAR图像分割的能量泛函已知,其最小化不能直接求解,因而必须使用迭代的方法逐步最小化,迭代一般包括两个步骤:基于梯度下降流的曲线演化和概率统计模型参数的重新估计。
首先利用梯度流最小化能量泛函。根据变分原理,可以得到水平集演化的控制方程:
其中,是狄拉克函数,是演化曲线的曲率,是散度。
为了水平集演化的控制方程的梯度下降流,采用有限差分的数值求解得到如下方程二:
其中时间步长,为目标边界曲线的曲率;分别为水平集函数的一、二阶差分。
然后,时间偏导采用前向差分,则离散化的迭代方程得到方程三:
,
最小化的第二步为固定水平集函数估计最优的分布参数。由于Fisher分布的参数估计很难由最大似然估计得到,故此我们采用对数矩的参数估计方法,它可以更方便地用于Fisher分布参数的估计,该方法即求解非线性方程组,作为方程四:
,
其中为Digamma函数, 为阶Polygamma函数,为阶对数矩,由于Digamma 函数和Polygamma函数的单调性,通过离散化的迭代方程、参数估计的非线性方程组,即方程三和方程四的交替迭代求解就可以实现能量泛函的最小化,演化分割曲线,从而实现SAR图像的分割。
作为优选,步骤三中包含如下具体步骤:
步骤3-1,初始化零水平集函数,即初始水平集函数,在曲线内部取值为1,外部为-1;
步骤3-2,利用对数矩估计方法对SAR 图像中曲线内外部区域的参数分别进行估算,即由方程四分别计算得到目标区域和背景区域的Fisher分布估计参数和;
步骤3-3,利用估计得到的Fisher分布参数分别计算目标区域和背景区域的Fisher分布的概率密度函数和;
步骤3-4,利用方程二、方程三来计算更新水平集函数;
步骤3-5,利用迭代计数来判断是否达到终止条件,若是,由提取边界曲线,完成SAR 图像分割;若不是,转到步骤3-2。
本发明与现有技术相比具有以下优点:
1、与已有的水平集SAR图像分割方法相比,本发明基于Fisher分布的活动轮廓SAR图像的分割方法,既可以对高分辨情况下的极不均匀区域建模,对不均匀和均匀区域也能很好的拟合,同时该模型具有向下兼容性,通过参数的变化可以对Gamma标准分布模型进行拟合;
2、本发明采用对数矩估计的方法估算Fisher分布参数,即通过求解非线性方程组能较快地对Fisher分布的3个参数进行估计,克服了以往Fisher分布应用中参数估计困难的问题;
3、本发明是基于区域信息的变分水平集模型,因此在分割过程中不需要抑制相干斑噪声的预处理过程;
4、本发明利用水平集方法演化分割曲线和Fisher分布参数估计相结合,使能量泛函达到最小化,从而实现对SAR图像的分割。
附图说明
附图1为本发明图像分割流程图。
附图2是针对合成SAR图像数据的分割效果对比图。
附图3是针对机载MSTAR图像数据的分割效果对比图。
具体实施方式
下面通过具体实施例并结合附图对本发明进一步说明。
实施例:一种基于Fisher分布的活动轮廓SAR图像分割方法,包括以下步骤:
步骤一,采用Fisher分布来描述SAR图像的统计特性,根据区域竞争模型建立基于Fisher分布的能量泛函。
为了更好的描述高分辨率条件下的SAR 图像,采用Fisher分布来描述SAR 图像的统计特性,假设待分割的SAR 图像由两部分组成,分别为目标区域(foreground)与背景区域 (background),假设两区域服从独立的Fisher概率统计模型,由区域竞争模型可建立如下的SAR图像分割的能量泛函,作为方程一:
,
其中, 是零水平集的闭合曲线, 和是演化曲线的内部区域和外部区域,分别代表SAR图像的目标区域和背景区域,是正的加权参数, 、是Fisher分布的概率密度函数,其中Fisher分布的概率密度函数表示为:
其中,是平均强度参数,是等效视数,是形状参数,当趋近于的时候,概率密度函数就变成了Gamma概率密度函数;
步骤二,引入水平集函数,并结合长度约束项和水平集规则项,重新表示步骤一获得的能量泛函。
应用变分水平集方法,将演化曲线隐含得表示成更高维水平集函数的零水平集,在能量泛函中引入Heaviside 函数,其中为水平集函数,对于有,若则,所以方程一也可以表示为:
,
其中,是图像定义域,令是梯度算子,则是长度约束项,用以增加演化曲线抑制局部极小的鲁棒性,而是水平集规则项,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,和分别是水平集规则项和长度约束项的权值系数;在本实施例中权值系数选取 , 。
步骤三,迭代法逐步最小化步骤二的能量泛函并进行数值求解,
由于SAR图像分割的能量泛函已知,其最小化不能直接求解,因而必须使用迭代的方法逐步最小化,迭代一般包括两个步骤:基于梯度下降流的曲线演化和概率统计模型参数的重新估计。
首先利用梯度流最小化能量泛函。根据变分原理,可以得到水平集演化的控制方程:
其中,是狄拉克函数,是演化曲线的曲率,是散度。
而在本实施例中,利用规则化的单位阶跃函数和狄拉克函数:
其中,规则参数选取范围是,在本实施例中。
为了水平集演化的控制方程的梯度下降流,采用有限差分的数值求解得到如下方程二:
其中时间步长,为目标边界曲线的曲率;分别为水平集函数的一、二阶差分。
然后,时间偏导采用前向差分,则离散化的迭代方程得到方程三:
,
在本实施例中由于时间步长的取值范围是,在本实施例中,。
最小化的第二步为固定水平集函数估计最优的分布参数。由于Fisher分布的参数估计很难由最大似然估计得到,故此我们采用对数矩的参数估计方法,它可以更方便地用于Fisher分布参数的估计,该方法即求解非线性方程组,作为方程四:
,
其中为Digamma函数, 为阶Polygamma函数, 为阶对数矩。由于Digamma 函数和Polygamma函数的单调性,通过离散化的迭代方程、参数估计的非线性方程组,即方程三和方程四的交替迭代求解就可以实现能量泛函的最小化,演化分割曲线, 从而实现SAR图像的分割。
作为优选,步骤三中包含如下具体步骤:
步骤3-1,初始化零水平集函数,即初始水平集函数,在曲线内部取值为1,外部为-1;
步骤3-2,利用对数矩估计方法对SAR 图像中曲线内外部区域的参数分别进行估算,即由方程四分别计算得到目标区域和背景区域的Fisher分布估计参数和;
步骤3-3,利用估计得到的Fisher分布参数分别计算目标区域和背景区域的Fisher分布的概率密度函数和;
步骤3-4,利用方程二、方程三来计算更新水平集函数;
步骤3-5,利用迭代计数来判断是否达到终止条件,若是,由提取边界曲线,完成SAR 图像分割;若不是,转到步骤3-2。
附图2给出了作为本发明实施例的合成SAR图像的分割结果。原始图像尺寸为128×128,图像含有三个非均质的目标对象,左上角的目标图像含有一定的纹理。图2为本方法与Gamma统计模型的分割结果对比图,设定初始曲线如图2a所示,利用本方法得到分割结果如图2b所示。图2c给出了用现有技术提出的Gamma统计模型的分割结果。
附图3给出了作为本发明实施例的真实SAR图像的分割结果与比较。图像数据来源于MSTAR Public Data (BTR-70、BMP-2 and T-72)。原始图像尺寸为128×128,是三组角度不同的坦克图像。图3a是初始曲线,图3b是采用本方法处理的最终分割曲线,图3c是用现有技术提出的Gamma统计模型的最终分割曲线。
Claims (2)
1.一种基于Fisher分布的活动轮廓SAR图像分割方法,其特征在于,包括以下步骤:
步骤一,采用Fisher分布来描述SAR 图像的统计特性,根据区域竞争模型建立基于Fisher分布的能量泛函,作为方程一:
,
其中, 是零水平集的闭合曲线,和是演化曲线的内部区域和外部区域,分别代表SAR图像的目标区域和背景区域,是正的加权参数,、是Fisher分布的概率密度函数,其中Fisher分布的概率密度函数表示为:
,
其中,是平均强度参数,是等效视数,是形状参数;
步骤二,引入水平集函数,并结合长度约束项和水平集规则项,重新表示步骤一获得的能量泛函,
应用变分水平集方法,将演化曲线隐含得表示成更高维水平集函数的零水平集,其中是时间参数;在能量泛函中引入Heaviside 函数,对于有,若则,将方程一表示为:
,
其中,是图像定义域,令是梯度算子,则是长度约束项,是水平集规则项,和分别是长度约束项和水平集规则项的权值系数;
步骤三,迭代法逐步最小化步骤二的能量泛函并进行数值求解,
首先利用梯度流最小化能量泛函,得到如下方程二:
其中,n为上标,指代水平集函数迭代次数,为目标边界曲线的曲率,分别为水平集函数的一、二阶差分;
然后,时间偏导采用前向差分,得到离散化的迭代方程作为方程三:
,
其中,时间步长,是狄拉克函数,最小化的第二步为固定水平集函数估计最优的分布参数,采用对数矩的参数估计方法,得到非线性方程组作为方程四:
,
其中为Digamma函数, 为阶Polygamma函数, 为阶对数矩,是图像点二维坐标,通过方程三和方程四的交替迭代求解就可以实现能量泛函的最小化,演化分割曲线,从而实现SAR图像的分割。
2.根据权利要求1所述的基于Fisher分布的活动轮廓SAR图像分割方法,其特征在于,所述步骤三包括以下具体步骤:
步骤3-1,初始化零水平集函数,即初始水平集函数,在曲线内部取值为1,外部为-1;
步骤3-2,利用对数矩估计方法对SAR 图像中曲线内外部区域的参数分别进行估算,即由方程四分别计算得到目标区域和背景区域的Fisher分布估计参数和;
步骤3-3,利用估计得到的Fisher分布参数分别计算目标区域和背景区域的Fisher分布的概率密度函数和;
步骤3-4,利用方程二、方程三来计算更新水平集函数;
步骤3-5,利用迭代计数来判断是否达到终止条件,若是,由提取边界曲线,完成SAR 图像分割;若不是,转到步骤3-2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110374474.9A CN102542561B (zh) | 2011-11-23 | 2011-11-23 | 基于Fisher分布的活动轮廓SAR图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110374474.9A CN102542561B (zh) | 2011-11-23 | 2011-11-23 | 基于Fisher分布的活动轮廓SAR图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102542561A CN102542561A (zh) | 2012-07-04 |
CN102542561B true CN102542561B (zh) | 2014-08-13 |
Family
ID=46349384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110374474.9A Expired - Fee Related CN102542561B (zh) | 2011-11-23 | 2011-11-23 | 基于Fisher分布的活动轮廓SAR图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542561B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049653B (zh) * | 2012-12-17 | 2016-04-06 | 南京航空航天大学 | 基于em算法的g0分布参数最大似然估计方法 |
CN103150466B (zh) * | 2012-12-29 | 2016-05-25 | 江苏大学 | 动力学结构突变的检测方法与检测系统 |
CN105302945A (zh) * | 2015-09-26 | 2016-02-03 | 长安大学 | 一种基于标度指数的动力学结构突变检测方法与检测系统 |
CN106056031A (zh) * | 2016-02-29 | 2016-10-26 | 江苏美伦影像系统有限公司 | 一种图像分割算法 |
CN107316310A (zh) * | 2016-04-25 | 2017-11-03 | 大连海事大学 | 一种逆高斯分布主动轮廓模型海岸线检测的计算方法 |
CN106570867B (zh) * | 2016-10-18 | 2019-03-29 | 浙江大学 | 基于灰度形态学能量法的活动轮廓模型图像快速分割方法 |
CN106570882B (zh) * | 2016-10-28 | 2019-08-20 | 中国科学院苏州生物医学工程技术研究所 | 混合高斯分布模型的活动轮廓图像分割方法 |
CN109523559A (zh) * | 2018-10-15 | 2019-03-26 | 石家庄学院 | 一种基于改进的能量泛函模型的噪声图像分割方法 |
CN110363775B (zh) * | 2019-06-21 | 2023-06-23 | 华南理工大学 | 一种基于区域型变分水平集的图像分割方法 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720268B2 (en) * | 2005-07-15 | 2010-05-18 | Siemens Corporation | System and method for ultrasound specific segmentation using speckle distributions |
CN101976445B (zh) * | 2010-11-12 | 2012-02-08 | 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 |
CN102024260B (zh) * | 2010-12-30 | 2012-11-28 | 浙江工商大学 | 基于局部Gamma拟合的活动轮廓SAR图像分割方法 |
-
2011
- 2011-11-23 CN CN201110374474.9A patent/CN102542561B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102542561A (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542561B (zh) | 基于Fisher分布的活动轮廓SAR图像分割方法 | |
Yun et al. | Individual tree crown segmentation from airborne LiDAR data using a novel Gaussian filter and energy function minimization-based approach | |
CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
US10802146B2 (en) | Enhancement of range measurement resolution using imagery | |
Einhorn et al. | Generic NDT mapping in dynamic environments and its application for lifelong SLAM | |
Bulatov et al. | Context-based automatic reconstruction and texturing of 3D urban terrain for quick-response tasks | |
CN102024260B (zh) | 基于局部Gamma拟合的活动轮廓SAR图像分割方法 | |
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 | |
Truong-Hong et al. | Octree-based, automatic building facade generation from LiDAR data | |
CN102426700B (zh) | 基于局部和全局区域信息的水平集sar图像分割方法 | |
CN104536009A (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN106408581B (zh) | 一种快速的三维点云直线提取方法 | |
CN103093497A (zh) | 基于分层轮廓的lidar数据城市快速重建方法 | |
CN102446357B (zh) | 基于自适应有限元的水平集sar图像分割方法 | |
CN112418245A (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN110827302A (zh) | 基于深度图卷积网络的点云目标提取方法及装置 | |
CN104318611A (zh) | 一种基于激光扫描点云的三维树木重建方法 | |
CN105469408A (zh) | 一种sar图像建筑群分割方法 | |
CN109658477A (zh) | 一种基于lidar数据的dem生成算法 | |
Brenner | Scalable estimation of precision maps in a mapreduce framework | |
Lari et al. | Alternative methodologies for the estimation of local point density index: Moving towards adaptive LiDAR data processing | |
CN102750690B (zh) | 一种基于边缘约束的分形网络演化影像分割方法 | |
CN104361597A (zh) | 基于主动轮廓模型的肝脏dti图像分割的方法 | |
Wang et al. | Simple building reconstruction from lidar data and aerial imagery |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140813 Termination date: 20171123 |
|
CF01 | Termination of patent right due to non-payment of annual fee |