CN103116886B - 基于嵌入式dsp的sar图像实时分割方法 - Google Patents
基于嵌入式dsp的sar图像实时分割方法 Download PDFInfo
- Publication number
- CN103116886B CN103116886B CN201310031674.3A CN201310031674A CN103116886B CN 103116886 B CN103116886 B CN 103116886B CN 201310031674 A CN201310031674 A CN 201310031674A CN 103116886 B CN103116886 B CN 103116886B
- Authority
- CN
- China
- Prior art keywords
- matrix
- marginal texture
- dsp
- volume
- sar
- 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.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于嵌入式DSP的SAR图像实时分割方法,主要解决了SAR图像分割算法在嵌入式DSP上实现时复杂度较大,难以满足实时性的问题。其分割过程为:(1)输入SAR图像;(2)浮点转换;(3)一维高斯滤波;(4)建立顶点结构体矩阵和边缘结构体矩阵;(5)对边缘结构体矩阵排序;(6)对顶点结构体矩阵聚类;(7)输出分割结果。本发明基于DSP的结构进行了优化,分别使用了DSP内建指令编写的除法和双字的数据交换,降低滤波过程和排序过程在数字信号处理器DSP上的运行时间,具有良好的分割结果,可应用于嵌入式合成孔径雷达SAR图像分割和SAR图像目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种基于嵌入式数字信号处理器DSP(Digital Signal Processor)的合成孔径雷达SAR(Synthetic Aperture Radar)图像实时分割方法。本发明可应用于嵌入式系统中对目标进行识别。
背景技术
图像分割是通过对图像信息进行分析,提取出感兴趣的目标或区域的过程。是计算机视觉中最基本和最重要的图像处理方法,是成功进行图像分析、理解和描述的关键技术。SAR图像是一种高分辨率的雷达图像,SAR图像分割技术在军事、农业、地质学等多个领域得到广泛的应用。作为SAR图像解译中非常重要的一个步骤的SAR图像分割也显得越来越重要。由于SAR图像成像原理的特殊性和复杂性,导致现有的SAR图像分割技术时间复杂度较大,不适合嵌入式实时处理应用。
目前SAR图像的分割方法有基于抑斑的分割方法、基于SAR概率分布模型的分割方法、基于多尺度隐马尔可夫模型分割方法和基于聚类算法的SAR图像分割。例如:
西安电子科技大学在其专利申请“基于非下采样Contourlet变换的HMT图像分割方法”(专利申请号:200810232336.5,公开号:CN101447080A)中提出了一种非下采样Contourlet变换和隐马尔可夫随机场结合的方法。这种方法首先对SAR图像进行多尺度变换,利用变换后不同分辨率下的各尺度子带系数的统计特性来处理图像,但是该方法存在的不足是,分割的图像边缘不够准确,而且图像分割的过程比较复杂,在嵌入式数字信号处理器DSP上较难实现。
西北工业大学在其专利申请“一种无监督马尔可夫随机场图像分割方法”(专利申请号:200710017875.2,公开号:CN101286227A)中提出了一种无监督马尔可夫随机场图像分割方法。此方法虽然时间复杂度较小,但是仍然存在的不足是,图像分割不够准确,利用的图像信息比较少,在嵌入式数字信号处理器DSP上也无法满足实时性要求。
发明内容
为了克服上述现有技术存在的不足,本发明在基于图的图像分割的基础上提出了基于嵌入式DSP的SAR图像实时分割方法。根据DSP本身的结构和特点简化了分割过程,使得基于图的SAR图像快速分割算法在DSP有限的资源下得以优化实现,从而满足实时性的要求。
为了达到以上目的,本发明包括以下步骤:
(1)输入待分割的SAR图像矩阵;
(2)将图像矩阵转换为浮点类型的矩阵:
将读取的SAR图像数据从整数int类型矩阵转化为浮点float类型矩阵,得到的浮点类型矩阵四字对齐的存储在数字信号处理器DSP内存中。
(3)一维高斯滤波:
3a)使用静态存储于数字信号处理器DSP内存中的一维高斯滤波模板,与浮点矩阵在水平和垂直两个方向进行卷积,得到与浮点矩阵大小相等的未归一化矩阵;
3b)使用数字信号处理器DSP内建指令编写的除法,用未归一化矩阵除以一维高斯滤波模板系数的加权值,得到待聚类矩阵。
(4)建立边缘结构体矩阵和顶点结构体矩阵:
4a)在数字信号处理器的外部存储SDRAM中分配四字对齐的存储空间,用来存储边缘结构体矩阵和顶点结构体矩阵;
4b)对结构体矩阵进行初始化,使得边缘结构体矩阵的元素对应待聚类矩阵的邻域元素对,顶点结构体矩阵对应待聚类矩阵中的元素;
4c)对边缘结构体矩阵的每一个元素插入一个空数据,使得每个边缘结构体四字对齐。
(5)对边缘结构体矩阵排序:
5a)从边缘结构体矩阵中选出第一个元素作为基数;
5b)使用双字的数据读写进行元素交换,将权重大于基数权重的边缘结构体元素交换到基数左边,将权重小于等于基数权重的边缘结构体元素交换到基数右边,得到按照基数权重大小分区的边缘结构体矩阵;
5c)对边缘结构体矩阵的左右区间递归执行步骤5a)、步骤5b),直到获得按照边缘结构体权重非递减排列的有序矩阵。
(6)对顶点结构体矩阵进行聚类:
6a)按照已排序边缘结构体矩阵元素的顺序,比较当前边缘结构体的权重与其对应顶点的类内权重,当边缘结构体权重小于其对应的顶点的类内权重时,合并这两个顶点结构体所在的类;
6b)迭代执行步骤6a),直到已排序边缘结构体矩阵的最后一个元素。
(7)用已聚类顶点结构体的类别标号对原图像赋值,得到分割的图像。
本发明与现有技术相比具有以下优点:
第一,由于本发明在一维高斯滤波中采用了内建指令编写的除法,克服了现有技术在滤波时速度较慢的缺点,使得本发明在提高速度和降低了精度的情况下,还能提供较为精确的图像分割区域边缘。
第二,由于本发明采用在边缘结构体矩阵数据元素中插入空数据,克服了现有技术由于每个元素不是四字对齐而无法充分利用数字信号处理器DSP总线宽度的缺陷,使得本发明在读写边缘结构体时,可以同时读取多个字,提高了边缘结构体读写的速度,使得图像分割速度提高。
第三,由于本发明采用了双字读写对边缘结构体元素进行交换,克服了现有技术在排序时数据交换次数较多的不足,使得本发明在排序过程中数据交换的次数明显减少,提高了排序过程的速度,提升了图像分割速度。
附图说明
图1为本发明的流程图;
图2为本发明在一幅简单地物背景的SAR图像上的仿真结果图。
具体实施方式
下面结合附图1对本发明的步骤做进一步的详细描述。
步骤1.输入待分割的SAR图像矩阵。
输入的SAR图像矩阵四字对齐的静态存储在数字信号处理器DSP的外部SDRAM中,SAR图像此时的存储的数据格式为整形int型。
步骤2.将图像矩阵转换为浮点类型的矩阵。将读取的SAR图像数据从整数int类型矩阵转化为浮点float类型矩阵,得到的浮点类型矩阵四字对齐的存储在数字信号处理器DSP内存的一个BANK中。
步骤3.一维高斯滤波:一维高斯滤波模板的系数为:其中,i为滤波模板窗口位置标号,sigma为高斯函数的宽度,一维高斯滤波模板的窗口宽度为11。
使用静态存储于数字信号处理器DSP内存中的一维高斯滤波模板,与浮点矩阵在水平和垂直两个方向进行卷积,得到与浮点矩阵大小相等的未归一化矩阵。高斯滤波模板与浮点矩阵存储在DSP的不同BANK中。用未归一化矩阵除以一维高斯滤波模板系数的加权值,得到待聚类矩阵。在滤波过程中的除法都使用数字信号处理器DSP内建指令编写的除法代替,内建指令编写的除法如下:
a=_builtin_recip(c);//内建指令编写的除法
a=a*b;//内建指令编写的除法
步骤4.建立边缘结构体矩阵和顶点结构体矩阵:
在数字信号处理器的外部存储SDRAM中分配四字对齐的存储空间,用来存储边缘结构体矩阵和顶点结构体矩阵。对结构体矩阵进行初始化,使得边缘结构体矩阵的元素对应待聚类矩阵的邻域元素对,顶点结构体矩阵对应待聚类矩阵的元素。其中边缘结构体为edge{w,a,b},w表示边缘权重,a,b代表边缘对应的顶点标号。其中顶点结构体为vertice{rank,p,size},rank代表顶点的优先级,p代表顶点的类别,size代表顶点类的大小。
最后对边缘结构体矩阵的每一个元素插入一个空数据,使得每个边缘结构体四字对齐。最后存储的边缘结构体为edge{w,a,b,blank},其中blank为插入的空数据。
步骤5.对边缘结构体矩阵排序,排序过程交换边缘结构体矩阵元素时使用的是双字数据交换,双字的数据交换是指,边缘结构体矩阵采用64位的数据交换方式。
排序过程使用的是针对数字信号处理器DSP结构进行优化的快速排序算法,首先从边缘结构体矩阵中选出第一个元素作为基数,将权重大于基数权重的边缘结构体元素交换到基数左边,将权重小于等于基数权重的边缘结构体元素交换到基数右边,迭代执行此过程直到获得按边缘结构体权重非递减顺序排列的有序矩阵。由于此算法是一个递归算法,对栈的需求较大,所以在数字信号处理器DSP内存中设置栈的大小为200K。为了充分利用DSP的外部总线宽度,使用双字的数据交换代替单字的数据交换,减少了数据交换的次数。
步骤6.对顶点结构体矩阵进行聚类:
按照已排序边缘结构体矩阵元素的顺序,比较当前边缘结构体的权重与其对应顶点的类内权重,当边缘结构体权重小于其对应的顶点的类内权重时,合并这两个顶点结构体所在的类。迭代执行此步骤直到已排序边缘结构体矩阵的最后一个元素。
实现该步骤的具体过程如下:
(6a)假设初始未聚类的边缘结构体为S0,从初始分割S0开始进行顶点聚类,此时顶点结构体矩阵的每个元素都属于它自己的那一类;
(6b)在q=1,......,m的情况下重复执行第(6c)步;
(6c)从分割Sq得出分割Sq-1,假设vi,vj是排序后的边缘矩阵的第q条边缘对应的顶点。如果vi,vj在Sq-1属于不同的类,当第q条边缘的权重相对于vi,vj各自的类内权重较小时,合并vi,vj这两个顶点所在的类。
步骤7.用已聚类顶点结构体的类别标号对原图像赋值,得到分割的图像。
利用已聚类顶点结构体元素与图像元素的一一对应关系对原图像进行赋值,相同类的顶点对应原图像中分割的一个区域,赋值完成后得到分割图像。
下面结合仿真图对本发明的效果做进一步描述。
1.仿真条件
本发明的仿真是在内核频率为500MHZ的数字信号处理器TS201硬件环境和Visual DSP++软件环境下进行的。
2.仿真内容
本发明采用基于嵌入式DSP的SAR图像实时分割方法对一幅SAR图像进行分割实验,图2为本发明仿真试验中使用一幅原始测试SAR图像分别在计算机端和DSP端的分割结果对比图,大小为256×256,其中,图2(a)为原始测试SAR图像,图2(b)为计算机端仿真得出的SAR图像分割结果,图2(c)是使用基于嵌入式DSP的SAR图像实时分割方法得出的SAR图像分割结果。
3.仿真效果分析
通过上述原始测试SAR图像在计算机端仿真结果和本发明方法在DSP端的分割结果,可以看出本发明可以对SAR图像进行较为准确地分割,在降低了精度和优化了排序算法后还可以较为有效地分割图像。
图2(a)为原始SAR图像,原始SAR图像中,图像中左上区域边缘较为明显,纹理简单,而图像右下部分区域纹理复杂,目标较多。由图2(b)和2(c)可以看到,基于嵌入式DSP的优化方法和原方法相比,分割效果基本相同。本发明虽然在一维高斯滤波时降低了除法精度,但是图像分割的精度并没有太大影响,对于右下纹理较为复杂的部分依然可以较为精确的分割出图像,细节信息的保留是比较清晰准确的,且边界光滑连续。
Claims (4)
1.基于嵌入式DSP的SAR图像实时分割方法,其具体步骤包括如下:
(1)输入待分割的SAR图像矩阵;
(2)将图像矩阵转换为浮点类型的矩阵:
将读取的SAR图像数据从整数int类型矩阵转化为浮点float类型矩阵,得到的浮点类型矩阵四字对齐的存储在数字信号处理器DSP内存中;
(3)一维高斯滤波:
3a)使用静态存储于数字信号处理器DSP内存中的一维高斯滤波模板,与浮点矩阵在水平和垂直两个方向进行卷积,得到与浮点矩阵大小相等的未归一化矩阵;
3b)使用数字信号处理器DSP内建指令编写的除法,用未归一化矩阵除以一维高斯滤波模板系数的加权值,得到待聚类矩阵;
(4)建立边缘结构体矩阵和顶点结构体矩阵:
4a)在数字信号处理器的外部存储SDRAM中分配四字对齐的存储空间,用来存储边缘结构体矩阵和顶点结构体矩阵;
4b)对结构体矩阵进行初始化,使得边缘结构体矩阵的元素对应待聚类矩阵的邻域元素对,顶点结构体矩阵对应待聚类矩阵中的元素;
4c)对边缘结构体矩阵的每一个元素插入一个空数据,使得每个边缘结构体元素四字对齐;
(5)对边缘结构体矩阵排序:
5a)从边缘结构体矩阵中选出第一个元素作为基数;
5b)使用双字的数据读写进行元素交换,将权重大于基数权重的边缘结构体元素交换到基数左边,将权重小于等于基数权重的边缘结构体元素交换到基数右边,得到按照基数权重大小分区的边缘结构体矩阵;
5c)对边缘结构体矩阵的左右区间递归执行步骤5a)、步骤5b),直到获得按照边缘结构体权重非递减排列的有序矩阵;
(6)对顶点结构体矩阵进行聚类:
6a)按照已排序边缘结构体矩阵元素的顺序,比较当前边缘结构体的权重与其对应顶点的类内权重,当边缘结构体权重小于其对应的顶点的类内权重时,合并这两个顶点结构体所在的类;
6b)迭代执行步骤6a),直到已排序边缘结构体矩阵的最后一个元素;
(7)用已聚类顶点结构体的类别标号对原图像赋值,得到分割的图像。
2.根据权利要求1所述的基于嵌入式DSP的SAR图像实时分割方法,其特征在于:步骤(3)所述的一维高斯滤波模板的系数为:其中,i为滤波模板窗口位置标号,sigma为高斯函数的宽度,一维高斯滤波模板的窗口宽度为11。
3.根据权利要求1所述的基于嵌入式DSP的SAR图像实时分割方法,其特征在于:步骤5b)所述的使用双字的数据读写进行元素交换是指,对边缘结构体矩阵采用64位的数据交换方式。
4.根据权利要求1所述的基于嵌入式DSP的SAR图像实时分割方法,其特征在于:步骤(6)所述的边缘结构体权重计算公式为:|pi-pj|其中,pi,pj是边缘结构体矩阵元素对应的聚类矩阵元素对的强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310031674.3A CN103116886B (zh) | 2013-01-08 | 2013-01-08 | 基于嵌入式dsp的sar图像实时分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310031674.3A CN103116886B (zh) | 2013-01-08 | 2013-01-08 | 基于嵌入式dsp的sar图像实时分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103116886A CN103116886A (zh) | 2013-05-22 |
CN103116886B true CN103116886B (zh) | 2015-06-17 |
Family
ID=48415250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310031674.3A Active CN103116886B (zh) | 2013-01-08 | 2013-01-08 | 基于嵌入式dsp的sar图像实时分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103116886B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787911B (zh) * | 2016-03-21 | 2019-02-12 | 中国林业科学研究院资源信息研究所 | 一种基于拓扑分形算法的图像腐蚀与膨胀处理方法 |
CN107909583B (zh) * | 2017-11-08 | 2020-01-10 | 维沃移动通信有限公司 | 一种图像处理方法、装置及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6864827B1 (en) * | 2003-10-15 | 2005-03-08 | Sandia Corporation | Digital intermediate frequency receiver module for use in airborne SAR applications |
CN101770021A (zh) * | 2008-12-31 | 2010-07-07 | 中国航空工业第一集团公司第六三一研究所 | 基于可编程逻辑的图像显示的实现方法 |
CN102279386A (zh) * | 2011-05-12 | 2011-12-14 | 西安电子科技大学 | 基于fpga的sar成像信号处理数据转置方法 |
-
2013
- 2013-01-08 CN CN201310031674.3A patent/CN103116886B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6864827B1 (en) * | 2003-10-15 | 2005-03-08 | Sandia Corporation | Digital intermediate frequency receiver module for use in airborne SAR applications |
CN101770021A (zh) * | 2008-12-31 | 2010-07-07 | 中国航空工业第一集团公司第六三一研究所 | 基于可编程逻辑的图像显示的实现方法 |
CN102279386A (zh) * | 2011-05-12 | 2011-12-14 | 西安电子科技大学 | 基于fpga的sar成像信号处理数据转置方法 |
Non-Patent Citations (1)
Title |
---|
基于免疫算法的SAR图像分割方法研究;薄华等;《电子与信息学报》;20070228;第29卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103116886A (zh) | 2013-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984286B2 (en) | Domain stylization using a neural network model | |
CN108154192B (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
Van der Maaten et al. | Visualizing data using t-SNE. | |
WO2017215622A1 (zh) | 物体分割方法及装置、计算设备 | |
CN103295242B (zh) | 一种多特征联合稀疏表示的目标跟踪方法 | |
US20230237313A1 (en) | Layout Parasitics and Device Parameter Prediction using Graph Neural Networks | |
CN111489357A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
TWI767233B (zh) | 用於使用基於機器學習的編碼在電子電路佈局中的圖案分類之方法、非暫時性電腦可讀媒體、及系統 | |
Larraondo et al. | A data-driven approach to precipitation parameterizations using convolutional encoder-decoder neural networks | |
CN113674403A (zh) | 一种三维点云上采样方法、系统、设备及介质 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
US11494879B2 (en) | Convolutional blind-spot architectures and bayesian image restoration | |
CN104778476A (zh) | 一种图像分类方法 | |
CN111126459A (zh) | 一种车辆细粒度识别的方法及装置 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN106340004A (zh) | 一种基于模糊聚类预处理云系的并行云迹风反演方法 | |
CN113436237B (zh) | 一种基于高斯过程迁移学习的复杂曲面高效测量系统 | |
CN105930859B (zh) | 基于线性流形聚类的雷达信号分选方法 | |
CN107609507B (zh) | 基于特征张量和支持张量机的遥感图像目标识别方法 | |
CN103116886B (zh) | 基于嵌入式dsp的sar图像实时分割方法 | |
Xiaolan et al. | Texture Feature Extraction Method Combining Nonsubsampled Contour Transformation with Gray Level Co-occurrence Matrix. | |
CN112800851B (zh) | 基于全卷积神经元网络的水体轮廓自动提取方法及系统 | |
CN102902982A (zh) | 基于观测向量差的sar图像纹理分类方法 |
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 |