CN103366371B - 基于k分布和纹理特征的sar图像分割方法 - Google Patents
基于k分布和纹理特征的sar图像分割方法 Download PDFInfo
- Publication number
- CN103366371B CN103366371B CN201310279548.XA CN201310279548A CN103366371B CN 103366371 B CN103366371 B CN 103366371B CN 201310279548 A CN201310279548 A CN 201310279548A CN 103366371 B CN103366371 B CN 103366371B
- Authority
- CN
- China
- Prior art keywords
- sar image
- training sample
- pixel
- sigma
- coefficient
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于K分布和纹理特征的SAR图像分割方法,属于图像处理技术领域,分割方法为:在待分割SAR图像上截取C类训练样本在特征区域截取100幅9*9的训练样本,采用K分布统计模型和灰度共生矩阵提取训练样本的特征参数,将每类特征系数列排成矩阵,即为第c类目标的字典;按上述方法计算各类目标字典并将其依次排列组成全局大字典;输入待分割SAR图像,每个像素点用其邻域的9*9个像素点代替,求解该像素点的特征系数反解矩阵运算得到权数α;令δi(α),i=1,...,C为仅保留α中与第c类相对应的系数、其余系数置零的向量,计算残差函数并根据误差函数最小的即为特征系数的类别标签,重复上述步骤得到待处理SAR图像每个像素点的分割结果。
Description
技术领域
本发明属于图像处理领域,涉及SAR图像特征提取和SAR图像分割的方法,是一种基于K分布和纹理特征的SAR图像分割方法,可应用于SAR图像目标识别。
背景技术
合成孔径雷达SAR是一种高分辨率雷达体制,也称综合孔径雷达,应用于军事,导航,农业,地质勘探,图像匹配制导等诸多领域。它与其它遥感成像系统和光学成像系统相比有很多差异。在军事目标识别方面,SAR图像被广泛的应用在目标检测领域,而SAR图像分割则是从图像处理到图像解译的重要步骤,是目标分类和识别的基础。本质上SAR图像反映的是目标的电磁散射特性和结构特性。SAR成像的特殊性使得针对该类图像的分割方法有别于普通光学图像:SAR图像含有大量相干斑噪声,而常规分割方法通常对噪声具有很高的敏感度,不宜用于此类图像;SAR图像灰度级变化缓慢,因此光学图像常用的自适应阈值分割方法对此类图像收效甚微;SAR遥感被测地域的电磁波散射特性,这种特性近似的区域会成像为SAR图像中相近的灰度级,而该地域的光学图像中这些区域却很可能呈现不同的灰度级。
针对SAR图像的以上特点,经典分割方法有:
基于边缘的SAR图像分割方法。这类方法通过检测SAR图像中的边缘,以其检测得到的边缘为分离界限,将SAR图像进行分割。包括ROA(Ratio-of-averages)边缘检测方法,以及利用线性算子的边缘检测分割方法等。但是由于SAR图像固有的乘性相干斑噪声,致使边缘像素灰度值起伏很大,这类方法难以取得较为精确的分割效果。
基于区域合并的SAR图像分割方法。这类方法首先对SAR图像进行过分割,然后根据相邻区域各阶统计特性的不同,迭代进行合并区域,但是这种方法分割区域统计分离性不好,因此容易造成过分割。
基于分层模型的SAR图像分割方法。这种方法以区域为处理单元,使用多尺度模型挖掘SAR图像在不同分辨率下区域的统计相关特性,但是由于该模型只利用了 层间区域的相关性,没充分利用层内相邻区域的信息,容易导致层与层之间信息传递不可靠,造成区域错分。
基于抑斑的分割方法。这类方法首先对SAR进行滤波,然后利用光学图像的常规分割方法处理。但是抑斑过程中模糊了边缘和纹理信息,导致图像细节信息丢失。
基于SAR图像概率分布模型的分割方法。主要有Markov随机场分割方法,分为非因果Markov随机场和因果Markov随机场两种。非因果Markov随机场参数估计困难,且需要迭代;因果Markov随机场易形成方向性块效应。这类方法由于考虑了SAR图像的物理统计特性和先验概率分布知识,因而分割效果较基于抑斑的分割方法有所改善,但是没有充分挖掘SAR图像全局特征和局部纹理特征。使分割结果对SAR图像的细节有信息损失,边界和边缘等方向信息不完整。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于K分布和纹理特征的SAR图像分割方法,利用K分布完好的整体性特征和灰度共生矩阵极好的细节性纹理特征,提高了SAR图像分割结果的区域一致性和边缘分辨精度,保证图像分割信息的精确性和完整性,提高SAR图像分割的质量。
实现本发明目的的技术方案是:采用高效的K分布统计模型,提取SAR图像的整体性特征,并使用灰度共生矩阵充分挖掘纹理信息,提取细节性纹理特征,有效的提高了SAR图像特征的全面性,极大的改善了分割质量。其具体实现过程如下:
(1)在大小为M×N的待分割SAR图像上提取C类训练样本区域{I0,I1,...,IC},C表示图像中地物类别数;
(2)在某一类所选训练样本特征区域Ic上提取100幅大小为k*k的训练样本,采用K分布统计模型提取整体性特征参数l、m和μ,并采用灰度共生矩阵提取细节性纹理特征参数asm、con和idm,组合在一起得到特征系数{Θ1,Θ2,...,Θ100},
其中Θi={l,m,μ,me,st,asm,con,idm},1≤i≤100,l、m和μ是K分布模型的概率密度函数的三个参数,me表示均值,st表示方差,asm、con和idm分别表示灰度共生矩阵的能量、对比度和相关度;
(3)将每类SAR图像的特征系数列排成矩阵,即为第c类目标的字典
Dc=[Θ1,Θ2,...,Θ100],c∈C;
(4)分别按步骤(2)和(3)计算各类目标的字典Dc,并将各类目标的字典Dc依次排列组成全局大字典Φ=[D1,D2,...,Dc];
(5)输入待分割SAR图像,每个像素点ps,t(1≤s≤M,1≤t≤N)用其周围邻域的k*k(k所选为窗口的大小)个像素点代替,根据步骤(2)的方法求解该像素点ps,t的特征系数ys,t;
(6)反解矩阵运算ys,t=φα,得到稀疏系数α;
(7)令δc(α)(i=1,...,C)为仅保留α中与第c类相对应的系数、其余系数置零的向量,计算残差函数Rc(y)=||y-φδc(α)||2,c=1,...,C;
(8)根据误差函数Rc(y),最小的即为ys,t的类别标签,重复步骤(4)、(5)、(6)和(7)得到待处理SAR图像每个像素点的分割结果。
本发明与现有的技术相比具有以下优点:
1、本发明使用K分布模型的概率密度函数逼近SAR图像的像素信息,更好的捕获了SAR图像的全局特征;
2、本发明将K分布模型和灰度共生矩阵结合,有效地保留了SAR图像的全局特征和纹理特征,保证了特征信息的全面性,从而提高了分割准确度;
3、本发明通过特征提取构造训练字典,分类使用稀疏系数计算残差的方法,不涉及迭代计算量小,并且结果稳定;
4、仿真结果表明,本发明方法具有分割结果准确率高和区域一致性好,边缘清晰细节信息比较完整的优点,可用于SAR图像目标检测和目标分割与识别。
附图说明
图1是本发明的流程示意图;
图2是本发明在一幅两类地物SAR图像上的仿真结果图;
图3是本发明在一幅三类地物背景SAR图像上的仿真结果图;
图4是本发明在一幅目标内部复杂的SAR图像上的仿真结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤一、对待分割地物SAR图像进行训练样本区域选取{I0,I1,...,IC}。
在待分割SAR图像中选取纹理特征明显的像素区域,根据需要的地物目标类别将这些训练样本区域分别标记为{I0,I1,...,IC}。
步骤二、对所选训练样本区域Ic进行特征提取,得到第c类训练样本区域的特征参数字典Dc=[Θ1,Θ2,...,Θ100],其中Θi={l,m,μ,me,st,asm,con,idm},1≤i≤100,c∈C,l、m和μ是K分布模型的概率密度函数的三个参数,me表示均值,st表示方差,asm、con和idm分别表示灰度共生矩阵的能量、对比度和相关度。
实现该步骤的具体过程如下:
(2a)在训练样本区域Ic上截取100幅大小为k*k(k为所选窗口的大小,取k=9)的图像作为训练样本Ici(1≤i≤100);
(2b)采用K分布统计模型对训练样本Ici建模,K分布模型的概率密度函数为:
(2c)采用矩估计法计算概率密度函数p(x)中的参数l、m和μ,得训练样本Ici的参数Ici、mci和μci:
(2d)计算训练样本Ici的均值meci和方差stci:
其中k为窗口大小,
其中k为窗口大小,meci为(3)式所求均值;
(2e)计算训练样本Ici的灰度共生矩阵Gci:
其中:Lx*Ly灰度共生矩阵定义的范围域,d表示距离,θ表示方向,#{x}表示大括号中成立的像元数;
(2f)计算灰度共生矩阵Gci的能量asmci、对比度conci和相关度idmci:
(2g)将(2c)、(2d)和(2f)得到的每个训练样本的参数组合,得到Θci:
Θci={l,m,μ,me,st,asm,con,idm}1≤i≤100 (9);
(2h)将特征区域Ic中100个训练样本组合形成第c类的特征参数字典Dc:
Dc=[Θc1,Θc2,...,Θc100]c∈C (10);
步骤三、计算每类训练样本区域的特征参数字典Dc,c∈C,并将它们依次排列组成全局大字典Φ=[D1,D2,...,Dc]。
步骤四、输入待分割SAR图像,选k*k(取k=9)大小的窗口,每个像素点ps,t(1≤s≤M,1≤t≤N)用其周围邻域的k*k个像素点代替,求解该像素点ps,t的特征系数ys,t。
实现该步骤的具体过程如下:
(4a)将待分割SAR图像进行边缘延拓,延拓大小由所选窗口大小而定,一般取大于k/2的最小整数;
(4b)对于延拓后的SAR图像,每个像素点ps,t(1≤s≤M,1≤t≤N)用其周围邻 域的k*k个像素点代替,其中k*k取9*9;
(4c)用步骤二的方法求解该像素点ps,t的特征系数ys,t,即
ys,t=[ls,t,ms,t,μs,t,mes,t,sts,t,asms,t,cons,t,idms,t],1≤s≤M,1≤r≤N (11)。
步骤五、求解矩阵逆运算ys,t=Φα,得到稀疏系数α。
字典矩阵Φ包含所有C类图像的参数,ys,t属于其中一种类别,因此反解得到的α是稀疏向量,并且只有ys,t所属第c类对应位置具有较大值。
步骤六、令δc(α)(i=1,...,C)为仅保留α中与第c类相对应的系数、其余系数置零的向量,计算残差函数:
Rc(y)=||y-φδc(α)||2c=1,...,C (12)。
步骤七、根据残差函数Rc(y),对像素点ps,t分类。
根据误差函数Rc(y),由式(13)进行判别,得到的Iy即为ys,t的类别标签:
步骤八、重复步骤四、步骤五、步骤六和步骤七得到待处理SAR图像每个像素点的类别结果,实现对SAR图像的分割。
实现该步骤的具体过程如下:
(8a)重复操作步骤四、步骤五、步骤六和步骤七,得到待分割SAR图像每个像素点的分类结果;
(8b)将分类结果重新保存,实现SAR图像的分割。
本发明的的效果可通过以下仿真进一步说明:
1、仿真内容:应用本发明方法和Markov随机场方法分别对三幅SAR图像进行分割实验,并从方向信息的准确性、同质区域的内部一致性、细节信息的完整性和边缘边界的清晰性评价这些方法的各自性能。
2、仿真实验结果
A、两类地物背景SAR图像的实验结果
用本方法以及Markov随机场方法对两类地物背景SAR图像进行分割,其效果比较如图2所示。其中图2(a)为城市和农田组成的SAR图像,该SAR图像纹理信息较 为复杂,地物背景组成较为简单;图2(b)为Markov随机场方法对图2(a)进行分割得到的结果;图2(c)为本发明方法对图2(a)进行分割得到的结果。由图2可见,本发明的区域一致性较好,边缘清晰细节信息比较完整。相比之下,Markov随机场方法分割背景部分较凌乱,区域轮廓辨析能力不好,且误分类块效应很明显。
B、三类地物背景SAR图像实验结果
用本方法以及Markov随机场方法对三类地物背景SAR图像进行分割,其效果比较如图3所示。其图3(a)为城市、农田和道路组成的SAR图像,该SAR图像城市部分的纹理信息较为复杂;图3(b)为Markov随机场方法对图3(a)进行分割得到的结果;图3(c)为本发明方法对图3(a)进行分割得到的结果。由图3可见本发明对于细节信息的保留是比较清晰准确的,且边界光滑连续,对Markov随机场方法出现的丢失信息和区域一致性差的现象有明显的改善。
C、目标内部复杂的SAR图像试验结果
用本方法以及Markov随机场方法对两类地物背景SAR图像进行分割,其效果比较如图4所示。其中图4(a)为农田、桥梁和点目标组成的SAR图像,为内部目标比较复杂的SAR图像;图4(b)为Markov随机场方法对图4(a)进行分割得到的结果;图4(c)为本发明方法对图4(a)进行分割得到的结果。由图4可见本发明结合SAR图像的全局像素信息和局部纹理特征,更为全面的提取了SAR图像的信息,因此在对于微小目标提取中明显优于Markov随机场方法。
Claims (3)
1.一种基于K分布和纹理特征的SAR图像分割方法,包括如下步骤:
1)在大小为M×N的待分割SAR图像上取C类训练样本区域{I0,I1,K,IC},C表示图像中地物类别数;
2)对所选某一类训练样本区域Ic进行特征提取,在训练样本特征区域Ic上提取100幅大小为k*k的训练样本,采用K分布统计模型提取整体性特征参数l、m和μ,并采用灰度共生矩阵提取细节性纹理特征参数asm、con和idm,组合在一起得到特征系数{Θ1,Θ2,K,Θ100},
其中Θi={l,m,μ,me,st,asm,con,idm},1≤i≤100,l、m和μ是K分布模型的概率密度函数的三个参数,me表示均值,st表示方差,asm、con和idm分别表示灰度共生矩阵的能量、对比度和相关度;
3)计算每类训练样本的特征参数字典Dc,c∈C,并将它们依次排列组成全局大字典Φ=[D1,D2,...,Dc];
4)输入待分割SAR图像,选k*k大小的窗口,每个像素点ps,t用其周围邻域的k*k个像素点代替,其中1≤s≤M,1≤t≤N,根据步骤2)求解该像素点ps,t的特征系数ys,t;
5)求解矩阵逆运算ys,t=Φα,得到稀疏系数α,其中Φ=[D1,D2,...,Dc];
6)令δc(α)(i=1,...,C)为仅保留α中与第c类相对应的系数、其余系数置零的向量,计算残差函数c=1,...,C;
7)根据残差函数Rc(y),由式进行判别,对像素点ps,t分类,最小的即为ys,t的类别标签;
8)重复步骤(4)、(5)、(6)和(7)得到待处理SAR图像每个像素点的分类结果,将分类结果重新保存,得到最终SAR图像分割结果。
2.根据权利要求1所述的基于K分布和纹理特征的SAR图像分割方法,其中步骤2)所述的对所选训练样本区域Ic特征提取,按如下步骤进行:
2a)在训练样本区域Ic上截取100幅大小为k*k的图像作为训练样本Ici1≤i≤100;
2b)采用K分布统计模型对训练样本Ici建模,K分布模型的概率密度函数为:
2c)采用矩估计法计算概率密度函数p(x)中的参数l、m和μ,得训练样本Ici的参数lci、mci和μci:
2d)计算训练样本Ici的均值meci和方差stci:
其中k为窗口大小,
其中meci为(3)式所求均值;
2e)计算训练样本Ici的灰度共生矩阵Gci:
其中:Lx*Ly为灰度共生矩阵定义的范围域,d表示距离,θ表示方向,#{x}表示大括号中成立的像元数;
2f)计算灰度共生矩阵Gci的能量asmci、对比度conci和相关度idmci:
2g)将2c)、2d)和2f)所得参数组合得训练样本:
Θci={l,m,μ,me,st,asm,con,idm}1≤i≤100 (9);
2h)将特征区域Ic中100个训练样本组合形成第c类的字典;
Dc=[Θc1,Θc2,K,Θc100],c∈C (10)。
3.根据权利要求1所述的基于K分布和纹理特征的SAR图像分割方法,其中步骤2)所述的求解该像素点ps,t的特征系数ys,t,按如下步骤进行:
3a)将待分割SAR图像进行边缘延拓,延拓大小取大于k/2的最小整数;
3b)对于延拓后的SAR图像的每个像素点ps,t用周围邻域的k*k个像素点代替;
3c)根据步骤2)求解该像素点ps,t的特征系数ys,t:
ys,t=[ls,t,ms,t,μs,t,mes,t,sts,t,asms,t,cons,t,idms,t],1≤s≤M,1≤t≤N (11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310279548.XA CN103366371B (zh) | 2013-06-25 | 2013-06-25 | 基于k分布和纹理特征的sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310279548.XA CN103366371B (zh) | 2013-06-25 | 2013-06-25 | 基于k分布和纹理特征的sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366371A CN103366371A (zh) | 2013-10-23 |
CN103366371B true CN103366371B (zh) | 2016-08-10 |
Family
ID=49367639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310279548.XA Active CN103366371B (zh) | 2013-06-25 | 2013-06-25 | 基于k分布和纹理特征的sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366371B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714148B (zh) * | 2013-12-24 | 2017-05-10 | 西安电子科技大学 | 基于稀疏编码分类的sar图像检索方法 |
CN103955913B (zh) * | 2014-02-18 | 2017-03-29 | 西安电子科技大学 | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 |
CN103854285A (zh) * | 2014-02-27 | 2014-06-11 | 西安电子科技大学 | 基于随机投影和改进谱聚类的sar图像地物分割方法 |
CN103955915A (zh) * | 2014-03-17 | 2014-07-30 | 西安电子科技大学 | 基于稀疏表示和多字典的sar图像分割 |
CN106127221B (zh) * | 2016-06-12 | 2019-06-21 | 西安电子科技大学 | 基于极化-纹理特征与dpl的极化sar图像分类方法 |
CN106407899B (zh) * | 2016-08-30 | 2019-07-19 | 电子科技大学 | 基于局部纹理特征的人群密度谱估计方法 |
CN108446652B (zh) * | 2018-03-27 | 2021-09-03 | 武汉大学 | 基于动态纹理特征的极化sar图像地物分类方法 |
CN110658508B (zh) * | 2019-10-17 | 2023-03-10 | 中国人民解放军火箭军工程大学 | 一种基于特征量的k分布海杂波参数估计方法 |
CN117648890B (zh) * | 2024-01-30 | 2024-04-02 | 江苏上达半导体有限公司 | 一种基于人工智能的半导体器件建模方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
CN101853509A (zh) * | 2010-06-11 | 2010-10-06 | 西安电子科技大学 | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 |
CN102968796A (zh) * | 2012-11-30 | 2013-03-13 | 西安电子科技大学 | 基于采样学习的sar图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090002224A1 (en) * | 2005-09-22 | 2009-01-01 | Nader Khatib | SAR ATR tree line extended operating condition |
-
2013
- 2013-06-25 CN CN201310279548.XA patent/CN103366371B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
CN101853509A (zh) * | 2010-06-11 | 2010-10-06 | 西安电子科技大学 | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 |
CN102968796A (zh) * | 2012-11-30 | 2013-03-13 | 西安电子科技大学 | 基于采样学习的sar图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103366371A (zh) | 2013-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366371B (zh) | 基于k分布和纹理特征的sar图像分割方法 | |
CN102096825B (zh) | 基于图的半监督高光谱遥感图像分类方法 | |
CN101853509B (zh) | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN108154192A (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN106778821A (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
CN102073995B (zh) | 基于纹理金字塔与正则化局部回归的色彩恒常方法 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN106611422B (zh) | 基于素描结构的随机梯度贝叶斯sar图像分割方法 | |
CN103544507A (zh) | 一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN104361346B (zh) | 基于k‑svd和稀疏表示的极化sar图像分类方法 | |
CN102289671A (zh) | 提取图像纹理特征的方法和装置 | |
CN110765912A (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN104217436A (zh) | 基于多特征联合稀疏图的sar图像分割方法 | |
CN104408731B (zh) | 基于区域图和统计相似性编码的sar图像分割方法 | |
CN105894013A (zh) | 基于cnn和smm的极化sar图像分类方法 |
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 |