CN103366371B - 基于k分布和纹理特征的sar图像分割方法 - Google Patents

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δ_i(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

基于K分布和纹理特征的SAR图像分割方法

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，...，I_C}，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I_c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Θ_i＝{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

D_c＝[Θ₁，Θ₂，...，Θ₁₀₀]，c∈C；

(4)分别按步骤(2)和(3)计算各类目标的字典D_c，并将各类目标的字典D_c依次排列组成全局大字典Φ＝[D₁，D₂，...，D_c]；

(5)输入待分割SAR图像，每个像素点p_s，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p_s，t的特征系数y_s，t；

(6)反解矩阵运算y_s，t＝φα，得到稀疏系数α；

(7)令δ_c(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R_c(y)＝||y-φδ_c(α)||₂，c＝1，...，C；

(8)根据误差函数R_c(y)，最小的即为y_s，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，...，I_C}。

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，...，I_C}。

步骤二、对所选训练样本区域I_c进行特征提取，得到第c类训练样本区域的特征参数字典D_c＝[Θ₁，Θ₂，...，Θ₁₀₀]，其中Θ_i＝{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I_c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I_ci(1≤i≤100)；

(2b)采用K分布统计模型对训练样本I_ci建模，K分布模型的概率密度函数为：

$p\left(x\right)=\frac{4}{\mathrm{\Γ}\left(l\right)\mathrm{\Γ}\left(m\right)}{\left(\frac{lm}{\mathrm{\μ}}\right)}^{\frac{l+m}{2}}\×x^{l+m-1}{K}_{m-l}(-\frac{{\mathrm{lx}}^2}{\mathrm{\μ}})---\left(1\right);$

(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I_ci的参数I_ci、m_ci和μ_ci：

(2d)计算训练样本I_ci的均值me_ci和方差st_ci：

其中k为窗口大小，

其中k为窗口大小，me_ci为(3)式所求均值；

(2e)计算训练样本I_ci的灰度共生矩阵G_ci：

$\begin{array}{c}G(i,j,d,\mathrm{\θ})=\#\{\left(\right(k,l\left)\right(m,n\left)\right)\∈(Lx*Ly)*(Lx*Ly)|k-m=0,\left|l-n\right|=d;\\ f(k,l)=i,f(m,n)=j\}\end{array}---\left(5\right)$

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G_ci的能量asm_ci、对比度con_ci和相关度idm_ci：

$asm=\underset{i=1}{\overset{k}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}{\left(G\right(i,j\left)\right)}^2---\left(6\right)$

$con=\underset{n=0}{\overset{k-1}{\Σ}}{n}^2\left\{\underset{\left|i-j\right|=n}{\Σ}G(i,j)\right\}---\left(7\right)$

$idm=\underset{i=1}{\overset{k}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}\frac{G(i,j)}{1+{(i-j)}^2}---\left(8\right);$

(2g)将(2c)、(2d)和(2f)得到的每个训练样本的参数组合，得到Θ_ci：

Θ_ci＝{l，m，μ，me，st，asm，con，idm}1≤i≤100 (9)；

(2h)将特征区域I_c中100个训练样本组合形成第c类的特征参数字典D_c：

D_c＝[Θ_c1，Θ_c2，...，Θ_c100]c∈C (10)；

步骤三、计算每类训练样本区域的特征参数字典D_c，c∈C，并将它们依次排列组成全局大字典Φ＝[D₁，D₂，...，D_c]。

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p_s，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p_s，t的特征系数y_s，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p_s，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p_s，t的特征系数y_s，t，即

y_s，t＝[l_s，t，m_s，t，μ_s，t，me_s，t，st_s，t，asm_s，t，con_s，t，idm_s，t]，1≤s≤M，1≤r≤N (11)。

步骤五、求解矩阵逆运算y_s，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，y_s，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y_s，t所属第c类对应位置具有较大值。

步骤六、令δ_c(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：

R_c(y)＝||y-φδ_c(α)||₂c＝1，...，C (12)。

步骤七、根据残差函数R_c(y)，对像素点p_s，t分类。

根据误差函数R_c(y)，由式(13)进行判别，得到的I_y即为y_s，t的类别标签：

$I_y=\arg \underset{c}{min}{R}_c\left(y\right)---\left(13\right).$

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，I_C}，C表示图像中地物类别数；

2)对所选某一类训练样本区域I_c进行特征提取，在训练样本特征区域I_c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Θ_i＝{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D_c，c∈C，并将它们依次排列组成全局大字典Φ＝[D₁，D₂，...，D_c]；

4)输入待分割SAR图像，选k*k大小的窗口，每个像素点p_s，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p_s，t的特征系数y_s，t；

5)求解矩阵逆运算y_s，t＝Φα，得到稀疏系数α，其中Φ＝[D₁，D₂，...，D_c]；

6)令δ_c(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R_c(y)，由式进行判别，对像素点p_s，t分类，最小的即为y_s，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I_c特征提取，按如下步骤进行：

2a)在训练样本区域I_c上截取100幅大小为k*k的图像作为训练样本I_ci1≤i≤100；

2b)采用K分布统计模型对训练样本I_ci建模，K分布模型的概率密度函数为：

$p\left(x\right)=\frac{4}{\mathrm{\Γ}\left(l\right)\mathrm{\Γ}\left(m\right)}{\left(\frac{lm}{\mathrm{\μ}}\right)}^{\frac{l+m}{2}}\×x^{l+m-1}{K}_{m-l}(-\frac{{\mathrm{lx}}^2}{\mathrm{\μ}})---\left(1\right);$

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I_ci的参数l_ci、m_ci和μ_ci：

$\left\{\begin{array}{c}2{\tilde{k}}_1=log\frac{\mathrm{\μ}}{lm}+{\mathrm{\Φ}}_0\left(l\right)+{\mathrm{\Φ}}_0\left(m\right)\\ 4{\tilde{k}}_2={\mathrm{\Φ}}_0(1,l)+{\mathrm{\Φ}}_0(1,m)\\ 8{\tilde{k}}_2={\mathrm{\Φ}}_0(2,l)+{\mathrm{\Φ}}_0(2,m)\end{array}\right.---\left(2\right);$

2d)计算训练样本I_ci的均值me_ci和方差st_ci：

${\mathrm{me}}_{ci}=\frac{1}{k*k}\underset{m=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{k}{\Σ}}{I}_{ci(m,n)}---\left(3\right)$

其中k为窗口大小，

${\mathrm{st}}_{ci}=\frac{1}{k*k}\underset{m=1}{\overset{k}{\Σ}}\underset{n=1}{\overset{k}{\Σ}}{(I_{ci(m,n)}-{\mathrm{me}}_{ci})}^2---\left(4\right)$

其中me_ci为(3)式所求均值；

2e)计算训练样本I_ci的灰度共生矩阵G_ci：

$\begin{array}{c}G(i,j,d,\mathrm{\θ})=\#\{\left(\right(k,l\left)\right(m,n\left)\right)\∈(Lx*Ly)*(Lx*Ly)|k-m=0,\left|l-n\right|=d;\\ f(k,l)=i,f(m,n)=j\}\end{array}---\left(5\right)$

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G_ci的能量asm_ci、对比度con_ci和相关度idm_ci：

$asm=\underset{i=1}{\overset{k}{\Σ}}\underset{j=i}{\overset{k}{\Σ}}{\left(G\right(i,j\left)\right)}^2---\left(6\right)$

$con=\underset{n=0}{\overset{k-1}{\Σ}}{n}^2\left\{\underset{\left|i-j\right|=n}{\Σ}G(i,j)\right\}---\left(7\right)$

$idm=\underset{i=1}{\overset{k}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}\frac{G(i,j)}{1+{(i-j)}^2}---\left(8\right);$

2g)将2c)、2d)和2f)所得参数组合得训练样本：

Θ_ci＝{l，m，μ，me，st，asm，con，idm}1≤i≤100 (9)；

2h)将特征区域I_c中100个训练样本组合形成第c类的字典；

D_c＝[Θ_c1，Θ_c2，K，Θ_c100]，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p_s，t的特征系数y_s，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p_s，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p_s，t的特征系数y_s，t：

y_s，t＝[l_s，t，m_s，t，μ_s，t，me_s，t，st_s，t，asm_s，t，con_s，t，idm_s，t]，1≤s≤M，1≤t≤N (11)。