CN103400368B - 基于图论和超像素的并行快速sar图像分割方法 - Google Patents

Abstract

本发明公开一种基于图论和超像素理论的并行快速的SAR图像分割方法，属于图像处理技术领域。其分割过程为：(1)对待分割的SAR图像进行归一化处理；(2)将初始化后的图像划分为等大小的4个区块；(3)对4个区块同时作如下并行处理：对每一个区块进行高斯滤波处理；然后进行超像素生成；以每个超像素作为无向图的节点向无向图的转换；对每个区块产生的无向图进行分割得到分割子图；利用各子图之间的关系将4个区块的分割子图合并成总无向图；将总无向图中联通的节点标记为同一类别并赋予相应像素点同样的颜色，便得到了最终的分割结果。本发明具有较低的空间复杂度与良好的时间性能，适合大规模SAR图像分割，易于工程化实现。

Description

基于图论和超像素的并行快速SAR图像分割方法

技术领域

本发明属于图像处理领域，特别是一种涉及SAR图像分割的方法，可应用于目标识别，地物分类等领域。

背景技术

地理图像分割是地理信息测绘更新、水利资源调查、农业生产监测、水上目标如桥梁、船舶等识别等工作必不可少的基础步骤。作为一种主动的微波遥感雷达，SAR所具有的全天时、全天候、穿透性强等优点，使得SAR图像成为地面目标监测的研究重点和热点。

本质上SAR图像反映的是目标的电磁散射特性和结构特性，其成像效果很大程度上依赖于雷达参数和地域电磁参数。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：非光学成像方式导致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图像含有大量相干斑噪声，常规分割方法通常不适用于SAR图像。

针对SAR图像的以上特点，经典分割方法有：

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。常用滤波方法有Lee方法、Sigma滤波、Kuan方法和Gamma-MAP方法。经过滤波抑斑后再分割与直接分割方法相比效果有所提升，而且通常分割效率较高；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，但是由于复杂度较高，分割效率较低，难以工程化。

在大量的试验中，我们发现一种基于图论的分割方法在处理SAR图像中展现出了良好的分割效果；并且相对于SAR概率分布模型的分割方法有较低的复杂度。比较易于工程化实现。

发明内容

本发明的目的在于降低上述方法的复杂度得到一种快速高效的SAR图像分割方法。为此，提出了一种基于图论和超像素理论的并行快速的SAR图像分割方法，提高分割的时间和空间性能。

为实现上述发明目的，本发明的技术方案包括如下步骤：

(1)对待分割的SAR图像进行归一化处理，将图像的灰度从实际灰度分布数规范化到0～255之间，使图像灰度值分布一致；

(2)对归一化后的图像进行分块处理；将其分成等大小的4块；并对每一块并行进行以下5个步骤的处理，便可得到4个完成分类的子图：

(2a)对归一化后的图像进行高斯滤波处理；

(2b)利用灰度和位置信息进行超像素的生成；具体操作如下：

对于每一个像素点利用其灰度信息与位置信息(x，y坐标)进行是否合并为一个超像素的判别。当前像素点只可以与固定区域内的像素点合并；而合并的另一个准则就是两个像素点像素值差的绝对值要小于经验阈值8；

(2c)将生成好的超像素结果向无向图转化，将所有超像素转化得到的无向图节点集合记作V，计算超像素内边缘的像素点与超像素外相邻的像素点的灰度差，并将灰度差信息与位置信息作为连接超像素的边，将这些边的集合记作E，利用节点集合V和边的集合E构成无向图G＝(V，E)；

(2d)利用传统的基于图论的分类方法将每个节点进行分类处理，对无向图中每一条边所连接的两个节点所属的不同的类别，进行类别合并而得到每个区块的分割子图；具体操作如下：

设这两个节点的不同类别分别为C₁，C₂，用Dif(C₁，C₂)表示连接两个不同的类别的C₁，C₂所处区域交界处节点的边中所包含的最小的灰度差；当Dif(C₁，C₂)＜min(Int(C₁)+T(C₁)，Int(C₂)+T(C₂))时，则将类别C₁，C₂合并起来，否则不予合并；式中Int(C)表示类别C所处区域内连接所有节点的边中所包含的最大的灰度差；T(C)表示与类别C所处区域内所包含的节点数目负相关的控制变量；

(2e)将所含节点数小于一定经验值(与图像中目标所包含的像素点的个数相关，通常手动设定)的类别与相邻的类间差异最小的类别进行合并，避免过分割的发生。

(3)对步骤(2)产生的子图我们通过如下策略将他们合并起来，便得到了最终派分成功的总无向图。具体策略如下：

对于子图相邻区域的每一条边按起相连的类别的类间差异做升序排序；然后按升序顺序对每条边所相连的类别进行以下处理：当MinDif＜(Int+T)/2时，其中MinDif表示这条边所相连的两个节点所代表的像素点的像素值的差的绝对值，Int则表示这两个节点所属类别的类内差异的较小值，T表示与这两个节点所属类别所包含的节点数目相关的控制变量；则将相邻子图中这条边所相连的节点所属的类别合并为同一类别；否则将这两个类别不合并。

(4)将步骤(3)得到总无向图中划分好类别的节点分配以不同的颜色，这样就完成了图像的分割。

本发明与现有的技术相比具有以下优点：

1、本发明由于采用简单快速的超像素策略，将SAR分割问题的规模减小2.5倍；不仅使得算法更为快速，而且在一定程解决了大规模问题内存耗尽的问题；

2、本发明利用了OPENMP的并行方式，缩短了4倍左右的程序的运行时间；

3、利用高斯滤波器与超像素策略的结合在一定程度上抑制了SAR图像乘性噪声对分割过程的影响；

4、仿真试验证明，本发明对SAR图像有较好的效果，与原始基于图论的方法相比时间空间性能都有较大提升(见表1)

附图说明

图1是本发明的流程示意图；

图2为本发明产生超像素的示例图；

图3为本发明和原始基于图论方法对阎良机场局部一SAR图像分割实验结果的对比图；其中图3(a)为阎良机场局部1的原始图像，对应表1中编号为A的图像，图3(b)为原始方法的图像分割结果，图3(c)本方法图像分割结果；

图4为本发明和原始基于图论方法对阎良机场局部2的SAR图像分割实验结果的对比图；其中图4(a)为阎良机场局部2的原始图像，对应表1中编号为B的图像，图4(b)原始方法图像分割结果，图4(c)本方法图像分割结果；

图5为本发明和原始基于图论方法对黄河入海口SAR图像分割实验结果的对比图；其中图5(a)黄河入海口的原始图像，对应表1中编号为O的图像，图5(b)原始方法图像分割结果，图5(c)本方法图像分割结果。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，对输入图像进行归一化处理

对输入图像进行灰度归一化，将图像的灰度从实际灰度分布数规范化到0～255之间，使图像灰度值分布一致。

步骤2，对归一化的图像进行分块处理；将其分成等大小的4块；并对每一块并行进行如下5个步骤的处理，便可得到4个完成分类的子图；

(1)对归一化后的图像进行高斯滤波处理。

由于可能产生的过分割情况和SAR图像中乘性噪声的影响，我们使用高斯滤波器对图像进行滤波处理，既能在一定程度上抑制相邻像素之间的像素差别过大，又能减少下面超像素生成过程中的计算量。

其中高斯滤波的参数sigma为经验值，通常取0.3～1.0.

(2)利用灰度和位置信息进行超像素的生成。

对于每一个像素点利用其灰度信息与位置信息(x，y坐标)进行是否合并为一个超像素的判别。位置准则参考图2，当前像素点(“X”型记号)只可以与固定区域内的像素点(“/”型记号)合并；而合并的另一个准则就是两个像素点像素值差的平方要小于经验值8。

这样经过超像素的生成过后，既保持了原有图像的高频信息，同时简单快速的减小了问题的规模。

(3)将生成好的超像素结果向无向图转化。

首先，我们将每一个超像素当做无向图的一个节点，将所有超像素转化得到的无向图节点集合记作记作V；然后计算超像素内边缘的像素点与超像素外相邻的像素点的灰度差，并将灰度差信息与位置信息作为连接超像素的边，将这些边的集合记作E；采用这样节点之间多条边相连的方式是为了更好的保持图像的细节信息。这样利用节点V和边E，如图2所示，就构成一个无向图G＝(V，E)。

(4)利用边与控制变量的制定分割准则，即传统的基于图论的分割方法，对每一个节点进行类别划分。

在介绍判别准则前，我们首先确立以下几个概念：

1、类内差异：我们称类别的类内差异Int(C)为C的最小生成树(MST(C，V))中的最大权值，如下：

2、类间差异：设两个不同类别分别为C₁，C₂，定义C₁，C₂这两类的类间差异为Dif(C₁，C₂)，C₁，为这两部分相连的边上的最小权值。如下：

如果C₁，C₂之间没有相连的边，令Dif(C₁，C₂)＝∞。

3、最小类内差异：定义不同的类别C₁和C₂的最小类内差异为MInt(C₁，C₂)：

MInt(C₁，C₂)＝min(Int(C₁)+T(C₁)，Int(C₂)+T(C₂)) (3)

判别准则：基本准则是通过判断类间差异Dif(C₁，C₂)是否与其中至少一个类间差异Int(C₁)和Int(C₂)有很大的相关性来评价是否有依据证明一对部分C₁，C₂的的边界存在。基本准则如下：

当判断结果为true时，就将C₁，C₂分为不同的两个部分，结果为false时就将C₁，C₂合并起来。

这样就可以将每一个节点划分到不同的类别中去，达到了分割无向图的目的。

(5)将所含节点数小于一定经验值的类别与相邻的类间差异最小的类别进行合并，减少过分割发生的情况。

步骤3，对步骤2产生的子图通过如下策略将他们合并起来，便得到了最终派分成功的总无向图。

首先需要计算4个子图之间的差异关系，在这里仍然是计算在步骤2中划分等大小4块图像的边界计算边界两旁相邻的像素a，b其像素值差的绝对值，将这些绝对差的集合记作；

为保证合并结果的正确性，对W_ab中所有的绝对差进行升序排序；然后根据升序顺序进行如下策略对像素a，b所在的类别，设a属于类别C₁，b属于类别C₂，进行合并；

其中w_ab表示按照升序从W_ab这个集合中取出的绝对差的值；MInt(C₁，C₂)＝min(Int(C₁)+T(C₁)，Int(C₂)+T(C₂))，Int(C)表示类别C所处区域内连接所有节点的边中所包含的最大的灰度差；T(C)表示与类别C所处区域内所包含的节点数目负相关的控制变量；

当判断结果为true时我们就将C₁，C₂合并起来，结果为false时就将C₁，C₂分为不同的两个类别。

步骤4，将步骤3得到总图中划分好类别的节点分配以不同的颜色，这样就完成了图像的分割。

本发明的效果可通过以下实验进一步说明：

1实验内容：我们将原始基于图论的方法和本文提出的超像素并行方法的时间和空间复杂度的区别做了实验验证；分别记录了程序运行时间与关键步骤所需的结构体数组长度。意在保持原有的分割效果的前提下，验证本方法在时间和空间上的优势。

2实验环境

实验所用微机CPU为Intel Xeon E3-1230V23.3GHz，内存8GB，实验平台为Windows 7 64位，Visual Studio 2010 X64编译器。实验图像数据为各种分辨率的SAR图像。

3实验数据

实验数据为搜集的15幅包含水域的遥感图像，分别以A～O编号，如表1所示。其中编号A到编号C以及编号O的图像为机载合成孔径雷达拍摄的分辨率为1m的遥感图像；编号D、E、I、L的图像为RadarSat拍摄的分辨率为3m遥感图像；编号F、G、H、M、N的图像为TerraSAR拍摄的分辨率为3m的遥感图像；编号J、K的图像为TerraSAR拍摄的分辨率为1m的遥感图像。所用实验图像数据大小分布在1000×1000至6000×8700像素之间。

4实验结果

实验证明，本发明不仅可以较好的完成各种类型SAR图像的分割任务，而且可以极大的减少程序运行时间，并且在一定程度上减小了程序在运行中的内存使用量；使得更大规模的图像分割问题成为了可能。下面我们具体分析实验结果；首先来分析时间性能，在实验中使用了一颗4核心的CPU；而算法的并行极大的提升了本方法的时间性能，从实验结果上可以明确的看出时间性能平均提升了4.029倍。然后我们来分析空间性能，在解决空间问题的时候，我们采用了减小问题规模的超像素策略；不仅将空间性能提升了2.506倍，而且在一定程度上也对于时间性能有帮助；特别是编号G的测试图像；在减小问题规模后利用并行的策略，使得时间性能提升了5.435倍(见表1)。所以我们得出以下结论：本发明在时间和空间性能上相比于原方法有较大提高，而分割效果基本与原方法持平(见图3——图5)；是值得推广并工程化应用的。

表1实验数据结果比较

Claims (2)

1.一种基于图论和超像素的并行快速的SAR图像分割方法，包括如下步骤：

1)对待分割的SAR图像进行归一化处理；

2)将归一化处理后的图像划分为大小相等的4个区块，对每一区块图像利用并行策略同时进行如下处理，得到4个完成分类的子图：

(2a)对归一化后的图像进行高斯滤波处理；

(2b)利用灰度和位置信息进行超像素的生成，对于每一个像素点利用其灰度信息与位置信息进行是否合并为一个超像素的判别，当前像素点只可以与固定区域内的像素点合并；而合并的另一个准则就是两个像素点像素值差的平方要小于经验值8；

(2c)以每一个超像素作为无向图的节点向无向图转化，将所有超像素转化得到的无向图节点集合记作V，计算超像素内边缘的像素点与超像素外相邻的像素点的灰度差，并将灰度差信息与位置信息作为连接超像素的边，将这些边的集合记作E，利用节点集合V和边的集合E构成无向图G＝(V，E)；

(2d)利用基于图论的分类方法将每个节点进行分类处理，对无向图中每一条边所连接的两个节点所属的不同的类别，进行类别合并得到每个区块的分割子图；具体操作如下：

设这两个节点的不同类别分别为C₁，C₂，用Dif(C₁，C₂)表示连接两个不同的类别的C₁，C₂所处区域交界处节点的边中所包含的最小的灰度差；当Dif(C₁，C₂)＜min(Int(C₁)+T(C₁)，Int(C₂)+T(C₂))时，则将类别C₁，C₂合并起来，否则不予合并；式中Int(C)表示类别C所处区域内连接所有节点的边中所包含的最大的灰度差；T(C)表示与类别C所处区域内所包含的节点数目负相关的控制变量；

(2e)将所含节点数小于经验值的类别与相邻的类间差异最小的类别合并，以避免对过小区域处理发生过分割；

3)对步骤2)产生的子图应用子图合并方法合并成总无向图；

4)将步骤3)得到的总无向图中联通的节点标记为同一类别并赋予相应像素点同样的颜色，便得到了最终的图像分割结果。

2.根据权利要求1所述的基于图论和超像素的并行快速的SAR图像分割方法，其特征在于：所述步骤3)中将子图合并成总无向图的方法按如下步骤进行：

(3a)计算4个区块图像边界相邻边缘所有节点所代表的像素值的绝对差，并将计算出来的这些像素值的绝对差汇集成一个集合；计算式为：其中a和b分别代表不同图像块边界相邻的像素点，W_ab为绝对差w_ab集合；

(3b)对绝对差集合W_ab中的所有绝对差的值做升序排序；

(3c)按照升序顺序对W_ab中每个绝对差所对应的两个类别进行以下处理：设这两个不同的类别分别为C₁，C₂，当w_ab＜MInt(C₁，C₂)/2，a∈C₁，b∈C₂时，则将相邻子图中的边所连接的两节点所属的类别合并为同一类别；否则不予合并，这样最终完成子图的合并；

其中w_ab表示按照升序从W_ab这个集合中取出的绝对差的值；MInt(C₁，C₂)＝min(Int(C₁)+T(C₁)，Int(C₂)+T(C₂))。