CN103606154B - 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 - Google Patents
基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 Download PDFInfo
- Publication number
- CN103606154B CN103606154B CN201310594132.7A CN201310594132A CN103606154B CN 103606154 B CN103606154 B CN 103606154B CN 201310594132 A CN201310594132 A CN 201310594132A CN 103606154 B CN103606154 B CN 103606154B
- Authority
- CN
- China
- Prior art keywords
- image
- spectral clustering
- pixel
- segmentation
- multiple dimensioned
- 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
针对传统基于灰度特征谱聚类算法抗噪性能较差，而基于灰度共生矩阵的多特征‑谱聚类分割方法又存在的尺度单一、对方向性敏感、最佳特征组合选择困难等局限性，提出了一种基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法。首先利用JSEG算法提出的J‑image多尺度影像序列提取原始影像的尺度、光谱与纹理特征，构建谱聚类特征矩阵，并依据规范切准则，用K均值聚类方法对拉布拉斯矩阵进行聚类，最后采用基于投票机制的融合策略对单一尺度下的分割结果进行决策级融合，从而实现SAR图像溢油的多尺度分割。与传统多特征‑谱聚类方法相比，多组实验结果证明了本发明具有更高的分割精度，具有较强的鲁棒性。
Description
技术领域
本发明涉及一种基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法，属于SAR图像分割技术领域。
背景技术
海洋溢油污染对海洋生态系统及沿海城市的环境与经济发展都带来了严重的危害，是主要的海洋污染之一。合成孔径雷达(SAR)具有全天时，全天候的监测能力，能够有效穿透云层，因此在海面溢油监测方面得到了广泛的应用。海面溢油具有地雷达后向散射的特性，能够造成Bragg波的衰减，从而降低海面粗糙程度，在SAR影像中显示为较暗的条带或者斑点。同时，其他一些因素如雨区、生物溢油、海洋自然表面膜、低风速区等等也具有类似的特性，为图像分割带来的很大的难度。另外，SAR图像由于其自身成像机理，图像中存在大量的相干斑噪声，也对后续的图像处理造成严重的干扰。因此，准确、高效的图像分割是SAR图像海面溢油检测的关键步骤之一。
基于谱聚类的分割算法是近几年图像分割领域的研究之一。它利用数据点间的相似性构造相似矩阵，进而对提取的特征向量进行聚类获得分割结果。例如文献(张君，薄华，王晓峰.基于改进谱聚类的合成孔径雷达溢油图像分割算法[J].上海海事大学学报，2011,32(3):68-73.)采用分块策略将高维图像分为多个子图，将每个子图采用基于灰度的谱聚类进行分类，有效降低了算法复杂度。但直接基于灰度的谱聚类更容易受到噪声影响，因而分割结果中溢油区域的连通性不佳，分割精度不高。因而在谱聚类之前，首先应对图像进行特征提取从而构建特征矩阵。
目前，对SAR图像溢油区域的纹理特征提取主要利用基于灰度共生矩阵的特征分析方法。灰度共生矩阵(gray-level co-occurrence matrix)最早由Haralick提出，能够有效描述图像中灰度的空间相关性。例如张伟伟，薄华，王晓峰的多特征-谱聚类的SAR图像溢油分割，利用灰度共生矩阵提取SAR影像的多个纹理特征构建相似性矩阵，在此基础上采用谱聚类方法有效提高了分割精度。但在利用灰度共生矩阵提取溢油图像的纹理信息之前，需要首先确定计算灰度共生矩阵的3个参数，包括：方向、步长以及纹理计算窗口的大小。不同的参数组合会对最终分割精度产生重要影响，而这些参数的确定往往只能根据溢油图像本身或经验取得，因而降低了算法的可靠性。采用某一种参数组合决定了灰度共生矩阵仅对特定尺度下的纹理特征敏感，从而忽略了图像中所包含的尺度信息。根据专家的知识，对SAR溢油图像进行多尺度特征提取，并对不同尺度下的分割结果进行融合，可以有效提高分割精度及可靠性。另一方面，在灰度共生矩阵中提取的多个纹理特征向量中，如何选择合适的纹理特征向量来构建特征矩阵，从而保证分割精度的同时有效控制计算复杂度，依然没有统一标准。Deng和Manjunath等人提出的JSEG算法是目前流行的彩色纹理分割算法之一。JSEG算法在图像分割中产生了J-image图像序列，该图像序列能够较好的整合影像的光谱特征和纹理特征，同时包含了尺度信息，用J-image描述对象能有效克服采用原始特征向量存在的局限性，同时对方向不敏感。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法。采用计算J-image影像序列提取SAR影像中的多尺度下的灰度与纹理特征，进而构造相似性矩阵，根据标准切准则(Shi J,Malik J.Normalized cuts and image segmentation[J])选择第2小特征值对应的特征向量并采用K-mean方法进行聚类，对单一尺度下的聚类结果不一致的像素采用基于投票机制的决策融合策略进行融合，获得最终的分割结果。
技术方案：一种基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法，主要包括三个步骤：色彩量化与特征提取；多尺度谱聚类分割；基于投票机制的决策融合。
色彩量化与特征提取
采用JSEG算法中的色彩量化方法对图像进行灰度级压缩。首先将图像的颜色空间转换为LUV颜色空间，利用对等组滤波对影像进行平滑去噪，最后采用K-means algorithm方法获得量化影像，即“类图”。进而，基于“类图”计算反应图像局域同质性特征J-image影像序列。其中J-value定义如下：
令量化影像中每一个像素的位置z(x,y)为像素z的像素值，z(x,y)∈Z。Z为以像素z为中心的特定尺寸窗口内所有像素组成的集合。利用不同尺寸的窗口可以获得不同尺度的J-image影像。
定义ST为Z中所有像素的总体方差，SW为属于同一类的所有像素方差的和，则J-value为：
J＝(ST-SW)/SW (1)
用同一窗口尺寸计算像素z对应的J-value并作为z的像素值，遍历量化影像，可获得单一尺度的J-image。进而通过改变窗口尺寸，可获得多尺度的J-image影像序列。
多尺度谱聚类分割
谱聚类算法首先利用数据点间的相似性构造相似矩阵，进而计算该矩阵的特征值与特征向量，最后对特征向量进行聚类实现图像的分割。计算相似性矩阵W的公式如下所示，其中，xi，xj为数据样本点，σ为核参数：
Wij＝exp(-||xi-xj||2/2σ2) (2)
采用最小切割准则构造拉布拉斯矩阵，并采用K-means方法聚类获得单一尺度的分割结果。
基于投票机制的决策融合
基于多尺度下的分割结果，定义基于投票机制的决策级融合策略：
1)将多个尺度的分割结果进行比较，将检测结果一致的像素归为一类，可以将原始影像中的所有像素分成三类：溢油区域和非溢油区域，剩余像素为疑似溢油区域，需要进一步进行判别。
2)对疑似溢油区域的所有像素，根据不同尺度的检测结果进行投票，得票数多的被认为是正确的分类结果。
3)由于最小尺度能够更加准确的反应图像的细节特征，当某一像素得票数相同时，采用最小尺度的分类结果。
有益效果：与传统基于灰度特征以及多个纹理特征的谱聚类方法相比，本发明综合利用了图像的灰度与纹理特征以及图像中包含的尺度信息。有效克服了传统基于灰度特征的谱聚类分割时抗噪性能较差的缺点。另一方便，与采用多个纹理特征谱聚类分割算法相比，本发明通过引入JSEG算法，利用J-image影像提取图像的局域同质性纹理特征及尺度信息，具有更高的分割精度。另一方面，本发明可有效避免采用灰度共生矩阵的谱聚类分割方法时，由于选择不同纹理特征的组合对分割结果造成的不确定性。
附图说明
图1为以z为中心，尺寸为9×9的窗口；
图2为以z为中心，尺寸为18×18的窗口；
图3为实验一的分割比较图，其中，(a)SAR溢油影像，(b)本发明分割结果，(c)多特征-谱聚类分割结果，(d)灰度-谱聚类分割结果；
图4为实验二的分割比较图，其中，(a)SAR溢油影像，(b)本发明分割结果，(c)多特征-谱聚类分割结果，(d)灰度-谱聚类分割结果。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法，主要包括三个步骤：色彩量化与特征提取；多尺度谱聚类分割；基于投票机制的决策融合。
色彩量化与特征提取
鉴于SAR影像中存在的大量相干斑噪声对分割结果的严重影响，在特征提取前首先应对图像进行去噪处理。同时，为进一步减少运算量并且尽量保持图像的纹理特征，采用JSEG算法中的色彩量化方法对图像进行灰度级压缩。首先将图像的颜色空间转换为LUV颜色空间，利用对等组滤波(peer group fltering，PGF)对影像进行平滑去噪，最后采用经典的K-means algorithm方法获得量化影像，即“类图”。进而，基于“类图”计算反应图像局域同质性特征J-image影像序列。其中J-value定义如下：
令量化影像中每一个像素的位置z(x,y)为像素z的像素值，z(x,y)∈Z。Z为以像素z为中心的特定尺寸窗口内所有像素组成的集合。利用不同尺寸的窗口可以获得不同尺度的J-image影像。图1、2分别为以z为中心，尺寸为9×9与18×18的窗口。为尽量保证各个方向的一致性，窗口中的角点被去除。
定义ST为Z中所有像素的总体方差，SW为属于同一类的所有像素方差的和，则J-value为：
J＝(ST-SW)/SW (1)
用同一窗口尺寸计算像素z对应的J-value并作为z的像素值，遍历量化影像，可获得单一尺度的J-image。进而通过改变窗口尺寸，可获得多尺度的J-image影像序列。J-image影像是一种梯度影像，由于J-value较好的整合了原始影像在不同尺度下的光谱特征与纹理特征，能够有效消除噪声的影响，因此用J-image影像代替原始影像进行谱聚类分割。
多尺度谱聚类分割
谱聚类具有在任意形状的样本空间进行聚类以及收敛于全局最优的优点。谱聚类算法首先利用数据点间的相似性构造相似矩阵，进而计算该矩阵的特征值与特征向量，最后对特征向量进行聚类实现图像的分割。计算相似性矩阵W的公式如下所示，其中，xi，xj为数据样本点，σ为核参数：
Wij＝exp(-||xi-xj||2/2σ2) (2)
目前用于二分类的常用划分准则包括率切准则、规范切准则和最小最大切准则。其中，最小切割准则能够在SAR图像的溢油检测中取得较好的分割效果。为方便比较实验结果，因此采用最小切割准则构造拉布拉斯矩阵，最后采用K-means方法聚类获得单一尺度的分割结果。
基于投票机制的决策融合
基于多尺度下的分割结果，定义一种简单的基于投票机制的决策级融合策略：
1)将多个尺度的分割结果进行比较，将检测结果一致的像素归为一类，可以将原始影像中的所有像素分成三类：溢油区域和非溢油区域，剩余像素为疑似溢油区域，需要进一步进行判别。
2)对疑似溢油区域的所有像素，根据不同尺度的检测结果进行投票，得票数多的被认为是正确的分类结果。
3)由于最小尺度能够更加准确的反应图像的细节特征，当某一像素得票数相同时，采用最小尺度的分类结果。
具体实现
基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法具实现流程如下：
1)首先对原始SAR溢油影像进行对等组滤波去噪与灰度级压缩，从而获得量化影像。根据原始影像确定计算区域同质性指标J-value窗口大小，并利用公式(1)计算多尺度J-image序列。较大的窗口尺寸适于提取纹理特征一致的大块溢油区域，并能够有效减少这些区域中噪声及其他孤立点造成的干扰。较小的窗口则适用于提取零星的浮油区域，另外能够准确的定位溢油区域的边界。不同尺度的J-image越多，J-image序列越能够更加真实的反映影像的纹理信息，但计算量也会指数级增长。因此，可根据实际图像的特点，合适选择窗口尺寸的大小。设定窗口尺寸为5×5像素、10×10像素、15×15像素以及20×20像素，计算4个尺度组成的J-image序列。
2)在单一尺度J-image中，利用公式(2)计算相似性矩阵W∈Rn×n，进而构造拉普拉斯矩阵L＝W。公式(2)中的核参数σ通常依据经验确定。计算L的l个特征值及对应的特征向量，取第二最小特征值所对应的特征向量ν，最后采用K-means方法聚类获得单一尺度的分割结果。
3)对单一尺度的检测结果采用定义的融合策略进行融合。为进一步消除图像中的孤立点，若分类结果中以某一像素为中心的相邻8个像素的分类结果都与中心像素不同，则更改中心像素的分类结果。遍历所有像素，获得最终的聚类结果。
实验结果分析
为了验证本文方法的可行性与有效性，实验结果将分别与采用基于灰度特征以及多特征的谱聚类算法分别进行比较。实验图像采用截取的两幅德国TerraSAR-X雷达卫星在2009年9月采集的澳大利亚东北部帝汶海中蒙塔拉采油平台的溢油图像，空间分辨率为18m，如图3、图4所示。溢油区域大概污染了2000平方公里的海面，在图像中表现为颜色较暗的区域，同时图像中存在大量的相干斑噪声，图像尺寸为512×512像素。核参数σ依据溢油区域的形状及面积大小，在两组实验中分别设定为σ＝0.08，σ＝0.13，实验结果如图3、图4所示。
通过目视分析可以看出：基于灰度特征和谱聚类的分割方法基本能够提取油膜所在的主要区域，但存在大量的由噪声导致的孤立点及细碎斑块，图像的细节损失严重。基于多特征及谱聚类的分割算法抗噪性能略好，但分割精度不高，尤其在一些油膜的纹理特征与海面相似的区域，存在严重的欠分割现象。本文提出的方法能够更加准确地提取图像中的溢油区域，在保证分割精度的同时有效消除相干噪声的影响。为一进步定量评价三种算法的分割精度。在两组实验中分别选择了一组5000个像素的样本集，将其视为真实数据对三种分割算法的精度进行评价，见表1。
表1算法精度评价
通过表1可以看出，三种算法分割精度的定量分析结论与目视比较结论一致，因此可以得出以下结论：本文提出的基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法，能够有效提取海面溢油区域，对斑点噪声具有良好的鲁棒性。
Claims (1)
1.一种基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法，其特征在于，主要包括三个步骤：色彩量化与特征提取；多尺度谱聚类分割；基于投票机制的决策融合；
色彩量化与特征提取
采用JSEG算法中的色彩量化方法对图像进行灰度级压缩；首先将图像的颜色空间转换为LUV颜色空间，利用对等组滤波对影像进行平滑去噪，最后采用K-means algorithm方法获得量化影像，即“类图”；进而，基于“类图”计算反应图像局域同质性特征J-image影像序列；
其中J-value定义如下：
令量化影像中每一个像素的位置z(x,y)为像素z的像素值，z(x,y)∈Z；Z为以像素z为中心的特定尺寸窗口内所有像素组成的集合；利用不同尺寸的窗口可以获得不同尺度的J-image影像；
定义ST为Z中所有像素的总体方差，SW为属于同一类的所有像素方差的和，则J-value为：
J＝(ST-SW)/SW (1)
用同一窗口尺寸计算像素Z对应的J-value并作为Z的像素值，遍历量化影像，可获得单一尺度的J-image；进而通过改变窗口尺寸，可获得多尺度的J-image影像序列；
多尺度谱聚类分割
谱聚类算法首先利用数据点间的相似性构造相似矩阵，进而计算该矩阵的特征值与特征向量，最后对特征向量进行聚类实现图像的分割；
采用最小切割准则构造拉布拉斯矩阵，并采用K-means方法聚类获得单一尺度的分割结果；
计算相似性矩阵W的公式如下所示，其中，xi，xj为数据样本点，σ为核参数：
Wij＝exp(-||xi-xj||2/2σ2) (2)；
基于投票机制的决策融合
基于多尺度下的分割结果，定义基于投票机制的决策级融合策略：
1)将多个尺度的分割结果进行比较，将检测结果一致的像素归为一类，可以将原始影像中的所有像素分成三类：溢油区域和非溢油区域，剩余像素为疑似溢油区域，需要进一步进行判别；
2)对疑似溢油区域的所有像素，根据不同尺度的检测结果进行投票，得票数多的被认为是正确的分类结果；
3)当某一像素得票数相同时，采用最小尺度的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310594132.7A CN103606154B (zh) | 2013-11-22 | 2013-11-22 | 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310594132.7A CN103606154B (zh) | 2013-11-22 | 2013-11-22 | 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103606154A CN103606154A (zh) | 2014-02-26 |
| CN103606154B true CN103606154B (zh) | 2016-08-31 |
Family
ID=50124374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310594132.7A Active CN103606154B (zh) | 2013-11-22 | 2013-11-22 | 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103606154B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268836A (zh) * | 2014-09-24 | 2015-01-07 | 江西理工大学 | 一种基于局域均质指标的分水岭分割标记点提取方法 |
| CN104574427B (zh) * | 2015-02-04 | 2016-01-20 | 中国石油大学(华东) | 一种海面溢油图像分割方法 |
| CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及系统 |
| CN106971397B (zh) * | 2017-04-01 | 2018-05-15 | 郭建辉 | 基于改进jseg算法的城市高分辨率遥感影像分割方法 |
| CN109214428B (zh) * | 2018-08-13 | 2023-12-26 | 平安科技（深圳）有限公司 | 图像分割方法、装置、计算机设备及计算机存储介质 |
| CN109859219B (zh) * | 2019-02-26 | 2021-02-19 | 江西理工大学 | 结合相位与光谱的高分遥感影像分割方法 |
| CN113609887A (zh) * | 2021-04-26 | 2021-11-05 | 中国石油大学(华东) | 深度学习与浅层学习决策融合的海面溢油检测方法 |
| CN116012769A (zh) * | 2022-09-07 | 2023-04-25 | 广东海洋大学 | 一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609709B (zh) * | 2012-02-03 | 2014-04-16 | 清华大学 | 一种基于极化sar数据融合的海面溢油分割方法 |
| CN103236063B (zh) * | 2013-05-03 | 2016-01-06 | 河海大学 | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 |
-
2013
- 2013-11-22 CN CN201310594132.7A patent/CN103606154B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN103606154A (zh) | 2014-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103606154B (zh) | 基于jseg和谱聚类的多尺度海面溢油sar图像分割方法 | |
| CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
| CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
| Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN102054274B (zh) | 一种海岸带水体遥感信息全自动提取方法 | |
| CN103971364B (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
| CN106022288A (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
| CN108052940A (zh) | 基于深度学习的sar遥感图像水面目标检测方法 | |
| CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
| CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
| Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
| CN110443201B (zh) | 基于多源影像联合形状分析与多属性融合的目标识别方法 | |
| 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 | |
| CN108319693A (zh) | 一种基于立体遥感数据库的地貌特征聚类分析方法 | |
| CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
| CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
| Xiao et al. | Segmentation of multispectral high-resolution satellite imagery using log Gabor filters | |
| Demir et al. | Integrated shoreline extraction approach with use of Rasat MS and SENTINEL-1A SAR Images | |
| Bengoufa et al. | Rocky shoreline extraction using a deep learning model and object-based image analysis | |
| CN116012723A (zh) | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 | |
| Chen et al. | Shape similarity intersection-over-union loss hybrid model for detection of synthetic aperture radar small ship objects in complex scenes | |
| CN108694415B (zh) | 图像特征提取方法、装置及水源图像分类方法、装置 | |
| Myint et al. | An evaluation of four different wavelet decomposition procedures for spatial feature discrimination in urban areas | |
| Shao et al. | Combining spectral and texture features using random forest algorithm: Extracting impervious surface area in Wuhan |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |