CN103824300A - 基于空间相关特征超像素块的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于空间相关特征超像素块的SAR图像分割方法，其实现步骤是：（1）预处理待分割SAR图像；（2）计算超像素块；（3）初始化修正隶属度矩阵；（4）计算修正隶属度；（5）计算位置信息隶属度和纹理信息隶属度；（6）计算隶属度相关量；（7）优化加权因子；（8）判断是否满足循环终止条件；如果是，则表示满足循环终止条件，执行步骤(9)；否则，执行步骤(4)；（9）获得分割结果。本发明采用超像素分割和约束空间位置信息的方法，使分割区域不仅边缘信息保留完整，而且具有良好的区域一致性和鲁棒性。

Description

基于空间相关特征超像素块的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分割技术领域中的一种基于空间相关特征超像素的图像分割方法。本发明采用基于超像素与优化策略的图像分割方法，可用于对合成孔径雷达（Synthetic Aperture Rader,SAR）图像进行处理与分析。 

技术背景

图像分割是把图像分割成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。它是图像分析、模式识别和计算机视觉等高级图像操作的关键步骤。近年来，随着统计学理论、模糊集理论、机器学习理论在图像分割领域应用的不断深入，许多新的新的方法和思想被应用于图像分割。其中，比较有代表性的是基于模糊c-均值和超像素分割的方法，这样的方法能够缓解图像的分割区域一致性差和鲁棒性不够强的状况，但是对于环境复杂、噪声强、灰度极不均匀的待分割图像，想要得到较理想的分割效果，仍然有很多需要改进的地方。 

近年来，超像素块逐渐成为计算机视觉领域流行的图像处理方法。超像素块是一种不同于以往像素的概念，它是比像素略大的像素块，并且这些像素块的边界与图像中的纹理信息是一致的，可看作是一种对图像的过分割。这样的处理形式有利于提高图像处理的准确度，而且在时间复杂度方面超像素块比起单个像素有较大的提高。 

南京航天航空大学提出的专利申请“一种模糊聚类图像分割方法”（专利申请CN201310072342.X公开号CN103150731A）公开了一种模糊聚类图像分割的方法。该方法实现的具体步骤是：首先，输入待分割的图像；其次，利用K-means算法对待分割图像进行聚类获得K个聚类中心；然后，将获得的K个聚类中心作为模糊c-均值聚类算法的初试聚类中心，对图像进行聚类；最后，输出分割图像。该方法存在的不足是，缺少对待分割图像中像素点位置信息的约束，可能会破坏图像局部纹理信息的一致性，从而无法实现分割结果的鲁棒性。 

山东大学提出的专利申请“一种基于超像素模糊聚类的脑部MR图像分割方 法”（专利申请号201310209537.4公开号CN103353986A）公开了一种基于超像素模糊聚类的脑部MR图像分割方法。该方式实现的具体步骤是，首先，获取MR图像；其次，对MR图像进行超像素分割，得到若干原子区域，对灰度值方差较大的原子区域进行二次细化分割；然后，对原子区域进行模糊聚类，得到每个原子区域的类别隶属度，对隶属度不够明确的原子区域定义为模糊块，并用函数迭代方法实现模糊块的归属类判别；最后，对原子区域进行超像素合并操作，获得分割图像。该方法存在的不足是，通过对超像素的二次分割，改善了像素级别聚类时对噪声和偏场敏感的缺陷，但是当待分割图像环境复杂、纹理极不一致时，很容易丢失像素的空间位置信息，导致分割图像出现分割错乱的后果。 

发明内容

本发明针对现有技术的不足，提出了一种基于空间相关特征超像素块的SAR图像分割方法。本发明改善了分割效率，提高了分割区域的一致性、鲁棒性，降低了分割区域分割错乱的后果。 

为实现上述目的，本发明包括以下步骤： 

（1）预处理待分割SAR图像： 

(1a)输入一幅待分割SAR图像； 

(1b)提取当前待分割SAR图像中所有像素点的小波特征描述子； 

（2）计算超像素块： 

(2a)采用Turbopixels方法，将当前待分割SAR图像分割成超像素块； 

(2b)对当前待分割SAR图像的每个超像素块中所有像素点的小波特征描述子求平均值，将该平均值作为每个超像素块的小波特征描述子； 

（3）初试化加权隶属度矩阵； 

（4）计算修正隶属度； 

按照下式，得到关于待分割SAR图像的修正隶属度： 

$r_{\mathrm{ij}}=\frac{u_{\mathrm{ij}}{h}_{\mathrm{ij}}}{{\mathrm{\Σ}}_{c=1}^C{u}_{\mathrm{cj}}{h}_{\mathrm{cj}}}$

其中，r_ij表示第j块超像素属于第i类聚类中心v_i的修正隶属度，h_ij表示第j块超像素属于第i类聚类中心v_i的加权隶属度，u_ij表示第j块超像素属于第i类 聚类中心v_i的隶属度，∑表示求和操作； 

（5）计算位置信息隶属度和纹理信息隶属度； 

(5a)按照下式，计算位置信息隶属度： 

$e_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{r}_{\mathrm{ik}}{d}_{\mathrm{jk}}}{{\mathrm{\Σ}}_{k=1}^S{d}_{\mathrm{jk}}}$

其中，e_ij表示第j块超像素属于第i类聚类中心v_i的位置信息隶属度,S表示与第j块超像素相关联的超像素块的总数，S＝a+b，a表示与第j块超像素小波特征相似的超像素块的个数，b表示与第j块超像素位置相邻的超像素块的个数，∑表示求和操作，r_ik表示第k块超像素属于第i类聚类中心v_i的修正隶属度，d_jk表示第j块超像素中心位置与第k块超像素中心位置之间的高斯距离； 

(5b)按照下式，计算纹理信息隶属度： 

$f_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{r}_{\mathrm{ik}}{X}_{\mathrm{jk}}}{{\mathrm{\Σ}}_{k=1}^S{X}_{\mathrm{jk}}}$

其中，f_ij表示第j块超像素属于第i类聚类中心v_i的纹理信息隶属度,S表示与第j块超像素相关联的超像素块的总数，S＝a+b，a表示与第j块超像素小波特征相似的超像素块的个数，b表示与第j块超像素位置相邻的超像素块的个数，∑表示求和操作，r_ik表示第k块超像素属于第i类聚类中心v_i的修正隶属度，X_jk表示第j块超像素的小波特征与第k块超像素的小波特征之间的高斯距离； 

（6）计算隶属度相关量； 

（7）优化加权因子： 

采用粒子群优化方法，对加权隶属度中的加权因子α₁和α₂进行优化； 

（8）判断是否满足循环终止条件: 

判断相邻两次隶属度相关量之间的差值是否大于0.01，如果是，则表示满足循环终止条件，执行步骤(9)；否则，执行步骤(4)； 

（9）获得分割图像： 

(9a)将修正隶属度矩阵中，每列最大隶属度值对应的隶属度矩阵的行数作为超像素块的类别标签； 

(9b)依次遍历所有的超像素块，得到所有超像素块的类别标签； 

(9c)选取所有超像素块中类别标签相同的超像素块，对其着相同的颜色，完成SAR图像分割。 

本发明与现有技术相比，具有以下优点： 

第一，由于本发明采用将待分割SAR图像预处理成超像素块的方法，克服了现有技术中可能会破坏图像局部完整性和纹理信息的一致性而分割错乱的缺点，使得本发明降低了图像后续处理的复杂度，提高了分割效率。 

第二，由于本发明采用约束超像素块位置信息的方法，有效地克服了现有技术中可能会丢掉超像素块位置信息，导致图像分割区域不稳定的缺点，使得本发明提高了分割区域的鲁棒性。 

第三，由于本发明采用了不断更新位置信息隶属度和纹理信息隶属度方法，有效地克服了现有技术中构造隶属度信息不够精准的缺点，使得本发明提高了对超像素块的分类能力，能够更加有效的改善分割效果。 

附图说明

图1是本发明流程图； 

图2是本发明与现有技术SAR1图像分割的仿真图； 

图3是本发明与现有技术SAR2图像分割的仿真图。 

具体实施方式

下面结合附图对本发明做进一步的描述。 

结合附图1，实现本发明的具体步骤如下： 

步骤1，预处理待分割SAR图像。 

输入一张待分割的SAR图像，如图2(a)所示，提取当前待分割图像中所有像素点的小波特征描述子。 

步骤2，计算超像素块。 

采用Turbopixels方法，将当前待分割图像分割成为超像素块，如图2(b)所示。Turbopixels方法的具体步骤如下： 

第一步：按照下式，计算待分割SAR图像梯度值： 

G(i,j)＝M+V 

其中，G(i,j)表示待分割SAR图像中像素位于(i,j)位置的像素梯度值，M表示待分割SAR图像相邻像素水平方向像素值的差，V表示待分割SAR图像相邻像素垂直方向像素值的差； 

第二步：在待分割SAR图像上等间距选出像素点，将被选出的像素点作为初始种子点，扰动初试种子点的位置，使初试种子点偏离梯度值较大的区域，其中，间距值为待分割SAR图像的总面积与待分割SAR图像中超像素块总数的比值； 

第三步：膨胀初始种子点，进行边界增长； 

第四步：当相邻种子点的边界增长发生碰撞时，停止边界增长，停止边界增长后，生成边界，同时生成超像素块。 

对当前图像的每个超像素块中所有像素点的小波特征描述子求平均值，将该平均值作为每个超像素块的小波特征描述子。 

步骤3，初始化加权隶属度矩阵H。 

设定待分割SAR图像的分割类别数C，待分割SAR图像中超像素块的总数N，随机产生大小为C×N的加权隶属度矩阵H＝[h_ij]，h_ij表示加权隶属度矩阵H中超像素块j属于第i类聚类中心v_i的加权隶属度。 

步骤4，计算修正隶属度。 

由得到待分割SAR图像的超像素块的加权隶属度，计算待分割SAR图像的修正隶属度。 

按照下式，得到关于待分割SAR图像的修正隶属度： 

$r_{\mathrm{ij}}=\frac{u_{\mathrm{ij}}{h}_{\mathrm{ij}}}{{\mathrm{\Σ}}_{c=1}^C{u}_{\mathrm{cj}}{h}_{\mathrm{cj}}}$

其中，r_ij表示第j块超像素属于第i类聚类中心v_i的修正隶属度，h_ij表示第j块超像素属于第i类聚类中心v_i的加权隶属度，u_ij表示第j块超像素属于第i类聚类中心v_i的隶属度，∑表示求和操作； 

步骤5，计算位置信息隶属度和纹理信息隶属度。 

第一步，按照下式，计算位置信息隶属度： 

$e_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{r}_{\mathrm{ik}}{d}_{\mathrm{jk}}}{{\mathrm{\Σ}}_{k=1}^S{d}_{\mathrm{jk}}}$

其中，e_ij表示第j块超像素属于第i类聚类中心v_i的位置信息隶属度,S表示与第j块超像素相关联的超像素块的总数，S＝a+b，a表示与第j块超像素小波特征相似的超像素块的个数，b表示与第j块超像素位置相邻的超像素块的个数，∑表示求和操作，r_ik表示第k块超像素属于第i类聚类中心v_i的修正隶属度，d_jk表示第j块超像素中心位置与第k块超像素中心位置之间的高斯距离； 

第二步，按照下式，计算纹理信息隶属度： 

$f_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{r}_{\mathrm{ik}}{X}_{\mathrm{jk}}}{{\mathrm{\Σ}}_{k=1}^S{X}_{\mathrm{jk}}}$

其中，f_ij表示第j块超像素属于第i类聚类中心v_i的纹理信息隶属度,S表示与第j块超像素相关联的超像素块的总数，S＝a+b，a表示与第j块超像素小波特征相似的超像素块的个数，b表示与第j块超像素位置相邻的超像素块的个数，∑表示求和操作，r_ik表示第k块超像素属于第i类聚类中心v_i的修正隶属度，X_jk表示第j块超像素的小波特征与第k块超像素的小波特征之间的高斯距离。 

步骤6，计算隶属度相关量。 

第一步：按照下式，计算加权隶属度： 

h_ij＝α₁e_ij+α₂f_ij

其中，h_ij表示第j块超像素属于第i类聚类中心v_i的加权隶属度，e_ij表示第j块超像素属于第i类聚类中心v_i的位置信息隶属度，f_ij表示第j块超像素属于第i类聚类中心v_i的纹理信息隶属度，α₁和α₂分别表示对第j块超像素属于第i类聚 类中心v_i的位置信息隶属度e_ij和纹理信息隶属度f_ij的加权因子； 

第二步：按照下式，计算隶属度相关量： 

$J^{\left(t\right)}={\mathrm{\Σ}}_{j=1}^N{\mathrm{\Σ}}_{i=1}^C{d}^2(x_j,v_i){\left(u_{\mathrm{ij}}{h}_{\mathrm{ij}}\right)}^m/{\left({\mathrm{\Σ}}_{i=1}^C{u}_{\mathrm{ij}}{h}_{\mathrm{ij}}\right)}^m$

其中，J^(t)表示待分割SAR图像的隶属度相关量，t表示对加权因子α₁和α₂进行优化的次数，∑表示求和操作，N表示待分割SAR图像中超像素块的总数，C表示对待分割SAR图像设定的分割类别数，u_ij表示第j块超像素属于第i类聚类中心v_i的隶属度,d²(x_j,v_i)表示超像素块x_j到第i类聚类中心v_i之间的高斯距离，h_ij表示第j块超像素属于第i类聚类中心v_i的加权隶属度，m表示模糊隶属度。 

步骤7，优化加权因子。 

采用粒子群优化方法，对加权隶属度中的加权因子α₁和α₂进行优化的具体步骤如下： 

第一步：初始化种群规模为30，最大种群进化代数为30，设第i个粒子表示为Y_i＝(y_i1,y_i2)，y_i1表示α₁在第i个粒子中的数值，y_i2表示α₂在第i个粒子中的数值，粒子的速度用V_i＝(v_i1,v_i2)表示。粒子群优化方法的组合模型为： 

$\left\{\begin{array}{c}{v}_{\mathrm{id}}={\mathrm{wv}}_{\mathrm{id}}+c_1{r}_1(p_{\mathrm{id}}-y_{\mathrm{id}})+c_2{r}_2(p_{\mathrm{gd}}-y_{\mathrm{id}})\\ y_{\mathrm{id}}=y_{\mathrm{id}}+v_{\mathrm{id}}\end{array}\right.$

其中，v_id表示第i个粒子的d维速度，p_id代表第i个粒子的d维的最好位置，p_gd表示所有粒子的d维的最好位置，w表示对v_id的惯性权重，r₁和r₂是产生[0,1]的随机数； 

第二步：按照隶属度相关量公式计算每个个体的隶属度相关量； 

第三步：将每个个体求得的隶属度相关量与其经验中记录的个体最优隶属度相关量进行比较，若目前的隶属度相关量较之前最优结果更佳，则以之取代个体最优隶属度相关量，若目前求得的最优隶属度相关量优于群体最优隶属度相关量，则将群体最优隶属度相关量重设为目前的隶属度相关量； 

第四步：按照粒子群优化方法的组合模型修改群体中各个个体的位置，得到更新的位置和更新的速度。 

步骤8，判断是否满足循环终止条件。 

判断相邻两次隶属度相关量之间的差值是否大于0.01，如果是，则表示满足循环终止条件，执行步骤(9)；否则，执行步骤(4)。 

步骤9，获得分割图像。 

首先，将修正隶属度矩阵中，每列最大隶属度值对应的隶属度矩阵的行数作为超像素块的类别标签； 

其次，依次遍历所有的超像素块，得到所有超像素块的类别标签； 

然后，选取所有超像素块中类别标签相同的超像素块，对其着相同的颜色，完成SAR图像分割。 

下面结合仿真图对本发明的效果作进一步的描述。 

1、仿真条件： 

仿真实验环境为：MATLAB R2012a，CPU intel Pentium Dual-Core E53002.60GHz,内存2G,Windows7旗舰版。 

2、仿真内容： 

本发明的仿真实验1的结果如图2所示。图2用本发明的方法与现有技术的基于FCM聚类的分割方法、基于

聚类的分割方法，分别对一幅大小为472×446的SAR1图像进行分割，分割类别数为3。图2(a)为Ku波段分辨率为1米西奥多·罗斯福纪念大桥图像SAR1，图像SAR1来源于SAR图像库。图2(b)为SAR1图像的超像素图像，图2(c)为基于FCM聚类的分割结果，图2(d)为基于

聚类的分割结果，图2(e)为由本发明的方法得到的分割结果。 

本发明的仿真实验2的结果如图3所示，图3用本发明的方法与现有技术的基于FCM聚类的分割方法、基于

聚类的分割方法，分别对一幅大小为472×446的SAR1图像进行分割，分割类别数为3。图3(a)为Ku波段分辨率为3米的机场图像SAR2，图像SAR2来源于SAR图像库。图3(b)为SAR2图像的超像素图像，图3(c)为基于FCM聚类的分割结果，图3(d)为基于

聚类的分割结果，图3(e)为由本发明的方法得到的分割结果。 

3、实验结果与分析： 

从图2(b)、图2(c)、图3(b)、图3(c)可以看出现有技术的SAR图像分割方法分割出来的图像出现了区域错分、噪声干扰较强、区域一致性差的状况。从图 2(e)、图3(e)可以看出，本发明中提出的图像分割方法，能够最大限度的减小噪声对图像分割结果的干扰，分割区域稳定，边缘信息保留完整，并且很好地保持了分割区域一致性。 

综上所述，本发明提出的分割方法，使分割区域不仅边缘信息保留完整，而且具有良好的区域一致性。本发明的方法优于现有的图像分割技术。 

Claims (3)

1.一种基于空间相关特征超像素块的SAR图像分割方法，包含以下步骤：

（1）预处理待分割SAR图像：

(1a)输入一幅待分割SAR图像；

(1b)提取当前待分割SAR图像中所有像素点的小波特征描述子；

（2）计算超像素块：

(2a)采用Turbopixels方法，将当前待分割SAR图像分割成超像素块；

(2b)对当前待分割SAR图像的每个超像素块中所有像素点的小波特征描述子求平均值，将该平均值作为每个超像素块的小波特征描述子；

（3）初试化加权隶属度矩阵；

（4）计算修正隶属度；

按照下式，得到关于待分割SAR图像的修正隶属度：

$r_{\mathrm{ij}}=\frac{u_{\mathrm{ij}}{h}_{\mathrm{ij}}}{{\mathrm{\Σ}}_{c=1}^C{u}_{\mathrm{cj}}{h}_{\mathrm{cj}}}$

其中，r_ij表示第j块超像素属于第i类聚类中心v_i的修正隶属度，h_ij表示第j块超像素属于第i类聚类中心v_i的加权隶属度，u_ij表示第j块超像素属于第i类聚类中心v_i的隶属度，∑表示求和操作；

（5）计算位置信息隶属度和纹理信息隶属度；

(5a)按照下式，计算位置信息隶属度：

$e_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{r}_{\mathrm{ik}}{d}_{\mathrm{jk}}}{{\mathrm{\Σ}}_{k=1}^S{d}_{\mathrm{jk}}}$

其中，e_ij表示第j块超像素属于第i类聚类中心v_i的位置信息隶属度,S表示与第j块超像素相关联的超像素块的总数，S＝a+b，a表示与第j块超像素小波特征相似的超像素块的个数，b表示与第j块超像素位置相邻的超像素块的个数，∑表示求和操作，r_ik表示第k块超像素属于第i类聚类中心v_i的修正隶属度，d_jk表示第j块超像素中心位置与第k块超像素中心位置之间的高斯距离；

(5b)按照下式，计算纹理信息隶属度：

$f_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{r}_{\mathrm{ik}}{X}_{\mathrm{jk}}}{{\mathrm{\Σ}}_{k=1}^S{X}_{\mathrm{jk}}}$

其中，f_ij表示第j块超像素属于第i类聚类中心v_i的纹理信息隶属度,S表示与第j块超像素相关联的超像素块的总数，S＝a+b，a表示与第j块超像素小波特征相似的超像素块的个数，b表示与第j块超像素位置相邻的超像素块的个数，∑表示求和操作，r_ik表示第k块超像素属于第i类聚类中心v_i的修正隶属度，X_jk表示第j块超像素的小波特征与第k块超像素的小波特征之间的高斯距离；

（6）计算隶属度相关量；

（7）优化加权因子：

采用粒子群优化方法，对加权隶属度中的加权因子α₁和α₂进行优化；

（8）判断是否满足循环终止条件:

判断相邻两次隶属度相关量之间的差值是否大于0.01，如果是，则表示满足循环终止条件，执行步骤（9）；否则，执行步骤（4）；

（9）获得分割图像：

(9a)将修正隶属度矩阵中，每列最大隶属度值对应的隶属度矩阵的行数作为超像素块的类别标签；

(9b)依次遍历所有的超像素块，得到所有超像素块的类别标签；

(9c)选取所有超像素块中类别标签相同的超像素块，对其着相同的颜色，完成SAR图像分割。

2.根据权利要求1所述的基于空间相关特征超像素块的SAR图像分割方法，其特征在于，步骤(2a)所述Turbopixels方法的具体步骤如下：

第一步：按照下式，计算待分割SAR图像梯度值：

G(i,j)＝M+V

其中，G(i,j)表示待分割SAR图像中像素位于(i,j)位置的像素梯度值，M表示待分割SAR图像相邻像素水平方向像素值的差，V表示待分割SAR图像相邻像素垂直方向像素值的差；

第二步：在待分割SAR图像上等间距选出像素点，将被选出的像素点作为初始种子点，扰动初试种子点的位置，使初试种子点偏离梯度值较大的区域，其中，间距值为待分割SAR图像的总面积与待分割SAR图像中超像素块总数的比值；

第三步：膨胀初始种子点，进行边界增长；

第四步：当相邻种子点的边界增长发生碰撞时，停止边界增长，停止边界增长后，生成边界，同时生成超像素块。

3.根据权利要求1所述的基于空间相关特征超像素块的SAR图像分割方法，其特征在于，步骤(6)所述计算隶属度相关量的具体步骤如下：

第一步：按照下式，计算加权隶属度：

h_ij＝α₁e_ij+α₂f_ij

其中，h_ij表示第j块超像素属于第i类聚类中心v_i的加权隶属度，e_ij表示第j块超像素属于第i类聚类中心v_i的位置信息隶属度，f_ij表示第j块超像素属于第i类聚类中心v_i的纹理信息隶属度，α₁和α₂分别表示对第j块超像素属于第i类聚类中心v_i的位置信息隶属度e_ij和纹理信息隶属度f_ij的加权因子；

第二步：按照下式，计算隶属度相关量：

$J^{\left(t\right)}={\mathrm{\Σ}}_{j=1}^N{\mathrm{\Σ}}_{i=1}^C{d}^2(x_j,v_i){\left(u_{\mathrm{ij}}{h}_{\mathrm{ij}}\right)}^m/{\left({\mathrm{\Σ}}_{i=1}^C{u}_{\mathrm{ij}}{h}_{\mathrm{ij}}\right)}^m$

其中，J^(t)表示待分割SAR图像的隶属度相关量，t表示对加权因子α₁和α₂进行优化的次数，∑表示求和操作，N表示待分割SAR图像中超像素块的总数，C表示对待分割SAR图像设定的分割类别数，u_ij表示第j块超像素属于第i类聚类中心v_i的隶属度,d²(x_j,v_i)表示超像素块x_j到第i类聚类中心v_i之间的高斯距离，h_ij表示第j块超像素属于第i类聚类中心v_i的加权隶属度，m表示模糊隶属度。

Images