CN103955914A - 基于随机投影和Signature/EMD框架的SAR图像分割方法 - Google Patents

Abstract

本发明公开了一种基于随机投影和Signature/EMD框架的SAR图像分割方法，可用于SAR图像分割。分割过程为：取训练图像块；利用随机投影这个简单有效的方法对训练集中的每一个图像块进行特征的提取；将提取的特征进行K-means聚类，在得到聚类中心的同时计算出每一个聚类中心对应的权重，并将聚类中心和其对应的权重拼接起来组成一个签名；对待分割的图像逐个像素点取块得到测试的图像块处理得到测试图像块的签名；计算每一个测试图像块的签名与每一个训练图像块的签名之间的EMD距离，选出EMD距离值最小的那个训练块的签名，它所属的图像类别，便是该测试块所属的图像类别。

Description

基于随机投影和Signature/EMD框架的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，具体地说是一种基于Signature/EMD的框架，利用Signature的局部特征表示方法，把聚类中心和其对应的权值信息放在一个签名中，再利用陆地移动距离（Earth Mover’s Distance,EMD）来度量像素间的相似性，来实现SAR地物图像的像素点分类。

背景技术

SAR图像具有全天时，全天候的高分辨成像能力及对植被，土壤等具有一定的穿透力，在国民经济和国防建设中有重要的作用。同时，SAR图像的分割工作很复杂，常常用来区别山脉、农田、机场和港口等不同的地物目标。在本质上，SAR图像反映的是目标的电磁散射特性和结构特性，其成像效果在很大程度上依赖于雷达的参数和地域电磁的参数。SAR成像的这种特殊性使得针对该类图像的分割方法不同于普通的光学图像：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分类方法对此类图像收效甚微；SAR图像含有大量相干斑噪声，而常规分类方法通常对噪声具有很高的敏感度，不宜用于此类图像。

SAR图像分割的方法大致可分为三类：1，基于区域的方法，如阈值法，聚类算法；第二，基于边缘的方法，例如边缘检测法；第三，其他算法。

阈值法是一种传统的图像分割方法，由于该方法计算量较小，实验方法简单，性能也较为稳定，使其广泛的应用于图像分割领域。该方法通过确定分割阈值，然后利用阈值与图像各个像素比较大小，根据灰度值与阈值的关系来进行对像素的分类。该方法对图像中背景与目标不属于同等灰度级时有较好的实用性，但是当目标与背景像素灰度值相似时，便得不到好的分割结果。

聚类算法是基于数据挖掘的技术。它利用“物以类聚”概念先将像素的特征按特定的规则划分成若干个区域特征空间，再根据像素的性质来判定该像素属于哪个区域空间，并对此进行标记，从而实现分割。常用的有K-means聚类，模糊聚类等。传统的K-means聚类算法在图像分割方面有较好的效果，其缺点是收敛时容易陷入局部极值，且对初值的选择比较敏感。

边缘检测法是通过检测出图像特征发生变化的位置来实现图像分割的。图像边缘是一个局部概念，目标与背景之间存在灰度、纹理等特征的差异。边缘检测就是利用这种差异性来实现的。

Li Liu,Paul Fieghth等的框架是基于“词袋”分类方法。设定聚类参数K，利用K-means聚类将特征空间中的局部特征聚成K类：定义每个类的类中心特征向量为一个纹元，并用这K个纹元组成字典，每一个纹元可以理解成是这一系列图像中的某一个小的组成单元的特征描述，字典可以认为是所有这些小的组成单元的集合。在获得了字典后，计算图像中每个局部特征到字典中K个纹元的最小距离，并将该局部特征用距离它最近的纹元进行替换。这样每幅图像就可以利用字典中的纹元进行描述。为每幅图像建立K维统计直方图，对应每一维输入为相应的纹元在该图像中出现的次数。将此方法应用在SAR图像的分割上也能获得好的分割效果。后面将本发明方法与其进行对比。

发明内容

本发明的目的在于针对上述已有技术的问题，提出一种基于随机投影的Signature/EMD框架的SAR图像分割方法。利用随机投影理论，省去复杂了的特征提取过程，同时利用EMD距离对图像的相似性进行计算，最终得到较好的分割结果。

实现本发明目的的技术方案是：使用高效新颖的特征提取工具——随机观测（RP），提取图像中的有效信息，降低数据维数，计算训练图像与待分割图像的签名之前的距离，从而进行类别的判定。其具体实现过程如下

为实现上述目的，本发明包括如下步骤：

步骤1、对待分割图像Im中的每一类地物取矩形小块作为训练块，然后得到训练块集合Patch；

步骤2、对训练块集合Patch中的每一个训练块再进行分块处理，生成训练集合的签名（Signature）；

步骤3、生成待分割图像测试块的签名（Signature）;

步骤4、将每一个测试块的签名同所有训练块的签名进行EMD（Earth Move陆地移动距离）距离计算，选出EMD距离值最小的那个训练块的签名，它所属的图像类别，便是该测试块所属的图像类别。

其中，对待分割图像Im中的每一类手动取矩形小块作为训练块，得到训练块集合Patch。

其中，对Patch集合中的每一个训练块再进行分块处理。以训练块的每一个像素点为中心取大小为spatch*spatch的块，得到集合Patches，将Patches向一个大小为m行spatch*spatch列的随机高斯观测矩阵Phi上投影，得到训练块的观测向量集合projMat，并将观测向量集合projMat进行K-means聚类，类别数为图像Im的类别数K。记下聚类中心p_i，及属于该聚类中心的块图像百分比p_i和相应组合而成训练图像块Patches的签名。

其中，对待分割图像Im进行镜像扩展后以每一个像素点为中心取大小为patchSize*patchSize块，得到测试块集合imgPatches。对测试块集合imgPatches进行2)的步骤得到聚类中心q_j，以及属于该聚类中心的块图像百分比q_j和相应的组合而成测试块集合imgPatches的签名。

其中，此时，将每一个测试块的签名同所有训练块的签名进行EMD距离计算，选出EMD距离值最小的那个训练块的签名，它所属的图像类别，便是该测试块所属的图像类别。假设两幅图像的签名为： 两幅图像签名间的EMD距离定义为：

$d_{\mathrm{EMD}}(P,Q)=\frac{\underset{f_{\mathrm{ij}}}{\min }\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}{f}_{\mathrm{ij}}\right)}{\min (\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{p_i},\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{q_j})}$

d_ij为欧氏距离，问题的求解即确定一种“供应”关系F＝{f_ij}使分子最小，即签名集合间转换所需的代价最小。其中，必须满足的约束条件为：

1)f_ij≥0,1≤i≤m,1≤j≤n

2) $\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}\≤w_{p_i},1\≤i\≤m$

3) $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}\≤w_{q_j},1\≤j\≤n$

本发明与现有的技术相比具有以下优点：

1，本发明采用简单的特征提取方法——随机观测投影（RP），能够对SAR图像进行特征提取，减少冗余，降低数据维数；

2，从整个分割流程来讲，本章算法较为简单。没有复杂的字典生成这一中间形式，直接针对每一个图像块生成签名集合，减少了计算量。

3.本发明计算了图像小块的Signature，代替了原始图像的像素灰度信息，更有利于保持图像的结构信息，用Signature局部特征分布表示方式比“词袋”模型保持了原始图像更多的判定信息，能够更好的捕捉图像的视觉相似性。

4.EMD距离的引用，一是方便计算Signature间的距离计算，二是比欧氏距离等更利于捕捉图像视觉感知上的相似性。有利于提高分类率。

附图说明

图1是本发明的流程图；

图2是本发明仿真试验中使用的(a)、(b)、(c)、(d)四幅原始测试图像；

图3是现有方法和本发明在第一幅测试图像图2(a)上的分割视觉效果；

图4是现有方法和本发明在第二幅测试图像图2(b)上的分割视觉效果；

图5是现有方法和本发明在第三幅测试图像图2(c)上的分割视觉效果；

图6是现有方法和本发明在第四幅测试图像图2(d)上的分割视觉效果。

具体实施方式

参照附图1，本发明是基于随机观测和Signature/EMD框架的图像分割方法，

包括如下步骤：

步骤1、取训练图像块。

对待分割图像Im(图2中四幅待处理的SAR图像的大小均为256×256)中的每一类地物使用手动取矩形小块作为训练块，例如在图2中的(a)和(b)中分别用白色框框出的三个矩形块，由于图2中(c)和(d)两图较为简单，每幅图中只有两类不同的地物，故在(c)和(d)中分别用白色矩形框框出两个矩形块作为训练块。然后得到训练块集合Patch。例如，图2(a)和(b)的训练块集合Patch中有三个训练块，图2(c)和(d)的训练块集合Patch有两个训练块。

步骤2、生成训练集合的Signature。

对训练块集合Patch中的每一个训练块再进行分块处理。以训练块的每一个像素点为中心(不包含边缘)重合的取大小为spatch*spatch的块，得到集合Patches，例如图2中(a)spatch为5，(b)，(c)和(d)的spatch大小为7，Patches为一个矩阵，其中每一列为取得到每个大小为spatch*spatch块的相邻的列向量进行依次首尾相接得到的一个一维向量。然后将Patches向一个大小为m行spatch*spatch列的随机高斯观测矩阵Phi上投影，其中m为降到的维数，根据经验值，当m为块大小(即spatch*spatch)的三分之一时效果最好，即在降维的同时又能保留原始信息，本专利中取m值为spatch*spatch的三分之一取上限。得到训练块的观测向量集合projMat，并将观测向量集合projMat进行K-means聚类，得到K个聚类中心，图2中的四幅SAR图像中，固定每一幅图像中的每一类地物的聚类中心个数K为10，即本专利采用固定长度的Signature，即10。记下聚类中心p_i(i为从1到K)，及属于该聚类中心的图像块的百分比将p_i和相应组合而成训练图像块Patches的签名，将每一类地物的训练块都按照步骤2训练得到每一类地物的签名。

步骤3、生成待分割图像（测试图像）的Signature。

对待分割图像Im进行边界镜像扩展后以每一个像素点为中心取大小为patchSize*patchSize块，其中patchSize*patchSize为大尺度的块，例如在图2中，四幅图均取大小为13×13，得到测试块集合imgPatches。对测试块集合imgPatches进行2)的步骤得到聚类中心q_j(其中，j为从1到K)，以及属于该聚类中心的块图像百分比q_j和相应的组合而成测试块集合imgPatches的签名。

步骤4、计算EMD（Earth Move陆地移动距离）距离。

此时，将每一个测试块的签名同所有训练块的签名进行EMD距离计算，选出EMD距离值最小的那个训练块的签名，它所属的图像类别，便是该测试块所属的图像类别。

本发明的效果可以通过以下实验进一步说明：

一.实验条件和内容

1，实验条件：

在CPU为Pentium(R)4处理器：主频2.33GHZ，内存2G，操作系统：WINDOWS XP SP3，仿真平台：Matlab2007b平台上进行。

实验图像选择图2所示的四幅原始图像，其中，图2(a)是一个1米分辨率TerraSAR-X的子图，为斯瓦比亚的侏罗山脉，图2(b)则是一个3米分辨率的Ku-band的UAVSAR子图像，是加利福尼亚州的中国湖机场，图2(c)是5米分辨率的一个机载x波段SAR图像，图中为中国西安附近，图2(d)是分辨率为1米的Ku-band SAR图像的一部分，区域为里奥格兰德河附近的阿尔伯克基。

2，实验内容：

在仿真实验中，利用本发明方法与现有的Li Liu,Paul Fieghth的基于“词袋”

模型框架和SVM在测试图像上进行图像分割的仿真。

Li Liu,Paul Fieghth参见文献：Liu.L,P.Fieguth,Texture classification fromrandom features.IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(3):574-586.

SVM参见文献：C.-C.Chang and C.-J.Lin.LIBSVM:a library for supportvector machines.ACM Transactions on Intelligent Systems and Technology,2:27:1--27:27,2011.

具体实验内容如下：

利用本发明方法与现有的Li Liu,Paul Fieghth和SVM分别对图2(a)所示的图像进行分割，结果如图3，其中图3(a)是利用SVM框架分割的结果，图3(b)是利用Li Liu,Paul Fieghth分割的结果，图3(c)是利用本发明超分辨的结果。其中，图2所示的四幅SAR图像的大小均为256×256，大尺度的图像块的大小patchSize均为13×13，图2中原始图像(a)的小尺度的图像块(即，将大尺度的图像块再进行同样的分块处理)的大小为5×5，其它三幅SAR图像的小尺度图像块的大小均为7×7。将聚类中心的个数K固定为10，即每一类地物的签名长度都相同，为10。

二，实验结果对比与分析

从图3整体上来看，本发明的方法的效果较前面两种方法都要好。从图2(a)来看，图3(a)是将随机观测得到的观测向量直接作为SVM分类器中的训练样本输入得到的分割结果，我们发现在这个方法将机场跑道较为清楚的分割出来，但是在两类地物目标交界的地方有很明显的边界效应。给机场跑道勾出了“白边”，这里的“白边”是被错误的分为机场控制塔的地方；

图3(b)相对于(a)有很大的改善，但是仔细观察，在机场跑道中间的农田区域中有一些杂点影响了分割的效果；图3(c)则是本发明的分割结果，显然要优秀于前面两个方法的结果。缺点是在机场控制塔的分割上，相对于原始图像上的区域有所缩小，分析可能原因是控制塔这部分地物特征较为复杂，需要对两种尺度的块大小做调整。第二组实验结果，图4(c)是本章算法的分割结果，不论是在边缘上还是整体效果上都要优于前面两种方法；第三组实验中，基于Li Liu框架的结果显示在水域这个类别中，有很多错分的杂点，而本发明方法的结果中，杂点大大的减少了，得到了更好的效果。在第四组实验中看出，图6(a)的结果明显是最差的，基于Li Liu框架的方法得到的结果(b)也是很好的，但在红色圆圈圈出来的部分看出，本章方法能分割的更加细致。

二.实验结果

见图3，图4，图5，图6。

Claims (6)

1.一种基于随机投影和Signature/EMD框架的SAR图像分割方法，其特征在于包括如下步骤：

步骤1、对待分割图像Im中的每一类地物取矩形小块作为训练块，然后得到训练块集合Patch；

步骤2、对训练块集合Patch中的每一个训练块再进行分块处理，生成训练集合的签名（Signature）；

步骤3、生成待分割图像测试块的签名（Signature）;

步骤4、将每一个测试块的签名同所有训练块的签名进行EMD（Earth Move陆地移动距离）距离计算，选出EMD距离值最小的那个训练块的签名，它所属的图像类别，便是该测试块所属的图像类别。

2.根据权利要求1所述的SAR图像分割方法，其中，对对训练块集合Patch中的每一个训练块再进行分块处理，生成训练集合的签名具体包括：

对于每一类地物的训练块，以训练块的每一个像素点为中心取大小为spatch*spatch的块，得到集合Patches，Patches为一个矩阵，Patches中每一列为取得到每个大小为spatch*spatch块的相邻的列向量进行依次首尾相接得到的一个一维向量；

然后将Patches向一个大小为m行spatch*spatch列的随机高斯观测矩阵Phi上投影，其中m为降到的维数，得到训练块的观测向量集合projMat；

将观测向量集合projMat进行K-means聚类，得到K个聚类中心，记下聚类中心p_i(i为从1到K)，及属于该聚类中心的图像块的百分比

将p_i和相应组合而成训练图像块Patches的签名；

每一类地物的训练块对应每一类地物的签名。

3.根据权利要求2所述的SAR图像分割方法，其中，m值为spatch*spatch的三分之一向上或向下取整。

4.根据权利要求2所述的SAR图像分割方法，其中，patchSize*patchSize为大尺度的块。

5.根据权利要求4所述的SAR图像分割方法，其中，所述大尺度的块为13×13的块。

6.根据权利要求1所述的SAR图像分割方法，其中，生成待分割图像测试块的签名具体包括：

对待分割图像Im进行边界镜像扩展后以每一个像素点为中心取大小为patchSize*patchSize块，得到测试块集合imgPatches；

对测试块集合imgPatches进行K-means聚类得到聚类中心q_j(其中，j为从1到K)，以及属于该聚类中心的块图像百分比

q_j和相应的组合而成测试块集合imgPatches的签名。