CN104036491A - 基于区域划分和自适应多项式隐模型的sar图像分割方法 - Google Patents

Abstract

本发明属图像处理技术领域，提供了一种基于区域划分和自适应多项式隐模型的SAR图像分割方法。步骤为：1.利用基于SAR图像的含乘性相干斑噪声模型的初始素描图获取方法，提取SAR图像素描图；2.根据区域图，将SAR图像划分为像素空间的非结构区域和结构区域；3.根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域；4.对像素空间的非结构区域建立多层次多项式隐模型的图像分割方法；5.对像素空间的结构区域提出基于几何结构窗和基于方形窗的单层多项式隐模型的图像分割方法；6.合并不同区域分割结果，得到所需分割结果。本发明实现了高分辨SAR图像良好的分割效果，可用于高分辨SAR图像分割。

Description

基于区域划分和自适应多项式隐模型的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，涉及高分辨SAR图像分割方法，可用于高分辨SAR图像分割，具体为一种基于区域划分和自适应多项式隐模型的SAR图像分割方法。

背景技术

合成孔径雷达SAR技术近几年得到了飞速发展，海量的高分辨率的SAR图像的获取使SAR图像理解与解译遇到了挑战。SAR图像分割是SAR图像理解与解译中至关重要的一步，并为SAR图像的目标识别与跟踪奠定基础，具有重要的应用意义。由于SAR图像的成像特性，SAR图像分割主要有以下难点。首先是SAR图像具有的乘性噪声，这是SAR图像成像系统的固有特性；再次是SAR图像内容的复杂性，往往使用单一特征很难区分，这一特性在高分辨率图像中尤其明显；最后是较少的训练数据使很多现有分割算法的应用受到了限制。

现有的SAR图像分割方法主要有基于特征的方法、基于模型的方法、区域生长的方法。基于模型的方法是SAR图像分割中一类重要的方法，包括Markov随机场的方法、水平集的方法、神经网络的方法等。多项式隐模型是基于模型的方法中一种较新的方法，在模型中同时考虑SAR图像幅度特征和纹理特征，并用有限混合模型将两者巧妙结合，得到了较好的分割结果，但其空间关系模型是基于窗口的，当窗口过大时，分割结果的区域一致性较好，但会造成细节信息的丢失，特别是点目标、线目标的丢失；当窗口较小时，细节信息保持较好，但分割结果的区域一致性会下降。层次多项式隐模型考虑了图像多尺度的信息，层次间的传递能较好的抓获图像中较大尺度的内容，但会对图像边界定位不精确甚至造成点目标、线目标的丢失，不利于SAR图像的理解和解译。这些方法的缺陷是没有考虑图像的结构信息，将图像不同结构区域采用相同策略进行分割，很难在区域一致性和细节信息保持之间平衡。因此，结构信息对SAR图像分割是非常重要的。

发明内容

本发明的目的在于克服上述已有方法的不足，提出了一种基于区域划分和自适应多项式隐模型的SAR图像分割方法，以提升SAR图像分割的效果。

实现本发明的技术方案是：利用基于SAR图像的含乘性相干斑噪声模型的初始素描图获取方法，提取SAR图像素描图；根据区域图，将SAR图像划分为像素空间的非结构区域和像素空间的结构区域；根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域；对像素空间的非结构区域建立多层次多项式隐模型对图像进行分割；对边界区域建立基于几何结构窗的单层多项式隐模型对图像进行分割，对非边界区域建立基于方形窗的单层多项式隐模型对图像进行分割；将不同区域的分割结果合并，实现了高分辨SAR图像的分割。本发明提供的这种基于区域划分和自适应多项式隐模型的高分辨SAR图像分割方法，具体步骤如下：

(1)利用基于SAR图像的含乘性相干斑噪声模型的初始素描图获取方法，提取SAR图像素描图；

(2)根据区域图，将SAR图像划分为像素空间的非结构区域和像素空间的结构区域；

(3)根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域；

(4)对像素空间的非结构区域建立多层次多项式隐模型对图像进行分割；

(5)对边界区域建立基于几何结构窗的单层多项式隐模型对图像进行分割，对非边界区域建立基于方形窗的单层多项式隐模型对图像进行分割；

(6)将像素空间的非结构区域和像素空间的结构区域的分割结果合并，得到高分辨SAR图像分割结果。

上述步骤(3)所涉及根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域，按如下步骤进行：

(3.1)根据SAR图像素描图，在每条素描线段的每个素描点上设计与其所在素描线段同方向的几何结构窗，几何结构窗口的一边平行于素描线段，另一边垂直于素描线段，几何结构窗口的大小为(2μ+1)*(2μ+1)。将几何结构窗映射到原图像空间，得到像素空间对应的几何结构窗。在像素空间的几何结构窗内沿着平行素描线段方向计算相邻像素的差值得到G_x，沿着垂直素描线段方向计算相邻像素的差值得到G_y，梯度计算公式为：

$\left|G_n\right|=\sqrt{G_x^2+G_y^2}$

其中，n为像素的标号。

(3.2)根据OTSU(最大类间方差)算法选取阈值T。设s_n为图像像素。

IfG_n≥T，thens_n为边界点；

IfG_n＜T，thens_n为非边界点。

(3.3)由边界点组成的区域为边界区域，由非边界点组成的区域为非边界区域。

上述步骤(4)所涉及对像素空间的非结构区域建立多层次多项式隐模型对图像进行分割，按如下步骤进行：

(4.1)根据像素空间下采样建立像素空间的非结构区域多分辨率金字塔，建立基于四叉树的层次结构；

(4.2)对各个尺度建立多项式逻辑回归先验模型。似然模型由幅度模型和纹理模型两部分组成，幅度模型由Nakagami(纳卡伽米)分布来描述，纹理模型用自回归模型来描述，并假设回归误差是服从t分布的，用有限混合模型将幅度模型和纹理模型巧妙结合，得到最终似然模型。先验模型和似然模型共同组成了多项式隐模型；

(4.3)将多项式隐模型嵌入基于四叉树的层次框架中，建立多层次多项式隐模型，用两阶段的MPM(最大后验边缘概率)算法对模型求解，得到像素空间的非结构区域的分割结果。

上述步骤(5)所涉及对边界区域建立基于几何结构窗的单层多项式隐模型对图像进行分割，对非边界区域建立基于方形窗的单层多项式隐模型对图像进行分割，按如下步骤进行：

(5.1)边界区域的先验概率公式如下：

$p\left(x_n\right)=\frac{\exp \left(\mathrm{\η}(1+\underset{m\∈W_o\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,k})\right)}{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(\mathrm{\η}(1+\underset{m\∈W_o\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,j})\right)}$

其中，x是表示类标的随机变量，η是模型参数，K是图像类别总数，W_o(s_n)表示s_n为中心的几何结构窗；

(5.2)非边界区域的先验概率公式如下：

$p\left(x_n\right)=\frac{\exp \left(\mathrm{\η}(1+\underset{m\∈W_{\underset{o}{~}}\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,k})\right)}{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(\mathrm{\η}(1+\underset{m\∈W_{\underset{o}{~}}\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,j})\right)}$

其中，x是表示类标的随机变量，η是模型参数，K是图像类别总数，表示s_n为中心的方形窗，方形窗的一边平行于x轴，另一边平行于y轴；

(5.3)似然模型由Nakagami(纳卡伽米)分布描述的幅度特征和自回归模型描述的纹理特征融合来表示，根据MAP(最大后验概率)准则，得到结构区域分割结果。

本发明与现有技术相比具有如下优点：

本发明由于利用基于SAR图像的含乘性相干斑噪声模型的初始素描图获取方法，得到SAR图像素描图，根据区域图，将SAR图像分为像素空间的非结构区域和像素空间的结构区域，并根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域；对像素空间的非结构区域建立多层次多项式隐模型，将多项式隐模型嵌入基于四叉树的层次框架中；对像素空间的结构区域分别提出基于几何结构窗和基于方形窗的单层多项式隐模型，最终实现高分辨SAR图像分割。首先，将SAR图像划分为不同特性的区域，充分考虑不同的区域特性，使各个区域都能用最合适的方法进行分割。对像素空间的非结构区域为了保证图像分割的区域一致性，建立多层次的多项式隐模型，获取图像中较大尺度的内容；分析像素空间的结构区域中的边界区域和非边界区域，并建立单层多项式隐模型对图像进行分割，提高SAR图像分割过程中边界定位的精确性和细节信息的保持。将区域划分和自适应多项式隐模型结合，实现了高分辨SAR图像分割中区域一致性和细节信息保持之间的平衡，提升了高分辨SAR图像分割的效果。

附图说明

图1是本发明对高分辨SAR图像分割方法的流程图；

图2是本发明对高分辨SAR图像区域划分流程图；

图3是本发明中边界区域和非边界区域示意图；

图4是本发明中边界区域和非边界区域示例图；

图5是本发明对高分辨SAR图像像素空间的非结构区域分割方法流程图；

图6是本发明对高分辨SAR图像像素空间的结构区域分割方法流程图；

图7是用本发明与现有方法对Ku波段分辨率为1米的Washington.D.C图像分割结果图；

图8是用本发明与现有方法对X波段分辨率为1米的Agriculture图像分割结果图。

具体实施方式

参照图1，本发明的实施步骤如下：

步骤1，利用基于SAR图像的含乘性相干斑噪声模型的初始素描图获取方法，提取SAR图像素描图。

(1.1)将输入SAR图像进行比值滤波，并计算输入图像的cross-correlation(互相关)响应，将这两个结果图融合，得到SAR图像的强度图，然后计算SAR图像的梯度值，将强度图和梯度值融合得到SAR图像最后的边线强度图，这样得到的滤波器模板是多尺度多方向的。强度图和梯度图融合公式如下：

$\mathrm{\σ}(a,b)=\frac{\mathrm{ab}}{1-a-b+2\mathrm{ab}}a,b\∈\left[\mathrm{0,1}\right]$

其中，a代表SAR图像强度，b代表梯度。

(1.2)计算每个像素的联合响应。用非极大值抑制方法得到初始素描图；

(1.3)用假设检验的方法提取SAR图像最终素描图。

H₀：提取的初始素描线不能作为最终素描线；

H₁：提取的初始素描线作为最终素描线；

素描线显著性计算公式如下：

$F=\underset{m}{\mathrm{\Σ}}(\ln p\left(B_m\right|H_1)-\ln p\left(B_m\right|H_0))$

其中，F代表素描线的显著性，B_m代表素描线的集合。

$\ln p\left(B_m\right|H_i)\∝(2-\frac{1}{L})\ln \left(A_k^2\right)-\frac{A_k^2}{{\hat{A}}_k^2}-\ln \left({\hat{A}}_k^2\right)$

然后建立素描线的显著性直方图，选择阈值确定最终的素描线。

步骤2，根据区域图，将SAR图像划分为像素空间的非结构区域和像素空间的结构区域。

根据SAR图像素描图，在每条素描线段的每个素描点上设计与其所在素描线段同方向的几何结构窗，几何结构窗口的一边平行于素描线段，另一边垂直于素描线段。将所有素描点的几何结构窗口叠加，得到结构区域，剩下的区域为非结构区域。非结构区域和结构区域组成区域图，将区域图映射到原SAR图像空间，得到像素空间的非结构区域和像素空间的结构区域，如图2所示。

步骤3，根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域。

(3.1)根据SAR图像素描图，在每条素描线段的每个素描点上设计与其所在素描线段同方向的几何结构窗，几何结构窗口的一边平行于素描线段，另一边垂直于素描线段，几何结构窗口的大小为(2μ+1)*(2μ+1)。将几何结构窗映射到原图像空间，得到像素空间对应的几何结构窗。在像素空间的几何结构窗内沿着平行素描线段方向计算相邻像素的差值得到G_x，沿着垂直素描线段方向计算相邻像素的差值得到G_y，梯度计算公式为：

$\left|G_n\right|=\sqrt{G_x^2+G_y^2}$

其中，n为像素的标号。

(3.2)根据OTSU(最大类间方差)算法选取阈值T；设s_n为图像像素；

IfG_n≥T，thens_n为边界点；

IfG_n＜T，thens_n为非边界点。

(3.3)由边界点组成的区域为边界区域，由非边界点组成的区域为非边界区域，如图3所示，深灰色的区域为边界区域，几何结构窗内剩下的区域为非边界区域；图4给出了具体的示例，图4(a)为64*64的图像块，图4(b)为图4(a)的素描图，图4(c)为图4(a)中几何结构窗内像素的梯度值，该梯度值为原始梯度值量化到0-255范围后的数值，黑色的为大梯度，即边界区域，灰色的是小梯度，即非边界区域。

步骤4，对像素空间的非结构区域建立多层次多项式隐模型对图像进行分割。

(4.1)根据像素空间下采样建立像素空间的非结构区域多分辨率金字塔，建立基于四叉树的层次结构；

(4.2)对各个尺度建立多项式逻辑回归先验模型。似然模型由幅度模型和纹理模型两部分组成，幅度模型由Nakagami(纳卡伽米)分布来描述，纹理模型用自回归模型来描述，并假设回归误差是服从t分布的，用有限混合模型将幅度模型和纹理模型巧妙结合，得到最终似然模型。先验模型和似然模型共同组成了多项式隐模型；

(4.3)将多项式隐模型嵌入基于四叉树的层次框架中，建立多层次多项式隐模型，用两阶段的MPM(最大后验边缘概率)算法对模型求解，得到像素空间的非结构区域的分割结果，如图5所示。

步骤5，对边界区域建立基于几何结构窗的单层多项式隐模型对图像进行分割，对非边界区域建立基于方形窗的单层多项式隐模型对图像进行分割。

(5.1)边界区域的先验概率公式如下：

$p\left(x_n\right)=\frac{\exp \left(\mathrm{\η}(1+\underset{m\∈W_o\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,k})\right)}{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(\mathrm{\η}(1+\underset{m\∈W_o\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,j})\right)}$

其中，x是表示类标的随机变量，η是模型参数，K是图像类别总数，W_o(s_n)表示s_n为中心的几何结构窗；

(5.2)非边界区域的先验概率公式如下：

$p\left(x_n\right)=\frac{\exp \left(\mathrm{\η}(1+\underset{m\∈W_{\underset{o}{~}}\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,k})\right)}{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(\mathrm{\η}(1+\underset{m\∈W_{\underset{o}{~}}\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,j})\right)}$

其中，x是表示类标的随机变量，η是模型参数，K是图像类别总数，表示s_n为中心的方形窗，方形窗的一边平行于x轴，另一边平行于y轴；

(5.3)似然模型由Nakagami(纳卡伽米)分布描述的幅度特征和自回归模型描述的纹理特征融合来表示，根据MAP(最大后验概率)准则，得到像素空间的结构区域分割结果，如图6所示。

步骤6，将像素空间的非结构区域和像素空间的结构区域的分割结果合并，得到高分辨SAR图像分割结果。

本发明与现有技术相比具有如下优点：

本发明由于利用基于SAR图像的含乘性相干斑噪声模型的初始素描图获取方法，得到SAR图像素描图，根据区域图，将SAR图像分为像素空间的非结构区域和像素空间的结构区域，并根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域；对像素空间的非结构区域建立多层次多项式隐模型，将多项式隐模型嵌入基于四叉树的层次框架中；对像素空间的结构区域分别提出基于几何结构窗和基于方形窗的单层多项式隐模型，最终实现高分辨SAR图像分割。首先，将SAR图像划分为不同特性的区域，充分考虑不同的区域特性，使各个区域都能用最合适的方法进行分割。对像素空间的非结构区域为了保证图像分割的区域一致性，建立多层次的多项式隐模型，获取图像中较大尺度的内容；分析像素空间的结构区域中的边界区域和非边界区域，并建立单层多项式隐模型对图像进行分割，提高SAR图像分割过程中边界定位的精确性和细节信息的保持。将区域划分和自适应多项式隐模型结合，实现了高分辨SAR图像分割中区域一致性和细节信息保持之间的平衡，提升了高分辨SAR图像分割的效果。

本发明的优点由以下仿真的数据和图像进一步说明。

1.仿真条件

(1)仿真条件

1)选取Ku波段分辨率为1米的Washington.D.C图像；

2)仿真实验中，PrimalSketch稀疏表示模型中的参数L取值为4，非极大值抑制的高阈值和低阈值分别是1.6和0.6；

3)仿真实验中，μ＝3；

4)仿真实验中，像素空间的非结构区域多项式逻辑回归模型窗口为3*3；

5)仿真实验中，边界区域的几何结构窗为3*3，非边界区域的方形窗为3*3。

(2)仿真条件

1)选取X波段分辨率为1米的Agriculgure图像；

2)仿真实验中，PrimalSketch稀疏表示模型中的参数L取值为2，非极大值抑制的高阈值和低阈值分别是1.3和0.6；

3)仿真实验中，μ＝3；

4)仿真实验中，像素空间的非结构区域多项式逻辑回归模型窗口为3*3；

5)仿真实验中，边界区域的几何结构窗为3*3，非边界区域的方形窗为3*3。

2.仿真内容与结果

仿真内容：利用Ku波段分辨率为1米的Washington.D.C图像和X波段分辨率为1米的Agriculture图像，用本发明与现有的多项式隐模型和层次多项式隐模型对SAR图像进行分割。

本实验的目的是对比本发明与现有多项式隐模型、层次多项式隐模型的SAR图像分割效果进行对比。实验结果如图7和图8所示，其中图7(a)和图8(a)是为原图，图7(b)和图8(b)为多项式隐模型分割结果，图7(c)和图8(c)为层次多项式隐模型分割结果，图7(d)和图8(d)为本发明的结果。

仿真结果：从图7和图8可以看出，多项式隐模型对图像分割的一致性较好，但也导致了边界的泛化和细节信息的丢失，这是由于空间关系模型中采用了较大的窗口所造成的；基于层次多项式隐模型的分类结果具有多尺度方法的优点，抓获了图像中尺度较大的内容，区域一致性得到了较好的保持，但是会出现图像细节信息定位不精确甚至造成图像细节信息丢失的情况；由于加入了图像的结构信息和方向信息，本发明的结果不仅具有较好的区域一致性而且保留了图像细节信息。

综上所述，本发明实现了高分辨SAR图像分割中区域一致性和细节信息保持之间的平衡，获得了高分辨SAR图像良好的分割效果。

本实施例没有具体描述的部分都属于本技术领域的公知常识和公知技术，如有需要我们可提供参考资料！以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (4)

1.基于区域划分和自适应多项式隐模型的SAR图像分割方法，其特征在于：包括如下步骤：

(1)利用基于SAR图像的含乘性相干斑噪声模型的初始素描图获取方法，提取SAR图像素描图；

(2)根据区域图，将SAR图像划分为像素空间的非结构区域和像素空间的结构区域；

(3)根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域；

(4)对像素空间的非结构区域建立多层次多项式隐模型对图像进行分割；

(5)对边界区域建立基于几何结构窗的单层多项式隐模型对图像进行分割，对非边界区域建立基于方形窗的单层多项式隐模型对图像进行分割；

(6)将像素空间的非结构区域和像素空间的结构区域的分割结果合并，得到高分辨SAR图像分割结果。

2.根据权利要求1所述的基于区域划分和自适应多项式隐模型的SAR图像分割方法，其特征在于：其中步骤(3)所涉及根据基于规则推理的语义信息，将像素空间的结构区域划分为边界区域和非边界区域，按如下步骤进行：

(3.1)根据SAR图像素描图，在每条素描线段的每个素描点上设计与其所在素描线段同方向的几何结构窗，几何结构窗口的一边平行于素描线段，另一边垂直于素描线段，几何结构窗口的大小为(2μ+1)*(2μ+1)，将几何结构窗映射到原图像空间，得到像素空间对应的几何结构窗，在像素空间的几何结构窗内沿着平行素描线段方向计算相邻像素的差值得到G_x，沿着垂直素描线段方向计算相邻像素的差值得到G_y，梯度计算公式为：

$\left|G_n\right|=\sqrt{G_x^2+G_y^2}$

其中，n为像素的标号；

(3.2)根据OTSU算法选取阈值T；设s_n为图像像素；

IfG_n≥T，thens_n为边界点；

IfG_n＜T，thens_n为非边界点；

(3.3)由边界点组成的区域为边界区域，由非边界点组成的区域为非边界区域。

3.根据权利要求1所述的基于区域划分和自适应多项式隐模型的SAR图像分割方法，其特征在于：其中步骤(4)所涉及对像素空间的非结构区域建立多层次多项式隐模型对图像进行分割，按如下步骤进行：

(4.1)根据像素空间下采样建立像素空间的非结构区域多分辨率金字塔，建立基于四叉树的层次结构；

(4.2)对各个尺度建立多项式逻辑回归先验模型，似然模型由幅度模型和纹理模型两部分组成，幅度模型由Nakagami分布来描述，纹理模型用自回归模型来描述，并假设回归误差是服从t分布的，用有限混合模型将幅度模型和纹理模型巧妙结合，得到最终似然模型，先验模型和似然模型共同组成了多项式隐模型；

(4.3)将多项式隐模型嵌入基于四叉树的层次框架中，建立多层次多项式隐模型，用两阶段的MPM算法对模型求解，得到像素空间的非结构区域的分割结果。

4.根据权利要求1所述的基于区域划分和自适应多项式隐模型的SAR图像分割方法，其特征在于：其中步骤(5)所涉及对边界区域建立基于几何结构窗的单层多项式隐模型对图像进行分割，对非边界区域建立基于方形窗的单层多项式隐模型对图像进行分割，按如下步骤进行：

(5.1)边界区域的先验概率公式如下：

$p\left(x_n\right)=\frac{\exp \left(\mathrm{\η}(1+\underset{m\∈W_o\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,k})\right)}{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(\mathrm{\η}(1+\underset{m\∈W_o\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,j})\right)}$

其中，x是表示类标的随机变量，η是模型参数，K是图像类别总数，W_o(s_n)表示s_n为中心的几何结构窗；

(5.2)非边界区域的先验概率公式如下：

$p\left(x_n\right)=\frac{\exp \left(\mathrm{\η}(1+\underset{m\∈W_{\underset{o}{~}}\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,k})\right)}{\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\exp \left(\mathrm{\η}(1+\underset{m\∈W_{\underset{o}{~}}\left(s_n\right)}{\mathrm{\Σ}}{x}_{m,j})\right)}$

其中，x是表示类标的随机变量，η是模型参数，K是图像类别总数，表示s_n为中心的方形窗，方形窗的一边平行于x轴，另一边平行于y轴；

(5.3)似然模型由Nakagami分布描述的幅度特征和自回归模型描述的纹理特征融合来表示，根据MAP准则，得到像素空间的结构区域分割结果。