CN104408458B - 基于射线补全区域图和特征学习的sar图像分割方法 - Google Patents
基于射线补全区域图和特征学习的sar图像分割方法 Download PDFInfo
- Publication number
- CN104408458B CN104408458B CN201410748174.6A CN201410748174A CN104408458B CN 104408458 B CN104408458 B CN 104408458B CN 201410748174 A CN201410748174 A CN 201410748174A CN 104408458 B CN104408458 B CN 104408458B
- Authority
- CN
- China
- Prior art keywords
- ray
- sketch
- cluster
- length
- line
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于射线补全区域图和特征学习的SAR图像分割方法,主要解决现有分割方法无法对大片农田等匀质区域进行精确分割的问题。其实现过程为:1.对输入的SAR图像使用初始素描模型得到素描图;2.提出射线聚类方法对素描线进行补全并获取区域图;3.利用区域图将SAR图像划分为像素空间的聚集区域、匀质区域和结构区域;4.对聚集区域和匀质区域分别利用词袋模型进行特征学习和聚类,对结构区域进行分水岭分割和素描线指导的超像素合并,将合并后的超像素利用灰度特征合并到匀质区域,最终得到SAR图像分割结果;与现有技术比较,本发明的分割结果不仅具有良好的区域一致性,而且对边界和线目标有比较精确的定位。
Description
技术领域
本发明属于图像处理技术领域,涉及SAR图像的分割方法,可用于目标检测或识别。
背景技术
SAR图像分割是SAR图像处理与解译中基本而关键的技术之一,分割结果对图像后续处理有重要影响。由于SAR系统独特的成像原理,造成了SAR图像中包含大量的相干斑噪声、复杂繁多的目标和交杂的阴影,这些都增加了SAR图像分割的难度。同时由于SAR图像与光学图像存在本质上差别,许多成熟的光学图像的分割方法都无法应用到SAR图像分割中。目前SAR图像的分割方法可以大致划分为两类:基于灰度级的分割方法和基于纹理的分割方法。但是在实际的应用中,这两类方法都存在一些不足:
(1)基于灰度级的分割方法,大多以像素或超像素为处理单位,对SAR图像进行无监督的分割,但是此类方法对SAR图像中聚集的灰度成像明暗相间变化的区域存在过分割现象,无法获得一致较好的连通区域。
(2)基于纹理的分割方法,通过纹理分析方法提取SAR图像中的地物纹理特征,利用纹理特征进行分割。此类方法虽然能够对聚集的灰度成明暗相间变化的区域获得一致的连通分割,但是要求提供描述纹理的模型,并要求提供学习模型参数的样本数据,属于有监督的SAR图像分割,不能实现对SAR图像数据的自动处理,限制了该类方法的应用。
初始素描模型是图像的一种稀疏表示,它以素描线刻画图像灰度变化信息。西安电子科技大学的专利申请“一种基于线段共生矩阵特征和区域图的SAR图像分割方法”(公布号:CN103955913A,申请号:201410054795.4,申请日:2014.02.18)中公开了一种基于SAR图像初始素描模型的SAR图像分割方法。该方法根据初始素描模型提取SAR图像的素描图,依据线段灰度共生矩阵特征对素描线进行分类;根据线段分类结果和空间近邻的聚集性分析提取SAR图像的区域图;依据SAR图像的区域图,将原SAR图像映射为不同的区域;使用分水岭方法分别对聚集区域,非聚集区域和无线段区域采用分水岭进行边界定位,最终得到SAR图像分割结果,有效的分割出了一致连通性的具有明暗灰度变化的地物聚集区域。但是该方法存在两处不足:1、该方法使用的素描线存在断开的情况,形成的非聚集区域不够完整;2、对于无线段区域没有进行精确划分。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于射线补全区域图和特征学习的SAR图像分割方法,以实现对聚集的明暗相间区域进行连通分割,对SAR图像匀质区域进行更加精确的划分,改善分割效果。
本发明的技术方案是:利用射线法对缺失的素描线进行补全并生成SAR图像成区域图,结合词袋模型提取区域特征,对SAR图像进行分割,其具体步骤包括如下:
(1)根据SAR图像初始素描模型提取SAR图像素描图,该素描图由刻画SAR图像灰度变化信息的数根素描线构成,每一根素描线由若干个素描线段构成;
(2)提取SAR图像区域图:
(2.1)将数根素描线划分为两类:第一类为代表聚集地物的素描线,第二类为代表边界、线目标和孤立目标的素描线;
(2.2)利用聚集区域获取方法在素描图上得到覆盖聚集素描线的区域,并标记该区域中所有像素在素描图中的坐标;
(2.3)利用射线聚类对第二类素描线中短缺的素描线进行补全,得到封闭区域:
(2.3a)计算每一根素描线的长度,按照长度由长到短对这些素描线进行排序;
(2.3b)设置计数器α=1,设置阈值E=21,判断α是否小于E,如果是,则执行步骤(2.3c)~(2.3i);否则,得到对第二类素描线补全的结果,执行步骤(2.4);
(2.3c)在排序后的第α根素描线上选择3个种子点,用这3个种子点将其所在的素描线分为4等分线段,如果某个种子点恰好是某个素描线段的端点,则舍弃该种子点;
(2.3d)以每一个种子点为起点,在当前素描线两侧沿着与素描线之间的夹角为1~180度的180个方向向外延伸,如果延伸过程中遇到第二类素描线或者聚集区域A1的边界或者对其他素描线补全得到的封闭区域边界,则停止延伸,形成以种子点为起点的射线,每一个种子点在素描线两侧各产生180条射线,根据射线与素描线夹角的大小对这些射线排序;
(2.3e)计算所有射线的长度,用第一条射线生成第一个射线簇,对于剩余的179条射线,将其长度与其前一条射线的长度进行比较,如果这两个长度之中较大的与较小的之比小于1.25~1.5,则将该射线加入其前一条射线所在的射线簇,否则,用该射线生成一个新的射线簇;
(2.3f)设置阈值τ=5,对包含射线数目小于阈值τ的射线簇进行修正;
(2.3g)对长度突变的射线进行修正,再次对经长度突变修正后射线数目小于阈值τ的射线簇进行修正;
(2.3h)连接当前素描线的端点和与其在空间位置上最近邻的射线终点,并依次连接所有射线的终点,得到种子点的射线闭合圈;
(2.3i)分别在素描线两侧合并三个种子点的射线闭合圈,形成素描线的射线闭合圈,利用射线闭合圈生成补全的素描线,得到当前素描线的封闭区域,将计数器α的值增加1,执行(2.3b)。
(2.4)对第二类素描线以及补全的素描线,以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗获得结构区域,并标记该区域所有像素在素描图中的坐标;
(2.5)将素描图中除去聚集区域和结构区域以外的部分作为匀质区域,并标记该区域所有像素在素描图中的坐标;
(2.6)利用素描图中聚集区域、结构区域和匀质区域中像素的坐标,提取区域图,使得区域图和素描图中相同坐标处的像素属于同一种区域,并且将区域图中属于聚集区域的像素的灰度值设定为255、属于结构区域的像素的灰度值设定为125、属于匀质区域的像素的灰度值设定为0;
(3)根据区域图,将SAR图像划分为像素空间的聚集区域A1、像素空间的匀质区域A2以及像素空间的结构区域A3;
(4)对聚集区域A1和匀质区域A2分别利用词袋模型进行特征学习和聚类,对结构区域A3进行分水岭分割和素描图指导的超像素合并,将合并后的超像素利用灰度均值和方差组成的特征合并到匀质区域中,最终得到SAR图像分割结果;
本发明与现有技术相比具有以下优点:
1、能对短缺的素描线进行补全,进而能够更加准确的反映SAR图像的结构信息。
素描图是对SAR图像的一种稀疏表示,它能够反映SAR图像地物的边界和轮廓等结构信息。本发明首先根据素描线的聚集度分析将素描线划分成两类:第一类为代表聚集地物的素描线,第二类为代表边界、线目标和孤立目标的素描线,然后利用射线对第二类素描线进行补全,从而能更加准确的描述SAR图像的结构信息。
2、能对SAR图像中的农田等大片匀质地物进行更精确的分割。
SAR图像中常常包含大片农田等匀质地物,利用初始素描模型获得的素描线往往难以准确刻画这些匀质地物的边界,本发明对第二类素描线进行补全得到封闭区域,这些封闭区域将农田等大片匀质区域分成了更多的小区域,对这些小区域分别进行特征并聚类,从而实现了对其更精确的分割。
下面结合实施例和附图对本发明作进一步说明。
附图说明
图1是本发明的实现流程图;
图2是本发明中提取区域图的子流程图;
图3是本发明中使用射线聚类进行素描线补全获得封闭区域子流程图;
图4是本发明使用的原SAR图像;
图5是本发明中基于SAR图像初始素描模型提取的素描图;
图6是本发明中素描线分类结果图;
图7是本发明中对第二类素描线按照长度进行排序的结果图;
图8是本发明中素描线上选取的种子点示意图;
图9是本发明中利用种子点生成的射线示意图;
图10是本发明中对射线进行射线簇划分的结果图;
图11是本发明中对包含射线数目小于阈值τ的射线簇进行修正的结果图;
图12是本发明中对长度突变的射线簇进行修正的结果图;
图13是本发明中对经长度突变修正后的射线数目小于阈值τ的射线簇进行修正的结果图;
图14是本发明中利用射线生成的射线闭合圈示意图;
图15是本发明中利用射线对第二类素描线补全得到封闭区域结果图;
图16是本发明中基于射线补全获得的区域图;
图17是本发明中分别对聚集区域和匀质区域的分割结果图;
图18是本发明中对结构区域分割结果图;
图19是本发明中最终的SAR图像分割结果图。
具体实施方式
参照图1,本发明的实现步骤如下:
步骤1,获取SAR图像初始素描图。
输入如图4所示的一幅SAR图像,使用SAR图像初始素描模型提取SAR图像的初始素描图,结果如图5所示。
所述的SAR图像初始素描模型,参见Jie-Wu等人于2014年发表在IEEETransactions on Geoscience and Remote Sensing杂志上的文章《Local maximalhomogenous region search for SAR speckle reduction with sketch-basedgeometrical kernel function》。
步骤2,利用素描图提取SAR图像区域图。
参照图2,本步骤的具体实现如下:
第一步,根据素描线聚集度分析结果,将数根素描线划分为两类:第一类为代表聚集地物的素描线,第二类为代表边界、线目标和孤立目标的素描线,分类结果如图6所示,其中黑色素描线为第一类素描线,灰色素描线为第二类素描线,
所述素描线聚集度分析方法,参见西安电子科技大学袁嘉琳于2013年发表的硕士论文《基于Primal Sketch Map和语义信息分类的SAR图像分割》;
第二步,利用聚集区域获取方法在素描图上得到覆盖聚集素描线的区域,并标记该区域中所有像素在素描图中的坐标,
所述素描线聚集度分析方法,参见西安电子科技大学袁嘉琳2013年发表的硕士论文《基于Primal Sketch Map和语义信息分类的SAR图像分割》;
第三步,对第二类素描线利用射线对其短缺的素描线进行补全,得到封闭区域:
(3a)计算每一根素描线的长度,按照长度由长到短对这些素描线进行排序,结果如图7所示,图中素描线上的黑色数字为排序后前20根素描线的标号;
(3b)设置计数器α=1,设置阈值E=21,判断α是否小于E,如果是,则执行步骤(3c)~(3i);否则,得到对第二类素描线补全的结果,如图15所示,其中黑色部分为原本的素描线,灰色部分为补全素描线,执行第四步;
(3c)在排序后的第α根素描线上选择3个种子点,用这3个种子点将其所在的素描线分为4等分线段,如果某个种子点恰好是某个素描线段的端点,则将该种子点移动到所在素描线段的中点处,图8(a)和图8(b)分别展示了两个不同素描线上的种子点,图中浅灰色部分为素描线,黑色部分为种子点;
(3d)以每一个种子点为起点,在当前素描线两侧沿着与素描线之间的夹角为1~180度的180个方向向外延伸,如果延伸过程中遇到第二类素描线或者聚集区域A1的边界或者对其他素描线补全得到的封闭区域边界,则停止延伸,形成以种子点为起点的射线,每一个种子点在素描线两侧各产生180条射线,根据射线与素描线夹角的大小对这些射线排序,结果如图9所示,图中灰色部分为射线,黑色部分为第二类素描线;
(3e)计算所有射线的长度,用第一条射线生成第一个射线簇,对于剩余的179条射线,将其长度与其前一条射线的长度进行比较,如果这两个长度之中较大的与较小的之比小于1.25~1.5,则将该射线加入其前一条射线所在的射线簇,否则,用该射线生成一个新的射线簇,结果如图10所示,图中数字为射线簇的标号;
(3f)设置阈值τ=5,对包含射线数目小于阈值τ的射线簇进行修正:
3f1)计算每一个射线簇Ti包含的射线数目Ni,i=1,2,...,M,其中M为射线簇总数,并计算每一个射线簇Ti的长度均值Li:
其中,Rj表示第j个射线,Hj表示第j个射线的长度;
3f2)判断第一个和最后一个射线簇的射线数目,如果射线数目小于阈值τ,则获取与射线簇在空间位置上紧邻的射线的长度P,执行步骤(3f3);否则,执行步骤(3f4);
3f3)判断长度P是否小于第一个或最后一个射线簇的长度均值,如果是,则将第一个或最后一个射线簇的所有射线中距离射线起点超过P的部分从射线中减掉;否则,执行步骤(3f4);
3f4)判断除第一个和最后一个以外的射线簇的射线数目,如果这些射线数目小于阈值τ,则获取与射线簇在空间位置上紧邻的两条射线的长度U1和U2,执行步骤(3f5);否则,执行步骤(3g);
3f5)判断两条射线的长度U1和U2是否都小于射线簇的长度均值,如果是,则选择U1和U2中更小的一个作为该射线的待调整长度,将该射线簇的所有射线中距离射线起点超过待调整长度的部分从射线中减掉,执行步骤(3e),得到对包含射线数目小于阈值τ的射线簇进行修正的结果,如图11所示;
(3g)对长度突变的射线进行修正,再次对经长度突变修正后射线数目小于阈值τ的射线簇进行修正:
3g1)根据SAR图像初始素描模型提取不同参数值的另一幅素描图,使得该素描图中的素描线条数是原来素描图中的素描线条数的1.2~4倍,将不同参数的素描图称为辅助素描图;
3g2)对每一个射线簇设置一个状态,用来记录该射线簇是否被处理过,如果某一射线簇的状态为未处理,表示其没有被处理过;如果某一射线簇状态为已处理,表示其已经被处理过;将所有射线簇的状态设置为未处理;
3g3)计算未处理的所有射线簇的长度,确定其中最短的射线簇,确定与其在空间位置上相邻的射线簇;
3g4)判断相邻的射线簇的长度均值是否比最短射线簇的长度均值大,如果是,则提取最短射线簇中与相邻射线簇在空间位置上紧邻的射线的长度Q,对相邻射线簇中的所有射线分别从距离起点长度为Q处开始向终点遍历,如果遍历的过程中辅助素描图相应位置处存在素描线,则停止向后遍历,将没有遍历到的部分从素描线中减掉并重新计算素描线的长度,更改最短射线簇的状态为已处理;否则,执行步骤(3g5);
3g5)重复执行步骤(3g3)和(3g4),直到所有的射线簇都被标记为已处理,得到对长度突变的射线簇的修正结果,如图12所示;
3g6)对经长度突变修正后射线数目小于阈值τ的射线簇再按照步骤(3f)进行修正,结果如图13所示;
3h)连接当前素描线的端点和与其在空间位置上最近邻的射线终点,并依次连接所有射线的终点,得到种子点的射线闭合圈,如图14(b)所示;
3i)分别在素描线两侧合并三个种子点的射线闭合圈,如图14(a)、图14(b)和图14(c)所示,形成素描线的射线闭合圈,如图14(d)所示,利用射线闭合圈生成补全的素描线,得到当前素描线的封闭区域,将计数器α的值增加1,执行(3b);
第四步,对补全后的第二类素描线,以每条素描线上的每个素描点为中心构造大小为5×5的几何结构窗获得结构区域,并标记该区域所有像素在素描图中的坐标;
第五步,将素描图中除去聚集区域和结构区域以外的部分作为匀质区域,并标记该区域所有像素在素描图中的坐标;
第六步,利用素描图中聚集区域、结构区域和匀质区域中像素的坐标,提取区域图,使得区域图和素描图中相同坐标处的像素属于同一种区域,并且将区域图中属于聚集区域的像素的灰度值设定为255、属于结构区域的像素的灰度值设定为125、属于匀质区域的像素的灰度值设定为0,结果如图16所示。
步骤3,利用区域图,将SAR图像划分为像素空间的聚集区域A1、像素空间的匀质区域A2以及像素空间的结构区域A3三部分。
对于SAR图像中的每一个像素,如果在区域图中对应位置处的像素灰度值为255,则将SAR图像中的像素判定为聚集区域A1的像素,如果在区域图中对应位置处的像素灰度值为125,则将SAR图像中的像素判定为结构区域A3的像素,如果在区域图中对应位置处的像素灰度值为0,则将SAR图像中的像素判定为匀质区域A2的像素。
步骤4,对聚集区域A1和匀质区域A2以及结构区域A3分别进行处理。
(4.1)利用词袋模型对聚集区域A1进行特征学习,提取区域特征,并对特征进行聚类,得到聚集区域A1的分割结果:
(4.1a)以步长为1并且大小为16×16的采样窗口对SAR图像聚集区域A1进行采样,对采样窗口对应的SAR图像区域进行Gabor滤波,得到滤波尺度数为5,滤波方向数目为8的Gabor滤波特征,提取Gabor滤波后的均值和方差形成统计特征,得到80维的聚集区域A1的底层特征;
(4.1b)设置字典规模K为256,对聚集区域A1的底层特征进行K-均值聚类得到字典;
(4.1c)利用聚类得到的字典对聚集区域A1的所有底层特征进行稀疏编码,获得编码系数;
(4.1d)对聚集区域A1的每一个连通的子区域的编码系数进行特征汇聚,计算每一个匀质区域内所有的编码后的特征的每一维的平均值,将该平均值作为该匀质区域最终的特征中对应位置元素的值,得到聚集区域A1每一个连通子区域最终的区域特征;
(4.1e)利用层次聚类分析方法对聚集区域A1的每一个连通的子区域的特征进行聚类,将聚类后类别标号相同的子区域合并为同一区域,得到聚集区域A1最终的分割结果,如图17(a)所示,所有的聚集区域A1被分成了2类。
(4.2)利用词袋模型对匀质区域A2进行特征学习,提取区域特征,并对特征进行聚类,得到匀质区域A2的分割结果:
(4.2a)以步长为1并且大小为16×16的采样窗口对SAR图像匀质区域A2进行采样,对采样窗口对应的SAR图像区域进行Gabor滤波,得到滤波尺度数为5,滤波方向数目为8的Gabor滤波特征,提取Gabor滤波后的均值和方差形成统计特征,得到80维的匀质区域A2的底层特征;
(4.2b)设置字典规模K为256,对匀质区域A2的底层特征特征进行K-均值聚类得到字典;
(4.2c)利用聚类得到的字典对匀质区域A2的所有底层特征进行稀疏编码,获得稀疏编码系数;
(4.2d)对匀质区域A2的每一个连通的子区域的编码系数进行特征汇聚,计算每一个子区域内所有的稀疏编码系数的每一维的平均值,将该平均值作为该匀质区域各个子区域最终的特征对应位置元素的值,得到匀质区域A2每一个子区域最终的区域特征;
(4.2e)利用层次聚类分析方法对匀质区域A2的每一个连通的子区域特征进行聚类,将聚类后类别标号相同的子区域合并为同一区域,得到匀质区域A2的分割结果,如图17(b)所示,所有的匀质区域A2共分成了7类;
(4.3)对结构区域A3进行分水岭分割和素描图指导的超像素合并:
(4.3a)利用SAR图像比值算子计算公式,提取整幅SAR图的梯度图,
所述比值算子计算公式,参见C-J-Oliver等人于1996年发表在IEEEProceedings-Radar,Sonar and Navigation杂志上的文章《Optimum edge detection inSAR》;
(4.3b)对梯度图进行分水岭分割,得到整幅图像的超像素划分结果,判断整幅图像中每一个超像素属于结构区域的像素数目,如果某个超像素中有超过一半的像素属于结构区域,则将该超像素判定为结构区域超像素,如图18(a)所示;
(4.3c)计算第二类素描线的方向以及每条素描线与其他素描线之间的距离,如果某两条素描线的方向相差小于10度,并且这两条素描线之间的距离小于7,则将这两条素描线判定为互相平行的素描线;
(4.3d)对结构区域A3分水岭分割得到的超像素进行合并,提取每一块超像素的灰度均值,设置基于灰度均值特征的阈值T0=30,在阈值T0的约束下,判断两个相邻的超像素是否互为最相似的超像素,如果是,则将这两个超像素合并为同一个超像素,判断超像素是否位于平行的两条素描线之间,如果是,则将位于两条平行素描线之间的超像素合并,结果如图18(b)所示;
(4.3e)分别提取匀质区域A2和结构区域A3合并后的超像素的灰度均值和方差组成的统计特征,设置基于灰度统计特征的阈值T1=25,计算结构区域A3合并后的超像素的灰度统计特征与匀质区域A1的灰度特征之间的欧式距离r,对这两个参数进行比较,如果r≤T1,则将结构区域A3超像素合并到匀质区域A2中;
将结构区域A3中剩余未处理的超像素作为独立的地物目标,得到最终的SAR图像分割结果,如图19所示,其中共有11类区域。
本发明的效果可以通过以下仿真实验进一步说明。
1.仿真条件
仿真实验中使用的SAR图像是Ku波段1m分辨率SAR图像,如果4所示,图像场景是美国新墨西哥州阿尔伯克基RioGrande河的一段,图像大小为600×432,其中包含了大片的由数目聚集形成的森林区域和大片的农田,以及树木、管道等独立目标。
2.仿真内容与结果
仿真1,采用本发明的SAR图像分割方法,利用SAR图像初始素描模型得到SAR图像初始素描图,如图5所示,图5中共有624条素描线。
仿真2,采用本发明的SAR图像分割方法,利用素描线聚集度分析方法,将SAR图像素描图中的素描线分为两类:第一类为代表聚集地物的素描线,第二类为代表边界、线目标和独立目标的素描线,利用射线对第二类素描线中短缺的素描线进行补全得到封闭区域,结果如图15所示,其中黑色部分为原本的素描线,灰色部分为补全素描线。
仿真3,在利用射线对第二类素描线进行补全得到封闭区域的基础上,得到的区域图如图16所示,其中白色部分代表素描图上的聚集区域,灰色部分代表素描图上的结构区域,黑色部分代表素描图上的匀质区域。
仿真4,在区域图的基础上,利用词袋模型对聚集区域A1的进行特征学习,再对区域特征进行层次聚类,得到聚集区域A1的分割结果如图17(a)所示,所有聚集区域A1共分成了2类;利用词袋模型对匀质区域A2进行特征学习,再对区域特征进行层次聚类,得到匀质区域A2的分割结果如图17(b)所示,所有匀质区域A2共分成了7类。
仿真5,在区域图的基础上,利用分水岭分割方法对结构区域A3进行超像素分割和素描图指导的超像素合并结果如图18。其中图18(a)是对结构区域A3进行分水岭分割得到的超像素的结果,图18(b)是对分水岭得到的超像素利用素描图和灰度均值进行合并后的结果。
仿真6,利用灰度均值和方差组成的统计特征,将结构区域A3合并后的超像素与匀质区域A2进行合并,最终得到SAR图像分割结果,如图19所示,图中共有11类区域。
从图19可见,本发明的分割结果不仅具有良好的区域一致性,而且对边界和线目标有比较精确的定位。
综上所述,本发明在SAR图像初始素描模型的基础上,利用聚集度分析将素描线分为两类:第一类为代表聚集地物的素描线,第二类为代表边界、线目标和独立目标的素描线,利用射线对第二类素描线短缺的部分进行补全得到封闭区域,补全的素描线更加准确的反映了SAR图像的结构信息,利用封闭区域能对SAR图像中的大片农田构成的匀质区域得到精确的分割。
以上描述仅是本发明的一个具体实例,并不构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修改和改变仍在本发明的权利要求保护范围之内。
Claims (3)
1.一种基于射线补全区域图和特征学习的SAR图像分割方法,包括以下步骤:
(1)根据SAR图像初始素描模型提取SAR图像素描图,该素描图由刻画SAR图像灰度变化信息的数根素描线构成,每一根素描线由若干个素描线段构成;
(2)提取SAR图像区域图:
(2.1)将数根素描线划分为两类:第一类为代表聚集地物的素描线,第二类为代表边界、线目标和孤立目标的素描线;
(2.2)利用聚集区域获取方法在素描图上得到覆盖聚集素描线的区域,并标记该区域中所有像素在素描图中的坐标;
(2.3)利用射线聚类对第二类素描线中短缺的素描线进行补全,得到封闭区域:
(2.3a)计算每一根素描线的长度,按照长度由长到短对这些素描线进行排序;
(2.3b)设置计数器α=1,设置阈值E=21,判断α是否小于E,如果是,则执行步骤(2.3c)~(2.3i);否则,得到对第二类素描线补全的结果,执行步骤(2.4);
(2.3c)在排序后的第α根素描线上选择3个种子点,用这3个种子点将其所在的素描线分为4等分线段,如果某个种子点恰好是某个素描线段的端点,则将该种子点移动到所在素描线段的中点处;
(2.3d)以每一个种子点为起点,在当前素描线两侧沿着与素描线之间的夹角为1~180度的180个方向向外延伸,如果延伸过程中遇到第二类素描线或者聚集区域A1的边界或者对其他素描线补全得到的封闭区域边界,则停止延伸,形成以种子点为起点的射线,每一个种子点在素描线两侧各产生180条射线,根据射线与素描线夹角的大小对这些射线排序;
(2.3e)计算所有射线的长度,用第一条射线生成第一个射线簇,对于剩余的179条射线,将其长度与其前一条射线的长度进行比较,如果这两个长度之中较大的与较小的之比小于1.25~1.5,则将该射线加入其前一条射线所在的射线簇,否则,用该射线生成一个新的射线簇;
(2.3f)设置阈值τ=5,对包含射线数目小于阈值τ的射线簇进行修正;
(2.3g)对长度突变的射线进行修正,判断是否存在射线数目小于阈值τ的射线簇,如果由于,再次对经长度突变修正后射线数目小于阈值τ的射线簇进行修正;
(2.3h)连接当前素描线的端点和与其在空间位置上最近邻的射线终点,并依次连接所有射线的终点,得到种子点的射线闭合圈;
(2.3i)分别在素描线两侧合并三个种子点的射线闭合圈,形成素描线的射线闭合圈,利用射线闭合圈生成补全的素描线,得到当前素描线的封闭区域,将计数器α的值增加1,执行(2.3b);
(2.4)对第二类素描线以及补全的素描线,以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗获得结构区域,并标记该区域所有像素在素描图中的坐标;
(2.5)将素描图中除去聚集区域和结构区域以外的部分作为匀质区域,并标记该区域所有像素在素描图中的坐标;
(2.6)利用素描图中聚集区域、结构区域和匀质区域中像素的坐标,提取区域图,使得区域图和素描图中相同坐标处的像素属于同一种区域,并且将区域图中属于聚集区域的像素的灰度值设定为255、属于结构区域的像素的灰度值设定为125、属于匀质区域的像素的灰度值设定为0;
(3)根据区域图,将SAR图像划分为像素空间的聚集区域A1、像素空间的匀质区域A2以及像素空间的结构区域A3;
(4)对聚集区域A1和匀质区域A2分别利用词袋模型进行特征学习并和聚类,对结构区域A3进行分水岭分割和素描图指导的超像素合并,将合并后的超像素利用灰度均值和方差组成的特征合并到匀质区域中,最终得到SAR图像分割结果。
2.根据权利要求1所述的SAR图像分割方法,其中步骤(2.3f)所述的设置阈值τ=5,对包含射线数目小于阈值τ的射线簇进行修正,按以下步骤进行:
(2.3f1)计算每一个射线簇Ti包含的射线数目Ni,i=1,2,...,M,其中M为射线簇总数,并计算每一个射线簇Ti的长度均值Li,其计算公式如下:
<mrow>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中,Rj表示第j个射线,Hj表示第j个射线的长度;
(2.3f2)分别判断第一个和最后一个射线簇的射线数目,如果射线数目小于阈值τ,则获取与第一个和最后一个射线簇在空间位置上紧邻的射线的长度P,执行步骤(2.3f3);否则,执行(2.3f4);
(2.3f3)判断长度P是否小于第一个或最后一个射线簇的长度均值,如果是,则将第一个或最后一个射线簇的所有射线中距离射线起点超过长度P的部分从射线中减掉;否则,执行(2.3f4);
(2.3f4)分别判断除第一个和最后一个以外的射线簇的射线数目,如果这些射线数目小于阈值τ,则获取与除第一个和最后一个以外的射线簇在空间位置上紧邻的两条射线的长度U1和U2,执行步骤(2.3f5);否则,执行(2.3g);
(2.3f5)判断两条射线的长度U1和U2是否都小于射线簇的长度均值,如果是,则选择U1和U2中更小的一个作为该射线的待调整长度,将该射线簇的所有射线中距离射线起点超过待调整长度的部分从射线中减掉,执行步骤(2.3e),得到对包含射线数目小于阈值τ的射线簇进行修正的结果。
3.根据权利要求1所述的SAR图像分割方法,其中步骤(2.3g)所述的对长度突变的射线进行修正,再次对经长度突变修正后射线数目小于阈值τ的射线簇进行修正,按以下步骤进行:
(2.3g1)根据SAR图像初始素描模型提取不同参数值的另一幅素描图,使得该素描图中的素描线条数是原来素描图中的素描线条数的1.2~4倍,将不同参数的素描图称为辅助素描图;
(2.3g2)对每一个射线簇设置一个状态,用来记录该射线簇是否被处理过;如果某一射线簇的状态为未处理,表示其没有被处理过;如果某一射线簇状态为已处理,表示其已经被处理过;将所有射线簇的状态设置为未处理;
(2.3g3)计算未处理的所有射线簇的长度,确定其中最短的射线簇,确定与其在空间位置上相邻的射线簇;
(2.3g4)判断相邻的射线簇的长度均值是否比最短射线簇的长度均值大,如果是,则提取最短射线簇中与相邻射线簇在空间位置上紧邻的射线的长度Q,对相邻射线簇中的所有射线分别从距离起点长度为Q处开始向终点遍历,如果遍历的过程中辅助素描图相应位置处存在素描线,则停止向后遍历,将没有遍历到的部分从素描线中减掉并重新计算素描线的长度,更改最短射线簇的状态为已处理;否则,执行步骤(2.3g5);
(2.3g5)重复执行步骤(2.3g3)和(2.3g4),直到所有的射线簇都被标记为已处理,得到对长度突变的射线簇的修正的结果;
(2.3g6)对经长度突变修正后射线数目小于阈值τ的射线簇再按照步骤(2.3f)进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748174.6A CN104408458B (zh) | 2014-12-09 | 2014-12-09 | 基于射线补全区域图和特征学习的sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748174.6A CN104408458B (zh) | 2014-12-09 | 2014-12-09 | 基于射线补全区域图和特征学习的sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408458A CN104408458A (zh) | 2015-03-11 |
CN104408458B true CN104408458B (zh) | 2017-09-26 |
Family
ID=52646089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410748174.6A Active CN104408458B (zh) | 2014-12-09 | 2014-12-09 | 基于射线补全区域图和特征学习的sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408458B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794725B (zh) * | 2015-05-04 | 2017-08-04 | 福建师范大学 | 一种基于局部不变特征的遥感影像对象表达方法 |
CN105374033B (zh) * | 2015-10-19 | 2017-11-21 | 西安电子科技大学 | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 |
CN106611421B (zh) * | 2016-12-30 | 2019-06-21 | 西安电子科技大学 | 基于特征学习和素描线段约束的sar图像分割方法 |
CN106971396A (zh) * | 2017-03-10 | 2017-07-21 | 中国科学院遥感与数字地球研究所 | 基于超像素的冰盖冻融探测方法 |
CN109165653B (zh) * | 2018-08-15 | 2022-03-15 | 西安电子科技大学 | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
CN110210418B (zh) * | 2019-06-05 | 2021-07-23 | 西安电子科技大学 | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 |
CN112767506A (zh) * | 2020-12-31 | 2021-05-07 | 维沃移动通信有限公司 | 图像处理方法、装置和电子设备 |
CN115439474B (zh) * | 2022-11-07 | 2023-01-24 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
CN115661135B (zh) * | 2022-12-09 | 2023-05-05 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
CN115661669B (zh) * | 2022-12-13 | 2023-03-21 | 山东省土地发展集团有限公司 | 一种基于视频监控的耕地违法占用监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955914A (zh) * | 2014-02-27 | 2014-07-30 | 西安电子科技大学 | 基于随机投影和Signature/EMD框架的SAR图像分割方法 |
CN103955913A (zh) * | 2014-02-18 | 2014-07-30 | 西安电子科技大学 | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 |
CN104036491A (zh) * | 2014-05-14 | 2014-09-10 | 西安电子科技大学 | 基于区域划分和自适应多项式隐模型的sar图像分割方法 |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8326001B2 (en) * | 2010-06-29 | 2012-12-04 | Apple Inc. | Low threshold face recognition |
US8577140B2 (en) * | 2011-11-29 | 2013-11-05 | Microsoft Corporation | Automatic estimation and correction of vignetting |
US9245334B2 (en) * | 2012-02-28 | 2016-01-26 | Albert Einstein College Of Medicine, Inc. | Methods for quantitative assessment of volumetric image from a subject and uses therof |
US8737690B2 (en) * | 2012-04-06 | 2014-05-27 | Xerox Corporation | Video-based method for parking angle violation detection |
-
2014
- 2014-12-09 CN CN201410748174.6A patent/CN104408458B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955913A (zh) * | 2014-02-18 | 2014-07-30 | 西安电子科技大学 | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 |
CN103955914A (zh) * | 2014-02-27 | 2014-07-30 | 西安电子科技大学 | 基于随机投影和Signature/EMD框架的SAR图像分割方法 |
CN104036491A (zh) * | 2014-05-14 | 2014-09-10 | 西安电子科技大学 | 基于区域划分和自适应多项式隐模型的sar图像分割方法 |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
Non-Patent Citations (4)
Title |
---|
SAR图像的自动分割方法研究;李映等;《电子与信息学报》;20060531;第28卷(第5期);全文 * |
一种基于G_0分布的水平集SAR图像分割方法;冯籍澜;《现代雷达》;20131231;第32卷(第12期);全文 * |
基于两种神经网络的SAR图像多尺度分割与分析;权金娟等;《光电子.激光》;20080430;第19卷(第4期);全文 * |
基于统计模型的变分水平集SAR图像分割方法;曹宗杰等;《电子与信息学报》;20081231;第30卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104408458A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408458B (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
Liu et al. | DeepCrack: A deep hierarchical feature learning architecture for crack segmentation | |
Han et al. | Remote sensing image building detection method based on Mask R-CNN | |
CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
CN107358576A (zh) | 基于卷积神经网络的深度图超分辨率重建方法 | |
CN101714262B (zh) | 单幅图像的三维场景重建方法 | |
CN105069468B (zh) | 基于脊波和深度卷积网络的高光谱图像分类方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN113343789A (zh) | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN113609889B (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
CN110097101A (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN103761522B (zh) | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 | |
CN110334719A (zh) | 一种提取遥感影像中建筑物图像的方法及系统 | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN117197686A (zh) | 一种基于卫星影像的高标准农田地块边界自动识别方法 | |
CN107358625A (zh) | 基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法 | |
CN115861532A (zh) | 基于深度学习的植被地物模型重建方法与系统 | |
Song et al. | A region-based approach to building detection in densely build-up high resolution satellite image | |
CN114066744A (zh) | 一种基于风格约束的艺术图像修复方法及系统 | |
Lv et al. | An improved watershed algorithm on multi-directional edge detection for road extraction in remote images | |
CN112183473B (zh) | 一种地质曲面视觉语义特征提取方法 | |
CN117876714A (zh) | 一种顾及场景地类语义信息的特征点筛选方法及系统 | |
Saxena | SC-Fuse: A Feature Fusion Approach for Unpaved Road Detection from Remotely Sensed Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |