CN104680181B - 基于似然比特征的sar图像超像素分割方法 - Google Patents
基于似然比特征的sar图像超像素分割方法 Download PDFInfo
- Publication number
- CN104680181B CN104680181B CN201510102543.9A CN201510102543A CN104680181B CN 104680181 B CN104680181 B CN 104680181B CN 201510102543 A CN201510102543 A CN 201510102543A CN 104680181 B CN104680181 B CN 104680181B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- sar image
- pixels
- alternative
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000007476 Maximum Likelihood Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 235000015047 pilsener Nutrition 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000321453 Paranthias colonus Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于似然比特征的SAR图像超像素分割方法,主要解决现有的SAR图像超像素分割方法分割结果不够准确的问题。其实现步骤为:(1)输入原始SAR图像,初始化聚类中心并对聚类中心标号;(2)对每个像素点聚类并标号;(3)对整幅SAR图像生成备选超像素;(4)去掉备选超像素中像素点个数小于阈值的无效超像素;(5)对整幅SAR图像生成超像素;(6)对每个超像素重新计算聚类中心;(7)重复步骤(2)~(6),直到迭代次数达到设定值,得到标号图像。本发明能有效保持不同区域的边界,分割结果更准确,可用于SAR目标检测、识别及分类。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种SAR图像超像素分割方法,可用于SAR目标检测、识别及分类。
背景技术
合成孔径雷达SAR是一种利用微波进行感知的主动传感器,它不受天气、光照等条件的限制,可对感兴趣的目标进行全天候、全天时的侦查,成为目前对地观测和军事侦察的重要手段。因而,SAR图像的处理和识别成为雷达领域研究的热点。
目前,对SAR图像的处理大多以像素为单位,用二维矩阵来表示一幅SAR图像,并未考虑像素之间的空间组织关系,这使得算法处理效率过低。超像素,是指具有相似纹理、亮度等特征的相邻像素构成的图像块。超像素利用像素之间特征的相似程度对像素进行分组,可以很大程度上降低后续SAR图像处理任务的复杂度。
SAR图像超像素分割是指按照一定的相似性准则将SAR图像划分成不同区域,每个区域中的像素具有相似的特征,这些区域被称为超像素。现有的SAR图像超像素分割算法PILS算法是一种基于SAR图像像素强度和位置相似性进行图像分割的方法。在分割SAR图像不同区域时,该算法能够比传统Turbo pixel,Normalized-Cuts,Mean shift,Quick shift图像分割算法更好地保持区域的边缘,对噪声也更加稳健。但是对于复杂场景的SAR图像,该算法分割性能有所下降。
发明内容
本发明的目的在于提出一种基于似然比特征的SAR图像超像素分割方法,以提高对于复杂场景的SAR图像分割质量。
本发明的技术方案是这样实现的:
一.技术思路:
将分割分为三个阶段:初始化聚类中心阶段,划分超像素阶段,迭代划分超像素阶段。其中:
在初始化聚类中心阶段,完成对SAR图像划分、聚类,并对所有聚类中心标号。
在划分超像素阶段,完成对SAR图像的所有像素点聚类和标号,并对SAR图像生成超像素,重新计算每一个超像素聚类中心。
在迭代划分超像素阶段,完成对新的聚类中心执行“划分超像素阶段”的操作,直到达到设定的迭代次数。
二.实现步骤
本发明基于似然比特征的SAR图像超像素分割方法,包括如下步骤:
A.初始化聚类中心步骤:
A1)输入原始SAR图像,将其划分为n个S×S的矩形块T1,T2,...Tn,并取矩形块T1,T2,...Tn的几何中心c1,c2,...cn作为初始化聚类中心,其中,S为设定的矩形块边长,n=MN/S2,M,N分别为SAR图像的行数和列数;
A2)将初始化聚类中心c1,c2,...cn分别标号为1,2,...,n;
B.划分超像素步骤:
B1)对原始SAR图像的第i个像素点,将处在以像素i为中心,2S×2S为边长的矩形块内的聚类中心ci1,ci2,...cik作为像素点i的备选聚类中心;分别计算像素点i与备选聚类中心ci1,ci2,...cik的差异值D(i,ci1),D(i,ci2),....D(i,cik),找到与像素点i差异值最小的备选聚类中心cij,将该备选聚类中心cij的标号设置为像素点i的标号;
B2)对原始SAR图像所有像素点进行B1)操作,得到SAR图像对应的标号图像L;
B3)将SAR图像中相同标号且相互连通的像素点,集合为一个备选超像素l,得到备选超像素集合l1,l2,...lp,并对备选超像素集合l1,l2,...lp中的超像素分别标号为1,2,...p;
B4)将备选超像素集合l1,l2,...lp中像素个数小于tmin的超像素称为无效超像素,其余为有效超像素,其中tmin=S2/h,h为设定的用于控制最小超像素大小的参数,将每个无效超像素的标号设为其邻近某个有效超像素的标号;
B5)将SAR图像中每个像素点的标号设置为其所在的备选超像素的标号,得到新的标号图像L';
B6)将SAR图像中相同标号且相互连通的像素点集合作为一个超像素l',得到超像素集合l1',l2',...lj',...lq',并将超像素集合l1',l2',...lj',...lq'中每一个超像素分别标号为1,2,...j,...q;
B7)对每一个超像素lj'得到其聚类中心cj的坐标为(mean(xj),mean(yj)),将聚类中心cj的标号设为其所在超像素lj'的标号,其中,mean(·)表示对向量·求均值,xj,yj分别表示超像素lj'包含的像素的横、纵坐标构成的列向量;
C.迭代划分超像素步骤:
C1)重复步骤B,直到迭代次数达到设定迭代次数It,取值为5。
本发明的特点和进一步改进在于:
在步骤B1)中,计算像素点i与备选聚类中心cim的差异值D(i,cim),按如下步骤进行:
B11)设(xi,yi),分别为像素点i与备选聚类中心cim的坐标,计算像素点i与备选聚类中心cim的距离d(i,cim):
B12)令v1,v2分别为以像素点i与备选聚类中心cim为中心的5×5的矩形块,计算v1与v2的强度差异值δ(v1,v2):
当SAR图像强度服从视数为1的gamma分布,即指数分布时,则δ(v1,v2)的计算公式为:
其中,M为v1矩形块中像素的个数,为矩形块vi中的像素的强度构成的列向量;
当SAR图像幅度服从lognormal分布时,则δ(v1,v2)的计算公式为
其中,M为v1矩形块中像素的个数,(μ1,σ1 2)为矩形块v1像素的幅度分布参数的最大似然估计,(μ2,σ2 2)为矩形块v2像素的幅度分布参数的最大似然估计,v12表示矩形块v1,v2中的所有的像素点,(μ12,σ12 2)为v12像素的幅度分布参数的最大似然估计;
B13)根据B11)与B12)的计算结果,则像素点i与备选聚类中心cim的差异值D(i,cim)计算公式为
D(i,cim)=δ(v1,v2)+λ*d(i,cim)
其中λ为设定的用于调节距离d(i,cim)在总差异值D(i,cim)中所占比重的参数。
本发明与现有技术相比,具有如下优点:
1.本发明在SAR图像强度服从gamma分布时,以似然比特征衡量像素点与聚类中心的差异,使本发明采用gamma分布特征与现有的PILS算法相比在分割超像素时能更好的保持图像的边界,以及同一个超像素中像素点的同质性,分割效果优于现有技术;
2.本发明将似然比特征扩展至lognormal分布数据,在SAR图像强度服从lognormal分布时,采用本发明采用lognormal分布特征分割比采用现有gamma形式分割超像素时能更好的保持图像的边界。
附图说明
图1为本发明的实现流程图;
图2为本发明和现有技术使用的仿真图像;
图3为用本发明采用gamma分布特征和现有PILS技术采用像素相似性特征,分别对强度服从gamma分布的图像进行仿真分割结果图;
图4为用本发明采用gamma分布特征和现有PILS技术采用像素相似性特征,分别对强度服从gamma分布的图像进行仿真分割的性能图;
图5为用本发明采用lognormal分布特征和gamma分布特征,分别对幅度服从lognormal分布的图像进行仿真分割结果图;
图6为用本发明采用lognormal分布特征和gamma分布特征,分别对幅度服从lognormal分布的图像进行仿真分割性能图;
图7为用本发明采用gamma分布特征和现有PILS技术采用像素相似性特征,分别对真实SAR图像进行分割结果图。
具体实施方式
下面结合附图对本发明的实施步骤和效果作进一步说明。
参照图1,本发明基于似然比特征的SAR图像超像素分割方法,其实现步骤如下:
步骤1,初始化聚类中心:
1a)输入原始SAR图像,将其划分为n个S×S的矩形块T1,T2,...Tn,并取矩形块T1,T2,...Tn的几何中心c1,c2,...cn作为初始化聚类中心,其中,S为设定的矩形块边长,n=MN/S2,M,N分别为SAR图像的行数和列数。
1b)将初始化聚类中心c1,c2,...cn分别标号为1,2,...,n。
步骤2,划分超像素:
2a)对原始SAR图像的第i个像素点,将处在以像素i为中心,2S×2S为边长的矩形块内的聚类中心ci1,ci2,...cik作为像素点i的备选聚类中心;
2b)分别计算像素点i与备选聚类中心ci1,ci2,...cim,...cik的差异值D(i,ci1),D(i,ci2),....D(i,cim),...D(i,cik),其中m为1,2,...k:
2b1)设(xi,yi),分别为像素点i与备选聚类中心cim的坐标,计算像素点i与备选聚类中心cim的距离d(i,cim):
2b2)令v1,v2分别为以像素点i与备选聚类中心cim为中心的5×5的矩形块,v12表示矩形块v1,v2中的所有的像素点,计算v1与v2的强度差异值δ(v1,v2):
其中,表示vi的无噪声图像参数为θi时,vi中所有元素强度的联合概率密度,其中θi通过最大似然估计求得,vi分别取v1,v2,v12;
2b3)推导当SAR图像分别服从gamma分布和lognormal分布时,v1与v2的强度差异值δ(v1,v2)表达式:
当SAR图像强度服从视数为1的gamma分布,即指数分布时,图像中的像素强度x的概率分布为:
其中,β为指数分布参数,β的最大似然估计为β=Ε(x);
将<1>式代入2b2)计算出的v1与v2的强度差异值δ(v1,v2)
由于于是v1与v2的强度差异值δ(v1,v2)可以写为
其中,M为v1矩形块中像素的个数,为矩形块v1中的像素强度构成的列向量,为矩形块v2中的像素强度构成的列向量,v12表示矩形块v1,v2中的所有的像素点,为v12中的像素强度构成的列向量;
当SAR图像幅度服从lognormal分布时,即对图像中的像素幅度x,其概率分布为
其中,(μ,σ2)为lognormal分布参数,(μ,σ2)最大似然估计为μ=E(lnx),
将<2>式代入2b2)计算出的v1与v2的强度差异值δ(v1,v2):
将和
代入<3>式,于是v1与v2的强度差异值δ(v1,v2)可以写为:
其中,M为v1矩形块中像素的个数,(μ1,σ1 2)为矩形块v1像素的幅度分布参数的最大似然估计,(μ2,σ2 2)为矩形块v2像素的幅度分布参数的最大似然估计,v12表示矩形块v1,v2中的所有的像素点,(μ12,σ12 2)为v12像素幅度分布参数的最大似然估计;
2b4)根据上面计算出的像素点i与备选聚类中心cim的距离d(i,cim)及v1与v2的强度差异值δ(v1,v2),计算像素点i与备选聚类中心cim的差异值D(i,cim)
D(i,cim)=δ(v1,v2)+λ*d(i,cim),
其中λ为设定的用于调节距离d(i,cim)在总差异值D(i,cim)中所占比重的参数;
2c)找到与像素点i差异值最小的备选聚类中心cij,将该备选聚类中心cij的标号设置为像素点i的标号;
2d)对每个像素点完成标号后,得到SAR图像对应的标号图像L;
2e)将SAR图像中相同标号且相互连通的像素点集合作为一个备选超像素l,得到备选超像素l1,l2,...lp,并对每一个备选超像素l1,l2,...lp分别标号为1,2,...p;
2f)将备选超像素l1,l2,...lp中像素个数小于tmin的超像素称为无效超像素,其余为有效超像素,其中tmin=S2/h,h为设定的用于控制最小有效超像素大小的参数,对每个无效超像素,将该无效超像素的标号设为其临近某个有效超像素的标号;
2g)将SAR图像中每个像素点的标号设置为其所在的备选超像素的标号,得到新的标号图像L';
2h)将SAR图像中相同标号且相互连通的像素点集合作为一个超像素l',得到超像素集合l1',l2',...lj',...lq',并将超像素集合l1',l2',...lj',...lq'中每一个超像素分别标号为1,2,...j,...q;
2i)对每一个超像素lj得到其聚类中心cj的坐标为(mean(xj),mean(yj)),将聚类中心cj的标号设为其所在超像素lj的标号,其中,mean(·)表示对向量·求均值,xj,yj分别表示超像素lj包含的像素的横、纵坐标拉成的列向量。
步骤3,重复步骤2,直到迭代次数达到设定迭代次数It=5为止,得到标号图像L',即为本发明的超像素分割结果。
本发明的效果通过以下仿真实验说明:
1.仿真数据:
为了验证本发明对区域分割的性能,按照图2(a)设置一个含有多种类型区域的图像,其中不同强度表示不同类型的区域。图2(b)为对图2(a)的每一个同类型区域用同参数gamma分布数据的填充图;图2(c)为对图2(a)的每一个同类型区域用同参数lognormal分布数据的填充图。
实验所用的实测数据为美国Sandia实验室公开的miniSAR数据集,其分辨率为0.1m×0.1m,图像大小为2510×1638。
2.仿真实验内容:
仿真1,用本发明采用的gamma分布特征和现有PILS技术采用的像素相似性特征对图2(b)进行分割,分割结果为图3。其中,图3(a)为用现有PILS技术采用像素相似性特征对图2(b)数据的分割结果,图3(b)为用本发明采用gamma分布特征对图2(b)数据的分割结果。
从图3(a)和图3(b)可以看出,对于服从gamma分布的数据,本发明分割结果比现有PILS分割结果更符合真实区域,且错误的区域边界较少。
仿真2,用本发明采用的gamma分布特征和现有PILS技术采用的像素相似性特征在不同超像素大小下对图2(b)进行分割,分割性能曲线为图4。其中,图4(a)为本发明分割性能指标under segmentation error曲线与现有算法PILS分割性能指标undersegmentation error曲线对比,图4(b)为本发明分割性能指标boundary recall曲线与现有算法PILS分割性能指标boundary recall曲线对比。
其中,Under segmentation error是一种衡量分割结果与真实区域差异性的数值,当已知真实区域g1,g2,...gM和超像素分割结果s1,s2,...sL,其计算方式为
其中,|sj|表示超像素sj中像素的个数,N是图像中像素的总数,sj∩gi表示超像素sj中泄漏到真实区域gi的像素点个数,B设定为|sj|的5%;
Boundary recall是一种衡量分割结果的边界与真实边界相似性的数值,即在真实边界中位于距离分割结果边界两个像素点以内的部分,该部分像素点个数占真实边界总像素个数的比例即Boundary recall。
从图4(a)和图4(b)可以看出,对于服从gamma分布的数据,在不同的超像素大小下,本发明分割结果的under segmentation error都低于现有算法PILS,本发明分割结果的boundary recall都高于现有PILS算法,且比现有PILS算法性能更加稳定。
仿真3,用本发明采用lognormal分布特征和采用gamma分布特征对图2(c)进行分割,分割结果为图5。其中,图5(a)为用本发明采用gamma分布特征对图2(c)数据的分割结果,5(b)为用本发明采用lognormal分布特征对图2(c)数据的分割结果。
从图5(a)、图5(b)可以看出,对于服从lognormal分布的数据,采用lognormal分布特征分割结果比用gamma分布特征分割结果更符合真实区域,且错误的区域边缘较少。
仿真4,用本发明采用lognormal分布特征和采用gamma分布特征在不同超像素大小下对图2(c)进行分割,分割性能曲线为图6。其中,图6(a)为用本发明技术分别采用gamma分布特征的分割性能指标under segmentation error曲线与采用lognormal分布特征的分割性能指标under segmentation error曲线对比。图6(b)为用本发明技术分别采用gamma分布特征的分割性能指标boundary recall曲线与采用lognormal分布特征的分割性能指标boundary recall曲线对比。
从图6(a)和图6(b)可以看出,对于服从lognormal分布的数据,在不同的超像素大小下,采用lognormal分布特征的分割结果的under segmentation error更低,且分割结果的boundary recall更高。
仿真5,用本发明采用gamma分布特征和现有PILS技术采用像素相似性特征对真实SAR图像进行分割,分割结果为图7。其中,图7(a)为用现有PILS技术采用像素相似性特征对真实SAR图像的分割结果。图7(b)为用本发明采用gamma分布特征对真实SAR图像的分割结果。
从图7(a)和图7(b)可以看出,对于真实SAR图像,本发明分割结果比现有PILS技术分割结果更符合真实区域,且错误的区域边缘大大减少。
Claims (1)
1.一种基于似然比特征的SAR图像超像素分割方法,包括:
A.初始化聚类中心步骤:
A1)输入原始SAR图像,将其划分为n个S×S的矩形块T1,T2,...Tn,并取矩形块T1,T2,...Tn的几何中心c1,c2,...cn作为初始化聚类中心,其中,S为设定的矩形块边长,n=MN/S2,M,N分别为SAR图像的行数和列数;
A2)将初始化聚类中心c1,c2,...cn分别标号为1,2,...,n;
B.划分超像素步骤:
B1)对原始SAR图像的第i个像素点,将处在以像素i为中心,2S×2S为边长的矩形块内的聚类中心ci1,ci2,...cik作为像素点i的备选聚类中心;分别计算像素点i与备选聚类中心ci1,ci2,...cim,...cik的差异值D(i,ci1),D(i,ci2),...D(i,cim),....D(i,cik),找到与像素点i差异值最小的备选聚类中心cij,将该备选聚类中心cij的标号设置为像素点i的标号;
所述计算像素点i与备选聚类中心cim的差异值D(i,cim),其步骤如下:
B11)设(xi,yi),分别为像素点i与备选聚类中心cim的坐标,计算像素点i与备选聚类中心cim的距离d(i,cim):
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
B12)令v1,v2分别为以像素点i与备选聚类中心cim为中心的5×5的矩形块,计算v1与v2的强度差异值δ(v1,v2):
当SAR图像强度服从视数为1的gamma分布,即指数分布时,则δ(v1,v2)的计算公式为:
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>2</mn>
<mi>M</mi>
<mo>*</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>I</mi>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>I</mi>
<msub>
<mi>v</mi>
<mn>2</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>|</mo>
</mrow>
<msqrt>
<mrow>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>I</mi>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>I</mi>
<msub>
<mi>v</mi>
<mn>2</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
</mrow>
其中,M为v1矩形块中像素的个数,为矩形块vi中的像素的强度构成的列向量;
当SAR图像幅度服从lognormal分布时,则δ(v1,v2)的计算公式为
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mi>M</mi>
<mo>*</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mfrac>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mn>12</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,M为v1矩形块中像素的个数,(μ1,σ1 2)为矩形块v1像素的幅度分布参数的最大似然估计,(μ2,σ2 2)为矩形块v2像素的幅度分布参数的最大似然估计,v12表示矩形块v1,v2中的所有的像素点,(μ12,σ12 2)为v12像素的幅度分布参数的最大似然估计;
B13)根据B11)与B12)的计算结果,则像素点i与备选聚类中心cim的差异值D(i,cim)计算公式为:
D(i,cim)=δ(v1,v2)+λ*d(i,cim)
其中λ为设定的用于调节距离d(i,cim)在总差异值D(i,cim)中所占比重的参数;
B2)对原始SAR图像所有像素点进行B1)操作,得到SAR图像对应的标号图像L;
B3)将SAR图像中相同标号且相互连通的像素点,集合为一个备选超像素l,得到备选超像素集合l1,l2,...lp,并对备选超像素集合l1,l2,...lp中的超像素分别标号为1,2,...p;
B4)将备选超像素集合l1,l2,...lp中像素个数小于tmin的超像素称为无效超像素,其余为有效超像素,其中tmin=S2/h,h为设定的用于控制最小超像素大小的参数,将每个无效超像素的标号设为其邻近某个有效超像素的标号;
B5)将SAR图像中每个像素点的标号设置为其所在的备选超像素的标号,得到新的标号图像L';
B6)将SAR图像中相同标号且相互连通的像素点集合作为一个超像素l',得到超像素集合l1',l2',...lj',...lq',并将超像素集合l1',l2',...lj',...lq'中每一个超像素分别标号为1,2,...j,...q;
B7)对每一个超像素lj'得到其聚类中心cj的坐标为(mean(xj),mean(yj)),将聚类中心cj的标号设为其所在超像素lj'的标号,其中,mean(·)表示对向量·求均值,xj,yj分别表示超像素lj'包含的像素的横、纵坐标构成的列向量;
C.迭代划分超像素步骤:
C1)重复步骤B,直到迭代次数达到设定迭代次数It,It取值为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510102543.9A CN104680181B (zh) | 2015-03-09 | 2015-03-09 | 基于似然比特征的sar图像超像素分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510102543.9A CN104680181B (zh) | 2015-03-09 | 2015-03-09 | 基于似然比特征的sar图像超像素分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680181A CN104680181A (zh) | 2015-06-03 |
CN104680181B true CN104680181B (zh) | 2018-03-20 |
Family
ID=53315198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510102543.9A Active CN104680181B (zh) | 2015-03-09 | 2015-03-09 | 基于似然比特征的sar图像超像素分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680181B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093940A (zh) * | 2016-06-03 | 2016-11-09 | 中国科学院电子学研究所 | 合成孔径雷达图像序列生成方法 |
CN108171193B (zh) * | 2018-01-08 | 2021-09-10 | 西安电子科技大学 | 基于超像素局部信息度量的极化sar舰船目标检测方法 |
CN110349160B (zh) * | 2019-06-25 | 2022-03-25 | 电子科技大学 | 一种基于超像素与模糊c均值聚类sar图像分割方法 |
CN112418147A (zh) * | 2020-12-02 | 2021-02-26 | 中国人民解放军军事科学院国防科技创新研究院 | 基于航拍图像的轨条砦识别方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824079B (zh) * | 2014-02-08 | 2017-02-01 | 重庆市国土资源和房屋勘测规划院 | 基于多层次模式子块划分的图像分类方法 |
CN104239892A (zh) * | 2014-08-25 | 2014-12-24 | 西安电子科技大学 | 基于ksvd训练字典的sar图像混合模型拟合方法 |
CN104299233A (zh) * | 2014-09-30 | 2015-01-21 | 杭州电子科技大学 | 基于超像素块的蜂群和灰色关联算法的sar图像分割方法 |
-
2015
- 2015-03-09 CN CN201510102543.9A patent/CN104680181B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104680181A (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamzah et al. | Stereo matching algorithm based on per pixel difference adjustment, iterative guided filter and graph segmentation | |
CN107993245B (zh) | 一种空天背景多目标检测和跟踪方法 | |
CN106228544B (zh) | 一种基于稀疏表示和标签传播的显著性检测方法 | |
Kordelas et al. | Enhanced disparity estimation in stereo images | |
CN104966286B (zh) | 一种3d视频显著性检测方法 | |
CN102270346B (zh) | 一种交互式视频中的目标对象的提取方法 | |
Cigla et al. | Information permeability for stereo matching | |
CN105184772B (zh) | 一种基于超像素的自适应彩色图像分割方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN104680181B (zh) | 基于似然比特征的sar图像超像素分割方法 | |
CN107609571B (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
CN106570874A (zh) | 一种结合图像局部约束与对象全局约束的图像标记方法 | |
CN102651135A (zh) | 一种基于优化方向采样的自然图像抠图方法 | |
CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
KR101753360B1 (ko) | 시점 변화에 강인한 특징점 정합 방법 | |
Song et al. | Non‐destructive automatic leaf area measurements by combining stereo and time‐of‐flight images | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN107392211B (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
Chen et al. | A color-guided, region-adaptive and depth-selective unified framework for Kinect depth recovery | |
CN107133964B (zh) | 一种基于Kinect的抠像方法 | |
Najafzadeh et al. | Object tracking using Kalman filter with adaptive sampled histogram | |
Tan et al. | Stereo matching using cost volume watershed and region merging | |
CN110910417B (zh) | 一种基于超像素邻帧特征对比的弱小运动目标检测方法 |
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 |