CN105069459B - 一种针对高分辨率sar图像地物类型提取方法 - Google Patents

Abstract

本发明公开了一种针对高分辨率SAR图像地物类型提取方法，以解决高分辨率SAR图像纹理信息复杂、地物不均匀等特点带来地物类型提取耗时大、准确率低等问题。本发明将主要包含一种或几种地物类型的图像区域定义为局部模式。该方法包括：对获得的原始图像进行重叠分块，获取多个局部模式；并对局部模式进行分类，分为包含特定地物类型和不包含特定地物类型两类；对于包含特定地物类型的局部模式进行特定地物检测；并且将经过检测的局部模式按照分块的次序拼接回原图，从而提取出特定的地物类型。

Description

一种针对高分辨率SAR图像地物类型提取方法

技术领域

本发明涉及高分辨率SAR图像处理领域，尤其涉及一种基于局部模式的地物类型提取方法。

背景技术

合成孔径雷达(SAR)是一种高分辨率成像雷达，具有全天候、全天时数据获取能力及对地物的穿透能力。SAR在地形测绘和制图、地质普查、灾情预报、海洋应用、军事侦察、科学研究等领域都具有深入的研究和广阔的应用。

地物类型提取的主要任务是确定地物类型的位置、形状、实现地物类型与图像背景的分离。随着图像信息的爆炸性增长，地物类型提取的难点主要有：(1)图像场景越来越复杂，需处理的数据量越来越大；(2)随着分辨率的提高，纹理信息更复杂以及场景倍增，影响检测结果的精确性。同时，如果对图像所有像素进行处理，运算速度也会受到影响。

由于高分辨率SAR图像地物特征明显、空间信息丰富等特点，使得传统基于像素的图像分类方法会带来分类结果的模糊性和不确定性，而且它未考虑像素间的空间组织关系，从而使得基于像素的方法不适合处理大数据量高分辨率SAR图像分类识别问题。而基于区域的图像处理方法如基于局部模式的方法，能有效降低遥感图像后续处理任务复杂度。通过利用像素空间相关性，提高分类的确定性和准确性。

目前的SAR图像中针对地物类型的处理方式一般都是分类，并没有专门针对地物类型提取的研究。因此，本发明提出了一种基于局部模式的地物类型提取方法。

发明内容

本发明提供了一种针对高分辨率SAR图像地物类型提取方法，以解决现有基于像素的地物类型提取的耗时大、虚警高及精度低的问题。

本发明的基本思路是：对原始图像进行重叠分块，获取多个局部模式；对所述局部模式进行基于地貌内容的分类，提取包含特定地物类型的局部模式；对所述包含特定地物类型的局部模式进行特定地物类型检测；将经过检测的局部模式拼接回原始图像，获得特定地物类型的检测结果。

本发明的具体技术方案如下，一种针对高分辨率SAR图像地物类型提取方法：

步骤1：将原始图像按照不同的划分位置进行多次分块，获得若干局部图像块，将多次划分获得的所有局部图像块称为局部图像集；

步骤2：获取金字塔匹配核；

步骤2.1：提取每个局部图像块的SIFT特征，并对所有局部图像块的SIFT特征点进行Kmeans聚类，获得若干聚类中心；

步骤2.2：统计局部图像块的BoW直方图；再将局部图像块均分为4个单元，统计每个单元的BoW直方图；再将局部图像块均分为16个单元，统计每个单元的BoW直方图，将该统计结果称为金字塔模型；

步骤2.3：将局部图像集中的局部图像块按照排列的方式进行两两分组，获取这每组中的局部图像块的在三种不同的划分情况下的各单元的BoW直方图交集，获得金字塔相交核；

步骤2.4：将金字塔相交核的每一层加权相加，加权系数为其中L为总层数，l表示第l层的序号，获得匹配核；

步骤3：获得每个局部图像块的空间共现核；

步骤3.1：按照步骤2.2的方法对每个局部图像块进行单元划分，计算每个单元的空间共现矩阵：

VWCM_ρ(u,v)＝||(c_i,c_j)|(c_i＝u)Λ(c_j＝v)Λ(c_iρc_j)||

其中，VWCM是满足空域限制的SIFT特征点对数，u、v为一个单元中的SIFT特征点聚类中心，c_iρc_j∈{T,F}，SIFT特征点c_i,c_j的位置分别为(x_i,y_i)，(x_j,y_j)，ρ表示二进制空间标识符；

步骤3.2：将局部图像集中的局部图像块按照排列的方式进行两两分组，获得每组中两个图像块的对应层对应单元的空间共现矩阵的交集，获得交集的能量，将相同层交集能量相加，再将不同层交集能量和加权相加，获得金字塔共现核，其中加权系数为1/4^l，l表示所在层；

步骤4：将步骤2获得的匹配核和步骤3获得共现核按照分组对应相加为最终核，所有分组组成最终核矩阵；

步骤5：使用步骤4获得最终核矩阵，按照不同的地物类型采用SVM分类模型将所有局部图像块分为不同的类；

步骤6：针对包含同种地物类型的局部图像块进行集中处理，检测出每个局部图像块中的特定地物类型，再将已检测特定地物类型的局部图像块按照分块顺序拼接回原图,获取该种地物类型所在的区域。

进一步的步骤5的具体步骤为：

步骤5.1：选取部分局部图像块，对图像块的地物类型及位置进行标记，采用步骤4得到的核矩阵及SVM分类模型，训练模型，得到模型参数和支持向量；

步骤5.2：采用训练好的SVM分类模型对其余局部图像块进行分类。

步骤6中针对河流的提取方法为：

步骤A6.1：将地物类型为河流的局部图像块进行二值化处理，再对二值化后的局部图像块进行形态学处理，滤除虚警，最后通过sobel算子对河流进行边缘检测；

步骤A6.2：将经过检测的局部图像块根据分块顺序拼接回原图，将检测出的河流映射到原始目标图像上，从而检测出原始图像中河流区域。

步骤6中针对城镇区域的提取方法为：包含城区的局部图像块按照分块顺序拼回原图，利用高斯模型对拼接后的图像进行边缘模糊，得到平滑边缘的城镇区域。

本发明提供了基于局部模式的高分辨率SAR图像特定地物类型提取方法，通过对高分辨率SAR图像进行重叠分块，将背景复杂的SAR图像分成相对均匀的局部模式集，很大程度上降低了复杂背景对高分辨率SAR图像特定地物类型检测的影响；并且利用SIFT特征点的累加和空间特性，使得计算的核能更好地表征特定内容的局部模式，使得包含特定地物类型的局部模式分类更准确，从而最终特定地物类型检测结果更加准确，适用于多种场景类别的高分辨率SAR图像。

附图说明

图1为本发明实施例提供的基于局部模式的高分辨率合成孔径雷达的特定地物类型检测方法的流程示意图。

图2为本发明局部模式SIFT特征点分层分单元示意图。

图3为本发明以河流为例的包含河流的局部模式分类结果图。

图4为以河流为例的示例局部模式河流检测过程示意图。

图5为整幅图像基于局部模式的以河流为例的检测结果图。

图6为整幅图像基于局部模式的以城区为例的检测结果图。

具体实施方案

本发明的目的在于克服已有的高分辨率SAR图像特定地物类型提取技术的不足，针对高分辨率SAR图像，将图像基于内容的分类方法引入到特定地物类型检测中，提出了一种基于局部模式的特定地物类型提取算法。局部模式分类是在原始图像分块的基础上，根据局部模式所包含内容的不同，将局部模式分为不同的类别下，以克服高分辨SAR图像纹理信息复杂、地物类型不均匀的影响，降低检测虚警。同时，对于尺寸减小的局部模式背景相对均匀，有利于提高检测结果的精确度。下面对本发明的以检测河流和城区为实施例进行具体说明。

步骤1：对原始图像进行重叠分块，获取多个局部模式：

对原始图像进行重叠分块可以避免因目标被分割而造成的错误检测，并且可以将背景复杂的SAR图像分成背景相对均匀的局部模式集，方便处理，并且在很大程度上降低了复杂背景对图像特定地物类型检测的影响。根据公式1对获得的原始图像进行重叠分块，获得多个局部模式；本专利将局部模式定义为200×200大小的图像块，因为这个尺寸可以获得图像中较大又相对小的图像结构特征。

其中，m,n分别为所述原始图像的长和宽；w为子图像长和宽；p％为设定的重复率；N为获得局部模式总数。

步骤2：对步骤1获得的局部模式进行分类，不同的地物类型分为不同的类。

步骤2.1：创建训练数据，训练数据为与局部模式尺寸一致的图像块，并且根据它的地貌内容，分到对应的地物类型中。

步骤2.2：提取每个局部模式的SIFT特征，并对所有局部模式的特征点进行Kmeans聚类，聚类中心称为视觉单词；

步骤2.3：由于每个局部模式均有不同类别的SIFT特征点，传统的BoW模型只利用了这些特征点的类别累积量或者每一类的概率，并没有考虑SIFT特征点的空间位置关系。因此，本发明利用SIFT特征点的空间位置关系，构造空域金字塔模型，得到两个局部模式的空域金字塔相交核并将其作为SVM分类的自定义核，模型分为3层(l＝0,1,2)，每层4^l个单元，如示意图2所示，第l层两个局部模式的直方图交集如下：

其中，M为聚类的类数，D为第l层的单元数，H_1l,H_2l为两个局部模式第l层的BoW直方图(即一个局部模式中SIFT特征点中每一视觉单词的概率向量)。

I(H_1l,H_2l)简化为I_l，由于在l层匹配的数量包括了在l+1层匹配的所有量，因此在计算I_l时，在计算了I_l+1的基础上，只需要计算I_l-I_l+1，并且设l层的权值为最终，空域金字塔匹配核为：

由于每个局部模式的SIFT特征点均属于M个视觉单词类，每个SIFT特征点c_i的位置为(x_i,y_i)，定义视觉单词共现矩阵为：

VWCM_ρ(u,v)＝||(c_i,c_j)|(c_i＝u)Λ(c_j＝v)Λ(c_iρc_j)|| (5)

其中，VWCM是满足空域限制的SIFT特征点对数，u,v为两个视觉单词，c_iρc_j∈{T,F}

SIFT特征点c_i,c_j的位置分别为(x_i,y_i)，(x_j,y_j)

VWCM_1ρ,VWCM_2ρ分别为两个局部模式的视觉单词共现矩阵，则这两个局部模式的空间共现核为：

接下来，每个局部模式分成0,...,L(L＝2)层，第l层有4^l个单元，采用与上述相同的方法，将两个局部模式的空间共现核放到每层的每个单元中单独计算，从而得到这两个局部模式的空域金字塔共现核：

其中，l为所在层，k为所在单元，权值w_l＝1/4^l。

SPCK和SPMK在描述空间独立性上是互补的，所以，将SPCK和SPMK结合起来构成这两个局部模式的最终核：

K_SPCK+＝K_SPCK+K_SPMK (9)

步骤2.4：将K_SPCK+作为这两个局部模式的svm的自定义核，用于分类；对任两个局部模式求出它们的自定义核用于训练和分类。

步骤3：根据步骤2的分类结果，对包含特定地物类型的局部模式进行检测，具体地：对包含特定地物类型的局部模式先进行二值化处理，再对二值化后的局部模式进行形态学处理，滤除虚警，最后通过sobel算子对其进行边缘检测。只对包含特定地物类型的局部模式进行检测可以减少虚警、提高检测准确性，并且减少冗余信息。

步骤4：将经过检测的局部模式根据分块时的次序拼接回原图，便可以将特定地物类型的边界映射到原始目标图像上，从而检测出特定地物类型。

先以河流为实施例进行具体说明。

图1为本发明实施例提供的基于局部模式的高分辨率SAR图像的特定地物类型提取方法的流程示意图。该方法适用于多种场景的高分辨率SAR图像，以河流为例，主要包括以下步骤：

本发明采用的原始图像为德国Rosenheim城的TerraSAR-X图像，尺寸为812×810，视数为16，并对其进行重叠分块，每个图像块的尺寸为200×200，从而获得多个局部模式。

提取所有局部模式的SIFT特征，并对所有模式的SIFT特征进行Kmeans聚类，聚成50类。根据公式(4)、(8)来计算两两局部模式的空域金字塔核和空域金字塔共现核，因为这两个核的空间关系互补，所以将这两者的和作为这两个局部模式的svm分类时的自定义核，可以使得河流提取的更准确，分类结果如图3所示。

根据上述局部模式分类结果，只针对包含河流的局部模式进行河流检测，可以有效减少计算的数据量。先对包含河流的局部模式进行阈值为0.25的二值化处理，利于后续的边缘检测，再利用形态学处理，滤除非河流的虚警部分，最后利用sobel算子检测出河流的边界，局部模式河流检测结果如图4所示。

将经过检测的局部模式按照分块的次序进行拼接，获得河流检测结果，如图5所示。

再以城区为实施例进行具体说明；

仍然采用原始图像为德国Rosenheim城的TerraSAR-X图像，尺寸为812×810，视数为16，并对其进行重叠分块，每个图像块的尺寸为200×200，从而获得多个局部模式；局部模式分类方法同河流检测中的局部模式分类方法一样，只是提取的是包含城区的局部模式；将包含城区的局部模式按照分块的次序粘回原图，便可得到城区的粗提取结果，再对城区的粗提取结果利用城区SIFT特征点分布密集、非城区特征点分布稀疏的特点，计算每个像素到所有SIFT特征点的距离并利用阈值分割，得到城区的精提取结果，结果如图6所示。

本实施例通过对局部模式进行分类，根据先验知识剔除不包含河流或者城区的局部模式，使得检测具有针对性，减少了冗余信息，保证了特定地物类型检测的准确性。通过对包含河流或者是城区的局部模式进行检测，很大程度上降低了复杂背景对特定地物类型检测的影响，使得特定地物类型特征更加清晰，减少了虚警，使得检测结果更准确。

本发明具体涉及合成孔径雷达(SAR)图像的基于局部模式图像分类、特征提取、自定义核计算及特定地物类型检测，可用于SAR图像特定地物类型检测。本发明首先对原始目标图像进行重叠分块、然后提取每个局部模式的SIFT特征，并用Kmeans进行聚类，计算两两局部模式的自定义核，作为svm分类和预测的依据。将原始目标图像的所有局部模式分到包含特定地物类型和不包含特定地物类型两类，将包含特定地物类型的局部模式进行特定地物类型检测，并按照分块的次序拼接回原图，从而检测出特定地物类型。本发明引入基于局部模式分类算法，减少了图像的冗余信息，同时将背景复杂的图像分为背景相对均匀的图像块，很大程度上降低了背景对特定地物类型检测的影响，尤其对纹理信息复杂、地物类型不均匀的高分辨SAR图像，本发明的性能优越性更加明显。

Claims (4)

1.一种针对高分辨率合成孔径雷达图像地物类型提取方法：

步骤1：将原始图像按照不同的划分位置进行多次分块，获得若干局部图像块，将多次划分获得的所有局部图像块称为局部图像集；

步骤2：获取金字塔匹配核；

步骤2.1：提取每个局部图像块的SIFT特征，并对所有局部图像块的SIFT特征点进行Kmeans聚类，获得若干聚类中心；

步骤2.2：统计局部图像块的BoW直方图；再将局部图像块均分为4个单元，统计每个单元的BoW直方图；再将局部图像块均分为16个单元，统计每个单元的BoW直方图，将该统计结果称为金字塔模型；

步骤2.3：将局部图像集中的局部图像块按照排列的方式进行两两分组，获取这每组中的局部图像块的在三种不同的划分情况下的各单元的BoW直方图交集，获得金字塔相交核；

步骤2.4：将金字塔相交核的每一层加权相加，加权系数为其中L为总层数，l表示第l层的序号，获得匹配核；

步骤3：获得每个局部图像块的空间共现核；

步骤3.1：按照步骤2.2的方法对每个局部图像块进行单元划分，计算每个单元的空间共现矩阵：

VWCM_ρ(u,v)＝||(c_i,c_j)|(c_i＝u)Λ(c_j＝v)Λ(c_iρc_j)||

其中，VWCM是满足空域限制的SIFT特征点对数，u、v为一个单元中的SIFT特征点聚类中心，c_iρc_j∈{T,F}，SIFT特征点c_i,c_j的位置分别为(x_i,y_i)，(x_j,y_j)，ρ表示二进制空间标识符；

r为根据实际情况设定的阈值；

步骤3.2：将局部图像集中的局部图像块按照排列的方式进行两两分组，获得每组中两个图像块的对应层对应单元的空间共现矩阵的交集，获得交集的能量，将相同层交集能量相加，再将不同层交集能量和加权相加，获得金字塔共现核，其中加权系数为1/4^l，l表示所在层；

步骤4：将步骤2获得的匹配核和步骤3获得共现核按照分组对应相加为最终核，所有分组组成最终核矩阵；

步骤5：使用步骤4获得最终核矩阵，按照不同的地物类型采用SVM分类模型将所有局部图像块分为不同的类；

步骤6：针对包含同种地物类型的局部图像块进行集中处理，检测出每个局部图像块中的特定地物类型，再将已检测特定地物类型的局部图像块按照分块顺序拼接回原图,获取该种地物类型所在的区域。

2.如权利要求1所述的一种针对高分辨率合成孔径雷达图像地物类型提取方法，其特征在于步骤5的具体步骤为：

步骤5.1：选取部分局部图像块，对图像块的地物类型及位置进行标记，采用步骤4得到的核矩阵及SVM分类模型，训练模型，得到模型参数和支持向量；

步骤5.2：采用训练好的SVM分类模型对其余局部图像块进行分类。

3.如权利要求1所述的一种针对高分辨率合成孔径雷达图像地物类型提取方法，其特征在于步骤6中针对河流的提取方法为：

步骤A6.1：将地物类型为河流的局部图像块进行二值化处理，再对二值化后的局部图像块进行形态学处理，滤除虚警，最后通过sobel算子对河流进行边缘检测；

步骤A6.2：将经过检测的局部图像块根据分块顺序拼接回原图，将检测出的河流映射到原始目标图像上，从而检测出原始图像中河流区域。

4.如权利要求1所述的一种针对高分辨率合成孔径雷达图像地物类型提取方法，其特征在于步骤6中针对城镇区域的提取方法为：包含城区的局部图像块按照分块顺序拼回原图，利用高斯模型对拼接后的图像进行边缘模糊，得到平滑边缘的城镇区域。