CN105513085A - 采用srgb-rmrf的sar海冰图像分割方法 - Google Patents
采用srgb-rmrf的sar海冰图像分割方法 Download PDFInfo
- Publication number
- CN105513085A CN105513085A CN201610025367.8A CN201610025367A CN105513085A CN 105513085 A CN105513085 A CN 105513085A CN 201610025367 A CN201610025367 A CN 201610025367A CN 105513085 A CN105513085 A CN 105513085A
- Authority
- CN
- China
- Prior art keywords
- sigma
- region
- segmentation
- value
- int
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T2207/10044—Radar 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种针对SAR海冰图像的分割方法,主要解决SAR海冰图像受相干斑噪声影响严重,分割结果不能真实反映地表海冰分布情况的问题。其实现过程是:(1)采用双边滤波器对SAR海冰图像进行滤波;(2)采用改进的边缘权重计算模型和区域内部差异进行初始化分割;(3)基于初始化分割结构构件区域相邻图;(4)构建区域MRF模型,并在MRF中融入区域间强度差异惩罚函数;(5)擦除边缘像素点,得到最终分割结果。本发明显著提升了SAR海冰图像的分割性能。
Description
技术领域
本发明涉及图像分割方法领域,具体是一种采用SRGB-RMRF的SAR海冰图像分割方法。
背景技术
在海冰覆盖的海域,海冰信息对于船舶的航线设计十分重要,随着全球气候的逐渐变暖使得极地冰川融化,海冰信息在气候研究邻域也具有重要的意义。合成孔径雷达(SyntheticApertureRadar,SAR)作为一种高分辨率微波遥感成像雷达,所具有的全天候、全天时、多波段、多极化、可变视角、穿透性强等特点,使得其被广泛的应用于海冰监测上。SAR海冰图像分割作为该领域的关键技术之一,越来越受到人们的关注。
经典的SAR海冰图像分割方法主要包括:阈值方法、结合边沿检测和区域合并混合方法、聚类方法、基于马尔可夫随机场(Markovrandomfield,MRF)的方法等。其中,基于MRF的分割方法根据贝叶斯理论,将MRF空间上下文模型与特征模型相结合,形成MAP-MRF(maximumaposterionMRF)框架,用更为合理的数学方式解决图像分割的难题。传统的基于像素的MRF模型以像素为单元进行分割,分割准确率低,并且,像素级的处理计算量大。因此,基于区域的MRF模型被相继提出并很好的应用到了SAR图像分割中。Deng和Clausi[6]通过在MRF模型和特征模型之间引入自适应权重,提高了算法的分割性能,但先验模型仅仅考虑了邻域标号的平滑性约束,忽视了区域间的差异信息。Yu和Clausi[7]以及Dawoud等[8]将边界强度融入到MLL模型中,使算法更适用于SAR图像分割。但是他们采用高斯模型对SAR图像的特征建模是不合理的,因为根据相干斑噪声模型,SAR图像服从的是Gamma分布,在此基础上利用边界强度进行分割并不能有效提升算法的分割性能。以上几种算法均利用分水岭方法对图像进行初始分割,该方法分割结果好坏完全依赖于图像的梯度估计。由于SAR独特的成像系统和机理,使得SAR图像中存在严重相干斑噪声和特征差异,分水岭算法得到的初始分割结果存在较大的区域数目,且在低对比度的边缘处,由于梯度较小往往导致欠分割现象。综上所述,如何提高初始分割质量,并提出更为合理的区域MRF模型,对SAR海冰图像分割有着重要的意义。
发明内容
本发明的目的是提供一种采用SRGB-RMRF的SAR海冰图像分割方法,以解决SAR海冰图像受相干斑噪声影响严重的问题,以相干斑抑制能力更强的SRGB方法为后续区域MRF提供更加准确的初始分割区域,并在MRF模型中引入区域间强度差异惩罚函数,以得到更为准确的分割结果。
为了达到上述目的,本发明所采用的技术方案为:
采用SRGB-RMRF的SAR海冰图像分割方法,其特征在于:包括以下步骤:
(1)、用SRGB方法对SAR海冰图像进行分割:
1a)对图像进行双边滤波;
给定输入图像y,则经过双边滤波输出图像h为:
其中,Z为归一化系数,x表示中心像素,ε为中心像素邻域中的像素点,y(ε)为ε点的像素值,σd和σr分别控制空间与灰度相似度的衰减程度,c(ε,x)=exp(-(||ε-x||/σd)2/2)为像素的空间相似度权重,灰度相似度权重为g(y(ε),y(x))=exp(-(||y(ε)-y(x)||/σr)2/2);
1b)计算各点的边缘权重w(e),按升序对边排列得到e1,e2,e3......eN;
其中,Ii,Ij为对应的强度值;
1c)对最小边缘权重的边en进行合并判断,假设其所连接区域为C1和C2,若C1和C2不属于同一区域且Dif(C1,C2)≤MInt(C1,C2),则合并两个区域并继续执行第1d)步。
其中,vi和vj为相邻像素点,Dif(C1,C2)为区域C1和C2的差异值,用区域间最小边缘权重来定义;
int(C)=1/N*∑e∈MST(C,E)w(e),
Int(C)=int(C)+τ(C),
MInt(C1,C2)=min(Int(C1),Int(C2)),
将区域C的内部差异值int(C)定义为C中边缘权重的均值,τ(C)=k/|C|,k为可调节参数,k值越大,界定的可以区分两个区域的界限就越明显,MInt(C1,C2)为Int(C1)和Int(C2)中的最小值;
1d)更新int和区域标号,如果n≤N,则按照顺序,选择下一条边返回1c)执行,否则输出初始分割结果;
(2)、进行结合区域间强度差异的区域MRF分割;
2a)用EM算法估计特征模型参数;
EM算法通过迭代E步骤和M步骤估算得到各类的均值、方差,其中E步骤如下:
M步骤如下:
其中,i代表类别,n表示类别总数,p(ys/ui,σi)表示区域s属于类i的概率,ys为区域s的强度值,ui为类i的强度均值,σi为类i的强度方差,wsi为区域s属于i类的概率,πi为类i的先验概率;
2b)计算各相邻区域间的强度差异,构造惩罚函数D;
K(t+1)=1.1.K(t),
其中,dRT为区域间强度差异,区域R和T的强度均值是uR和uT,参数K控制惩罚衰减速度,初始K(0)值为0.01,K(t+1)=1.1.K(t),随着迭代次数t的增加,K值增大,不同相邻区域之间的惩罚差异减小;
2c)计算相同标号的相邻区域合并前后的能量差值δEij,并找出最小值δEmin,合并δEmin为负值的相邻区域;
其中,Ri和Rj为相邻区域,Rh为合并后的新区域,Eh、Ei、Ej分别为区域h、i、j的能量函数值,若δEij值小于0,说明Ri和Rj的合并有利于能量最小化;
2d)判断迭代次数,若已达到最大次数,输出分割结果;若未达到,增大系数K,返回2a)继续迭代。
本发明与现有技术相比具有如下优点:
1)本发明针对经典的Graph-Based方法做出改进,得到分割新方法SRGB,使其在自身优势的基础上,具有较强的相干斑抑制能力,实现边缘的准确定位,并减少过分割现象。
2)本发明提出的SRGB算法根据相干斑噪声特性,采用双边滤波器和归一化强度差异来度量像素间的边缘权重,并在此基础上将梯度公式扩展到曼哈顿距离内计算,进一步提升算法的相干斑抑制能力。
3)本发明构建了更为合理的区域MRF模型,采用Gamma分布对MRF模型建模,并将区域间强度差异作为惩罚函数融入MRF模型中,有效的减少误分割现象。
附图说明
图1是本发明的采用SRGB-RMRF的SAR海冰图像分割方法流程图。
图2是本发明中分割方法得到的合成SAR海冰图像分割结果,其中:图2a为区域级MRF(RMRF)算法分割结果图,图2b为基于语义迭代区域生长(IRGS)算法分割结果图,图2c为基于Graph-Based方法的区域级MRF算法分割结果图,图2d为本发明方法分割结果图。
具体实施方式
如图1所示,采用SRGB-RMRF的SAR海冰图像分割方法,包括以下步骤:
(1)、用SRGB方法对SAR海冰图像进行分割:
1a)对图像进行双边滤波;
给定输入图像y,则经过双边滤波输出图像h为:
其中,Z为归一化系数,x表示中心像素,ε为中心像素邻域中的像素点,y(ε)为ε点的像素值,σd和σr分别控制空间与灰度相似度的衰减程度,c(ε,x)=exp(-(||ε-x||/σd)2/2)为像素的空间相似度权重,灰度相似度权重为g(y(ε),y(x))=exp(-(||y(ε)-y(x)||/σr)2/2);
1b)计算各点的边缘权重w(e),按升序对边排列得到e1,e2,e3......eN;
其中,Ii,Ij为对应的强度值;
1c)对最小边缘权重的边en进行合并判断,假设其所连接区域为C1和C2,若C1和C2不属于同一区域且Dif(C1,C2)≤MInt(C1,C2),则合并两个区域并继续执行第1d)步。
其中,vi和vj为相邻像素点,Dif(C1,C2)为区域C1和C2的差异值,用区域间最小边缘权重来定义;
int(C)=1/N*∑e∈MST(C,E)w(e),
Int(C)=int(C)+τ(C),
MInt(C1,C2)=min(Int(C1),Int(C2)),
将区域C的内部差异值int(C)定义为C中边缘权重的均值,τ(C)=k/|C|,k为可调节参数,k值越大,界定的可以区分两个区域的界限就越明显,MInt(C1,C2)为Int(C1)和Int(C2)中的最小值;
1d)更新int和区域标号,如果n≤N,则按照顺序,选择下一条边返回1c)执行,否则输出初始分割结果;
(2)、进行结合区域间强度差异的区域MRF分割;
2a)用EM算法估计特征模型参数;
EM算法通过迭代E步骤和M步骤估算得到各类的均值、方差,其中E步骤如下:
M步骤如下:
其中,i代表类别,n表示类别总数,p(ys/ui,σi)表示区域s属于类i的概率,ys为区域s的强度值,ui为类i的强度均值,σi为类i的强度方差,wsi为区域s属于i类的概率,πi为类i的先验概率;
2b)计算各相邻区域间的强度差异,构造惩罚函数D;
K(t+1)=1.1.K(t),
其中,dRT为区域间强度差异,区域R和T的强度均值是uR和uT,参数K控制惩罚衰减速度,初始K(0)值为0.01,K(t+1)=1.1.K(t),随着迭代次数t的增加,K值增大,不同相邻区域之间的惩罚差异减小;
2c)计算相同标号的相邻区域合并前后的能量差值δEij,并找出最小值δEmin,合并δEmin为负值的相邻区域;
其中,Ri和Rj为相邻区域,Rh为合并后的新区域,Eh、Ei、Ej分别为区域h、i、j的能量函数值,若δEij值小于0,说明Ri和Rj的合并有利于能量最小化;
2d)判断迭代次数,若已达到最大次数,输出分割结果;若未达到,增大系数K,返回2a)继续迭代。
至此,SRGB-RMRF的的SAR海冰图像分割步骤基本完成。以下通过合成SAR海冰图像分割结果对本发明的有效性进行验证。
1.测试数据:
为无噪的合成SAR海冰图像添加视数L为1、2、3、4、6、8、10、16的相干斑噪声进行测试,视数越大,代表相干斑噪声程度越小。
2.对比方法:
将本发明中提及分割方法与区域级MRF(RMRF)分割算法、基于语义迭代区域生长(IRGS)分割算法以及基于Graph-Based方法的区域级MRF算法(GB-RMRF)进行比较。
3.评价指标:
衡量分割算法的准确性一般使用分割准确率和Kappa系数。分割准确率是指像素被正确标记的概率,Kappa系数用来评价分割图像的精度问题,主要用于精确性评价和图像的一致性判断,其公式为:
式中,P0为整体分类精度,Pc为期望分类精度,Kappa值越大,说明分割效果越好。
4.测试结果(分割准确率/Kappa系数)如表1所示:
表1分割结果比较(整体准确率%/kappa系数)
IRGS算法在视数为1时,分割性能相对较差;RMRF算法在视数小于3时,分割性能劣于GB-RMRF算法;相比而言,本发明算法优于其他三种算法,分割精度和Kappa系数得到大幅度提高,噪声越大,分割优势越明显。由于SAR独特的成像机理,真实的SAR海冰图像含有较强的相干斑噪声,故本发明算法在SAR海冰图像分割中更具实用性。为进一步说明本文算法的有效性,图2给出L=2时各算法的分割结果图。本发明算法分割结果明显优于其他3种算法,在高噪声情况下,基本完成海冰和水的准确分割,很好的保护了海冰的边界。
Claims (1)
1.采用SRGB-RMRF的SAR海冰图像分割方法,其特征在于:包括以下步骤:
(1)、用SRGB方法对SAR海冰图像进行分割:
1a)对图像进行双边滤波;
给定输入图像y,则经过双边滤波输出图像h为:
其中,Z为归一化系数,x表示中心像素,ε为中心像素邻域中的像素点,y(ε)为ε点的像素值,σd和σr分别控制空间与灰度相似度的衰减程度,c(ε,x)=exp(-(||ε-x||/σd)2/2)为像素的空间相似度权重,灰度相似度权重为g(y(ε),y(x))=exp(-(||y(ε)-y(x)||/σr)2/2);
1b)计算各点的边缘权重w(e),按升序对边排列得到e1,e2,e3......eN;
其中,Ii,Ij为对应的强度值;
1c)对最小边缘权重的边en进行合并判断,假设其所连接区域为C1和C2,若C1和C2不属于同一区域且Dif(C1,C2)≤MInt(C1,C2),则合并两个区域并继续执行第1d)步。
其中,vi和vj为相邻像素点,Dif(C1,C2)为区域C1和C2的差异值,用区域间最小边缘权重来定义;
int(C)=1/N*∑e∈MST(C,E)w(e),
Int(C)=int(C)+τ(C),
MInt(C1,C2)=min(Int(C1),Int(C2)),
将区域C的内部差异值int(C)定义为C中边缘权重的均值,τ(C)=k/|C|,k为可调节参数,k值越大,界定的可以区分两个区域的界限就越明显,MInt(C1,C2)为Int(C1)和Int(C2)中的最小值;
1d)更新int和区域标号,如果n≤N,则按照顺序,选择下一条边返回1c)执行,否则输出初始分割结果;
(2)、进行结合区域间强度差异的区域MRF分割;
2a)用EM算法估计特征模型参数;
EM算法通过迭代E步骤和M步骤估算得到各类的均值、方差,其中E步骤如下:
M步骤如下:
其中,i代表类别,n表示类别总数,p(ys/ui,σi)表示区域s属于类i的概率,ys为区域s的强度值,ui为类i的强度均值,σi为类i的强度方差,wsi为区域s属于i类的概率,πi为类i的先验概率;
2b)计算各相邻区域间的强度差异,构造惩罚函数D;
K(t+1)=1.1.K(t),
其中,dRT为区域间强度差异,区域R和T的强度均值是uR和uT,参数K控制惩罚衰减速度,初始K(0)值为0.01,K(t+1)=1.1.K(t),随着迭代次数t的增加,K值增大,不同相邻区域之间的惩罚差异减小;
2c)计算相同标号的相邻区域合并前后的能量差值δEij,并找出最小值δEmin,合并δEmin为负值的相邻区域;
其中,Ri和Rj为相邻区域,Rh为合并后的新区域,Eh、Ei、Ej分别为区域h、i、j的能量函数值,若δEij值小于0,说明Ri和Rj的合并有利于能量最小化;
2d)判断迭代次数,若已达到最大次数,输出分割结果;若未达到,增大系数K,返回2a)继续迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610025367.8A CN105513085A (zh) | 2016-01-13 | 2016-01-13 | 采用srgb-rmrf的sar海冰图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610025367.8A CN105513085A (zh) | 2016-01-13 | 2016-01-13 | 采用srgb-rmrf的sar海冰图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105513085A true CN105513085A (zh) | 2016-04-20 |
Family
ID=55721042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610025367.8A Pending CN105513085A (zh) | 2016-01-13 | 2016-01-13 | 采用srgb-rmrf的sar海冰图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105513085A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485673A (zh) * | 2016-09-19 | 2017-03-08 | 电子科技大学 | 一种对海面sar图像的滤波方法 |
CN111047603A (zh) * | 2019-11-27 | 2020-04-21 | 南京师范大学 | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 |
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN113610189A (zh) * | 2021-08-23 | 2021-11-05 | 国家卫星海洋应用中心 | 海冰海水的遥感分类方法、装置与电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127082A (zh) * | 2007-08-06 | 2008-02-20 | 北京航空航天大学 | 一种快速退火的基于mrf的sar图像分割方法 |
CN102402685A (zh) * | 2011-11-10 | 2012-04-04 | 西安电子科技大学 | 基于Gabor特征的三马尔可夫场SAR图像分割方法 |
CN103617618A (zh) * | 2013-12-03 | 2014-03-05 | 西安电子科技大学 | 基于特征提取与聚类集成的sar图像分割方法 |
-
2016
- 2016-01-13 CN CN201610025367.8A patent/CN105513085A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127082A (zh) * | 2007-08-06 | 2008-02-20 | 北京航空航天大学 | 一种快速退火的基于mrf的sar图像分割方法 |
CN102402685A (zh) * | 2011-11-10 | 2012-04-04 | 西安电子科技大学 | 基于Gabor特征的三马尔可夫场SAR图像分割方法 |
CN103617618A (zh) * | 2013-12-03 | 2014-03-05 | 西安电子科技大学 | 基于特征提取与聚类集成的sar图像分割方法 |
Non-Patent Citations (2)
Title |
---|
刘灿俊: "《结合相干斑抑制进和区域生长的SAR海冰图像MRF分割方法研究》", 《万方学位论文》 * |
王春瑶等: "《超像素分割算法研究综述》", 《计算机应用研究》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485673A (zh) * | 2016-09-19 | 2017-03-08 | 电子科技大学 | 一种对海面sar图像的滤波方法 |
CN106485673B (zh) * | 2016-09-19 | 2018-12-18 | 电子科技大学 | 一种对海面sar图像的滤波方法 |
CN111047603A (zh) * | 2019-11-27 | 2020-04-21 | 南京师范大学 | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 |
CN111047603B (zh) * | 2019-11-27 | 2021-09-03 | 南京师范大学 | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 |
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN112150386B (zh) * | 2020-09-29 | 2023-03-21 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN113610189A (zh) * | 2021-08-23 | 2021-11-05 | 国家卫星海洋应用中心 | 海冰海水的遥感分类方法、装置与电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102681033B (zh) | 一种基于x波段航海雷达的海面风场测量方法 | |
CN102169584B (zh) | 基于分水岭和treelet的遥感图像变化检测方法 | |
Williams | Fast unsupervised seafloor characterization in sonar imagery using lacunarity | |
CN105513085A (zh) | 采用srgb-rmrf的sar海冰图像分割方法 | |
Shu et al. | Shoreline extraction from RADARSAT-2 intensity imagery using a narrow band level set segmentation approach | |
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
CN101493935B (zh) | 基于剪切波隐马尔可夫模型的合成孔径雷达图像分割方法 | |
CN107527023B (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN103294792B (zh) | 基于语义信息和极化分解的极化sar地物分类方法 | |
CN103080979B (zh) | 从照片合成肖像素描的系统和方法 | |
CN103745472B (zh) | 基于条件三重马尔可夫场的sar图像分割方法 | |
CN110765912B (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN114283318B (zh) | 基于sar图像的海洋锋尺度特征参数反演方法及系统 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
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 | |
CN102314610B (zh) | 一种基于概率潜语义分析模型的面向对象影像聚类方法 | |
CN104657995A (zh) | 利用区域分裂技术的遥感影像分割方法 | |
CN104732552B (zh) | 基于非平稳条件场的sar图像分割方法 | |
CN104036491B (zh) | 基于区域划分和自适应多项式隐模型的sar图像分割方法 | |
Parmiggiani et al. | Image processing for pancake ice detection and size distribution computation | |
CN102496142A (zh) | 基于模糊的三马尔可夫场sar图像分割方法 | |
Golpira et al. | Developing families of Ochi-Hubble spectra for the northern parts of the Gulf of Oman | |
CN104346814A (zh) | 基于层次视觉语义的sar图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160420 |
|
RJ01 | Rejection of invention patent application after publication |