CN106600607B - 一种基于水平集分割极化sar影像的水体精确提取方法 - Google Patents
一种基于水平集分割极化sar影像的水体精确提取方法 Download PDFInfo
- Publication number
- CN106600607B CN106600607B CN201611034125.1A CN201611034125A CN106600607B CN 106600607 B CN106600607 B CN 106600607B CN 201611034125 A CN201611034125 A CN 201611034125A CN 106600607 B CN106600607 B CN 106600607B
- Authority
- CN
- China
- Prior art keywords
- scale
- water body
- level
- sar image
- scattering
- 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
- 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
Landscapes
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于水平集分割极化SAR影像水体精确提取方法,包括步骤:S1极化SAR影像的预处理;S2基于极化SAR影像的极化总功率,从极化SAR影像中提取弱散射同质区域,完成水体的初步提取;S3基于极化SAR影像的散射熵和协方差矩阵,从弱散射同质区域精确提取水体。本发明充分考虑了弱散射地物在极化SAR影像中的相似性,采用多尺度水平集分割策略,根据不同分割内容,构建不同的SAR模型,从而定义不同层次的能量函数,通过这种逐步求精的方法,来提高水体提取的有效性和精度。
Description
技术领域
本发明涉及遥感影像处理技术领域,尤其是涉及一种基于水平集分割极化SAR影像的水体精确提取方法。
背景技术
SAR传感器是利用微波波段进行主动式遥感,具有穿云透雾、全天时工作的能力,从而使得SAR影像可能成为灾害事件中成为唯一可用的数据,并且水体以及建筑区等在SAR影像特征明显,因而可以有效监测洪涝和地震灾害等。但是SAR影像由于是根据地表物体的散射特性进行相干成像,因而对于散射特性类似的地物无法进行精细区分。例如水体与裸土、道路、阴影等同属弱散射地物,散射类型均为奇次散射,在成像中都表现为散射幅度数值小、纹理特征不明显的黑色区域。在洪水灾害发生时,水体能否被精确的提取,对于灾害监测有着重要意义。
极化SAR影像不同于传统SAR影像,其能够通过四种不同极化方式对地物进行分别成像,多角度探测地物的散射特性,从而为区分水体与其他弱散射地物提供了可能,利用极化SAR影像进行水体提取是国际上公认的有效方法。但由于弱散射地物的散射特征相似,并且由于相干斑噪声和雷达视数的影响,因而利用极化SAR影像进行水体提取仍然面临着如何充分挖掘有效的散射特征和构造有效模型来描述水体与其他弱散射地物在分布上的差异等挑战。
目前基于SAR影像的水体提取方法主要分为基于分类与基于分割的水体提取。基于分类的水体提取方法可分为监督分类和非监督聚类方法,前者通过选取训练样本,利用各种分类器,例如最大似然、神经网络以及支持向量机等进行水体提取。监督分类的方法虽然可以在一定程度上区分水体与其他弱散射地物,但是需要大量地选取图像场景内不同类别的样本,并且分类器训练和参数优化都需要较长的时间,因而存在一定弊端。后者通过图像场景内地物散射特征进行聚类,最常用经典的方法包括H-alpha-Wishart以及H-alpha-A-Wishart聚类,聚类方法可以对地物类别进行大致区分,由于得到该方法根据不同像素点与地物类别中心距离进行判别类别属性,但是弱散射地物和其他地物差异太大,因而会出现水体等和其他弱散射地物分为一类的情况。
基于分割的水体提取方法主要利用极化SAR影像的极化通道特征、相干通道特征、极化分解特征以及图像的纹理特征和几何特征等构建水体与其他弱散射地物的差异,进行分割提取。该种方法主要通过分析对比不同特征组合和构建过程中,统计分析水体与其他弱散射地物特征差异,利用差异以及其他辅助数据,例如DEM(数字高程模型)数据以及GIS(地理信息系统)矢量数据等基础地理信息数据进行阈值分割,从而实现水体提取。传统阈值分割算法往往由于对噪声发育和拓扑复杂以及灰度值相近但是类别不同SAR影像失效。一种想法就是能够通过逐步求精的过程首先通过粗分割来提取出弱散射地物区域,然后构建水体与其他弱散射地物判别项进行精细分割,提取水体。
基于水平集曲线演化的分割算法能够对拓扑改变区域做出灵活调整,从而能够有效提取图像中的孤立区域。并且该算法允许通过图像特性构建不同的能量函数来驱动水平集函数进行曲线演化,分割图像。同时,由于SAR影像相干噪声的存在,单一尺度下的分割算法无法对具备随机噪声图像进行有效分割,而多尺度分割可以降低噪声对于分割效果的影响。因而可以在多尺度分割的框架下对极化SAR影像中的水体进行基于水平集分割的提取。多尺度是指在粗细不同的尺度中,利用极化SAR影像的全局和局部信息,通过初试零水平集曲线进行迭代演化,在不同尺度中得到分割结果,提取水体等。
发明内容
本发明的目的是提供一种基于水平集分割极化SAR影像水体精确提取方法。
为达到上述目的,本发明的技术方案如下:
一种基于水平集分割极化SAR影像水体精确提取方法,包括步骤:
S1对极化SAR影像进行极化目标分解,提取协方差矩阵C3;对C3进行非相干分解,提取散射熵H;利用C3得到极化SAR影像的极化总功率SPAN;
S2从极化SAR影像中提取弱散射同质区域,本步骤具体为:
2.1结合混合模型和Gamma模型,基于极化总功率SPAN构建水平集能量泛函,记为第一水平集演化能量函数;
2.2基于当前尺度的极化SAR影像,对第一水平集能量泛函的参数进行估计;
2.3采用当前尺度的零水平集,利用当前尺度的第一水平集能量泛函进行水平集分割;
当前尺度初始化为最粗尺度,最粗尺度的零水平集采用如下方法获得:
采用最粗尺度的第一水平集能量泛函对极化SAR影像进行无监督聚类,聚类结果即最粗尺度的零水平集;
2.4细化当前尺度,将当前尺度的水平集分割结果反演到细尺度,作为细尺度的零水平集,将细尺度作为当前尺度,执行步骤2.2;
2.5重复步骤2.2~2.4直至分割次数达到预设的最大分割次数,执行步骤2.6;
2.6对分割结果中的强散射异质区域进行掩膜,获取弱散射同质区域;
S3从弱散射同质区域提取水体,本步骤具体为:
3.1基于极化SAR影像的散射熵图像,采用KL距离度量弱散射地物在散射熵分布的差异度,结合Weibull分布的概率密度函数和KL距离,得到基于Weibull分布的KL距离;基于极化SAR影像的协方差矩阵图像,分别构建水体弱散射地物和非水体弱散射地物的似然比模型;结合基于Weibull分布的KL距离和似然比模型的水体约束项,构建区别水体弱散射地物和非水体弱散射地物的水平集演化能量函数,记为第二水平集演化能量函数;
3.2基于当前尺度的弱散射同质区域,采用极大似然法对第二水平集演化能量函数的参数进行估计;
3.3采用当前尺度的OSTU零水平集,利用当前尺度的第二水平集能量泛函进行水平集分割;当前尺度初始化为最粗尺度,最粗尺度的OSTU零水平集采用如下方法获得:
最粗尺度下,采用OSUT法对弱散射同质区域的散射熵图像进行分割,分割结果即最粗尺度的零水平集;
3.4细化当前尺度,将当前尺度的水平集分割结果反演到细尺度,作为细尺度的OSTU零水平集,将细尺度作为当前尺度,执行步骤3.2;
3.5重复步骤3.2~3.4直至当前尺度达到极化SAR影像的原始尺度,执行步骤3.6;
3.6对分割结果中的非水体弱散射同质区域进行掩膜,获取水体提取结果。
子步骤2.1中,所构建的第一水平集能量泛函F(φ,p1,p2)为:
其中:
p1和p2分别代表混合模型和Gamma模型的概率密度函数;
φ表示水平集函数,H(φ)表示水平集函数的Heaviside函数;
表示梯度;
x和y分别表示横坐标和纵坐标;
k、ν、λ1、λ2为固定系数;
Ω表示图像区域。
进一步的,第一水平集能量泛函的参数包括雷达视数和图像分割区域的极化总功率均值,雷达视数利用等效视数估计获得,极化总功率均值采用EM法估计获得。
进一步的,极化总功率均值采用如下方法获得:
2.2a以各像素的像素值为样本,利用最粗尺度的极化SAR影像分别估计各样本由各概率密度函数分支生成的概率;
2.2b根据概率估计第m个图像分割区域的极化总功率均值其中,表示第j个样本μ(x)j由第m个概率密度函数分支生成的概率;N表示样本数目;m=1,2;
2.2c重复步骤(a)~(b),直至迭代次数达到预设的最大迭代次数或前后两次迭代估计的概率值差值小于预设的阈值。
步骤3.1中,所构建的第二水平集演化能量函数F(φ)为:
其中,φ表示水平集函数,H(φ)表示水平集函数的Heaviside函数;k、ν、λ1、λ2为固定系数;表示梯度;Ω表示图像区域;x和y分别表示横坐标和纵坐标;Λobj(Cx)和Λbg(Cx)分别水体和非水体若散射地物的似然比检验值;KLWeibull-obj(H(x)和KLWeibull-bg(H(x)分别为水体和非水体弱散射地物的基于Weibull分布的KL距离。
进一步的,水体的似然比检验值非水体若散射地物的似然比检验值其中,Cobj表示水体类别的平均协方差矩阵;Cbg表示非水体若散射地物类别的平均协方差矩阵,可以通过选取两类区域的进行区域平均得到;Cx代表弱散射同质区域中像素x通过集合平均得到的协方差矩阵;C为Cx与Cobj或Cbg的最大似然估计;Nobj和Nbg表示估计矩阵Cobj与Cbg的样本数;Nx表示估计Cx的样本数。
进一步的,水体弱散射地物的基于Weibull分布的KL距离KLWeibull-obj(H(x))为:
非水体弱散射地物的基于Weibull分布的KL距离KLWeibull-bg(H(x))为:
其中,H(x)表示弱散射同质区域中像素x的散射熵;lobj和lbg分别为水体弱散射地物和非水体弱散射地物的形状参数;λobj和λbg分别为水体弱散射地物和非水体弱散射地物的尺度参数;lx与λx表示弱散射同质区域中像素x的形状参数和尺度参数;γ为常数项。
步骤3.1中,所基于的极化SAR影像的协方差矩阵图像经过了增强Lee滤波处理。
和现有技术相比,本发明具有如下特点:
在单极化SAR数据无法精确提取水体等弱散射地物的背景下,本发明利用极化SAR数据,基于多尺度水平集分割,先通过构建混合Gamma模型,区分强散射异质区域和弱散射同质区域;然后,构建基于协方差矩阵的极化似然比假设检验项和基于服从Weibull分布的散射熵KL距离,对水体进行约束;通过逐步求精,反复迭代,从而从弱散射同质区域中精确提取水体。
不同于传统的基于特征与分割的水体提取方法,本发明充分考虑了弱散射地物(例如水体、阴影、裸地、道路等)在极化SAR影像中的相似性,采用多尺度水平集分割策略,根据不同分割内容,构建不同的SAR模型,从而定义不同层次的能量函数,通过这种逐步求精的方法,来提高水体提取的有效性和精度。
附图说明
图1为本发明方法的具体流程图。
具体实施方式
下面将结合附图,对本发明具体实施方式做进一步说明。
本发明详细步骤如下:
步骤1,极化SAR影像的预处理。
本步骤进一步包括:
步骤1.1:对极化SAR影像进行极化目标分解,提取协方差矩阵C3;对协方差矩阵C3进行基于特征值与特征矢量的Cloude分解(非相干分解),获取散射熵,标记为H。
本发明中,将散射熵作为弱散射地物的显著性散射特征,构建水体与其他弱散射地物约束项的组成因子。
步骤1.2:利用协方差矩阵C3对极化SAR影像进行增强Lee滤波处理,本实施例中,窗口大小设置为5*5或7*7;
步骤1.3:极化SAR影像的极化协方差矩阵为半正定的埃尔米特矩阵,利用协方差矩阵C3得到极化SAR影像的极化总功率SPAN。
步骤2:基于混合Gamma模型,进行多尺度水平集分割,提取极化SAR影像的弱散射同质区域。
考虑到极化SAR影像的极化总功率可通过协方差矩阵C3获取,并且服从Gamma分布,基于Gamma分布对极化SAR影像进行统计建模应用广泛。由于极化SAR影像中存在其他异质区域,例如城区、林地等,单一的Gamma分布无法满足对复杂地物类型的统一描述。因而利用极化SAR影像的功率数据,对全图区域进行混合Gamma建模,并且作为水平集能量泛函的组成部分。
本发明采用采用最大期望参数估计和多尺度水平集分割,来提取极化SAR影像的弱散射同质区域。水平集迭代演化过程中,首先,利用EM(Expectation Maximum)算法在最粗尺度上对水平集能量泛函的参数进行估计、初始化零水平集、进行水平集分割。然后,进行尺度更新,将粗尺度的分割结果作为细尺度的零水平集,进行多尺度水平集分割,以区分异质散射信号较强的区域(城区、林地等)与同质散射型号较弱的区域(水体、裸土等),从而提取弱散射同质区域。
本步骤进一步包括:
步骤2.1:基于极化SAR影像的极化总功率,采用混合Gamma模型构建水平集能量泛函。
混合模型的概率密度函数与Gamma模型的概率密度函数分别如下:
式(1)表示混合模型的概率密度函数,K为预先定义的概率密度函数分支数,即图像分割区域的数量,本发明中,为区分水体等同质的弱散射地物与其他异质的强散射地物,设定K=2;θ表示概率密度函数;am为第m个概率密度函数分支所占的比重;p(μ(x)|θm)表示第m个概率密度函数分支的极化总功率概率密度函数,其中,θm表示构成p(μ(x)|θm)的参数集合。
式(2)表示Gamma模型的概率密度函数,Ωm代表图像分割区域,μ(x)表示x位置的像素值;L表示雷达视数;μm表示第m个概率密度函数分支的均值,即图像分割区域Ωm的灰度均值;Γ(L)表示Gamma函数。
基于混合概率密度函数,构建极化SAR影像极化总功率的水平集能量泛函:
式(3)中,x、y分别表示二维图像的横坐标和纵坐标;表示梯度;Ω表示图像区域,图像分割区域Ωm为图像区域Ω的子集;k、ν、λ1、λ2为固定系数,其中,k≥0,ν≥0,λ1≥0,λ2≥0,k、ν、λ1、λ2根据经验自行设定;p1和p2分别代表图像分割区域混合模型和Gamma模型的概率密度函数;φ表示水平集函数,即图像分割结果;H(φ)表示水平集函数的Heaviside函数。
步骤2.2:最粗尺度上进行期望最大参数估计和零水平集初始化。
由Gamma模型的概率密度函数的表达式可知,雷达视数L和图像分割区域的灰度均值μm需要进行参数估计。其中,令雷达视数L值等于等效视数ENL:
式(4)中,E表示期望。
假设在每一个图像分割区域,样本独立同分布,式(1)表示的概率密度函数的对数表达式为:
式(5)中,μ(x)j表示第j个样本像素值;θm表示第m个概率密度函数分支;N表示样本数目;αm表示第m个概率密度函数分支占整体概率密度函数的比重。
由于随机选取样本进行参数估计无法获取其类别信息,因而基于混合模型的最大似然方法进行参数估计存在数据不完整的问题,无法对图像分割区域均值进行估计。一个很自然的想法就是通过期望最大EM(Expectation Maximum)方法来处理数据不完整的情况。考虑第j个样本μ(x)j像素值由第m个概率密度函数分支生成,则可以表示为且随机选取任意大小窗口的异质和均质区域的样本集,计算其需要估计的参数,即极化总功率均值θm={μm}的初始值,下面进行EM参数估计。
E步:利用最粗尺度的极化SAR影像估计样本由各概率密度函数分支生成的概率。
首先,求取式(5)的期望,即:
式(6)中,表示样本像素值μ(x)j由第m个概率密度函数分支生成的概率,z表示类别,且
可以计算的表达式,如下:
M步:对E步数学表达式的中参数集合θm={μm},即对式(6)进行求导并设置为0,得到图像分割区域Ωm的灰度均值μm的估计,如下:
重复E步和M步,直至迭代次数达到预设的最大迭代次数或前后两次迭代估计的概率值的差值小于预设的差值阈值。
利用参数估计结果,即可实现基于混合Gamma模型对极化SAR影像的无监督聚类,聚类结果即最粗尺度的零水平集φ0。
步骤2.3:尺度细化,并进行多尺度水平集分割。
本步骤具体为:
(a)采用当前尺度下的零水平集φ0,在当前尺度中进行水平集分割,将当前尺度的水平集能量泛函转化为Euler-Lagrange方程进行数值计算求解,结果如下:
式(9)中,t表示时间,δε(φ)表示狄里克雷函数,div示散度算子。
当前尺度的初始尺度为最粗尺度。
(b)细化当前尺度,将当前尺度的水平集分割结果反演到细尺度中,并作为细尺度的零水平集,将细尺度作为当前尺度;
(c)重复步骤(a)~(b)进行多尺度水平集分割,直至分割次数达到预设的最大分割次数,终止分割。
步骤2.4对分割结果中的强散射异质区域进行掩膜,获取弱散射同质区域。
步骤3,采用多尺度水平集分割,提取弱散射同质区域中的水体地物。
本步骤用来精确提取水体,去除强散射异质区域,保留弱散射质区域。由于对极化SAR图像的协方差矩形服从Wishart分布,并且水体等区域属于同质性较高的区域,无需进行混合模型建模分析,理论上可以基于单Wishart模型构建能量函数进行水平集演化,分割图像。但实验证明,基于Wishart分布进行的弱散射地物的提取对总功率的依赖严重,虽然水体与其他弱散射地物在随机噪声的发育程度和散射熵存在差异,但是他们的极化总功率都是较小的值,无法进行有效区分。并且基于Wisahrt模型构建水平集演化的公式最终表达形式为Wisahrt距离,该距离并未考虑雷达视数,而雷达视数在弱散射地物区分过程中,代表了同种类型(例如弱散射地物)可分离程度的先验知识,可以真正反映均值区域的离散度。相比之下基于似然比检验模型构建水平集能量函数可以充分考虑并保留了雷达视数,并且可以通过添加拒绝类对残留的高散射点进行再次剔除,从而保证图像的功率较为均衡,利于弱散射地物的区分。
为充分利用极化特征区分水体与其他弱散射地物,需要在基于似然比模型的基础上利用构建添加先验水体约束项。由于水体和其他弱散射地物的散射熵具备一定的可分离性,同时服从Weibull分布,但是两者Weibull分布形态不一致,因此可以通过两分布之间的KL距离(Kullback-Leibler)构建水体约束项,当且仅当曲线演化至水体边界时,KL距离取得极小值。这样处理不仅能够保持原有的特性,而且可以对其他弱散射地物区域实现快速收敛,分割水体。
本步骤进一步包括子步骤:
步骤3.1:基于似然比模型和KL距离构建水体约束项,从而建立区别水体弱散射地物和非水体弱散射地物的水平集能量泛函。
步骤2可剔除异质的强散射地物,保留同质的弱散射地物。为充分利用极化信息区分弱散射地物,通过构建似然比检验项对弱散射同质区域中水体和其他弱散射地物加以区分。给定类别T1,假设为目标,例如水体类;判断某一像素类别T2是否属于这一类,假设为背景,例如弱散射地物中的非水体类,可做出如下假设:
原假设:T1=T2,备择假设:T1≠T2。
似然比检验项可以表示为:
式(10)~(11)中:
Λobj(Cx)表示类别T1,即目标似然比检验项的概率值;
Λbg(Cx)表示类别T2,即背景似然比检验项的概率值;
Cobj表示目标类别T1的平均协方差矩阵;
Cbg表示背景类别T2,的平均协方差矩阵,可以通过选取两类区域的进行区域平均得到;
Cx代表弱散射同质区域中像素x通过集合平均得到的协方差矩阵;
C为Cx与Cobj或Cbg的最大似然估计;
Nobj和Nbg表示估计矩阵Cobj与Cbg的样本数;
Nx表示估计Cx的样本数。
通过式(10)可知,Λobj(Cx)接近0,表示拒绝原假设,接受备择假设,即像素x属于非水体弱散射地物;Λobj(Cx)接近1,表示接受原假设,拒绝备择假设,即像素x属于水体。
通过式(11)可得,Λbg(Cx)接近0,表示拒绝原假设,接受备择假设,即像素x属于水体;Λbg(Cx)接近1,表示接受原假设,拒绝备择假设,即像素x属于非水体。
步骤1所得散射熵H可在一定程度上区分弱散射地物,考虑到水体和非水体弱散射地物的极化特性相似,且均服从Weibull分布,可以通过KL(Kullback-Leibler)距离来度量两种相似地物在散射熵分布的差异度。两种散射熵分布的KL距离可以表示为:
KL(p1,p2)=∫p1*log(p1/p2) (12)
Weibull分布的概率密度函数为:
式(13)中,l与λ分别表示形状参数和尺度参数。
将Weibull分布的概率密度函数代入KL距离表达式,得到基于Weibull分布的KL距离:
式(14)中,γ为常数项,其值为0.5772。
基于散射熵H,通过选取水体弱散射地物和非水体弱散射地物可以估计参数λ1、λ2、l1、l2,进而,式(14)可改写为式(15)和式(16):
式(15)~(16)中:
H(x)表示弱散射同质区域中像素x的散射熵;KLWeibull-obj(H(x))表示像素x的散射熵基于目标水体的Weibull分布的KL距离;KLWeibull-bg(H(x))表示弱散射同质区域中像素x的散射熵基于背景非水体弱散射地物的Weibull分布的KL距离。
lobj、λobj、lbg、λbg分别与l1、l2、λ1、λ2含义相同,lx与λx表示像素x的形状参数和尺度参数。为保证与似然比检验项一致,选取估计Cx的样本数Nx对lx与λx进行估计。
结合式(15)和(16),构建基于KL距离与散射熵Weibull分布水体先验约束项,见式(17):
综合似然比检验项与KL距离项,针对区分水体与其他弱散射地物的水平集能量泛函如下:
步骤3.2:最大似然参数估计与OSTU零水平集的初始化。
式(18)中待估计的参数有基于Weibull分布的KL距离的形状参数l与尺度参数λ,这里采用最大似然法估计l与λ。经公式推导,得到参数最大似然表达式为:
式(19)中,i表示参数最大似然估计中第i个样本;n表示参数最大似然估计中的所有样本。无法求取形状参数l的解析解,可通过数值计算的方法进行近似计算,见式(20):
利用式(20)可在估计形状参数l的基础上估计尺度参数λ。
在最粗尺度下,采用OSTU法对弱散射同质区域的散射熵图像进行分割,分割结果即初始化的OSTU零水平集φ0。
步骤3.3:尺度细化,并进行多尺度水平集分割。
基于步骤3.2得到的OSTU零水平集φ0,在最粗尺度中进行水平集分割,将能量泛函转化为如下的Euler-Lagrange方程进行数值计算求解:
式(21)中,δε(φ)为狄里克雷函数;div表示散度算子。
得到最粗尺度的分割结果φ后,进行尺度细化,将最粗尺度的分割结果反演到细尺度中,作为细尺度的OSTU零水平集。进而利用细尺度的OSTU零水平集进行分割,如此循环,直至当前尺度达到极化SAR影像的原始尺度,终止分割。
步骤3.4对分割结果中的非水体弱散射同质区域进行掩膜,获取水体提取结果。
Claims (8)
1.一种基于水平集分割极化SAR影像水体精确提取方法,其特征是,包括步骤:
S1 对极化SAR影像进行极化目标分解,提取协方差矩阵C3;对C3进行非相干分解,提取散射熵H;利用C3得到极化SAR影像的极化总功率SPAN;
S2 从极化SAR影像中提取弱散射同质区域,本步骤具体为:
2.1 结合混合模型和Gamma模型,基于极化总功率SPAN构建水平集能量泛函,记为第一水平集演化能量函数;
2.2 基于当前尺度的极化SAR影像,对第一水平集演化能量函数的参数进行估计;
2.3 采用当前尺度的零水平集,利用当前尺度的第一水平集演化能量函数进行水平集分割;
当前尺度初始化为最粗尺度,最粗尺度的零水平集采用如下方法获得:
采用最粗尺度的第一水平集演化能量函数对极化SAR影像进行无监督聚类,聚类结果即最粗尺度的零水平集;
2.4 细化当前尺度,将当前尺度的水平集分割结果反演到细尺度,作为细尺度的零水平集,将细尺度作为当前尺度,执行步骤2.2;
2.5 重复步骤2.2~2.4直至分割次数达到预设的最大分割次数,执行步骤2.6;
2.6 对分割结果中的强散射异质区域进行掩膜,获取弱散射同质区域;
S3 从弱散射同质区域提取水体,本步骤具体为:
3.1 基于极化SAR影像的散射熵图像,采用KL距离度量弱散射地物在散射熵分布的差异度,结合Weibull分布的概率密度函数和KL距离,得到基于Weibull分布的KL距离;基于极化SAR影像的协方差矩阵图像,分别构建水体弱散射地物和非水体弱散射地物的似然比模型;结合基于Weibull分布的KL距离和似然比模型的水体约束项,构建区别水体弱散射地物和非水体弱散射地物的水平集演化能量函数,记为第二水平集演化能量函数;
3.2 基于当前尺度的弱散射同质区域,采用极大似然法对第二水平集演化能量函数的参数进行估计;
3.3 采用当前尺度的OSTU零水平集,利用当前尺度的第二水平集演化能量函数进行水平集分割;当前尺度初始化为最粗尺度,最粗尺度的OSTU零水平集采用如下方法获得:
最粗尺度下,采用OSTU 法对弱散射同质区域的散射熵图像进行分割,分割结果即最粗尺度的零水平集;
3.4 细化当前尺度,将当前尺度的水平集分割结果反演到细尺度,作为细尺度的OSTU零水平集,将细尺度作为当前尺度,执行步骤3.2;
3.5 重复步骤3.2~3.4直至当前尺度达到极化SAR影像的原始尺度,执行步骤3.6;
3.6 对分割结果中的非水体弱散射同质区域进行掩膜,获取水体提取结果。
2.如权利要求1所述的基于水平集分割极化SAR影像水体精确提取方法,其特征是:
子步骤2.1中,所构建的第一水平集演化能量函数F(φ,p1,p2)为:
其中:
p1和p2分别代表混合模型和Gamma模型的概率密度函数;
φ表示水平集函数,H(φ)表示水平集函数的Heaviside函数;
▽表示梯度;
x和y分别表示横坐标和纵坐标;
k、ν、λ1、λ2为固定系数;
Ω表示图像区域。
3.如权利要求1所述的基于水平集分割极化SAR影像水体精确提取方法,其特征是:
所述的第一水平集演化能量函数的参数包括雷达视数和图像分割区域的极化总功率均值,雷达视数利用等效视数估计获得,极化总功率均值采用EM法估计获得。
4.如权利要求3所述的基于水平集分割极化SAR影像水体精确提取方法,其特征是:
极化总功率均值采用如下方法获得:
2.2a 以各像素的像素值为样本,利用最粗尺度的极化SAR影像分别估计各样本由各概率密度函数分支生成的概率;
2.2b 根据概率估计第m个图像分割区域的极化总功率均值其中,表示第j个样本μ(x)j由第m个概率密度函数分支生成的概率;N表示样本数目;m=1,2;
2.2c 重复步骤(2.2a)~(2.2b),直至迭代次数达到预设的最大迭代次数或前后两次迭代估计的概率值差值小于预设的阈值。
5.如权利要求1所述的基于水平集分割极化SAR影像水体精确提取方法,其特征是:
步骤3.1中,所构建的第二水平集演化能量函数F(φ)为:
其中,φ表示水平集函数,H(φ)表示水平集函数的Heaviside函数;k、ν、λ1、λ2为固定系数;▽表示梯度;Ω表示图像区域;x和y分别表示横坐标和纵坐标;Λobj(Cx)和Λbg(Cx)分别水体和非水体弱散射地物的似然比检验值;KLWeibull-obj(H(x))和KLWeibull-bg(H(x))分别为水体和非水体弱散射地物的基于Weibull分布的KL距离。
6.如权利要求5所述的基于水平集分割极化SAR影像水体精确提取方法,其特征是:
所述的水体的似然比检验值非水体弱散射地物的似然比检验值其中,Cobj表示水体类别的平均协方差矩阵;Cbg表示非水体弱散射地物类别的平均协方差矩阵,可以通过选取两类区域的进行区域平均得到;Cx代表弱散射同质区域中像素x通过集合平均得到的协方差矩阵;C为Cx与Cobj或Cbg的最大似然估计;Nobj和Nbg表示估计矩阵Cobj与Cbg的样本数;Nx表示估计Cx的样本数。
7.如权利要求5所述的基于水平集分割极化SAR影像水体精确提取方法,其特征是:
所述的水体弱散射地物的基于Weibull分布的KL距离KLWeibull-obj(H(x))为:
所述的非水体弱散射地物的基于Weibull分布的KL距离KLWeibull-bg(H(x))为:
其中,H(x)表示弱散射同质区域中像素x的散射熵;lobj和lbg分别为水体弱散射地物和非水体弱散射地物的形状参数;λobj和λbg分别为水体弱散射地物和非水体弱散射地物的尺度参数;lx与λx表示弱散射同质区域中像素x的形状参数和尺度参数;γ为常数项。
8.如权利要求1所述的基于水平集分割极化SAR影像水体精确提取方法,其特征是:
步骤3.1中,所基于的极化SAR影像的协方差矩阵图像经过了增强Lee滤波处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611034125.1A CN106600607B (zh) | 2016-11-22 | 2016-11-22 | 一种基于水平集分割极化sar影像的水体精确提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611034125.1A CN106600607B (zh) | 2016-11-22 | 2016-11-22 | 一种基于水平集分割极化sar影像的水体精确提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600607A CN106600607A (zh) | 2017-04-26 |
CN106600607B true CN106600607B (zh) | 2019-08-02 |
Family
ID=58592742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611034125.1A Active CN106600607B (zh) | 2016-11-22 | 2016-11-22 | 一种基于水平集分割极化sar影像的水体精确提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600607B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629785B (zh) * | 2018-05-10 | 2021-09-10 | 西安电子科技大学 | 基于自步学习的三维磁共振胰腺图像分割方法 |
CN109405809B (zh) * | 2018-10-24 | 2022-07-12 | 中国电力科学研究院有限公司 | 一种变电站洪水水深检测方法与系统 |
CN109615595B (zh) * | 2018-12-03 | 2019-07-23 | 中国石油大学(华东) | 一种基于双边滤波的水平集sar溢油提取方法 |
CN112883877B (zh) * | 2021-02-24 | 2022-07-19 | 武汉大学 | 基于双重非监督分类的极化sar红树林提取方法及系统 |
CN114677401B (zh) * | 2022-03-28 | 2022-10-21 | 珠江水利委员会珠江水利科学研究院 | 一种基于极化雷达自身影像特征的水体提取方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
CN102609709A (zh) * | 2012-02-03 | 2012-07-25 | 清华大学 | 一种基于极化sar数据融合的海面溢油分割方法 |
CN105528787A (zh) * | 2015-12-07 | 2016-04-27 | 清华大学 | 基于水平集分割的极化sar图像桥梁检测方法和装置 |
-
2016
- 2016-11-22 CN CN201611034125.1A patent/CN106600607B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
CN102609709A (zh) * | 2012-02-03 | 2012-07-25 | 清华大学 | 一种基于极化sar数据融合的海面溢油分割方法 |
CN105528787A (zh) * | 2015-12-07 | 2016-04-27 | 清华大学 | 基于水平集分割的极化sar图像桥梁检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于混合模型的多尺度水平集高分辨率SAR图像水体分割;刘伟等;《信息工程大学学报》;20160430;第17卷(第2期);全文 |
多尺度水平集SAR影像水体自动分割方法;徐川等;《武汉大学学报·信息科学版》;20140131;第39卷(第1期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106600607A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600607B (zh) | 一种基于水平集分割极化sar影像的水体精确提取方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN104915676B (zh) | 基于深层特征学习和分水岭的sar图像分类方法 | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
Lavreniuk et al. | Large-scale classification of land cover using retrospective satellite data | |
Sofia et al. | An objective approach for feature extraction: distribution analysis and statistical descriptors for scale choice and channel network identification | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
Liu et al. | Infrared small target detection in heavy sky scene clutter based on sparse representation | |
Wealands et al. | Quantitative comparison of spatial fields for hydrological model assessment––some promising approaches | |
CN106778884A (zh) | 基于散射熵和三分量分解平面的极化sar图像分类方法 | |
Li et al. | Superresolution mapping of remotely sensed image based on Hopfield neural network with anisotropic spatial dependence model | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
Jiang et al. | InSAR coherence estimation for small data sets and its impact on temporal decorrelation extraction | |
CN109325490A (zh) | 基于深度学习和rpca的太赫兹图像目标识别方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN103093243B (zh) | 高分辨率全色遥感图像云判方法 | |
Cao et al. | A robust parameter-free thresholding method for image segmentation | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
Chen et al. | An improved multi-resolution hierarchical classification method based on robust segmentation for filtering ALS point clouds | |
Atkinson et al. | Multi-resolution soil-landscape characterisation in KwaZulu Natal: Using geomorphons to classify local soilscapes for improved digital geomorphological modelling | |
Li et al. | An improved approach of information extraction for earthquake-damaged buildings using high-resolution imagery | |
Xiang et al. | Edge detector for polarimetric SAR images using SIRV model and gauss-shaped filter | |
CN107527035A (zh) | 建筑物震害信息提取方法及装置 | |
Koppel et al. | Sentinel-1 for urban area monitoring—Analysing local-area statistics and interferometric coherence methods for buildings' detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |