CN106611420A - 基于反卷积网络和素描图方向约束的sar图像分割方法 - Google Patents
基于反卷积网络和素描图方向约束的sar图像分割方法 Download PDFInfo
- Publication number
- CN106611420A CN106611420A CN201611257450.4A CN201611257450A CN106611420A CN 106611420 A CN106611420 A CN 106611420A CN 201611257450 A CN201611257450 A CN 201611257450A CN 106611420 A CN106611420 A CN 106611420A
- Authority
- CN
- China
- Prior art keywords
- sketch
- pixel
- line
- sar image
- region
- 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.)
- Granted
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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
发明公开了一种基于反卷积网络和素描图方向约束的SAR图像分割方法。主要解决现有的分割技术分割SAR图像不准确的问题。实现步骤为:(1)SAR图像素描化,得到素描图;(2)根据SAR图像的区域图,划分SAR图像的像素子空间;(3)训练反卷积网络;(4)滤波器方向聚类;(5)采用基于反卷积网络和素描图方向约束的SAR图像分割方法,分割混合聚集结构地物像素子空间;(6)基于素描线聚拢特征的独立目标分割;(7)基于视觉语义规则的线目标分割;(8)采用基于多项式逻辑回归先验模型对匀质区域像素子空间进行分割;(9)合并分割结果,得到SAR图像分割结果。本发明获得了SAR图像的良好分割效果,可用于SAR图像的语义分割。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像分割技术领域中的一种基于反卷积网络和素描图方向约束的SAR图像分割方法。本发明能够对合成孔径雷达SAR图像的不同区域准确地进行分割,并且可用于后续的合成孔径雷达SAR图像的目标检测与识别。
背景技术
合成孔径雷达SAR是遥感技术领域的重要进展,用来获取地球表面的高分辨图像。与其他类型的成像技术相比,合成孔径雷达SAR有着非常重要的优势,它不受云层、降雨或者大雾等大气条件以及光照强度的影响,能够全天时、全天候地获取高分辨遥感数据。合成孔径雷达SAR技术对于军事、农业、地理等许多领域具有重要指导意义。图像分割是指根据颜色、灰度和纹理等特征将图像划分成若干个互不相交的区域的过程。通过计算机对合成孔径雷达SAR图像进行解译是目前面临的一个巨大挑战,而合成孔径雷达SAR图像分割又是其必要步骤,它对进一步的检测、识别影响很大。
目前图像分割常用的方法有:基于区域生长和分水岭的方法、基于聚类的方法、基于特征的方法和基于统计的方法等。由于合成孔径雷达SAR独特的成像机理,SAR图像中含有许多相干斑噪声,导致很多光学图像的传统方法都不能直接用于SAR图像的分割。合成孔径雷达SAR图像的传统分割方法包括一些基于聚类如Kmeans、FCM等的方法,以及其他一些有监督和半监督的方法。
西安电子科技大学在其申请的专利“基于反卷积网络和自适应推理网络的SAR图像分割方法”(专利号201510817299.4,公开号105427313A)中公开了一种基于反卷积网络和自适应推理网络分割方法。该方法在SAR图像的区域图中采用反卷积网络学习区域的特征,然后将不同区域学习到的特征输入到自适应推理网络中进行区域划分。该方法的不足是只利用了图像的像素信息,而没能充分利用图像中存在的方向结构信息,而缺乏基于图像方向结构特征的推理,降低了合成孔径雷达SAR图像分割的精度。
西安电子科技大学在其申请的专利“基于脊波反卷积网络和稀疏分类的SAR图像分割方法”(专利号20150675676.5,公开号105374033A)中公开了一种基于脊波反卷积网络和稀疏分类的SAR图像分割方法。其中采用稀疏分类的方式计算区域之间结构特征的相似性。该方法的不足是在在计算区域相似性的过程中采用了无差别映射,并没有考虑图像中存在的方向结构信息,得到的区域相似性不够准确。
刘芳,段一平,李玲玲,焦李成等在其发表的论文“基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割”(IEEE Trancactions on Geoscience and RemoteSensing,2016,54(7):4287-4301.)中提出了一种基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法,该方法在SAR图像素描图的基础上,提出了SAR图像的层次视觉语义。该层次视觉语义把SAR图像划分为聚集区域,结构区域和匀质区域。基于该划分,对不同特性的区域采用了不同的分割方法。对于聚集区域,提取灰度共生矩阵特征,并采用局部线性约束编码的方法得到每个聚集区域的表示,进而采用层次聚类的方法进行分割。对结构区域,通过分析边模型和线模型,设计了视觉语义规则定位边界和线目标。另外,边界和线目标包含了强烈的方向信息,因此设计了基于几何结构窗的多项式隐模型进行分割。对匀质区域,为了能找到恰当的邻域去表示中心像素,设计了基于自适应窗口的多项式隐模型进行分割。这三个区域的分割结果被整合到一起得到最后的分割结果。该方法的不足之处是,对聚集区域的边界定位不够精确,对匀质区域类别数的确定不够合理,分割结果的区域一致性较差,而结构区域的分割中未对独立目标进行处理。
发明内容
本发明的目的在于针对上述现有技术中存在的不足,提出一种基于反卷积网络和素描图方向约束的SAR图像分割方法,以提高合成孔径雷达SAR图像的分割准确性。
实现本发明目的的具体步骤如下:
(1)SAR图像素描化:
(1a)对输入的合成孔径雷达SAR图像,根据SAR图像的分布特点得到其素描模型;
(1b)利用SAR图像素描模型,对输入的合成孔径雷达SAR图像进行素描化处理,获得输入的合成孔径雷达SAR图像对应的素描图;
(2)划分像素子空间:
(2a)采用素描线区域化方法,对合成孔径雷达SAR图像的素描图进行区域化处理,得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图;
(2b)将包括聚集区域、无素描线区域和结构区域的区域图,分别映射到合成孔径雷达SAR图像中,得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、匀质像素子空间和结构像素子空间;
(3)训练反卷积网络:
(3a)对混合聚集结构地物的像素子空间的各个不连通区域分别进行采样,得到不连通区域的样本;
(3b)使用反卷积网络,对每个不连通区域的所有样本进行无监督学习,得到每个不连通区域的滤波器集合;
(4)滤波器方向聚类:
(4a)利用初始素描模型,对混合聚集结构地物像素子空间中各个不连通区域的滤波器集合中的每个滤波器进行素描化处理,得到混合聚集结构地物像素子空间中各个不连通区域滤波器集合中每个滤波器的素描块;
(4b)提取不连通区域中每个滤波器的素描块的方向信息,将滤波器中素描线的方向信息设计为方向特征向量;
(4c)利用方向特征向量,采用异或逻辑比较的方法,对每个不连通区域的滤波器集合进行方向聚类,得到每个区域按方向聚类后的滤波器集合;
(4d)将每个不连通区域方向聚类后的滤波器集合拼接成一个集合,将该集合作为混合聚集结构地物像素子空间的码本;
(5)分割混合聚集结构地物的像素子空间:
(5a)将混合聚集结构地物像素子空间中互每个不连通区域中的每个滤波器分别向码本投影,进行基于方向约束的投影,属于同一个方向的滤波器进行投影时,投影方案采用内积,不属于同一方向的滤波器之间投影值为0,得到每个区域中的每个滤波器在基于方向投影后的方向特征向量;
(5b)对每个区域中所有滤波器投影后得到的所有方向特征向量进行最大池化MaxPooling操作,得到表征该区域的一个结构特征向量;
(5c)使用近邻传播Affinity Propagation聚类的方式,对所有不连通区域的结构特征向量进行聚类,得到SAR图像混合聚集结构地物像素子空间的分割结果;
(6)分割结构像素子空间:
(6a)用视觉语义规则,分割线目标;
(6b)基于素描线的聚拢特征,分割独立目标;
(6c)对线目标和独立目标分割的结果进行合并,得到结构像素子空间的分割结果;
(7)分割匀质区域像素子空间:
采用基于多项式逻辑回归先验模型的匀质区域分割方法,对匀质区域像素子空间进行分割,得到匀质区域像素子空间的分割结果;
(8)合并分割结果:
将混合聚集结构像素子空间、匀质区域像素子空间和结构像素子空间的分割结果进行合并,得到合成孔径雷达SAR图像的最终分割结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明采用基于素描图方向约束的方法,对不连通区域结构特征的滤波器图像集合进行分类学习,克服了现有技术没能利用图像方向结构特征进行推理导致学习特征不准确的缺点,使得本发明设计的方向特征能够根据图像中包含的方向结构特征,并且以此作为指导,学习到的特征更加准确。
第二,由于本发明采用方向约束的映射比较方法,计算两个不连通区域之间的相似度值,克服了区域相似性不够准确的缺点,使得本发明设计的映射比较方案充分利用了图像的方向结构信息和像素信息,学习的相似性结果更为准确。
附图说明
图1是本发明的流程图;
图2为本发明的素描化仿真图;
图3是本发明中滤波器方向聚类结果图;
图4为本发明的SAR图像分割结果仿真结果图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照附图1,本发明的具体步骤如下。
步骤1,素描化SAR图像:
对输入的合成孔径雷达SAR图像,根据SAR图像的分布特点得到其素描模型。
按照以下步骤,利用SAR图像素描模型,对输入的合成孔径雷达SAR图像进行素描化处理,获得输入的合成孔径雷达SAR图像对应的素描图:
第1步,构造具有不同方向和尺度的由像素点组成的边、线的一个模板,利用模板的方向和尺度信息构造各向异性高斯函数,统计该模板中每一点的加权系数,其中尺度个数取值为3~5,方向个数取值为18。
第2步,按照下式,计算与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值和方差值:
其中,μ表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值,∑表示求和操作,g表示模板第Ω个区域中一个像素点的位置,∈表示属于符号,wg表示模板第Ω个区域中像素点在g位置处的权重系数,wg的取值范围为wg∈[0,1],Ag表示与模板第Ω个区域中像素点在g位置处对应的合成孔径雷达SAR图像中的像素值,v表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的方差值。
第3步,按照下式,计算合成孔径雷达SAR图像中每个像素对比值算子的响应值:
其中,R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值,min{·}表示求最小值操作,a和b分别表示模板中的两个不同的区域,μa和μb分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值。
第4步,按照下式,计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值:
其中,C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值,a和b分别表示模板中两个不同的区域,va和vb分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的方差值,ua和ub分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值,表示平方根操作。
第5步,按照下式,融合合成孔径雷达SAR图像中像素对比值算子的响应值和合成孔径雷达SAR图像中像素对相关性算子的响应值,计算合成孔径雷达SAR图像中每个像素对各个模板的响应值:
其中,F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值,R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值,表示平方根操作。
第6步,从各个模板的响应值中选择具有最大响应值的模板,作为合成孔径雷达SAR图像中像素的模板,并将最大响应值作为该像素的强度,将具有最大响应值的模板的方向作为该像素的方向,获得合成孔径雷达SAR图像的边线响应图和方向图。
第7步,利用合成孔径雷达SAR图像中每个像素所选择的具有最大响应值的模板,获得合成孔径雷达SAR图像的梯度图。
第8步,按照下式,融合边线响应图的响应值和梯度图的值,计算得到强度值,由强度值的各个像素点组成合成孔径雷达SAR图像的强度图:
其中,I表示强度值,x表示合成孔径雷达SAR图像边线响应图中的值,y表示合成孔径雷达SAR图像梯度图中的值。
第9步,采用非极大值抑制方法,对强度图进行检测,得到建议草图。
第10步,从建议草图中选取具有最大强度的像素,将建议草图中与该最大强度的像素连通的像素连接形成建议线段,得到建议素描图。
第11步,按照下式,计算建议素描图中素描线的编码长度增益:
其中,CLG表示建议素描图中素描线的编码长度增益,m表示当前素描线邻域中像素的个数,∑表示求和操作,t表示当前素描线邻域中像素的编号,At表示当前素描线邻域中第t个像素的观测值,At,0表示在当前素描线不能表示结构信息的前提下,该素描线邻域中第t个像素的估计值,ln(·)表示以e为底的对数操作,At,1表示在当前素描线能够表示结构信息的前提下,该素描线邻域中第t个像素的估计值。
第12步,设定阈值T,T的取值范围为5~50,选择CLG>T的建议素描线作为最终素描图中的素描线,获得输入合成孔径雷达SAR图像对应的素描图。
本发明使用的合成孔径雷达SAR图像素描模型是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》中所提出的模型。
步骤2,划分像素子空间:
采用素描线区域化方法,对合成孔径雷达SAR图像的素描图进行区域化处理,得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图:
第1步,按照合成孔径雷达SAR图像的素描图中素描线段的聚集度,将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标、孤立目标的边界素描线、线目标素描线、孤立目标素描线。
第2步,根据素描线段聚集度的直方图统计,选取聚集度等于最优聚集度的素描线段作为种子线段集{Ek,k=1,2,...,m},其中,Ek表示种子线段集中的任一条素描线段,k表示种子线段集中任一条素描线段的标号,m表示种子线段的总条数,{·}表示集合操作。
第3步,以未被选取添加进种子线段集和的线段作为基点,以此基点递归求解线段集合。
第4步,构造一个半径为最优聚集度区间上界的圆形基元,用该圆形基元对线段集合中的线段进行膨胀,对膨胀后的线段集合由外向内进行腐蚀,在素描图上得到以素描点为单位的聚集区域。
第5步,对表示边界、线目标以及孤立目标的素描线,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,得到结构区域。
第6步,将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域。
第7步,将素描图中的聚集区域、结构区域和不可素描区域合并,得到包括聚集区域、匀质区域和结构区域的合成孔径雷达SAR图像的区域图。
将包括聚集区域、无素描线区域和结构区域的区域图,映射到输入的合成孔径雷达SAR图像,得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间。
步骤3,训练反卷积网络:
混合聚集结构地物的像素子空间的各个不连通区域分别进行采样,得到不连通区域的样本。
用反卷积网络,对不连通区域的所有样本进行无监督学习,得到不连通区域结构特征的滤波器集合:
第1步,利用大小为31×31像素采样窗口,对混合聚集结构地物的像素子空间进行滑窗采样,得到混合聚集结构地物的像素子空间中不同区域的样本。
第2步,构造一个5层反卷积网络,其中第1层为输入层,第2层为反卷积层,包含9个7*7大小的滤波器和9个特征图,第3层为反卷积层,包含45个7*7大小的滤波器和45个特征图,第4层为反卷积层,包含100个7*7大小的滤波器和100个特征图,第5层为反卷积层,包含300个7*7大小的滤波器和300个特征图。
第3步,将混合聚集结构地物的像素子空间中不同区域的采样样本,输入到反卷积网络的输入层。
第4步,固定反卷积网络中特征图和滤波器组的值,通过解决一个一维最优化问题,得到反卷积网络中辅助变量的最优值。
第5步,固定反卷积网络中辅助变量和滤波器组的值,通过解决一个线性系统最优化问题,得到反卷积网络中特征图的最优值。
第6步,固定反卷积网络中特征图和辅助变量的值,通过使用梯度下降法,得到反卷积网络中滤波器组的最优值。
第7步,经过反卷积网络的学习,得到不连通区域的滤波器。
步骤4,滤波器方向聚类:
利用初始素描模型,对混合聚集结构地物像素子空间中各个不连通区域的滤波器集合中的每个滤波器进行素描化处理,得到混合聚集结构地物像素子空间中各个不连通区域滤波器集合中每个滤波器的素描块。
提取不连通区域中每个滤波器的素描块的方向信息,将滤波器中素描线的方向信息设计为方向特征向量:
第1步,从不连通区域的每个滤波器素描块中,提取滤波器素描块中的素描线段。
第2步,将任意一个滤波器素描块的左下角作为直角坐标原点,构建一个直角坐标系,该坐标系的Y轴方向向上,统计滤波器素描块中所有素描线段的端点坐标值。
第3步,根据素描线段端点的坐标值,按照下式,计算每一个素描线段坐标值与坐标系X轴夹角值,将所计算的夹角值作为对应素描线段的方向:
其中,θ表示滤波器素描块中素描线段与坐标系X轴夹角值,arctan表示反正切操作,(x1,y1)和(x2,y2)分别表示素描线段端点的坐标值。
第4步,初始化一个36维的方向特征向量,以5度为一个单位,划分[0°,180°]的方向区间为36维的方向特征向量,将方向特征向量X=(x1,x2,...,xi,...,x36)作为滤波器素描块的方向特征;根据素描块中素描线段的方向,得到方向特征向量X中的xi值,xi在集合{0、1}中取值,xi=1表示素描块中第i个方向存在线段,xi=0表示素描块中第i个方向不存在线段,得到滤波器素描块的方向特征向量。
利用方向特征向量,采用异或逻辑比较的方法,对不连通区域的滤波器集合进行方向聚类,得到每个区域按方向聚类后的滤波器集合。
按照以下步骤,利用方向特征向量,采用异或逻辑比较的方法,对不连通区域的滤波器集合进行方向聚类,得到每个区域按方向聚类后的滤波器集合:
第1步,按照围拢区域聚类,将素描块中存在多条锐角和钝角素描线的滤波器定义为具有围拢趋势的一类滤波器。
第2步,在非围拢趋势的滤波器中,表示两个待比较的方向特征向量以及它们的方向相似性向量为:
Da=(a1,a2,...ai,...a36)T
Db=(b1,b2,...bi,...b36)T
SIa,b=(s1,s2,...si,...s36)T
其中,Da和Db分别表示每个不连通区域中两个待比较的方向特征向量,ai表示向量Da中第i个元素的值,bi表示向量Db中第i个元素的值;SIa,b表示待比较方向特征向量的方向相似性向量,初始化si=0。
第3步,计算方向特征向量Da、Db的方向相似性向量SIa,b,取Da向量中每个ai=1的元素位置i,按照下式,计算滤波器素描块a与滤波器素描块b在i位置的方向相似性si:
si=(ai⊕bi-1)∧(ai⊕bi)∧(ai⊕bi+1)
其中,si表示滤波器素描块a与滤波器素描块b在i位置的方向相似性值,si在集合{0、1}中取值,si=0表示滤波器素描块a与滤波器素描块b在该方向上相同,si=1表示滤波器素描块a与滤波器素描块b在该方向上不相同,ai表示Da向量中第i元素的值,bi表示Db向量中的第i个元素值,bi-1表示bi的左邻元素值,bi+1表示bi的右邻元素值。
第4步,按照下式,计算素描块a和素描块b的方向相似性值:
其中,Sa,b表示素描块a、b的相似性值,SIa,b表示方向特征向量Da与方向特征向量Db的方向相似性向量,||·||0表示0范数操作。
第5步,将每个不连通区域中滤波器素描块的方向相似值在阈值范围内的作为同一类,不在阈值范围内作为不同类,实现滤波器方向聚类,得到方向聚类结果。
第6步,按照上述步骤,迭代处理混合聚集结构地物像素子空间各个互不连通的区域,得到每个区域按方向聚类后的滤波器集合。
将每个不连通区域方向聚类后的滤波器集合拼接成一个集合,将该集合作为混合聚集结构地物像素子空间的码本。
步骤5,分割混合聚集结构地物的像素子空间:
将混合聚集结构地物像素子空间中互不连通区域中的每个滤波器分别向码本投影,进行基于方向约束的投影,属于同一个方向的滤波器进行投影,不属于同一方向的滤波器之间投影值为0,投影方案采用内积,得到每个区域中的每个滤波器在基于方向投影后的方向特征向量。
对每个区域中所有滤波器投影后得到的方向特征向量进行最大池化Max Pooling操作,得到表征该区域的一个特征向量。
使用近邻传播Affinity Propagation聚类的方式,对所有不连通区域的特征向量进行聚类,得到SAR图像混合聚集结构地物像素子空间的分割结果。
步骤6,分割结构像素子空间。
用视觉语义规则,分割线目标。
设第i条素描线li与第j条素描线lj之间的距离为Dij,li的方向为Oi,lj的方向为Oj,i,j∈[1,2,...,S],S为素描线的总条数。
将宽度大于3个像素的线目标用两条素描线li和lj表示,li和lj之间的距离Dij小于T1且方向差(Oi-Oj)小于10度,其中T1=5。
设第s条素描线ls的几何结构窗ws内每一列的平均灰度为Ai,设相邻列的灰度差为ADi=|Ai-Ai+1|,设zs=[zs1,zs2,...,zs9]为相邻列的灰度差ADi的标记向量。
将宽度小于3个像素的线目标用单个素描线ls表示,ls的几何结构窗ws内,计算相邻列的灰度差ADi,如果ADi>T2,则zsi=1。否则zsi=0,zs中有两个元素的值为1,其余为0,其中T2=34。
设L1,L2是表示线目标的素描线的集合,如果Dij<T1并且|Oi-Oj|<10,则li,lj∈L1;如果sum(zs)=2,则ls∈L2,其中sum(·)表示对向量的所有分量求和的操作。
在结构像素子空间,根据线目标的素描线的集合L1,将li和lj之间的区域作为线目标。
在结构像素子空间,根据线目标的素描线的集合L2,将覆盖ls的区域作为线目标。
按照以下步骤,基于素描线的聚拢特征,分割独立目标:
第1步,在区域图的结构区域中,将不表示线目标的所有素描线标记为候选素描线集合中的素描线;
第2步,从候选素描线集合中随机选取一条素描线,以所选取的素描线的一个端点为中心,构造大小为5×5的一个几何结构窗;
第3步,判断几何结构窗内是否存在其它素描线的端点,若存在,执行第4步;否则,执行第6步;
第4步,判断是否只存在一个端点,若是,将该端点所在素描线和当前素描线进行连接;否则,执行第5步;
第5步,连接所选取素描线与各端点所在的素描线,从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线;
第6步,判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点,若存在,执行第4步;否则,执行第7步;
第7步,对完成连接操作的素描线,选取包含两条及两条以上素描线段的素描线,统计所选取素描线中包含素描线段的条数n,其中n≥2。
第8步,判断素描线的条数n是否等于2,若是,则执行第9步;否则,执行第10步。
第9步,将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线。
第10步,选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线。
第11步,在所选出的素描线中,定义如下两种情况:
第一种情况,判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧,2≤i≤n-1,若素描线上的所有素描线段与相邻线段都在同一侧,则标记该素描线为具有聚拢特征的素描线;
第二种情况,判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧,2≤i≤n-1,若素描线上有n-1条素描线段与相邻线段在同一侧,而有一条素描线段与其相邻线段在非同一侧,也标记该素描线为具有聚拢特征的素描线。
第12步,在具有聚拢特征的素描线中任选一条素描线,由所选取素描线的两个端点坐标,确定两个端点间的距离,若该端点距离在[0,20]范围内,则将所选取素描线作为表示独立目标的素描线。
第13步,判断未处理的具有聚拢特征的素描线是否全部选完,若是,执行第12步;否则,执行第14步。
第14步,用超像素分割的方法,对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割,将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素。
第15步,合并独立目标超像素,将合并后的独立目标超像素的边界作为独立目标的边界,得到独立目标的分割结果。
对线目标和独立目标分割的结果进行合并,得到结构像素子空间的分割结果。
步骤7,分割匀质区域像素子空间。
采用基于多项式逻辑回归先验模型的匀质区域分割方法,对匀质区域像素子空间进行分割,得到匀质区域像素子空间的分割结果:
第1步,从匀质区域像素子空间中任意选取一个像素点,以所选取的像素点为中心建立3×3的方形窗口,计算该窗口的标准差σ1。
第2步,将方形窗口的边长增加2,得到新的方形窗口,计算新方形窗口的标准差σ2。
第3步,设标准差阈值T3=3,如果|σ1-σ2|<T3,则将标准差为σ2的方形窗口作为最终的方形窗口,执行第4步;否则,执行第2步。
第4步,按照下式,计算方形窗口内中心像素的先验概率:
其中,p1'表示方形窗口内中心像素的先验概率,exp(·)表示指数函数操作,η'表示概率模型参数,η'取值为1,xk′′表示方形窗口内属于第k'类的像素个数,k'∈[1,...,K'],K'表示分割的类别数,K'取值为5,xi'表示第3步得到的方形窗口内属于第i'类的像素个数。
第5步,将像素灰度的概率密度与纹理的概率密度相乘,得到似然概率p'2,其中,灰度的概率密度由衰落信道Nakagami分布得到,纹理的概率密度由t分布得到。
第6步,将先验概率p1'与似然概率p2'相乘,得到后验概率p12'。
第7步,判断匀质区域像素子空间中是否还有未处理的像素点,若有,执行第1步;否则,执行第8步。
第8步,根据最大后验概率准则,得到匀质区域像素子空间的分割结果。
步骤8,合并分割结果:
将混合聚集结构像素子空间、匀质区域像素子空间和结构像素子空间的分割结果合并,得到合成孔径雷达SAR图像的最终分割结果。
下面结合仿真图对本发明做进一步的描述。
1.仿真条件:
本发明仿真的硬件条件为:window7,CPU Pentium(R)4,基本频率为3.0GHZ;软件平台为:MatlabR2014b;本发明仿真所使用的合成孔径雷达SAR图像为:Ku波段分辨率为1米的Piperiver图。
2.仿真内容:
本发明的仿真实验是对Piperiver图进行分割,如图2(a)所示的Piperiver图是来源于Ku波段分辨率为1米的合成孔径雷达SAR图像,对图2(a)进行素描化,得到如图2(b)所示的素描图。
采用本发明的SAR图像素描化步骤,对图2(a)所示的Piperiver图素描化,得到如图2(b)所示的素描图。
采用本发明的划分像素子空间步骤,对图2(b)所示的素描图区域化,得到如图2(c)所示的区域图。图2(c)中的白色空间表示混合聚集结构语义空间,其他的为匀质结构语义空间和结构语义空间。将图2(c)所示区域图映射到图2(a)所示原SAR图像,得到如图2(d)所示的SAR图像混合聚集结构地物像素子空间图。将图2(c)所示区域图中结构区域映射到图2(b)所示素描图,得到图2(e)所示的结构区域对应的素描线。图2(f)所示的结构区域对应的素描线中,黑色为代表线目标的素描线,图2(g)所示的结构区域对应的素描线中,黑色为代表独立目标的素描线。
采用本发明的方向聚类学习步骤,对混合聚集结构地物像素子空间区域1特征学习,得到如图3(a)所示的表示区域1的滤波器集合;图3(b)为图3(a)中的滤波器素描化处理后的结果;对滤波器集合采用本方法进行方向聚类,得到的如图3(c)所示的方向聚类结果,其中同一行的图像为同一类滤波器。
采用本发明的基于素描线的聚拢特征,分割独立目标步骤,对图2(a)所示的Piperiver图进行独立目标的分割,得到图4(b)所示的独立目标的分割结果图,其中黑色区域表示独立目标。
采用本发明的基于素描线的聚拢特征分割独立目标,合并图4(a)所示的混合聚集结构地物像素子空间分割结果和匀质区域像素子空间分割结果和结构像素子空间分割结果,得到图4(c),图4(c)是图4(a)Piperiver图像的最终分割结果图,图4(c)是基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法对Piperiver图像的最终分割结果图。
3.仿真效果分析:
图4(c)是本发明方法对Piperiver图像的最终分割结果图,图4(d)是基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法对Piperiver图像的最终分割结果图,通过分割结果图的对比,本发明方法对于混合聚集结构地物像素子空间的边界确定更精确,对于匀质区域像素子空间的分割,区域一致性明显较好,类别数更加合理,并对结构像素子空间中的独立目标进行了较好的分割处理。使用本发明方法对合成孔径雷达SAR图像进行分割,有效的将SAR图像进行了分割,并提高了SAR图像分割的准确性。
Claims (10)
1.一种基于反卷积网络和素描图方向约束的SAR图像分割方法,包括如下步骤:
(1)SAR图像素描化:
(1a)对输入的合成孔径雷达SAR图像,根据SAR图像的分布特点得到其素描模型;
(1b)利用SAR图像素描模型,对输入的合成孔径雷达SAR图像进行素描化处理,获得输入的合成孔径雷达SAR图像对应的素描图;
(2)划分像素子空间:
(2a)采用素描线区域化方法,对合成孔径雷达SAR图像的素描图进行区域化处理,得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图;
(2b)将包括聚集区域、无素描线区域和结构区域的区域图,分别映射到合成孔径雷达SAR图像中,得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、匀质像素子空间和结构像素子空间;
(3)训练反卷积网络:
(3a)对混合聚集结构地物的像素子空间的各个不连通区域分别进行采样,得到不连通区域的样本;
(3b)使用反卷积网络,对每个不连通区域的所有样本进行无监督学习,得到每个不连通区域的滤波器集合;
(4)滤波器方向聚类:
(4a)利用初始素描模型,对混合聚集结构地物像素子空间中各个不连通区域的滤波器集合中的每个滤波器进行素描化处理,得到混合聚集结构地物像素子空间中各个不连通区域滤波器集合中每个滤波器的素描块;
(4b)提取不连通区域中每个滤波器的素描块的方向信息,将滤波器中素描线的方向信息设计为方向特征向量;
(4c)利用方向特征向量,采用异或逻辑比较的方法,对每个不连通区域的滤波器集合进行方向聚类,得到每个区域按方向聚类后的滤波器集合;
(4d)将每个不连通区域方向聚类后的滤波器集合拼接成一个集合,将该集合作为混合聚集结构地物像素子空间的码本;
(5)分割混合聚集结构地物的像素子空间:
(5a)将混合聚集结构地物像素子空间中互每个不连通区域中的每个滤波器分别向码本投影,进行基于方向约束的投影,属于同一个方向的滤波器进行投影时,投影方案采用内积,不属于同一方向的滤波器之间投影值为0,得到每个区域中的每个滤波器在基于方向投影后的方向特征向量;
(5b)对每个区域中所有滤波器投影后得到的所有方向特征向量进行最大池化MaxPooling操作,得到表征该区域的一个结构特征向量;
(5c)使用近邻传播Affinity Propagation聚类的方式,对所有不连通区域的结构特征向量进行聚类,得到SAR图像混合聚集结构地物像素子空间的分割结果;
(6)分割结构像素子空间:
(6a)用视觉语义规则,分割线目标;
(6b)基于素描线的聚拢特征,分割独立目标;
(6c)对线目标和独立目标分割的结果进行合并,得到结构像素子空间的分割结果;
(7)分割匀质区域像素子空间:
采用基于多项式逻辑回归先验模型的匀质区域分割方法,对匀质区域像素子空间进行分割,得到匀质区域像素子空间的分割结果;
(8)合并分割结果:
将混合聚集结构像素子空间、匀质区域像素子空间和结构像素子空间的分割结果进行合并,得到合成孔径雷达SAR图像的最终分割结果。
2.根据权利要求1所述的基于反卷积网络和素描图方向约束的SAR图像分割方法,其特征在于,步骤(1b)中所述的利用SAR图像素描模型,对输入的合成孔径雷达SAR图像进行素描化处理的具体步骤如下:
第1步,构造具有不同方向和尺度的由像素点组成的边、线的一个模板,利用模板的方向和尺度信息构造各向异性高斯函数,统计该模板中每一点的加权系数,其中尺度个数取值为3~5,方向个数取值为18;
第2步,按照下式,计算与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值和方差值:
其中,μ表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值,∑表示求和操作,g表示模板第Ω个区域中一个像素点的位置,∈表示属于符号,wg表示模板第Ω个区域中像素点在g位置处的权重系数,wg的取值范围为wg∈[0,1],Ag表示与模板第Ω个区域中像素点在g位置处对应的合成孔径雷达SAR图像中的像素值,ν表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的方差值;
第3步,按照下式,计算合成孔径雷达SAR图像中每个像素对比值算子的响应值:
其中,R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值,min{·}表示求最小值操作,a和b分别表示模板中的两个不同的区域,μa和μb分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值;
第4步,按照下式,计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值:
其中,C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值,a和b分别表示模板中两个不同的区域,va和vb分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的方差值,ua和ub分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值,表示平方根操作;
第5步,按照下式,融合合成孔径雷达SAR图像中像素对比值算子的响应值和合成孔径雷达SAR图像中像素对相关性算子的响应值,计算合成孔径雷达SAR图像中每个像素对各个模板的响应值:
其中,F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值,R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值,表示平方根操作;
第6步,从各个模板的响应值中选择具有最大响应值的模板,作为合成孔径雷达SAR图像中像素的模板,并将最大响应值作为该像素的强度,将具有最大响应值的模板的方向作为该像素的方向,获得合成孔径雷达SAR图像的边线响应图和方向图;
第7步,利用合成孔径雷达SAR图像中每个像素所选择的具有最大响应值的模板,获得合成孔径雷达SAR图像的梯度图;
第8步,按照下式,融合边线响应图的响应值和梯度图的值,计算得到强度值,由强度值的各个像素点组成合成孔径雷达SAR图像的强度图:
其中,I表示强度值,x表示合成孔径雷达SAR图像边线响应图中的值,y表示合成孔径雷达SAR图像梯度图中的值;
第9步,采用非极大值抑制方法,对强度图进行检测,得到建议草图;
第10步,从建议草图中选取具有最大强度的像素,将建议草图中与该最大强度的像素连通的像素连接形成建议线段,得到建议素描图;
第11步,按照下式,计算建议素描图中素描线的编码长度增益:
其中,CLG表示建议素描图中素描线的编码长度增益,m表示当前素描线邻域中像素的个数,∑表示求和操作,t表示当前素描线邻域中像素的编号,At表示当前素描线邻域中第t个像素的观测值,At,0表示在当前素描线不能表示结构信息的前提下,该素描线邻域中第t个像素的估计值,ln(·)表示以e为底的对数操作,At,1表示在当前素描线能够表示结构信息的前提下,该素描线邻域中第t个像素的估计值;
第12步,设定阈值T,T的取值范围为5~50,选择CLG>T的建议素描线作为最终素描图中的素描线,获得输入合成孔径雷达SAR图像对应的素描图。
3.根据权利要求1所述的基于反卷积网络和素描图方向约束的SAR图像分割方法,其特征在于,步骤(2a)中所述素描线区域化方法的具体步骤如下:
第1步,按照合成孔径雷达SAR图像的素描图中素描线段的聚集度,将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线;
第2步,统计素描线段聚集度的直方图,从中选取聚集度等于最优聚集度的素描线段作为种子线段集{Ek,k=1,2,...,m},其中,Ek表示种子线段集中的任一条素描线段,k表示种子线段集中任一条素描线段的标号,m表示种子线段的总条数,{·}表示集合操作;
第3步,将未被选取添加进某个种子线段集和的线段作为基点,以此基点递归求解新的线段集合;
第4步,构造一个半径为最优聚集度区间上界的圆形基元,用该圆形基元对线段集合中的线段进行膨胀,对膨胀后的线段集合由外向内进行腐蚀,在输入合成孔径雷达SAR图像对应的素描图上得到以素描点为单位的聚集区域;
第5步,对表示边界、线目标以及孤立目标的素描线,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,得到结构区域;
第6步,将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域;
第7步,将素描图中的聚集区域、结构区域和不可素描区域,分别映射到合成孔径雷达SAR图像上,得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、结构像素子空间和匀质结构像素子空间。
4.根据权利要求1所述的基于反卷积网络和素描图方向约束的SAR图像分割方法,其特征在于,步骤(3b)中所述的用反卷积网络对不连通区域的所有样本进行无监督学习的具体步骤如下:
第1步,利用大小为31×31像素采样窗口,对混合聚集结构地物的像素子空间进行滑窗采样,得到混合聚集结构地物的像素子空间中不同区域的样本;
第2步,构造一个5层反卷积网络,其中第1层为输入层,第2层为反卷积层,包含9个7*7大小的滤波器和9个特征图,第3层为反卷积层,包含45个7*7大小的滤波器和45个特征图,第4层为反卷积层,包含100个7*7大小的滤波器和100个特征图,第5层为反卷积层,包含300个7*7大小的滤波器和300个特征图;
第3步,将混合聚集结构地物的像素子空间中不同区域的采样样本,输入到反卷积网络的输入层;
第4步,固定反卷积网络中特征图和滤波器组的值,通过解决一个一维最优化问题,得到反卷积网络中辅助变量的最优值;
第5步,固定反卷积网络中辅助变量和滤波器组的值,通过解决一个线性系统最优化问题,得到反卷积网络中特征图的最优值;
第6步,固定反卷积网络中特征图和辅助变量的值,通过使用梯度下降法,得到反卷积网络中滤波器组的最优值;
第7步,经过反卷积网络的学习,得到不连通区域的滤波器。
5.根据权利要求1所述的基于反卷积网络和素描图方向约束的SAR图像分割方法,其特征在于,其中步骤(4b)提取不连通区域中每个滤波器的素描块的方向信息,将滤波器中素描线的方向信息设计为方向特征向量的具体步骤如下:
第1步,从不连通区域的每个滤波器素描块中,提取滤波器素描块中的素描线段;
第2步,将任意一个滤波器素描块的左下角作为直角坐标原点,构建一个直角坐标系,该坐标系的Y轴方向向上,统计滤波器素描块中所有素描线段的端点坐标值;
第3步,根据素描线段端点的坐标值,按照下式,计算每一个素描线段坐标值与坐标系X轴夹角值,将所计算的夹角值作为对应素描线段的方向:
其中,θ表示滤波器素描块中素描线段与坐标系X轴夹角值,arctan表示反正切操作,(x1,y1)和(x2,y2)分别表示素描线段端点的坐标值;
第4步,初始化一个36维的方向特征向量,以5度为一个单位,划分[0°,180°]的方向区间为36维的方向特征向量,将方向特征向量X=(x1,x2,...,xi,...,x36)作为滤波器素描块的方向特征;根据素描块中素描线段的方向,得到方向特征向量X中的xi值,xi在集合{0、1}中取值,xi=1表示素描块中第i个方向存在线段,xi=0表示素描块中第i个方向不存在线段,得到滤波器素描块的方向特征向量。
6.根据权利要求1所述的基于反卷积网络和素描图方向约束的SAR图像分割方法,其特征在于,步骤(4c)所述的采用异或逻辑比较的方法,对不连通区域的滤波器进行方向聚类的具体步骤如下:
第1步,按照围拢区域聚类,将素描块中存在多条锐角和钝角素描线的滤波器定义为具有围拢趋势的一类滤波器;
第2步,在非围拢趋势的滤波器中,表示两个待比较的方向特征向量以及它们的方向相似性向量为:
Da=(a1,a2,...ai,...a36)T
Db=(b1,b2,...bi,...b36)T
SIa,b=(s1,s2,...si,...s36)T
其中,Da和Db分别表示每个不连通区域中两个待比较的方向特征向量,ai表示向量Da中第i个元素的值,bi表示向量Db中第i个元素的值;SIa,b表示待比较方向特征向量的方向相似性向量,初始化si=0;
第3步,计算方向特征向量Da、Db的方向相似性向量SIa,b,取Da向量中每个ai=1的元素位置i,按照下式,计算滤波器素描块a与滤波器素描块b在i位置的方向相似性si:
其中,si表示滤波器素描块a与滤波器素描块b在i位置的方向相似性值,si在集合{0、1}中取值,si=0表示滤波器素描块a与滤波器素描块b在该方向上相同,si=1表示滤波器素描块a与滤波器素描块b在该方向上不相同,ai表示Da向量中第i元素的值,bi表示Db向量中的第i个元素值,bi-1表示bi的左邻元素值,bi+1表示bi的右邻元素值;
第4步,按照下式,计算素描块a和素描块b的方向相似性值:
其中,Sa,b表示素描块a、b的相似性值,SIa,b表示方向特征向量Da与方向特征向量Db的方向相似性向量,||·||0表示0范数操作;
第5步,将每个不连通区域中滤波器素描块的方向相似值在阈值范围内的作为同一类,不在阈值范围内作为不同类,实现滤波器方向聚类,得到方向聚类结果;
第6步,按照上述步骤,迭代处理混合聚集结构地物像素子空间各个互不连通的区域,得到每个区域按方向聚类后的滤波器集合。
7.根据权利要求1所述的基于反卷积网络和素描线方向约束的SAR图像分割方法,其特征在于,步骤(6a)中所述的视觉语义规则如下:
设第i条素描线li与第j条素描线lj之间的距离为Dij,li的方向为Oi,lj的方向为Oj,i,j∈[1,2,...,S],S为素描线的总条数;
将宽度大于3个像素的线目标用两条素描线li和lj表示,li和lj之间的距离Dij小于T1且方向差(Oi-Oj)小于10度,其中T1=5;
设第s条素描线ls的几何结构窗ws内每一列的平均灰度为Ai,设相邻列的灰度差为ADi=|Ai-Ai+1|,设zs=[zs1,zs2,...,zs9]为相邻列的灰度差ADi的标记向量;
将宽度小于3个像素的线目标用单个素描线ls表示,ls的几何结构窗ws内,计算相邻列的灰度差ADi,如果ADi>T2,则zsi=1;否则zsi=0,zs中有两个元素的值为1,其余为0,其中T2=34;
设L1,L2是表示线目标的素描线的集合,如果Dij<T1并且|Oi-Oj|<10,则li,lj∈L1;如果sum(zs)=2,则ls∈L2,其中sum(·)表示对向量的所有分量求和的操作。
8.根据权利要求1所述的基于反卷积网络和素描图方向约束的SAR图像分割方法,其特征在于,步骤(6a)中所述的分割线目标的具体步骤如下:
第1步,在结构像素子空间,根据线目标的素描线的集合L1,将li和lj之间的区域作为线目标;
第2步,在结构像素子空间,根据线目标的素描线的集合L2,将覆盖ls的区域作为线目标。
9.根据权利要求1所述的基于反卷积网络和素描图方向约束的SAR图像分割方法,其特征在于,步骤(6b)中所述的分割独立目标的具体步骤如下:
第1步,在区域图的结构区域中,将不表示线目标的所有素描线标记为候选素描线集合中的素描线;
第2步,从候选素描线集合中随机选取一条素描线,以所选取的素描线的一个端点为中心,构造大小为5×5的一个几何结构窗;
第3步,判断几何结构窗内是否存在其它素描线的端点,若存在,执行第4步;否则,执行第6步;
第4步,判断是否只存在一个端点,若是,将该端点所在素描线和当前素描线进行连接;否则,执行第5步;
第5步,连接所选取素描线与各端点所在的素描线,从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线;
第6步,判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点,若存在,执行第4步;否则,执行第7步;
第7步,对完成连接操作的素描线,选取包含两条及两条以上素描线段的素描线,统计所选取素描线中包含素描线段的条数n,其中n≥2;
第8步,判断素描线的条数n是否等于2,若是,则执行第9步;否则,执行第10步;
第9步,将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线;
第10步,选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线;
第11步,在所选出的素描线中,定义如下两种情况:
第一种情况,判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧,2≤i≤n-1,若素描线上的所有素描线段与相邻线段都在同一侧,则标记该素描线为具有聚拢特征的素描线;
第二种情况,判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧,2≤i≤n-1,若素描线上有n-1条素描线段与相邻线段在同一侧,而有一条素描线段与其相邻线段在非同一侧,也标记该素描线为具有聚拢特征的素描线;
第12步,在具有聚拢特征的素描线中任选一条素描线,由所选取素描线的两个端点坐标,确定两个端点间的距离,若该端点距离在[0,20]范围内,则将所选取素描线作为表示独立目标的素描线;
第13步,判断未处理的具有聚拢特征的素描线是否全部选完,若是,执行第12步;否则,执行第14步;
第14步,用超像素分割的方法,对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割,将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素;
第15步,合并独立目标超像素,将合并后的独立目标超像素的边界作为独立目标的边界,得到独立目标的分割结果。
10.根据权利要求1所述的基于反卷积网络和素描图方向约束的SAR图像分割方法,其特征在于,步骤(7)中所述基于多项式逻辑回归先验模型的匀质区域分割方法的具体步骤如下:
第1步,从匀质区域像素子空间中任意选取一个像素点,以所选取的像素点为中心建立3×3的方形窗口,计算该窗口的标准差σ1;
第2步,将方形窗口的边长增加2,得到新的方形窗口,计算新方形窗口的标准差σ2;
第3步,设标准差阈值T3=3,如果|σ1-σ2|<T3,则将标准差为σ2的方形窗口作为最终的方形窗口,执行第4步;否则,执行第2步;
第4步,按照下式,计算方形窗口内中心像素的先验概率:
其中,p′1表示方形窗口内中心像素的先验概率,η'表示概率模型参数,η'取值为1,xk′′表示方形窗口内属于第k'类的像素个数,k'∈[1,...,K'],K'表示分割的类别数,K'取值为5,xi'表示第3步得到的方形窗口内属于第i'类的像素个数;
第5步,将像素灰度的概率密度与纹理的概率密度相乘,得到似然概率p'2,其中,灰度的概率密度由衰落信道Nakagami分布得到,纹理的概率密度由t分布得到;
第6步,将先验概率p1'与似然概率p2'相乘,得到后验概率p12';
第7步,判断匀质区域像素子空间中是否还有未处理的像素点,若有,执行第1步;否则,执行第8步;
第8步,根据最大后验概率准则,得到匀质区域像素子空间的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611257450.4A CN106611420B (zh) | 2016-12-30 | 2016-12-30 | 基于反卷积网络和素描图方向约束的sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611257450.4A CN106611420B (zh) | 2016-12-30 | 2016-12-30 | 基于反卷积网络和素描图方向约束的sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106611420A true CN106611420A (zh) | 2017-05-03 |
CN106611420B CN106611420B (zh) | 2019-06-18 |
Family
ID=58636820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611257450.4A Active CN106611420B (zh) | 2016-12-30 | 2016-12-30 | 基于反卷积网络和素描图方向约束的sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106611420B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292268A (zh) * | 2017-06-23 | 2017-10-24 | 西安电子科技大学 | 快速脊波反卷积结构学习模型的sar图像语义分割方法 |
CN107341813A (zh) * | 2017-06-15 | 2017-11-10 | 西安电子科技大学 | 基于结构学习和素描特性推理网络的sar图像分割方法 |
CN107403434A (zh) * | 2017-07-28 | 2017-11-28 | 西安电子科技大学 | 基于两阶段聚类的sar图像语义分割方法 |
CN107492129A (zh) * | 2017-08-17 | 2017-12-19 | 西安电子科技大学 | 基于素描表示和结构化聚类的非凸压缩感知优化重构方法 |
CN108986108A (zh) * | 2018-06-26 | 2018-12-11 | 西安电子科技大学 | 一种基于素描线段聚集特性的sar图像样本块选择方法 |
CN109190684A (zh) * | 2018-08-15 | 2019-01-11 | 西安电子科技大学 | 基于素描及结构生成对抗网络的sar图像样本生成方法 |
CN109191474A (zh) * | 2018-09-01 | 2019-01-11 | 哈尔滨工程大学 | 一种基于虫洞行为粒子群优化算法的脑图像分割方法 |
CN109344837A (zh) * | 2018-10-22 | 2019-02-15 | 西安电子科技大学 | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 |
CN109472789A (zh) * | 2018-11-20 | 2019-03-15 | 北京贝叶科技有限公司 | 一种用于皮肤病理图像处理的神经网络训练方法及装置 |
WO2019127927A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳云天励飞技术有限公司 | 一种神经网络芯片、应用神经网络芯片执行反卷积操作方法、电子设备及计算机可读存储介质 |
CN111383237A (zh) * | 2018-12-29 | 2020-07-07 | Tcl集团股份有限公司 | 一种图像分析方法、装置及终端设备 |
CN111523597A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427313A (zh) * | 2015-11-23 | 2016-03-23 | 西安电子科技大学 | 基于反卷积网络和自适应推理网络的sar图像分割方法 |
CN105608692A (zh) * | 2015-12-17 | 2016-05-25 | 西安电子科技大学 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
-
2016
- 2016-12-30 CN CN201611257450.4A patent/CN106611420B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427313A (zh) * | 2015-11-23 | 2016-03-23 | 西安电子科技大学 | 基于反卷积网络和自适应推理网络的sar图像分割方法 |
CN105608692A (zh) * | 2015-12-17 | 2016-05-25 | 西安电子科技大学 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
Non-Patent Citations (2)
Title |
---|
尹奎英: "SAR图像处理即地面目标识别技术研究", 《中国博士学位论文全文数据库》 * |
黄勇: "SAR图像变化检测及相关技术研究", 《中国博士学位论文全文数据库》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341813A (zh) * | 2017-06-15 | 2017-11-10 | 西安电子科技大学 | 基于结构学习和素描特性推理网络的sar图像分割方法 |
CN107341813B (zh) * | 2017-06-15 | 2019-10-25 | 西安电子科技大学 | 基于结构学习和素描特性推理网络的sar图像分割方法 |
CN107292268A (zh) * | 2017-06-23 | 2017-10-24 | 西安电子科技大学 | 快速脊波反卷积结构学习模型的sar图像语义分割方法 |
CN107403434B (zh) * | 2017-07-28 | 2019-08-06 | 西安电子科技大学 | 基于两阶段聚类的sar图像语义分割方法 |
CN107403434A (zh) * | 2017-07-28 | 2017-11-28 | 西安电子科技大学 | 基于两阶段聚类的sar图像语义分割方法 |
CN107492129A (zh) * | 2017-08-17 | 2017-12-19 | 西安电子科技大学 | 基于素描表示和结构化聚类的非凸压缩感知优化重构方法 |
CN107492129B (zh) * | 2017-08-17 | 2021-01-19 | 西安电子科技大学 | 基于素描表示和结构化聚类的非凸压缩感知优化重构方法 |
US11010661B2 (en) | 2017-12-29 | 2021-05-18 | Shenzhen Intellifusion Technologies Co., Ltd. | Neural network chip, method of using neural network chip to implement de-convolution operation, electronic device, and computer readable storage medium |
WO2019127927A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳云天励飞技术有限公司 | 一种神经网络芯片、应用神经网络芯片执行反卷积操作方法、电子设备及计算机可读存储介质 |
CN108986108B (zh) * | 2018-06-26 | 2022-04-19 | 西安电子科技大学 | 一种基于素描线段聚集特性的sar图像样本块选择方法 |
CN108986108A (zh) * | 2018-06-26 | 2018-12-11 | 西安电子科技大学 | 一种基于素描线段聚集特性的sar图像样本块选择方法 |
CN109190684A (zh) * | 2018-08-15 | 2019-01-11 | 西安电子科技大学 | 基于素描及结构生成对抗网络的sar图像样本生成方法 |
CN109190684B (zh) * | 2018-08-15 | 2022-03-04 | 西安电子科技大学 | 基于素描及结构生成对抗网络的sar图像样本生成方法 |
CN109191474A (zh) * | 2018-09-01 | 2019-01-11 | 哈尔滨工程大学 | 一种基于虫洞行为粒子群优化算法的脑图像分割方法 |
CN109191474B (zh) * | 2018-09-01 | 2022-03-18 | 哈尔滨工程大学 | 一种基于虫洞行为粒子群优化算法的脑图像分割方法 |
CN109344837B (zh) * | 2018-10-22 | 2022-03-04 | 西安电子科技大学 | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 |
CN109344837A (zh) * | 2018-10-22 | 2019-02-15 | 西安电子科技大学 | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 |
CN109472789A (zh) * | 2018-11-20 | 2019-03-15 | 北京贝叶科技有限公司 | 一种用于皮肤病理图像处理的神经网络训练方法及装置 |
CN111383237A (zh) * | 2018-12-29 | 2020-07-07 | Tcl集团股份有限公司 | 一种图像分析方法、装置及终端设备 |
CN111523597A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
CN111523597B (zh) * | 2020-04-23 | 2023-08-25 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106611420B (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106611420A (zh) | 基于反卷积网络和素描图方向约束的sar图像分割方法 | |
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 | |
CN107016357B (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN105389550B (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN105374033B (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
CN107341813B (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
CN109919177B (zh) | 基于层次化深度网络的特征选择方法 | |
CN105488536A (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
CN106611422A (zh) | 基于素描结构的随机梯度贝叶斯sar图像分割方法 | |
CN109829449A (zh) | 一种基于超像素时空上下文的rgb-d室内场景标注方法 | |
CN105930815A (zh) | 一种水下生物检测方法和系统 | |
CN107403434B (zh) | 基于两阶段聚类的sar图像语义分割方法 | |
CN106651884B (zh) | 基于素描结构的平均场变分贝叶斯sar图像分割方法 | |
CN107330907B (zh) | 一种结合深度学习形状先验的mrf图像分割方法 | |
CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN108021869A (zh) | 一种结合高斯核函数的卷积神经网络跟踪方法 | |
CN106204651A (zh) | 一种基于改进的判决与生成联合模型的目标跟踪方法 | |
CN109034258A (zh) | 基于特定物体像素梯度图的弱监督目标检测方法 | |
CN102930294A (zh) | 基于混沌特征量视频运动模态分割和交通状况识别的方法 |
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 |