CN107016684A - 一种极化sar图像的超像素快速生成方法 - Google Patents

一种极化sar图像的超像素快速生成方法 Download PDF

Info

Publication number
CN107016684A
CN107016684A CN201710239891.XA CN201710239891A CN107016684A CN 107016684 A CN107016684 A CN 107016684A CN 201710239891 A CN201710239891 A CN 201710239891A CN 107016684 A CN107016684 A CN 107016684A
Authority
CN
China
Prior art keywords
image
region
point
instability
pixel
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
Application number
CN201710239891.XA
Other languages
English (en)
Inventor
邹焕新
张月
周石琳
孙浩
计科峰
雷琳
杜春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201710239891.XA priority Critical patent/CN107016684A/zh
Publication of CN107016684A publication Critical patent/CN107016684A/zh
Pending legal-status Critical Current

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

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种极化SAR图像的超像素快速生成方法。技术方案包括下述步骤：第一步：初始化；设不稳定点集的元素为极化SAR图像中的所有像素点，将不稳定点集里的元素称为不稳定点，设不稳定点标签为不稳定点对应像素点的标签值；第二步：更新不稳定点标签，第三步：更新图像区域中心、不稳定点集、迭代次数；第四步：基于不相似度度量的后处理。通过上述四步所得到的一个图像区域就是一个超像素。本发明可使得面积小的且不同于其周边邻域图像区域的超像素得到保留。

Description

一种极化SAR图像的超像素快速生成方法
技术领域
本发明涉及图像分割技术领域，更具体地说，涉及一种极化SAR(SyntheticAperture Radar，合成孔径雷达)图像的超像素快速生成方法。
背景技术
极化SAR有四个通道：HH(水平发送水平接收)极化方式、HV(水平发送垂直接收)极化方式、VH(垂直发送水平接收)极化方式、VV(垂直发送垂直接收)极化方式，因此能提供更多的信息。极化SAR图像超像素生成是一种通过对SAR图像像素进行聚类，得到一系列大小相近的具有特定意义的图像区域的方法。极化SAR图像超像素生成本质上是一种图像分割方法，伴随着极化SAR图像的兴起，基于超像素的极化SAR图像处理也得到越来越多的关注。
现有的超像素生成方法，包括Normalized-Cut方法(见文献Learning aclassification model for segmentation.Ninth IEEE Int.Conf.on Computer Vision:2003,pp.10-17.)、QuickShift方法(Quick shift and kernel methods for modeseeking.European Conf.on Computer Vision:2008；pp.705-718.)和SLIC(Slicsuperpixels.Dept.School Comput.Commun.Sci.,EPFL,Lausanne,Switzerland,Tech.Rep,2012；149300.)方法等，其中SLIC方法在边缘贴合度和效率上更具有优势。
SLIC方法包括两个主要步骤：(1)利用局部k-均值算法对图像像素聚类；(2)利用连通分量算法消除孤立的图像小区域。由于极化SAR图像受相干斑噪声影响，直接采用SLIC方法时，生成的超像素边缘贴合度较低。因此，学者们已经提出了一些针对极化SAR图像超像素生成的SLIC改进算法(参见文献Superpixel segmentation for polarimetric SARimagery using local iterative clustering.IEEE Geosci.Remote Sens.Lett.2015,12,13-17)，用修正Wishart距离替代SLIC方法中的CIELAB颜色空间的欧氏距离，此方法生成超像素的边缘贴合度较高，但是计算效率太低。因此，研究极化SAR图像的超像素快速生成方法具有重要的理论意义和应用价值。
发明内容
本发明提出了一种极化SAR图像的超像素快速生成方法。本方法能够有效地克服极化SAR图像中相干斑噪声的影响，从而生成边缘贴合度较高的超像素，同时还能够极大地提高计算效率。
本发明的基本思路是：首先，将极化SAR图像中所有的像素点都纳入不稳定点集，使得初始不稳定点集包含极化SAR图像中所有真实的边缘点；然后每次迭代中，基于提出的数据距离为不稳定点集中的每个不稳定点进行重贴标签，再通过判断准则更新不稳定点集；最后，基于不相似度度量进行后处理，移除生成的孤立小面积超像素。
本发明的技术方案是：一种极化SAR图像的超像素快速生成方法，具体包括下述步骤：
第一步：初始化。
将极化SAR图像划分为一系列相邻并且不相交的大小均为L×L像素的矩形区域，每个矩形区域赋予一个区域序号，L的取值根据实际需要确定。对极化SAR图像的每个像素赋予一个标签，标签值为该像素所在矩形区域的区域序号。
图像区域定义为具有相同标签值的像素点组成的区域，图像区域的序号为该图像区域所含像素点的标签值。由图像区域的定义可知图像区域的初始化值即上述的矩形区域。
对极化SAR图像的每个像素赋予一个标签变化标识，标签变化标识取值为0。
对任意图像区域计算以下两个参数：
计算每个图像区域中所有像素点的平均相干矩阵作为其数据中心；计算每个图像区域中所有像素点的平均坐标值作为其几何中心。
设不稳定点集的元素为极化SAR图像中的所有像素点，将不稳定点集里的元素称为不稳定点。设不稳定点标签为不稳定点对应像素点的标签值。
设置迭代次数v＝0。
第二步：更新不稳定点标签。
首先，对任意不稳定点进行下述操作：
设不稳定点p的搜索范围Sp为：以不稳定点p为中心的大小为2L×2L的窗口。
计算不稳定点p和图像区域Rk的综合距离D(p,Rk)：
其中：Rk∈Sp表示图像区域Rk位于不稳定点p的搜索范围Sp内，即图像区域Rk的几何中心在不稳定点p的搜索范围Sp内；d1是不稳定点p与图像区域Rk之间的空间欧式距离；m是可调的紧致度因子。利用下式计算数据距离d2：
其中，Gk表示图像区域Rk的数据中心，Tp表示不稳定点p的相干矩阵，上标T表示矩阵的转置。
tp＝f(Tp)，wk＝f(((Gk)-1)T)，其中f(T)＝[T11,T21,T31,T12,T22,T32,T13,T23,T33]，Τij表示相干矩阵T的第i行第j列的元素，其中i＝1,2,3，j＝1,2,3，T＝Tp或((Gk)-1)T，上标-1表示矩阵的逆。
然后，利用下述规则更新极化SAR图像的不稳定点标签：
如果不稳定点p与其搜索范围Sp内某一图像区域Rb的综合距离小于等于p与其搜索范围Sp内其他图像区域的综合距离，则：
如果不稳定点p的标签值不等于图像区域Rb的序号，则令不稳定点p对应的像素标签变化标识取值为1，并且将不稳定点p的标签值更新为图像区域Rb的序号。
第三步：更新图像区域中心、不稳定点集、迭代次数。
首先，计算每个图像区域的数据中心和几何中心；
其次，利用下述规则重新确定不稳定点集：
如果在不稳定点p对应的像素的4邻域中：
存在某个像素点的标签变化标识取值为1，并且该像素点的标签值与不稳定点p的标签值不同，则在不稳定点集中保留该不稳定点p，否则，从不稳定点集中剔除该不稳定点p。
然后，令迭代次数v加1。
如果不稳定点集为空或者重复迭代次数v达到设定的最大值vmax，则执行第四步，否则，返回第二步。
第四步：基于不相似度度量的后处理。
对极化SAR图像中的每个图像区域进行下述操作：
如果图像区域Rn中的像素数目小于ThN，则利用下式计算图像区域Rn与其周边邻域的图像区域Rg间的不相似度F(Rn,Rg)，图像区域Rn的周边邻域的图像区域Rg是指图像区域Rg的边缘像素点与图像区域Rn的边缘像素点互为8邻域的图像区域：
其中，Rg表示图像区域Rn周边邻域的第g个图像区域，M表示图像区域Rn周边邻域的图像区域数目，Gn表示图像区域Rn的数据中心，Gg表示图像区域Rg的数据中心，上标diag表示矩阵的对角元素构成的向量。
如果图像区域Rn与其周边邻域的某个图像区域Rc的不相似度F(Rn,Rc)小于等于图像区域Rn与其周边邻域的其他图像区域的不相似度，并且F(Rn,Rc)＜Cth，Gth是一个取值范围为[0,1]的预设门限值，则图像区域Rn中所有元素所对应的像素点的标签值取值为图像区域Rc的序号。
通过上述四步所得到的一个图像区域就是一个超像素。
本发明的有益效果是：本发明在初始化时将所有像素点归类为不稳定点，使得初始不稳定点集包含极化SAR图像中所有真实的边缘点，然后通过迭代过程对不稳定点标签进行调整，在调整时采用提出的数据距离计算综合距离，这些步骤均使极化SAR图像生成的超像素边缘贴合度高。因为在迭代过程中只对不稳定点的标签进行调整，其他像素点的标签不发生变化，使得同质区域内的超像素形状比较规则，而且使得本发明的计算效率高。在基于不相似度度量的后处理中，只有像素数目小于ThN的、并且与周边邻域图像区域的最小不相似度小于Gth的图像区域中的像素点的标签进行调整，使得面积小的且不同于其周边邻域图像区域的超像素得到保留。
附图说明
图1为本发明流程图；
图2为图像区域Rn与其周边邻域的图像区域R1,R2,R3,R4,R5,R6的示意图；
图3为ESAR实测极化SAR图像；
图4为图3利用本发明生成的超像素；
图5为图4的一个局部放大图；
图6为AirSAR实测极化SAR图像；
图7为图6利用本发明生成的超像素；
图8为图7的一个局部放大图。
具体实施方式
下面结合附图对本发明提供的极化SAR图像超像素快速生成方法进行详细说明。
图2为图像区域Rn与其周边邻域的图像区域R1,R2,R3,R4,R5,R6的示意图。如图所示，图像区域Rn为灰度最深的像素点组成的不规则区域，包括12个像素点。位于图像区域Rn的周边邻域的图像区域R1,R2,R3,R4,R5,R6，分别与图像区域Rn具有4、1、3、2、5、5个互为8邻域的边缘像素点。
图3是一幅469×513像素的ESAR实测极化SAR图像，即采用ESAR机载平台拍摄的极化SAR图像，图4为图3利用本发明生成的超像素。该极化SAR图像超像素生成过程中的参数设置如下：L＝5，m＝0.6，ThN＝L2/4，Cth＝0.3，vmax＝20。图5是图4的一个局部放大图，每个图像区域(即超像素)的序号标识在该区域内，从图中可以看出，同质区域内序号为10、11、12、13、14、15、16、21、22、25、26、27、28、32、39、45、46、47、48、49、50、51、57、59、64、65、66的超像素形状比较规则，序号为17和24两个小面积且不同于周边邻域图像区域的超像素得到了保留，序号为1、2、3、4、5、6、7、8、9、18、19、20、23、29、30、31、33、34、35、36、37、38、40、41、42、43、44、52、53、54、55、56、58、60、61、62、63的超像素的边缘与极化SAR图像的真实边缘贴合度高。这说明本发明生成的超像素边缘贴合度高，同质区域的超像素形状比较规则，保留了面积小的且不同于其周边邻域图像区域的超像素。
图6是一幅750×1024像素的AirSAR实测极化SAR图像，即采用AirSAR机载平台拍摄的极化SAR图像，图7为图6利用本发明生成的超像素。该极化SAR图像超像素生成过程中的参数设置如下：L＝12,m＝0.4，ThN＝L2/4，Cth＝0.3，vmax＝20。图8是图7的一个局部放大图，每个图像区域(即超像素)的序号标识在该区域内，从图中可以看出，同质区域内序号为5、6、7、8、9、11、12的超像素形状比较规则，序号为1、2、3、4、10的超像素的边缘与极化SAR图像的真实边缘贴合度高。这说明本发明生成的超像素边缘贴合度高，同质区域的超像素形状比较规则。
上述两个在实测极化SAR图像上的实验验证了本发明的有效性。

Claims (1)

1.一种极化SAR图像的超像素快速生成方法，SAR是指合成孔径雷达，其特征在于，具体包括下述步骤：
第一步、初始化：
将极化SAR图像划分为一系列相邻并且不相交的大小均为L×L像素的矩形区域，每个矩形区域赋予一个区域序号，L的取值根据实际需要确定；对极化SAR图像的每个像素赋予一个标签，标签值为该像素所在矩形区域的区域序号；
定义具有相同标签值的像素点组成的区域为图像区域，图像区域的序号为该图像区域所含像素点的标签值；图像区域的初始化值即上述的矩形区域；
对极化SAR图像的每个像素赋予一个标签变化标识，标签变化标识取值为0；
对任意图像区域计算以下两个参数：
计算每个图像区域中所有像素点的平均相干矩阵作为其数据中心；计算每个图像区域中所有像素点的平均坐标值作为其几何中心；
设不稳定点集的元素为极化SAR图像中的所有像素点，将不稳定点集里的元素称为不稳定点；设不稳定点标签为不稳定点对应像素点的标签值；
设置迭代次数v＝0；
第二步、更新不稳定点标签：
首先，对任意不稳定点进行下述操作：
设不稳定点p的搜索范围Sp为：以不稳定点p为中心的大小为2L×2L的窗口；
计算不稳定点p和图像区域Rk的综合距离D(p,Rk)：
其中：Rk∈Sp表示图像区域Rk位于不稳定点p的搜索范围Sp内，即图像区域Rk的几何中心在不稳定点p的搜索范围Sp内；d1是不稳定点p与图像区域Rk之间的空间欧式距离；m是可调的紧致度因子，根据实际情况确定；利用下式计算数据距离d2：
其中，Gk表示图像区域Rk的数据中心，Tp表示不稳定点p的相干矩阵，上标T表示矩阵的转置；
tp＝f(Tp)，wk＝f(((Gk)-1)T)，其中f(T)＝[T11,T21,T31,T12,T22,T32,T13,T23,T33]，Τij表示相干矩阵T的第i行第j列的元素，其中i＝1,2,3，j＝1,2,3，T＝Tp或((Gk)-1)T，上标-1表示矩阵的逆；
然后，利用下述规则更新极化SAR图像的不稳定点标签：
如果不稳定点p与其搜索范围Sp内某一图像区域Rb的综合距离小于等于p与其搜索范围Sp内其他图像区域的综合距离，则：
如果不稳定点p的标签值不等于图像区域Rb的序号，则令不稳定点p对应的像素标签变化标识取值为1，并且将不稳定点p的标签值更新为图像区域Rb的序号；
第三步：更新图像区域中心、不稳定点集、迭代次数；
首先，计算每个图像区域的数据中心和几何中心；
其次，利用下述规则重新确定不稳定点集：
如果在不稳定点p对应的像素的4邻域中：
存在某个像素点的标签变化标识取值为1，并且该像素点的标签值与不稳定点p的标签值不同，则在不稳定点集中保留该不稳定点p，否则，从不稳定点集中剔除该不稳定点p；
然后，令迭代次数v加1；
如果不稳定点集为空或者重复迭代次数v达到设定的最大值vmax，则执行第四步，否则，返回第二步；
第四步、基于不相似度度量的后处理：
对极化SAR图像中的每个图像区域进行下述操作：
如果图像区域Rn中的像素数目小于ThN，则利用下式计算图像区域Rn与其周边邻域的图像区域Rg间的不相似度F(Rn,Rg)，图像区域Rn的周边邻域的图像区域Rg是指图像区域Rg的边缘像素点与图像区域Rn的边缘像素点互为8邻域的图像区域：
其中，Rg表示图像区域Rn周边邻域的第g个图像区域，M表示图像区域Rn周边邻域的图像区域数目，Gn表示图像区域Rn的数据中心，Gg表示图像区域Rg的数据中心，上标diag表示矩阵的对角元素构成的向量；ThN的取值根据实际情况确定；
如果图像区域Rn与其周边邻域的某个图像区域Rc的不相似度F(Rn,Rc)小于等于图像区域Rn与其周边邻域的其他图像区域的不相似度，并且F(Rn,Rc)＜Cth，Gth是一个取值范围为[0,1]的预设门限值，则图像区域Rn中所有元素所对应的像素点的标签值取值为图像区域Rc的序号；
通过上述四步所得到的一个图像区域就是一个超像素。
CN201710239891.XA 2017-04-13 2017-04-13 一种极化sar图像的超像素快速生成方法 Pending CN107016684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710239891.XA CN107016684A (zh) 2017-04-13 2017-04-13 一种极化sar图像的超像素快速生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710239891.XA CN107016684A (zh) 2017-04-13 2017-04-13 一种极化sar图像的超像素快速生成方法

Publications (1)

Publication Number Publication Date
CN107016684A true CN107016684A (zh) 2017-08-04

Family

ID=59446122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710239891.XA Pending CN107016684A (zh) 2017-04-13 2017-04-13 一种极化sar图像的超像素快速生成方法

Country Status (1)

Country Link
CN (1) CN107016684A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345536A (zh) * 2018-08-16 2019-02-15 广州视源电子科技股份有限公司 一种图像超像素分割方法及其装置
CN110349160A (zh) * 2019-06-25 2019-10-18 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
US11568657B2 (en) * 2017-12-06 2023-01-31 Ventana Medical Systems, Inc. Method of storing and retrieving digital pathology analysis results

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005987A (zh) * 2015-06-23 2015-10-28 中国人民解放军国防科学技术大学 基于广义gamma分布的SAR图像超像素生成方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005987A (zh) * 2015-06-23 2015-10-28 中国人民解放军国防科学技术大学 基于广义gamma分布的SAR图像超像素生成方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FACHAO QIN等: "Superpixel Segmentation for Polarimetric SAR Imagery Using Local Iterative Clustering", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
HONGYAN KANG等: "Log-Euclidean distance based superpixel segmentation for PolSAR images", 《5TH INTERNATIONAL CONFERENCE ON MEASUREMENT, INSTRUMENTATION AND AUTOMATION (ICMIA 2016)》 *
SONG ZHU等: "Fast superpixel segmentation by iterative edge refinement", 《ELECTRONICS LETTERS 5TH FEBRUARY 2015》 *
YUE ZHANG等: "A Fast Superpixel Segmentation Algorithm for PolSAR Images Based on Edge Refinement and Revised Wishart Distance", 《SENSORS 2016》 *
闻世保: "无监督极化SAR图像分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11568657B2 (en) * 2017-12-06 2023-01-31 Ventana Medical Systems, Inc. Method of storing and retrieving digital pathology analysis results
US11959848B2 (en) * 2017-12-06 2024-04-16 Ventana Medical Systems, Inc. Method of storing and retrieving digital pathology analysis results
CN109345536A (zh) * 2018-08-16 2019-02-15 广州视源电子科技股份有限公司 一种图像超像素分割方法及其装置
CN110349160A (zh) * 2019-06-25 2019-10-18 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
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

Similar Documents

Publication Publication Date Title
Shen et al. Ape-gan: Adversarial perturbation elimination with gan
Zhuang et al. Strategies combining spectral angle mapper and change vector analysis to unsupervised change detection in multispectral images
CN106997597B (zh) 一种基于有监督显著性检测的目标跟踪方法
CN110728324B (zh) 基于深度复值全卷积神经网络的极化sar图像分类方法
Xie et al. Visual saliency detection based on Bayesian model
CN107767413A (zh) 一种基于卷积神经网络的图像深度估计方法
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
CN111898645A (zh) 基于注意力机制的可迁移的对抗样本攻击方法
CN107016684A (zh) 一种极化sar图像的超像素快速生成方法
CN109902613A (zh) 一种基于迁移学习和图像增强的人体特征提取方法
CN112184547B (zh) 红外图像的超分辨率方法及计算机可读存储介质
Zou et al. Microarray camera image segmentation with Faster-RCNN
Yap et al. A recursive soft-decision approach to blind image deconvolution
CN107784284B (zh) 人脸识别方法及系统
CN104537381A (zh) 一种基于模糊不变特征的模糊图像识别方法
Zhang et al. Boosting transferability of physical attack against detectors by redistributing separable attention
CN104778683B (zh) 一种基于泛函映射的多模态图像分割方法
CN106228553A (zh) 高分辨率遥感图像阴影检测装置与方法
CN111340741A (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
CN112417961B (zh) 一种基于场景先验知识的海面目标检测方法
Ueda et al. Data Augmentation for Semantic Segmentation Using a Real Image Dataset Captured Around the Tsukuba City Hall
Zhang et al. Stereo matching cost computation based on nonsubsampled contourlet transform
Jiao et al. Research on an environmental adaptive feature extraction algorithm
CN112419407A (zh) 基于云团边缘识别的云团位移矢量计算方法及装置
Liu et al. Superpixel segmentation of high-resolution remote sensing image based on feature reconstruction method by salient edges

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170804

WD01 Invention patent application deemed withdrawn after publication