CN107146230A - 基于k‑s距离合并代价的sar图像分割方法 - Google Patents

基于k‑s距离合并代价的sar图像分割方法 Download PDF

Info

Publication number
CN107146230A
CN107146230A CN201710242604.0A CN201710242604A CN107146230A CN 107146230 A CN107146230 A CN 107146230A CN 201710242604 A CN201710242604 A CN 201710242604A CN 107146230 A CN107146230 A CN 107146230A
Authority
CN
China
Prior art keywords
mrow
msub
mtd
sar image
mtr
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
CN201710242604.0A
Other languages
English (en)
Inventor
水鹏朗
况伟龙
樊书辰
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201710242604.0A priority Critical patent/CN107146230A/zh
Publication of CN107146230A publication Critical patent/CN107146230A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于K‑S距离合并代价的SAR图像分割方法，主要解决现有技术对SAR图像分割速度慢，分割质量差的问题。其技术方案是：1.根据原始SAR图像的像素值，计算比例边缘强度映射RESM(x,y)，并对其进行分水岭变换，得到初始分割结果；2计算初始分割结果中每个区域像素值的经验分布函数Fn(x)；3.计算初始分割结果中任意相邻两区域a和b的K‑S距离KSD(a,b)；4.计算合并代价函数K(a,b)的值；5.根据合并代价函数K(a,b)的值确定最终的图像分割结果。本发明提高了SAR图像分割的质量，且复杂度较低，运算速度较快，可用于复杂场景下的SAR图像分割。

Description

基于K-S距离合并代价的SAR图像分割方法
技术领域
本发明属于信号处理技术领域，具体涉及一种SAR图像分割方法，可用于复杂场景下的SAR图像分割。
背景技术
合成孔径雷达成像系统已经被广泛应用，如目标监测与识别、海洋监视、地形绘制和自然灾情检测等。SAR图像分割是SAR图像信息提取和自动理解的一个重要问题，它通过将一副SAR图像分割成互不重叠的同质区域来提取场景的结构信息。SAR的相干成像原理使得SAR图像中存在大量随机分布的相干斑噪声，这些相干斑噪声降低了SAR图像的质量，同时，增加了SAR图像分割的难度。
近年来，SAR图像分割技术在SAR图像自动解译中的重要性以及其自身的难度吸引了众多研究者投入大量的精力对其进行深入研究，提出了大量的SAR图像分割算法，这些方法大概分为两大类：基于图像特征的SAR图像分割算法和基于模型优化的SAR图像分割算法。基于图像特征的SAR图像分割算法主要有三种：基于边缘信息的SAR图像分割算法、基于区域图信息的SAR图像分割算法与基于边缘信息和区域信息混合的SAR图像分割算法。而基于模型优化的SAR图像分割算法又主要有四种：变分方法、基于最短描述长度准则的分割方法、马尔科夫随机场方法以及图论方法。这些方法在对SAR图像进行分割时都有其独有的优点，但方法本身有较高的复杂度，且在区域合并过程中，尤其是合并较大区域时往往效果不够理想。
发明内容
本发明的目的在于提出一种基于K-S距离合并代价的SAR图像分割方法，以实现面对较为复杂的SAR图像时，快速高效地获取分割结果，提高分割的质量。
为实现上述技术目的，本发明的技术方案包括如下步骤：
(1)利用原始SAR图像的像素值，计算原始SAR图像的比例边缘，获得其比例边缘强度映射RESM(x,y)：
其中r(x,y,θf)表示比例边缘强度映射，x表示像素点的横坐标，y表示像素点的纵坐标，θf表示像素点的方向角度，g(x,y)表示阈值代价函数，Tα表示阈值代价函数的阈值，Tα在本专利中经验地选取阈值0.5；
(2)对比例边缘强度映射RESM(x,y)进行分水岭变换，得到SAR图像的初始分割结果；
(3)计算SAR图像的初始分割结果中每个区域像素值的经验分布函数Fn(x)：
3a)将SAR图像的初始分割结果中每个区域内的像素值按照从小到大的顺序排序，得到新的样本序列
3b)在SAR图像的初始分割结果中，利用新的样本序列计算像素值的经验分布函数Fn(x)：
其中n为区域内的像素个数，k为由小到大排序序数，为第k个像素值；
(4)计算SAR图像的初始分割结果中任意相邻两区域a和b的K-S距离KSD(a,b)：
KSD(a,b)＝max{|Fa(xa)-Fb(xb)|}，
其中，Fa(xa)和Fb(xb)分别表示两个相邻区域的经验分布函数；
(5)设置K-S阈值Tr，比较K-S距离KSD(a,b)和K-S阈值Tr的大小，得到区域合并代价函数K(a,b)的值：
其中，Tr表示K-S阈值，在本专利中经验地选取阈值0.1；
(6)根据合并代价函数K(a,b)的值确定最终的图像分割结果：
若合并代价函数K(a,b)的值为1，则进行区域合并，当所有区域合并完成后，得到SAR图像的最终分割结果，
若合并代价函数K(a,b)的值为0，则将步骤(2)的初始分割结果作为最终分割结果。
本发明与现有技术相比具有以下优点：
1)由于本发明采用多方向比例边缘检测算子提取SAR图像的比例边缘强度映射RESM，较好的抑制了RESM均质区域的极小值点，并且计算速度快，能够满足实际雷达系统的实时处理要求；
2)由于本发明利用K-S距离作为合并测度，对于目标区域像素点较多时，K-S距离只需计算其统计特性中的经验累积分布函数，相比其他方法，进一步提高了运算速度，且能得到满意的分割效果；
3)由于本发明利用统计学中非参数统计来计算各个区域的经验分布函数，不依赖图像自身的特征，在区域合并过程中相比其他方法，统计的像素值更加准确，提高了分割质量。
附图说明
图1为本发明的实现流程图；
图2为采用本发明对第一组数据的SAR图像分割前后对比图；
图3为采用本发明对第二组数据的SAR图像分割前后对比图。
具体实施方式
下面结合附图对本发明作进一步说明：
参照图1，本发明的实现步骤如下：
步骤1，根据原始SAR图像的像素值，计算比例边缘强度映射RESM(x,y)。
1.1)输入原始SAR图像，以图像中所有的像素点作为中心像素点，计算中心像素点附近θf方向上的左矩形均值和右矩形均值
其中N表示像素总数，Ri表示左矩形区域内的像素值，Rj表示右矩形区域内的像素值，x表示像素点的横坐标，y表示像素点的纵坐标，θf表示方向角度，f表示方向倍数；
1.2)利用左矩形均值和右矩形均值计算θf方向上的比例边缘强度映射r(x,y,θf)：
1.3)利用比例边缘强度映射r(x,y,θf)计算阈值代价函数g(x,y)：
其中，K表示比例边缘检测的方向数；
1.4)利用比例边缘强度映射r(x,y,θf)和阈值代价函数g(x,y)计算SAR图像的比例边缘强度映射RESM(x,y)：
其中，Tα表示阈值代价函数的阈值，Tα在本专利中经验地选取阈值0.5。
步骤2，将得到的比例边缘强度映射RESM(x,y)进行分水岭变换，得到SAR图像的初始分割结果。
2.1)将比例边缘强度映射RESM(x,y)中的像素按照灰度级进行从低到高的排列；
2.2)对排列后的像素值按照由低到高淹没，将淹没后相邻的像素值连成多个区域；
2.3)对区域中每一个局部极小值采用先进先出的方法进行判断及标注，得到SAR图像的初始分割结果。
步骤3，计算SAR图像的初始分割结果中每个区域像素值的经验分布函数Fn(x)。
3.1)将SAR图像的初始分割结果中区域内的像素值按照从小到大的顺序排序，得到新的样本序列
3.2)在SAR图像的初始分割结果中，利用新的样本序列计算像素值的经验分布函数Fn(x)：
其中n为区域内的像素个数，k为由小到大排序序数，为第k个像素值。
步骤4，计算SAR图像的初始分割结果中任意相邻两区域a和b的K-S距离KSD(a,b)：
KSD(a,b)＝max{|Fa(xa)-Fb(xb)|}，
其中，Fa(xa)和Fb(xb)分别表示两个相邻区域的经验分布函数。
步骤5，通过阈值化处理计算合并代价函数K(a,b)的值。
设K-S阈值为Tr，并设置为0.1，比较K-S距离KSD(a,b)的值和阈值Tr的值的大小：
若K-S距离KSD(a,b)的值不大于阈值Tr，则合并代价函数K(a,b)的值为1，
若K-S距离KSD(a,b)的值大于阈值Tr，则合并代价函数K(a,b)的值为0。
步骤6，根据合并代价函数K(a,b)的值确定最终的图像分割结果：
若合并代价函数K(a,b)的值为1，则进行区域合并，当所有区域合并完成后，得到SAR图像的最终分割结果，
若合并代价函数K(a,b)的值为0，则将步骤2的初始分割结果作为最终分割结果。
基于步骤1到步骤6，实现了基于K-S距离合并代价的SAR图像分割。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真参数
仿真实验中采用的数据是美国MSTAR数据库中的SAR图像，第一组数据为2011年1月13日下午13：02分采集的数据，第二组数据为2011年6月14日上午9点25分采集的数据。
2.仿真实验内容
仿真实验中分别呈现了原始SAR图像和本发明方法得到的分割结果，通过分割结果图对比原始图像得出分割的质量。
仿真实验1，对第一组数据，采用本发明方法进行分割，得到分割结果如图2所示，其中：图2(a)表示原始数据图像，图2(b)表示采用本发明的分割方法得到的分割结果。
从图2中可以看出，图2(b)相比图2(a)拥有更清晰的区域边缘轮廓，表明采用本发明方法能够较好地完成对目标数据的分割。
仿真实验2，对第二组数据，采用本发明方法进行分割，得到分割结果如图3所示，其中：图3(c)表示原始数据图像，图3(d)表示采用本发明的分割方法得到的分割结果。
从图3中可以看出，图3(d)相比图3(c)拥有更清晰的区域边缘轮廓，表明采用本发明方法能够较好地完成对目标数据的分割。
综上所述，本发明提出的基于K-S距离合并代价的SAR图像分割方法，能对较为复杂的SAR图像进行快速高效地获取分割结果，并提高了分割的质量。

Claims (4)

1.一种基于K-S距离合并代价的SAR图像分割方法，其特征在于，包括：
(1)利用原始SAR图像的像素值，计算原始SAR图像的比例边缘，获得其比例边缘强度映射RESM(x,y)：
<mrow> <mi>R</mi> <mi>E</mi> <mi>S</mi> <mi>M</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>-</mo> <munder> <mi>min</mi> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> </munder> <mo>{</mo> <mi>r</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>}</mo> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mi> </mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>&gt;</mo> <msub> <mi>T</mi> <mi>&amp;alpha;</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>
其中r(x,y,θf)表示比例边缘强度映射，x表示像素点的横坐标，y表示像素点的纵坐标，θf表示像素点的方向角度，g(x,y)表示阈值代价函数，Tα表示阈值代价函数的阈值，Tα在本专利中经验地选取阈值0.5；
(2)对比例边缘强度映射RESM(x,y)进行分水岭变换，得到SAR图像的初始分割结果；
(3)计算SAR图像的初始分割结果中每个区域像素值的经验分布函数Fn(x)：
3a)将SAR图像的初始分割结果中每个区域内的像素值按照从小到大的顺序排序，得到新的样本序列
3b)在SAR图像的初始分割结果中，利用新的样本序列计算像素值的经验分布函数Fn(x)：
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>x</mi> <mo>&amp;le;</mo> <msubsup> <mi>x</mi> <mn>1</mn> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mi>k</mi> <mi>n</mi> </mfrac> </mtd> <mtd> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>k</mi> <mo>*</mo> </msubsup> <mo>&lt;</mo> <mi>x</mi> <mo>&amp;le;</mo> <msubsup> <mi>x</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>x</mi> <mo>&gt;</mo> <msubsup> <mi>x</mi> <mi>n</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> </mrow>
其中n为区域内的像素个数，k为由小到大排序序数，为第k个像素值；
(4)计算SAR图像的初始分割结果中任意相邻两区域a和b的K-S距离KSD(a,b)：
KSD(a,b)＝max{|Fa(xa)-Fb(xb)|}，
其中，Fa(xa)和Fb(xb)分别表示两个相邻区域的经验分布函数；
(5)设置K-S阈值Tr，比较K-S距离KSD(a,b)和K-S阈值Tr的大小，得到区域合并代价函数K(a,b)的值：
<mrow> <mi>K</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mi>K</mi> <mi>S</mi> <mi>D</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <msub> <mi>T</mi> <mi>r</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>K</mi> <mi>S</mi> <mi>D</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>&gt;</mo> <msub> <mi>T</mi> <mi>r</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>
其中，Tr表示K-S阈值，在本专利中经验地选取阈值0.1；
(6)根据合并代价函数K(a,b)的值确定最终的图像分割结果：
若合并代价函数K(a,b)的值为1，则进行区域合并，当所有区域合并完成后，得到SAR图像的最终分割结果，
若合并代价函数K(a,b)的值为0，则将步骤(2)的初始分割结果作为最终分割结果。
2.如权利要求1所述的方法，其特征在于，步骤(1)中利用原始SAR图像的像素值，计算原始SAR图像的比例边缘，按以下步骤进行：
1a)以图像中所有的像素点作为中心像素点，计算中心像素点附近θf方向上两个矩形区域内像素值的均值，即左矩形均值和右矩形均值
<mrow> <msub> <mover> <mi>R</mi> <mo>^</mo> </mover> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>R</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
<mrow> <msub> <mover> <mi>R</mi> <mo>^</mo> </mover> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>R</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中N表示像素总数，Ri，Rj分别表示两个矩形区域内的像素值，x表示像素点的横坐标，y表示像素点的纵坐标，θf表示方向角度，f表示方向倍数；
1b)利用左矩形均值和右矩形均值计算θf方向上的比例边缘强度映射r(x,y,θf)：
<mrow> <mi>r</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mover> <mi>R</mi> <mo>^</mo> </mover> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mover> <mi>R</mi> <mo>^</mo> </mover> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> <mfrac> <mrow> <msub> <mover> <mi>R</mi> <mo>^</mo> </mover> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mover> <mi>R</mi> <mo>^</mo> </mover> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
1c)利用比例边缘强度映射r(x,y,θf)计算阈值代价函数g(x,y)：
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>-</mo> <msubsup> <mo>&amp;Pi;</mo> <mrow> <mi>f</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <mi>r</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，K表示比例边缘检测的方向数；
1d)利用比例边缘强度映射r(x,y,θf)和阈值代价函数g(x,y)计算SAR图像的比例边缘强度映射RESM(x,y)：
<mrow> <mi>R</mi> <mi>E</mi> <mi>S</mi> <mi>M</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>-</mo> <munder> <mi>min</mi> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> </munder> <mo>{</mo> <mi>r</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <msub> <mi>&amp;theta;</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>}</mo> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mi> </mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>&gt;</mo> <msub> <mi>T</mi> <mi>&amp;alpha;</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>
3.如权利要求1所述的方法，其特征在于，步骤(2)中对比例边缘强度映射RESM(x,y)进行分水岭变换，按以下步骤进行：
2a)将比例边缘强度映射RESM(x,y)中的像素按照灰度级进行从低到高的排列；
2b)对排列后的像素值按照由低到高淹没，将淹没后相邻的像素值连成多个区域；
2c)对区域中每一个局部极小值采用先进先出的方法进行判断及标注。
4.如权利要求1所述的方法，其特征在于，步骤(6)中的区域合并，按以下步骤进行：
6a)将所有合并代价函数K(a,b)的值为1的相邻区域间的分割界线删除，得到若干新的联通区域；
6b)将所有新的联通区域根据步骤(6a)中的法则不断循环，直至所得到的新区域间的合并代价函数K(a,b)的值全部为0，区域合并结束。
CN201710242604.0A 2017-04-14 2017-04-14 基于k‑s距离合并代价的sar图像分割方法 Pending CN107146230A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710242604.0A CN107146230A (zh) 2017-04-14 2017-04-14 基于k‑s距离合并代价的sar图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710242604.0A CN107146230A (zh) 2017-04-14 2017-04-14 基于k‑s距离合并代价的sar图像分割方法

Publications (1)

Publication Number Publication Date
CN107146230A true CN107146230A (zh) 2017-09-08

Family

ID=59773628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710242604.0A Pending CN107146230A (zh) 2017-04-14 2017-04-14 基于k‑s距离合并代价的sar图像分割方法

Country Status (1)

Country Link
CN (1) CN107146230A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751652A (zh) * 2019-10-22 2020-02-04 西安电子科技大学 基于巴氏距离和纹理模式度量的sar图像分割方法
CN112528468A (zh) * 2020-11-20 2021-03-19 南京航空航天大学 一种基于电磁场sar图像处理的标签天线逆向设计方法
CN114842021A (zh) * 2021-12-20 2022-08-02 中国航天科工集团八五一一研究所 基于区域结构信息与边缘几何惩罚的sar图像分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0466283B1 (en) * 1987-02-05 1996-02-14 Hewlett-Packard Company Method for graphic display
CN102013017A (zh) * 2010-11-26 2011-04-13 华中科技大学 一种高分辨率遥感图像场景粗分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0466283B1 (en) * 1987-02-05 1996-02-14 Hewlett-Packard Company Method for graphic display
CN102013017A (zh) * 2010-11-26 2011-04-13 华中科技大学 一种高分辨率遥感图像场景粗分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
E.A. CARVALHO等: "SAR imagery segmentation by statistical region growing and hierarchical merging", 《DIGITAL SIGNAL PROCESSING》 *
张泽均: "基于快速区域合并的SAR图像分割算法", 《中国博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
CN110751652A (zh) * 2019-10-22 2020-02-04 西安电子科技大学 基于巴氏距离和纹理模式度量的sar图像分割方法
CN110751652B (zh) * 2019-10-22 2021-11-30 西安电子科技大学 基于巴氏距离和纹理模式度量的sar图像分割方法
CN112528468A (zh) * 2020-11-20 2021-03-19 南京航空航天大学 一种基于电磁场sar图像处理的标签天线逆向设计方法
CN114842021A (zh) * 2021-12-20 2022-08-02 中国航天科工集团八五一一研究所 基于区域结构信息与边缘几何惩罚的sar图像分割方法
CN114842021B (zh) * 2021-12-20 2024-04-23 中国航天科工集团八五一一研究所 基于区域结构信息与边缘几何惩罚的sar图像分割方法

Similar Documents

Publication Publication Date Title
CN105261017B (zh) 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、系统及电子设备
CN103605953A (zh) 基于滑窗搜索的车辆兴趣目标检测方法
CN106709928A (zh) 一种快速的含噪图像二维最大类间方差阈值法
US8983199B2 (en) Apparatus and method for generating image feature data
CN104463870A (zh) 一种图像显著区域检测方法
CN110008900B (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
CN104123734A (zh) 基于可见光和红外检测结果融合的运动目标检测方法
CN107146230A (zh) 基于k‑s距离合并代价的sar图像分割方法
CN110909623A (zh) 三维目标检测方法及三维目标检测器
CN111062331A (zh) 图像的马赛克检测方法、装置、电子设备及存储介质
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
Paravolidakis et al. Coastline extraction from aerial images based on edge detection
CN110310263B (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN111401364A (zh) 一种基于颜色特征和模板匹配相结合的车牌定位算法
CN110473255A (zh) 一种基于多重网格划分的船舶系船柱定位方法
CN111861918B (zh) 一种基于sar图像的海上溢油检测方法
US7440636B2 (en) Method and apparatus for image processing
CN105205485B (zh) 基于多类类间最大方差算法的大尺度图像分割算法
CN103093241B (zh) 基于同质化处理的光学遥感图像非匀质云层判别方法
CN106971402A (zh) 一种基于光学辅助的sar图像变化检测方法
Vukadinov et al. An algorithm for coastline extraction from satellite imagery
CN107169533B (zh) 一种超像素的概率因子tmf的sar图像海岸线检测算法
Chen et al. 2d tree detection in large urban landscapes using aerial lidar data

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170908