CN108765440A - 一种单极化sar图像的线引导超像素海岸线提取方法 - Google Patents

一种单极化sar图像的线引导超像素海岸线提取方法 Download PDF

Info

Publication number
CN108765440A
CN108765440A CN201810546924.XA CN201810546924A CN108765440A CN 108765440 A CN108765440 A CN 108765440A CN 201810546924 A CN201810546924 A CN 201810546924A CN 108765440 A CN108765440 A CN 108765440A
Authority
CN
China
Prior art keywords
pixel
super
window
sar image
line
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
Application number
CN201810546924.XA
Other languages
English (en)
Other versions
CN108765440B (zh
Inventor
丁星
史晓非
刘茜格
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime 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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201810546924.XA priority Critical patent/CN108765440B/zh
Publication of CN108765440A publication Critical patent/CN108765440A/zh
Application granted granted Critical
Publication of CN108765440B publication Critical patent/CN108765440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种单极化SAR图像的线引导超像素海岸线提取方法，该方法通过嵌入一种尺寸自适应的双边窗边缘检测器，使改进的ILF算法适用于SAR影像。并将ILF线分布图嵌入到改进的SLIC算法中，使其模型参数受ILF引导控制。最终采用Gabor滤波器以及隐马尔科夫模型对超像素分类，从而实现海岸线提取，进而解决现有超像素对线状物不能贴合的问题，提高SAR图像海岸线提取精度。

Description

一种单极化SAR图像的线引导超像素海岸线提取方法
技术领域
本发明涉及SAR图像分割与海岸线检测技术领域，具体说涉及一种单极化SAR图像的线引导超像素海岸线提取方法。
背景技术
近年来，在自动导航、海岸侵蚀监测以及海岸地物识别等研究领域广泛使用合成孔径雷达(Synthetic Aperture Radar,SAR)影像对海岸线进行检测，采用这一技术能够时刻监测海岸线的变化，对海岸线资源开发利用具有巨大实用意义。然而，由于海岸区域自然环境复杂以及相干斑等因素的干扰，海岸线检测算法研究仍然面临着严峻的挑战。
针对以上问题，国内外相继提出了多种基于SAR影像的海岸线检测方法，如区域合并算法、主动轮廓模型算法、阈值算法、人工网络算法、马尔科夫随机场(markov randomfield,MRF)算法以及基于超像素的算法等。但是，上述算法在实际应用中仍然存在难以克服的缺陷：区域合并算法易出现难以合并的小区域；基于超像素的合并算法对于带有线状物的SAR影像不能实现贴合，而是将线状物划分为海的一侧；基于边缘的水平集算法精度在很大程度上受限于初始轮廓的设定；阈值算法往往具有复杂的后处理问题，且陆地上的内湖较易错判为海；MRF模型在噪声污染严重的区域以及各种不同的纹理细节等区域仅仅使用一种平稳的分布假设并不成立。
现有技术中针对基于超像素的算法研究成果较多，例如对图像进行去噪，然后使用k-means算法聚类形成超像素，并基于超像素进行分类，最后使用canny算法对分类结果提取海岸线。再如使用slic算法形成超像素，并以超像素为节点构造图模型，然后通过多特征描述子对每个超像素编码，最后将码信息与边缘信息同时输入到graph cut模型中实现海陆分割。更有研究者通过一种改进的局部窗，给出了一种改进的超像素算法，然后考虑超像素均值、相对大小、统计量信息以及相邻信息对超像素进行合并提取海岸线。还有一种基于Gamma分布的超像素算法，提出了一种改进的Triplet Markov Fields(TMF)算法对超像素进行分割以提取海岸线。上述基于超像素的海岸线提取算法，有的对超像素进行分类以提取海岸线，有的对超像素构建graph cut模型实现分割得到海岸线，还有的以超像素为基元构建TMF模型，以实现海岸线检测。然而，这些算法涉及到的超像素算法对图像中的线状物并不能准确贴合，使后续算法得不到准确的输入信息，降低了海岸线检测的精度。
发明内容
鉴于现有技术中存在的不足，本发明的目的是要提供一种单极化SAR图像的线引导超像素海岸线提取方法，该方法通过嵌入一种尺寸自适应的双边窗边缘检测器，使改进的ILF算法适用于SAR影像。并将ILF线分布图嵌入到改进的SLIC算法中，使其模型参数受ILF引导控制。最终采用Gabor滤波器以及隐马尔科夫模型对超像素分类，从而实现海岸线提取，进而解决现有超像素对线状物不能贴合的问题，提高SAR图像海岸线提取精度。
本发明的技术方案如下：
一种单极化SAR图像的线引导超像素海岸线提取方法，包括如下步骤：
S1：读取合成孔径雷达SAR影像I，并设置超像素种子点数量k；
S2：根据所述种子点数量k与图像中的像素数量N，计算相邻种子点距离s，并根据所述相邻种子点距离在图像中均匀分配种子点，得到初始化聚类中心Ck；
S3：初始化每个像素i标签l(i)为-1，并初始化每个像素i与初始种子点的距离d(i)为+∞；
S4：计算每个像素在双边窗中的权重系数W(x,y)，并计算SAR影像在N个方向上的梯度edgθf，并求取双边窗梯度值EDG以及双边窗梯度方向；
S5：将双边窗梯度值与双边窗梯度方向嵌入到改进的ILF算法中，计算每个聚类中心Ck在搜索空间中与每个像素的距离D，所述搜索空间范围为2S×2S；
S6：比较D当前像素与其之前所属聚类中心的距离d(i)，当D的值较当前像素与其之前所属聚类中心的距离d(i)小，则该像素的标签值赋为此聚类中心Ck的值k，并更新当前像素和其所属聚类中心的距离d(i)，否则不更新当前像素的标签与距离；
S7：检测超像素是否被线状物分为两部分，若是则以线状物为界将所述超像素分为两个超像素，其中一个超像素的标签保持不变，另一个标签改为k+1并更新超像素种子点数量k；
S8：计算除标签为-1的像素外所有超像素的平均值，并更新超像素的中心Ck；
S9：反复重复步骤S6-S8直至残留误差最小；
S10：对标签为-1的像素，赋予新的标签值k+1；
S11：对每个超像素进行Gabor特征提取，并采用隐马尔科夫模型进行分类；
S12：根据得到的初始分类结果，将面积最小的两种类别的超像素合并为一类，直至余下两种标签的超像素，将余下两种标签的超像素中面积较小，且被另一种标签超像素包围的超像素，赋予其相反的标签，然后采用改进的双边窗提取最终的分类图海岸线。
通过上述技术方案，本发明采用了一种改进的ILF线检测方法，通过一种尺寸自适应的双边窗边缘检测器，充分利用了窗中心点与邻域像素的位置信息与像素信息，不仅增强了窗内的对比度，而且使窗内的噪声点得到了抑制。此外，由于窗的尺寸受窗中心点所处环境的控制，使该检测器既能充分攫取像素的信息，又能减少那些远离中心像素且与中心像素有较大的像素差的像素带来的影响。与现有的FLF算法相比，更适用于SAR图像。
此外，本发明采用了一种改进的SLIC超像素方法，将ILF线分布图嵌入到改进的SLIC算法中，使其模型参数受ILF引导控制。与现有的超像素算法相比，充分的利用了图像的线结构信息，从而解决了现有算法对线状物贴合不准确的问题。
实验结果表明，本发明方法优于现有的基于伽玛分布的多区域水平集分割算法及可控梯度矢量流snake模型算法。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体流程图；
图2为本发明双边窗边缘检测器结构示意图；
图3为本发明改进的SLIC方法同现有的SLIC，Turbopixel以及QuickShift三种超像素算法结果比较示意图；
图4为本发明海岸线检测算法(SPEC)与现有的基于伽玛分布的多区域水平集分割算法(MLSP)及可控梯度矢量流snake模型(CGVF)算法对图4(a)的海岸线提取结果比较示意图；
图5为本发明海岸线检测算法(SPEC)与现有的基于伽玛分布的多区域水平集分割算法(MLSP)及可控梯度矢量流snake模型(CGVF)算法对图5(a)的海岸线提取结果比较示意图；
图6为本发明海岸线检测算法(SPEC)与现有的基于伽玛分布的多区域水平集分割算法(MLSP)及可控梯度矢量流snake模型(CGVF)算法对图6(a)的海岸线提取结果比较示意图；
图7为本发明海岸线检测算法(SPEC)与现有的基于伽玛分布的多区域水平集分割算法(MLSP)及可控梯度矢量流snake模型(CGVF)算法对图7(a)的海岸线提取结果比较示意图。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
本发明的技术思路是，将一种尺寸自适应的双边滤波器嵌入到已成熟运用的FLF算法，以解决其在边缘检测中使用Soble与Prewitt边缘算子对SAR图像并不适用的问题。通过ILF算法的线分布图，使改进SLIC算法的模型参数由ILF线分布图引导，以解决已有超像素算法对线状物贴合不准的问题。最后，采用隐马尔科夫模型对超像素分类，两种不同分类标签的超像素的边界为最终的海岸线。具体地，如图1所示，本发明提供了一种单极化SAR图像的线引导超像素海岸线提取方法，包括：
S1：读取合成孔径雷达SAR影像I，并设置超像素种子点数量k。
S2：根据所述种子点数量k与图像中的像素数量N，计算相邻种子点距离(即步长)s，并根据所述相邻种子点距离在图像中均匀分配种子点，得到初始化聚类中心Ck。其中相邻种子点距离根据以下公式计算：
聚类中心为：
Ck＝[Ik；xk；yk] (2)
其中，Ik第k个种子点的像素值，(xk,yk)为其坐标值。
S3：初始化每个像素i标签l(i)为-1，并初始化每个像素i与初始种子点的距离d(i)为+∞；
S4：针对图像中的每个像素，使用所提出的双边窗，并计算窗中的权重系数W(x,y)，通过提出的双边窗，在N个方向上对SAR影像计算每个方向上的梯度edgθf，本实施例中优选N为16，双边窗梯度值EDG为所有方向中最大的梯度值，最大梯度值所在的序号为双边窗梯度方向。此外，双边窗的尺寸edgw大小以窗中心点所处的环境作参考，实现尺寸自适应。当窗中心点位于异质区域内时，双边窗口尺寸较小，以减小窗边缘处异质像素的影响；相反，当窗中心点位于匀质区域内时，可以选择稍大的滤波器窗口，以便攫取更多的像素信息。
所述双边窗的权重系数为：
其中，T为归一化系数，Ic是中心像素的像素值，In是窗内除中心点外的某个像素的像素值，dx和dy分别是中心像素与其窗内别的某个像素在水平方向和垂直方向上的坐标差值。
双边窗某个方向θf的梯度edgθf为：
其中x和y分别代表水平坐标和垂直坐标。I(x,y)表示双边窗口中任一像素值，rave与ra′ve分别为双边窗在方向θf上两侧的加权均值。
所述双边窗梯度EDG为：
EDG＝max{edgθ1,...,edgθf,...,edgθN} (6)
双边窗梯度方向为最大梯度值所在的序号。
所述双边窗尺寸edgw为：
其中，为窗中心点与其八邻域内像素的标准差。
S5：将双边窗梯度与方向嵌入到改进的ILF算法中。即通过“连通成分”算法(connected-components algorithm,CCA)将具有相同“桶”标签(双边窗方向)的相邻像素划分为一个个可能的的线区域。然后从可能的线区域中攫取出具有代表性的线条。对于每个聚类中心Ck，计算其搜索空间(2S×2S)中每个像素与该聚类中心Ck的距离D。所述聚类中心Ck在搜索空间中与每个像素的距离D为：
其中Cline为ILF检测到的所有线上的点，σ为搜索空间中的某个像素与其领域像素的标准差，w为搜索空间中全部指数化后的标准差的归一化系数，β表示调节系数，medge为总的调节参数，dc为像素相似性度量，ds为距离邻近度距离，其中
S6：比较D当前像素与其之前所属聚类中心的距离d(i)，当D的值较当前像素与其之前所属聚类中心的距离d(i)小，则该像素的标签值赋为此聚类中心Ck的值k，并更新当前像素和其所属聚类中心的距离d(i)。根据以下公式更新当前像素和其所属聚类中心的距离d(i)：
d(i)＝D (11)。
否则不更新当前像素的标签与距离。
S7：针对被线状物分为两部分的超像素，以线状物为界分为两个超像素，其中一个超像素的标签保持不变，另一个标签改为k+1。并将超像素数量(种子点数量)k更新，更新公式如下：
k＝k+Nline (12)
其中Nline为每次循环后被线状物分隔的超像素数量。
S8：计算除标签为-1的像素外所有超像素的平均值，并更新超像素的中心Ck。
S9：反复重复步骤S5-S8直至残留误差最小。本实施例中执行25次。
S10：对标签为-1的像素，赋予新的标签值k+1。
S11：对每个超像素进行Gabor特征提取，并采用隐马尔科夫模型进行分类。作为优选的实施方式，马尔科夫模型分类的类别设为三类。
S12：根据得到的初始分类结果，对每种标签所有的超像素的面积进行排序，并将面积最小的两种类别的超像素合并为一类，直至余下两种标签的超像素，将余下两种标签的超像素中面积较小，且被另一种标签超像素包围的超像素，赋予其相反的标签，然后采用改进的双边窗提取最终的分类图海岸线。
下面通过具体的应用实例，对本发明的技术方案做进一步的说明和验证。
一、实施例数据集
本发明针对一些单极化SAR影像，分析所提出的算法性能。这些处于C波段的ENVISAT-1和ERS-2卫星SAR影像取于VV极化信道，其方位角方向的像素尺寸为12.5m。此外，这些SAR影像包含了中国不同地物与环境的海岸。其具体的信息列于表I中。
表I SAR影像基本参数
二、实施例参数设置与采用的性能参数
对于SLIC与改进的SLIC算法，种子数量均设为300。算法的迭代次数设置为25。SLIC与改进SLIC的β均设为22。Turbopxel算法与SLIC算法一样，初始聚类中心种子数仍为300。至于QuickShift算法，参数比，核尺寸和最大距离分别设为0.5,2和6。对于超像素分类实验参数如下：Gabor滤波器采用六个尺寸与八个方向。并且在基于高斯的隐马尔可夫随机场模型中，初始的超像素标签设定为三类，GMM模型参数g＝3，且EM和MAP算法的迭代次数为10次。至于对比算法MLSP，正则化参数设置为0.2。而对于CGVF算法，参数α＝0.05，β＝0.02，μ＝0.1，k＝1.0，ρ＝0.6，δ＝1.0。
算法性能对比主要采用平均偏移量(mean offset)，均方根误差(RMSE)，所检测海岸线与人工绘制线完全重合百分比(Overlapped)，所检测海岸线位于人工绘制线一个像素距离内百分比(Within one pixel)以及所检测海岸线位于人工绘制线两个像素距离内百分比(Within two pixels)作为精度分析指标。前两个指标值越小越好，后三个个指标值越大越好。
三、实施例实验内容与结果分析
仿真例1，分别用本发明改进的SLIC方法、现有的SLIC，Turbopixel以及QuickShift超像素算法对图3(a)(位于中国广东省湛江市附近的沿海地区的ENVISAT-1SAR图像(294×267像素)进行超像素分割，结果如图3所示。其中，图3(b)-(e)分别为改进的SLIC，SLIC，Turbopixel和QuickShift算法的分割结果。图3(f)为按序排放(自左往右，自上而下)的四种超像素算法在大坝区域的放大图。
从图3(f)可以看出，除改进的SLIC算法在大坝区域有着较好的分割效果，其余对比算法均在大坝区域出现过分割。因此，本发明提出的SLIC算法相比于另外三种超像素算法，对线状物的检测更有优势。
仿真例2，分别用本发明海岸线检测算法(SPEC)与现有的基于伽玛分布的多区域水平集分割算法(MLSP)及可控梯度矢量流snake模型(CGVF)算法对图4(a)(位于中国广东省湛江市附近的沿海地区的ENVISAT-1SAR图像(294×267像素))进行海岸线提取。结果如图4所示。其中，图4(b)-(c)分别为双边窗边缘检测器的幅度与方向图。图4(d)为改进的线检测算法结果图。图4(e)是改进SLIC算法的结果图。图4(f)-(g)分别为超像素初始分类结果图与经过后处理的最终分类图。图4(h)-(j)分别为算法SPEC，MLSP和CGVF提取的海岸线。图4(k)为按序排放(自左往右，自上而下)的人工绘制海岸线与三种海岸线检测算法结果在大坝区域的放大图。
由图4(k)可以看出，三种海岸线检测算法中，只有SPEC可以很好的贴合大坝的边缘。而MLSP与CGVF均有很大的偏差。此外，MLSP算法在陆地上出现了一个小圆圈，说明MLSP算法将陆地上的湖泊错判为海。如表II所示，算法SPEC的mean offset与RMSE值分别为0.89个像素和1.35个像素，略大于CGVF的值。然而这并不能说明CGVF性能优于SPEC。因为CGVF在计算前两个指标时，并没有考虑到大坝上的点。因此，该指标的准确性并不能反映该算法对大坝的检测性能，且该指标不受因评估大坝边检测而带来的误差，其值有可能因评估大坝边缘而增大。而SPEC在计算前两个指标时，由于考虑到大坝上的点，不但能准确地反映该算法对此SAR影像的海岸线检测性能，而且不用为没有考虑到大坝，而增大其值以考虑因检测大坝带来的偏差。此外，SPEC与CGVF相比，指标“Overlapped”值更高，印证了SPEC对于大坝的贴合较CGVF好。然而，SPEC的指标“Within one pixel”与“Within two pixels”较CGVF的值更低，从侧面解释了为什么SPEC的mean offset与RMSE较CGVF的大。但是，同上所述，仍不能说明CGVF的性能较SPEC好。但可以肯定的是，MLSP的性能是最差的，且SPEC对于大坝的检测最佳。
表II海岸线检测性能指标
仿真例3，分别用本发明海岸线检测算法(SPEC)与现有的基于伽玛分布的多区域水平集分割算法(MLSP)及可控梯度矢量流snake模型(CGVF)算法对图5(a)(位于中国辽宁省瓦房店地区的ERS-2图像(300×300像素))进行海岸线提取。该图不仅有着复杂的弱边缘，而且有着呈线状的虾池。结果如图5所示。其中，图5(b)-(c)为基于双边窗的边缘图与方向图。改进的ILF算法结果如图5(d)所示。图5(e)为改进的SLIC算法结果图。图5(f)-(g)分别为超像素初始分类结果图与经过后处理的最终分类图。图5(h)-(j)分别为算法SPEC，MLSP和CGVF提取的海岸线。图5(k)-(l)分别为按序排放(自左往右，自上而下)的人工绘制海岸线与三种海岸线检测算法结果在虾池(区域B，在图5(h)中用方形标记)与弱边缘区域(区域C，在图5(h)中用方形标记)的放大图。
从图5(k)可以看出，SPEC对于线状物的检测仍然是表现最佳的。此外，为了更好的观察三种算法对于弱边缘的检测性能，对图5(h)中用矩形标记出的区域C进行了放大，并在图5(l)中显示。可以看出，SPEC提取的海岸线在该弱边缘区域只有一个小孔陷入陆地，而算法MLSP和CGVF所提取海岸线都出现了很大的偏差。如表III所示，SPEC的mean offset与RMSE值最小，分别为1.68像素和2.35像素。而对于剩下的三个指标，SPEC的值最大。说明SPEC较另外两种海岸线检测算法有着更好的性能。此外，由于所测图像较为复杂，三种算法的前两个指标，即平均偏差和均方根误差几乎接近甚至大于两个像素。而算法CGVF又较MLSP有着更好的性能。与图6(a)相比，图7(a)亦包含独立的线状物。但SPEC对于图7(a)检测性能明显较CGVF好，而在图6中，却不能明显的看出。事实上，除线状物外，图7(a)存在弱边缘区域C，CGVF精度大幅下降，而SPEC精度几乎没受什么影响，所以，对于图7(a)的检测，SPEC较对比算法有着更好的效果。
表III海岸线检测性能指标
仿真例4，分别用本发明海岸线检测算法(SPEC)与现有的基于伽玛分布的多区域水平集分割算法(MLSP)及可控梯度矢量流snake模型(CGVF)算法对图6(a)(位于中国河北省唐山市的ENVISAT-1图像(292×301像素))进行海岸线提取。该图有着极不均匀的特性：不仅陆地上有很多建筑物，而且海面由于强风、巨浪，散射极其复杂而造成高亮，使海面比陆地看起来亮的多。结果如图6所示。其中，图6(b)-(c)为基于双边窗的边缘图与方向图。改进的ILF算法结果如图6(d)所示。图6(e)为改进的SLIC算法结果图。图6(f)-(g)分别为超像素初始分类结果图与经过后处理的最终分类图。图6(h)-(j)分别为算法SPEC，MLSP和CGVF提取的海岸线(由于此图较实验中别的图更亮，因此检测的海岸线用黑色表示)。图6(k)为按序排放(自左往右，自上而下)的人工绘制海岸线与三种海岸线检测算法结果在弱边缘区域(区域E，在图6(h)中用方形标记)的放大图。
如图6(i)所示，由于图像极不均匀，MLSP易受孤立小区域的困扰。至于算法SPEC和CGVF，它们或在区域D(在图6(h)中用方形标记)出现过分割，或在区域E出现过分割。除这两个区域，SPEC与CGVF得到的海岸线结果均与手动标记的海岸线匹配较好。如表IV所示，SPEC的平均偏差为2.24像素，均方根误差为3.42像素。此外，SPEC算法指标“Overlapped”为21.60％，“Within two pixels”为63.50％。可以看出，由于所测图像过于复杂，CGVF，MLSP的性能较差，但SPEC性能最佳。
表IV海岸线检测性能指标
仿真例5，分别用本发明海岸线检测算法(SPEC)与现有的基于伽玛分布的多区域水平集分割算法(MLSP)及可控梯度矢量流snake模型(CGVF)算法对图7(a)(位于中国台湾地区ENVISAT-1图像(295×315像素))进行海岸线提取。该图属于基岩海岸类型，沿岸有着诸多尖角。结果如图7所示。其中，图7(b)-(c)为基于双边窗的边缘图与方向图。改进的ILF算法结果如图7(d)所示。图7(e)为改进的SLIC算法结果图。图7(f)-(g)分别为超像素初始分类结果图与经过后处理的最终分类图。图7(h)-(j)分别为算法SPEC，MLSP和CGVF提取的海岸线。图7(k)为按序排放(自左往右，自上而下)的人工绘制海岸线与三种海岸线检测算法结果在尖角海域(区域F，在图(h)中用方形标记)的放大图。
从图7(h)-(j)可以看出，由于海陆对比度较高，三种海岸线检测结果均与真实海岸线贴合较好。然而，对于尖角区域，特别是在区域F内，三种海岸线算法的精度还是有着一定的差别。如图7(k)所示，MLSP和CGVF提取的海岸线与手绘海岸线匹配并没有SPEC的好。如表V所示，SPEC的平均偏差和均方根误差分别为0.76像素和1.05像素。SPEC的指标参数“Within two pixels”高达97.15％。综合来看，SPEC算法较另外两种算法对于处理带尖角的基岩海岸有着一定的优势。此外，由于CGVF解决了传统snake模型[37]-[38]对初始曲线较敏感的问题，所以，CGVF的性能指标较MLSP要好。MLSP算法的性能仍然最差。
表V海岸线检测性能指标
以上五个实验表明：本发明提出的改进SLIC超像素方法，针对含有线状物的SAR影像具有较好的分割效果，此外，本发明提出的SPEC海岸线提取算法可以有效的处理复杂的单极化ENVISAT-1和ERS-2卫星影像，例如含有线状物，尖角等情况的SAR影像，并且与MLSP和CGVF相比，SPEC算法对于处理含有弱边缘以及由海风，巨浪引起的高亮海域SAR影像有着更好的表现。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于包括如下步骤：
S1：读取合成孔径雷达SAR影像I，并设置超像素种子点数量k；
S2：根据所述种子点数量k与图像中的像素数量N，计算相邻种子点距离s，并根据所述相邻种子点距离在图像中均匀分配种子点，得到初始化聚类中心Ck；
S3：初始化每个像素i标签l(i)为-1，并初始化每个像素i与初始种子点的距离d(i)为+∞；
S4：计算每个像素在双边窗中的权重系数W(x,y)，并计算SAR影像在N个方向上的梯度edgθf，并求取双边窗梯度值EDG以及双边窗梯度方向；
S5：将双边窗梯度值与双边窗梯度方向嵌入到改进的ILF算法中，计算每个聚类中心Ck在搜索空间中与每个像素的距离D，所述搜索空间范围为2S×2S；
S6：比较D当前像素与其之前所属聚类中心的距离d(i)，当D的值较当前像素与其之前所属聚类中心的距离d(i)小，则该像素的标签值赋为此聚类中心Ck的值k，并更新当前像素和其所属聚类中心的距离d(i)，否则不更新当前像素的标签与距离；
S7：检测超像素是否被线状物分为两部分，若是则以线状物为界将所述超像素分为两个超像素，其中一个超像素的标签保持不变，另一个标签改为k+1并更新超像素种子点数量k；
S8：计算除标签为-1的像素外所有超像素的平均值，并更新超像素的中心Ck；
S9：反复重复步骤S6-S8直至残留误差最小；
S10：对标签为-1的像素，赋予新的标签值k+1；
S11：对每个超像素进行Gabor特征提取，并采用隐马尔科夫模型进行分类；
S12：根据得到的初始分类结果，将面积最小的两种类别的超像素合并为一类，直至余下两种标签的超像素，将余下两种标签的超像素中面积较小，且被另一种标签超像素包围的超像素，赋予其相反的标签，然后采用改进的双边窗提取最终的分类图海岸线。
2.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S2所述相邻种子点距离根据以下公式计算：
3.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S2所述聚类中心为：
Ck＝[Ik；xk；yk] (2)
其中，Ik第k个种子点的像素值，(xk,yk)为其坐标值。
4.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S4所述双边窗的权重系数为：
其中，T为归一化系数，Ic是中心像素的像素值，In是窗内除中心点外的某个像素的像素值，dx和dy分别是中心像素与其窗内别的某个像素在水平方向和垂直方向上的坐标差值。
5.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S4所述双边窗某个方向θf的梯度edgθf为：
其中x和y分别代表水平坐标和垂直坐标。I(x,y)表示双边窗口中任一像素值，rave与r′ave分别为双边窗在方向θf上两侧的加权均值。
6.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S4所述双边窗梯度EDG为：
EDG＝max{edgθ1,...,edgθf,...,edgθN} (6)
双边窗梯度方向为最大梯度值所在的序号。
7.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S4所述双边窗尺寸edgw为：
其中，为窗中心点与其八邻域内像素的标准差。
8.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S5所述聚类中心Ck在搜索空间中与每个像素的距离D为：
其中Cline为ILF检测到的所有线上的点，σ为搜索空间中的某个像素与其领域像素的标准差，w为搜索空间中全部指数化后的标准差的归一化系数，β表示调节系数，medge为总的调节参数，dc为像素相似性度量，ds为距离邻近度距离，其中
9.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S6中根据以下公式更新当前像素和其所属聚类中心的距离d(i)：
d(i)＝D (11)。
10.根据权利要求1所述的一种单极化SAR图像的线引导超像素海岸线提取方法，其特征在于步骤S7根据以下公式更新每次循环后种子点数量：
k＝k+Nline (12)
其中Nline为每次循环后被线状物分隔的超像素数量。
CN201810546924.XA 2018-05-31 2018-05-31 一种单极化sar图像的线引导超像素海岸线提取方法 Active CN108765440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810546924.XA CN108765440B (zh) 2018-05-31 2018-05-31 一种单极化sar图像的线引导超像素海岸线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810546924.XA CN108765440B (zh) 2018-05-31 2018-05-31 一种单极化sar图像的线引导超像素海岸线提取方法

Publications (2)

Publication Number Publication Date
CN108765440A true CN108765440A (zh) 2018-11-06
CN108765440B CN108765440B (zh) 2022-04-15

Family

ID=64001176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810546924.XA Active CN108765440B (zh) 2018-05-31 2018-05-31 一种单极化sar图像的线引导超像素海岸线提取方法

Country Status (1)

Country Link
CN (1) CN108765440B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801552A (zh) * 2019-01-24 2019-05-24 中国人民解放军战略支援部队信息工程大学 一种人工海岸线化简方法
CN111784610A (zh) * 2020-07-02 2020-10-16 重庆邮电大学 一种基于聚类的边窗滤波器优化方法
CN112164087A (zh) * 2020-10-13 2021-01-01 北京无线电测量研究所 基于边缘约束和分割边界搜索的超像素分割方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839261A (zh) * 2014-02-18 2014-06-04 西安电子科技大学 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN104867094A (zh) * 2014-02-20 2015-08-26 联想(北京)有限公司 一种图像处理的方法及电子设备
US9294690B1 (en) * 2008-04-10 2016-03-22 Cyan Systems, Inc. System and method for using filtering and pixel correlation to increase sensitivity in image sensors
CN105761266A (zh) * 2016-02-26 2016-07-13 民政部国家减灾中心 从遥感图像中提取矩形建筑物的方法
CN105930815A (zh) * 2016-05-04 2016-09-07 中国农业大学 一种水下生物检测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9294690B1 (en) * 2008-04-10 2016-03-22 Cyan Systems, Inc. System and method for using filtering and pixel correlation to increase sensitivity in image sensors
CN103839261A (zh) * 2014-02-18 2014-06-04 西安电子科技大学 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN104867094A (zh) * 2014-02-20 2015-08-26 联想(北京)有限公司 一种图像处理的方法及电子设备
CN105761266A (zh) * 2016-02-26 2016-07-13 民政部国家减灾中心 从遥感图像中提取矩形建筑物的方法
CN105930815A (zh) * 2016-05-04 2016-09-07 中国农业大学 一种水下生物检测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DELIANG XIANG 等，: "Adaptive Superpixel Generation for Polarimetric SAR Images With Local Iterative Clustering and SIRV Model", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
JENNIFER RANJANI 等，: "SLIC bilateral filtering Superpixel coastline extract", 《2008 SIXTH INDIAN CONFERENCE ON COMPUTER VISION, GRAPHICS & IMAGE PROCESSING》 *
王智罡 等，: "基于超像素的SAR图像海岸线检测算法", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801552A (zh) * 2019-01-24 2019-05-24 中国人民解放军战略支援部队信息工程大学 一种人工海岸线化简方法
CN111784610A (zh) * 2020-07-02 2020-10-16 重庆邮电大学 一种基于聚类的边窗滤波器优化方法
CN112164087A (zh) * 2020-10-13 2021-01-01 北京无线电测量研究所 基于边缘约束和分割边界搜索的超像素分割方法及装置
CN112164087B (zh) * 2020-10-13 2023-12-08 北京无线电测量研究所 基于边缘约束和分割边界搜索的超像素分割方法及装置

Also Published As

Publication number Publication date
CN108765440B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
Jiao et al. A densely connected end-to-end neural network for multiscale and multiscene SAR ship detection
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN109815807B (zh) 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法
CN104361582B (zh) 一种对象级高分辨率sar影像洪水灾害变化检测方法
CN102609701B (zh) 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法
CN109712153A (zh) 一种遥感图像城区超像素分割方法
CN109447065A (zh) 一种乳腺影像识别的方法及装置
CN108764027A (zh) 一种基于改进的rbd显著性计算的海面目标检测方法
CN111046772A (zh) 多时相卫星遥感岛礁岸线及开发利用信息提取方法
CN110378308A (zh) 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN102214298A (zh) 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法
CN110097101A (zh) 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法
CN103632167B (zh) 类地重力场环境下单目视觉空间识别方法
CN105931241B (zh) 一种自然场景图像的自动标注方法
CN103020975A (zh) 一种结合多源遥感图像特征的码头和船舶分割方法
CN108765440A (zh) 一种单极化sar图像的线引导超像素海岸线提取方法
CN105528585B (zh) 基于舰船尾迹和海底地形内波模型的水下航行器检测方法
CN106530313A (zh) 一种基于区域分割的海天线实时检测方法
CN109978848A (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN112766184B (zh) 基于多层级特征选择卷积神经网络的遥感目标检测方法
CN110309781A (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN108664939A (zh) 一种基于hog特征与深度学习的遥感图像飞机识别方法
Cheng et al. Efficient sea–land segmentation using seeds learning and edge directed graph cut
CN109359533A (zh) 一种基于多波段遥感影像的海岸线提取方法
CN108830899A (zh) 一种基于几何特征的快速自适应角点结合的圆心检测方法

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