CN108846845B - 基于缩略图与分层模糊聚类的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于缩略图与分层模糊聚类的SAR图像分割方法，主要解决现有SAR图像分割方法受噪声影响较大，分割正确率较低，以及运算复杂度较高的问题。其实现方案为：1.输入一副待分割的SAR图像I；2.将图像分为大小相近的像素组，并利用相似近邻信息构造出待分割图像的缩略图I_t；3.利用模糊C均值算法结合缩略图I_t中的邻域信息对此缩略图中的像素点进行聚类；4.根据聚类结果得到缩略图的分割结果图R_t；5.利用缩略图的分割结果图R_t对原始SAR图像进行分层次的分割，得到输入图像的分割结果图R。本发明减少了噪声对图像分割结果的影响，提高了SAR图像分割的正确率，降低了运算复杂度，可用于遥感数据分析，城市规划和环境监测。

Description

基于缩略图与分层模糊聚类的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，特别涉及一种SAR图像分割方法，可用于遥感数据分析，城市规划，环境监测等。

背景技术

随着合成孔径雷达SAR系统的不断更新与发展，SAR图像分割作为SAR图像处理中的关键一步也被越来越多的学者们关注和研究。SAR图像分割问题是指根据SAR图像的某些特征，将图像分割为多个不重叠的，具有独特性质的区域。

近年来各种不同的方法被运用到SAR图像的分割问题中，主要分为阈值方法和聚类方法。阈值方法是在SAR图像中建立一个数学模型，得到合适的阈值，从而将图像分为不同的区域。该方法容易理解，运算简单，但阈值的选取容易受到相干斑噪声的影响，从而导致分割结果的正确率很低。聚类方法是选取多个聚类中心，将图像中所有的像素点分为不同的类别，从而对图像进行分割。模糊C均值聚类可以保留更多的图像信息，是应用最广泛的聚类算法，该方法引入了模糊理论，可以获得良好的结果，但是该方法中将所有像素点进行聚类的操作会花费过多的运算时间，且容易得到具有很多孤立点的分割结果。

随着现代社会对SAR图像分割要求的提高，传统的各种方法所得到的分割结果存在鲁棒性低，计算复杂度高等缺陷，已不能满足要求，研究人员针对这些问题做出了一些改进，使之更能充分利用图像的一些固有特征来进行图像处理，例如对传统的模糊C均值聚类进行的改进：

Stelios Krinidis等人在IEEE Transactions On Image Process,19(2010)1328-1337上发表了论文“A robust fuzzy local information C-means clusteringalgorithm”，该论文首先随机初始化模糊隶属度矩阵，计算聚类中心，利用邻域的空间和灰度信息计算每个像素点的邻域信息，对每个像素点的模糊隶属度进行修正，再计算聚类中心，并多次迭代，输出最终的聚类结果。该方法通过利用邻域的空间和灰度信息虽说减少了噪声的影响，提高了分割结果的正确率，但是对于一些受到噪声污染的SAR图像，该方法得到的结果依然受到严重的斑点噪声影响，影响分类的准确率。

发明内容

本发明的目的在于针对上述现有方法存在的不足，提出一种基于缩略图与分层模糊聚类的SAR图像分割方法，以减小相干斑噪声对图像分割结果的影响，提高分割正确率，并减少运行时间。

为实现上述目的，本发明的技术方案包括如下：

(1)输入一幅待分割的SAR图像I；

(2)利用相似近邻信息构造出待分割SAR图像I的缩略图I_t；

2a)将待分割SAR图像I分为大小相近且中心位置确定的像素组：

2b)建立每个像素组的像素值直方图，根据该像素值直方图选取其中包含像素点数目最多的像素值范围，并标记此范围中的像素点为该像素组的多数相似像素点；

2c)计算原始待分割SAR图像I中每个像素组的多数相似像素点的平均像素值，用该平均像素值作为该像素组对应的像素值；

2d)按照每个像素组在原始待分割SAR图像I中的位置确定该像素组对应的位置坐标；

2e)用每个像素组对应的像素值和像素位置坐标确定该像素组对应的像素点，并由所有的像素点构成缩略图I_t；

(3)对缩略图I_t中的每个像素点结合其邻域像素信息进行模糊C均值聚类，得出I_t对应的隶属度矩阵U；

(4)根据隶属度矩阵U，得到缩略图I_t的分割结果图R_t；

(5)利用缩略图I_t的分割结果图R_t对原始待分割SAR图像I进行分层次的分割：

5a)将原始待分割SAR图像I中的像素点标记为P₁和P₂两部分：对于待分割SAR图像I中的每个像素组，将2b)中得出的多数相似像素点标记为P₁部分像素点，将图像中未被标记为P₁部分的像素点标记为P₂部分像素点。

5b)对P₁部分的每个像素点，赋予其缩略图分割结果R_t中相应像素点的类标，完成对P₁部分像素点的分割；

5c)对P₂部分的每个像素点，统计在该像素点邻域内已被分割的像素点的数目与类标，赋予其邻域内包含像素点数目最多的类标，得出待分割SAR图像I所对应的完整类标图R。

本发明与现有技术相比，具有以下优点：

1.本发明在生成图像缩略图时，选取了每个像素组中的多数相似像素点来表示该像素组，有选择性地利用了原始SAR图像中的局部信息，与现有技术聚类所有像素点的方法相比，提高了样本集的质量，减少了噪声对结果的影响，同时提高了分割结果的准确率；

2.本发明在对缩略图进行聚类分割时，利用了原始SAR图像中的非局部信息，同时使算法用于聚类运算的时间成倍减少，与现有技术直接对原始SAR图像进行聚类的方法相比，更充分地利用了图像中的像素信息，提升了图像分割的效率；

3.本发明利用缩略图的分割信息对原始图中的像素点进行分层次的分割，使分割结果图更加均匀和准确，与现有技术同时处理所有像素点的方法相比，有效地减少了噪声对图像分割结果的影响，提升了对噪声的鲁棒性，同时进一步提高了图像分割结果的准确率。

附图说明

图1是本发明的实现流程图；

图2是采用本发明和现有NSFCM，ALFCM、FKPFCM三个SAR图像分割方法对XIAN图像进行分割的结果图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细描述。

参照图1，本发明的实现步骤如下：

步骤1，输入一幅待分割的SAR图像I；

在本实施例中，输入的SAR图像名为XIAN，由TerraSAR在X波段拍摄，图像中各像素点的像素值代表相应位置的强度值，反映了中国西安地区在特定时间的地貌情况，图像尺寸为256×256，可分为四种不同类型的农田和水域。

步骤2，利用相似近邻信息构造出待分割SAR图像I的缩略图I_t。

为了避免对所有的像素点进行聚类，提高图像分割的效率，同时减少噪声对分割结果的影响，需要对原始SAR图像进行缩减，以生成缩略图I_t。

本步骤的具体实现如下：

2a)将待分割SAR图像I分为大小相近且中心位置确定的像素组：

2a1)将待分割SAR图像I分为大小为P×P的均匀矩形像素块，设定每个像素块的中心像素点为初始聚类中心像素，初始化迭代次数t₁＝1，其中P为大于等于3的奇数；

2a2)计算每个像素点与其S×S邻域内的所有聚类中心像素的相似性，并将其与所得到的相似性最高的聚类中心像素划分为一组，得到当前像素组，其中S＝2P-1；

2a3)保持当前每个像素组内聚类中心的位置不变，将每个聚类中心像素的像素值更新为与其同组的所有像素点的平均像素值；

2a4)判断当前迭代次数t₁是否等于预先设定的像素组划分迭代次数T₁，若是，输出所划分的像素组，否则，令t₁＝t₁+1，返回步骤2a2)；

2b)建立每个像素组的像素值直方图，根据该像素值直方图选取其中包含像素点数目最多的像素值范围，并标记此范围中的像素点为该像素组的多数相似像素点；

2c)计算原始待分割SAR图像I中每个像素组的多数相似像素点的平均像素值，用该平均像素值作为该像素组对应的像素值；

2d)按照每个像素组在原始待分割SAR图像I中的位置确定该像素组对应的位置坐标；

2e)用每个像素组对应的像素值和像素位置坐标确定该像素组对应的像素点，并由所有的像素点构成缩略图I_t。

步骤3，对缩略图I_t中的像素点进行聚类，得出缩略图I_t对应的隶属度矩阵U。

现有技术中对图像的聚类方法有模糊C均值聚类，K均值聚类，谱聚类等，其中模糊C均值聚类方法实现简单，易于结合图像中不同范围内的信息，因此本实施例采用了模糊C均值聚类算法。此外，为了充分利用图像中的局部信息，减小噪声的影响，本步骤在模糊C均值聚类算法的基础上结合了图像中每个像素点的邻域像素信息，其实现步骤如下：

3a)随机初始化缩略图I_t聚类中心向量V与隶属度矩阵U，初始化迭代次数t₂＝0；

3b)更新当前迭代次数t₂＝t₂+1，根据上一代聚类中心向量V与隶属度矩阵U，计算当前代隶属度矩阵U：

3b1)计算当前缩略图I_t每个像素点对于每一类的隶属度：

式中x_i表示缩略图I_t中第i个像素点的像素值，

表示第t代中像素点x_i对第j类的隶属度，v_j为当前聚类中心向量的第j个元素，m是一个隶属度的因子，取值为2，L为邻域窗口等级，S_L是像素点x_i的L级邻域窗口内像素点的集合，权重w_ik由距离权重w_d和强度权重w_i相乘得到，即

d_ik为像素点x_i与像素点x_k之间的直线距离；

所述邻域窗口等级L可用来控制局部邻域信息的利用范围S_L，即

在本实施例中，将利用邻域像素信息的最大范围设定在以待分割像素为中心的9×9的矩形窗口内，则等级L的取值范围限制在集合{1,2,3,4,5,6}之中；

所述权重w_ik可用来控制邻域窗口内的像素点对待处理像素点的影响程度，由缩略图中待分割的中心像素与所参考的邻域像素之间的相似性决定，两个像素越相似，w_ik越大，这个邻域像素对当前中心像素的分割所起到的参考作用就越大。

3b2)用缩略图I_t内所有像素点的隶属度作为元素，用这些元素构成当前隶属度矩阵U；

3c)判断当前迭代次数t₂是否等于预先设定的模糊C均值聚类迭代次数T₂，若是，则输出当前隶属度矩阵U，否则，采用梯度下降法更新聚类中心向量V，返回步骤3b)，其中采用梯度下降法更新聚类中心向量V，按如下步骤进行：

3c1)计算每一类的聚类中心像素值：

其中，v_j表示第j类的聚类中心像素值，j＝1,2,…,c，c为聚类数目，N为缩略图I_t中像素点的个数；

3c2)将每一类的聚类中心像素值作为元素，用这些元素组成当前聚类中心向量V。

步骤4，根据隶属度矩阵U，得到缩略图I_t的分割结果图R_t：

4a)根据隶属度矩阵U，确定缩略图I_t中每个像素点的类标：

式中u_ij是隶属度矩阵U中第i行第j列的元素，代表缩略图I_t中第i个像素点x_i对于第j类的隶属度，j＝1,2,…,c，c为聚类数目；

4b)利用缩略图I_t中每个像素点的类标，用所有的类标按照对应像素点的位置组成缩略图I_t的分割结果图R_t。

步骤5，利用R_t对原始SAR图像进行分层次的分割，最终得出原始SAR图像所对应的完整类标图。

为了提高聚类样本质量，减少噪声对图像分割结果的影响，提高图像分割的正确率本步骤采用分层次分割的方法对SAR图像中的像素点进行分割，其实现步骤如下：

5a)将原始待分割SAR图像I中的像素点标记为P₁和P₂两部分：对于待分割SAR图像I中的每个像素组，将2b)中得出的多数相似像素点标记为P₁部分像素点，将图像中未被标记为P₁部分的像素点标记为P₂部分像素点。

5b)对P₁部分的每个像素点，赋予其缩略图分割结果R_t中相应像素点的类标，完成对P₁部分像素点的分割；

5c)对P₂部分的每个像素点，统计在该像素点邻域内已被分割的像素点的数目与类标，赋予其邻域内包含像素点数目最多的类标，得出待分割SAR图像I所对应的完整类标图R。

以下结合附图和仿真实验结果，对本发明的技术效果作进一步描述：

1.仿真条件：

本发明采用Matlab R2017a软件在配置为core i53.30GHZ，内存8GB，WINDOWS 7系统的计算机上进行。

2.仿真内容：

用本发明和现有NSFCM，ALFCM、FKPFCM三个SAR图像分割方法对XIAN数据集进行分割，如图2所示，其中：

图2(a)为输入待分割SAR图像I；

图2(b)为待分割SAR图像I的真实类标图像；

图2(c)为用NSFCM方法的分割结果图像；

图2(d)为用ALFCM方法的分割结果图像；

图2(e)为用FKPFCM方法的分割结果图像；

图2(f)为用本发明方法的分割结果图像；

由图2可以看出：与其它对比方法相比，本发明方法的分割结果图像与真实结果图像更加接近，错分点少，边缘清晰，区域一致性高，分割正确率高，对噪声的鲁棒性较好，证明了本发明方法可以得到很好的分割结果。

在本实施例中，我们所选用的评价指标有分割正确率SA以及算法运行时间Time。分割正确率由所评价算法得出的分割图与真实类标图比较得出，其计算公式为：

其中，N表示待分割SAR图像中像素点个数，1(·)为指示函数，当且仅当括号内表达式为真时其值为1，否则为0，R_i与G_i分别表示算法所得分割结果图与真实类标图中像素点x_i的类标值。

所述评价指标SA直观的反映了算法的分割正确率，SA越大，表示算法分割正确率越高。

将本发明方法的结果图即图2(f)和其他三种方法的结果图即图2(c),图2(d)和图2(e)与真实类标图像即图2(f)进行对比，统计本发明和FCM、ALFCM,、FKPFCM方法在XIAN图像上的分割结果的评价指标SA，同时统计各个方法的运行时间，结果如表1所示。

表1不同方法对XIAN图像的分割结果

从表1中可以看出，对于同一幅SAR图像，本发明方法在保证获得理想分割正确率的同时，也有效地缩短了算法的运行时间，提高了SAR图像分割的效率。表明本发明所公开的方法在分割正确率以及算法运行时间方面均具有一定优势，可以取得较为理想的SAR图像分割结果。

Claims (6)

1.一种基于缩略图与分层模糊聚类的SAR图像分割方法，包括：

(1)输入一幅待分割的SAR图像I；

(2)利用相似近邻信息构造出待分割SAR图像I的缩略图I_t：

2a)将待分割SAR图像I分为大小相近且中心位置确定的像素组；

2b)建立每个像素组的像素值直方图，根据该像素值直方图选取其中包含像素点数目最多的像素值范围，并标记此范围中的像素点为该像素组的多数相似像素点；

2c)计算原始待分割SAR图像I中每个像素组的多数相似像素点的平均像素值，用该平均像素值作为该像素组对应的像素值；

2d)按照每个像素组在原始待分割SAR图像I中的位置确定该像素组对应的位置坐标；

2e)用每个像素组对应的像素值和像素位置坐标确定该像素组对应的像素点，并由所有的像素点构成缩略图I_t；

(3)对缩略图I_t中的每个像素点结合其邻域像素信息进行模糊C均值聚类，得出I_t对应的隶属度矩阵U；

(4)根据隶属度矩阵U，得到缩略图I_t的分割结果图R_t；

(5)利用缩略图I_t的分割结果图R_t对原始待分割SAR图像I进行分层次的分割：

5a)将原始待分割SAR图像I中的像素点标记为P₁和P₂两部分：对于待分割SAR图像I中的每个像素组，将2b)中得出的多数相似像素点标记为P₁部分像素点，将图像中未被标记为P₁部分的像素点标记为P₂部分像素点；

5b)对P₁部分的每个像素点，赋予其缩略图分割结果R_t中相应像素点的类标，完成对P₁部分像素点的分割；

5c)对P₂部分的每个像素点，统计在该像素点邻域内已被分割的像素点的数目与类标，赋予其邻域内包含像素点数目最多的类标，得出待分割SAR图像I所对应的完整类标图R。

2.根据权利要求1所述方法，其特征在于，步骤(2a)中划分像素组，按如下步骤进行：

2a1)将图像I分为大小为P×P的均匀矩形像素块，设定每个像素块的中心像素点为初始聚类中心像素，初始化迭代次数t₁＝1，其中P为大于等于3的奇数；

2a2)计算每个像素点与其S×S邻域内的所有聚类中心像素的相似性，并将其与所得到的相似性最高的聚类中心像素划分为一组，得到当前像素组，其中S＝2P-1；

2a3)保持当前每个像素组内聚类中心的位置不变，将每个聚类中心像素的像素值更新为与其同组的所有像素点的平均像素值；

2a4)判断当前迭代次数t₁是否等于预先设定的像素组划分迭代次数T₁，若是，输出所划分的像素组，否则，令t₁＝t₁+1，返回步骤2a2)。

3.根据权利要求1所述方法，其特征在于，步骤(3)中对缩略图I_t中的每个像素点结合其邻域像素信息进行模糊C均值聚类，按如下步骤进行：

3a)随机初始化缩略图I_t聚类中心向量V与隶属度矩阵U，初始化迭代次数t₂＝0；

3b)更新当前迭代次数t₂＝t₂+1，根据上一代聚类中心向量V与隶属度矩阵U，计算当前代隶属度矩阵U；

3c)判断当前迭代次数t₂是否等于预先设定的模糊C均值聚类迭代次数T₂，若是，则输出当前隶属度矩阵U，否则，采用梯度下降法更新聚类中心向量V，返回步骤3b)。

4.根据权利要求1所述方法，其特征在于，步骤(4)中根据隶属度矩阵U，得到缩略图I_t的分割结果图R_t，按如下进行：

4a)根据隶属度矩阵U，确定缩略图I_t中每个像素点的类标：

式中u_ij是隶属度矩阵U中第i行第j列的元素，代表缩略图I_t中第i个像素点x_i对于第j类的隶属度，j＝1,2,…,c，c为聚类数目；

4b)利用缩略图I_t中每个像素点的类标，用所有的类标按照对应像素点的位置组成缩略图I_t的分割结果图R_t。

5.根据权利要求4所述方法，其特征在于，步骤(3b)中根据上一代聚类中心向量V与隶属度矩阵U，计算当前代隶属度矩阵U，按如下步骤进行：

3b1)计算当前缩略图I_t每个像素点对于每一类的隶属度：

式中x_i表示缩略图I_t中第i个像素点的像素值，

表示第t₂代中像素点x_i对第j类的隶属度，v_j表示第j类的聚类中心像素值，m是一个隶属度的因子，取值为2，L为邻域窗口等级，S_L是像素点x_i的L级邻域窗口内像素点的集合，权重w_ik由距离权重w_d和强度权重w_i相乘得到，即

d_ik为像素点x_i与像素点x_k之间的直线距离；

3b2)用缩略图I_t内所有像素点的隶属度作为元素，用这些元素构成当前隶属度矩阵U。

6.根据权利要求4所述方法，其特征在于，步骤(3c)中采用梯度下降法更新聚类中心向量V，按如下步骤进行：

3c1)计算每一类的聚类中心像素值：

其中，v_j表示第j类的聚类中心像素值，j＝1，2，…，c，c为聚类数目，N为缩略图I_t中像素点的个数；t₂表示当前迭代次数，m是一个隶属度的因子，取值为2；

3c2)将每一类的聚类中心像素值作为元素，用这些元素组成当前聚类中心向量V。

Images