CN109165653B - 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 - Google Patents

Abstract

本发明提供的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，首先根据SAR图像素描图的统计直方图得到最优聚集度，根据最优聚集度对种子线段进行生长得到语义线段集合，用语义线段的端点组成端点集合并构造KD树；然后利用KD树快速得到端点集合中每个端点的最近邻端点和最优聚集度范围内的近邻端点，对近邻端点进行连接从而得到多个相连且封闭的区域；最后基于面积将这些区域划分为聚集区域和待定区域，再通过信息熵进一步判断待定区域是否为聚集区域；本发明实现了对SAR图像聚集区域准确且快速地提取，所提取的聚集区域不仅能更好的表示SAR图像的极不匀质区域，也能较好地定位极不匀质区域的边界。

Description

一种基于语义线段近邻连接的SAR图像聚集区域的提取方法

技术领域

本发明属于图像处理技术领域，特别涉及一种基于语义线段近邻连接的SAR图像聚集区域的提取方法。

背景技术

合成孔径雷达SAR是遥感技术领域的重要方向，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，SAR成像技术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。SAR图像的解译技术对于军事、农业、地理等许多领域具有重要指导意义。SAR图像分割是SAR图像解译的关键问题之一，也是SAR图像解译的基础和前提，受到各国研究者的广泛关注，成为研究的热点。但SAR图像由于本身的成像机制造成图像上有相干斑噪声、阴影、迎陂缩短和图像的地物形状发生改变等问题，使得SAR图像的解译非常困难。以Sketch Map为基础的SAR图像聚集区域的提取是根据SAR图像的素描模型对地物信息的稀疏表示的结果，以素描线段为基元的聚集区域获取方法对于快速获取图像的聚集区域非常重要。

目前SAR图像聚集区域提取算法有两种，第一种是“基于圆形算子提取聚集区域的算法”，该算法避免了在SAR图像上用基于像素或超像素的无监督SAR图像分割方法无法合并像素或超像素构成连通区域的难题，具体是利用圆形算子在一个由种子线段生成的语义聚集线段集合中经过膨胀和腐蚀操作进行聚集区域的提取，但是这种聚集区域的提取方法不仅速度慢，聚集区域的边界出现弧状，导致聚集区域的边界不准确，不符合实际的地物形状，而且圆形算子没有以语义线段为基元进行聚集区域的提取，导致聚集区域的提取速度较慢。

第二种是“基于单侧聚集的SAR图像聚集区域提取算法”，该算法首先在语义聚集线段集合中根据语义线段的拓扑关系找到能够产生边界的单侧聚集线段，并将其加入到边界线段集合中，然后根据边界线段集合中线段个数不同的情况生成直线，形成封闭的初始多边形区域，最后在语义聚集线段集合中，根据语义线段端点和初始多边形区域的空间位置关系，寻找满足条件的语义线段端点并加入多边形中逐步向内逼近，从而获得形状为多边形的聚集区域。但是该算法是从多边形的外部向内部逼近的，没有考虑到待提取区域中存在无素描区域的情况，导致待提取区域中大片的无素描区域被错分为聚集区域。对于场景大且分辨率高的SAR图像，上述两种算法需要分块才能对大SAR图像进行处理，不仅增加了时间复杂度，而且没有利用SAR图像的全局统计信息，导致得到的聚集度和整个SAR图像素描图的聚集度有差别，从而不能得到满意的聚集区域结果，影响进一步的分割。

发明内容

本发明的目的在于提供一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，解决了现有的SAR图像聚集区域的提取方法中存在提取的聚集区域的边界不准确，不符合实际的地物形状或将待提取区域中大片的无素描区域被错分为聚集区域的缺陷。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，包括以下步骤：

步骤1，对输入的SAR图像进行素描化，得到SAR图像的素描图，其中，素描图中的素描线段集合表示为X＝{x₁，x₂，...，x_i，...x_n}，其中，n为素描图中素描线段的个数；x_i为集合X中的第i条素描线；

步骤2，根据步骤1中得到的素描图构建统计直方图，然后通过该统计直方图的峰值计算最优聚集度Agg_best的上界

步骤3，根据步骤2中得到的最优聚集度Agg_best的上界

将素描线段集合X中的素描线划分为双侧聚集、单侧聚集和孤立线段；以双侧聚集线段为种子线段，对双侧聚集线段和单侧聚集线段进行区域生长，得到语义线段集合S＝{S₁，S₂，...S_i，...S_c}，其中，c为进行区域生长后得到的语义线段集合的个数，S_i＝{s_i，1，s_i，2，...s_i，j，...s_i，m}为区域生长得到的第i个语义线段子集合，s_i，j为第i个语义线段子集合S_i中的第j条素描线，m为集合S_i中语义线段的个数；

步骤4，建立语义线段集合S的端点集合D，根据端点集合D构造KD树集合T_D ；

步骤5，利用步骤4中得到的KD树集合T_D 对语义线段的最近邻线段进行连接，得到集合N＝{N₁，N₂，...N_i，...N_c}，其中，N_i为线段集合N的第i个子集合，c为集合N中的子集合的数量；

步骤6，利用步骤4中得到的KD树集合T_D 对语义线段的最优聚集度的上界

范围内的近邻线段进行连接，得到线段集合∑＝{∑₁，∑₂，...∑_i，...∑_c}，其中，∑_i为线段集合∑的第i个子集合，c为子集合的数量；

步骤7，将上述所得到的语义线段集合S、线段集合N和线段集合∑求集合并，得到语义线段集合Ω＝S∪N∪∑＝{Ω₁，Ω₂，...，Ω_i，...Ω_c}，其中，其中Ω_i为语义线段集合Ω的第i个子集合，c为子集合的数量；

步骤8，将语义线段集合Ω中的区域进行划分，得到聚集区域集合Q和待定区域集合Y；

步骤9，判断步骤8中得到的待定区域结合Y中的待定区域是否为聚集区域，若该待定区域为聚集区域，则将该区域放入聚集区域集合Q中，得到最终的聚集区域集合Q′。

优选地，步骤2中，通过素描图构建统计直方图的具体方法是：

第1步，以步骤1中得到的素描线段集合X中每条素描线段的中点为元素构建KD树T_X ；

第2步，通过KD树T_X 得到素描线段集合X中的每条素描线的K近邻平均距离μ_i；

第3步，对第2步中的所有的素描线段的K近邻平均距离μ_i进行统计得到统计直方图；

通过统计直方图的峰值计算最优聚集度Agg_best的上界

的具体方法是：

通过上述得到的统计直方图得到其峰值Agg_peak，利用Agg_best＝[Agg_peak-δ，Agg_peak+δ]，δ＝4计算最优聚集度Agg_best，其中，Agg_peak+δ为最优聚集度的上界

优选地，步骤4中，

端点集合D＝{D₁，D₂，...D_i，...D_c}，其中，D_i＝{d_i，1，d_i，2，...d_i，2j-1，d_i，2j...d_i，2m}为语义线段子集合S_i＝{s_i，1，s_i，2，...，s_i，j，...s_i，m}中语义线段端点组成的集合，D_i为端点集合D的第i个子集合，c为集合D中子集合的个数，s_i，j为子集合S_i中的第j条语义线段，d_i，2j-1和d_i，2j分别为子集合S_i中第j条语义线段的两个端点，m为子集合S_i中语义线段的个数，2m为m条语义线段的端点个数；

对端点集合D中的每个子集合D_i构造KD树

得到KD树集合

优选地，步骤5中，利用步骤4中得到的KD树集合T_D 对语义线段的最近邻线段进行连接的具体方法是：

首先，新建线段集合N；

其次，利用KD树集合T_D 中任意子KD树

对端点集合D中与其相对应的子集合D_i中的任意一条语义线段的两个端点中的一个端点d_i，2j-1进行近邻搜索，得到距离端点d_i，2j-1最近且和该端点不属于同一语义线段的端点d_i，l；之后将端点d_i，2j-1和端点d_i，l连接成一条心的线段s_i，m+2j-1，将s_i，m+2j-1加入到集合N中的子集合N_i中；

同理对该条语义线段的另一个端点d_i，2j进行近邻搜索，得到一条新的线段s_i，m+2j，将s_i，m+2j加入到N_i中；

最终得到集合N＝{N₁，N₂，...N_i，...N_c}。

优选地，步骤6中，利用步骤4中得到的KD树集合T_D 对语义线段的最优聚集度的上界

范围内的近邻线段进行连接的具体方法是：

首先，新建线段集合∑；

其次，利用KD树集合T_D 中任意子KD树

对端点集合D中与其相对应的子集合D_i中的任意一条语义线段上的两个端点中的一个端点d_i，2j-1进行查询，得到距离改端点d_i，2j-1小于最优聚集度的上界

且和端点d_i，2j-1不属于同一条语义线段的端点集合D_i，2j-1＝{d_i，2j-1，1，d_i，2j-1，2，...，d_i，2j-1，k，...d_i，2j-1，e}，其中，e为D_i，2j-1中端点的个数，k为端点集合D_i，2j-1中第k个端点，d_i，2j-1，k≠d_i，2j；将端点d_i，2j-1和端点集合D_i，2j-1中的每个端点d_i，2j-1，k连接成一条新的线段s_i，2j-1，k，将s_i，2j-1，k加入到∑_i中；

同理，对该条语义线段上的另一个端点d_i，2j进行查询，得到一条新的线段s_i，2j，k，将s_i，2j，k加入到∑_i中；

最终，得到集合∑＝{∑₁，∑₂，...∑_i，...∑_c}。

优选地，步骤7中，将语义线段集合S、线段集合N和线段集合∑求集合并的具体方法是：

第1步，新建线段集合Ω；

第2步，将语义线段集合S中每一个子集合S_i中的语义线段加入到集合Ω_i；

第3步，对于线段集合N中每一个子集合N_i中的线段s_i，j判断是否已经在Ω_i中，若

则将线段s_i，j加入到集合Ω_i；

第4步，对于线段集合∑中每一个子集合∑_i中的线段s_i，j判断是否已经在Ω_i中，若

则将线段s_i，j加入到集合Ω_i；

第5步，最终得到集合Ω＝{Ω₁，Ω₂，...Ω_i，...Ω_c}。

优选地，步骤8中，将语义线段集合Ω中的区域进行划分的具体方法是：

第1步，采用形态学中的连通区域标记方法，标记集合Ω中的每一个语义线段子集合Ω_i中的闭合区域R_i＝{r_i，1，r_i，2，...，r_i，j，...r_i，h}，其中，h为R_i中闭合区域个数，r_i，j为第i个子集合Ω_i中第j个闭合区域；

第2步，计算闭合区域集合R_i的闭合区域面积集合B_i＝{b_i，1，b_i，2，...，b_i，j，...b_i，h}，其中，h为R_i中闭合区域个数，b_i，j为闭合区域r_i，j的面积；

第3步，新建区域集合Q＝{Q₁，Q₂，...Q_i，...Q_c}作为聚集区域几个；新建区域集合Y＝{Y₁，Y₂，...Y_i，...，Y_c5}作为待定区域集合，其中，c为集合Q中子集合的数量，c5为集合Y子集合的数量，Q_i表示第i个区域子集合，Y_i表示第i个区域子集合；

第4步，对闭合区域集合R_i中每一个区域r_i，j的面积b_i，j进行判断，如果

将闭合区域r_i，j加入到Q_i中；如果

将闭合区域r_i，j加入到Y_i中，进而得到聚集区域集合Q和待定区域集合Y，其中，将不在聚集区域集合Q和待定区域集合Y中且没有素描线的其它区域定义为无素描区域Z＝{z₁，z₂，...z_i，...z_w}。

优选地，步骤9中，判断步骤8中得到的待定区域结合Y中的待定区域是否为聚集区域的具体方法是：

第1步，在输入的SAR图像上提取与待定区域集合Y中的每一个区域r_i，j位置相对应的区域O_i，j；

第2步，分别计算第1步中区域O_i，j的信息熵φ(P_i，j)、聚集区域集合Q中的聚集区域r_i，j的信息熵φ(Q_i，u)、均质区域集合Z中的均质区域的信息熵φ(Z_v)；

第3步，分别计算待定区域集合Y中区域r_i，j与已确定的聚集区域集合Q的距离η_i，j和与无素描线区域的距离μ_i，j，其中，

如果φ(Q_i，u)＜φ(P_i，j)，则待定区域集合Y中区域r_i，j与已确定的聚集区域集合Q的距离η_i，j和与无素描线区域的距离μ_i，j分别为：

η_i，j＝0

μ_i，j＝∝

如果φ(Q_i，u)＞φ(P_i，j)且φ(P_i，j)＞φ(Z_v)，则待定区域集合Y中区域r_i，j与已确定的聚集区域集合Q的距离η_i，j和与无素描线区域的距离μ_i，j为：

η_i，j＝φ(Q_i，u)-φ(P_i，j)

μ_i，j＝φ(P_i，j)-φ(Z_v)

如果φ(P_i，j)＜φ(Z_v)，那么待定区域集合Y中区域r_i，j与已确定的聚集区域集合Q的距离η_i，j和与无素描线区域的距离μ_i，j为：

η_i，j＝∝

μ_i，j＝0

第4步，如果μ_i，j＞η_i，j，则将r_i，j从待定区域集合Y中移入确定的聚集区域集合Q；否则，r_i，j的位置不变。

与现有技术相比，本发明的有益效果是：

本发明提供的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，相较于在Sketch Map上利用圆形算子、多边形逼近等获取聚集区域的现有方法，由于步骤5和步骤6中利用Sketch Map稀疏表示模型中线段的近邻关系和聚集特性，所以提取的聚集区域能够更好的表示SAR图像的极不匀质区域，同时也能较好地定位极不匀质区域的边界，使聚集区域的边界和SAR图像的边界保持一致。步骤4、步骤5和步骤6中对端点集合建立KD树来进行搜索，由于KD树的搜索效率远高于现有方法中使用的K近邻搜索算法，所以本发明提出的方案的执行速度快，这也就保证了该算法能够处理分辨率较大的图像。另外，通过步骤8和步骤9对闭合区域的进一步判断，能够较好的保留聚集区域中的无素描区域。

附图说明

图1是本发明的实现流程图；

图2是本发明中SAR图像素描化前后对比图，其中，图2a是SAR图像原图，图2b是SAR图像原图素描化后的素描图；

图3是本发明中K近邻平均距离的统计直方图，K＝13；

图4是本发明中区域生长法的对比图，其中，图4a是SAR图像原图中的一部分，图4b是对应区域的素描图，图4c是对应区域的单个语义素描线段集合，图4d是对应区域单个语义素描线段集合的线段分类结果；

图5是本发明中最近邻连接过程图；

图6是本发明中

范围内近邻连接过程图；

图7是本发明单个聚集区域提取的过程图；

图8是本发明中提取的已确定为聚集区域的结果图；

图9是本发明中提取的最终聚集区域的结果图；

图10是用本发明与现有方法对terra noerdlin图像聚集区域提取的比对图,其中,图10a为本发明在terra noerdlin的素描图上进行聚集区域提取的效果图，图10b为圆形算子在terra noerdlin的素描图上进行聚集区域提取的效果图，图10c为多边形逼近方法在terra noerdlin的素描图上进行聚集区域提取的效果图。

具体实施方式

下面结合附图，对本发明进一步详细说明。

上世纪八十年代，Marr通过总结心理物理学、神经生理学及解剖学等方面关于人类视觉的研究成果，指出人类视觉本质上是一种信息处理的过程，并提出了视觉计算理论的框架原型。后来，Guo和朱松纯等人基于Marr视觉计算理论中的素描理论,提出了适用于自然图像的初始素描模型和方法，并利用自然图像的素描信息实现了图像的压缩和重构。

借鉴朱松纯等人提出的初始素描模型，申请人针对SAR图像所具有的统计分布特性、成像时固有的相干特性和不同于一般光学图像的几何特征，在研究SAR图像边、线检测方法的基础上，建立了SAR图像的素描模型，并设计实现了SAR图像素描图(Sketch Map)的提取方法。

在Sketch Map基础上，结合素描图中素描线段的空间位置关系，考虑素描线段与周围素描线段邻域空间的距离统计关系，赋予素描线段语义信息；根据距离统计关系和语义信息，在素描图的基础上提出了区域图的获取方法，在语义层面上对SAR图像进行分析，进而达到对图像分割的目的。

上述的区域图是由聚集区域、结构区域和无素描线段区域组成，其中，聚集区域反应了素描线段之间聚集、扎堆的情况，与SAR原图像的极不匀质区域相对应；以Sketch Map为基础的SAR图像分割方法建立在聚集区域的提取上，聚集区域提取的好坏直接影响到图像分割的最终效果；因此，聚集区域是SAR图像分割过程中一个重要的环节。

进而如图1所示，本发明提供的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，包括以下步骤：

步骤1，对输入的SAR图像进行素描化，得到SAR图像的素描图，具体地：

第1步，对于输入的SAR图像，设计具有多尺度、多方向的边-线模板，采用基于RoA、互相关和梯度的检测算子，计算具有CFAR特性的响应图和基于梯度的响应图；

第2步，融合具有CFAR特性的响应图和基于梯度的响应图以获得最终的强度图；

第3步，采用非极大值抑制操作和双阈值连边操作，从强度图中提取边-线图；

第4步，以直线逼近的方式将边-线图的每一条曲线素描化，并基于图的边-线模型计算每一条素描线的编码长度增益，通过素描追踪的方法获得SAR图像的素描图；

第5步，利用素描线编码长度增益和操作算子对得到的素描图进一步评估、修剪得到SAR图像最终的素描图；素描图中的素描线段集合表示为X＝{x₁，x₂，...，x_i，...x_n}，其中，n为素描图中素描线段的个数；x_i为集合X中的第i条素描线；

如图2a为输入的SAR图像，图2b为SAR图像素描化后的素描图。

本发明使用的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，统计最优聚集度Agg_best的上界

其中，SAR图像的素描图中的素描线段的最优聚集度Agg_best和素描线段的距离分布有关，所以需要对素描线段的距离进行统计构建统计直方图，然后通过统计直方图的峰值计算最优聚集度Agg_best的上界

具体步骤如下所示：

第1步，以步骤1中得到的素描线段集合X中每条素描线段的中点为元素构建KD树T_X ；

第2步，通过KD树T_X 得到素描线段集合X中的每条素描线的K近邻平均距离μ_i；

第3步，对第2步中的所有的素描线段的K近邻平均距离μ_i进行统计得到统计直方图，如图3所示，横轴表示聚集度的K近邻平均距离，纵轴是表示聚集度统计量的频率；

第4步，通过第3步中得到的统计直方图得到其峰值Agg_peak，利用Agg_best＝[Agg_peak-δ，Agg_peak+δ]，δ＝4计算最优聚集度Agg_best，其中，Agg_peak+δ为最优聚集度的上界

步骤3，通过区域生长算法得到语义线段集合，具体地：

首先，根据最优聚集度Agg_best的上界

将素描线段集合X中的素描线划分为双侧聚集、单侧聚集和孤立线段；

然后，以上述得到的双侧聚集线段为种子线段，对双侧聚集线段和单侧聚集线段进行区域生长，得到语义线段集合S＝{S₁，S₂，...S_i，...S_c}，其中，c为进行区域生长后得到的语义线段集合的个数，S_i＝{s_i，1，s_i，2，...s_i，j，...s_i，m}为区域生长得到的第i个语义线段子集合，s_i，j为第i个语义线段子集合S_i中的第j条素描线，m为集合S_i中语义线段的个数；

图4a为SAR图像原图中的一部分，图4b为对应区域的素描图，图4c为一个语义线段子集合，图4d为子集合中语义线段的分类结果，其中绿色为单侧聚集、红色为双侧聚集。

步骤4，建立语义线段集合S的端点集合D，根据端点集合D构造KD树集合T_D ，具体地：

由于后面步骤需要对大量的语义线段进行近邻搜索，而KD树是一种快速的近邻搜索算法，所以对端点集合D构造KD树集合T_D 用于后续步骤的近邻搜索，可以加快算法的速度；按照以下两步构造KD树：

第1步，建立语义线段集合S的端点集合D＝{D₁，D₂，...D_i，...D_c}，D_i＝{d_i，1，d_i，2，...d_i，2j-1，d_i，2j...d_i，2m}为语义线段子集合S_i＝{s_i，1，s_i，2，...，s_i，j，...s_i，m}中语义线段端点组成的集合，其中，D_i为端点集合D的第i个子集合，c为集合D中子集合的个数，s_i，j为子集合S_i中的第j条语义线段，d_i，2j-1和d_i，2j分别为子集合S_i中第j条语义线段的两个端点，m为子集合S_i中语义线段的个数，2m为m条语义线段的端点个数；

第2步，通过KD树算法，对端点集合D中的每个子集合D_i构造KD树

得到KD树集合

步骤5，对语义线段的最近邻线段进行连接，具体地：

首先，新建线段集合N，该集合用于保存通过最近邻线段连接产生的线段；

然后，利用KD树

对第i个端点子集合D_i中的端点d_i，2j-1进行近邻搜索，得到距离端点d_i，2j-1最近且和端点d_i，2j-1不属于同一条语义线段的端点d_i，l，即d_i，l≠d_i，2j，其中l∈[1，m]。将端点d_i，2j-1和端点d_i，l连接成一条新的线段s_i，m+2j-1，将s_i，m+2j-1加入到N_i中；

同理，对第i个端点子集合D_i中的端点d_i，2j，利用KD树

进行近邻搜索得到距离d_i，2j最近且和d_i，2j不属于同一条语义线段的端点d_i，l，即d_i，l≠d_i，2j-1，其中l∈[1，m]。将端点d_i，2j和端点d_i，l连接成一条新的线段s_i，m+2j，将s_i，m+2j加入到N_i中；

最后，得到集合N＝{N₁，N₂，...N_i，...N_c}，其中，N_i为线段集合N的第i个子集合，c为集合N中的子集合的数量；集合N中的线段即为通过最近邻连接产生的线段；

如图5中的蓝色线段展示了单个语义线段集合的最近邻连接过程。

步骤6，对语义线段的最优聚集度的上界

围内的近邻线段进行连接。

首先，新建线段集合∑，该集合用于保存通过最优聚集度的上界

范围内的近邻线段连接产生的线段；

然后，对第i个端点子集合D_i中的端点d_i，2j-1，利用KD树

进行查询得到距离端点d_i，2j-1小于最优聚集度的上界

且和端点d_i，2j-1不属于同一条语义线段的端点集合D_i，2j-1＝{d_i，2j-1，1，d_i，2j-1，2，...，d_i，2j-1，k，...d_i，2j-1，e}，其中e为D_i，2j-1中端点的个数，k为端点集合D_i，2j-1中第k个端点，d_i，2j-1，k≠d_i，2j；将端点d_i，2j-1和端点集合D_i，2j-1中的每个端点d_i，2j-1，k连接成一条新的线段s_i，2j-1，k，将s_i，2j-1，k加入到∑_i中；

同理，对第i个端点子集合D_i中的端点d_i，2j，利用KD树

进行查询得到距离端点d_i，2j小于最优聚集度的上界

且和端点d_i，2j不属于同一条语义线段的端点集合D_i，2j＝{d_i，2j，1，d_i，2j，1，...，d_i，2j，k，...d_i，2j，e}，其中，e为D_i，2j中端点的个数，k为端点集合D_i，2j中第k个端点，d_i，2j，k≠d_i，2j-1；将端点d_i，2j和端点集合D_i，2j中的每个端点d_i，2j，k连接成一条新的线段s_i，2j，k，将s_i，2j，k加入到∑_i中；

如图6中的蓝色线段展示了单个语义线段集合对最优聚集度的上界

范围内的近邻线段连接过程；

最终，得到线段集合∑＝{∑₁，∑₂，...∑_i，...∑_c}，其中，∑_i为线段集合∑的第i个子集合，c为子集合的数量，集合∑中的线段即为对最优聚集度的上界

范围内的近邻线段进行连接产生的线段。

步骤7，合并语义线段集合S、线段集合N和线段集合∑，具体地：

对语义线段集合S、线段集合N和线段集合∑求集合并，从而得到与语义线段集合：

Ω＝S∪N∪∑＝{Ω₁，Ω₂，...，Ω_i，...Ω_c}

其中，其中Ω_i为线段集合Ω的第i个子集合，c为子集合的数量。

按照以下步骤进行合并：

第1步，新建线段集合Ω，该集合用于保存合并后的线段；

第2步，将语义线段集合S中每一个子集合S_i中的语义线段加入到集合Ω_i；

第3步，对于最近邻连接线段集合N中每一个子集合N_i中的线段s_i，j判断是否已经在Ω_i中，若

则将线段s_i，j加入到集合Ω_i；

第4步，同理，对于距离小于最优聚集度的上界

的近邻连接线段集合∑中每一个子集合∑_i中的线段s_i，j判断是否已经在Ω_i中，若

则将线段s_i，j加入到集合Ω_i；

第5步，最终得到集合Ω＝{Ω₁，Ω₂，...Ω_i，...Ω_c}；

由步骤5、步骤6和步骤7可以得出，每一个子集合Ω_i中线段s_i，j都和至少一条其他线段相连，因此每一个子集合Ω_i都由多个闭合的区域和区域之间的连接线组成；

步骤8，得到确定的聚集区域和待定区域。

对于简单图像，由于其结构简单，所以每一个子集合Ω_i中闭合区域可以划分为聚集区域；但是对于复杂图像，存在大片的极不匀质区域，其结构复杂多样，由于素描线段的稀疏性，线段集合Ω_i中的闭合区域有可能属于无素描区域，所以需要进一步的判断才能确定线段集合Ω_i中的闭合区域是否属于聚集区域。在这里需要说明一下，无素描区域是除去聚集区域后无素描线的区域。

最优聚集度的上界

是由素描线段x_i的K近邻平均距离μ_i的统计直方图得到，反映了整个图像素描图的聚集情况，而K+1的取值可以代表地物的平均素描线段个数，即素描线段x_i和最近的K条素描线段组成一个地物，因此可以将以

为半径的圆的面积作为初步确定闭合区域是否是聚集区域的依据。

图7展示了单个聚集区域提取的过程，图8展示了已确定聚集区域的提取结果，其中闭合区域内的白色部分为待定区域，黑色为已确定的聚集区域。具体按照以下步骤进行判断：

第1步，采用形态学中的连通区域标记方法，标记每一个语义线段子集合Ω_i中的闭合区域R_i＝{r_i，1，r_i，2，...，r_i，j，...r_i，h}，其中，h为R_i中闭合区域个数，r_i，j为第i个子集合Ω_i中第j个闭合区域。该标记方法将属于同一个闭合区域的像素标记为相同的值。

第2步，根据相同标记的数量，计算闭合区域集合R_i的闭合区域面积集合B_i＝{b_i，1，b_i，2，...，b_i，j，...b_i，h}，其中，h为R_i中闭合区域个数，b_i，j为闭合区域r_i，j的面积；

第3步，新建区域集合Q＝{Q₁，Q₂，...Q_i，...Q_c}，该集合用于保存确定的聚集区域，新建区域集合Y＝{Y₁，Y₂，...Y_i，...，Y_c}，该集合用于保存待定区域，其中，c为集合Q中子集合的数量，c为集合Y子集合的数量，Q_i表示第i个区域子集合，Y_i表示第i个区域子集合；

第4步，对闭合区域集合R_i中每一个区域r_i，j的面积b_i，j进行判断，如果

将闭合区域r_i，j加入到Q_i中；如果

将闭合区域r_i，j加入到Y_i中；

第5步，对于整张图像，将不在Q和Y中且没有素描线的其它区域定义为无素描区域Z＝{z₁，z₂，...z_i，...z_w}，其中，z_i为无素描区域中的第i个子区域，w为子区域的数量。

步骤9，判断待定区域是否为聚集区域。

素描图的稀疏性决定了素描图所呈现的信息量较少，不能判断面积较大的闭合区域是否属于聚集区域。SAR图像原图中有充分的信息可以判断待定区域是否为聚集区域，因此可以通过SAR图像原图来进一步判断待定区域是否为聚集区域。

聚集区域是SAR图像上的极不匀质区域，其包含的信息量远大于无素描区域，所以可以通过信息熵来判断该区域是否属于聚集区域。为了判断待定区域是否是聚集区域，需要计算已确定为聚集区域和非素描区域的信息熵。具体按照以下步骤进行判断：

第1步，对待定区域集合Y中的每一个区域r_i，j，在SAR图像原图中提取对应位置的区域O_i，j；

第2步，对提取的SAR图像区域O_i，j统计其各个灰度值的频率P_i，j＝{p_i，j，0，p_i，j，1，...，p_i，j，v，...，p_i，j，255}，其中，v∈[0，255]代表像素的灰度值，p_i，j，v表示SAR图像区域O_i，j取值为v的数量占区域O_i，j的比例。根据p_i，j，v结合下式，计算SAR图像区域O_i，j的信息熵：

第3步，在已确定的聚集区域集合Q_i中随机选择聚集区域r_i，j来代表整个聚集区域的信息熵。为了使计算得到的信息熵具有普遍性，这里采用选择u个聚集区域Q_i，u＝{r_i，1，r_i，2，...，r_i，j，...，r_i，u}，按照下式来计算聚集区域Q_i的信息熵：

其中，r_i，j为从第i个聚集区域集合Q_i中随机选择的第j个区域。

第4步，和计算已确定的聚集区域的信息熵相同，在无素描区域中随机选择v个区域Z_v＝{z₁，z₂，...，z_j，...，z_v}，按照下式来计算无素描区域的信息熵：

第5步，按照下面步骤分别计算待定区域集合Y_i中区域r_i，j与已确定的聚集区域集合Q_i的距离η_i，j和与无素描线区域的距离μ_i，j：

(5.1)如果φ(Q_i，u)＜φ(P_i，j)，那么待定区域集合Y_i中区域r_i，j与已确定的聚集区域集合Q_i的距离η_i，j和与无素描线区域的距离μ_i，j为：

η_i，j＝0

μ_i，j＝∝

(5.2)如果φ(Q_i，u)＞φ(P_i，j)且φ(P_i，j)＞φ(Z_v)，那么待定区域集合Y_i中区域r_i，j与已确定的聚集区域集合Q_i的距离η_i，j和与无素描线区域的距离μ_i，j为：

η_i，j＝φ(Q_i，u)-φ(P_i，j)

μ_i，j＝φ(P_i，j)-φ(Z_v)

(5.3)如果φ(P_i，j)＜φ(Z_v)，那么待定区域集合Y_i中区域r_i，j与已确定的聚集区域集合Q_i的距离η_i，j和与无素描线区域的距离μ_i，j为：

η_i，j＝∝

μ_i，j＝0

第6步，如果μ_i，j＞η_i，j，说明待定区域所含信息量较大，和已确定的聚集区域更加相似，所以将r_i，j从待定的区域集合Y_i中移入确定的聚集区域集合Q_i；否则，说明待定区域所含信息量较小，和无素描区域更加相似，所以不需要将r_i，j从待定的区域集合D_i中移入确定的聚集区域集合Q_i。

步骤10，得到最终的聚集区域。

聚集区域集合Q′＝{Q₁，Q₂，...，Q_i，...，Q_n}所表示的区域即为最终的聚集区域，其中，n为聚集区域的数量，Q_i为第i个聚集区域子集合。图9展示了最终聚集区域的结果，其中闭合区域内的白色部分为无素描线区域，黑色为聚集区域。

本发明的效果可通过以下仿真结果进一步说明。

1.仿真条件

本发明仿真的硬件条件为：智能感知与图像理解实验室图形工作站；本发明仿真所使用的SAR图像为terra noerdlin图像；SAR图像的波段和分辨率、Sketch Map稀疏表示模型中参数取值和区域图参数，如表1所示：

表1

其中SM参数取值分别表示等效视数、编码增益、边缘检测高阈值、边缘检测低阈值，区域图参数k表示k近邻的取值。

2.仿真内容

利用X-band波段分辨率为1米的terra noerdlin图像，本发明与圆形算子、多边形逼近算法对图像的聚集区域进行提取，实验结果如附图10所示，其中，图10a为本发明在terra noerdlin的素描图上进行聚集区域提取的效果图，图10b为圆形算子在terranoerdlin的素描图上进行聚集区域提取的效果图，图10c为多边形逼近方法在terranoerdlin的素描图上进行聚集区域提取的效果图。

将本发明与现有圆形算子、多边形逼近在terra noerdlin的素描图上进行聚集区域提取运行时间对比，如表2所示，

表2

3.仿真结果分析：

从图10可以看出，圆形算子提取的聚集区域边界出现明显的弧状缺点，多边形逼近提取的聚集区域边界相较于圆形算子提取的聚集区域虽然接近于实际聚集区域，但是也将聚集区域中不属于聚集区域的空洞作为了聚集区域。本发明提取的聚集区域边界相较于圆形算子和多边形逼近提取的聚集区域更接近于实际聚集区域，且没有将不属于聚集区域的空洞作为聚集区域。

从表2可以看出，本发明较圆形算子、多边形逼近聚集区域提取的运行时间明显降低，同时能够处理大场景下的SAR图像聚集区域的提取。

综上所述，本发明实现了SAR图像聚集区域的提取，不仅在聚集区域边界较圆形算子、多边形逼近更加地准确，聚集区域的提取效果更好，而且速度有较大提高，能够处理大场景下的SAR图像聚集区域的提取。

Claims (6)

1.一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，其特征在于，包括以下步骤：

步骤1，对输入的SAR图像进行素描化，得到SAR图像的素描图，其中，素描图中的素描线段集合表示为X＝{x₁,x₂,…,x_i,…x_n}，其中，n为素描图中素描线段的个数；x_i为集合X中的第i条素描线；

步骤2，根据步骤1中得到的素描图构建统计直方图，然后通过该统计直方图的峰值计算最优聚集度Agg_best的上界

步骤3，根据步骤2中得到的最优聚集度Agg_best的上界

将素描线段集合X中的素描线划分为双侧聚集、单侧聚集和孤立线段；以双侧聚集线段为种子线段，对双侧聚集线段和单侧聚集线段进行区域生长，得到语义线段集合S＝{S₁,S₂,…S_i,…S_c}，其中，c为进行区域生长后得到的语义线段集合的个数，S_i＝{s_i,1,s_i,2,…s_i,j,…s_i,m}为区域生长得到的第i个语义线段子集合，s_i,j为第i个语义线段子集合S_i中的第j条素描线，m为集合S_i中语义线段的个数；

步骤4，建立语义线段集合S的端点集合D，根据端点集合D构造KD树集合T_D ；

步骤5，利用步骤4中得到的KD树集合T_D 对语义线段的最近邻线段进行连接，得到集合N＝{N₁,N₂,…N_i,…N_c}，其中，N_i为线段集合N的第i个子集合，c为集合N中的子集合的数量；

步骤6，利用步骤4中得到的KD树集合T_D 对语义线段的最优聚集度的上界

范围内的近邻线段进行连接，得到线段集合Σ＝{Σ₁,Σ₂,…Σ_i,…Σ_c}，其中，Σ_i为线段集合Σ的第i个子集合，c为子集合的数量；

步骤7，将上述所得到的语义线段集合S、线段集合N和线段集合Σ求集合并，得到语义线段集合Ω＝S∪N∪Σ＝{Ω₁,Ω₂,…,Ω_i,…Ω_c}，其中，Ω_i为语义线段集合Ω的第i个子集合，c为子集合的数量；

步骤8，将语义线段集合Ω中的区域进行划分，得到聚集区域集合Q和待定区域集合Y；

步骤9，判断步骤8中得到的待定区域集 合Y中的待定区域是否为聚集区域，若该待定区域为聚集区域，则将该区域放入聚集区域集合Q中，得到最终的聚集区域集合Q′；

步骤6中，利用步骤4中得到的KD树集合T_D 对语义线段的最优聚集度的上界

范围内的近邻线段进行连接的具体方法是：

首先，新建线段集合Σ；

其次，利用KD树集合T_D 中任意子KD树

对端点集合D中与其相对应的子集合D_i中的任意一条语义线段上的两个端点中的一个端点d_i,2j-1进行查询，得到距离该 端点d_i,2j-1小于最优聚集度的上界

且和端点d_i,2j-1不属于同一条语义线段的端点集合D_i,2j-1＝{d_i,2j-1,1,d_i,2j-1,2,…,d_i,2j-1,k,…d_i,2j-1,e}，其中，e为D_i,2j-1中端点的个数，k为端点集合D_i,2j-1中第k个端点，d_i,2j-1,k≠d_i,2j；将端点d_i,2j-1和端点集合D_i,2j-1中的每个端点d_i,2j-1,k连接成一条新的线段s_i,2j-1,k，将s_i,2j-1,k加入到Σ_i中；

同理，对该条语义线段上的另一个端点d_i,2j进行查询，得到一条新的线段s_i,2j,k，将s_i,2j,k加入到Σ_i中；

最终，得到集合Σ＝{Σ₁,Σ₂,…Σ_i,…Σ_c}；

步骤8中，将语义线段集合Ω中的区域进行划分的具体方法是：

第1步，采用形态学中的连通区域标记方法，标记集合Ω中的每一个语义线段子集合Ω_i中的闭合区域R_i＝{r_i,1,r_i,2,…,r_i,j,…r_i,h}，其中，h为R_i中闭合区域个数，r_i,j为第i个子集合Ω_i中第j个闭合区域；

第2步，计算闭合区域集合R_i的闭合区域面积集合B_i＝{b_i,1,b_i,2,…,b_i,j,…b_i,h}，其中，h为R_i中闭合区域个数，b_i,j为闭合区域r_i,j的面积；

第3步，新建区域集合Q＝{Q₁,Q₂,…Q_i,…Q_c}作为聚集区域集合 ；新建区域集合Y＝{Y₁,Y₂,…Y_i,…,Y_c5}作为待定区域集合，其中，c为集合Q中子集合的数量，c5为集合Y子集合的数量，Q_i表示第i个区域子集合，Y_i表示第i个区域子集合；

第4步，对闭合区域集合R_i中每一个区域r_i,j的面积b_i,j进行判断，如果

将闭合区域r_i,j加入到Q_i中；如果

将闭合区域r_i,j加入到Y_i中，进而得到聚集区域集合Q和待定区域集合Y，其中，将不在聚集区域集合Q和待定区域集合Y中且没有素描线的其它区域定义为无素描区域Z＝{z₁,z₂,…z_i,…z_w}，其中，w为子区域的数量。

2.根据权利要求1所述的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，其特征在于，步骤2中，通过素描图构建统计直方图的具体方法是：

第1步，以步骤1中得到的素描线段集合X中每条素描线段的中点为元素构建KD树T_X ；

第2步，通过KD树T_X 得到素描线段集合X中的每条素描线的K近邻平均距离μ_i；

第3步，对第2步中的所有的素描线段的K近邻平均距离μ_i进行统计得到统计直方图；

通过统计直方图的峰值计算最优聚集度Agg_best的上界

的具体方法是：

通过上述得到的统计直方图得到其峰值Agg_peak，利用Agg_best＝[Agg_peak-δ,Agg_peak+δ]，δ＝4计算最优聚集度Agg_best，其中，Agg_peak+δ为最优聚集度的上界

3.根据权利要求1所述的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，其特征在于，步骤4中，

端点集合D＝{D₁,D₂,…D_i,…D_c}，其中，D_i＝{d_i,1,d_i,2,…d_i,2j-1,d_i,2j…d_i,2m}为语义线段子集合S_i＝{s_i,1,s_i,2,…,s_i,j,…s_i,m}中语义线段端点组成的集合，D_i为端点集合D的第i个子集合，c为集合D中子集合的个数，s_i,j为子集合S_i中的第j条语义线段，d_i,2j-1和d_i,2j分别为子集合S_i中第j条语义线段的两个端点，m为子集合S_i中语义线段的个数，2m为m条语义线段的端点个数；

对端点集合D中的每个子集合D_i构造KD树

得到KD树集合

4.根据权利要求1所述的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，其特征在于，步骤5中，利用步骤4中得到的KD树集合T_D 对语义线段的最近邻线段进行连接的具体方法是：

首先，新建线段集合N；

其次，利用KD树集合T_D 中任意子KD树

对端点集合D中与其相对应的子集合D_i中的任意一条语义线段的两个端点中的一个端点d_i,2j-1进行近邻搜索，得到距离端点d_i,2j-1最近且和该端点不属于同一语义线段的端点d_i,l；之后将端点d_i,2j-1和端点d_i,l连接成一条新 的线段s_i,m+2j-1，将s_i,m+2j-1加入到集合N中的子集合N_i中；

同理对该条语义线段的另一个端点d_i,2j进行近邻搜索，得到一条新的线段s_i,m+2j，将s_i,m+2j加入到N_i中；

最终得到集合N＝{N₁,N₂,…N_i,…N_c}。

5.根据权利要求1所述的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，其特征在于，步骤7中，将语义线段集合S、线段集合N和线段集合Σ求集合并的具体方法是：

第1步，新建线段集合Ω；

第2步，将语义线段集合S中每一个子集合S_i中的语义线段加入到集合Ω_i；

第3步，对于线段集合N中每一个子集合N_i中的线段s_i,j判断是否已经在Ω_i中，若

则将线段s_i,j加入到集合Ω_i；

第4步，对于线段集合Σ中每一个子集合Σ_i中的线段s_i,j判断是否已经在Ω_i中，若

则将线段s_i,j加入到集合Ω_i；

第5步，最终得到集合Ω＝{Ω₁,Ω₂,…Ω_i,…Ω_c}。

6.根据权利要求1所述的一种基于语义线段近邻连接的SAR图像聚集区域的提取方法，其特征在于，步骤9中，判断步骤8中得到的待定区域集 合Y中的待定区域是否为聚集区域的具体方法是：

第1步，在输入的SAR图像上提取与待定区域集合Y中的每一个区域r_i,j位置相对应的区域O_i,j；

第2步，分别计算第1步中区域O_i,j的信息熵φ(P_i,j)、聚集区域集合Q中的聚集区域r_i,j的信息熵φ(Q_i,u)、均质区域集合Z中的均质区域的信息熵φ(Z_v)；

第3步，分别计算待定区域集合Y中区域r_i,j与已确定的聚集区域集合Q的距离η_i,j和与无素描线区域的距离μ_i,j，其中，

如果φ(Q_i,u)<φ(P_i,j)，则待定区域集合Y中区域r_i,j与已确定的聚集区域集合Q的距离η_i,j和与无素描线区域的距离μ_i,j分别为：

η_i，j＝0

μ_i，j＝∝

如果φ(Q_i,u)>φ(P_i,j)且φ(P_i,j)>φ(Z_v)，则待定区域集合Y中区域r_i,j与已确定的聚集区域集合Q的距离η_i,j和与无素描线区域的距离μ_i,j为：

η_i，j＝φ(Q_i，u)-φ(P_i，j)

μ_i,j＝φ(P_i,j)-φ(Z_v)

如果φ(P_i,j)<φ(Z_v)，那么待定区域集合Y中区域r_i,j与已确定的聚集区域集合Q的距离η_i,j和与无素描线区域的距离μ_i,j为：

η_i，j＝∝

μ_i，j＝0

第4步，如果μ_i,j>η_i,j，则将r_i,j从待定区域集合Y中移入确定的聚集区域集合Q；否则，r_i,j的位置不变。

Images