CN110969628B - 一种基于变分水平集的超像素分割方法 - Google Patents

Abstract

本发明公开了一种基于变分水平集的超像素分割方法，包括以下步骤：S1、选取多个种子点，并对所述种子点进行标记；S2、判断标记的种子点满足预定条件时，对所述标记的种子点进行演化；S3、初始化演化时刻，对所述种子点进行变分水平集演化；S4、更新所述变分水平集，并进行下一次变分水平集演化；S5、判断演化结果是否满足终止条件，若是，则停止演化，若否则返回执行步骤S4；S6、将所述演化结果作为超像素的边界。本发明的方法可以有效利用SAR图像的多种属性特征信息，克服相干斑噪声的影响，提高SAR图像的超像素分割准确度。

Description

一种基于变分水平集的超像素分割方法

技术领域

本发明属于图像处理领域，具体涉及一种基于变分水平集的超像素分割方法。

背景技术

随着技术的不断发展和完善，SAR设备和成像技术更加成熟，然而，与之相较，由于SAR图像存在数据冗余等特点以及人们对其理解与解译水平并没有跟上成像发展的步伐，使得SAR图像的处理效率低下，因此，为了提高SAR图像的处理效率，对其进行前期的预处理即超像素分割十分必要。超像素分割作为图像处理前期非常重要的预处理步骤之一，是图像处理及分析理解中的关键一步，在图像技术领域占据着不可小看的地位，其所得到的结果将对后续的图像处理产生不可忽视的影响。只有得到好的超像素块，则后续的处理步骤不只在效率上，也包括在精确度上得到更大的提升。自超像素被提出以来一直是计算机视觉领域的研究热门，有很多的学者都对其进行了研究及应用并提出了一些优秀的超像素分割算法。

然而，但是不管是经典的超像素分割算法还是后者改进的超像素分割算法，在对SAR图像进行超像素分割时，都无法得到理想的效果，对后续的图像处理步骤并不能起到很好的促进和优化作用，从而影响了超像素算法分割的效果。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种分割效果好、结果准确的基于变分水平集的超像素分割方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于变分水平集的超像素分割方法，包括以下步骤：

S1、选取多个种子点，并对所述种子点进行标记；

S2、判断标记的种子点满足预定条件时，对所述标记的种子点进行演化；

S3、初始化演化时刻，对所述种子点进行变分水平集演化；

S4、更新所述变分水平集，并进行下一次变分水平集演化；

S5、判断演化结果是否满足终止条件，若是，则停止演化，若否则返回执行步骤S4；

S6、将所述演化结果作为超像素的边界。

在一个具体实施例中，所述判断演化结果是否满足终止条件为：

比较前一次变分水平集演化与当前变分水平集演化的种子点覆盖区域是否小于预设阈值。

在一个具体实施例中，所述步骤S1包括：

S11、在待生成超像素块图像像素上选取均匀的K个种子点；

S12、扰动所述K个种子点，使所述种子点远离高梯度区域；

S13、对所述K个种子点进行标记。

在一个具体实施例中，所述预定条件为：判断种子点坐标P(x,y)是否满足条件∑_x,y[Φ⁰(x,y)＞＝0]，其中，Φ⁰为坐标P(x,y)到演化边界的欧式距离。

在一个具体实施例中，所述步骤S3包括：

建立集成相干斑噪声的变分水平集演化迭代方程；

根据所述集成相干斑噪声的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声的变分水平集演化迭代方程为：

在一个具体实施例中，所述步骤S3包括：

建立集成相干斑噪声和边缘特征的变分水平集演化迭代方程：

根据所述集成相干斑噪声和边缘特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声和边缘特征的变分水平集演化迭代方程为：

在一个具体实施例中，所述步骤S3包括：

建立集成相干斑噪声和纹理特征的变分水平集演化迭代方程；

根据所述集成相干斑噪声和纹理特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声和纹理特征的变分水平集演化迭代方程为：

在一个具体实施例中，所述步骤S3包括：

建立集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程；

根据所述集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程为：

在一个具体实施例中，在所述步骤S5之后还包括：

将未被分配的像素分配到距离最相近的像素块内。

与现有技术相比，本发明的有益效果：

本发明的基于变分水平集的超像素分割方法，提出了基于多属性特征集成的变分水平集模型，并将该模型引入基于水平集的超像素分割算法中，将其应用于SAR图像的超像素分割，得到集成的变分水平集能量泛函应用于几何流的超像素分割算法框架下，本发明的方法可以有效利用SAR图像的多种属性特征信息，克服相干斑噪声的影响，提高SAR图像的超像素分割准确度。

附图说明

图1为本发明实施例提供的一种基于变分水平集的超像素分割方法流程图；

图2为本发明另一实施例提供的一种基于变分水平集的超像素分割方法流程图；

图3为一个实施例中的不含纹理的模拟SAR图像和包含有纹理的模拟SAR图像原始数据图像；

图4为对图3中对不含纹理的模拟SAR图像进行三种对比算法的分割后所得到的结果显示图；

图5为对图3中含纹理的模拟SAR图像进行三种对比算法的分割后所得到的结果显示图；

图6两个待测试的真实SAR图像；

图7为采用三种对比算法对图6中真实SAR图像对比结果显示图；

图8为另一个实施例中的不含纹理的模拟SAR图像和包含有纹理的模拟SAR图像原始数据图像；

图9为对图8中对不含纹理的模拟SAR图像进行四种对比算法的分割后所得到的结果显示图；

图10为对图8中含纹理的模拟SAR图像进行四种对比算法的分割后所得到的结果显示图；

图11为采用四种对比算法对图6中真实SAR图像的超像素分割对比结果显示图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1为本发明实施例提供的一种基于变分水平集的超像素分割方法流程图，包括以下步骤：

S1、选取多个种子点，并对所述种子点进行标记；

S2、判断标记的种子点满足预定条件时，对所述标记的种子点进行演化；

S3、初始化演化时刻，对所述种子点进行变分水平集演化；

S4、更新所述变分水平集，并进行下一次变分水平集演化；

S5、判断演化结果是否满足终止条件，若是，则停止演化，若否则返回执行步骤S4；

S6、将所述演化结果作为超像素的边界。

在一个具体实施例中，所述步骤S1包括：

S11、在待生成超像素块图像像素上选取均匀的K个种子点；

S12、扰动所述K个种子点，使所述种子点远离高梯度区域；

S13、对所述K个种子点进行标记。

在一个具体实施例中，所述判断演化结果是否满足终止条件为：

比较前一次变分水平集演化与当前变分水平集演化的种子点覆盖区域是否小于预设阈值。该预设阈值根据具体情况进行设定，在此不再赘述。

在一个具体实施例中，所述预定条件为：判断种子点坐标P(x,y)是否满足条件∑_x,y[Φ⁰(x,y)＞＝0]，其中，Φ⁰为坐标P(x,y)到演化边界区域的欧式距离。演化边界也称“标记”区域，该演化边界是指每一次演化所确定的区域边界，对于最终得到的超像素的边界也可称之为演化边界区域。

由于本发明采用变分水平集方法进行图像的分割，因此为了进一步提高分割结果的边缘契合度和准确度，结合变分水平集方法能够融入多种图像信息的特点，引入多属性特征能量泛函来提升图像分割准确度，主要包括相干斑噪声能量泛函、边缘特征能量泛函、纹理特征能量泛函，降低图像处理中的干扰因素。

具体的，对于边缘特征能量泛函，一般的自然图像或者光学图像的强度统计特性满足高斯分布，但是对于SAR图像，其存在的相干斑噪声的统计特性满足Gamma分布。Gamma模型的概率密度函数(probability distribution function，PDF)描述如下：

其中，μ_k表示区域Ω_k[k∈(i,b)]的平均值，l表示SAR图像中相干斑噪声的视数，其大小代表了噪声的严重程度，越大表示噪声越小，反之表示噪声越大。SAR图像的强度分布是通过图像中每个区域的混合概率模型来表示的，具体表示如下：

P(u(x,y))＝ω_iP_i(u(x,y))+ω_bP_b(u(x,y)) (2)

其中，ω_i，ω_b分别对应各自区域的先验概率，且满足ω_k＝P[(x,y)∈Ω_k]，ω_i+ω_b＝1。

对式(2)表示的概率统计模型求其似然函数：

求式(3)的最大似然函数L，就等价于求解-log(L)方程的最小值，因此对方程-log(L)的最小值求解就相当于对含有相干斑噪声的变分水平集能量泛函的最小值的求解，则含有噪声信息的能量泛函就具体表示为：

将式(3-1)带入式(3-4)，得到

E_R(Φ)＝-(logω_i+N_i logμ_i)-(logω_b+N_b logμ_b) (5)

其中N_k[k∈(i,b)]表示每个区域Ω_k[k∈(i,b)]所包含的像素点的个数。

对于边缘特征能量泛函，图像中区域与区域之间主要是通过边界进行区分的，因此图像的边界特征是进行图像分割算法时所需要的一种极为重要的特征，对图像边界特征的准确提取会对图像的分割结果产生很明显的影响。在采用变分水平集方法进行图像分割时，将图像的边界特征作为一种图像信息加入到变分水平集的能量泛函中，为了进一步提高分割结果的边缘契合度和准确度，结合变分水平集方法能够融入多种图像信息的特点，在其能量泛函中引入边缘特征，该能量泛函是利用图像梯度定义的能量约束项为：

其中，

为梯度算子，第一项是对边界的长度进行加权计算，用以保证最终得到的曲线光滑；第二项是对曲线的区域面积进行加权，其目的是提高曲线的迭代速度和效率。

对于纹理特征能量泛函，SAR图像中含有非常丰富的图像信息，其中的纹理信息应属应用最为广泛的图像特征之一。因此，对图像中的纹理特征进行有效的获取，并将其应用到SAR图像的分割中，将会提高图像的分割精确度。纹理特征的提取方法具体表示为：

纹理信息的能量约束项定义如下：

其中，ρ[I_j]是对表示纹理特征的结构张量

进行非线性扩散滤波得到，t_ij表示当水平集函数Φ_i为正数时，I_j图像内部的均值，其具体表示如下：

对于水平集的超像素分割算法，先定义了水平集函数Φ的演化方程为：

其中，Φ为零水平集函数，S表示边界曲线上点的运动速度。

为了便于求解，对式(2-12)进行离散化，得到如下式：

通过上式的不断演化迭代，使得设置的种子点膨胀，最终得到逐渐扩张的超像素边界。式中，S_I表示种子点在非边缘区域的膨胀速度分量，S_B表示种子点在膨胀至邻近超像素边界的速度分量，在骨架上的点速度为S_B＝0，其他区域的点速度为S_B=1。

其中，1-ακ(x,y)]φ(x,y)为反应扩散项(reaction-diffusion)，该项使得当演化到高梯度的图像区域(即图像边缘)时，边界演化速度慢下来，在该项中，曲率函数κ(x,y)表示超像素边界在点(x,y)处的曲率，其表示局部的相似性，梯度越高，其值越小，反之越大，以保证超像素边界收敛于图像的边界处；α为平衡参数，该值一般取0.3。

项主要是为了确保在水平集的演化过程中，演化曲线趋向图像的边缘，在该项中，N(x,y)表示演化曲线上的点(x,y)处的法线矢量，其计算公式为：

φ(x,y)＝e^-E(x,y)/υ (12)

基于此，本发明对水平集的演化迭代方程改进为集成相干斑噪声、边缘特征和纹理特征的变分水平集的演化迭代方程。

如果变分水平集函数中的能量泛函只包含相干斑噪声，即为公式(5)，采用变分法对式(5)进行极小化计算，通过求解

建立E关于水平集函数Φ的偏微分方程：

根据水平集函数的定义，有：

μ_i＝U_i/N_i,μ_b＝U_b/N_b(16)

其中，N为图像中像素点的数目，U_i＝∫[u·H(Φ)]dx,U_b＝∫[u·(1-H(Φ))]，因此

将式(14)代入式(5)中，有：

因此，采用Euler-Lagrange方程和梯度下降流方法得到集成相干斑噪声的变分水平集的偏微分方程：

对式(19)进行离散化可以得到含有相干斑噪声的变分水平集的演化迭代方程，该演化迭代方程为GT-pixels的变分水平集演化迭代方程：

在变分水平集函数中集成相干斑噪声特征和边缘特征，得到式(21):

对式(21)采用变分法进行极小值计算，

已求得，为式(18)，对E_B(Φ)求解，得到

因此，

因此，采用Euler-Lagrange方程和梯度下降流得到集成相干斑噪声和边缘特征的变分水平集的偏微分方程：

对式(24)进行离散化可以得到集成相干斑噪声和边缘特征的变分水平集的演化迭代方程，该演化迭代方程为GT-pixels-E的变分水平集演化迭代方程：

在变分水平集函数中集成相干斑噪声特征和纹理特征，得到式(26)

根据Euler-Lagrange方程和梯度下降流原理，可以得到集成相干斑噪声和纹理特征的变分水平集方法中，水平集函数的偏微分方程：

对式(27)进行离散化可以得到集成相干斑噪声和纹理特征的变分水平集的演化迭代方程，该演化迭代方程为GT-pixels-T的变分水平集演化迭代方程：

在变分水平集函数中集成相干斑噪声、边缘特征和纹理特征，得到式(29)

采用Euler-Lagrange方程和梯度下降流得到集成相干斑噪声、边缘特征及纹理特征的变分水平集的偏微分方程：

对式(30)进行离散化可以得到集成相干斑噪声，边缘特征和纹理特征的变分水平集的演化迭代方程，该演化迭代方程为GT-pixels-E&T的变分水平集演化迭代方程：

在一个具体实施例中，所述步骤S3包括：

建立集成相干斑噪声的变分水平集演化迭代方程；

根据所述集成相干斑噪声的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声的变分水平集演化迭代方程为：

在一个具体实施例中，所述步骤S3包括：

建立集成相干斑噪声和边缘特征的变分水平集演化迭代方程：

根据所述集成相干斑噪声和边缘特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声和边缘特征的变分水平集演化迭代方程为：

在一个具体实施例中，所述步骤S3包括：

建立集成相干斑噪声和纹理特征的变分水平集演化迭代方程；

根据所述集成相干斑噪声和纹理特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声和纹理特征的变分水平集演化迭代方程为：

在一个具体实施例中，所述步骤S3包括：

建立集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程；

根据所述集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程为：

在一个具体实施例中，在所述步骤S5之后还包括：

将未被分配的像素分配到距离最相近的像素块内。

本发明的基于变分水平集的超像素分割方法，提出了基于多属性特征集成的变分水平集模型，并将该模型引入基于水平集的超像素分割算法中，将其应用于SAR图像的超像素分割，得到集成的变分水平集能量泛函应用于几何流的超像素分割算法框架下，本发明的方法可以有效利用SAR图像的多种属性特征信息，克服相干斑噪声的影响，提高SAR图像的超像素分割准确度。

实施例二

本实施例示出了本发明一个具体实施例的流程步骤，其中包括：

步骤一、在需要生成超像素块的图像上均匀的放置K个种子点；

步骤二、扰动种子点，使得种子点远离高梯度区域，即种子点不能在图像边缘上；

步骤三、将所有的种子点进行标记；

步骤四、将Φ⁰标记为到“标记”区域的欧式距离；

步骤五、若点(x,y)满足∑_x,y[Φ⁰(x,y)＞＝0]，则为被标记的像素；

步骤六、将演化时刻n初始为0；

步骤七、进行种子点变分水平集的演化迭代；

步骤八、分别用式(20)、式(25)、式(28)以及式(31)更新水平集曲线Φ；

步骤九、演化时刻n递增为n+1；

步骤十、重新统计被标记区域，并重复进行下一次的演化；

步骤十一、判断终止条件，若满足，停止演化，若不满足，则返回7重复演化，直到满足条件为止；

步骤十二、将未被分配的像素分配到距离最相近的像素块内；

步骤十三、将最终水平集的演化结果作为超像素的边界。

本实施例通过上述步骤实现图像的分割，本实施例还通过与现有技术方案的对比，进一步说明的本实施例几种技术方案的优势。

具体的，在对比试验准备时，将每种算法的超像素数目均设置成2500，计算机的CPU为Inter(R)Core(TM)3.10GHz，内存为4.00GB的PC机，操作系统为Windows7、64位，编程语言为Matlab2005b。实验的测试数据分为两类，一类为模拟SAR图像，一类为真实SAR图像，由于SAR图像中含有相干斑噪声，因此在模拟SAR图像中利用乘性的Nakagami分布来模拟SAR图像中的相干斑噪声，通过用不同的视数来表示相干斑噪声的严重程度，视数越小表示相干斑噪声越严重，且所有模拟SAR图像的大小为512*512；在实验中所采用的真实SAR图像有两幅，这两幅均取自Sandia National Laboratories，其中，一幅显示的是美国加利福尼亚的China Lake机场，一幅显示的是美国新墨西哥州奥格兰德河流域，这两幅图像的分辨率分别为3米和1米，大小分别为512*446和600*432。

为了展示本发明方法相比现有技术的有效以及可靠性，本节将采用模拟和真实的SAR图像进行三种对比算法的测试，这三种算法分别为：

(1)SLIC(Simple Linear Iterative Clustering)算法。该算法是由Achanta等人提出的一种根据颜色的相似性和距离的远近所进行的超像素分割算法，该算法理论简单明了且容易理解，同时对自然图像的处理效果是目前超像素分割领域中效果最佳的一种算法。

(2)Turbopixels算法。该算法是由Levinshtein等人提出的一种采用几何流来生成超像素块的算法，该算法复杂度小，而且有效限制了欠分割的情况。

(3)本发明的GT-pixels超像素分割算法。

本实施例设计了两个小组来进行实验，并采用模拟SAR图像对上述所说的三种超像素分割算法进行实验验证。这两组实验分别是采用不含纹理的模拟SAR图像和包含有纹理的模拟SAR图像来进行，两组实验的原始数据如图3所示，其中，第一行为不含有纹理的模拟SAR图像，第二行为含有纹理的模拟SAR图像，且在图中每一类从左到右分别为原始的合成图像以及含有相干斑噪声的视数分别为1视，5视和10视的图像。图4和图5分别为对不含纹理和含有纹理的模拟SAR图像进行三种对比算法的分割后所得到的结果显示图。

对于模拟SAR图像的对比分析，从图4中可以看出，在不含有纹理的图像中，当所存在的相干斑噪声不严重时，Turbopixels算法和改进的超像素分割算法均表现良好，分割出的超像素边缘与图像的边缘的契合度高，而SLIC算法分割出的超像素却并没有很高的准确度，当图像中的相干斑噪声越来越大时，虽然每个算法的准确度都有所下降，但可以看出，所改进的GT-pixels超像素分割算法的分割结果在三个方法中最好，Turbopixels算法次之，而SLIC算法的效果最差。

由于在本发明算法中含有纹理特征项，虽然上述3种方案中所采用的对比算法并不含有此类项，但是为了测试所提算法的有效性及可靠性，在本部分实验中对含有纹理的图像进行实验。从图5的实验结果中可以看出，在含有纹理的情况下，SLIC算法的分割结果并不理想。图像中的纹理特性对SLIC算法的影响较大，而对Turbopixels算法和所提算法的影响不是特别明显，在相干斑噪声不严重的图像中，Turbopixels算法和所改进的GT‐pixels超像素分割算法均表现良好，分割出的超像素边缘与图像的边界契合度高，当图像中的噪声越来越大时，虽然每个算法的准确度都有所下降，但可以看出，改进的GT‐pixels超像素分割结果在三个方法中最好，在细节的处理上要比Turbopixels算法好，而SLIC算法的效果最差。

其中，表1为三种对比方法进行SAR图像超像素分割结果的准确度，其分别对应图4和图5的结果。从表中可以看到，虽然SLIC超像素分割方法在自然图像中获得了很不错的超像素分割结果，但是，若将其用在SAR图像中时，其结果并不如Turbopixels超像素分割算法，这也是选择Turbopixels超像素分割来进行SAR图像分割的原因。从表的最后两列的对比可以看出，在改进的GT-pixels超像素分割算法中，由于在变分水平集的能量函数中加入了相干斑噪声信息，因此在处理含有相干斑噪声的SAR图像时，其效果要比原始的Turbopixels超像素分割算法优越。

表4.1模拟SAR图像超像素分割准确度(％)

对于真实SAR图像的对比分析，两个真实SAR图像如图6所示，第一幅显示了加利福尼亚的China Lake机场，第二幅显示了新墨西哥州的奥格兰德河流域。图7为对图6进行三种对比方法的结果图。真实的SAR图像中含有很多信息及区域，包括有跑道、农田、建筑物、河流等，而且有的部分每个区域彼此之间的界限并不明显。从图7中可以看出，三种方法的超像素分割结果中，SLIC的分割结果没有另外两种方法的分割结果清晰，而且分割的像素块的大小也不一致，虽然在总体上的结果还不错，但是其局部的结果没有其他两个算法所得结果清楚。而针对改进的GT-pixels超像素分割算法，由于其在Turbopixels框架下进行改进的，因此其分割的像素块的大小一致，超像素块之间也相对紧凑，而且在细节的处理上，要比原始的Turbopixels算法优越。

本发明的基于变分水平集的超像素分割方法，提出了基于多属性特征集成的变分水平集模型，并将该模型引入基于水平集的超像素分割算法中，将其应用于SAR图像的超像素分割，得到集成的变分水平集能量泛函应用于几何流的超像素分割算法框架下，本发明的方法可以有效利用SAR图像的多种属性特征信息，克服相干斑噪声的影响，提高SAR图像的超像素分割准确度。

实施例三

本实施例对应于实施例二，提供了本发明的四种算法的对比测试。并采用模拟SAR图像对所改进的四种超像素分割算法进行对比测试。第一组和第二组实验分别选择不含纹理和含纹理的模拟SAR图像，如图8所示，第一行和第二行分别为不含纹理及含有纹理的模拟SAR图像。图中每一类从左到右，为原始的合成图像以及含有相干斑噪声的视数分别为1视，5视和10视的图像。

图9和图10分别显示的是四种改进算法对不含纹理及含有纹理的模拟SAR图像的超像素分割结果。由于每一种改进的算法中都加有相干斑噪声信息，因此，其对含有较大的相干斑噪声进行处理时，在效果上都有一定的改进。但是从表2中看到，在准确度方面，每一种改进方法都较原始的Turbopixels算法有所提高，但是在这几种改进的方法中，GT‐pixels‐T结果的准确度相对其他几种最高，而GT‐pixels‐E+T结果的准确度相对其他几种最低。

表4.2模拟SAR图像超像素分割准确度(％)

本发明结合SAR图像含有多种图像信息的特点，提出了基于多属性特征集成的变分水平集模型，并将该模型引入基于水平集的超像素分割算法中，将其应用于SAR图像的超像素分割。该方法将SAR图像中的相干斑噪声，纹理特征和边缘特征集成到变分水平集的能量泛函中，并将得到的集成的变分水平集能量泛函应用于几何流的超像素分割算法框架下，分别提出了集成相干斑噪声的变分水平集超像素分割(GT-pixels)，集成相干斑噪声和边缘特征的变分水平集超像素分割(GT-pixels-E)，集成相干斑噪声和纹理特征的变分水平集超像素分割(GT-pixels-T)以及同时集成相干斑噪声，边缘特征和纹理特征的变分水平集超像素分割(GT-pixels-E&T)。采用模拟SAR图像和真实SAR图像进行的测试结果表明，本发明所提方法可以有效利用SAR图像的多种属性特征信息，克服相干斑噪声的影响，提高SAR图像的超像素分割准确度。图11显示了四种对比算法对真实SAR图像的超像素分割结果。从图中可以看到，每一种改进算法都能对边缘分割准确，并且由于是在Turbopixels算法的框架下，因此所得到的超像素块的大小相对一致，超像素块之间比较紧凑。而且在增加边缘信息后，从图中可以看到，其对边缘分割的契合度有所提高；当增加纹理信息之后，其相对的分割效果也越来越好；虽然同时加入边缘和纹理信息之后分割的准确度有所下降，但是在处理真实的SAR图像时，其所得到的效果相对还是比较理想的。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于变分水平集的超像素分割方法，其特征在于，包括以下步骤：

S1、选取多个种子点，并对所述种子点进行标记；

S2、判断标记的种子点满足预定条件时，对所述标记的种子点进行演化；

S3、初始化演化时刻，对所述种子点进行变分水平集演化；

S4、更新所述变分水平集，并进行下一次变分水平集演化；

S5、判断演化结果是否满足终止条件，若是，则停止演化，若否则返回执行步骤S4；

S6、将所述演化结果作为超像素的边界。

2.根据权利要求1所述的基于变分水平集的超像素分割方法，其特征在于，所述判断演化结果是否满足终止条件为：

比较前一次变分水平集演化与当前变分水平集演化的种子点覆盖区域是否小于预设阈值。

3.根据权利要求1所述的基于变分水平集的超像素分割方法，其特征在于，所述步骤S1包括：

S11、在待生成超像素块图像像素上选取均匀的K个种子点；

S12、扰动所述K个种子点，使所述种子点远离高梯度区域；

S13、对所述K个种子点进行标记。

4.根据权利要求3所述的基于变分水平集的超像素分割方法，其特征在于，所述预定条件为：判断种子点坐标P(x,y)是否满足条件∑_x,y[Φ⁰(x,y)＞＝0]，其中，Φ⁰为坐标P(x,y)到演化边界的欧式距离。

5.根据权利要求4所述的基于变分水平集的超像素分割方法，其特征在于，所述步骤S3包括：

建立集成相干斑噪声的变分水平集演化迭代方程；

根据所述集成相干斑噪声的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声的变分水平集演化迭代方程为：

6.根据权利要求4所述的基于变分水平集的超像素分割方法，其特征在于，所述步骤S3包括：

建立集成相干斑噪声和边缘特征的变分水平集演化迭代方程：

根据所述集成相干斑噪声和边缘特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声和边缘特征的变分水平集演化迭代方程为：

7.根据权利要求4所述的基于变分水平集的超像素分割方法，其特征在于，所述步骤S3包括：

建立集成相干斑噪声和纹理特征的变分水平集演化迭代方程；

根据所述集成相干斑噪声和纹理特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声和纹理特征的变分水平集演化迭代方程为：

8.根据权利要求4所述的基于变分水平集的超像素分割方法，其特征在于，所述步骤S3包括：

建立集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程；

根据所述集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程对所述种子点进行变分水平集演化；

其中，所述集成相干斑噪声、边缘特征和纹理特征的变分水平集演化迭代方程为：

9.根据权利要求4所述的基于变分水平集的超像素分割方法，其特征在于，在所述步骤S5之后还包括：

将未被分配的像素分配到距离最相近的像素块内。

Images