CN111080647A - 基于自适应滑动窗口滤波和fcm的sar图像分割方法 - Google Patents

Abstract

本发明提出了一种基于自适应滑动窗口滤波和FCM的SAR图像分割方法，用于提高SAR图像分割精度。实现步骤为：确定SAR图像I像素的类别；获取标记SAR图像I'；基于自适应滑动窗口对标记SAR图像I'进行滤波；获取SAR图像I”模糊聚类类别的隶属度值集合U和聚类中心集合V；获取SAR图像I”模糊聚类类别的初始隶属度值集合U⁰和初始聚类中心集合V⁰；基于模糊聚类对SAR图像I”进行分割。本发明采用自适应滑动窗口对SAR图像滤波，消除FCM对噪声的敏感性，并通过FCM对滤波后的SAR图像I”进行聚类，以获取SAR图像的分割结果，保留了SAR图像的细节信息，提高了SAR图像的分割精度。

Description

基于自适应滑动窗口滤波和FCM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，涉及一种SAR图像分割方法，具体涉及一种基于自适应滑动窗口滤波和FCM的SAR图像分割方法，可用于地质检测、灾害监测、资源勘查、城市规划等领域。

背景技术

合成孔径雷达SAR利用合成孔径原理，是一种具备全天时、全天候、高分辨、大幅宽等多种特点的主动式对地观测系统。由SAR拍摄的图像被称为SAR图像，高分辨的SAR图像可以根据目标的自身的散射特性，反映目标物体的几何特征。由于SAR图像源于电磁波的后向散射，所以SAR图像上存在大量的相干斑噪声。

SAR图像分割技术是将一幅SAR图像划分为可数的互不重叠的连通区域，它提供SAR图像中区域的封闭轮廓，为SAR图像分类识别和自动解译提供可靠的信息。目前，对于SAR图像分割的方法主要分为基于阈值的分割方法、基于区域的分割方法以及基于聚类分析的分割方法等，其中聚类分析的分割方法被认为是处理图像中相似性和不确定性的一种最有效手段。

模糊C均值聚类FCM是聚类分析中一种被研究最为广泛的方法，该方法在用于图像分割时是一种非监督模糊聚类后的标记过程。FCM根据每个像素属于不同区域的程度，将像素划分为c类，通过目标函数的迭代优化，寻找合适的隶属度和聚类中心，使得聚类内的目标函数的方差和迭代误差最小。利用FCM非监督模糊聚类标记的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。但FCM对图像中的噪声比较敏感，往往会影响SAR图像的分割精度。

目前，已经提出了基于FCM图像分割的改进方法。例如申请公布号为CN108389211A，名称为“一种自适应非局部模糊C均值聚类SAR图像分割算法”的专利申请，公开了一种自适应非局部模糊C均值聚类SAR图像分割算法，该方法首先获取到高分辨率的SAR图像后，针对非局部均值算法研究了像素间改进的相似性度量方法，并结合邻域灰度直方图信息熵，得到非局部空间信息项的自适应权值参数，很好调节相干斑抑制与图像细节保持间的平衡。该发明通过将寻优结果与FCMSAR图像分割结合，很好地保留了SAR图像的细节信息，提高了SAR图像分割的效果，但是该发明只是调节抑制图像噪声与保持图像细节信息之间的平衡，仍未将SAR图像中的噪声彻底地去除，不能完全消除FCM对噪声的敏感性，因此对SAR图像分割的精度依然较低。

发明内容

本发明的目的在于克服上述已有技术的缺陷，提出了一种基于自适应滑动窗口滤波和FCM的SAR图像分割方法，可以在很好的保留SAR图像的细节信息的同时消除FCM对噪声的敏感性，提高SAR图像的分割精度。

为了实现上述目的，本发明采用的技术方案包括如下步骤：

(1)确定SAR图像I像素的类别：

(1a)设所输入的SAR图像I中的像素矩阵为

其中，x_lu表示SAR图像I中第l行第u列的像素，L≥640，W≥480；

(1b)计算SAR图像I中每个像素x_lu与该像素x_lu相邻像素的相似度ζ；

(1c)设定判断门限为a，a＞3，并判断ζ＞a是否成立，若是，则x_lu为信号像素，否则，则x_lu为噪声像素；

(2)获取标记SAR图像I'：

对SAR图像I中每个噪声像素进行赋值标记，并统计标记的个数n，得到包括L×W-n个信号像素X＝{x₁,x₂,···,x_j,···x_L×W-n}、n个标记的标记SAR图像I'；

(3)基于自适应滑动窗口对标记SAR图像I'进行滤波：

在标记SAR图像I'中，根据在3×3邻域中标记的个数num，自适应地确定滑动窗口的大小Win，并根据Win对SAR图像I'进行滤波，得到包含L×W-n个信号像素的SAR图像I”，其中：

(4)获取SAR图像I”模糊聚类类别的隶属度值集合U和聚类中心集合V：

(4a)将信号像素X划分为c个模糊聚类类别C＝{C₁,C₂,···,C_r,···,C_c}，

其中C_r表示第r个模糊聚类类别；

(4b)计算每一个模糊聚类类别C_r的隶属度值u_tj和聚类中心v_y，将c个模糊聚类类别C的隶属度值表示为隶属度值集合U＝{{u}¹,{u}²,···,{u}^r,···,{u}^c}，u＝{u₁₁,u₁₂,···,u_tj,···,u_cL×W-n}，同时将c个模糊聚类类别C的聚类中心表示为聚类中心集合V＝{v₁,v₂,···,v_y,···v_c}；

(5)获取SAR图像I”模糊聚类类别的初始隶属度值集合U⁰和初始聚类中心集合V⁰：

采用(0,1)之间的随机数对模糊聚类类别C的隶属度值

进行初始化，得到SAR图像I”的c个模糊聚类类别C的初始隶属度值集合U⁰＝{{u⁰}¹,{u⁰}²,···,{u⁰}^r,···,{u⁰}^c}，

并通过

计算模糊聚类类别C的初始聚类中心

得到c个模糊聚类类别C的初始聚类中心集合

其中，

满足：

(6)基于模糊聚类对SAR图像I”进行分割：

(6a)设迭代次数为m，最大迭代次数为M,迭代误差为ε，并令m＝0，其中，M≥50，ε≥0.03；

(6b)对模糊聚类类别C的初始隶属度值

和初始聚类中心

进行迭代训练，并判断||V^m-V^m-1||＜ε或m＝M是否成立，若是，得到训练后的模糊聚类类别C的隶属度值集合U^m，否则执行步骤(6c)；

(6c)令m＝m+1，并执行步骤(6b)；

(6d)根据训练后的模糊聚类类别C的隶属度值集合U^m对SAR图像I”进行聚类，最终得到SAR图像I”的分割图像。

本发明与现有技术相比，具有以下优点：

本发明采用自适应滑动窗口对SAR图像进行滤波，根据在3×3邻域中标记的个数自适应的确定滑动窗口的大小，能够较好地去除SAR图像中的噪声,消除FCM对噪声的敏感性，并通过FCM对滤波后的SAR图像I”进行聚类，以获取SAR图像的分割结果，可以很好的保留SAR图像的细节信息，与现有技术相比，有效提高了SAR图像的分割精度。

附图说明

图1是本发明的实现流程图；

图2(a)是本发明仿真实验采用的含有机场、建筑物和植被的SAR图像；

图2(b)是本发明对图2(a)进行分割的仿真结果图。

具体实施方式

下面结合附图和具体实例，对本发明作进一步详细说明。

参照图1，本发明包括如下步骤：

步骤1)确定SAR图像I像素的类别：

步骤1a)设所输入的SAR图像I的像素值大小为L×W＝640×480,则SAR图像I中一共有307200个像素，设SAR图像I的像素矩阵为

x_lu表示SAR图像I中第l行第u列的像素；

步骤1b)当像素x_lu为SAR图像I的像素矩阵x中的角像素时，则与像素x_lu的相邻像素为三个；当像素x_lu为SAR图像I的像素矩阵x中的边界上非角像素的像素时，则与像素x_lu的相邻像素为五个；当像素x_lu为SAR图像I的像素矩阵x中的其余像素时，则与像素x_lu的相邻像素为八个。计算SAR图像I中每个像素x_lu与该像素x_lu相邻像素的相似度ζ,实现过程为：

设|f(x_lu)-f(x_hq)|≤T为式(1)，f(x_lu)表示每个像素x_lu的灰度值，f(x_hq)表示像素x_lu的一个相邻像素x_hq的灰度值，|f(x_lu)-f(x_hq)|为每个像素x_lu与该像素x_lu的一个相邻像素的灰度值差，T表示给定的阈值，如果信号像素x_lu与ζ个相邻像素的灰度值差满足式(1)，则像素x_lu与相邻像素的相似度为ζ；

步骤1c)设定判断的门限为a，a＞3，并判断ζ＞a是否成立，若是，则x_lu为信号像素，否则，则x_lu为噪声像素；

步骤2)获取标记SAR图像I'：

对SAR图像I中每个噪声像素赋值为-1进行标记，并统计标记的个数n，从而得到包括有L×W-n个信号像素X＝{x₁,x₂,···,x_j,···x_L×W-n}和n个标记的标记SAR图像I'；

步骤3)基于自适应滑动窗口对标记SAR图像I'进行滤波：

传统的滑动窗口对SAR图像进行滤波，滑动窗口的大小难以计算，大的窗口会使得图像丢失细节信息，造成SAR图像处理的不准确；小的窗口可以保留更多的细节信息，但是难以抑制相干斑噪声的影响。自适应滑动窗口对SAR图像进行滤波，可以根据在3×3邻域中标记的个数，自适应的确定滑动窗口的大小，从而选取合适的窗口对SAR图像进行滤波，很好的去除了SAR图像中的噪声，消除了FCM对SAR图像噪声的敏感性，提高了SAR图像的分割精度，所以本发明采用自适应滑动窗口对标记SAR图像I'进行滤波。

在标记SAR图像I'中，根据在3×3邻域中标记的个数num，自适应地确定滑动窗口的大小Win，并根据Win对SAR图像I'进行滤波，得到包含L×W-n个信号像素的SAR图像I”，其中：

步骤4)获取SAR图像I”模糊聚类类别的隶属度值集合U和聚类中心集合V：

步骤4a)由于SAR图像I”中的信号像素的灰度值具有一定的特征性，所以可以将灰度值按照0-255划分为50个梯度，根据划分的梯度将SAR图像I”中的信号像素X划分c为个模糊聚类类别C＝{C₁,C₂,···,C_r,···,C₅₀}，这样可以将SAR图像I”中的每一个信号像素归属到不同的模糊聚类类别C_r，设c＝50；

步骤4b)设s表示模糊聚类类别C的模糊指数，s＝2，d_tj表示第j个信号像素x_j与第t个模糊聚类类别C的聚类中心的距离，r表示第r个模糊聚类类别C，d_rj表示第j个信号像素x_j与第r个模糊聚类类别C的聚类中心的距离，计算每一个模糊聚类类别C_r的隶属度值

和聚类中心

将c个模糊聚类类别C的隶属度值表示为隶属度值集合U＝{{u}¹,{u}²,···,{u}^r,···,{u}^c}，u＝{u₁₁,u₁₂,···,u_tj,···,u_cL×W-n}，同时将c个模糊聚类类别C的聚类中心表示为聚类中心集合V＝{v₁,v₂,···,v_y,···v_c}；

步骤5)获取SAR图像I”模糊聚类类别的初始隶属度值集合U⁰和初始聚类中心集合V⁰：

利用(0,1)之间的随机数，对模糊聚类类别C的初始隶属度值

进行赋值，令

满足

可以得到SAR图像I”的c个模糊聚类类别C的初始隶属度值集合U⁰＝{{u⁰}¹,{u⁰}²,···,{u⁰}^r,···,{u⁰}^c}，

并通过

计算模糊聚类类别C的初始聚类中心

可以得到c个模糊聚类类别C的初始聚类中心集合

步骤6)基于模糊聚类对SAR图像I”进行分割：

步骤6a)为了对SAR图像I”进行聚类来实现图像的分割，需要获得一个的新的模糊聚类类别C隶属度值集合U^m，所以需要对初始隶属度值

和初始聚类中心

进行迭代训练来获取模糊聚类类别C隶属度值集合U^m，设迭代次数为m，m＝0，最大迭代次数为M,M＝50，迭代误差为ε，ε＝0.03；

步骤6b)对模糊聚类类别C的初始隶属度值

和初始聚类中心

进行迭代训练，并根据公式||V^m-V^m-1||＜ε或m＝M，判断迭代训练是否结束，若是，则输出训练后的模糊聚类类别C的隶属度值集合U^m，则执行步骤6d)，否则，则执行步骤6c)；迭代训练公式分别为：

其中，

表示第m次迭代模糊聚类类别C的的隶属度值，

表示第m次迭代模糊聚类类别C的聚类中心，s表示模糊聚类类别C的模糊指数，

表示第m次迭代第j个像素点x_j与第t个模糊聚类类别C的聚类中心的距离，

表示第m次迭代中第j个像素点x_j与第r个模糊聚类类别C的聚类中心的距离；

步骤6c)令m＝m+1，并继续执行步骤6b)；

步骤6d)根据训练后得到的模糊聚类类别C的隶属度值集合U^m对SAR图像I”进行聚类，将SAR图像I”的信号像素重新划分到的新的模糊聚类类别，最终得到SAR图像I”的分割图像。

以下结合仿真实验，对本发明的技术效果作进一步说明：

1.仿真条件：

本发明的仿真实验是在计算机配置为core i7-5700U 2.4GHZ处理器，8G运行内存，Windows10系统和计算机软件配置为MATLAB R2018a环境下进行的，利用本发明方法在上述仿真条件下进行实验，对一幅含有机场、建筑物和植被的SAR图像，如图2(a)所示，该SAR图像像素值大小为640×480，分辨率为3米。

2.仿真内容与结果：

用本发明对图2(a)进行仿真实验分割，结果如图2(b)。

从仿真实验结果图2(b)可以看出，本发明在分割时能够准确定位不同地面目标的边缘，能够准确的定位机场跑道的边缘，并准确的将跑道与其它地面目标分隔开。同时对于机场附近地面植被和建筑，本发明能够有效的根据物体本身具有的散射特性将植被和建筑区分割开。

Claims (5)

1.一种基于自适应滑动窗口滤波和FCM的SAR图像分割方法，其特征在于，包括如下步骤：

(1)确定SAR图像I像素的类别：

(1a)设所输入的SAR图像I中的像素矩阵为

其中，x_lu表示SAR图像I中第l行第u列的像素，L≥640，W≥480；

(1b)计算SAR图像I中每个像素x_lu与该像素x_lu相邻像素的相似度ζ；

(1c)设定判断门限为a，a＞3，并判断ζ＞a是否成立，若是，则x_lu为信号像素，否则，则x_lu为噪声像素；

(2)获取标记SAR图像I'：

对SAR图像I中每个噪声像素进行赋值标记，并统计标记的个数n，得到包括L×W-n个信号像素X＝{x₁,x₂,···,x_j,···x_L×W-n}、n个标记的标记SAR图像I'；

(3)基于自适应滑动窗口对标记SAR图像I'进行滤波：

在标记SAR图像I'中，根据在3×3邻域中标记的个数num，自适应地确定滑动窗口的大小Win，并根据Win对SAR图像I'进行滤波，得到包含L×W-n个信号像素的SAR图像I”，其中：

(4)获取SAR图像I”模糊聚类类别的隶属度值集合U和聚类中心集合V：

(4a)将信号像素X划分为c个模糊聚类类别C＝{C₁,C₂,···,C_r,···,C_c}，

其中C_r表示第r个模糊聚类类别；

(4b)计算每一个模糊聚类类别C_r的隶属度值u_tj和聚类中心v_y，将c个模糊聚类类别C的隶属度值表示为隶属度值集合U＝{{u}¹,{u}²,···,{u}^r,···,{u}^c}，u＝{u₁₁,u₁₂,···,u_tj,···,u_cL×W-n}，同时将c个模糊聚类类别C的聚类中心表示为聚类中心集合V＝{v₁,v₂,···,v_y,···v_c}；

(5)获取SAR图像I”模糊聚类类别的初始隶属度值集合U⁰和初始聚类中心集合V⁰：

采用(0,1)之间的随机数对模糊聚类类别C的初始隶属度值

进行赋值，得到SAR图像I”的c个模糊聚类类别C的初始隶属度值集合U⁰＝{{u⁰}¹,{u⁰}²,···,{u⁰}^r,···,{u⁰}^c}，

并通过

计算模糊聚类类别C的初始聚类中心

得到c个模糊聚类类别C的初始聚类中心集合

其中，

满足：

(6)基于模糊聚类对SAR图像I”进行分割：

(6a)设迭代次数为m，最大迭代次数为M,迭代误差为ε，并令m＝0，其中，M≥50，ε≥0.03；

(6b)对模糊聚类类别C的初始隶属度值

和初始聚类中心

进行迭代训练，并判断||V^m-V^m-1||＜ε或m＝M是否成立，若是，得到训练后的模糊聚类类别C的隶属度值集合U^m，否则执行步骤(6c)；

(6c)令m＝m+1，并执行步骤(6b)；

(6d)根据训练后的模糊聚类类别C的隶属度值集合U^m对SAR图像I”进行聚类，最终得到SAR图像I”的分割图像。

2.根据权利要求1所述的基于自适应滑动窗口滤波和FCM的SAR图像分割方法，其特征在于，步骤(1b)中所述计算每个像素x_lu与该像素x_lu相邻像素的相似度ζ，实现步骤为：

(1b1)设判定阈值为T；

(1b2)统计像素x_lu的灰度值f(x_lu)与x_lu相邻的每一个像素x_hq的灰度值f(x_hq)的差|f(x_lu)-f(x_hq)|满足|f(x_lu)-f(x_hq)|≤T时像素x_lu相邻的像素的数量ζ，并将ζ作为像素x_lu与相邻像素的相似度ζ。

3.根据权利要求1所述的基于自适应滑动窗口滤波和FCM的SAR图像分割方法，其特征在于，步骤(4b)中所述的计算每一个模糊聚类类别C_r的隶属度值u_tj和聚类中心v_y，计算公式分别为：

其中，s表示模糊聚类类别的模糊指数，d_tj表示第j个信号像素x_j与第t个模糊聚类类别C的聚类中心的距离，d_rj表示第j个信号像素x_j与第r个模糊聚类类别C的聚类中心的距离。

4.根据权利要求1所述的基于自适应滑动窗口滤波和FCM的SAR图像分割方法，其特征在于，步骤(5)中所述的计算模糊聚类类别C的初始聚类中心

计算公式为：

其中，s表示模糊聚类类别C的模糊指数。

5.根据权利要求1所述的基于自适应滑动窗口滤波和FCM的SAR图像分割方法，其特征在于，步骤(6b)所述的对模糊聚类类别C的初始隶属度值

和初始聚类中心

进行迭代训练，迭代公式分别为：

其中，

表示第m次迭代模糊聚类类别的的隶属度值，

表示第m次迭代模糊聚类类别的聚类中心，s表示模糊聚类类别的C模糊指数，

表示第m次迭代第j个像素x_j与第t个模糊聚类类别C的聚类中心的距离，

表示第m次迭代中第j个像素x_j与第r个模糊聚类类别C的聚类中心的距离。

Images