CN111583266B - 基于费雪向量的自适应合成孔径雷达图像超像素分割方法 - Google Patents
基于费雪向量的自适应合成孔径雷达图像超像素分割方法 Download PDFInfo
- Publication number
- CN111583266B CN111583266B CN202010380485.7A CN202010380485A CN111583266B CN 111583266 B CN111583266 B CN 111583266B CN 202010380485 A CN202010380485 A CN 202010380485A CN 111583266 B CN111583266 B CN 111583266B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- vector
- synthetic aperture
- aperture radar
- 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.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 43
- 230000011218 segmentation Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 108010074864 Factor XI Proteins 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 2
- 241000218218 Ficus <angiosperm> Species 0.000 claims 4
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于费雪向量的自适应合成孔径雷达图像超像素分割方法,包括以下步骤:对输入合成孔径雷达图像进行设置,并初始化参数,迭代更新像素标签、更新超像素中心、更新特征权重;判断迭代次数是否达到最大迭代次数,若是,在停止迭代,若不是,则返回更新像素标签步骤继续迭代;消除超像素中的过小超像素;输出超像素分割结果。实现了更高的超像素分割性能,提升了边界召回率,降低了误分割率,有助于后续的SAR图像中基于超像素的目标检测和识别性能的提升。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于费雪向量的自适应合成孔径雷达图像超像素分割方法。
背景技术
超像素是指具有相似特性的局部像素的集合。超像素旨在对图像进行预分割,获得目标的轮廓信息。在光学图像处理领域中的视觉显著性检测、目标分类等方面,超像素已经展现其作为图像基本处理单元的优越性。近年来,星载合成孔径雷达(SyntheticAperture Radar,SAR)图像分辨率的提高为基于超像素的图像处理提供了坚实的数据基础。研究表明,利用超像素,可以降低SAR图像中斑点噪声对后续图像处理的影响;也加快了逐像素图像处理方法的速度。已有的针对SAR图像的超像素分割方法中,主要基于像素的灰度和位置特征来实现像素的局部聚类。灰度特征仅仅是像素的一阶特征。在一些场景如海面SAR图像中,海浪的运动、恶劣的气象环境、卫星的入射角度变化等因素会导致较低的信杂比,降低目标像素和海杂波像素的灰度差异,进而降低超像素分割的性能。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种基于费雪向量的自适应合成孔径雷达图像超像素分割方法,该方法实现了更高的超像素分割性能,提升了边界召回率,降低了误分割率,有助于后续的SAR图像中基于超像素的目标检测和识别性能的提升。
为达到上述目的,本发明实施例提出了一种基于费雪向量的自适应合成孔径雷达图像超像素分割方法,包括以下步骤:
输入:输入合成孔径雷达图像,对所述合成孔径雷达图像进行设定;
初始化:计算所述合成孔径雷达图像的混合高斯模型中的权重、均值和标准差,根据所述权重、均值和标准差计算每个像素费雪向量的零阶信息、一阶信息和二阶信息,设定超像素个数和超像素中心,设定特征的维度,初始化不同特征的权重值,初始化距离度量;
更新像素标签:计算每一个超像素中心与第i个像素的距离,将所述距离与所述初始化距离度量比较,根据比较结果更新像素标签;
更新超像素中心:设定像素的特征表达,根据更新的像素标签计算所述像素的特征表达;
更新特征权重:根据特征权重更新公式更新特征权重;
判断迭代次数是否达到最大迭代次数,若是,则停止迭代,若不是,则返回更新像素标签步骤继续迭代;
后处理:消除超像素中的过小超像素;
输出:输出超像素分割结果。
本发明实施例的基于费雪向量的自适应合成孔径雷达图像超像素分割方法除了灰度和位置特征,还引入费雪向量中的零阶、一阶、二阶特征来实现SAR图像的超像素分割,并自适应地设置了不同特征的权重,实现了更高的超像素分割性能,提升了边界召回率,降低了误分割率,有助于后续的SAR图像中基于超像素的目标检测和识别性能的提升。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于费雪向量的自适应合成孔径雷达图像超像素分割方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于费雪向量的自适应合成孔径雷达图像超像素分割方法。
在合成孔径雷达图像中,令I表示为图像中像素的总数量,设置超像素大小为S,S一般为单个目标区域像素的25%。图像中超像素的数量为L=I/S2。定义描述SAR图像的能量函数E:
其中,l表示超像素的索引,l=1,2,…,L,cl表示第l个超像素的中心;i表示像素的索引,i=1,2,…,I;υi,l表示像素的标签,当第i个像素属于第l个超像素的时候,υi,l=1,否则υi,l=0;R表示特征的数量,r表示特征的索引,r=1,2,…,R;θr表示第r个特征的权重,0≤θr<1,ξ>1表示乘性因子;dr(i,cl)表示第i个像素与超像素中心cl在第r个特征上的距离。
在本发明的实施例中,设定R=5。距离dr,r=1,2,...,R的具体表达如下:对于两个像素i和j:
其中,δi和δj分别表示像素i和j的灰度值,(xi,yi)和(xj,yj)分别表示像素i和j的空间位置,it表示第i个像素的邻域中的第t个元素,G(t)表示标准的二维高斯核。在本发明中,设置T=9,此时标准的二维高斯核G(t)为:
i=1,2,…,I,m=1,2,…,M。M表示用于表示SAR图像的混合高斯模型中高斯分布的个数,一般可设置M=7,m表示高斯分布的索引值,βm和φi,m是为了表示方便定义的三个中间变量,表示高斯函数:
ωm,μm,σm分别表示SAR图像的混合高斯模型中第m个高斯分布的权重、均值和标准差。ωm,μm,σm的值可以通过经典的EM方法估计得出。
对SAR图像的基于费雪向量的自适应超像素分割可通过对以下问题的求解来实现:
通过对上面的公式进行优化,实现基于费雪向量的自适应超像素分割。
图1为根据本发明一个实施例的基于费雪向量的自适应合成孔径雷达图像超像素分割方法流程图。
如图1所示,该基于费雪向量的自适应合成孔径雷达图像超像素分割方法包括以下步骤:
步骤S1,输入:输入合成孔径雷达图像,对所述合成孔径雷达图像进行设定。
具体地,输入合成孔径雷达(SAR)图像,确定SAR图像的像素数量I,超像素大小S(S一般为单个目标区域像素的25%),乘性因子ξ=7,混合高斯模型中高斯成分的个数M=7,最大迭代次数Iter=10。
步骤S2,初始化:计算所述合成孔径雷达图像的混合高斯模型中的权重、均值和标准差,根据所述权重、均值和标准差计算每个像素费雪向量的零阶信息、一阶信息和二阶信息,设定超像素个数和超像素中心,设定特征的维度,初始化不同特征的权重值,初始化距离度量。
具体地,利用已有文献中的期望-最大化(Expectation-Maximizatio,EM)算法,估计所输入图像的混合高斯模型中的权重ωm,均值μm,标准差σm,其中m=1,2,...,M。
其中,和分别表示第i个像素的费雪向量中的零阶、一阶和二阶信息;分别表示的第m个元素,m=1,2,…,M;i表示像素的索引,i=1,2,…,I,I表示图像中像素的总数量,βm和φi,m是定义的三个中间变量,δi表示图像中第i个像素的灰度值,表示高斯函数,M表示用于表示合成孔径雷达图的混合高斯模型中高斯分布的个数。
进一步地,在图像中,按照正方形方格的形式设置L个超像素的中心{cl,l=1,2,...,L},每个中心的间距为S。即,每个超像素的中心都是边长为S的正方形的顶点。
在本发明的实施例中,设定特征的维度R为R=5。初始化不同特征的权重值{θr=1/R,r=1,2,...,R}。
步骤S3,更新像素标签:计算每一个超像素中心与第i个像素的距离,将所述距离与所述初始化距离度量比较,根据比较结果更新像素标签。
可以理解的是,此步骤为迭代步骤,迭代更新像素标签。
it表示第i个像素的邻域中的第t个元素,jt表示第j个像素的邻域中的第t个元素,G(t)表示标准的二维高斯核。{d1,…d5}分别表示两个像素在灰度、空间位置、费雪向量零阶信息、费雪向量一阶信息、费雪向量二阶信息上的差异。本专利中,设置T=9,此时标准的二维高斯核G(t)为
步骤S4,更新超像素中心:设定像素的特征表达,根据更新的像素标签计算所述像素的特征表达。
可以理解的是,此步骤为迭代更新超像素中心。
其中,Ωr(i)表示向量Ω(i)中第r个元素,Ωr(cl)表示超像素中心cl的特征表达Ω(cl)中的第r个元素,r=1,2,…,R。
步骤S5,更新特征权重:根据特征权重更新公式更新特征权重。
可以理解的是,此步骤为迭代更新特征权重。
特征权重更新公式为:
步骤S6,判断迭代次数是否达到最大迭代次数,若是,则停止迭代,若不是,则返回更新像素标签步骤继续迭代。
在本发明的实施例中,判断迭代次数是否达到最大迭代次数Iter,在输入阶段,设定的Iter为10,最大迭代次数可以根据实际需要进行调整。若达到最大迭代次数是,结束迭代过程。若没有达到最大迭代次数,则返回步骤S3,继续进行迭代。
步骤S7,后处理:消除超像素中的过小超像素。
以上的步骤S3-S5迭代完成后,超像素的分割结果中可能存在一些过于小的超像素。将内部像素数量小于S2/3的超像素定义为“过小超像素”。对以上超像素的分割结果中所有“过小超像素”进行如下操作:
首先将任意一个过小超像素定义为C。计算与C相邻的超像素的灰度均值NC表示与C相邻的超像素的个数,表示灰度均值。将C与其邻域内的第n*个超像素融合为一个超像素,其中表示过小超像素C内部的灰度均值,n是为了方便表示而定义的中间变量。
步骤S8,输出:输出超像素分割结果。
超像素分割的结果:{υi,l,i=1,2,...,I,l=1,2,...,L}。υi,l为像素标签,当第i个像素属于第l个超像素的时候,υi,l=1,否则υi,l=0。
根据本发明实施例提出的基于费雪向量的自适应合成孔径雷达图像超像素分割方法,费雪向量包含了像素的零阶、一阶、二阶特征,提供了对像素的丰富表达。除了灰度和位置特征,还引入费雪向量中的零阶、一阶、二阶特征来实现SAR图像的超像素分割,并自适应地设置了不同特征的权重。实现了更高的超像素分割性能,提升了边界召回率,降低了误分割率,有助于后续的SAR图像中基于超像素的目标检测和识别性能的提升。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于费雪向量的自适应合成孔径雷达图像超像素分割方法,其特征在于,包括以下步骤:
输入:输入合成孔径雷达图像,对所述合成孔径雷达图像进行设定;
初始化:计算所述合成孔径雷达图像的混合高斯模型中的权重、均值和标准差,根据所述权重、均值和标准差计算每个像素费雪向量的零阶信息、一阶信息和二阶信息,设定超像素个数和超像素中心,设定特征的维度,初始化不同特征的权重值,初始化距离度量,其中,所述权重、均值和标准差计算每个像素费雪向量的零阶信息、一阶信息和二阶信息,包括:
其中,和分别表示第i个像素的费雪向量中的零阶、一阶和二阶信息;分别表示的第m个元素;i表示像素的索引,i=1,2,…,I,I表示图像中像素的总数量,βm和φi,m是定义的三个中间变量,δi表示图像中第i个像素的灰度值,表示高斯函数,M表示用于表示合成孔径雷达图的混合高斯模型中高斯分布的个数,权重ωm,均值μm,标准差σm根据期望-最大化算法计算得出;
更新像素标签:计算每一个超像素中心与第i个像素的距离,将所述距离与所述初始化距离度量比较,根据比较结果更新像素标签;
更新超像素中心:设定像素的特征表达,根据更新的像素标签计算所述像素的特征表达;
更新特征权重:根据特征权重更新公式更新特征权重;
判断迭代次数是否达到最大迭代次数,若是,则停止迭代,若不是,则返回更新像素标签步骤继续迭代;
后处理:消除超像素中的过小超像素;
输出:输出超像素分割结果。
2.根据权利要求1所述的基于费雪向量的自适应合成孔径雷达图像超像素分割方法,其特征在于,所述输入进一步包括:
确定所述合成孔径雷达图像的像素数量I,超像素大小S,乘性因子ξ,混合高斯模型中高斯成分的个数M,最大迭代次数Iter。
9.根据权利要求1所述的基于费雪向量的自适应合成孔径雷达图像超像素分割方法,其特征在于,输出超像素分割的结果:{υi,l,i=1,2,...,I,l=1,2,...,L},υi,l为像素标签,当第i个像素属于第l个超像素的时候,υi,l=1,否则υi,l=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380485.7A CN111583266B (zh) | 2020-05-08 | 2020-05-08 | 基于费雪向量的自适应合成孔径雷达图像超像素分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380485.7A CN111583266B (zh) | 2020-05-08 | 2020-05-08 | 基于费雪向量的自适应合成孔径雷达图像超像素分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583266A CN111583266A (zh) | 2020-08-25 |
CN111583266B true CN111583266B (zh) | 2021-09-24 |
Family
ID=72112077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010380485.7A Active CN111583266B (zh) | 2020-05-08 | 2020-05-08 | 基于费雪向量的自适应合成孔径雷达图像超像素分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583266B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766286B (zh) * | 2021-02-05 | 2021-09-14 | 清华大学 | 一种基于sar图像全局-局部特征的舰船目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1815421B1 (en) * | 2004-11-26 | 2008-06-04 | Snell and Wilcox Limited | Image segmentation |
CN107316306A (zh) * | 2017-06-23 | 2017-11-03 | 电子科技大学 | 一种基于马尔可夫模型的合成孔径雷达图像快速分割方法 |
CN109712153A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种遥感图像城区超像素分割方法 |
CN110349160A (zh) * | 2019-06-25 | 2019-10-18 | 电子科技大学 | 一种基于超像素与模糊c均值聚类sar图像分割方法 |
CN111008981A (zh) * | 2019-12-26 | 2020-04-14 | 中国人民解放军国防科技大学 | 极化合成孔径雷达图像的分割方法、系统、装置及计算机可读介质 |
-
2020
- 2020-05-08 CN CN202010380485.7A patent/CN111583266B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1815421B1 (en) * | 2004-11-26 | 2008-06-04 | Snell and Wilcox Limited | Image segmentation |
CN107316306A (zh) * | 2017-06-23 | 2017-11-03 | 电子科技大学 | 一种基于马尔可夫模型的合成孔径雷达图像快速分割方法 |
CN109712153A (zh) * | 2018-12-25 | 2019-05-03 | 杭州世平信息科技有限公司 | 一种遥感图像城区超像素分割方法 |
CN110349160A (zh) * | 2019-06-25 | 2019-10-18 | 电子科技大学 | 一种基于超像素与模糊c均值聚类sar图像分割方法 |
CN111008981A (zh) * | 2019-12-26 | 2020-04-14 | 中国人民解放军国防科技大学 | 极化合成孔径雷达图像的分割方法、系统、装置及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111583266A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765458B (zh) | 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法 | |
CN109671070B (zh) | 一种基于特征加权和特征相关性融合的目标检测方法 | |
Li et al. | Adaptive pyramid mean shift for global real-time visual tracking | |
CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
CN111428676B (zh) | 一种基于稀疏对应和深度神经网络的短临降水预测方法 | |
CN109446894B (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN109299668B (zh) | 一种基于主动学习和聚类分析的高光谱图像分类方法 | |
CN106886978B (zh) | 一种图像的超分辨率重建方法 | |
CN111368769A (zh) | 基于改进锚点框生成模型的船舶多目标检测方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN113850783B (zh) | 一种海面船舶检测方法及系统 | |
CN111583266B (zh) | 基于费雪向量的自适应合成孔径雷达图像超像素分割方法 | |
Niu et al. | A novel contextual classification algorithm for multitemporal polarimetric SAR data | |
CN113139979A (zh) | 一种基于深度学习的边缘识别方法 | |
Li et al. | Visual object tracking using spatial context information and global tracking skills | |
CN112651951A (zh) | 一种基于dce-mri的乳腺癌分级方法 | |
CN115984223A (zh) | 基于PCANet及多分类器融合的图像溢油检测方法 | |
CN116805389A (zh) | 一种基于解耦级联区域生成网络的开放世界目标检测方法 | |
CN110751671B (zh) | 一种基于核相关滤波与运动估计的目标跟踪方法 | |
CN107563342B (zh) | 一种面向无人机野外搜救的行人鲁棒跟踪方法 | |
CN116310832A (zh) | 遥感图像处理方法、装置、设备、介质及产品 | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
CN113033644B (zh) | 一种基于凸包特征自适应的旋转密集目标检测方法 | |
CN114049337A (zh) | 一种基于人工智能的隧道变形检测方法及系统 |
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 |