CN112529910B - 一种sar图像快速超像素合并及图像分割方法 - Google Patents

Abstract

一种SAR图像快速超像素合并及图像分割方法，包括以下步骤：针对SAR图像，提取像素局部梯度比率特征；对SAR图像进行边缘检测；对SAR图像进行超像素过分割；计算超像素之间的差异性，根据差异性确定超像素合并顺序；确定自适应合并规则，根据自适应合并规则完成超像素合并。本发明SAR图像快速超像素合并及图像分割方法考虑了SAR图像后向散射灰度相似性，边缘信息相似性以及局部均匀相似性，设计了一套针对SAR图像超像素快速合并方法，从而实现SAR图像快速精细化分割。本发明能对SAR图像实现快速精细化分割，从而有助于提取SAR图像地物信息。

Description

一种SAR图像快速超像素合并及图像分割方法

技术领域

本发明属于雷达遥感图像解译领域，具体涉及一种SAR图像快速超像素合并及图像分割方法，适用于SAR图像场景分类以及目标检测识别。

背景技术

作为一种全天时、全天候都能工作的主动成像系统，合成孔径雷达(SAR)已广泛用于许多领域，例如农业监测、土地资源管理、城市发展以及军事等。

SAR图像分割是遥感信息提取和解译的关键步骤，它将SAR图像分割成几个不重叠的同质区域，从而提供了基于区域的表征信息。但是由于SAR图像中固有的相干斑噪声，严重的几何失真以及复杂的后向散射使得分割仍然非常困难。到目前为止，已经存在较多的SAR图像分割方法，例如光谱迭代聚类、活动轮廓模型、水平集、图分割、基于边缘分割、基于区域分割和混合分割方法。由于基于边缘和基于区域的分割方法不仅利用了SAR图像几何结构信息，还利用了图像内相邻像素之间的空间关系，因此这种方法可以减少相干斑噪声对图像分割的影响。更重要的是，可以在很大程度上保留图像细节，例如孤立的目标和线条。基于边缘的分割方法旨在发现SAR图像中的边缘，可以从闭合轮廓中恢复目标区域，其分割性能在很大程度上取决于边缘检测的效果。值得指出的是，由于SAR图像中的相干斑噪声和较低的图像动态范围，生成的边缘存在许多错误边缘点或缺失点，这容易导致错误分割。

发明内容

本发明的目的在于针对上述现有技术中SAR图像分割边界检测精度不高的问题，提供一种SAR图像快速超像素合并及图像分割方法，生成的超像素具有较高的边界保持性，能够很好地保持图像细节，超像素合并过程无需预先设置任何合并参数，实现图像快速精细化分割。

为了实现上述目的，本发明有如下的技术方案：

一种SAR图像快速超像素合并及图像分割方法，包括以下步骤：

针对SAR图像，提取像素局部梯度比率特征；

对SAR图像进行边缘检测；

对SAR图像进行超像素过分割；

计算超像素之间的差异性，根据差异性确定超像素合并顺序；

确定自适应合并规则，根据自适应合并规则完成超像素合并。

优选的，在局部梯度比率特征中，将邻域中每个像素的梯度值表征为自身与中心像素之间的灰度值差。

优选的，按下式计算每个像素的梯度比率：

将中心像素的梯度比率特征视为其所有邻域像素的平均梯度比率比值，按下式计算：

计算邻域像素与中心像素的局部梯度比率特征的二进制表征值，作为中心像素处的局部梯度比率特征值，计算式如下：

其中，G_ratio(g_p)和

分别为邻域像素g_p和中心像素g_c的梯度比率特征；

s(·)是一个符号函数，定义为：

R是中心像素的邻域半径，P是邻域像素的个数。

优选的，采用高斯窗口对SAR图像进行边缘检测。

优选的，水平方向上的高斯窗口函数定义为：

其中，GW(x，y)为像素(x，y)的高斯权重，该权重用于对子窗口两侧像素的LGRP特征进行加权平均；窗口的长度和宽度分别由参数σ_x和σ_y控制；

通过两个子窗口之间的角度增量θ_f，进行高斯窗旋转如下：

使用高斯窗口来计算LGRP特征值的局部窗口均值，通过将高斯窗口函数与特征值进行卷积，计算出像素(x，y)在窗口角度θ_f时的LGRP特征：

高斯窗口角度θ_f离散为θ_f＝0，π/N_f，...，π(N_f-1)/N_f，其中N_f是窗口方向的数量；之后通过比率距离计算中心像素(x，y)两侧LGRP特征的局部均值相似度：

其中f是当前窗口，U和L分别表示中心像素(x，y)两侧的上下子窗口；

则边缘强度图ESM表征为：

ESM＝1-R(x，y)。

优选的，对SAR图像进行超像素过分割包括以下步骤：

在图像规则网格上均匀地初始化图像超像素种子点K，K等于超像素个数，根据SAR图像的图像视数和图像场景复杂度选择K；

在有限的搜索区域内迭代执行加权局部K均值聚类算法；

通过后处理步骤消除孤立的像素点。

优选的，计算超像素之间的差异性以及确定超像素合并顺序的步骤如下：

使用超像素的样本平均幅度计算超像素灰度差异性，两个超像素R和R′的样本均值如下：

则SAR图像超像素灰度差异性计算公式为：

其中，L为SAR图像等效视数，|·|为超像素尺寸大小，即像素个数；

按下式计算两个超像素之间的空间关系差异性：

其中

表示超像素R的边界像素，上式中分母是两个超像素的公共边界长度；

E_ε描绘了公共边界像素的平均边缘强度；

将同质差异性定义为：

其中

表示超像素R的同质性，定义为：

其中ENL定义为SAR图像的等效视数，ESM为SAR图像边缘强度图；

则超像素的差异性度量表征为：

根据超像素之间的差异性度量，得到SAR图像超像素合并顺序，差异性越小则优先合并。

优选的，定义超像素R和R′自适应合并规则为：

其中自适应合并阈值b_σ(R，R′)定义为：

δ定义为δ＝1/(6|I|²)；

针对SAR图像任意相邻超像素对，执行上述合并判断，直到完成SAR图像超像素合并。

相较于现有技术，本发明至少具有如下的有益效果：首先提取SAR图像局部梯度比率特征，并实现基于梯度比率的SAR图像边缘检测算法，在此基础上研究实现SAR图像超像素过分割方法，构建超像素相似度，并提出SAR图像超像素合并顺序；最后设计了SAR图像自适应超像素合并准则，并完成SAR图像超像素快速合并及图像分割。本发明SAR图像快速超像素合并及图像分割方法考虑了SAR图像后向散射灰度相似性，边缘信息相似性以及局部均匀相似性，设计了一套针对SAR图像超像素快速合并方法，从而实现SAR图像快速精细化分割。本发明能对SAR图像实现快速精细化分割，从而有助于提取SAR图像地物信息。

附图说明

图1(a)GIOESP法对Ka波段MiniSAR图像分割边界结果图；

图1(b)RCBLP法对Ka波段MiniSAR图像分割边界结果图；

图1(c)RTPA法对Ka波段MiniSAR图像分割边界结果图；

图1(d)本发明方法对Ka波段MiniSAR图像分割边界结果图；

图2(a)GIOESP法对Ka波段MiniSAR图像分割区域结果图；

图2(b)RCBLP法对Ka波段MiniSAR图像分割区域结果图；

图2(c)RTPA法对Ka波段MiniSAR图像分割区域结果图；

图2(d)本发明方法对Ka波段MiniSAR图像分割区域结果图。

具体实施方式

以下结合附图对本发明做进一步的详细说明。

本发明提出一种用于SAR图像的高效分割算法，该方法属于基于区域的分割。为了获取SAR图像高质量初始分割，本发明采用具有线性特征聚类和边缘约束的自适应超像素生成方法。该方法从SAR图像中提取局部梯度比特征，并使用具有高斯窗口的基于特征比的边缘检测器来获得边缘强度图。之后，基于边缘惩罚因子的线性特征聚类方法生成超像素，这些超像素是具有相似大小和形状的局部过分割区域。与分水岭变换以及TurboPixels等其他过分割方法不同，本发明生成的超像素具有较高的边界保持性，可以很好地保持图像细节。

在超像素合并阶段，本发明提出一种快速超像素合并方法，在统计区域合并(SRM)框架下合并超像素，以实现快速准确的SAR图像分割。本发明专利的主要创新之处包括以下几个方面：1)基于像素相似度、超像素公共边界长度惩罚约束以及超像素之间的均匀性约束，重新定义一个新的超像素合并顺序。2)对于合并规则，本发明根据图像的复杂度定义了一个自适应合并阈值，使得所提出的超像素合并无需预先设置任何合并参数。

本发明的SAR图像快速超像素合并及图像分割方法，包括以下步骤：

S1、针对SAR图像，提取像素局部梯度比率特征；

局部梯度比率特征受局部二值特征(LBP)的启发，考虑了SAR图像像素比率相似度，该特征对SAR图像中相干斑噪声和图像梯度变化不敏感。在局部梯度比率特征中，将邻域中每个像素的梯度值表征为自身与中心像素之间的灰度值差。

按下式计算每个像素的梯度比率，即其梯度值与初始灰度值的比率：

将中心像素的梯度比率特征视为其所有邻域像素的平均梯度比率比值，按下式计算：

通过计算邻域像素与中心像素的局部梯度比率特征的二进制表征值，作为中心像素处的局部梯度比率特征值，计算式如下：

其中，G_ratio(g_p)和

分别为邻域像素g_p和中心像素g_c的梯度比率特征；

s(·)是一个符号函数，定义为：

R是中心像素的邻域半径，P是邻域像素的个数。

S2、对SAR图像进行边缘检测；

传统的矩形边缘检测器在每个像素上使用一组不同方向的矩形窗口来计算边缘强度图。该窗口被分成一对平行的子窗口，由四个参数组成，即窗口宽度w_f，窗口长度l_f，两个子窗口之间的间距d_f以及两个子窗口之间的角度增量θ_f。不同方向的两个子窗口像素灰度比值的平均值可以作为该中心像素的边缘概率。将不同方向获得的边缘概率最大值用来构建SAR图像边缘强度图。与矩形边缘检测器不同，在本发明中，采用高斯窗口来进行边缘检测。

水平方向上的高斯窗口函数定义为：

其中GW(x，y)为像素(x，y)的高斯权重，该权重将用于对子窗口两侧像素的LGRP特征进行加权平均。窗口的长度和宽度分别由σ_x和σ_y控制。

可以看出，越靠近中心像素位置的像素其高斯权重越大，越有利于进行图像边缘检测。通过两个子窗口之间的角度增量θ_f，可以进行高斯窗旋转如下：

在本发明中，使用高斯窗口来计算LGRP特征值的局部窗口均值。通过将高斯窗口函数与特征值进行卷积，可以计算出像素(x，y)在窗口角度θ_f时的LGRP特征：

高斯窗口角度θ_f可以离散为θ_f＝0，π/N_f，...，π(N_f-1)/N_f，其中N_f是窗口方向的数量。之后可以通过比率距离计算中心像素(x，y)两侧LGRP特征的局部均值相似度：

其中f是当前窗口，U和L分别表示中心像素(x，y)两侧的上下子窗口。

则边缘强度图(ESM)可以表征为：

ESM＝1-R(x，y)

S3、对SAR图像进行超像素过分割；

本发明尝试将加权局部K均值特征聚类和归一化Ncut方法联系起来，以实现具有良好边界保持性和高效率的SAR图像超像素生成。在Ncut方法中采用一种距离测度，能有效衡量SAR图像特征相似度和空间相关性。为了提高Ncut算法中目标函数优化效率，这里使用加权局部K均值迭代聚类来代替传统的基于特征值求解策略。

由于该超像素生成方法考虑加权K均值的局部聚类特点以及原始Ncut方法的全局优化特点，因此，该超像素生成方法可以较为高效的同时获取局部和全局图像信息。

该SAR图像超像素生成方法是在加权局部K均值迭代聚类的思路上设计的，流程如下：

1)对于SAR幅度图中每个像素，计算其局部梯度比率特征。

2)基于局部梯度比率特征的边缘检测器获取SAR图像边缘强度图。

3)对每个像素对，计算LGRP特征的欧式距离，然后通过正半定核函数对其进行近似。

4)在图像规则网格上均匀地初始化图像超像素种子点K，K等于超像素个数，根据SAR图像的图像视数和图像场景复杂度选择K。

5)在有限的搜索区域内迭代执行加权局部K均值聚类算法。

6)通过后处理步骤消除孤立的像素点。

S4、计算超像素之间的差异性，根据差异性确定超像素合并顺序；

使用超像素的样本平均幅度计算超像素灰度差异性，两个超像素R和R′的样本均值为：

则SAR图像超像素灰度差异性定义为：

其中L为SAR图像等效视数，|·|为超像素尺寸大小，即像素个数。

超像素空间邻接关系以及图像边缘对超像素合并有很大影响。考虑超像素对的大小和公共边界，以及边缘强度图，本发明可以得出两个超像素之间的空间关系差异性，定义为：

其中

表示超像素R的边界像素，上式中分母是两个超像素的公共边界长度。

E_ε描绘了公共边界像素的平均边缘强度。

通常超像素是局部均匀的，因此两个超像素的同质性差异越小，合并的可能性就越高。

这里本发明将同质差异性定义为：

其中

表示超像素R的同质性，定义为：

其中ENL定义为SAR图像的等效视数，ESM为SAR图像边缘强度图。

则超像素的差异性度量可表征为：

根据超像素之间的差异性度量，可以得到SAR图像超像素合并顺序，即超像素差异性越小，则越优先合并。

S5、确定自适应合并规则，根据自适应合并规则完成超像素合并。

定义超像素R和R′自适应合并规则为：

其中自适应合并阈值b_σ(R，R′)定义为：

δ定义为δ＝1/(6|I|²)；

针对SAR图像任意相邻超像素对，执行上述合并判断，直到完成SAR图像超像素合并。

通过实验对本发明提出的方法进行验证如下：

利用机载SAR数据集来验证所提出的方法。该数据是单视Ka波段SAR图像的一部分，为美国圣地亚实验室MiniSAR成像系统获取，分辨率为0.1米，图片大小为706×780。

为了进行评估比较，本发明选择三种基于区域的SAR图像分割方法进行对比。第一种是分层区域合并方法，采用递增边缘强度惩罚因子(GIOESP)。第二种是具有公共边界长度惩罚因子(RCBLP)的快速区域合并方法。最后一种是具有纹理图案注意机制的区域合并SAR图像分割方法(RTPA)。这三种方法均基于初始的过分割结果，并采用区域合并策略以实现SAR图像的最终分割。在参数设置方面，本发明采用了对应文献中的最优参数。在初始过分割数量(超像素数量)设置方面，所有方法都选择相同值进行比较。

对比图1(a)，图1(b)，图1(c)以及图1(d)，以及图2(a)，图2(b)，图2(c)以及图2(d)，由不同方法对Ka波段MiniSAR图像分割边界结果以及不同方法对Ka波段MiniSAR图像分割区域结果可以看出，由于Ka波段SAR图像频率较高，后向散射非常复杂。因此，四种方法的初始过分割区域个数都设置为2000。图1(a)和图2(a)显示了GIOESP方法的结果，可以发现存在一些过分割错误。一些同质均匀区域(例如树木和汽车的阴影区域)被细分为多个区域。图1(b)和图2(b)中RCBLP的分割结果比GIOESP方法得到的分割结果差。同质区域内的过分割误差很常见，此外，分割结果中缺少一些小目标，例如汽车等目标。图1(c)和图2(c)显示了RTPA的结果，它似乎比GIOESP和RCBLP更好。几乎没有过分割错误。尽管自然区域内的结果令人满意，但仍存在一些合并错误。一些小的人造目标无法很好地保持。图1(d)和图2(d)表示本发明所提出方法的分割结果，可以看到由于自适应超像素合并，本发明的方法在均质和异质区域均显示出良好的分割能力。

以上所述的仅仅是本发明的较佳实施例，并不用以对本发明的技术方案进行任何限制，本领域技术人员应当理解的是，在不脱离本发明精神和原则的前提下，该技术方案还可以进行若干简单的修改和替换，这些修改和替换也均属于权利要求书所涵盖的保护范围之内。

Claims (7)

1.一种SAR图像快速超像素合并及图像分割方法，其特征在于，包括以下步骤：

针对SAR图像，提取像素局部梯度比率特征；

对SAR图像进行边缘检测；

对SAR图像进行超像素过分割；

计算超像素之间的差异性，根据差异性确定超像素合并顺序；计算超像素之间的差异性以及确定超像素合并顺序的步骤如下：

使用超像素的样本平均幅度计算超像素灰度差异性，两个超像素R和R′的样本均值如下：

则SAR图像超像素灰度差异性计算公式为：

其中，L为SAR图像等效视数，|·|为超像素尺寸大小，即像素个数；

按下式计算两个超像素之间的空间关系差异性：

其中

表示超像素R的边界像素，上式中分母是两个超像素的公共边界长度；

E_ε描绘了公共边界像素的平均边缘强度；

将同质差异性定义为：

其中

表示超像素R的同质性，定义为：

其中ENL定义为SAR图像的等效视数，ESM为SAR图像边缘强度图；

则超像素的差异性度量表征为：

根据超像素之间的差异性度量，得到SAR图像超像素合并顺序，差异性越小则优先合并；

确定自适应合并规则，根据自适应合并规则完成超像素合并。

2.根据权利要求1所述的SAR图像快速超像素合并及图像分割方法，其特征在于：在局部梯度比率特征中，将邻域中每个像素的梯度值表征为自身与中心像素之间的灰度值差。

3.根据权利要求2所述的SAR图像快速超像素合并及图像分割方法，其特征在于：

按下式计算每个像素的梯度比率：

将中心像素的梯度比率特征视为其所有邻域像素的平均梯度比率比值，按下式计算：

计算邻域像素与中心像素的局部梯度比率特征的二进制表征值，作为中心像素处的局部梯度比率特征值，计算式如下：

其中，G_ratio(g_p)和

分别为邻域像素g_p和中心像素g_c的梯度比率特征；

s(·)是一个符号函数，定义为：

R是中心像素的邻域半径，P是邻域像素的个数。

4.根据权利要求1所述的SAR图像快速超像素合并及图像分割方法，其特征在于：

采用高斯窗口对SAR图像进行边缘检测。

5.根据权利要求4所述的SAR图像快速超像素合并及图像分割方法，其特征在于：

水平方向上的高斯窗口函数定义为：

其中，GW(x，y)为像素(x，y)的高斯权重，该权重用于对子窗口两侧像素的LGRP特征进行加权平均；窗口的长度和宽度分别由参数σ_x和σ_y控制；

通过两个子窗口之间的角度增量θ_f，进行高斯窗旋转如下：

使用高斯窗口来计算LGRP特征值的局部窗口均值，通过将高斯窗口函数与特征值进行卷积，计算出像素(x，y)在窗口角度θ_f时的LGRP特征：

高斯窗口角度θ_f离散为θ_f＝0,π/N_f,...,π(N_f-1)/N_f，其中N_f是窗口方向的数量；之后通过比率距离计算中心像素(x，y)两侧LGRP特征的局部均值相似度：

其中f是当前窗口，U和L分别表示中心像素(x，y)两侧的上下子窗口；

则边缘强度图ESM表征为：

ESM＝1-R(x,y)。

6.根据权利要求1所述的SAR图像快速超像素合并及图像分割方法，其特征在于：

对SAR图像进行超像素过分割包括以下步骤：

在图像规则网格上均匀地初始化图像超像素种子点K，K等于超像素个数，根据SAR图像的图像视数和图像场景复杂度选择K；

在有限的搜索区域内迭代执行加权局部K均值聚类算法；

通过后处理步骤消除孤立的像素点。

7.根据权利要求1所述的SAR图像快速超像素合并及图像分割方法，其特征在于：

定义超像素R和R′自适应合并规则为：

其中自适应合并阈值b_σ(R，R′)定义为：

δ定义为δ＝1/(6|I|²)；

针对SAR图像任意相邻超像素对，执行上述合并判断，直到完成SAR图像超像素合并。

Images