CN113034521A - 基于多目标进化的极化sar图像超像素分割方法 - Google Patents

基于多目标进化的极化sar图像超像素分割方法 Download PDF

Info

Publication number
CN113034521A
CN113034521A CN202110355088.9A CN202110355088A CN113034521A CN 113034521 A CN113034521 A CN 113034521A CN 202110355088 A CN202110355088 A CN 202110355088A CN 113034521 A CN113034521 A CN 113034521A
Authority
CN
China
Prior art keywords
pixel
superpixel
center
super
individual
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.)
Granted
Application number
CN202110355088.9A
Other languages
English (en)
Other versions
CN113034521B (zh
Inventor
张梦璇
裴军田
焦李成
冯婕
刘龙
刘钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202110355088.9A priority Critical patent/CN113034521B/zh
Publication of CN113034521A publication Critical patent/CN113034521A/zh
Application granted granted Critical
Publication of CN113034521B publication Critical patent/CN113034521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多目标进化的极化SAR图像超像素分割方法，主要解决现有技术易受噪声干扰、分割图像的边界拟合性和分割效果差的问题。其方案是：将极化SAR图像超像素分割看作是一个多目标优化问题，首先将类内距离函数值和类间距离函数值作为该多目标优化问题的目标函数，并利用进化算法求解；其次，使用边界函数和交叉变异加快求解进程，得到一组Pareto解；选择拐点处的Pareto解包含的所有超像素中心，计算每个像素对所有超像素中心的隶属度，将每个像素归属于隶属度最大的超像素中心，完成分割。本发明增强了超像素分割结果的边界拟合性，提升了图像的分割效果，可用于极化SAR图像数据的分类。

Description

基于多目标进化的极化SAR图像超像素分割方法
技术领域
本发明属于图像处理技术领域，特别涉及一种极化SAR图像的超像素分割方法，可应用于极化SAR图像数据的分类。
背景技术
极化SAR可以全天时不间断地工作，能够在各种恶劣气候条件下对目标进行实时有效地观测，从而获取重要的信息,并且在能见度极其低的情况也能实现高分辨率成像，是目标分类准确度提升的强有力工具。
由于极化SAR图像包含大量斑点噪声，传统的基于像素的分类方法是逐个像素进行分类，分类过程中只使用像素自身的特征，而不考虑邻域像素的作用，因此会生成许多由此类斑点噪声引起的错误分类区域。而基于区域的分类方法则是把一些具有相似特性的像素看作一个整体，形成一个更具有代表性的大“元素”。而这个新的大元素，将作为分类算法的基本单位，既大大降低了维度，又可以剔除一些异常像素点，降低噪声的干扰。
近年来，学者们提出了很多基于区域的分类方法。例如，基于超像素的极化SAR图像分类方法，基于Wishart Markov随机场模型的极化SAR图像分类方法等。其中，基于超像素的分类方法可分为两类：基于种子的方法和基于图切割的方法。前者是自底向上的数据驱动方式，其先在图中设置初始种子，然后在这些种子的基础上生成超像素；后者是自顶向下的任务驱动方式，其将一幅图看作是一组顶点和边的集合，每个顶点表示一个像素，每条边表示该边两端的像素之间的相似度。这种基于超像素的图像分类方法非常有效。但是，这类方法是在超像素的基础上进行分类，所以分类精度容易受到超像素分割结果的影响。如果生成的超像素纯净度不高，即超像素内部含有较多特性差异较大的像素，并且超像素的边界不能很好的拟合真实边界，会导致最终获得的分类精度大大降低。
目前使用较为广泛的超像素分割方法有SLIC和SEEDS等，这些方法主要使用像素间的欧式距离来衡量像素间的相似程度，并把相似度高的像素放在相同的超像素中，相似度低的像素放在不同的超像素中，从而获得分割结果。这种方法在处理自然图像时能获得很好的分割结果，但是若直接用于极化SAR图像，则会将极化SAR图像当作光学图像进行处理，从而无法利用极化SAR图像的散射特性，导致计算出的像素间相似度会有较大误差，进而影响分割效果。为了解决这个问题，有学者尝试分别使用Bartlett距离、对称修正的Wishart距离和修正的Wishart距离代替欧式距离，从而生成极化SAR图像的超像素，或者将熵率超像素方法引入到极化SAR图像超像素生成中，但这些方法均存在边界拟合性差的问题，导致分割后的超像素的边界和图像的真实地物边界不能很好的重合。
发明内容
本发明的目的在于针对上述的问题，提出一种基于多目标进化的极化SAR图像超像素分割方法，以减小噪声干扰，增强边界拟合性，提高极化SAR图像的分割效果。
本发明的技术思路是：将极化SAR图像分割问题看作是一个多目标优化问题，并将类内距离函数值和类间距离函数值作为该优化问题中需要最小化的两个目标函数；利用进化算法进行求解，并使用边界函数和特殊的交叉变异方案，加快算法求解进程，最终将求得的Pareto前沿中的拐点作为超像素分割的结果。
根据上述思路，本发明的实现步骤包括如下：
(1)输入待分割的极化SAR图像，并对其依次进行Lee滤波和特征归一化的预处理，以降低噪声干扰并提高收敛速度，获得预处理后的待分割图像；
(2)构建初始种群：
2a)设置分割后的超像素个数为c，将预处理后的待分割图像均匀划分成c个子区域，每个子区域的宽度是S，在每个子区域中选择一个像素作为该区域的超像素中心，这些超像素中心构成超像素中心集合；
2b)将超像素中心集合中所有超像素中心的特征值和位置坐标编码为一个个体；
2c)设置循环次数P，重复2a)和2b)，共P次之后生成P个超像素中心集合，将其编码成P个个体，这些个体共同构成初始种群；
(3)对于每一个个体包含的所有超像素中心，只计算极化SAR图像中每个像素对该像素2S×2S邻域内的所有超像素中心的模糊隶属度μi，并将像素归属于最大模糊隶属度对应的超像素中心；
(4)分别计算每个个体的类内距离函数值D1和类间距离函数值D2；
(5)保存最优边界个体pb：
5a)对于每一个个体，计算图像中第i个像素的梯度值ΔI(i)，并根据该值计算个体的边界函数值f：
Figure BDA0003001998410000031
其中，N表示极化SAR图像像素总数，B(i)为边界判断值，如果第i个像素和3×3邻域内至少3个像素不属于同一个超像素中心，则B(i)为1，否则B(i)为0；
5b)计算所有个体的边界函数值f，并将具有最大边界函数值f的个体设为最优边界个体pb；
(6)交叉变异：
6a)对种群中每一个个体pi使用如下方式进行交叉，
Figure BDA0003001998410000032
其中，vi表示生成的第i个交叉个体，pi表示种群中第i个个体，pr1表示种群中第r1个个体，pr2表示种群中第r2个个体，且i≠r1≠r2，randi表示0到1之间的随机数，F表示缩放参数，CR表示交叉阈值；
6b)对交叉个体和原个体使用差分进化方法中的变异方式生成子代个体ui；
(7)子代个体全部生成完毕之后，得到一个由父代个体和子代个体组成的联合种群，使用NSGA-II方法中快速非支配排序和拥挤距离对该联合种群进行排序，取出排在前P位的个体，存活至下一代。
(8)设置迭代次数G，重复(3)-(7)，共G次之后结束运行，得到由所有Pareto解组成的Pareto前沿，选择Pareto前沿中拐点处的Pareto解作为最终解，完成图像超像素分割。
本发明与现有的技术相比具有以下优点：
1、本发明采用了基于多目标进化的方法，同时优化两个表示分割有效性指标的目标函数，实现类内距离最小化和类间距离最大化之间的平衡，可以取得比单目标分割更好的分割结果
2、本发明运用了模糊聚类算法的思想，使用模糊隶属度计算的目标函数能更好的优化分割性能，并根据模糊隶属度判断像素归属，提高了分割效果。
3、本发明由于设计了一种边界函数，增强分割结果的边界和自然边界的拟合性，进一步提高分割效果。
4、本发明由于设计了针对性的交叉方式，使进化算法能够更快的找到最佳的一组解，提升了搜索能力。
附图说明
图1是本发明的实现流程图；
图2是发明中种群中个体的编码方式；
图3是本发明仿真使用的第一种极化SAR图像及其类别标签图；
图4是本发明和现有方法对图3中极化SAR图像的超像素分割结果图；
图5是本发明和现有方法对图3中极化SAR图像的分类图；
图6是本发明仿真使用的第二种极化SAR图像及其类别标签图；
图7是本发明和现有方法对图6中的极化SAR图像的超像素分割结果图；
图8是本发明和现有方法对图6中极化SAR图像的分类图。
具体实施方式
以下结合附图对本发明的实施例和效果作进一步详细描述。
参照图1，本发明的实现步骤如下：
步骤1，输入待分割图像。
输入一幅极化SAR图像，建立极化SAR图像像素集{I1,I2,...In,...IN}，图像集对应的类别为{Y1,Y2,...,Yn,...,YN}，其中In表示像素集中第n个像素，Yn表示像素集中第n个像素对应的类别，n∈[1,N]，N表示极化图像中像素总数；该像素集中每个像素的特征是一个9维的T矩阵特征[T11,T12,T13,T21,T22,T23,T31,T32,T33]。
步骤2，预处理
(2.1)对建立的极化SAR图像像素集使用Lee滤波器滤波，得到滤波后的像素集；
(2.2)对滤波后像素集中所有像素的每个特征按照如下公式进行归一化处理：
Figure BDA0003001998410000041
其中，Im,n为极化SAR图像中第n个像素的第m个特征的值，I'm,n为极化SAR图像中第n个像素的第m个特征归一化处理后的值，m∈[1,9]，n∈[1,N]，Vm,max和Vm,min分别为图像中所有像素第m个特征的最大值和最小值。
步骤3，构建初始种群。
(3.1)构建P个超像素中心集合；
将极化SAR图像均匀分成K个子区域，每个子区域的宽度为S；
(3.1.1)找出每个子区域的物理中心处的像素，并将该像素3×3邻域内梯度值最小的像素作为该区域的超像素中心，用这些超像素中心构成第一个超像素中心集合；
(3.1.2)选择每个子区域内梯度最小的像素作为该区域的超像素中心，用这些超像素中心构成第二个超像素中心集合；
(3.1.3)从每个子区域随机选择一个像素作为该区域的超像素中心，用这些超像素中心构成第三个超像素中心集合；
(3.1.4)采用(3.1.3)中的方法构建剩下的(P-3)个超像素中心集合；
(3.2)将每一个超像素中心的位置坐标和特征向量依次排列编码成一个基因，将所有超像素中心编码的基因依次排列，构成一个个体，如图2所示，其中，基因片段i代表了第i个超像素中心，基因片段i中的x和y分别表示第i个超像素中心在极化SAR图像上的坐标，T11-T33表示第i个超像素中心的特征向量；
(3.3)将(3.1)中的P个超像素中心集合使用(3.2)的方法编码成P个个体，这P个个体共同构成初始种群。
步骤4，对于种群中每一个个体包含的所有超像素中心，计算极化SAR图像中每个像素对该像素2S×2S邻域内的所有超像素中心的模糊隶属度μi。
(4.1)计算第i个像素对第j个超像素中心的模糊隶属度μij：
Figure BDA0003001998410000051
其中，D(i,j)表示第i个像素到第j个超像素中心的距离，D(i,k)表示第i个像素到第k个超像素中心的距离，Ni表示处于第i个像素的2S×2S邻域内的所有超像素中心，m表示模糊隶属度的权重指数；
(4.2)计算第i个像素对所有超像素中心的模糊隶属度
μi＝[μi1,μi2,...,μij,...,μic]T，
其中T表示转置，c表示极化SAR图像中的超像素中心数量；
步骤5，计算每个个体的类内距离函数值D1和类间距离函数值D2：
(5.1)计算像素和超像素中心的Wishart距离dw(i,j)：
Figure BDA0003001998410000061
其中，Ti表示第i个像素的T矩阵特征，Tj表示第j个超像素中心的特征向量，Tr(Tj - 1Ti)表示矩阵Tj -1Ti的迹，|·|表示矩阵的行列式；
(5.2)计算超像素中心之间的Wishart距离dw(p,q)：
Figure BDA0003001998410000062
其中，Tp表示第p个超像素中心的特征向量，Tq表示第q个超像素中心的特征向量；
(5.3)计算像素和超像素中心的欧式距离dxy(i,j)：
Figure BDA0003001998410000063
其中，xi和yi表示第i个像素在极化SAR图像的坐标，xj和yj表示第j个超像素中心在极化SAR图像的坐标；
(5.4)计算超像素中心之间的欧式距离dxy(p,q)：
Figure BDA0003001998410000064
其中，xp和yp表示第p个超像素中心在极化SAR图像的坐标，xq和yq表示第q个超像素中心在极化SAR图像的坐标；
(5.5)根据像素和超像素中心的Wishart距离dw(i,j)和欧式距离dxy(i,j)，计算像素与超像素中心的距离D(i,j)：
Figure BDA0003001998410000065
其中，mpol是一个紧凑参数，当mpol较大时，欧式距离权重更大，当mpol较小时，Wishart距离权重更大；
(5.6)根据超像素中心之间的Wishart距离dw(p,q)和欧式距离dxy(p,q)，计算超像素中心之间的距离D(p,q)：
Figure BDA0003001998410000071
(5.7)根据像素对像素中心的模糊隶属度μij以及像素和超像素中心的距离D(i,j)，计算类内距离函数值D1：
Figure BDA0003001998410000072
(5.8)根据超像素中心之间的距离D(p,q)，计算类间距离函数值D2：
Figure BDA0003001998410000073
其中，p和q都是超像素中心，且p≠q。
步骤6，保存最优边界个体pb
(6.1)计算第i个像素的梯度值ΔI(i)：
(6.1.1)计算第i个像素的第h个通道特征的垂直梯度
Figure BDA0003001998410000074
和水平梯度
Figure BDA0003001998410000075
Figure BDA0003001998410000076
Figure BDA0003001998410000077
其中，(ri,ci)表示第i个像素在极化SAR图像的坐标，Thh表示第i个像素的第h个通道特征，h＝(1,2,3)；
(6.1.2)根据
Figure BDA0003001998410000078
和
Figure BDA0003001998410000079
的值计算第i个像素的垂直梯度gV(i)和水平梯度gH(i)：
Figure BDA00030019984100000710
Figure BDA00030019984100000711
其中，T表示转置，
Figure BDA00030019984100000712
和
Figure BDA00030019984100000713
分别表示第i个像素的第1,2,3个通道特征的垂直梯度，
Figure BDA00030019984100000714
和
Figure BDA00030019984100000715
分别表示第i个像素的第1,2,3个通道特征的水平梯度；
(6.1.3)根据gV(i)和gH(i)的值，计算第i个像素的垂直梯度向量与水平梯度向量所成的夹角θ：
Figure BDA0003001998410000081
(6.1.4)根据gV(i)、gH(i)和θ的值，计算图像中第i个像素的梯度值ΔI(i)：
Figure BDA0003001998410000082
(6.2)对于每一个个体，确定极化SAR图像中第i个像素的边界判断值B(i)：
Figure BDA0003001998410000083
其中，H表示真实指示函数，当其指示的函数为真时，输出的结果为1，否则为0；L(i)表示第i个像素所属的超像素中心，L(n)(i)表示第i个像素的3×3邻域内第n个像素所属的超像素中心，N表示像素总数；
如果第i个像素和3×3邻域内至少3个像素属于同一个超像素中心，则B(i)的值为1，并认为该像素位于边界处，否则，B(i)的值为0，认为该像素不是位于边界处；
(6.3)对于每一个个体，根据极化SAR图像中第i个像素的梯度值ΔI(i)和边界判
断值B(i)，计算该个体的边界函数值f：
Figure BDA0003001998410000084
f越大，表示超像素分割结果的边界更加拟合真实边界；反之，则表示超像素分割结果的边界无法很好拟合真实边界，
(6.4)从所有个体中选出边界函数值f最大的个体作为最优边界个体pb。
步骤7，种群中每一个个体通过交叉变异生成一个子代个体ui。
(7.1)对种群中每一个个体使用如下方式进行交叉生成的第i个交叉个体vi：
Figure BDA0003001998410000091
其中，pi表示种群中第i个父代个体，pr1表示种群中第r1个父代个体，pr2表示种群中第r2个父代个体，且i≠r1≠r2，pb表示最优边界个体，randi表示0到1之间的随机数，F表示交叉系数，CR表示交叉阈值；
(7.2)由交叉个体vi和父代个体pi经过变异生成子代个体ui：
(7.2.1)根据vi中第j个维度的值vij和pi中第j个维度的值pij，通过变异方式生成子代个体ui中第j个维度的值uij：
Figure BDA0003001998410000092
其中，randij表示0到1之间的随机数，jmd是一个随机的维度，用于保证得到的子代个体至少有一个基因位和父代个体不同；
(7.2.2)根据父代个体的维数d，生成第i个子代个体：ui＝[ui1,ui2,...,uij,...,uid]；
(7.3)P个子代个体全部生成完毕之后，得到一个由种群中所有个体和新生成的所有子代个体组成的联合种群，使用NSGA-II方法中快速非支配排序和拥挤距离对该联合种群进行排序，取出排在前P位的个体，组成新的种群，存活至下一代。
步骤8，选择最终个体，获得超像素分割结果。
(8.1)选择最终个体：
设置迭代次数G＝50，重复步骤4到步骤7共G次之后结束运行，得到P个由类内距离函数值D1和类间距离函数值D2组成的Pareto解，这些Pareto解共同构成Pareto前沿，在Pareto前沿选择拐点处的Pareto解，将该Pareto解对应的个体作为最终个体；
(8.2)获得超像素分割结果：
根据最终个体得到极化SAR图像中所有的超像素中心，计算极化SAR图像中每个像素对这些超像素中心的隶属度，将每个像素归属于隶属度最大的超像素中心，即获得超像素分割结果。
本发明的效果可通过以下仿真进一步说明：
1.仿真条件
本实例在Intel core i7-9750H处理器，32G RAM，Windows系统下，使用Matlab软件完成本发明以及现有极化SAR图像分类仿真。
仿真所用图像如图3和图6，其中：
图3(a)是仿真实验所使用的第一种极化SAR图像，该图为极化SAR获取的西安渭河图，图像大小为210×330，总像素点个数为69300个，共有3种类别，分别为Grass、City和Water。
图3(b)是仿真实验中用于计算第一种极化SAR图像分类精确度的类别标签图。
图6(a)是仿真实验所使用的第二种极化SAR图像，该图为极化SAR获取的农田图像，图像大小为210×330，总像素点个数为69300个，共有9种类别，分别为Wheat、Baresoil、Grasses、Wheat2、Beet、Rapeseed、Potatoes、Stembeans和Lucerne。
图6(b)是仿真实验中用于计算第二种极化SAR图像分类精确度的类别标签图。
仿真参数设置：超像素数量c为500个，种群个数P为20，交叉系数F为0.5，交叉阈值CR为0.7，对于第一种极化SAR图像，紧凑参数mpol设置为5；对于第二种极化SAR图像，紧凑参数mpol设置为1。
2.仿真内容
仿真1，分别用本发明和现有代表性的两种图像超像素分割方法对第一种极化SAR图像生成超像素分割图，如图4所示，其中，图4(a)是本发明的超像素分割图，图4(b)是现有SEEDS的超像素分割图，图4(c)是现有SLIC的超像素分割图。
选用了两种衡量超像素分割性能的指标，分别为欠分割误差UE和边界召回率BR，其中UE的值越小，BR值越大，表示分割效果越好。计算本发明和现有两种图像超像素分割方法的分割性能指标，结果如表1所示，UE和BR是10次独立运行之后取的均值。SEEDS算法和SLIC算法对一幅图只能得到一个分割，故计算出的指标也是单一的值。
表1本发明与对比算法的分割性能指标
UE BR
本发明 49.14 92.99
SEEDS 78.61 71.45
SLIC 79.65 91.14
从表1可以看出，本发明的UE值比SEEDS和SLIC的UE值都要低，并且BR值比SEEDS和SLIC的BR值都要高，所以本发明的分割结果优于SEEDS和SLIC。
仿真2，根据每种方法得到超像素分割图对极化SAR图像进行分类，得到每种方法的分类图，如图5所示。其中，图5(a)是本发明的分类图，图5(b)是现有SEEDS的分类图，图5(c)是现有SLIC的分类图。从图5可以看出，本发明的分类结果最好。
根据第一种极化SAR图像的分割结果和类别标签图，计算出本发明和现有两种图像超像素分割方法的分类准确度，将本算法独立运行10次，计算平均准确率，结果如表2所示。
表2本发明与对比算法的分类准确率
测试样本准确度
本发明 91.17
SEEDS 84.58
SLIC 88.63
从表2可以看出，用本发明对第一种极化SAR图像进行分类，其准确率要比现有的图像超像素分割方法准确率高。
仿真3，分别用本发明和现有代表性的两种图像超像素分割方法对第一种极化SAR图像生成超像素分割图，如图7所示，其中，图7(a)是本发明的超像素分割图，图7(b)是现有SEEDS的超像素分割图，图7(c)是现有SLIC的超像素分割图。从图7可以看出，本发明的分割效果更好，生成的超像素边界也更拟合图像的真实边界。
选用了两种衡量超像素分割性能的指标，分别为欠分割误差UE和边界召回率BR，计算本发明和现有两种图像超像素分割方法的分割性能指标，结果如表3所示，其中，UE和BR都是10次独立运行之后取的均值。
表3本发明与对比算法的分割性能指标
UE BR
本发明 39.08 88.59
SEEDS 57.81 74.04
SLIC 51.49 87.19
从表3可以看出，本发明的UE值比SLIC和SEEDS的UE值都要低，而且BR值比SLIC和SEEDS的BR值也都要高，所以本发明的分割效果优于SLIC和SEEDS。
仿真4，根据每种方法得到超像素分割图对极化SAR图像进行分类，得到每种方法的分类图，如图8所示。其中，图8(a)是本发明的分类图，图8(b)是现有SEEDS的分类图，图8(c)是现有SLIC的分类图。从图8可以看出，本发明的分类结果最好。
根据第二种极化SAR图像的分割结果和类别标签图，计算出本发明和现有两种图像超像素分割方法的分类准确度，将本算法独立运行10次，计算平均准确率，结果如表4所示。
表4本发明与对比算法的分类准确率
测试样本准确率
本发明 94.08
SEEDS 87.57
SLIC 87.59
从表4可以看出，用本发明对第二种极化SAR图像进行分类，其准确率要比现有的图像超像素分割方法准确率高
综上所述，本发明针对极化SAR图像的超像素分割优于其他图像超像素分割方法。

Claims (9)

1.一种基于多目标进化的极化SAR图像超像素分割方法，其特征在于，包括如下：
(1)输入待分割的极化SAR图像，并对其依次进行Lee滤波和特征归一化的预处理，以降低噪声干扰并提高收敛速度，获得预处理后的待分割图像；
(2)构建初始种群：
2a)设置k个超像素数，将预处理后的待分割图像均匀划分成k个子区域，每个子区域的宽度是S，在每个子区域中选择一个像素作为该区域的超像素中心，这些超像素中心构成超像素中心集合；
2b)将超像素中心集合中所有超像素中心的特征值和位置坐标编码为一个个体；
2c)设置循环次数P，重复2a)和2b)，共P次之后生成P个超像素中心集合，将其编码成P个个体，这些个体共同构成初始种群；
(3)对于每一个个体包含的所有超像素中心，只计算极化SAR图像中每个像素对该像素2S×2S邻域内的所有超像素中心的模糊隶属度μi，并将像素归属于最大模糊隶属度对应的超像素中心；
(4)分别计算每个个体的类内距离函数值D1和类间距离函数值D2；
(5)保存最优边界个体pb：
5a)对于每一个个体，计算图像中第i个像素的梯度值ΔI(i)，并根据该值计算个体的边界函数值f：
Figure FDA0003001998400000011
其中，N表示极化SAR图像像素总数，B(i)为边界判断值，如果第i个像素和3×3邻域内至少3个像素不属于同一个超像素中心，则B(i)为1，否则B(i)为0；
5b)计算所有个体的边界函数值f，并将具有最大边界函数值f的个体设为最优边界个体pb；
(6)交叉变异：
6a)对种群中每一个个体pi使用如下方式进行交叉，
Figure FDA0003001998400000021
其中，vi表示生成的第i个交叉个体，pi表示种群中第i个个体，pr1表示种群中第r1个个体，pr2表示种群中第r2个个体，且i≠r1≠r2，pb表示最优边界个体，randi表示0到1之间的随机数，F表示缩放参数，CR表示交叉阈值；
6b)对交叉个体和原个体使用差分进化方法中的变异方式生成子代个体ui；
(7)子代个体全部生成完毕之后，得到一个由父代个体和子代个体组成的联合种群，使用NSGA-II方法中快速非支配排序和拥挤距离对该联合种群进行排序，取出排在前P位的个体，存活至下一代；
(8)设置迭代次数G，重复(3)-(7)，共G次之后结束运行，得到由所有Pareto解组成的Pareto前沿，选择Pareto前沿中拐点处的Pareto解作为最终解，完成图像超像素分割。
2.根据权利要求1所述的方法，其特征在于,(2b)中将超像素中心集合中所有超像素中心的特征值和位置坐标编码为一个个体，是将每一个超像素中心的位置坐标和特征依次排列编码成一个基因，将所有超像素中心编码的基因依次排列，构成一个个体。
3.根据权利要求1所述的方法，其特征在于,(3)中计算每个像素对该像素2S×2S邻域内的超像素中心的模糊隶属度μi，实现如下：
3a)计算第i个像素对第j个超像素中心的模糊隶属度μij，如下：
Figure FDA0003001998400000022
其中，D(i,j)表示第i个像素到第j个超像素中心的距离，D(i,k)表示第i个像素到第k个超像素中心的距离，Ni表示处于第i个像素的2S×2S邻域内的所有超像素中心，S表示图像均匀分割时的网格宽度，m为权重指数；
3b)计算第i个像素对所有超像素中心的模糊隶属度：μi＝[μi1,μi2,...,μij,...,μic]T，
其中，T表示转置，c表示超像素中心的数量。
4.根据权利要求1所述的方法，其特征在于,(4)中分别计算每个个体的类内距离函数值D1和类间距离函数值D2，公式如下：
Figure FDA0003001998400000031
Figure FDA0003001998400000032
其中，D(i,j)表示第i个像素和第j个超像素中心的距离，D(p,q)表示第p个超像素中心和第q个超像素中心的距离，且p≠q，μij表示图像中第i个像素对第j个超像素中心的模糊隶属度，m表示模糊隶属度的权重指数，N表示极化SAR图像像素数量。
5.根据权利要求3或4所述的方法，其特征在于,第i个像素与第j个超像素中心的距离D(i,j)，计算如下：
Figure FDA0003001998400000033
其中，mpol表示紧凑参数，S表示图像均匀分割时的网格宽度，dxy(i,j)表示第i个像素和第j个超像素中心的欧式距离：
Figure FDA0003001998400000034
dw(i,j)表示图像中第i个像素和第j个超像素中心的Wishart距离：
Figure FDA0003001998400000035
其中，xi和yi表示像素i在极化SAR图像的坐标，xj和yj表示超像素中心j在极化SAR图像的坐标，Tj表示第j个超像素中心的特征向量，Ti表示第i个像素的特征向量，Tr(Tj -1Ti)表示矩阵Tj -1Ti的迹，|·|表示矩阵的行列式。
6.根据权利要求3或4所述的方法，其特征在于,第p个超像素中心与第q个超像素中心的距离D(p,q)，计算如下：
Figure FDA0003001998400000036
其中，dxy(p,q)表示第p个超像素中心和第q个超像素中心的欧式距离：
Figure FDA0003001998400000041
dw(p,q)表示图像中第p个超像素中心和第q个超像素中心的Wishart距离：
Figure FDA0003001998400000042
其中，xp和yp表示第p个超像素中心在极化SAR图像的坐标，xq和yq表示第q个超像素中心在极化SAR图像的坐标，Tp表示第p个超像素中心的特征向量，Tq表示第q个超像素中心的特征向量。
7.根据权利要求1所述的方法，其特征在于，(5a)对于每一个个体，计算图像中第i个像素的梯度值ΔI(i)，实现如下：
(5a1)计算第i个像素的第h个通道特征的垂直梯度
Figure FDA0003001998400000043
和水平梯度
Figure FDA0003001998400000044
Figure FDA0003001998400000045
Figure FDA0003001998400000046
其中，(ri,ci)表示第i个像素在极化SAR图像的坐标，Thh表示第i个像素的第h个通道特征，h＝(1,2,3)；
(5a2)根据
Figure FDA0003001998400000047
和
Figure FDA0003001998400000048
的值计算第i个像素的垂直梯度gV(i)和水平梯度gH(i)：
Figure FDA0003001998400000049
Figure FDA00030019984000000410
其中，T表示转置，
Figure FDA00030019984000000411
和
Figure FDA00030019984000000412
分别表示第i个像素的第1,2,3个通道特征的垂直梯度，
Figure FDA00030019984000000413
和
Figure FDA00030019984000000414
分别表示第i个像素的第1,2,3个通道特征的水平梯度；
(5a3)根据gV(i)和gH(i)的值，计算第i个像素的垂直梯度向量与水平梯度向量所成的夹角θ：
Figure FDA0003001998400000051
(5a4)根据gV(i)、gH(i)和θ的值，计算图像中第i个像素的梯度值ΔI(i)：
Figure FDA0003001998400000052
8.根据权利要求1所述的方法，其特征在于，(5a)中的边界判断值B(i)的确定，是先找出第i个像素的3×3邻域内的所有像素，再判断这些邻域像素是否和第i个像素属于同一个超像素中心：
如果这些邻域像素中至少有三个邻域像素和第i个像素不属于同一个超像素中心，则B(i)的值设为1；
否则，B(i)的值设为0。
9.根据权利要求1所述的方法，其特征在于，(6b)中对交叉个体和原个体使用差分进化方法中的变异方式生成子代个体ui，实现如下：
6b1)计算ui中第j维的值uij，如下：
Figure FDA0003001998400000053
其中，uij表示第i个子代个体的第j维的值，pij表示第i个父代个体的第j维的值，randij表示0到1之间的随机数，jmd表示一个随机维度；
6b2)根据父代个体的维数d，生成第i个子代个体：ui＝[ui1,ui2,...,uij,...,uid]。
CN202110355088.9A 2021-03-31 2021-03-31 基于多目标进化的极化sar图像超像素分割方法 Active CN113034521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110355088.9A CN113034521B (zh) 2021-03-31 2021-03-31 基于多目标进化的极化sar图像超像素分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110355088.9A CN113034521B (zh) 2021-03-31 2021-03-31 基于多目标进化的极化sar图像超像素分割方法

Publications (2)

Publication Number Publication Date
CN113034521A true CN113034521A (zh) 2021-06-25
CN113034521B CN113034521B (zh) 2023-01-24

Family

ID=76453740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110355088.9A Active CN113034521B (zh) 2021-03-31 2021-03-31 基于多目标进化的极化sar图像超像素分割方法

Country Status (1)

Country Link
CN (1) CN113034521B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781501A (zh) * 2021-09-14 2021-12-10 西安电子科技大学 一种自适应极化sar图像超像素分割方法及系统
CN114154222A (zh) * 2021-12-06 2022-03-08 民航机场成都电子工程设计有限责任公司 一种用于bim翻模的图像分割方法、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800093A (zh) * 2012-07-12 2012-11-28 西安电子科技大学 基于分解的多目标遥感图像分割方法
CN103366365A (zh) * 2013-06-18 2013-10-23 西安电子科技大学 基于人工免疫多目标聚类的sar图像变化检测方法
CN103839261A (zh) * 2014-02-18 2014-06-04 西安电子科技大学 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN103985112A (zh) * 2014-03-05 2014-08-13 西安电子科技大学 基于改进多目标粒子群优化聚类的图像分割方法
CN104021560A (zh) * 2014-06-17 2014-09-03 西安电子科技大学 基于多目标进化算法的图像分割方法
US20160281145A1 (en) * 2015-03-24 2016-09-29 Mcmaster University Biosensors comprising concatemeric nucleic acid molecules

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800093A (zh) * 2012-07-12 2012-11-28 西安电子科技大学 基于分解的多目标遥感图像分割方法
CN103366365A (zh) * 2013-06-18 2013-10-23 西安电子科技大学 基于人工免疫多目标聚类的sar图像变化检测方法
CN103839261A (zh) * 2014-02-18 2014-06-04 西安电子科技大学 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN103985112A (zh) * 2014-03-05 2014-08-13 西安电子科技大学 基于改进多目标粒子群优化聚类的图像分割方法
CN104021560A (zh) * 2014-06-17 2014-09-03 西安电子科技大学 基于多目标进化算法的图像分割方法
US20160281145A1 (en) * 2015-03-24 2016-09-29 Mcmaster University Biosensors comprising concatemeric nucleic acid molecules

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BO LIU 等: "Multi-object Splicing Forgery Detection Using Noise Level Difference", 《2017 IEEE CONFERENCE ON DEPENDABLE AND SECURE COMPUTING》 *
武尧 等: "基于机器视觉的多目标sar图像阈值分割仿真", 《计算机仿真》 *
赵凤 等: "区域信息驱动的多目标进化半监督模糊聚类图像分割算法", 《电子与信息学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781501A (zh) * 2021-09-14 2021-12-10 西安电子科技大学 一种自适应极化sar图像超像素分割方法及系统
CN114154222A (zh) * 2021-12-06 2022-03-08 民航机场成都电子工程设计有限责任公司 一种用于bim翻模的图像分割方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN113034521B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN100461204C (zh) 一种基于二维偏最小二乘法的面部表情识别方法
CN111639719B (zh) 基于时空运动和特征融合的足迹图像检索方法
CN111709901B (zh) 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法
CN113034521B (zh) 基于多目标进化的极化sar图像超像素分割方法
CN106778821A (zh) 基于slic和改进的cnn的极化sar图像分类方法
CN110827260B (zh) 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN104636721B (zh) 一种基于轮廓与边缘纹理特征融合的掌纹识别方法
CN105260738A (zh) 基于主动学习的高分辨率遥感影像变化检测方法及系统
CN108062543A (zh) 一种面部识别方法及装置
CN110276402A (zh) 一种基于深度学习语义边界增强的盐体识别方法
CN107292336A (zh) 一种基于dcgan的极化sar图像分类方法
CN101866490B (zh) 基于差分免疫克隆聚类的图像分割方法
CN101447020A (zh) 基于直觉模糊的色情图像识别方法
CN112052754A (zh) 基于自监督表征学习的极化sar影像地物分类方法
CN106600595A (zh) 一种基于人工智能算法的人体特征尺寸自动测量方法
CN102945553B (zh) 基于自动差分聚类算法的遥感图像分割方法
CN106874862B (zh) 基于子模技术和半监督学习的人群计数方法
CN107358203A (zh) 一种基于深度卷积阶梯网络的高分辨sar图像分类方法
CN105095836A (zh) 一种基于Gabor特征的皮肤纹理检测方法及装置
CN106157330A (zh) 一种基于目标联合外观模型的视觉跟踪方法
CN108230330A (zh) 一种快速的高速公路路面分割和摄像机定位的方法
CN114897694A (zh) 基于混合注意力和双层监督的图像超分辨率重建方法
CN117253550A (zh) 一种空间转录组数据聚类方法
Liu et al. Multiobjective multiple features fusion: A case study in image segmentation
CN114565594A (zh) 基于软掩膜对比损失的图像异常检测方法

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