CN113781501A - 一种自适应极化sar图像超像素分割方法及系统 - Google Patents
一种自适应极化sar图像超像素分割方法及系统 Download PDFInfo
- Publication number
- CN113781501A CN113781501A CN202111076730.6A CN202111076730A CN113781501A CN 113781501 A CN113781501 A CN 113781501A CN 202111076730 A CN202111076730 A CN 202111076730A CN 113781501 A CN113781501 A CN 113781501A
- Authority
- CN
- China
- Prior art keywords
- pixel
- center
- super
- individual
- superpixel
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000003044 adaptive effect Effects 0.000 title claims description 11
- 230000010287 polarization Effects 0.000 title description 7
- 230000004913 activation Effects 0.000 claims abstract description 37
- 238000000926 separation method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 49
- 230000006870 function Effects 0.000 abstract description 47
- 230000000694 effects Effects 0.000 abstract description 22
- 238000005457 optimization Methods 0.000 abstract description 14
- 230000035772 mutation Effects 0.000 abstract description 8
- 238000003709 image segmentation Methods 0.000 abstract description 7
- 238000012795 verification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- YOBAEOGBNPPUQV-UHFFFAOYSA-N iron;trihydrate Chemical compound O.O.O.[Fe].[Fe] YOBAEOGBNPPUQV-UHFFFAOYSA-N 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000000506 liquid--solid chromatography Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000016068 Berberis vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000010624 Medicago sativa Nutrition 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000009466 transformation 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
- G06T7/11—Region-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
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种自适应极化SAR图像超像素分割方法及系统,将极化SAR图像分割问题看作是一个多目标优化问题,并将模糊聚类能量函数和模糊聚类性能函数作为该优化问题中需要最小化的两个目标函数;利用多目标进化算法求解,为了自适应确定超像素数目,设计了一种特殊的个体编码方式,其中每个超像素中心都受到对应的活化指数的控制。在优化策略上,针对活化指数设计了一种特殊的变异算子,加快本算法的寻优速度。在两个数据集上进行了超像素分类效果的验证,在图像超像素分割上的分割指标均优于现有的两种方法,本发明在图像分类上的分类指标均优于现有的两种方法。本发明针对不同数据集拥有普适性且效果优于现存的方法。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种自适应极化SAR图像超像素分割方法及系统。
背景技术
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar)如今已成为国际遥感界对地观测成像最前沿的技术之一,同时极化SAR(PolSAR)图像分割处理已成为遥感技术应用的重要组成部分。极化SAR对目标进行的是全极化测量,比单极化SAR更能获得目标丰富的信息。正是由于极化SAR的优势,它对地观察和遥感中越来越受到不同国家和机构的重视,促进了极化SAR图像技术的研究和发展。由于极化SAR能够全天时、不间断、不受外界环境影响对地物进行监测,从而获得重要的信息,所以在军事目标识别、跟踪监测和民用地物分类方面发挥着越来越重要的作用,现已成为遥感领域不可或缺的和有效的测绘工具。
由于SAR采用的是想干成像机制,所以在生成极化SAR图像的同时产生大量相干斑噪声。斑点噪声遍布图中各处,严重影响着图像质量,给目标的识别提取工作造成极大困难。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,因此会产生的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SAR图像分割方法。例如,阈值分割方法、区域生长方法、区域分裂-合并方法以及基础初始分割的区域合并方法。其中,基于超像素的分割方法可分为两类:基于种子的方法和基于图论的方法。前者首先选择一部分种子,然后通过种子生成超像素。因此,这类算法被称为数据驱动型算法,并以自下而上的方式生成超像素。后者是把图像中每个像素点看作图中的节点。连接两个节点(像素)之间的边权重与这两个节点(像素)之间的相似性成比例。最小化图中定义的能量函数后可以获得所需的超像素分割结果。
基于种子的超像素分割算法根据其具体的聚类方式又可以分为:
1)线性聚类,如SLIC和LSC,这类算法的共同思想是只将像素分配给距其一定距离范围内的种子,该过程是线性复杂度。然而与SLIC不同的是,LSC通过使用核函数实现归一化切割,提升超像素分割能力。
2)模式漂移,如MS和QS,这类算法是基于模式搜索的算法,不断迫使种子向密度最大的区域移动。这两个算法不足之处在于时间成本很高,并且不能控制超像素的个数。
3)形态学方法,如TP,它使用几何流的方法构造出一组规则分布的种子。TP算法生成的超像素具有良好的均匀性和紧凑性,但边缘拟合性较差。
4)分水岭变换。基于图论的超像素又可以细分为:
1)归一化切割,如Ncut算法是这类算法中最经典的一种,它通过归一化拉普拉斯图矩阵的特征向量来最小化全局分割误差,实现图像分割。但该算法运行效率低。
2)层次模型,如GS算法,该算法需要进行凝聚聚类并构建最小生成树。该算法生成的超像素有很好的边缘拟合性,但是形状和尺寸都不规则。
3)分割路径查找,如SEEDS算法,该算法通过能量函数的指引在图像上找到最优路径,实现超像素分割。该算法具有很高的计算效率,但是该算法对超像素数目有严格的限制,并且生成的超像素的形状也很不规则。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
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种自适应极化SAR图像超像素分割方法及系统,很好控制超像素的数目,加快算法的寻优速度,提高极化SAR图像的分割效果,可应用于极化SAR图像数据的分类。
本发明采用以下技术方案:
一种自适应极化SAR图像超像素分割方法,包括以下步骤:
S1、输入待分割的极化SAR图像,对极化SAR图像进行预处理,得到待分割图像;
S2、将步骤S1得到的一半待分割图像的个体均匀划分成cmax个区域,找出每个区域物理中心处的像素;然后计算中心处像素的3×3邻域内所有像素的梯度值,将梯度值最小的像素作为区域的超像素中心;再将另一半个体从整幅图中随机选择cmax个像素作为超像素中心,将两部分个体加起来构成种群数量为P的种群;
S3、对步骤S2构建的种群P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邻域内所有超像素中心的模糊隶属度μi;
S4、计算步骤S2构建的种群P中每个个体的类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z);
S5、对步骤S2构建的种群P中的每一个个体,通过差分进化交叉变异生成一个子代个体ui;
S6、设置迭代次数G,重复步骤S3~步骤S5共G次后结束运行,得到P个由类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z)组成的Pareto解,将Pareto解对应的个体作为最终个体,获得超像素分割结果。
具体的,步骤S1中,对极化SAR图像进行预处理具体为:
对极化SAR图像像素集使用Lee滤波器滤波,得到滤波后的像素集;对滤波后像素集中所有像素的每个特征进行归一化处理。
具体的,步骤S2中,每个个体都加入有活化指数,活化指数为0~1之间的随机数。
具体的,步骤S3中,每i个像素对所有超像素中心的模糊隶属度μi为:
μi=[μi1,μi2,...,μij,...,μic]T
其中,T表示转置,c表示超像素中心的个数,μij为第i个像素Ii对第j个超像素中心zj的模糊隶属度。
进一步的,第i个像素Ii对第j个超像素中心zj的模糊隶属度μij为:
其中,D(Ii,zj)表示第i个像素Ii对第j个超像素中心的距离,D(Ii,zk)表示第i个像素Ii对第k个超像素中心的距离,zj和zk分别表示第j个和第k个超像素中心,Ni表示像素Ii的2S×2S邻域范围,S表示将极化SAR图像均匀划分成cmax个区域时每个区域的初始网格宽度。m是模糊隶属度的权重指数。
具体的,步骤S4具体为:
S401、计算像素和超像素中心的Wishart距离dw(Ii,zj);
S402、计算超像素中心之间的Wishart距离dw(zp,zq);
S403、计算像素和超像素中心的空间欧式距离dxy(Ii,zj);
S404、计算超像素中心之间的空间欧式距离dxy(zp,zq);
S405、根据像素和超像素中心的Wishart距离dw(Ii,zj)和空间欧式距离dxy(Ii,zj),计算像素与超像素中心的距离D(Ii,zj);
S406、根据超像素中心之间的Wishart距离dw(zp,zq)和空间欧式距离dxy(zp,zq)计算超像素中心之间的距离D(zp,zq);
S407、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(Ii,zj),计算类内紧凑度模糊聚类能量函数值Jm(z);
S408、根据像素对像素中心的模糊隶属度μij,像素和超像素中心的距离D(Ii,zj)以及超像素中心之间的距离D(zp,zq),计算模糊聚类指标类内紧凑度、类间分离度函数值XB(z)。
进一步的,步骤S408中,模糊聚类指标类内紧凑度、类间分离度函数值XB(z)为:
其中,p和q都是超像素中心,且p≠q,N为极化SAR图像中像素总数,c为超像素中心的数量,μij m为像素Ii对聚类中心zj的模糊隶属度,m表示模糊隶属度的权重指数。
具体的,步骤S5具体为:
S501、对种群中每一个个体使用如下方式进行交叉生成第i个交叉个体vi;
S502、由交叉个体vi和父代个体pi经过变异生成子代个体ui;
S503、P个子代个体全部生成完毕后,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方法中的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。
进一步的,步骤S502具体为:
S5022、观察每一个活化指数对应的超像素中心是否发生变异,如果发生变异,则将该活化指数进行变异;
S5023、根据父代个体的维数d,生成第i个子代个体:ui=[ui1,ui2,...,uij,...,uid]。
本发明的另一技术方案是,一种自适应极化SAR图像超像素分割系统,包括:
预处理模块,输入待分割的极化SAR图像,对极化SAR图像进行预处理,得到待分割图像;
初始模块,将预处理模块得到的一半待分割图像的个体均匀划分成cmax个区域,找出每个区域物理中心处的像素;然后计算中心处像素的3×3邻域内所有像素的梯度值,将梯度值最小的像素作为区域的超像素中心;再将另一半个体从整幅图中随机选择cmax个像素作为超像素中心,将两部分个体加起来构成种群数量为P的种群;
第一计算模块,对初始模块构建的种群P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邻域内所有超像素中心的模糊隶属度μi;
第二计算模块,计算初始模块构建的种群P中每个个体的类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z);
第三计算模块,对初始模块构建的种群P中的每一个个体,通过差分进化交叉变异生成一个子代个体ui;
分割模块,设置迭代次数G,重复第一计算模块、第二计算模块和第三计算模块共G次后结束运行,得到P个由类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z)组成的Pareto解,将Pareto解对应的个体作为最终个体,获得超像素分割结果。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种自适应极化SAR图像超像素分割方法,将自适应极化SAR图像超像素分割看作是一个多目标优化问题,同时对Jm和XB两个表示分割有效性的目标函数进行优化;基于多目标进化模糊聚类的自适应极化SAR图像超像素分割,通过多目标进化算法实现多目标模糊聚类,可以取得比单目标更好的分割效果,使得超像素分割达到一个更好的效果,采用特殊的个体编码方式(基于超像素中心的编码方式),可以自适应地确定超像素数目;使用进化算法求解模糊聚类问题,普通模糊聚类方法(如FCM)的效果受到初始值影响较大,初始值选取不当会降低算法的性能,并且在运行过程中往往会陷入局部最优。本发明采用进化算法求解模糊聚类的问题,使其在求解过程中能够找到全局最优解。
进一步的,由于极化SAR图像的成像机理,极化SAR图像中无可避免地存在着一些相干斑噪声。因此使用Lee滤波算法对极化SAR图像进行预处理。Lee滤波算法通过滑动窗口获得图像局部统计特征进行滤波处理,从而实现相干斑噪声去除的功能。
进一步的,每个个体包括超像素中心和活化指数两个部分,每个超像素中心都受到对应的活化指数的控制;采用该编码方式提高了超像素的分割效果。在本发明的种群初始化策略中,每个个体都加入了活化指数。活化指数对每个个体都可以进行自适应的调整,从而达到了自动确定超像素的数目的目的;只有当个体中某个超像素中心发生变异时,该超像素中心对应的活化指数才会发生变异,否则该活化指数不发生变化。这种特殊的变异算子加快了本发明的寻找最优解的速度,使得本发明能够更快的找到最佳的一组解,提高了本发明的搜索能力;当活化指数小于0.9时,取父代和子代个体之间的中间个体。活化指数取值在0~1之间基于概率统计学中的取值原则,并且活化指数的取值是随机选取的,活化指数取值的随机性能够有效保证种群个体活化指数的多样性。
进一步的,通过优化目标函数计算每个像素对所有超像素中心的隶属度,并根据隶属度确定像素的类属。
进一步的,通过计算第i个像素对第j个超像素中心的隶属度,并根据隶属度确定像素的类属,完成每个像素对每个超像素中心隶属度的计算,从而实现自动对数据进行聚类效果。
进一步的,虽然Jm和XB在公式表达上有相似之处,但据比较复杂或数据的簇分布有相互重叠的情况下,这两个指标可能无法在相同的超像素中心处同时得到优化。对于极化SAR图像而言,其数据属于复杂的Wishart分布,并且数据之间经常有相互重叠的簇,所以无法单独使用其中任意一个指标获得满意的结果。Jm的作用是使得属于同一类像素的类内最小,最大化内类的紧凑度。XB的作用是使得不同类之间的间隔最大,即使类间分离度最大化。因此将本发明将Jm和XB同时作为目标函数。
进一步的,以单个聚类指标作为模糊聚类的目标函数,往往不能达到足够好的分割效果,因此同时设置两个目标函数进行优化,从而达到更好的超像素分割效果。
进一步的,差分进化算法属于进化算法的子领域,是一种简单,高效,稳健性强,全局搜索性能好的随机进化算法。与其他随机进化算法类似,差分进化算法采用了标准进化算法类似的计算方法步骤。但与传统的进化算法不同的是,差分进化算法通过随机选择互异的个体生成比例差分向量,产生新的个体,扰动当前种群,扩大寻优范围。
进一步的,变异受到活化指数的影响,不用单独设计变异策略。当个体中某个超像素中心发生变异时,该超像素中心对应的活化指数才会发生变异,否则该活化指数不发生变化。
综上所述,本发明在两个数据集上进行了超像素分类效果的验证,在图像分割上的分割指标均优于现有的两种方法,在图像分类上的分类指标均优于现有的两种方法。针对不同数据集拥有普适性且效果优于现存的方法。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为发明的实现流程图;
图2为本发明种群中个体的编码方式;
图3为本发明所用的两个数据集图片原图和其类别标签图,其中,(a)为Flevoland数据集中的农田图像,(b)为Flevoland数据集中的农田图像的标签图,(c)为西安渭河数据集中的西安渭河图,(d)为西安渭河数据集中的西安渭河图的标签图;
图4为本发明和现有方法在Flevoland数据集上超像素分割的结果图,其中,(a)为SLIC,(b)为WS,(c)为本发明;
图5为本发明和现有方法重新分配像素类标后在Flevoland数据集上得到的分类的结果图,其中,(a)为SLIC,(b)为WS,(c)为本发明;
图6为本发明和现有方法对西安泾河渭河数据集上超像素分割的结果图,其中,(a)为SLIC,(b)为WS,(c)为本发明;
图7为本发明和现有方法重新分配像素类标后在西安渭河数据集上得到的分类结果图,其中,(a)为SLIC,(b)为WS,(c)为本发明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种自适应极化SAR图像超像素分割方法,将极化SAR图像分割问题看作是一个多目标优化问题,并将模糊聚类能量函数和模糊聚类性能函数作为该优化问题中需要最小化的两个目标函数;利用多目标进化算法求解,为了自适应确定超像素数目,设计了一种特殊的个体编码方式,其中每个超像素中心都受到对应的活化指数的控制。在优化策略上,针对活化指数设计了一种特殊的变异算子,加快本算法的寻优速度。
请参阅图1,本发明一种自适应极化SAR图像超像素分割方法,包括以下步骤:
S1、输入待分割的极化SAR图像,对极化SAR图像进行预处理,得到待分割图像;
待处理的极化SAR图像为I={I1,I2,...Ii,...IN};
其中,Ii表示像素集中第i个像素,i∈[1,N],N表示极化SAR图像中像素总数。
极化SAR图像的像素集中每个像素的特征是一个9维的T矩阵特征为:
[T11,T12,T13,T21,T22,T23,T31,T32,T33]
其中,cmax表示最大超像素数目,z=(z1,z2,...,zc)T表示一组有效的超像素中心。
S101、对极化SAR图像像素集使用Lee滤波器滤波,得到滤波后的像素集;
S102、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;
其中,Im,i为极化SAR图像中第i个像素的第i个特征的值,I'm,i为SAR图像中第i个像素的第m个特征归一化处理后的值,m∈[1,9],i∈[1,N],Vm,max和Vm,min分别是图像中所有像素第m个特征的最大值和最小值。
S2、构建初始种群
S201、编码方式
每个个体包括超像素中心和活化指数两个部分,活化指数的取值范围是0到1之间。超像素中心和活化指数的个数均为cmax,并且两者之间是一一对应的关系。只有当活化指数处于激活状态,即活化指数取值不小于0.5时,该活化指数对应的超像素中心才会作为有效的超像素中心在极化SAR图像超像素分割中起作用。
S202、采用步骤S201提出的一种特殊的编码方式自适应方式确定超像素的数目,设置种群数量为P;
请参阅图2,个体生成方式有两种,其中一半个体生成方式为:
(1)假设极化SAR图像最多分成cmax个超像素,先将极化SAR图像均匀划分成cmax个区域,找出每个区域物理中心处的像素;然后计算该中心处像素的3×3邻域内所有像素的梯度值,将梯度值最小的像素作为该区域的超像素中心;
(2)另一半个体则都是从整幅图中随机选择cmax个像素作为超像素中心。不管采用哪种个体编码方式,每个个体都加入了活化指数。
在种群初始化过程中,无论采用哪种方式初始化超像素中心,每一个超像素中心对应的活化指数都是0到1之间的随机数。
S203、对步骤S202中生成的个体使用步骤S201的方法编码成P个个体,这P个个体共同构成初始种群。
S3、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邻域内所有超像素中心的模糊隶属度μi;
S301、计算第i个像素Ii对第j个超像素中心zj的模糊隶属度μij如下:
其中,D(Ii,zj)表示第i个像素Ii对第j个超像素中心的距离,D(Ii,zk)表示第i个像素Ii对第k个超像素中心的距离,zj和zk分别表示第j个和第k个超像素中心,Ni表示像素Ii的2S×2S邻域范围,S表示将极化SAR图像均匀划分成cmax个区域时每个区域的初始网格宽度。m是模糊隶属度的权重指数,在这里取值为2。
S302、计算每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表示超像素中心的个数。
S4、计算每个个体的类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z);
S401、计算像素和超像素中心的Wishart距离dw(Ii,zj):
S402、计算超像素中心之间的Wishart距离dw(zp,zq):
S403、计算像素和超像素中心的空间欧式距离dxy(Ii,zj):
S404、计算超像素中心之间的空间欧式距离dxy(zp,zq):
S405、根据像素和超像素中心的Wishart距离dw(Ii,zj)和空间欧式距离dxy(Ii,zj),计算像素与超像素中心的距离D(Ii,zj):
其中,mpol是一个紧凑参数。当mpol较大时,空间欧式距离权重更大,当mpol较小时,Wishart距离权重更大。
S406、根据超像素中心之间的Wishart距离dw(zp,zq)和空间欧式距离dxy(zp,zq)计算超像素中心之间的距离D(zp,zq):
S407、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(Ii,zj),计算类内紧凑度模糊聚类能量函数值Jm(z):
S408、根据像素对像素中心的模糊隶属度μij,像素和超像素中心的距离D(Ii,zj)以及超像素中心之间的距离D(zp,zq),计算模糊聚类指标类内紧凑度、类间分离度函数值XB(z):
其中,p和q都是超像素中心,且p≠q。
S5、种群中每一个个体通过差分进化交叉生成一个子代个体ui;
S501、对种群中每一个个体使用如下方式进行交叉生成第i个交叉个体vi:
vi=pi+F·(pr1-pr2)
其中,pi表示种群中第i个个体,pr1和pr2是从种群中随机选择的两个个体,且i≠r1≠r2,F表示是交叉系数,vi表示生成的中间个体。
S502、由交叉个体vi和父代个体pi经过变异生成子代个体ui:
S5022、观察每一个活化指数对应的超像素中心是否发生变异,如果发生变异,则将该活化指数进行变异,具体如下:
S5023、根据父代个体的维数d,生成第i个子代个体:ui=[ui1,ui2,...,uij,...,uid]
S503、P个子代个体全部生成完毕后,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方法中的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。
S6、选择最终个体,获得超像素分割结果。
S601、选择最终个体
设置迭代次数G=50,重复步骤S3到步骤S5共G次后结束运行,得到P个由类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z)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;
S602、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。
本发明再一个实施例中,提供一种自适应极化SAR图像超像素分割系统,该系统能够用于实现上述自适应极化SAR图像超像素分割方法,具体的,该自适应极化SAR图像超像素分割系统包括预处理模块、初始模块、第一计算模块、第二计算模块、第三计算模块以及分割模块。
其中,预处理模块,输入待分割的极化SAR图像,对极化SAR图像进行预处理,得到待分割图像;
初始模块,将预处理模块得到的一半待分割图像的个体均匀划分成cmax个区域,找出每个区域物理中心处的像素;然后计算中心处像素的3×3邻域内所有像素的梯度值,将梯度值最小的像素作为区域的超像素中心;再将另一半个体从整幅图中随机选择cmax个像素作为超像素中心,将两部分个体加起来构成种群数量为P的种群;
第一计算模块,对初始模块构建的种群P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邻域内所有超像素中心的模糊隶属度μi;
第二计算模块,计算初始模块构建的种群P中每个个体的类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z);
第三计算模块,对初始模块构建的种群P中的每一个个体,通过差分进化交叉生成一个子代个体ui;
分割模块,设置迭代次数G,重复第一计算模块、第二计算模块和第三计算模块共G次后结束运行,得到P个由类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z)组成的Pareto解,将Pareto解对应的个体作为最终个体,获得超像素分割结果。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于自适应极化SAR图像超像素分割方法的操作,包括:
输入待分割的极化SAR图像,对极化SAR图像进行预处理,得到待分割图像;将一半待分割图像的个体均匀划分成cmax个区域,找出每个区域物理中心处的像素;然后计算中心处像素的3×3邻域内所有像素的梯度值,将梯度值最小的像素作为区域的超像素中心;再将另一半个体从整幅图中随机选择cmax个像素作为超像素中心,将两部分个体加起来构成种群数量为P的种群;对种群P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邻域内所有超像素中心的模糊隶属度μi;计算种群P中每个个体的类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z);对种群P中的每一个个体,通过差分进化交叉生成一个子代个体ui;设置迭代次数G,重复以上步骤共G次后结束运行,得到P个由类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z)组成的Pareto解,将Pareto解对应的个体作为最终个体,获得超像素分割结果。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关自适应极化SAR图像超像素分割方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
输入待分割的极化SAR图像,对极化SAR图像进行预处理,得到待分割图像;将一半待分割图像的个体均匀划分成cmax个区域,找出每个区域物理中心处的像素;然后计算中心处像素的3×3邻域内所有像素的梯度值,将梯度值最小的像素作为区域的超像素中心;再将另一半个体从整幅图中随机选择cmax个像素作为超像素中心,将两部分个体加起来构成种群数量为P的种群;对种群P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邻域内所有超像素中心的模糊隶属度μi;计算种群P中每个个体的类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z);对种群P中的每一个个体,通过差分进化交叉生成一个子代个体ui;设置迭代次数G,重复以上步骤共G次后结束运行,得到P个由类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z)组成的Pareto解,将Pareto解对应的个体作为最终个体,获得超像素分割结果。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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Inter core i5-1035G1处理器,16G RAM,Windows系统下,使用Matlab软件完成本发明以及现有极化SAR图像分割、分类仿真。
仿真所用图像如图3,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获取的农田图像,图像大小为210×330,总像素点个数为69300个,共有9中类别,分别为Wheat、Baresoil、Grasses、Wheat2、Beet、Rapeseed、Potatoes、Stembeans和Lucerne。
图3(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。
图3(c)是仿真实验所使用的第二种极化SAR图像,该图为极化SAR获取的西安渭河图,图像大小为210×330,总像素点个数为69300个,共有3中类别,分别为Grass、City和Water。
图3(d)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:
图4和图6分别将Flevoland数据集和西安渭河数据集作为实验图像。对于这两个实验图像,参数设置为:种群个数pop设置为20,参数G设置为50,参数cmax设置为1000。图4中设置Flevoland数据集的紧凑参数mpol取值为1,图6中设置西安渭河数据集的紧凑参数mpol取值为5。
2.仿真内容
仿真1,分别用本发明和具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)、图4(b)分别是SLIC、WS的超像素分割图,图4(c)是本发明的超像素分割图。
本实验选用两种衡量超像素分割性能的指标,分别是欠分割误差UE和边界召回率BR,其中UE值越小,BR值越大,表示分割效果越好。计算本发明和其他两种图像超像素分割方法的超像素分割性能指标,结果如表1所示,本发明方法获得的UE值和BR值是10次独立运行之后取的均值。SLIC、WS算法都能对一幅图得到一个确定的分割结果,故计算出的指标也是确定的值。
表1本发明与对比算法在Flevoland数据集上超像素分割性能指标统计结果
从表1可以看到本发明的UE指标是所有算法里最好的,所以本发明的分割结果优于SLIC和WS。本发明的BR指标和WS算法的BR指标非常接近,仅差0.8%左右。而WS算法虽然其BR指标是所有算法里最好的,但是其UE指标却也是所有算法里最差的,和本发明相差54%左右。所以综合分析,本发明对Flevoland数据集具有最好的超像素分割性能。且从图4中也可以看出,本发明生成的每个超像素的边缘都能较好的拟合真实地物边缘,且超像素纯净度很高,每个超像素几乎不含有其它地物类别或者含有其它地物类别的像素数很少。
仿真2,根据每种方法得到的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。从图5中可以看出,本发明的分类效果最好。
图5(a)、图5(b)分别是SLIC、WS的分类图,图5(c)是本发明的分类图。
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SLIC、WS两种图像超像素分割方法的分类准确度,将本发明和其余两种算法独立运行10次,计算平均准确率,结果如表2所示。
表2本发明与对比算法在Flevoland数据集的分类准确率
从表2中可以看出,使用本发明对第一种极化SAR图像进行分类,本发明比SLIC和WS的平均分类准确率都要高。
仿真3,分别用本发明具有代表性的两种图像超像素分割方法对第二种极化SAR图像生成超像素分割图,如图6所示,其中,图6(a)、图6(b)分别是SLIC、WS的超像素分割图,图6(c)是本发明的超像素分割图。
本实验选用两种衡量超像素分割性能的指标,分别是欠分割误差UE和边界召回率BR,其中UE值越小,BR值越大,表示分割效果越好。计算本发明和其他两种图像超像素分割方法的超像素分割性能指标,结果如表3所示,本发明方法获得的UE值和BR值是10次独立运行之后取的均值。
表3本发明与对比算法在西安渭河数据集的超像素分割指标统计结果
观察表3可知,与其它两种对比算法相比,本发明具有最优的UE指标和BR指标。所以本发明算法对西安渭河数据集具有很好的超像素分割效果。
仿真4,根据每种方法得到的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7所示。从图7中可以看出,本发明的分类效果最好。图7(a)、图7(b)分别是SLIC、WS的分类图,图7(c)是本发明的分类图。
根据第二种极化SAR图像的分割结果和类别标签图,计算出本发明和其余两种图像超像素分割方法的分类准确度,将本发明和其余两种算法独立运行10次,计算平均准确率,结果如表4所示。
表4本发明与对比算法在西安渭河数据集的分类准确率
根据表4中的数据可知,相比于其它两种对比算法,本发明对于西安渭河数据集每一种地物类别的分类准确率以及平均分类准确率都超过了其他两种对比算法。综合超像素分割指标和分类准确率可知,本发明对西安渭河数据集具有良好的超像素分割性能。
综上所述,本发明一种自适应极化SAR图像超像素分割方法及系统,在两个数据集上进行了超像素分类效果的验证,在图像分割上的分割指标均优于现有的两种方法,本发明在图像分类上的分类指标均优于现有的两种方法。本发明针对不同数据集拥有普适性且效果优于现存的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种自适应极化SAR图像超像素分割方法,其特征在于,包括以下步骤:
S1、输入待分割的极化SAR图像,对极化SAR图像进行预处理,得到待分割图像;
S2、将步骤S1得到的一半待分割图像的个体均匀划分成cmax个区域,找出每个区域物理中心处的像素;然后计算中心处像素的3×3邻域内所有像素的梯度值,将梯度值最小的像素作为区域的超像素中心;再将另一半个体从整幅图中随机选择cmax个像素作为超像素中心,将两部分个体加起来构成种群数量为P的种群;
S3、对步骤S2构建的种群P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邻域内所有超像素中心的模糊隶属度μi;
S4、计算步骤S2构建的种群P中每个个体的类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z);
S5、对步骤S2构建的种群P中的每一个个体,通过差分进化交叉变异生成一个子代个体ui;
S6、设置迭代次数G,重复步骤S3~步骤S5共G次后结束运行,得到P个由类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z)组成的Pareto解,将Pareto解对应的个体作为最终个体,获得超像素分割结果。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,对极化SAR图像进行预处理具体为:
对极化SAR图像像素集使用Lee滤波器滤波,得到滤波后的像素集;对滤波后像素集中所有像素的每个特征进行归一化处理。
3.根据权利要求1所述的方法,其特征在于,步骤S2中,每个个体都加入有活化指数,活化指数为0~1之间的随机数。
4.根据权利要求1所述的方法,其特征在于,步骤S3中,每i个像素对所有超像素中心的模糊隶属度μi为:
μi=[μi1,μi2,...,μij,...,μic]T
其中,T表示转置,c表示超像素中心的个数,μij为第i个像素Ii对第j个超像素中心zj的模糊隶属度。
6.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
S401、计算像素和超像素中心的Wishart距离dw(Ii,zj);
S402、计算超像素中心之间的Wishart距离dw(zp,zq);
S403、计算像素和超像素中心的空间欧式距离dxy(Ii,zj);
S404、计算超像素中心之间的空间欧式距离dxy(zp,zq);
S405、根据像素和超像素中心的Wishart距离dw(Ii,zj)和空间欧式距离dxy(Ii,zj),计算像素与超像素中心的距离D(Ii,zj);
S406、根据超像素中心之间的Wishart距离dw(zp,zq)和空间欧式距离dxy(zp,zq)计算超像素中心之间的距离D(zp,zq);
S407、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(Ii,zj),计算类内紧凑度模糊聚类能量函数值Jm(z);
S408、根据像素对像素中心的模糊隶属度μij,像素和超像素中心的距离D(Ii,zj)以及超像素中心之间的距离D(zp,zq),计算模糊聚类指标类内紧凑度、类间分离度函数值XB(z)。
8.根据权利要求1所述的方法,其特征在于,步骤S5具体为:
S501、对种群中每一个个体使用如下方式进行交叉生成第i个交叉个体vi;
S502、由交叉个体vi和父代个体pi经过变异生成子代个体ui;
S503、P个子代个体全部生成完毕后,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方法中的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。
10.一种自适应极化SAR图像超像素分割系统,其特征在于,包括:
预处理模块,输入待分割的极化SAR图像,对极化SAR图像进行预处理,得到待分割图像;
初始模块,将预处理模块得到的一半待分割图像的个体均匀划分成cmax个区域,找出每个区域物理中心处的像素;然后计算中心处像素的3×3邻域内所有像素的梯度值,将梯度值最小的像素作为区域的超像素中心;再将另一半个体从整幅图中随机选择cmax个像素作为超像素中心,将两部分个体加起来构成种群数量为P的种群;
第一计算模块,对初始模块构建的种群P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邻域内所有超像素中心的模糊隶属度μi;
第二计算模块,计算初始模块构建的种群P中每个个体的类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z);
第三计算模块,对初始模块构建的种群P中的每一个个体,通过差分进化交叉变异生成一个子代个体ui;
分割模块,设置迭代次数G,重复第一计算模块、第二计算模块和第三计算模块共G次后结束运行,得到P个由类内紧凑度模糊聚类能量函数值Jm(z)和模糊聚类指标类内紧凑度、类间分离度函数值XB(z)组成的Pareto解,将Pareto解对应的个体作为最终个体,获得超像素分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111076730.6A CN113781501A (zh) | 2021-09-14 | 2021-09-14 | 一种自适应极化sar图像超像素分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111076730.6A CN113781501A (zh) | 2021-09-14 | 2021-09-14 | 一种自适应极化sar图像超像素分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781501A true CN113781501A (zh) | 2021-12-10 |
Family
ID=78843671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111076730.6A Pending CN113781501A (zh) | 2021-09-14 | 2021-09-14 | 一种自适应极化sar图像超像素分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781501A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN108428236A (zh) * | 2018-03-28 | 2018-08-21 | 西安电子科技大学 | 基于特征公平集成的多目标sar图像分割方法 |
CN111696123A (zh) * | 2020-06-15 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 超像素分类识别的遥感图像水域分割提取方法 |
CN112116621A (zh) * | 2020-09-18 | 2020-12-22 | 杭州世平信息科技有限公司 | 一种合成孔径雷达图像快速多尺度超像素分割方法 |
CN113034521A (zh) * | 2021-03-31 | 2021-06-25 | 西安电子科技大学 | 基于多目标进化的极化sar图像超像素分割方法 |
-
2021
- 2021-09-14 CN CN202111076730.6A patent/CN113781501A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN108428236A (zh) * | 2018-03-28 | 2018-08-21 | 西安电子科技大学 | 基于特征公平集成的多目标sar图像分割方法 |
CN111696123A (zh) * | 2020-06-15 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 超像素分类识别的遥感图像水域分割提取方法 |
CN112116621A (zh) * | 2020-09-18 | 2020-12-22 | 杭州世平信息科技有限公司 | 一种合成孔径雷达图像快速多尺度超像素分割方法 |
CN113034521A (zh) * | 2021-03-31 | 2021-06-25 | 西安电子科技大学 | 基于多目标进化的极化sar图像超像素分割方法 |
Non-Patent Citations (2)
Title |
---|
赵凤;张咪咪;刘汉强;: "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, no. 05, 14 May 2019 (2019-05-14) * |
连诚: "基于自适应特征权值的多目标SAR图像分割算法", 硕士电子期刊, 15 February 2019 (2019-02-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839261B (zh) | 基于分解进化多目标优化和fcm的sar图像分割方法 | |
Puzicha et al. | Histogram clustering for unsupervised image segmentation | |
US7428514B2 (en) | System and method for estimation of a distribution algorithm | |
CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
CN107203785A (zh) | 多路径高斯核模糊c均值聚类算法 | |
CN106650744B (zh) | 局部形状迁移指导的图像对象共分割方法 | |
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 | |
CN103985112B (zh) | 基于改进多目标粒子群优化聚类的图像分割方法 | |
CN107292341A (zh) | 基于成对协同正则化和nmf的自适应多视图聚类方法 | |
CN106845536B (zh) | 一种基于图像缩放的并行聚类方法 | |
CN105574545B (zh) | 街道环境图像多视角语义切割方法及装置 | |
CN109472801A (zh) | 一种用于多尺度的神经形态检测和分割方法 | |
CN111611960B (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
Khan et al. | A modified adaptive differential evolution algorithm for color image segmentation | |
Giveki et al. | Scene classification using a new radial basis function classifier and integrated SIFT–LBP features | |
CN106022359A (zh) | 基于有序信息熵的模糊熵空间聚类分析方法 | |
Liu et al. | Multiobjective multiple features fusion: A case study in image segmentation | |
CN108921853B (zh) | 基于超像素和免疫稀疏谱聚类的图像分割方法 | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
CN107704872A (zh) | 一种基于相对最离散维分割的K‑means聚类初始中心选取方法 | |
CN113781501A (zh) | 一种自适应极化sar图像超像素分割方法及系统 | |
Sun et al. | A study on the classification of vegetation point cloud based on random forest in the straw checkerboard barriers area | |
CN113034521B (zh) | 基于多目标进化的极化sar图像超像素分割方法 | |
Mohamadzadeh et al. | Classification algorithms for remotely sensed images | |
CN111986223B (zh) | 一种基于能量函数的室外点云场景中树木提取方法 |
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 |