CN116030252A - 融合边缘信息的模糊迭代sar图像超像素分割方法 - Google Patents

融合边缘信息的模糊迭代sar图像超像素分割方法 Download PDF

Info

Publication number
CN116030252A
CN116030252A CN202310018085.5A CN202310018085A CN116030252A CN 116030252 A CN116030252 A CN 116030252A CN 202310018085 A CN202310018085 A CN 202310018085A CN 116030252 A CN116030252 A CN 116030252A
Authority
CN
China
Prior art keywords
pixel
super
edge
edge information
sar image
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
Application number
CN202310018085.5A
Other languages
English (en)
Inventor
刘明
孙谦
陈士超
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.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal 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 Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN202310018085.5A priority Critical patent/CN116030252A/zh
Publication of CN116030252A publication Critical patent/CN116030252A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种融合边缘信息的模糊迭代SAR图像超像素分割方法，该方法基于局部迭代聚类原则，利用SAR图像边缘检测算法获得图像中的边缘信息，优化初始化聚类中心步骤，更新距离度量方法，引入模糊理论构成模糊迭代聚类，最后通过融合边缘信息的后处理步骤，得到拥有良好边界保持性及像素同一性的超像素分割结果。相对于其他超像素分割方法，本发明主要面向复杂情况下SAR图像的目标检测任务，特别地，当SAR图像中的目标大小相差较大时，现有的超像素分割方法不能很好地保持小目标的边界，存在小目标并入超像素的问题，本发明通过引入边缘信息得到了理想的超像素分割结果。

Description

融合边缘信息的模糊迭代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，涉及SAR图像，具体涉及一种融合边缘信息的模糊迭代SAR图像超像素分割方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)作为一种主动类型的微波成像传感器，可以不受天气条件的限制，全天时、全天候地进行工作。在民用和军事领域，SAR发挥了越来越多的作用，其中，目标检测任务是SAR的一个重要应用。
在SAR图像中，超像素是由一系列位置相邻且强度、纹理等特征相似的像素点组成的小区域。这些超像素保留了进一步进行目标检测的有效信息，且一般不会破坏图像中目标的边界信息。用少量的超像素代替大量的像素来表达图像特征，很大程度上降低了图像处理的复杂度。
目前，SAR图像的超像素分割方法主要用于解决SAR图像分类问题，在面向复杂背景下的SAR图像目标检测时，尤其是目标大小相差较大情况下的SAR图像目标检测时，现有的超像素分割方法在超像素大小S较大时，不能保持小目标的独立性。
发明内容
针对现有技术存在的不足，本发明的目的在于，提供一种融合边缘信息的模糊迭代SAR图像超像素分割方法，解决现有技术中的现有超像素分割方法在目标大小相差较大时时，不能很好地保持小目标的边界的技术问题。
为了解决上述技术问题，本发明采用如下技术方案予以实现：
一种融合边缘信息的模糊迭代SAR图像超像素分割方法，该方法包括以下步骤：
步骤1，利用基于高斯伽马形双窗口的边缘检测器对SAR图像进行边缘检测，得到边缘增强图ESM及边缘图EM；
步骤2，根据设定的超像素大小S，利用边缘增强图ESM及边缘图EM，初始化聚类中心；
步骤3，在聚类中心的2s×2S邻域内，计算聚类中心与每个像素点之间的度量距离D(i,j)；
步骤4，度量距离比较更新，每个像素点和周围的聚类中心均有度量距离，保留每个像素点与周围聚类中心较小的l个度量距离；
步骤5，计算隶属度U和聚类中心C；
步骤6，重复步骤3、步骤4和步骤5，直到达到设定的迭代次数；
步骤7，选取像素隶属度最大的聚类中心类别作为像素的超像素类别，得到初始的超像素分割结果；
步骤8，利用边缘图EM的边缘信息进行后处理步骤，然后得到最终的超像素分割结果。
本发明与现有技术相比，具有如下技术效果：
(Ⅰ)本发明的超像素分割效果好。本发明利用基于比率的高斯伽马形双窗口边缘检测器获得图像中的边缘信息，优化初始化聚类中心步骤，更新距离度量方法，并引入模糊理论构成模糊局部迭代聚类原则，且后处理步骤融合边缘信息，最后得到拥有良好边界保持性及像素同一性的超像素分割结果。
(Ⅱ)本发明适用于场景复杂、目标大小差异较大的检测任务。目前针对于SAR图像的超像素分割方法主要面向SAR图像分类任务，在复杂情况下，尤其是目标大小相差极大时，现有的超像素分割方法不能很好地保持小目标的边界，存在小目标并入超像素的问题，本发明利用边缘信息保持小目标的独立性，适用于场景复杂、目标大小差异较大的检测任务。
(Ⅲ)本发明的方法可作为基于超像素的目标检测算法的超像素分割步骤，在复杂情况，尤其是目标大小差距较大时，提供优秀的超像素分割结果。
附图说明
图1是本发明的融合边缘信息的模糊迭代SAR图像超像素分割方法的流程图。
图2(a)是仿真1的SAR图像的仿真图。
图2(b)是仿真1的SLIC的分割结果的仿真图。
图2(c)是仿真1的SLIC-EDGE的分割结果的仿真图。
图2(d)是仿真1的SLIC-GLR的分割结果的仿真图。
图2(e)是仿真1的SREP的分割结果的仿真图。
图2(f)是仿真1的本发明的超像素分割结果的仿真图。
图3(a)是仿真2的SAR图像的仿真图。
图3(b)是仿真2的SLIC的分割结果的仿真图。
图3(c)是仿真2的SLIC-EDGE的分割结果的仿真图。
图3(d)是仿真2的SLIC-GLR的分割结果的仿真图。
图3(e)是仿真2的SREP的分割结果的仿真图。
图3(f)是仿真2的本发明的超像素分割结果的仿真图。
以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
需要说明的是，本发明中的所有设备和算法，如无特殊说明，全部均采用现有技术中已知的设备和算法。
SAR指的是合成孔径雷达。
SLIC指的是简单线性迭代聚类算法(doi:10.1109/TPAMI.2012.120)。
SLIC-EDGE指的是融合边缘信息的合成孔径雷达图像超像素分割算法(doi:10.3969/j.issn.1671-1815.2020.24.038)。
SLIC-GLR指的是基于Gamma分布的单极化SAR图像超像素分割算法(doi:10.1109/LGRS.2018.2805714)。
SREP指的是基于欧氏距离相似比的SAR图像超像素分割算法(doi:10.1049/el.2016.0020)。
在基于超像素的目标检测方法中，超像素的边界保持性及同一性对最终的目标检测结果至关重要，而超像素的个数对目标检测的效率又有重要影响。因此，优秀的超像素分割方法可以极大程度上提高SAR图像目标检测的性能。
相对于现有SAR图像的超像素分割方法，本发明主要面向SAR图像目标检测任务，解决复杂情况下，尤其是目标大小相差较大时，现有超像素分割方法不能很好地保持小目标的边界，存在小目标并入超像素的问题。
本发明公开了一种融合边缘信息的模糊迭代SAR图像超像素分割方法，方法大体框架同简单线性迭代聚类算法(SLIC)一致，该方法基于局部迭代聚类原则，利用SAR图像边缘检测算法获得图像中的边缘信息，优化初始化聚类中心步骤，更新距离度量方法，引入模糊理论构成模糊迭代聚类，最后通过融合边缘信息的后处理步骤，得到拥有良好边界保持性及像素同一性的超像素分割结果。相对于其他超像素分割方法，本发明主要面向复杂情况下SAR图像的目标检测任务，特别地，当SAR图像中的目标大小相差较大时，现有的超像素分割方法不能很好地保持小目标的边界，存在小目标并入超像素的问题，本发明通过引入边缘信息得到了理想的超像素分割结果。
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例：
本实施例给出一融合边缘信息的模糊迭代SAR图像超像素分割方法，如图1所示，该方法包括以下步骤：
步骤1，利用基于高斯伽马形双窗口的边缘检测器对SAR图像进行边缘检测，得到边缘增强图ESM及边缘图EM。
步骤2，根据设定的超像素大小S，利用边缘增强图ESM及边缘图EM，初始化聚类中心。
步骤2中，所述的初始化聚类中心的方法如下：
步骤201，根据超像素大小S，在SAR图像内，将聚类中心均匀分布在间隔S个像素的规则网格上。
步骤202，在边缘图EM上查找轮廓，得到大概的目标轮廓信息。
步骤203，根据目标轮廓信息，依次判断每次目标轮廓内是否含有聚类中心，若含有，则跳过，若未含有，则将目标轮廓在二维平面x轴及y轴上的最大和最小值平均后的坐标值处的像素点作为新的聚类中心。
步骤204，为了避免聚类中心落在边缘或噪声像素上，根据边缘增强图ESM信息，将聚类中心移动到3×3邻域中的最小边缘强度位置。
步骤3，在聚类中心的2S×2S邻域内，计算聚类中心与每个像素点之间的度量距离D(i,j)。
步骤3中，计算聚类中心与每个像素点之间的度量距离D(i，j)的方法如下：
度量距离D(i，j)的计算公式如下：
D(i，j)＝(Dintensity(i，j)+αDspatial(i，j))γaf
式中：
i为聚类中心；
j为像素点；
Dintensity(i，j)为聚类中心与像素点的强度度量距离；
Dspatial(i，j)为聚类中心与像素点的空间距离；
α为平衡因子，平衡强度度量距离与空间距离的权重；
γaf为边缘信息系数。
进一步地，步骤3中，所述的度量距离D(i，j)的计算公式中的各项具体定义如下：
Figure BDA0004040682550000061
式中：
Figure BDA0004040682550000062
分别表示聚类中心i、像素点j与其8邻域的平均强度值；
M为取平均强度值的像素个数，这里为9；
Ln()为取对数运算。
Figure BDA0004040682550000063
式中：
(xi，yi)为聚类中心i的坐标值；
(xj，yj)为像素点j的坐标值。
γaf＝1+β·E(i，j)
Figure BDA0004040682550000071
式中：
β为放大因子；
E(i，j)为边缘信息因子；
Figure BDA0004040682550000074
为聚类中心i到像素点j的线性路径；
k为线性路径上的像素点。
Figure BDA0004040682550000072
为存在；
Figure BDA0004040682550000073
为任意的；
EM(k)为边缘图EM在k点的值。
步骤4，度量距离比较更新，每个像素点和周围的聚类中心均有度量距离，保留每个像素点与周围聚类中心较小的l个度量距离。
步骤4中，所述的度量距离比较更新的方法如下：
聚类中心的搜索范围为2S×2S，像素点会在多个聚类中心的搜索范围内，因此每个像素点会有多个度量距离，只保留像素点的l个度量距离，当像素点与周围聚类中心度量距离个数大于l时，新的度量距离与已保存的最大的度量距离进行比较，若小于，则进行替换。
步骤5，计算隶属度U和聚类中心C。
步骤6，重复步骤3、步骤4和步骤5，直到达到设定的迭代次数。
步骤7，选取像素隶属度最大的聚类中心类别作为像素的超像素类别，得到初始的超像素分割结果。
步骤8，利用边缘图EM的边缘信息进行后处理步骤，然后得到最终的超像素分割结果。
步骤8中，所述的后处理步骤如下：
初始的超像素分割结果中会包含许多孤立的像素以及一些小的像素区域，在进行后处理步骤时，遍历图像，将孤立的像素以及小的像素区域并入与其相邻的超像素，但在并入小的像素区域时，利用边缘图EM，查看小的像素区域是否包含边缘信息，若包含，则认为小的像素区域为小目标区域，单独作为超像素，不并入相邻的超像素，若不包含，则并入相邻的超像素。
对比例1：
本对比例给出一种超像素分割方法，即SLIC方法(doi:10.1109/TPAMI.2012.120)，上述实施例的大体框架与本对比例的方法相同，但具体步骤均有所不同。该方法未利用边缘信息，故在涉及到边缘的具体步骤均与实施例不同，且该方法在局部区域聚类时为硬聚类，迭代时明确像素归属的超像素。
对比例2：
本对比例给出一种融合边缘信息的合成孔径雷达图像超像素分割算法(doi:10.3969/j.issn.1671-1815.2020.24.038)，记为SLIC-EDGE，本发明的该算法以SLIC为基础，其具体步骤与上述实施例均有所不同。该算法首先对SAR图像进行高斯方向平滑的预处理，然后构建基于指数加权平均比率(ratio of exponential weighted average,ROEWA)算子的改进相似度测量参量，最后采用六边形初始化聚类中心与圆形区域的搜索方式进行局部区域硬聚类得到最终超像素分割结果。
对比例3：
本对比例给出一种针对SAR图像的超像素分割算法，本对比例的该算法采用SLIC-GLR方法(doi:10.1109/LGRS.2018.2805714)对SAR图像进行超像素分割。SLIC-GLR方法是以SLIC为基础，针对SAR图像特点改进度量方式得来。
对比例4：
本对比例给出一种针对SAR图像的超像素分割算法，本对比例的该算法采用SREP方法(doi:10.1049/el.2016.0020)对SAR图像进行超像素分割。
仿真实验条件及数据：
具体仿真实验环境为：Python3.8，Intel(R)Core(TM)i5-6600 CPU@3.30GHz和8-GB RAM，Windows 10专业版。仿真实验数据，共两张SAR图像，第一张为三视模拟仿真SAR图像(图2(a))，且其大小为400×300，第二张是从电子科技大学公开的HRSID数据集中选取的SAR图像(图3(a))，具体信息如表1所示。
表1 选取的SAR图像的具体信息
传感器 TerraSAR-X
模式 SM
入射角(°) 20～45
分辨率(m) 3
极化方式 HH
图像大小 800x800
超像素分割结果对比：
对实施例和对比例1、2、3、4进行对比分析。在仿真1(图2(a)至图2(f))中，对三视模拟SAR图像进行超像素大小为40的超像素分割时，只有本实施例的融合边缘信息的模糊迭代SAR图像超像素分割方法未将小目标融入大的超像素，保持了小目标的独立性。因此可以看出，在目标大小相差较大时，本发明可以很好地保持小目标的边界。同样地，在仿真2(图3(a)至图3(f))中，对选取的真实SAR图像进行超像素大小为45的超像素分割时，本实施例的融合边缘信息的模糊迭代SAR图像超像素分割方法得到了拥有良好边界保持性及像素同一性的超像素分割结果。同时，通过量化比较(表2)，可以看出，采用本实施例的融合边缘信息的模糊迭代SAR图像超像素分割方法，在三视模拟SAR图像以及真实SAR图像上，BR(boundary recall，越大越好)均高于其他三种超像素方法，且UE(undersegmentationerror，越小越好)均低于其他三种超像素分割方法。
表2 超像素分割结果评价
Figure BDA0004040682550000101
注：表2中的“本发明”即为本发明的实施例的融合边缘信息的模糊迭代SAR图像超像素分割方法。

Claims (8)

1.一种融合边缘信息的模糊迭代SAR图像超像素分割方法，其特征在于，该方法包括以下步骤：
步骤1，利用基于高斯伽马形双窗口的边缘检测器对SAR图像进行边缘检测，得到边缘增强图ESM及边缘图EM；
步骤2，根据设定的超像素大小S，利用边缘增强图ESM及边缘图EM，初始化聚类中心；
步骤3，在聚类中心的2S×2S邻域内，计算聚类中心与每个像素点之间的度量距离D(i,j)；
步骤4，度量距离比较更新，每个像素点和周围的聚类中心均有度量距离，保留每个像素点与周围聚类中心较小的l个度量距离；
步骤5，计算隶属度U和聚类中心C；
步骤6，重复步骤3、步骤4和步骤5，直到达到设定的迭代次数；
步骤7，选取像素隶属度最大的聚类中心类别作为像素的超像素类别，得到初始的超像素分割结果；
步骤8，利用边缘图EM的边缘信息进行后处理步骤，然后得到最终的超像素分割结果。
2.如权利要求1所述的融合边缘信息的模糊迭代SAR图像超像素分割方法，其特征在于，步骤2中，所述的初始化聚类中心的方法如下：
步骤201，根据超像素大小S，在SAR图像内，将聚类中心均匀分布在间隔S个像素的规则网格上；
步骤202，在边缘图EM上查找轮廓，得到大概的目标轮廓信息；
步骤203，根据目标轮廓信息，依次判断每次目标轮廓内是否含有聚类中心，若含有，则跳过，若未含有，则将目标轮廓在二维平面x轴及y轴上的最大和最小值平均后的坐标值处的像素点作为新的聚类中心；
步骤204，为了避免聚类中心落在边缘或噪声像素上，根据边缘增强图ESM信息，将聚类中心移动到3×3邻域中的最小边缘强度位置。
3.如权利要求1所述的融合边缘信息的模糊迭代SAR图像超像素分割方法，其特征在于，步骤3中，计算聚类中心与每个像素点之间的度量距离D(i，j)的方法如下：
度量距离D(i，j)的计算公式如下：
Figure FDA0004040682540000023
式中：
i为聚类中心；
j为像素点；
Dintensity(i，j)为聚类中心与像素点的强度度量距离；
Dspatial(i，j)为聚类中心与像素点的空间距离；
α为平衡因子，平衡强度度量距离与空间距离的权重；
γaf为边缘信息系数。
4.如权利要求3所述的融合边缘信息的模糊迭代SAR图像超像素分割方法，其特征在于，步骤3中：
Figure FDA0004040682540000021
式中：
Figure FDA0004040682540000022
分别表示聚类中心i、像素点j与其8邻域的平均强度值；
M为取平均强度值的像素个数，这里为9；
Ln()为取对数运算。
5.如权利要求3所述的融合边缘信息的模糊迭代SAR图像超像素分割方法，其特征在于，步骤3中：
Figure FDA0004040682540000031
式中：
(xi，yi)为聚类中心i的坐标值；
(xj，yj)为像素点j的坐标值。
6.如权利要求3所述的融合边缘信息的模糊迭代SAR图像超像素分割方法，其特征在于，步骤3中：
γaf＝1+β·E(i，j)
Figure FDA0004040682540000032
式中：
β为放大因子；
E(i，j)为边缘信息因子；
Figure FDA0004040682540000033
为聚类中心i到像素点j的线性路径；
k为线性路径上的像素点；
Figure FDA0004040682540000034
为存在；
Figure FDA0004040682540000035
为任意的；
EM(k)为边缘图EM在k点的值。
7.如权利要求1所述的融合边缘信息的模糊迭代SAR图像超像素分割方法，其特征在于，步骤4中，所述的度量距离比较更新的方法如下：
聚类中心的搜索范围为2S×2S，像素点会在多个聚类中心的搜索范围内，因此每个像素点会有多个度量距离，只保留像素点的l个度量距离，当像素点与周围聚类中心度量距离个数大于l时，新的度量距离与已保存的最大的度量距离进行比较，若小于，则进行替换。
8.如权利要求1所述的融合边缘信息的模糊迭代SAR图像超像素分割方法，其特征在于，步骤8中，所述的后处理步骤如下：
初始的超像素分割结果中会包含许多孤立的像素以及一些小的像素区域，在进行后处理步骤时，遍历图像，将孤立的像素以及小的像素区域并入与其相邻的超像素，但在并入小的像素区域时，利用边缘图EM，查看小的像素区域是否包含边缘信息，若包含，则认为小的像素区域为小目标区域，单独作为超像素，不并入相邻的超像素，若不包含，则并入相邻的超像素。
CN202310018085.5A 2023-01-06 2023-01-06 融合边缘信息的模糊迭代sar图像超像素分割方法 Pending CN116030252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310018085.5A CN116030252A (zh) 2023-01-06 2023-01-06 融合边缘信息的模糊迭代sar图像超像素分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310018085.5A CN116030252A (zh) 2023-01-06 2023-01-06 融合边缘信息的模糊迭代sar图像超像素分割方法

Publications (1)

Publication Number Publication Date
CN116030252A true CN116030252A (zh) 2023-04-28

Family

ID=86070313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310018085.5A Pending CN116030252A (zh) 2023-01-06 2023-01-06 融合边缘信息的模糊迭代sar图像超像素分割方法

Country Status (1)

Country Link
CN (1) CN116030252A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789066A (zh) * 2024-02-26 2024-03-29 中国铁路设计集团有限公司 基于深度学习的无人机多视角影像钢轨线自动提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789066A (zh) * 2024-02-26 2024-03-29 中国铁路设计集团有限公司 基于深度学习的无人机多视角影像钢轨线自动提取方法
CN117789066B (zh) * 2024-02-26 2024-05-28 中国铁路设计集团有限公司 基于深度学习的无人机多视角影像钢轨线自动提取方法

Similar Documents

Publication Publication Date Title
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
CN109241913B (zh) 结合显著性检测和深度学习的船只检测方法及系统
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
CN110322453B (zh) 基于位置注意力和辅助网络的3d点云语义分割方法
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN107576949B (zh) 基于密度权重和混合核函数的svdd雷达目标一维距离像识别方法
CN110599489A (zh) 一种目标空间定位方法
CN108960190B (zh) 基于fcn图像序列模型的sar视频目标检测方法
CN109712149B (zh) 一种基于小波能量和模糊c均值的图像分割方法
CN107194896B (zh) 一种基于邻域结构的背景抑制方法和系统
CN107145831B (zh) 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法
CN116012364B (zh) Sar图像变化检测方法和装置
CN112508963B (zh) 一种基于模糊c均值聚类的sar图像分割方法
CN107610155B (zh) Sar影像变化检测方法及装置
CN116030252A (zh) 融合边缘信息的模糊迭代sar图像超像素分割方法
CN107194917B (zh) 基于dap和arelm的在轨sar图像变化检测方法
CN110390338B (zh) 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法
CN108509835B (zh) 基于DFIC超像素的PolSAR图像地物分类方法
Wang et al. A deep deformable residual learning network for SAR image segmentation
Guo et al. Adaptive fuzzy learning superpixel representation for PolSAR image classification
CN112164087B (zh) 基于边缘约束和分割边界搜索的超像素分割方法及装置
CN112734816A (zh) 基于CSS-Delaunay的异源图像配准方法
CN117291790A (zh) 一种sar图像配准方法、装置、设备及介质
CN116863357A (zh) 一种无人机遥感堤坝影像定标与智能分割变化检测方法

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