CN104408731A - 基于区域图和统计相似性编码的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于区域图和统计相似性编码的SAR图像分割方法，主要解决现有技术需人工经验提取图像特征的问题。其实现步骤是：1.根据SAR图像素描模型提取素描图并对其补全；2.根据补全的素描图提取区域图；3.对聚集区域和匀质区域中像素个数大于阈值的各子区域分别训练栈式降噪自编码网络；4.对聚集区域和匀质区域的各子区域的网络进行结构特征编码，得到每个子区域的结构特征表示；5.分别对聚集区域和匀质区域进行层次聚类，得到聚集区域和匀质区域的分割结果；6.对结构区域用均值比算法进行分割，得到最终的SAR图像分割结果。本发明的分割结果具有较好的区域一致性，且提高了地物的区分效果，可用于目标检测与识别。

Description

基于区域图和统计相似性编码的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，特别涉及一种SAR图像的分割方法，可用于后续的目标检测与识别。

背景技术

所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。通常，自主分割是图像处理中最为困难的任务之一。图像分割是图像理解与解译的基础，图像分割质量的好坏直接影响后续的分析、识别等。通常，分割越准确，识别越成功。所以，高质量的分割方法对图像处理显得尤为重要。

目前主要的图像分割方法，大致可分为四种：基于阈值的图像分割、基于边缘的图像分割、基于区域的图像分割和基于统计模式分类的图像分割。SAR图像分割是SAR图像理解与解译的关键步骤，分割质量的好坏直接影响SAR图像处理的结果。由于SAR图像独特的成像原理，决定了SAR图像有大量的相干斑噪声、复杂繁多的目标、交叉阴影等独有的特点，这又使得SAR图像分割变得更加复杂。从而，许多光学图像的方法不能直接应用到SAR图像上。目前SAR图像分割方法大体可分：基于灰度级的分割方法和基于纹理的分割方法、基于语义信息分类的分割方法和基于线段的共生矩阵特征和区域图的分割方法。然而，这些方法仍然存在一些不足：虽然后两种分割方法使得森林等聚集区域有较好的分割结果，但是匀质区域的分割效果仍然不太理想；此外，传统的SAR图像分割方法需要靠人工经验提取图像特征，而人工选取的特征的好坏往往成为整个***性能的瓶颈。而且人工选取特征又是一件非常费力、启发式即需要专业知识的方法，能不能选取到好的特征很大程度上靠经验和运气，而且它的调节需要大量的时间。

发明内容

本发明的目的在于针对上述已有方法的不足，提出一种基于区域图和统计相似性编码的SAR图像分割方法，以解决传统的SAR图像分割方法需要靠人工经验来提取图像特征的问题，提高SAR图像地物的区分效果。

实现本发明目的的技术方案是：在SAR图像素描模型提取的素描图的基础上，根据素描线的聚集性分析和基于射线法补全的素描图得到SAR图像的区域图，再根据区域图得到SAR图像的聚集区域、匀质区域和结构区域实现对SAR图像的分割，具体步骤包括如下：

(1)根据SAR图像的素描模型提取SAR图像的素描图；

(2)根据补全的素描图得到SAR图像的区域图，再根据区域图将原SAR图像映射成聚集区域A₁、匀质区域A₂和结构区域A₃；

(3)对聚集区域A₁和匀质区域A₂里的各个子区域分别采用栈式降噪自编码模型进行无监督训练，得到各个子区域所对应网络的参数；

(4)用步骤(3)获得的网络权值初始化对应网络，用反向传播算法微调网络权值，直至前后两次SAR图像的重构误差小于等于重构阈值σ＝0.05，否则，返回步骤(3)；

(5)将已训练完毕的同类型的子区域的网络权值进行基于统计相似性的结构特征编码，联合其重构误差，得到各个子区域的结构特征表示，并分别对同类型的各个子区域的结构特征表示进行层次聚类，得到聚集区域A₁及匀质区域A₂的分割结果；

(6)对结构区域A₃用均值比边缘检测方法进行分割，并将分割得到的各子区域合并到邻近的已分割后的匀质区域A₂与聚集区域A₁中去，得到结构区域A₃的分割结果，最终得到SAR图像分割结果。

本发明与现有技术相比具有以下优点：

1.克服了传统的SAR图像分割方法需要靠人工经验提取图像特征的缺点。

本发明在SAR素描模型的基础上，根据素描线的聚集性分析息和基于射线法补全的素描图得到SAR图像的区域图，从而将原SAR图像映射成聚集区域、匀质区域和结构区域，对聚集区域和匀质区域使用本发明提出的方法进行SAR图像分割，而不必像传统的SAR图像分割方法那样靠人工经验提取图像特征，因而更适合用于SAR图像结构特征学习。

2.对SAR图像中的大片匀质地物具有更好的区分效果。

SAR图像中常常包含大片农田等匀质地物，通过提取的SAR图像的区域图，将农田等大片匀质区域分成了更多的小区域，对这些小区域分别进行基于统计相似性的结构特征编码并对其结构特征表示进行聚类，从而得到更好的分割效果。

附图说明

图1是本发明的实现总流程图；

图2是本发明中基于统计相似性的结构特征编码子流程图；

图3是本发明中聚集区域采用的栈式降噪自编码网络结构图；

图4是本发明中基于统计相似性的结构特征编码过程示意图；

图5是本发明使用的原SAR图像；

图6是本发明中对图5提取的SAR图像的素描图；

图7是本发明中对图5进行区域划分的区域图；

图8是本发明中对聚集区域的分割结果图；

图9是本发明中对匀质区域的分割结果图；

图10是用本发明中对结构区域的分割结果图；

图11是本发明对SAR图像最终的分割结果图。

具体实施方式

下面结合实施例附图对本发明的内容和效果做进一步说明。

参照图1，本发明的实现步骤如下：

步骤1，提取SAR图像的素描图。

输入如图5所示的一副SAR图像，使用武杰等提出的SAR图像的素描模型提取SAR图像的素描图，结果如图6所示。

所述的SAR图像初始素描模型，参见Jie-Wu等人于2014年发表在IEEE Transactionson Geoscience and Remote Sensing杂志上的文章《Local maximal homogenous region searchfor SAR speckle reduction with sketch-based geometrical kernel function》。

步骤2，获取SAR图像的聚集区域A₁、匀质区域A₂和结构区域A₃。

(2a)根据素描线的语义信息把线段分为两类：第一类为代表聚集地物的素描线，第二类为代表边界、线目标和孤立目标的素描线，再根据素描线段分类结果和素描线的聚集性分析在素描图上得到覆盖聚集素描线的区域，

所述的素描线的语义信息分类方法及素描线的聚集性分析方法，参见西安电子科技大学袁嘉琳于2013年发表的硕士论文《基于Primal Sketch Map和语义信息分类的SAR图像分割》；

(2b)对刻画边界和线目标的素描线段根据及其在低阈值下的素描图，通过射线法进行素描线补全，以每个素描线上的每个素描点为中心的提取大小为5×5的几何结构窗得到覆盖边界、线目标和孤立目标的区域；余下部分则为匀质的无线段区域，得到如图7所示的区域图，图7中白色部分表示素描图上覆盖聚集素描线的区域，灰色部分表示素描图上覆盖边界、线目标和孤立目标的区域，黑色部分表示素描图上匀质的无线段区域；

(2c)根据区域图将原SAR图像映射成聚集区域A₁、匀质区域A₂和结构区域A₃。

步骤3，对聚集区域A₁和匀质区域A₂中的各个子区域分别训练栈式降噪自编码网络。

(3a)将聚集区域A₁中像素个数不小于ω₁＝600的每个子区域B_i按大小为21×21的窗口进行密集采样，再分别用贪婪的逐层学习算法对聚集区域所采用的如图3(a)所示的栈式降噪自编码网络DN₁进行无监督训练，其中i＝1,2,…,n，n为聚集区域中的子区域B_i的个数，

所述的贪婪的逐层学习算法，参见G-E-Hinton等人于2006年发表在NeuralComputation杂志上的文章《Afast learning algorithm for deep beliefnets》；

(3b)将匀质区域A₂中像素个数不小于ω₂＝600的每个子区域C_i按大小为15×15的窗口进行密集采样，再分别用用贪婪的逐层学习算法对匀质区域所采用的栈式降噪自编码网络DN₂进行无监督训练，其中i＝1,2,…,n′，n′为匀质区域中的子区域C_i的个数。

步骤4，对聚集区域A₁和匀质区域A₂中的各子区域分别用反向传播算法微调网络权值。

参照图2，本步骤的具体实现如下：

(4.1)对聚集区域A₁中的子区域B_i用反向传播算法微调网络权值：

(4.1a)设第一次微调前初始重构误差为0，用步骤3得到的权值初始化如图3(b)所示的网络，然后通过反向传播算法对该网络权值进行微调,

所述的3(b)所示的网络中n₁＝625，n₂＝361，n₃＝225，n₄＝81，n₅＝25；

(4.1b)计算微调后网络的重构误差；

(4.1c)计算微调前后两次网络的重构误差之差D，设置重构误差阈值σ＝0.05，如果D＞σ，则返回骤3，否则转步骤5；

(4.2)用与聚集区域A₁中的子区域B_i微调网络权值相同的方法来微调匀质区域A₂中的子区域C_i所对应网络的权值，该网络中n₁′＝441，n₂′＝169，n₃′＝121，n₄′＝81，n₅′＝25。

步骤5，对聚集区域A₁和匀质区域A₂进行分割。

(5.1)获取聚集区域A₁中的每个子区域B_i的结构特征表示，并对该结构特征表示进行层次聚类：

参照图4，本步骤的具体实现如下：

(5.1a)将聚集区域中的第i个区域所对应网络的第k隐层的权值记为：

$W_k^i=\{w_{k1}^i,w_{k2}^i,...,w_{\mathrm{km}}^i,..,w_{k{n}_k}^i\}$

其中，i＝1,2,…,n，n为聚集区域中的子区域B_i的个数，n_k为第k隐层的结点个数，k＝1,2,…,5，为聚集区域中的第i个子区域B_i所对应网络的第k隐层的第m个结点所对应的权值向量，m＝1,2,…,n_k；

(5.1b)计算聚集区域中的第i个子区域B_i与第j个子区域F_j所对应网络的第k隐层的第m个结点投影值：

$d_{\mathrm{km}}^{\mathrm{ij}}={w_{\mathrm{kmw}}^i}^T\·w_{\mathrm{km}}^j$

其中，j＝1,2,…,n，对进行二值化编码时，要先给定阈值α＝0.76，若时，则令 $d_{\mathrm{km}}^{\mathrm{ij}}=1,$ 否则令 $d_{\mathrm{km}}^{\mathrm{ij}}=0;$

(5.1c)由上述第k隐层的第m个结点的投影值得到聚集区域中的第i个子区域B_i与第j个子区域F_j所对应网络的第k隐层的所有结点的相似度：

$D_k^{\mathrm{ij}}=(d_{k1}^{\mathrm{ij}},d_{k2}^{\mathrm{ij}},...,d_{\mathrm{km}}^{\mathrm{ij}},...,d_{k{n}_k}^{\mathrm{ij}});$

(5.1d)由上述第k隐层的所有结点的相似程度得到聚集区域中的第i个子区域B_i与第j个子区域F_j所对应网络的第k隐层的基于统计相似性的结构特征编码：

$e_k^{\mathrm{ij}}=\frac{{\left|\right|D_k^{\mathrm{ij}}\left|\right|}_{l1}}{n_k},$

对结构特征编码进行二值化编码时，要先给定阈值β＝0.78，若则令 $e_k^{\mathrm{ij}}=1,$ 否则令 $e_k^{\mathrm{ij}}=0,$

(5.1e)将上述聚集区域中的第i个子区域B_i和聚集区域中的每个子区域F_j所对应网络的所有隐层的结构特征编码以及聚集区域中的第i个子区域B_i的重构误差errⁱ级联起来，得到聚集区域中的第i个子区域B_i的结构特征表示：

$E^i=(e_1^{i1},e_2^{i1},...,e_5^{i1},...,e_1^{\mathrm{ik}},e_2^{\mathrm{ik}},...,e_5^{\mathrm{ik}},...,e_1^{\mathrm{in}},e_2^{\mathrm{in}},...,e_5^{\mathrm{in}},{\mathrm{err}}^i)$

其中，Eⁱ∈R^1×p，p＝5×n+1；

(5.1f)对聚集区域中的每个子区域B_i的结构特征表示Eⁱ进行层次聚类，将聚类后类别标号相同的子区域合并为同一区域，得到聚集区域A₁的分割结果，如图8所示，图8中B_i为对聚集区域分割的各个子区域；

(5.2)获取匀质区域A₂中的每个子区域C_i的结构特征表示，并对该结构特征表示进行层次聚类：

(5.2a)用与获取聚集区域A₁中的每个子区域B_i的结构特征表示相同的方法获取匀质区域A₂中的每个子区域C_i的结构特征表示：

$E^{i^{\text{'}}}=(e_1^{i1\text{'}},e_2^{i1\text{'}},...,e_5^{i1\text{'}},...,e_1^{\mathrm{ik}\text{'}},e_2^{\mathrm{ik}\text{'}},...,e_5^{\mathrm{ik}\text{'}},...,e_1^{i{n}^{\text{'}}\text{'}},e_2^{i{n}^{\text{'}}\text{'}},...,e_5^{\mathrm{in}\text{'}},{\mathrm{err}}^{i\text{'}})$

其中，E^i′∈R^1×p′，p′＝5×n′+1，n′为匀质区域中的子区域C_i的个数；

(5.2b)对匀质区域中的每个子区域C_i的结构特征表示E^i′进行层次聚类，将聚类后类别标号相同的子区域合并为同一区域，得到匀质区域A₂的分割结果，如图9所示，图9中的C_i为对匀质区域分割的各个子区域。

步骤6，对结构区域A₃用均值比边缘检测方法进行分割，并整合聚集区域A₁、匀质区域A₂和结构区域A₃的分割结果。

(6.1)对结构区域A₃用均值比边缘检测方法进行分割，得到结构区域A₃的分割结果，如图10所示，图10中大片的白色区域为不处理区域，

所述的均值比边缘检测方法，参见R-Touzi等人于1988年发表在IEEE Transactionson Geoscience and Remote Sensing杂志上的文章《A statistical and geometrical edge detectorfor SAR images》；

(6.2)计算第二类素描线的方向及每条素描线与其他素描线之间的欧氏距离，如果某两条素描线的方向相差小于10度，且这两条素描线之间的距离小于7，则判定这两条素描线互相平行；

(6.3)根据步骤(6.2)的结果确定线目标：如果结构区域A₃中的子区域的80％的像素位于某两个互相平行的素描线之间，则将该子区域作为线目标单独归为一类，反之执行步骤(6.4)；

(6.4)分别提取聚集区域A₁和匀质区域A₂以及结构区域A₃中的子区域的灰度特征，设置基于灰度特征的阈值T＝25，计算结构区域A₃中的子区域的灰度特征和与其相邻的聚集区域A₁和匀质区域A₂的灰度特征之间的欧式距离r，对这两个参数进行比较：

如果r≤T，则将结构区域A₃中的子区域合并到聚集区域A₁或匀质区域A₂中，否则执行步骤(6.5)；

(6.5)将结构区域A₃中剩余的未合并的子区域作为孤立目标，得到最终的SAR图像分割结果，如图11所示，图11中的不同灰度表示不同地物。

从图11可见，本发明不仅能够分割出SAR图像中明暗相间的聚集地物，对于大片的匀质区域，也能取得较理想的区分效果。

综上所述，本发明在SAR图像素描模型提取的素描图的基础上，根据素描线的聚集性分析和补全的素描图得到SAR图像的区域图，再根据区域图将原SAR图像映射为聚集区域、匀质区域和结构区域，对聚集区域和匀质区域使用本发明提出的方法进行分割时，能够自动学习图像结构特征，提高了SAR图像地物的区分效果。

以上描述仅是本发明的一个具体实例，并不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (3)

1.一种基于区域图和统计相似性编码的SAR图像分割方法，包括如下步骤：

(1)根据SAR图像的素描模型提取SAR图像的素描图；

(2)根据补全的素描图得到SAR图像的区域图，再根据区域图将原SAR图像映射成聚集区域A₁、匀质区域A₂和结构区域A₃；

(3)对聚集区域A₁和匀质区域A₂里的各个子区域分别采用栈式降噪自编码模型进行无监督训练，得到各个子区域所对应网络的参数；

(4)用步骤(3)获得的网络权值初始化对应网络，用反向传播算法微调网络权值，直至前后两次SAR图像的重构误差小于等于重构阈值σ＝0.05，否则，返回步骤(3)；

(5)将已训练完毕的同类型的子区域的网络权值进行基于统计相似性的结构特征编码，联合其重构误差，得到各个子区域的结构特征表示，并分别对同类型的各个子区域的结构特征表示进行层次聚类，得到聚集区域A₁及匀质区域A₂的分割结果；

(6)对结构区域A₃用均值比边缘检测方法进行分割，并将分割得到的各子区域合并到邻近的已分割后的匀质区域A₂与聚集区域A₁中去，得到结构区域A₃的分割结果，最终得到SAR图像分割结果。

2.根据权利要求1所述的SAR图像分割方法，其中步骤(3)所述的对聚集区域A₁和匀质区域A₂里的每个子区域分别采用栈式降噪自编码模型进行无监督训练，其步骤如下：

(3.1)将聚集区域A₁中像素个数不小于ω₁＝600的每个子区域B_i按大小为21×21的窗口进行密集采样，再分别用聚集区域所采用的栈式降噪自编码网络DN₁进行无监督训练，其中i＝1,2,…,n，n为聚集区域中的子区域B_i的个数；

(3.2)将匀质区域A₂中像素个数不小于ω₂＝600的每个子区域C_i按大小为15×15的窗口进行密集采样，再分别用匀质区域所采用的栈式降噪自编码网络DN₂进行无监督训练，其中i＝1,2,…,n′，n′为匀质区域中的子区域C_i的个数。

3.根据权利要求1所述的SAR图像分割方法，其中步骤(5)所述的将已训练完毕的同类型的子区域的网络权值进行基于统计相似性的结构特征编码，联合其重构误差，得到各个子区域的结构特征表示，其步骤如下：

(5.1)获取聚集区域A₁中的每个子区域B_i的结构特征表示：

(5.1a)将聚集区域中的第i个子区域B_i所对应网络的第k隐层的权值记为：

$W_k^i=\{w_{k1}^i,w_{k2}^i,..,w_{\mathrm{km}}^i,...,w_{{\mathrm{kn}}_k}^i\}$

其中，i＝1,2,…,n，n为聚集区域中的子区域B_i的个数，n_k为第k隐层的结点个数，k＝1,2,…,5，为聚集区域中的第i个子区域B_i所对应网络的第k隐层的第m个结点所对应的权值向量，m＝1,2,…,n_k；

(5.1b)计算聚集区域中的第i个子区域B_i与第j个子区域F_j所对应网络的第k隐层的第m个结点投影值：

$d_{\mathrm{km}}^{\mathrm{ij}}={w_{\mathrm{km}}^i}^T\·w_{\mathrm{km}}^j$

其中，j＝1,2,…,n，对进行二值化编码时，要先给定阈值α＝0.76，若时，则令否则令

(5.1c)由上述第k隐层的第m个结点的投影值得到聚集区域中的第i个子区域B_i与第j个子区域F_j所对应网络的第k隐层的所有结点的相似度向量：

$D_k^{\mathrm{ij}}=(d_{k1}^{\mathrm{ij}},d_{k2}^{\mathrm{ij}},..,d_{\mathrm{km}}^{\mathrm{ij}},...,d_{{\mathrm{kn}}_k}^{\mathrm{ij}});$

(5.1d)由上述第k隐层的所有结点的相似度向量得到聚集区域中的第i个子区域B_i与第j个子区域F_j所对应网络的第k隐层的基于统计相似性的结构特征编码：

$e_k^{\mathrm{ij}}=\frac{{\left|\right|D_k^{\mathrm{ij}}\left|\right|}_{l1}}{n_k},$

对结构特征编码进行二值化编码时，要先给定阈值β＝0.78，若则令 $e_k^{\mathrm{ij}}=1,$ 否则令 $e_k^{\mathrm{ij}}=0;$

(5.1e)将上述聚集区域中的第i个子区域B_i和聚集区域中的每个子区域F_j所对应网络的所有隐层的结构特征编码以及聚集区域中的第i个子区域B_i的重构误差errⁱ级联起来，得到聚集区域中的第i个子区域B_i的结构特征表示：

$E^i=(e_1^{i1},e_2^{i1},...,e_5^{i1},...,e_1^{\mathrm{ik}},e_2^{\mathrm{ik}},...,e_5^{\mathrm{ik}},...,e_1^{\mathrm{in}},e_2^{\mathrm{in}},...,e_5^{\mathrm{in}},{\mathrm{err}}^i)$

其中，Eⁱ∈R^1×p，p＝5×n+1；

(5.2)用与获取聚集区域A₁中的每个子区域B_i的结构特征表示相同的方法获取匀质区域A₂中的每个子区域C_i的结构特征表示：

$E^{i\′}=(e_1^{i1\′},e_2^{i1\′},...,e_5^{i1\′},...,e_1^{\mathrm{ik}\′},e_2^{\mathrm{ik}\′},...,e_5^{\mathrm{ik}\′},...,e_1^{i{n}^{\′}\′},e_2^{i{n}^{\′}\′},...,e_5^{i{n}^{\′}\′},{\mathrm{err}}^{i\′})$

其中，E^i′∈R^1×p′，p′＝5×n′+1，n′为匀质区域中的子区域C_i的个数。