CN105005987A

CN105005987A - 基于广义gamma分布的SAR图像超像素生成方法

Info

Publication number: CN105005987A
Application number: CN201510348973.9A
Authority: CN
Inventors: 邹焕新; 秦先祥; 周石琳; 计科峰; 雷琳
Original assignee: National University of Defense Technology
Current assignee: National University of Defense Technology
Priority date: 2015-06-23
Filing date: 2015-06-23
Publication date: 2015-10-28

Abstract

本发明提供一种基于广义gamma分布的SAR图像超像素生成方法。技术方案是：将SAR图像划分成若干区域，利用广义gamma分布描述SAR图像每个区域的区域PDF，PDF是指概率密度函数；结合SAR图像的区域PDF和空间距离信息构造局部聚类准则，对SAR图像的每一个像素进行聚类，更新SAR图像的区域划分；利用基于局部贝叶斯准则的边界演化方法消除SAR图像若干区域中的孤立小区域，则剩余的每个区域对应一个SAR图像超像素。本发明能够更好地利用SAR图像的上下文信息，不仅能消除孤立小区域，还能使得生成的超像素的边界与实际地物的边界更加吻合。

Description

基于广义gamma分布的SAR图像超像素生成方法

技术领域

本发明涉及成像雷达图像分割技术领域，更具体地说，涉及一种SAR(Synthetic ApertureRadar，合成孔径雷达)图像超像素生成方法。

背景技术

SAR是一种主动微波成像传感器，具有全天时、全天候成像能力，这使得SAR图像在很多军事和民用领域中得到了广泛应用。SAR图像分割是SAR图像自动解译的重要内容，是大量其他SAR图像解译算法包括目标检测与识别、地物分类等的重要环节。近年来，随着SAR成像技术的发展，SAR图像的分辨率不断提高。与传统的中低分辨率SAR图像相比，高分辨率SAR图像能够获取地物和目标更为丰富的信息，如何有效地挖掘这些有效信息是当前SAR图像解译的重要研究内容。SAR图像超像素生成是一种通过对图像像素进行聚类，得到一系列大小相近的具有特定意义的图像区域的方法。SAR图像超像素生成本质上是一种图像分割方法，伴随着高分辨率SAR图像的出现而兴起，在基于区域的SAR图像解译方法研究和应用***构建中具有广泛的应用前景。

当前，典型的图像超像素生成方法有基于图论的Normalized-Cut方法、凝聚式聚类(agglomerative clustering)方法、Turbopixel方法和SLIC(Simple Linear Iterative Clustering，简单线性迭代聚类)方法等，其研究主要针对光学图像开展。与其他方法相比，SLIC方法在边界拟合以及效率上都具有更优的性能。

SLIC方法主要包括两个步骤：(1)利用局部k-均值算法对图像像素聚类；(2)利用连通分量算法消除孤立的图像小区域。SLIC方法在聚类过程中，利用了各像素到聚类中心(即图像区域的均值)的欧氏距离进行聚类。然而，受SAR图像固有相干斑噪声以及SAR图像幅度值潜在的大动态变化特征的影响，SLIC方法难以生成有效的SAR图像超像素。另外，连通分量算法仅通过最近距离原则消除孤立小区域，没有充分利用图像本身的特征，难以处理步骤(1)生成的初始超像素的边界与实际地物边界偏离的问题。由于PDF(Probability DensityFunction,概率密度函数)比图像区域的均值能够更全面地描述SAR图像区域的统计特性，而广义gamma分布是一种用于描述SAR图像区域统计特性的重要PDF，因此，研究基于广义gamma分布的SAR图像超像素生成方法具有重要的理论意义和应用价值。

发明内容

本发明为了有效解决SAR图像超像素生成问题，提供了一种基于广义gamma分布的SAR图像超像素生成方法。本方法能够生成与实际地物的边界吻合较好的超像素，可以为基于区域的SAR图像解译方法研究和应用***构建提供重要支撑。

本发明的技术方案是：一种基于广义gamma分布的SAR图像超像素生成方法，将SAR图像划分成若干区域，其特征在于，包括下述步骤：

利用广义gamma分布描述SAR图像的区域PDF；结合SAR图像的区域PDF和空间距离信息构造局部聚类准则，对SAR图像的每一个像素进行聚类，得到SAR图像的若干区域；

利用基于局部贝叶斯准则的边界演化方法消除SAR图像若干区域中的孤立小区域，则剩余的每个区域对应一个SAR图像超像素。

特别地，局部聚类准则是基于待分类像素和待聚类中心的幅度相似度和距离相似度的加权和进行判定。

本发明的有益效果是：结合SAR图像的区域PDF和空间距离信息构造局部聚类准则能够更全面地利用区域的统计信息，生成均匀性更好的初始图像区域。利用基于局部贝叶斯准则的边界演化方法能够更好地利用SAR图像的上下文信息，不仅能消除孤立小区域，还能使得生成的超像素的边界与实际地物的边界更加吻合。

附图说明

图1为本发明的SAR图像超像素生成方法流程图；

图2是利用实测图像进行实验的结果，其中(a)原始SAR图像；(b)采用标准SLIC的结果图；(c)是利用本发明的结果图；

图3是对应实测图像中区域1的实验结果，其中(a)原始SAR图像的区域1；(b)采用标准SLIC的结果图；(c)是利用本发明的结果图；

图4是对应实测图像中区域2的实验结果，其中(a)原始SAR图像的区域2；(b)采用标准SLIC的结果图；(c)是利用本发明的结果图；

具体实施方式

下面结合附图对本发明提供的SAR图像超像素生成方法进行详细说明。

图1是本发明的SAR图像超像素生成方法流程图。该流程的第一步为算法初始化，包括SAR图像标准化、SAR图像区域初始划分、SAR图像像素标签的初始化、SAR图像聚类中心初始化以及相似度矩阵初始化。第二步为基于SAR图像的区域PDF和空间距离信息的SAR图像局部聚类。对应每一个聚类中心，计算其搜索范围内的各像素与其之间的综合相似度，利用它对相似度矩阵进行更新，进而更新相应像素的标签。第三步为基于局部贝叶斯准则的SAR图像区域边界演化。由于受到相干斑噪声等因素的影响，第二步得到的SAR图像区域包含很多孤立的小区域，并且SAR图像区域的边界可能与实际地物的边界存在一定的偏差，通过采用基于局部贝叶斯准则的边界演化处理，不仅可以消除孤立的小区域，还使得生成的超像素的边界与地物的边界更加吻合。

下面具体说明上述各个步骤：

第一步：算法初始化。

步骤①，SAR图像标准化。设给定一幅原始SAR图像I₀的幅度值为I₀(x,y),1≤x≤M,1≤y≤N，其中(x,y)表示该SAR图像的像素坐标值。对原始SAR图像I₀进行标准化可得标准化SAR图像I_1，其幅度值为I₁(x,y)＝I₀(x,y)/μ₀,1≤x≤M,1≤y≤N，其中为原始SAR图像I₀的均值。标准化的目的是为了压缩图像的动态范围，便于构造合理的像素聚类准则。

步骤②，SAR图像区域初始划分。将标准化SAR图像I₁划分为一系列相邻的大小均为L_S×L_S像素的图像区域R₁,R₂,...,R_k,...,R_Ns，即其中为区域总数，为计算方便，假设M和N均为L_S的整数倍，并且L_S的取值根据需要确定。

步骤③，SAR图像像素标签初始化。对由步骤②划分得到的每个图像区域中的像素赋予一个与图像区域序号相同的标签，得到标签图像L，即：

L = {L (x, y) | L (x, y) = k, &ForAll; (x, y) &Element; R_{k}, 1 \leq x \leq M, 1 \leq y \leq N}

步骤④，SAR图像聚类中心初始化。计算标准化SAR图像I₁的梯度模图像G，其每一个像素G(x,y)由下式进行计算：

然后将图像区域R_k中具有最小梯度模的像素作为图像区域R_k的初始聚类中心C_k，即：若

(x_{k}, y_{k}) = \underset{(x, y) &Element; R_{k}}{argmin} G (x, y),

则令C_k＝I₁(x_k,y_k)。

步骤⑤，相似度矩阵初始化。初始化相似度矩阵S为M行N列的全零矩阵，即令S＝{S(x,y)|S(x,y)＝0,1≤x≤M,1≤y≤N}。相似度矩阵记录标准化SAR图像I₁中的每一个像素点与某个聚类中心的相似度。

第二步：基于图像区域的PDF和空间距离信息的SAR图像局部聚类。

步骤①，估计标准化SAR图像I₁中各图像区域的PDF。设图像各区域的PDF为广义gamma分布，第k个图像区域R_k的PDF的形状参数、能量参数和尺度参数为按照下述方式计算：

\{\begin{matrix} {\hat{β}}_{k} = (h_{R_{k}} / 3 - 1 / 2) \sqrt[3]{- b_{k} + \sqrt{b_{k}^{2} + c_{k}^{3}}} + \sqrt[3]{- b_{k} - \sqrt{b_{k}^{2} + c_{k}^{3}}} \\ {\hat{ν}}_{k} = s g n (- {\hat{κ}}_{R_{k}}^{(3)}) {[Ψ (1, {\hat{β}}_{k}) / {\hat{κ}}_{R_{k}}^{(2)}]}^{1 / 2} \\ {\hat{σ}}_{k} = \exp {{\hat{κ}}_{R_{k}}^{(1)} - [Ψ ({\hat{β}}_{k}) - 1 o g ({\hat{β}}_{k})] / {\hat{ν}}_{k}} \end{matrix}

上式中：

\{\begin{matrix} {\hat{κ}}_{R_{k}}^{(1)} = (1 / N_{R_{k}}) \underset{I_{1} (x, y) &Element; R_{k}}{Σ} {lnI}_{1} (x, y) \\ {\hat{κ}}_{R_{k}}^{(2)} = (1 / N_{R_{k}}) \underset{I_{1} (x, y) &Element; R_{k}}{Σ} {({lnI}_{1} (x, y) - {\hat{κ}}_{R_{k}}^{(1)})}^{2} \\ {\hat{κ}}_{R_{k}}^{(3)} = (1 / N_{R_{k}}) \underset{I_{1} (x, y) &Element; R_{k}}{Σ} {({lnI}_{1} (x, y) - {\hat{κ}}_{R_{k}}^{(1)})}^{3} \end{matrix}

其中：

h_{R_{k}} = {({\hat{κ}}_{R_{k}}^{(2)})}^{3} / {({\hat{κ}}_{R_{k}}^{(3)})}^{2},

b_{k} = \frac{1}{8} [{(1 - \frac{2 h_{R_{k}}}{3})}^{3} - \frac{(3 - 2 h_{R_{k}}) (3 - 8 h_{R_{k}})}{6} + \frac{1 - 8 h_{R_{k}}}{2}],

c_{k} = - \frac{1}{9} h_{R_{k}} (3 + h_{R_{k}}),

sgn (t) = \{\begin{matrix} 1, & t > 0 \\ 0, & t = 0 \\ - 1, & t < 0 \end{matrix}

为符号函数，Ψ(1,·)和Ψ(·)分别为第1阶polygamma函数和digamma函数，N_Rk表示图像区域R_k中的像素数目。

步骤②，基于图像区域的PDF和空间距离信息的局部聚类。

(a)聚类中心的搜索范围确定。令以C_k为中心的大小为2L_S+1×2L_S+1的窗口范围为聚类中心C_k的搜索范围,k＝1,2,...,N_s。

(b)综合相似度计算。分别对应每个聚类中心C_k，依次计算C_k与其搜索范围内各像素之间的综合相似度为：

S_{c} (I_{m}^{(C_{k})}, C_{k}) = {wS}_{f} (I_{m}^{(C_{k})}, C_{k}) + (1 - w) S_{d} (I_{m}^{(C_{k})}, C_{k})

其中：表示在聚类中心C_k的搜索范围内的第m个像素在标准化SAR图像I₁中的幅度值，表示C_k搜索范围内的像素数目；

S_{f} (I_{m}^{(C_{k})}, C_{k}) = 1 - \exp {\frac{- | {\hat{ν}}_{k} | {\hat{β}}_{k}^{{\hat{β}}_{k}}}{{\hat{σ}}_{k} Γ ({\hat{β}}_{k})} {(\frac{I_{m}^{(C_{k})}}{{\hat{σ}}_{k}})}^{{\hat{β}}_{k} {\hat{ν}}_{k} - 1} \exp (- {\hat{β}}_{k} {(\frac{I_{m}^{(C_{k})}}{{\hat{σ}}_{k}})}^{{\hat{ν}}_{k}})}

为C_k与之间基于广义gamma分布的幅度值统计相似度；

S_{d} (I_{m}^{(C_{k})}, C_{k}) = 1 - \exp {- 1 / (\sqrt{{(x_{I_{m}^{(C_{k})}} - x_{C_{k}})}^{2} + {(y_{I_{m}^{(C_{k})}} - y_{C_{k}})}^{2}} / L_{S})}

为C_k与之间的空间相似度，为C_k的坐标值，为的坐标值；Γ(·)表示Gamma函数；w∈[0,1]为权值参数，其大小反映了幅度值统计相似度与空间相似度在综合相似度中的权重，其值越大，则幅度值统计相似度的权重越大，反之则空间相似度的权重越大。

(c)相似度矩阵S、SAR图像像素标签以及图像区域更新。

若

S (x_{I_{m}^{(C_{k})}}, y_{I_{m}^{(C_{k})}}) < S_{c} (I_{m}^{(C_{k})}, C_{k}),

则令

S (x_{I_{m}^{(C_{k})}}, y_{I_{m}^{(C_{k})}}) = S_{c} (I_{m}^{(C_{k})}, C_{k}), L (x_{I_{m}^{(C_{k})}}, y_{I_{m}^{(C_{k})}}) = L (x_{C_{k}}, y_{C_{k}});

将图像I₁中标签L(x,y)＝k的像素点划归到图像区域R_k中，同时更新

步骤③，聚类中心更新。

(x_{C_{k}}, y_{C_{k}}) = (\frac{1}{N_{R_{k}}} \underset{L (x, y) = k}{Σ} x, \frac{1}{N_{R_{k}}} \underset{L (x, y) = k}{Σ} y), C_{k} = I_{1} (x_{C_{k}}, y_{C_{k}}) .

步骤④，重复迭代执行步骤①至③，直到聚类中心C_k的坐标值不再变化或者重复迭代次数达到设定的最大值

第三步：基于局部贝叶斯准则的SAR图像区域边界演化。

步骤①，边界像素最大似然演化。令标准化SAR图像I₁的图像区域R₁,R₂,...,R_k,...,的边界像素集合为其中N_b为边界像素的总数，边界像素的坐标值为则按照如下最大似然准则对每一个边界像素的标签进行更新：

其中为边界像素的二阶邻域中的标签矩阵，即：

η_{I_{n}^{(b)}} = [\begin{matrix} L (x_{I_{n}^{(b)}} - 1, y_{I_{n}^{(b)}} - 1) & L (x_{I_{n}^{(b)}} - 1, y_{I_{n}^{(b)}}) & L (x_{I_{n}^{(b)}} - 1, y_{I_{n}^{(b)}} + 1) \\ L (x_{I_{n}^{(b)}}, y_{I_{n}^{(b)}} - 1) & L (x_{I_{n}^{(b)}}, y_{I_{n}^{(b)}}) & L (x_{I_{n}^{(b)}}, y_{I_{n}^{(b)}} + 1) \\ L (x_{I_{n}^{(b)}} + 1, y_{I_{n}^{(b)}} - 1) & L (x_{I_{n}^{(b)}} + 1, y_{I_{n}^{(b)}}) & L (x_{I_{n}^{(b)}} + 1, y_{I_{n}^{(b)}} + 1) \end{matrix}] .

步骤②，重复迭代执行步骤①，直到迭代次数达到设定的最大次数

步骤③，边界像素最大后验概率演化。按照如下的最大后验概率准则对每一个边界像素的标签再次进行更新：

其中：

B_{I_{n}^{(b)}} = A \cdot D_{I_{n}^{(b)}}, A = [\begin{matrix} α & α & α \\ α & 1 & α \\ α & α & α \end{matrix}]

为权值矩阵，平滑参数α＞0，典型地可取α＝1.5；为的指示矩阵：

D_{I_{n}^{(b)}} (n_{1}, n_{2}) = \{\begin{matrix} 1, & η_{I_{n}^{(b)}} (n_{1}, n_{2}) = L (x_{I_{n}^{(b)}}, y_{I_{n}^{(b)}}) \\ 0, & η_{I_{n}^{(b)}} (n_{1}, n_{2}) &NotEqual; L (x_{I_{n}^{(b)}}, y_{I_{n}^{(b)}}) \end{matrix}, 1 \leq n_{1}, n_{2} \leq 3, B_{I_{n}^{(b)}} (i^{'}, j^{'})

为的第i′行第j′列元素。

步骤④，重复执行步骤③，直到执行次数达到设定的最大次数然后将原始图像I₀中标签L(x,y)＝k的像素点划归到图像区域R_k，k＝1,2,...,N_s，则图像区域R_k即为原始图像I₀的第k个超像素。

图2(a)给出了一幅大小为300×450像素的原始SAR图像，图2(b)和图2(c)分别给出了采用标准SLIC和本发明方法生成的SAR图像超像素结果，其中本发明方法中参数设置为L_S＝15、w＝0.6、和α＝1.5。从图中可以看出，标准SLIC方法生成的超像素的边界能够较好吻合对比度较大的地物的边界，但是对于对比度较小的地物的边界吻合较差。相比之下，本发明方法生成的超像素的边界不仅与对比度大的地物的边界吻合很好，还与对比度相对较小的地物的边界吻合较好。

为了更好地观察标准SLIC方法和本发明方法生成的SAR图像超像素结果，图3和图4分别给出了利用两种方法对包含不同地物的典型区域(即分别对应图2(a)中左下角矩形框所示的区域1和右下角矩形框所示的区域2)的处理结果。图3(a)给出了与区域1对应的原始SAR图像，图3(b)和图3(c)分别给出了采用标准SLIC和本发明方法生成的与区域1对应的超像素结果，其中曲线表示超像素的边界；图4(a)给出了与区域2对应的原始SAR图像，图4(b)和图4(c)分别给出了采用标准SLIC和本发明方法生成的与区域2对应的原始SAR图像超像素结果，其中曲线表示超像素的边界。

从图3和图4可以清楚地看出，与标准SLIC方法相比，本发明方法能够生成与实际地物边界更加吻合的超像素，典型的如对应图3(a)中左侧中部椭圆所示的区域A和右下角椭圆所示区域B以及图4(a)中底部中间椭圆所示的区域C的超像素生成结果，从而验证了本发明方法的有效性。

Claims

1.一种基于广义gamma分布的SAR图像超像素生成方法，SAR是指合成孔径雷达，将SAR图像划分成若干区域，其特征在于，还包括下述步骤：

利用广义gamma分布描述SAR图像每个区域的区域PDF，PDF是指概率密度函数；结合SAR图像的区域PDF和空间距离信息构造局部聚类准则，对SAR图像的每一个像素进行聚类，更新SAR图像的区域划分；利用基于局部贝叶斯准则的边界演化方法消除SAR图像若干区域中的孤立小区域，则剩余的每个区域对应一个SAR图像超像素。

2.根据权利要求1所述的基于广义gamma分布的SAR图像超像素生成方法，其特征在于，局部聚类准则是基于待分类像素和待聚类中心的幅度相似度和距离相似度的加权和进行判定。