CN105205450A - 一种基于非规则标识点过程的sar图像目标提取方法 - Google Patents
一种基于非规则标识点过程的sar图像目标提取方法 Download PDFInfo
- Publication number
- CN105205450A CN105205450A CN201510523943.7A CN201510523943A CN105205450A CN 105205450 A CN105205450 A CN 105205450A CN 201510523943 A CN201510523943 A CN 201510523943A CN 105205450 A CN105205450 A CN 105205450A
- Authority
- CN
- China
- Prior art keywords
- target
- polygon
- image
- node
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000000605 extraction Methods 0.000 title claims abstract description 53
- 230000001788 irregular Effects 0.000 title claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 81
- 230000005484 gravity Effects 0.000 claims abstract description 40
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于非规则标识点过程的SAR图像目标提取方法,属于图像处理领域。包括:(1)获得待提取目标图像,(2)假设图像共有m个目标:随机产生m个生成点,并以此作为每个目标的重心点,分别为每个重心点生成一个由若干节点构成的多边形。其中,重心点坐标用来定位目标,由节点组成的标识用来刻画目标几何形状(3)根据贝叶斯定理得到后验概率分布,即图像几何特征提取模型。(4)利用RJMCMC算法模拟后验概率分布。(5)通过最大后验概率准则,得到图像几何特征提取模型最优解,完成目标提取。利用多边形拟合目标区域,构建以非规则图形为标识的标识点过程,拟合图像中具有任意形状的目标,极大提高目标提取精度,且简单易于实现。
Description
技术领域
本发明属于图像处理领域,特别涉及一种基于非规则标识点过程的SAR图像目标提取方法。
背景技术
SAR(SyntheticApertureRadar,合成孔径雷达)***不受气候条件及日照的影响,可以全气候全天时进行工作,被广泛运用于民用及军事领域。其中目标提取是用来辨识地物目标的重要环节。但在SAR图像中,其特有的斑点噪声导致目标与背景的边界不明显甚至模糊,这使得人们难以准确的确定地物目标的几何形状,因此针对SAR图像目标提取成为图像处理领域研究的热点及难点问题。
图像的主要信息一般集中在几个少数的关键区域内,这些区域称为感兴趣区域。图像目标提取的任务就是从单幅图像或序列图像中将感兴趣的目标与背景分割开来,用于后续的处理。在现有技术中,传统的基于MPP(MarkedPointProcess,标识点过程)的几何特征提取方法是最有效的方法。目前该类方法中,地物目标几何是由预先定义的规则图形约束的,但由于实际地物目标并非都是规则图形,因此上述方法难以较好的拟合出地物目标。
发明内容
针对现有技术存在的不足,本发明提供一种基于非规则标识点过程的SAR图像目标提取方法。
本发明的技术方案如下:
一种基于非规则标识点过程的SAR图像目标提取方法,包括以下步骤:
步骤1:给定待提取目标图像,并假设该图像上共有m个目标;
步骤2:建立地物目标几何模型;方法为:1)在该图像上,随机产生m个点,并将该m个点分别作为该图像上各目标的重心点;2)在该图像上,分别为每个重心点生成一个由若干节点构成的多边形,其中各多边形之间不发生重叠,所述多边形即为相应重心的标识,所有重心点对应的多边形标识之和即为所有提取的目标;
且作出如下定义:重心点集G={Gj=(uj,vj)∈D;j=1,…,m},其中,(uj,vj)为第j个地物目标的几何重心坐标;节点集P={Pj={(sjl,tjl)∈D;l=1,…,k},j=1,…,m};Pj={(sjl,tjl)∈D;l=1,…,k}为第j个重心点对应的节点集,其中,kj为第j个重心点对应的节点总数;
步骤3:基于地物目标几何模型,建立图像几何特征提取模型;
步骤4:采用RJMCMC算法模拟后验概率的方法,求取图像几何特征提取模型的最优解;
步骤5:输出目标提取结果图像。
根据所述的基于非规则标识点过程的SAR图像目标提取方法,所述的步骤3包括如下步骤:
步骤3.1:假设图像中各像素的强度值相互独立且均服从高斯分布,分别定义图像目标区域内像素的联合概率密度函数、图像背景区域内像素的联合概率密度函数和图像域内所有像素的联合概率分布函数,得到高斯分布参数集合θ;
SAR图像中包括目标区域和背景区域,即D={Do,Db},其中,目标区域由m个非规则多边形标识构成,即Do={Pj,j=1,…,m}={(xi,yi)∈Pj,j=1,...,m},背景区域Db={(xi,yi)∈D\Do},即SAR图像中目标区域以外的像素均为背景区域像素;
目标区域像素强度集合为:Zo={Zi;(xi,yi)∈Do}。假设其中各像素强度服从均值和标准差分别为μo和σo的独立同一高斯分布,则Zo的联合概率密度函数为:
背景区域像素强度集合为:Zb={Zi;(xi,yi)∈Db}。同样,假设其中各像素强度服从均值和标准差分别为μb和σb的独立同一的高斯分布,则Zb的联合概率密度函数为:
假设目标区域和背景区域像素分布相互独立,则图像域内所有像素的联合概率分布可定义为:
其中,θ为高斯分布参数集合,θ={(μo,σo),(μb,σb)}={θo,θb};
步骤3.2:分别定义各参数的先验概率,所述参数包括:高斯分布参数集合θ、多边形个数m、重心点集G、节点集P;
高斯分布参数集合θ的先验概率分布:假设高斯分布参数均服从正态分布,且相互独立,则高斯分布参数联合概率密度函数定义为:
其中(ωk,ξk),k=1,2,3,4分别表示目标像素强度正态分布参数和背景像素强度正态分布参数所服从的先验正态分布的均值和方差;x1=μo,x2=σo,x3=μb,x4=σb;
多边形个数m的先验概率分布:假设其满足均值为λ的泊松分布,即:
目标重心点集G的先验概率分布:假设目标重心点均匀分布于图像域D,并且各重心点相互独立,则目标重心点的先验概率密度函数为:
其中|D|表示图像域D的面积。
节点集P的先验概率分布:对于给定重心点(uj,vj),其对应的多边形顶点各自独立均匀分布于图像域D上,则Pj={(sjl,tjl)∈D;l=1,…,kj}的概率:
则节点集P={Pj,j=1,…,m}的先验概率分布为:
步骤3.3:由步骤3.1得到的联合概率分布和步骤3.2得到的先验概率,根据贝叶斯定理得到目标图像的后验概率分布,即图像几何特征提取模型;
根据贝叶斯定理得到目标图像的后验概率分布函数为:
p(θ,G,m,P|Z)∝p(Z|θ,G,m,P)p(θ)p(P|m,G)p(G|m)p(m)
进而得到图像几何特征提取模型为:
根据所述的基于非规则标识点过程的SAR图像目标提取方法,所述的步骤4包括如下步骤:
步骤4.1:通过随机改变高斯分布参数集合θ中的参数来更新高斯分布参数;
步骤4.2:通过位移多边形操作来找到目标的位置;
步骤4.3:分别通过增加多边形操作和删除多边形操作来确定目标个数;
步骤4.4:分别通过增加多边形节点操作和删除多边形节点操作来确定目标几何形状;
步骤4.5:合并多边形;
步骤4.6:重复执行步骤4.1至步骤4.5,直至后验概率分布函数达到最大值,进而得到目标几何特征提取模型的最优解。
根据所述的基于非规则标识点过程的SAR图像目标提取方法,所述步骤4.1包括如下具体内容:
依次更改SAR图像的背景区域及目标区域的高斯分布参数集θ={μb,σb,μo,σo}中的参数,得到新的高斯分布参数集θ*;则更新高斯分布参数的接受率为:
根据所述的基于非规则标识点过程的SAR图像目标提取方法,所述步骤4.2位移多边形操作的方法为:在m个地物目标的重心点集G中以等概率随机选取其中一个重心点;位移该重心点到新的位置,所述新的位置为以该重心点的初始位置为圆心,预设半径mr的圆内任意点的位置;计算该重心点由其初始位置到新的位置的坐标偏移量;同时,将该重心点对应的所有节点均以相同的坐标偏移量位移到新的位置,则该重心点的新位置的接受率为:
根据所述的基于非规则标识点过程的SAR图像目标提取方法,所述步骤4.3中增加多边形操作的方法为:首先在图像域D中随机产生一个新的重心点,并标记为m+1;将该新的重心点加入到重心点集G中,形成新的重心点集G*,建立第m+1个重心点对应的多边形,即在该新的重心点的周围附近生成多个节点,并按照一定顺序顺次连接该多个节点,形成新的多边形,该新的多边形与原有多边形不能相交;同时,形成了新的节点集Pm+1,则增加该新的多边形的接受率为:
所述步骤4.3中删除多边形操作是所述步骤4.3中增加多边形操作的对偶操作,因此删除多边形的接受率为:
根据所述的基于非规则标识点过程的SAR图像目标提取方法,所述步骤4.4中增加多边形节点操作的方法为:在重心集G中以等概率随机选取一个重心点;然后在该重心点对应的所有节点中以等概率随机选取两个相邻节点;再然后以该两个节点连线上的中点为圆心,以该两点间距离的一半为半径的圆内,任意选取一个点作为新的节点,定义该重心点的节点集为Pj *,则增加节点的接受率为:
根据所述的基于非规则标识点过程的SAR图像目标提取方法,所述步骤4.4中删除多边形节点操作的方法为:在重心集G中以等概率随机选取一个重心点;然后在该重心点对应的所有节点中以等概率随机选取一个节点,删除该节点;删除该节点后该多边形对应的节点集变为Pj *,删除多边形节点的接受率为:
根据所述的基于非规则标识点过程的SAR图像目标提取方法,所述步骤4.5中合并多边形的方法为:在重心集G中以等概率随机选取一个重心点,例如第j个重心点;找到其最近相邻目标的重心点,设为p,则其几何重心为Gp;第j个重心点对应kj个节点、kj条边,假设其相邻目标的重心点p共有kp个节点、kp条边;通过由kj个节点中的每个节点向kp条边中每条边分别作垂线,计算出kj个节点中的每个节点到kp条边中每条边的距离,当距离小于给定阈值时,则记录该垂足坐标;同理,由kp个节点中每个节点向kj条边中每条边分别作垂线,并计算kp个节点中的每个节点到kj条边中每条边的距离,当距离小于给定阈值时,则记录该垂足坐标;当所记录的垂足个数大于等于2时,进行合并多边形操作,按照一定顺序顺次连接该两个重心点对应的节点及垂足,生成一个新的多边形,即新的目标,则总目标个数变为m-1;重新确定新的多边形,相应的确定新的重心点,得到新的重心点集为G*,相应的参数集更新为Ψ*=(θ,G*,m-1,P*);合并多边形操作的接受率为:
根据所述的基于非规则标识点过程的SAR图像目标提取方法,判断是否接受所述操作的方法为:从0-1中产生一个随机数,判断该随机数与所述接受率的大小关系,当所述接受率大于该随机数时,接受所述操作。
本发明的有益效果:
1、由随机几何理论可知,在一定精度条件下,平面上任意几何形状总可以由一组有限顶点构造的多边形拟合而成。为了能够在几何上描述任意形状的地物目标,本发明构建了以非规则图形为标识的MPP(MarkPointProcess)。
2、本发明根据贝叶斯定理建立了目标几何特征提取模型,并采用RJMCMC(ReversibleJumpMarkovChainMonteCarlo,可逆跳转蒙特卡罗)算法来模拟后验概率分布,较好的克服了斑点噪声对SAR图像的影响,从而实现较好的目标提取结果。
附图说明
图1为本发明具体实施方式的基于非规则标识点过程的SAR图像目标提取方法流程图;
图2(a)为本发明中具体实施方式的一个待提取目标图像;
图2(b)为本发明中具体实施方式的一个待提取目标图像;
图2(c)为本发明中具体实施方式的一个待提取目标图像;
图3为本发明一种实施方式的地物目标几何模型示意图;
图4为本发明具体实施方式的移动目标操作流程图;
图5为本发明具体实施方式的增加目标操作流程图;
图6为本发明具体实施方式的增加目标节点操作流程图;
图7为本发明具体实施方式的删除目标节点操作流程图;
图8为本发明具体实施方式的合并多边形操作流程图;
图9(a)为图2(a)的目标提取结果图像;
图9(b)为图2(b)的目标提取结果图像;
图9(c)为图2(c)的目标提取结果图像。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
本实施方式的基于非规则标识点过程的SAR图像目标提取方法,是通过在Matlab上编程实现的,包括如图1所示的具体步骤:
步骤1:输入待提取目标图像,并假设该目标图像上共有m个目标:
图2(a)、图2(b)和图2(c)为本实施方式采用的3幅待提取目标图像,其中的目标均为非规则形状。图像中像素强度的集合为Z={Zi=Z(xi,yi);i=1,…,n,(xi,yi)∈D},其中(xi,yi)为定义在图像域D上的像素点,i为像素点索引,n为总像素数,Zi为第i个像素的强度值。
步骤2:建立地物目标几何模型;方法为:1)在该图像上,随机产生m个点,并将该m个点分别作为该图像上各目标的重心点;2)在该图像上,分别在每个所述重心点的周围附近生成多个节点,各重心点分别对应的多个节点将作为各个多边形的顶点;3)按照一定顺序顺次连接各重心点分别对应的多个节点,形成多个多边形,即分别为每个重心点生成一个由若干节点构成的多边形,其中各多边形之间不发生重叠,所述多边形即为相应重心点的标识,所有重心点对应的多边形标识之和即为所有提取的目标;
本实施方式给出如下定义:重心点集G={Gj=(uj,vj)∈D;j=1,…,m},其中,(uj,vj)为第j个地物目标的几何重心坐标;节点集P={Pj={(sjl,tjl)∈D;l=1,…,k},j=1,…,m};Pj={(sjl,tjl)∈D;l=1,…,k}为第j个重心点对应的节点集,其中,kj为第j个重心点对应的节点总数;
由节点集Pj构成的多边形作为与重心点Gj相应的标识,以刻画第j个地物目标的几何特征。图3为具有两个重心点(十字点),分别对应5个节点(实圆点)的节点集的点过程和3个节点(实圆点)的节点集的点过程,则由该两个节点集构成的五边形和三角形分别作为该两个重心点对应的两个目标的标识。
步骤3:建立图像几何特征提取模型;
步骤3.1:假设图像中各像素的强度值相互独立且均服从高斯分布,分别定义目标区域内像素的联合概率密度函数、背景区域内像素的联合概率密度函数和图像域内所有像素的联合概率分布函数;
SAR图像中包括目标区域和背景区域,即D={Do,Db},其中,目标区域由m个非规则多边形标识构成,即Do={Pj,j=1,…,m}={(xi,yi)∈Pj,j=1,...,m},背景区域Db={(xi,yi)∈D\Do},即SAR图像中目标区域以外的像素均为背景区域像素。
目标区域像素强度定义为:Zo={Zi;(xi,yi)∈Do}。假设其中各像素强度服从均值和标准差分别为μo和σo的独立同一高斯分布,则Zo的联合概率密度函数为:
背景区域像素强度定义为:Zb={Zi;(xi,yi)∈Db}。同样,假设其中各像素强度服从均值和标准差分别为μb和σb的独立同一的高斯分布,则Zb的联合概率密度函数为:
假设目标区域和背景区域像素分布相互独立,则图像域内所有像素的联合概率分布可定义为:
其中,θ为高斯分布参数集合,θ={(μo,σo),(μb,σb)}={θo,θb}。
步骤3.2:分别定义各参数的先验概率分布,所述参数包括:高斯分布参数集合θ、多边形个数m、目标点集G、节点集P;,即参数集Ψ=(θ,G,m,P)。
高斯分布参数集合θ的先验概率分布:假设高斯分布参数均服从正态分布,且相互独立,则高斯分布参数联合概率密度函数定义为:
其中(ωk,ξk),k=1,2,3,4分别表示目标像素强度正态分布参数和背景像素强度正态分布参数所服从的先验正态分布的均值和方差。x1=μo,x2=σo,x3=μb,x4=σb
多边形个数m的先验概率分布:假设其满足均值为λ的泊松分布,即:
目标重心点集G的先验概率分布:假设目标重心点均匀分布于图像域D,并且各重心点相互独立,则目标重心点的先验概率密度函数为:
其中|D|表示图像域D的面积。
节点集P的先验概率分布:对于给定重心点(uj,vj),其对应的多边形顶点各自独立均匀分布于图像域D上,则Pj={(sjl,tjl)∈D;l=1,…,kj}的概率:
则节点集P={Pj,j=1,…,m}的先验概率分布为:
步骤3.3:由步骤3.1得到的联合概率分布和步骤3.2得到的先验概率,根据贝叶斯定理得到目标图像的后验概率分布函数,进而得到图像几何特征提取模型;
根据贝叶斯定理得到目标图像的后验概率分布函数为:
p(θ,G,m,P|Z)∝p(Z|θ,G,m,P)p(θ)p(P|m,G)p(G|m)p(m)
进而得到图像几何特征提取模型为:
步骤4:求取图像几何特征提取模型的最优解;
方法为:采用RJMCMC算法模拟后验概率,具体包括以下操作步骤:
步骤4.1:通过随机改变高斯分布参数集合θ中的参数来更新高斯分布参数;
依次更改SAR图像的背景区域及目标区域的高斯分布参数集θ={μb,σb,μo,σo}中的参数(例如,提出新的参数μb *(σb *\μo *\σo *),μb *(σb *\μo *\σo *)~N(μb *(σb *\μo *\σo *),ε);得到新的高斯分布参数集θ*;则更新高斯分布参数的接受率为:
从0-1中产生一个随机数,判断该随机数与该接受率的大小关系,当该接受率大于该随机数时,接受该操作。
步骤4.2:通过位移多边形操作来找到目标的位置;
方法如图4所示,在m个地物目标的重心点集G中以等概率(1/m)随机选取其中一个重心点,例如第j个重心点;位移该重心点到新的位置,所述新的位置为以该重心点的初始位置为圆心,预设半径mr的圆内任意点的位置,例如第j个重心点位移后的新的位置为Gj *=(uj *,vj *);计算该重心点由其初始位置到新的位置的坐标偏移量,例如第j个重心点位移后,其初始位置到新的位置的坐标偏移量为Δu=uj *-uj,Δv=vj *-vj;同时,将该重心点对应的所有节点均以相同的坐标偏移量位移到新的位置,例如将第j个重心点对应的所有节点Pj={(sjl,tjl)∈D;l=1,…,kj}均以坐标偏移量(Δu,Δv)位移到新的位置:
则位移目标后,节点集合Pj变为Pj *={(sjl *,tjl *)∈D;l=1,…,kj}。计算出位移后目标的几何重心的新位置的接受率,例如第j个目标的几何重心的新位置的接受率为:
从0-1中产生一个随机数,判断该随机数与该接受率的大小关系,当该接受率大于该随机数时,接受该操作。
步骤4.3:分别通过增加多边形操作和删除多边形操作来确定目标个数;
增加多边形操作方法如图5所示,首先在图像域D中随机产生一个新的重心点,并标记为m+1,该新的重心点的位置标记为将该新的重心点加入到重心点集G中,形成新的重心点集G*={(u1,v1),…,(uj,vj),….(um,vm),(um+1*,vm+1*)},建立第m+1个重心点对应的多边形,即在该新的重心点的周围附近生成多个节点,并按照一定顺序顺次连接该多个节点,形成新的多边形,该新的多边形与原有多边形不能相交。同时,形成了新的节点集Pm+1={(s(m+1)l,t(m+1)l)∈D;l=1,…,km+1}。增加该新的多边形的接受率为:
从0-1中产生一个随机数,判断该随机数与该接受率的大小关系,当该接受率大于该随机数时,接受该操作。
由于删除多边形操作是增加多边形操作的对偶操作,因此删除多边形的接受率为:从0-1中产生一个随机数,判断该随机数与该接受率的大小关系,当该接受率大于该随机数时,接受该操作。
步骤4.4:分别通过增加多边形节点操作和删除多边形节点操作来确定目标几何形状;
步骤4.4.1:增加多边形节点的操作过程如图6所示,在m个地物目标的重心集G中以等概率(1/m)随机选取其中一个重心点,例如第j个重心点;然后在该重心点对应的所有节点中以等概率随机选取两个相邻节点,例如在第j个重心点对应的kj个节点中以等概率随机选取两个相邻节点第l节点和第l+1个节点;再以该两个节点连线上的中点为圆心,以该两点间距离的一半为半径的圆内,任意选取一个点作为新的节点,例如节点(sj(l+1),tj(l+1)),则该重心点的节点集变为Pj *={(sjl,tjl)∈D;l=1,…,kj+1};计算出增加目标节点的接受率为:
从0-1中产生一个随机数,判断该随机数与该接受率的大小关系,当该接受率大于该随机数时,接受该操作。
步骤4.4.2:删除多边形节点的操作过程如图7所示,在m个地物目标的重心集G中以等概率(1/m)随机选取其中一个重心点,例如第j个重心点;然后在该重心点对应的所有节点中以等概率随机选取一个节点,删除该节点。例如在第j个目标的kj个节点中以等概率随机选取一个节点l,删除该节点。删除该节点后该多边形对应的节点集变为Pj *={(sj1,tj1),...,(sjl-1,tjl-1),(sjl+1,tjl+1),...(sjkj,tjkj)},删除多边形节点的接受率为:
从0-1中产生一个随机数,判断该随机数与该接受率的大小关系,当该接受率大于该随机数时,接受该操作。
步骤4.5:合并多边形;
具体操作过程如图8所示,在m个地物目标的重心集G中以等概率(1/m)随机选取其中一个重心点,例如第j个重心点;找到其最近相邻目标的重心点,设为p,则其几何重心为Gp=(up,vp)∈D。第j个目标共有kj个节点、kj条边,假设其相邻目标p共有kp个节点、kp条边。通过由kj个节点中的每个节点向kp条边中每条边分别作垂线,计算出kj个节点中的每个节点到kp条边中每条边的距离,当距离小于给定阈值时,则记录该垂足坐标;同理,由kp个节点中每个节点向kj条边中每条边分别作垂线,并计算kp个节点中的每个节点到kj条边中每条边的距离,当距离小于给定阈值时,则记录该垂足坐标;当所记录的垂足个数大于等于2时,进行合并多边形操作,按照一定顺序顺次连接该两个重心点对应的节点及垂足,生成一个新的多边形,即新的目标,则总目标个数变为m-1;重新确定新的多边形,即新的目标的几何重心坐标,标记为则新的重心点集为G*={(u1,v1),…,(uj-2,vj-2),(uj*,vj*),….(um-1,vm-1)}或G*={(u1,v1),…,(uj*,vj*),(uj+2,vj+2),…,(um-1,vm-1)},参数集更新为Ψ*=(θ,G*,m-1,P*)。
合并多边形操作的接受率为:
从0-1中产生一个随机数,判断该随机数与该接受率的大小关系,当该接受率大于该随机数时,接受该操作。
步骤4.6:重复执行步骤4.1至步骤4.5,直至后验概率分布函数达到最大值,进而得到目标几何特征提取模型的最优解;
由最大后验概率(MaximumAPosteriori,MAP)准则可知,当后验概率分布取得最大值时,目标几何特征提取模型可得到最优解;
步骤5:输出目标提取结果图像;
采用本实施方式的基于非规则图形标识的SAR图像目标提取方法分别对图2(a)、图2(b)和图2(c)所示的待提取目标图像进行目标提取后的结果分别如图9(a)、图9(b)和图9(c)所示,可以看出,采用本发明的方法,可以将准确的确定地物目标的非规则几何形状,能够精确区分目标与背景的边界,帮助用户将感兴趣的目标与背景分割开来;能够较好的克服斑点噪声对SAR图像的影响,获得较好的目标提取结果。
Claims (10)
1.一种基于非规则标识点过程的SAR图像目标提取方法,其特征在于:包括以下步骤:
步骤1:给定待提取目标图像,并假设该图像上共有m个目标:
步骤2:建立地物目标几何模型;方法为:1)在该图像上,随机产生m个点,并将该m个点分别作为该图像上各目标的重心点;2)在该图像上,分别为每个重心点生成一个由若干节点构成的多边形,其中各多边形之间不发生重叠,所述多边形即为相应重心的标识,所有重心点对应的多边形标识之和即为所有提取的目标;
且作出如下定义:重心点集G={Gj=(uj,vj)∈D;j=1,…,m},其中,(uj,vj)为第j个地物目标的几何重心坐标;节点集P={Pj={(sjl,tjl)∈D;l=1,…,k},j=1,…,m};Pj={(sjl,tjl)∈D;l=1,…,k}为第j个重心点对应的节点集,其中,kj为第j个重心点对应的节点总数;
步骤3:基于地物目标几何模型,建立图像几何特征提取模型;
步骤4:采用RJMCMC算法模拟后验概率的方法,求取图像几何特征提取模型的最优解;
步骤5:输出目标提取结果图像。
2.根据权利要求1所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:所述的步骤3包括如下步骤:
步骤3.1:假设图像中各像素的强度值相互独立且均服从高斯分布,分别定义图像目标区域内像素的联合概率密度函数、图像背景区域内像素的联合概率密度函数和图像域内所有像素的联合概率分布函数,得到高斯分布参数集合θ;
SAR图像中包括目标区域和背景区域,即D={Do,Db},其中,目标区域由m个非规则多边形标识构成,即Do={Pj,j=1,…,m}={(xi,yi)∈Pj,j=1,...,m},背景区域Db={(xi,yi)∈D\Do},即SAR图像中目标区域以外的像素均为背景区域像素;
目标区域像素强度集合为:Zo={Zi;(xi,yi)∈Do}。假设其中各像素强度服从均值和标准差分别为μo和σo的独立同一高斯分布,则Zo的联合概率密度函数为:
背景区域像素强度集合为:Zb={Zi;(xi,yi)∈Db}。同样,假设其中各像素强度服从均值和标准差分别为μb和σb的独立同一的高斯分布,则Zb的联合概率密度函数为:
假设目标区域和背景区域像素分布相互独立,则图像域内所有像素的联合概率分布可定义为:
其中,θ为高斯分布参数集合,θ={(μo,σo),(μb,σb)}={θo,θb};
步骤3.2:分别定义各参数的先验概率,所述参数包括:高斯分布参数集合θ、多边形个数m、重心点集G、节点集P;
高斯分布参数集合θ的先验概率分布:假设高斯分布参数均服从正态分布,且相互独立,则高斯分布参数联合概率密度函数定义为:
其中(ωk,ξk),k=1,2,3,4分别表示目标像素强度正态分布参数和背景像素强度正态分布参数所服从的先验正态分布的均值和方差;x1=μo,x2=σo,x3=μb,x4=σb;
多边形个数m的先验概率分布:假设其满足均值为λ的泊松分布,即:
目标重心点集G的先验概率分布:假设目标重心点均匀分布于图像域D,并且各重心点相互独立,则目标重心点的先验概率密度函数为:
其中|D|表示图像域D的面积。
节点集P的先验概率分布:对于给定重心点(uj,vj),其对应的多边形顶点各自独立均匀分布于图像域D上,则Pj={(sjl,tjl)∈D;l=1,…,kj}的概率:
则节点集P={Pj,j=1,…,m}的先验概率分布为:
步骤3.3:由步骤3.1得到的联合概率分布和步骤3.2得到的先验概率,根据贝叶斯定理得到目标图像的后验概率分布,即图像几何特征提取模型;
根据贝叶斯定理得到目标图像的后验概率分布函数为:
p(θ,G,m,P|Z)∝p(Z|θ,G,m,P)p(θ)p(P|m,G)p(G|m)p(m)
进而得到图像几何特征提取模型为:
3.根据权利要求1所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:所述的步骤4包括如下步骤:
步骤4.1:通过随机改变高斯分布参数集合θ中的参数来更新高斯分布参数;
步骤4.2:通过位移多边形操作来找到目标的位置;
步骤4.3:分别通过增加多边形操作和删除多边形操作来确定目标个数;
步骤4.4:分别通过增加多边形节点操作和删除多边形节点操作来确定目标几何形状;
步骤4.5:合并多边形;
步骤4.6:重复执行步骤4.1至步骤4.5,直至后验概率分布函数达到最大值,进而得到目标几何特征提取模型的最优解。
4.根据权利要求3所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:所述步骤4.1包括如下具体内容:
依次更改SAR图像的背景区域及目标区域的高斯分布参数集θ={μb,σb,μo,σo}中的参数,得到新的高斯分布参数集θ*;则更新高斯分布参数的接受率为:
5.根据权利要求3所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:所述步骤4.2位移多边形操作的方法为:在m个地物目标的重心点集G中以等概率随机选取其中一个重心点;位移该重心点到新的位置,所述新的位置为以该重心点的初始位置为圆心,预设半径mr的圆内任意点的位置;计算该重心点由其初始位置到新的位置的坐标偏移量;同时,将该重心点对应的所有节点均以相同的坐标偏移量位移到新的位置,则该重心点的新位置的接受率为:
6.根据权利要求3所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:所述步骤4.3中增加多边形操作的方法为:首先在图像域D中随机产生一个新的重心点,并标记为m+1;将该新的重心点加入到重心点集G中,形成新的重心点集G*,建立第m+1个重心点对应的多边形,即在该新的重心点的周围附近生成多个节点,并按照一定顺序顺次连接该多个节点,形成新的多边形,该新的多边形与原有多边形不能相交;同时,形成了新的节点集Pm+1,则增加该新的多边形的接受率为:
所述步骤4.3中删除多边形操作是所述步骤4.3中增加多边形操作的对偶操作,因此删除多边形的接受率为:
7.根据权利要求3所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:所述步骤4.4中增加多边形节点操作的方法为:在重心集G中以等概率随机选取一个重心点;然后在该重心点对应的所有节点中以等概率随机选取两个相邻节点;再然后以该两个节点连线上的中点为圆心,以该两点间距离的一半为半径的圆内,任意选取一个点作为新的节点,定义该重心点的节点集为Pj *,则增加节点的接受率为:
8.根据权利要求3所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:所述步骤4.4中删除多边形节点操作的方法为:在重心集G中以等概率随机选取一个重心点;然后在该重心点对应的所有节点中以等概率随机选取一个节点,删除该节点;删除该节点后该多边形对应的节点集变为Pj *,删除多边形节点的接受率为:
9.根据权利要求3所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:所述步骤4.5中合并多边形的方法为:在重心集G中以等概率随机选取一个重心点,例如第j个重心点;找到其最近相邻目标的重心点,设为p,则其几何重心为Gp;第j个重心点对应kj个节点、kj条边,假设其相邻目标的重心点p共有kp个节点、kp条边;通过由kj个节点中的每个节点向kp条边中每条边分别作垂线,计算出kj个节点中的每个节点到kp条边中每条边的距离,当距离小于给定阈值时,则记录该垂足坐标;同理,由kp个节点中每个节点向kj条边中每条边分别作垂线,并计算kp个节点中的每个节点到kj条边中每条边的距离,当距离小于给定阈值时,则记录该垂足坐标;当所记录的垂足个数大于等于2时,进行合并多边形操作,按照一定顺序顺次连接该两个重心点对应的节点及垂足,生成一个新的多边形,即新的目标,则总目标个数变为m-1;重新确定新的多边形,相应的确定新的重心点,得到新的重心点集为G*,相应的参数集更新为Ψ*=(θ,G*,m-1,P*);合并多边形操作的接受率为:
10.根据权利要求4至权利要求9中的任一项所述的基于非规则标识点过程的SAR图像目标提取方法,其特征在于:判断是否接受所述操作的方法为:从0-1中产生一个随机数,判断该随机数与所述接受率的大小关系,当所述接受率大于该随机数时,接受所述操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510523943.7A CN105205450B (zh) | 2015-08-24 | 2015-08-24 | 一种基于非规则标识点过程的sar图像目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510523943.7A CN105205450B (zh) | 2015-08-24 | 2015-08-24 | 一种基于非规则标识点过程的sar图像目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105205450A true CN105205450A (zh) | 2015-12-30 |
CN105205450B CN105205450B (zh) | 2018-08-07 |
Family
ID=54953122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510523943.7A Expired - Fee Related CN105205450B (zh) | 2015-08-24 | 2015-08-24 | 一种基于非规则标识点过程的sar图像目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205450B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407887A (zh) * | 2016-08-24 | 2017-02-15 | 重庆大学 | 一种候选框搜索步长的获取方法及装置 |
CN107230209A (zh) * | 2017-05-26 | 2017-10-03 | 辽宁工程技术大学 | 结合k‑s距离和rjmcmc算法的sar图像分割方法 |
CN107423705A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于多层概率统计模型的sar图像目标识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232349A1 (en) * | 2008-01-08 | 2009-09-17 | Robert Moses | High Volume Earth Observation Image Processing |
CN103020654A (zh) * | 2012-12-12 | 2013-04-03 | 北京航空航天大学 | 基于样本产生与核局部特征融合的sar图像仿生识别方法 |
CN103971127A (zh) * | 2014-05-16 | 2014-08-06 | 华中科技大学 | 一种前视雷达成像海面目标关键点检测识别方法 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
-
2015
- 2015-08-24 CN CN201510523943.7A patent/CN105205450B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090232349A1 (en) * | 2008-01-08 | 2009-09-17 | Robert Moses | High Volume Earth Observation Image Processing |
CN103020654A (zh) * | 2012-12-12 | 2013-04-03 | 北京航空航天大学 | 基于样本产生与核局部特征融合的sar图像仿生识别方法 |
CN103971127A (zh) * | 2014-05-16 | 2014-08-06 | 华中科技大学 | 一种前视雷达成像海面目标关键点检测识别方法 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
Non-Patent Citations (3)
Title |
---|
张红敏: "SAR图像高精度定位技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
张继超等: "基于目标分解的面向对象决策树PolSAR影像分类", 《辽宁工程技术大学学报(自然科学版)》 * |
王玉等: "利用RJMCMC算法的可变类SAR图像分割", 《信号处理》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407887A (zh) * | 2016-08-24 | 2017-02-15 | 重庆大学 | 一种候选框搜索步长的获取方法及装置 |
CN106407887B (zh) * | 2016-08-24 | 2020-07-31 | 重庆大学 | 一种候选框搜索步长的获取方法及装置 |
CN107230209A (zh) * | 2017-05-26 | 2017-10-03 | 辽宁工程技术大学 | 结合k‑s距离和rjmcmc算法的sar图像分割方法 |
CN107423705A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于多层概率统计模型的sar图像目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105205450B (zh) | 2018-08-07 |
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 | |
CN103247041B (zh) | 一种基于局部采样的多几何特征点云数据的分割方法 | |
US9304001B2 (en) | Position recognition methods of autonomous mobile robots | |
CN109145713A (zh) | 一种结合目标检测的小目标语义分割方法 | |
CN103413133A (zh) | 无序激光点云数据中自动提取电力线方法 | |
CN105930868A (zh) | 一种基于层次化增强学习的低分辨率机场目标检测方法 | |
CN107610223A (zh) | 基于LiDAR点云的电力塔三维重建方法 | |
CN102254343A (zh) | 一种基于凸包与obb的三维网格模型骨架提取方法 | |
CN102136142A (zh) | 基于自适应三角形网格的非刚性医学图像配准方法 | |
CN107330901A (zh) | 一种基于骨架的物体构件分解方法 | |
CN106484692A (zh) | 一种三维模型检索方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN105205450A (zh) | 一种基于非规则标识点过程的sar图像目标提取方法 | |
CN103400368A (zh) | 基于图论和超像素的并行快速sar图像分割方法 | |
Yan et al. | A combination of convolutional and graph neural networks for regularized road surface extraction | |
CN104050680A (zh) | 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 | |
CN104732534A (zh) | 一种图像中显著目标的抠取方法及*** | |
Liu et al. | Bayesian-optimized deep learning model to segment deterioration patterns underneath bridge decks photographed by unmanned aerial vehicle | |
Marjani et al. | The large-scale wildfire spread prediction using a multi-kernel convolutional neural network | |
CN107644203A (zh) | 一种形状自适应分类的特征点检测方法 | |
CN106023317A (zh) | 一种用于大数据测试的加权Voronoi图生成方法 | |
CN110059544B (zh) | 一种基于道路场景的行人检测方法和*** | |
CN107564024A (zh) | 基于单侧聚集线段的sar图像聚集区域提取方法 | |
CN106650916A (zh) | 一种基于蚁群优化的网格分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180807 |
|
CF01 | Termination of patent right due to non-payment of annual fee |