CN106683102A - 基于脊波滤波器和卷积结构模型的sar图像分割方法 - Google Patents
基于脊波滤波器和卷积结构模型的sar图像分割方法 Download PDFInfo
- Publication number
- CN106683102A CN106683102A CN201611260197.8A CN201611260197A CN106683102A CN 106683102 A CN106683102 A CN 106683102A CN 201611260197 A CN201611260197 A CN 201611260197A CN 106683102 A CN106683102 A CN 106683102A
- Authority
- CN
- China
- Prior art keywords
- sketch
- pixel
- sar image
- line
- wave filter
- 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
Classifications
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于脊波滤波器和卷积结构模型的SAR图像分割方法。主要解决现有技术分割SAR图像不准确的问题。其实现步骤为:(1)SAR图像素描化,得到素描图;(2)根据SAR图像的区域图,划分SAR图像的像素子空间;(3)构建脊波滤波器集合;(4)构造卷积结构学习模型;(5)采用基于脊波滤波器和卷积结构模型的SAR图像分割方法,分割混合聚集结构地物像素子空间;(6)基于素描线聚拢特征的独立目标分割;(7)基于视觉语义规则的线目标分割;(8)采用基于多项式逻辑回归先验模型对匀质区域像素子空间进行分割;(9)合并分割结果。本发明获得了SAR图像的良好分割效果,可用于SAR图像的语义分割。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及目标识别技术领域中的一种基于脊波滤波器和卷积结构模型的合成孔径雷达SAR(Synthetic Aperture Radar)图像分割方法。本发明能够对合成孔径雷达SAR图像具有不同特征的混合聚集结构地物像素子空间准确地进行分割,并且可用于后续的合成孔径雷达SAR图像的目标检测与识别。
背景技术
合成孔径雷达SAR是遥感技术领域的重要进展,用来获取地球表面的高分辨图像。与其他类型的成像技术相比,SAR具有全天时、全天候、多波段、多极化、可变侧视角以及高分辨率等优点,不仅可以详细、准确的测绘地形、地貌,获取地球表面的信息,还可以透过地表和自然植被收集地下信息,甚至在恶劣的环境下也能以较高的分辨率提供详细的地面测绘数据和图像。SAR技术对于军事、农业、地理等许多领域具有重要指导意义。图像分割是指根据颜色、灰度和纹理等特征将图像划分成若干个互不相交的区域的过程。通过计算机对SAR图像进行解译是目前面临的一个巨大挑战,而SAR图像分割又是其必要步骤,它对进一步的检测、识别影响很大。
目前图像分割常用的方法有:基于边缘检测的方法、基于阈值的方法、基于区域生长和分水岭的方法及基于聚类的方法等。由于SAR独特的成像机理,SAR图像中含有许多相干斑噪声,导致很多光学图像的传统方法都不能直接用于SAR图像的分割。SAR图像的传统分割方法包括一些基于聚类如Kmeans、FCM等的方法,以及其他一些有监督和半监督的方法。它们往往需要靠人工经验进行特征提取,然而提取的特征的好坏对于SAR图像的分割结果有着关键作用。对于有监督和半监督的方法,需要有标签数据,SAR图像的标签数据很少,获取标签数据的成本很高。
中国科学院对地观测与数字地球科学中心的钟微宇和沈汀在其发表的论文“结合多特征和SVM的SAR图像分割”(《计算机应用研究》,2013,30(9):2846-2851.)中提出了一种结合非下采样轮廓变换(NSCT)和GLCM的纹理特征提取方法来进行SAR图像分割。该方法为实现灰度共生矩阵(GLCM)多尺度、多方向的纹理特征提取,提出了一种结合非下采样轮廓变换(NSCT)和GLCM的纹理特征提取方法。先用NSCT对合成孔径雷达(SAR)图像进行多尺度、多方向分解;再对得到的子带图像使用GLCM提取灰度共生量;然后对提取的灰度共生量进行相关性分析,去除冗余特征量,并将其与灰度特征构成多特征矢量;最后,充分利用支持向量机(SVM)在小样本数据库和泛化能力方面的优势,由SVM完成多特征矢量的划分,实现SAR图像分割。但是,该方法仍然存在的不足之处是,没有引入SAR图像的高层语义知识,只在像素级别对SAR图像进行了分割,导致了SAR图像分割结果不准确,同时,支持向量机为有监督的方法,需要有类标。
华北电力大学在其申请的专利“一种基于深度卷积神经网络的特定目标轮廓图像分割方法”(专利申请号CN201610109536.6,公开号CN105787482A)中公布了一种基于深度卷积神经网络的特定目标轮廓的图像分割方法。该方法将训练图像归一化到相同像素大小,将得到的训练图像输入到一个卷积神经网络中,经过数层卷积层与全连接层,在全连接层的最后一层得到图像表达,并与对应的标注图像进行比较得到预测误差。采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络,得到特定目标轮廓图像分割的训练模型。这个方法虽然达到了自主学习图像特征的目的,但是,该方法仍然存在的不足之处是,此方法为了处理上的方便,将输入图像进行了归一化处理,这样便破坏了图像的原始结构信息。同时,此方法还对图像进行了标注,分为训练样本以及测试样本,以达到训练卷积网络的目的。这样有监督的处理方式便增加了分割方法的复杂性。
西安电子科技大学在其申请的专利“基于深度自编码和区域图的SAR图像分割方法”(专利申请号201410751944.2,公开号CN104392456A)中公开了一种基于深度自编码和区域图的SAR图像分割方法。该方法根据合成孔径雷达SAR图像的素描图得到划分的区域图,将区域图映射到原图得到聚集、匀质和结构区域;分别对聚集、匀质区域用不同的深度自编码器训练,得到聚集和匀质区域每个点的特征;分别对聚集和匀质区域构建字典,各点投影至相应字典并汇聚出各子区域的区域特征,分别对两类区域的子区域特征进行聚类;对结构区域在素描线段指导下使用超像素合并进行分割;合并各区域分割结果完成SAR图像分割。该方法存在的不足之处是,所用的自动提取图像特征的深度自编码器的输入为一维向量,会破坏图像的空间结构特征,因此,不能提取图像的本质特征,降低了SAR图像分割的精度。
刘芳,段一平,李玲玲,焦李成等在其发表的论文“基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割”(IEEE Trancactions on Geoscience and RemoteSensing,2016,54(7):4287‐4301.)中提出了一种基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法,该方法根据合成孔径雷达SAR图像的素描模型提取出SAR图像的素描图,采用素描线区域化方法,得到SAR图像的区域图,并将区域图映射到SAR图像中,最终将合成孔径SAR图像划分为聚集区域、匀质区域和结构区域。基于该划分,对不同特性的区域采用了不同的分割方法。对于聚集区域,提取了灰度共生矩阵特征,并采用局部线性约束编码的方法得到每个聚集区域的表示,进而采用层次聚类的方法进行分割。对结构区域,通过分析边模型和线模型,设计了视觉语义规则定位边界和线目标。另外,边界和线目标包含了强烈的方向信息,因此设计了基于几何结构窗的多项式隐模型进行分割。对匀质区域,为了能找到恰当的邻域去表示中心像素,设计了基于自适应窗口的多项式隐模型进行分割。这三个区域的分割结构被整合到一起得到最后的分割结果。该方法的不足之处是,对聚集区域定位不够精确,对于匀质区域的类别数确定不够合理,分割结果的区域一致性较差,而结构区域的分割结果中未对独立目标进行处理。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于脊波滤波器和卷积结构模型的SAR图像分割方法,以期得到能够表征SAR图像混合聚集结构地物子空间的结构特征,来对空间上不连通的多个混合聚集结构地物子空间进行更好的分割。
为实现上述目的,本发明的具体步骤如下:
(1)SAR图像素描化:
(1a)对输入的合成孔径雷达SAR图像,根据SAR图像的分布特点得到其素描模型;
(1b)利用SAR图像素描模型,对输入的合成孔径雷达SAR图像进行素描化处理,获得输入的合成孔径雷达SAR图像对应的素描图;
(2)划分像素子空间:
(2a)采用素描线区域化方法,对合成孔径雷达SAR图像的素描图进行区域化处理,得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图;
(2b)将包括聚集区域、无素描线区域和结构区域的区域图,映射到输入的合成孔径雷达SAR图像中,得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间;
(3)构建脊波滤波器集合:
(3a)从合成孔径雷达SAR图像的区域图中提取混合聚集结构地物像素子空间对应的聚集区域,在[0°,180°]区间内以间隔为10°划分为18个区间即18个方向,分别统计每个区间内该聚集区域中素描线段的条数;
(3b)对该聚集区域中所有的素描线段,按照各个间隔内的线段条数的多少进行排序,得到方向的排序序列,将方向的排序序列中前6个方向的度数分别作为脊波滤波器中的方向参数;
(3c)按照下式,依据参数a,θ和b计算9×9的脊波滤波器的脊波函数:
Y=a×(y1×cosθ+y2×sinθ-b)
其中,Y表示脊波滤波器的脊波函数,a表示脊波滤波器的尺度参数,a的取值范围为[0,3],a的离散间隔为0.2,y1表示脊波滤波器像素点的横坐标位置,y1的取值范围为[0,8],y1的离散间隔为1,cos表示余弦操作,θ表示脊波滤波器的方向参数,y2表示脊波滤波器像素点的纵坐标位置,y2的取值范围为[0,8],y2的离散间隔为1,sin表示正弦操作;b表示脊波滤波器的位移参数,当方向参数θ为[0°,90°)时,b在[0,9×(sinθ+cosθ)]区间内以间隔为0.2进行离散化,当方向参数θ为[90°,180°)时,b在[9×cosθ,9×sinθ]区间内以间隔为0.2进行离散化;
(3d)按照下式,计算每一个脊波波滤波器:
其中,c(Y)表示以脊波函数Y作为参数的脊波滤波器,K表示脊波滤波器frobenius范数的倒数,exp表示以自然常数e为底的指数操作;
(3e)将计算得到的每一个脊波滤波器组合成为脊波滤波器集合;
(4)构造卷积结构学习模型:
(4a)对合成孔径雷达SAR图像中的混合聚集结构地物像素子空间的每个互不连通的区域,按31×31的窗口进行隔一滑窗采样,得到每个区域对应的多个图像块,将多个图像块依次输入到卷积结构学习模型中,得到卷积结构学习模型的输入层;
(4b)采用脊波滤波器,对卷积结构学习模型的输入层中的图像块进行卷积操作,得到卷积结构学习模型的卷积层;
(4c)按照下式,计算数据保真项:
其中,E(c)表示数据保真项,c表示卷积结构学***方操作,xi表示待构造卷积结构学习模型中输入的第i个图像块,表示提取xi中间的大小为n×n的特征图像块,Mi表示待构造卷积结构学习模型中输入的第i个图像块对应的脊波滤波器的总数,*表示卷积操作,表示待构造卷积结构学习模型中输入的第i个图像块对应的第j个脊波滤波器;
(4d)按照下式,计算结构保真项:
其中,G(c)表示结构保真项,R(·)表示求素描图中所有素描线总长度的操作,SM(·)表示提取与输入图像块一一对应的素描图块的操作;
(4e)按照下式,计算目标函数:
其中,L(c)表示目标函数,表示在目标函数L(c)值最小时,求取脊波滤波器c的操作;
(4f)输出由目标函数指导学习得到的脊波滤波器,得到卷积结构模型的输出层;
(5)训练卷积结构学习模型:
(5a)将结构误差阈值设置为0.1;
(5b)将步骤(4a)采样得到图像块依次输入到卷积结构学习模型中;
(5c)从脊波滤波器集合中,随机选取六个滤波器,其方向参数由步骤(3b)中统计的6个方向得到,其位移参数和尺度参数随机初始化,将这些初始六个滤波器组成的滤波器集合作为所选取的曲线波滤波器集合;
(5d)将当前输入的图像块与所选取的脊波滤波器集合中的每个脊波滤波器进行卷积操作,得到与每个脊波滤波器对应的特征图;
(5e)利用步骤(4d)中的结构保真项公式,计算输入图像块的结构保真项;
(5f)判断当前输入图像块的结构保真项是否小于结构误差阈值,若是,则执行步骤(5i),否则,执行步骤(5g);
(5g)利用尺度参数更新公式和位移参数更新公式,分别更新步骤(4c)数据保真项公式中脊波滤波器的尺度参数和位移参数,得到更新后的脊波滤波器;
(5h)将更新后的脊波滤波器集合作为所选取的脊波滤波器集合,返回步骤(5d),对输入图像块重新进行训练;
(5i)将学习得到的脊波滤波器保存至该输入图像块学习好的脊波滤波器集合中,完成对该输入图像块特征的学习,并输出该输入图像块学习好的曲线波滤波器集合;
(5j)判断所有图像块是否通过卷积结构学习模型完成了特征的学习,若是,结束程序,否则,输入下一个图像块并执行步骤(5c);
(6)分割SAR图像混合聚集结构地物像素子空间:
(6a)将所有互不连通的区域学习得到的脊波滤波器集合拼接成码本;
(6b)将互不连通的区域学习得到的脊波滤波器集合中所有的脊波滤波器,向码本进行投影,得到投影向量;
(6c)对每个互不连通的区域的投影向量进行最大池化,得每个区域的所有特征在码本上的投影向量;
(6d)利用近邻传播AP聚类算法,对结构特征向量进行聚类,得到与结构特征向量相对应的混合聚集结构地物像素子空间的分割结果;
(7)分割结构像素子空间:
(7a)用视觉语义规则,分割线目标;
(7b)基于素描线的聚拢特征,分割独立目标;
(7c)对线目标和独立目标分割的结果进行合并,得到结构像素子空间的分割结果;
(8)分割匀质区域像素子空间:
采用基于多项式逻辑回归先验模型的匀质区域分割方法,对匀质区域像素子空间进行分割,得到匀质区域像素子空间的分割结果;
(9)合并分割结果:
将混合聚集结构像素子空间、匀质区域像素子空间和结构像素子空间的分割结果合并,得到合成孔径雷达SAR图像的最终分割结果。
本发明与现有技术相比具有如下优点:
第一,本发明利用合成孔径雷达SAR图像素描图,采用素描线区域化方法,得到合成孔径雷达SAR图像的区域图,将区域图映射到输入的合成孔径雷达SAR图像,得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间,在混合聚集结构地物的像素子空间中进行采样和特征学习,不需要类标,克服了现有技术在学习图像特征时将输入图像标示为训练图像和标注图像的不足,使得本发明具有不需要对输入图像进行标示,而降低了卷积结构学习模型复杂性的优点,提高了卷积结构学习模型的训练速度,同时,由于对输入图像进行标示是人工操作的,存在一定得误差,而本发明不需要标示,提高了最终分割结果的正确率。
第二,本发明对合成孔径雷达SAR图像中的混合聚集结构地物像素子空间的每个互不连通的区域,按31×31的窗口进行隔一滑窗采样,得到多个图像块,将得到的图像块输入到卷积结构学习模型中,不需要对输入的合成孔径雷达SAR图像进行归一化处理,克服了现有技术在输入前需要对合成孔径雷达SAR图像进行归一化处理而的不足,使得本发明具有可以直接利用采样后得到的图像块作为输入,而不会破坏输入图像块的原始结构信息的优点。
第三,本发明对合成孔径雷达SAR图像中的混合聚集结构地物像素子空间的每个互不连通的区域,按31×31的窗口进行隔一滑窗采样,得到多个图像块,将得到的图像块输入到卷积结构学习模型中,克服了现有技术所用的自动提取图像特征的深度自编码器的输入为一维向量,会破坏图像的空间结构特征的不足,使得本发明具有可以提取图像的本质特征,提升合成孔径雷达SAR图像分割的精度的优点。
附图说明
图1是本发明流程图;
图2是本发明的仿真图;
图3是本发明仿真实验中间结果图;
图4是本发明仿真结果示意图;
具体实施方式
以下结合附图对本发明做进一步说明。
参照附图1,本发明的具体步骤如下。
步骤1,SAR图像素描化。
对输入的合成孔径雷达SAR图像,根据SAR图像的分布特点得到其素描模型。
按照以下步骤,利用SAR图像素描模型,对输入的合成孔径雷达SAR图像进行素描化处理,获得输入的合成孔径雷达SAR图像对应的素描图:
第1步,在[100,150]范围内,任意选取一个数,作为模板的总数;
第2步,构造具有不同方向和尺度的由像素点组成的边、线的一个模板,利用模板的方向和尺度信息构造各向异性高斯函数,通过该高斯函数,计算模板中每个像素点的加权系数,统计模板中所有像素点的加权系数,其中,尺度个数取值为3~5,方向个数取值为18;
第3步,按照下式,计算与模板区域坐标相对应的合成孔径雷达SAR图像中像素点的均值:
其中,μ表示与模板区域坐标相对应的合成孔径雷达SAR图像中所有像素点的均值,∑表示求和操作,g表示模板第Ω个区域中任意一个像素点对应的坐标,∈表示属于符号,表示模板第Ω个区域中像素点在坐标g处的权重系数,wg的取值范围为wg∈[0,1],Ag表示与模板第Ω个区域中像素点在坐标g处对应的合成孔径雷达SAR图像中的像素点的值;
第4步,按照下式,计算与模板区域坐标相对应的合成孔径雷达SAR图像中像素点的方差值:
其中,ν表示与模板区域坐标相对应的合成孔径雷达SAR图像中所有像素点的方差值;
第5步,按照下式,计算合成孔径雷达SAR图像中每个像素点针对比值算子的响应值:
其中,R表示合成孔径雷达SAR图像中每个像素点针对比值算子的响应值,min{·}表示最小值操作,a和b分别表示模板中的两个不同的区域,μa表示模板区域a中所有像素点的均值,μb表示模板区域b中所有像素点的均值;
第6步,按照下式,计算合成孔径雷达SAR图像中每个像素针对相关性算子的响应值:
其中,C表示合成孔径雷达SAR图像中每个像素针对相关性算子的响应值,表示平方根操作,a和b分别表示模板中两个不同区域,νa表示模板区域a中所有像素点的方差值,νb表示模板区域b中所有像素点的方差值,μa表示模板区域a中所有像素点的均值,μb表示模板区域b中所有像素点的均值;
第7步,按照下式,计算合成孔径雷达SAR图像中每个像素点针对各个模板的响应值:
其中,F表示合成孔径雷达SAR图像中每个像素点针对各个模板的响应值,表示平方根操作,R和C分别表示合成孔径雷达SAR图像中像素点针对比值算子和合成孔径雷达SAR图像中像素点针对相关性算子的响应值;
第8步,判断所构造的模板是否等于所选取模板的总数,若是,则执行第2步,否则,执行第9步;
第9步,从各个模板中选择具有最大响应值的模板,作为合成孔径雷达SAR图像的模板,并将该模板的最大响应值作为合成孔径雷达SAR图像中像素点的强度,将该模板的方向作为合成孔径雷达SAR图像中像素点的方向,获得合成孔径雷达SAR图像的边线响应图和梯度图;
第10步,按照下式,计算合成孔径雷达SAR图像强度图的强度值,得到强度图:
其中,I表示合成孔径雷达SAR图像强度图的强度值,x表示合成孔径雷达SAR图像边线响应图中的值,y表示合成孔径雷达SAR图像梯度图中的值;
第11步,采用非极大值抑制方法,对强度图进行检测,得到建议草图;
第12步,选取建议草图中具有最大强度的像素点,将建议草图中与该最大强度的像素点连通的像素点连接形成建议线段,得到建议素描图;
第13步,按照下式,计算建议素描图中素描线的编码长度增益:
其中,CLG表示建议素描图中素描线的编码长度增益,∑表示求和操作,J表示当前素描线邻域中像素点的个数,Aj表示当前素描线邻域中第j个像素点的观测值,Aj,0表示在当前素描线不能表示结构信息的情况下,该素描线邻域中第j个像素点的估计值,ln(·)表示以e为底的对数操作,Aj,1表示在当前素描线能够表示结构信息的情况下,该素描线邻域中第j个像素点的估计值;
第14步,在[5,50]范围内,任意选取一个数,作为阈值T;
第15步,选出所有建议素描线中CLG>T的建议素描线,将其组合成合成孔径雷达SAR图像的素描图。
本发明使用的合成孔径雷达SAR图像素描模型是Jie-Wu等人于2014年发表在IEEETransactions on Geoscience and Remote Sensing杂志上的文章《Local maximalhomogenous region search for SAR speckle reduction with sketch-basedgeometrical kernel function》中所提出的模型。
步骤2,划分像素子空间。
采用素描线区域化方法,对合成孔径雷达SAR图像的素描图进行区域化处理,得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图。
按照合成孔径雷达SAR图像的素描图中素描线段的聚集度,将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标、孤立目标的边界素描线、线目标素描线、孤立目标素描线。
根据素描线段聚集度的直方图统计,选取聚集度等于最优聚集度的素描线段作为种子线段集{Ek,k=1,2,...,m},其中,Ek表示种子线段集中的任一条素描线段,k表示种子线段集中任一条素描线段的标号,m表示种子线段的总条数,{·}表示集合操作。
以未被选取添加进种子线段集和的线段作为基点,以此基点递归求解线段集合。
构造一个半径为最优聚集度区间上界的圆形基元,用该圆形基元对线段集合中的线段进行膨胀,对膨胀后的线段集合由外向内进行腐蚀,在素描图上得到以素描点为单位的聚集区域。
对表示边界、线目标以及孤立目标的素描线,以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗,得到结构区域。
将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域。
将素描图中的聚集区域、结构区域和不可素描区域合并,得到包括聚集区域、匀质区域和结构区域的合成孔径雷达SAR图像的区域图。
将包括聚集区域、无素描线区域和结构区域的区域图,映射到输入的合成孔径雷达SAR图像中,得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间。
步骤3,构建脊波滤波器集合。
第1步,从合成孔径雷达SAR图像的区域图中提取混合聚集结构地物像素子空间对应的聚集区域,在[0°,180°]区间内以间隔为10°划分为18个区间即18个方向,分别统计每个区间内该聚集区域中素描线段的条数。
第2步,对该聚集区域中所有的素描线段,按照各个间隔内的线段条数的多少进行排序,得到方向的排序序列,将方向的排序序列中前6个方向的度数分别作为脊波滤波器中的方向参数。
第3步,按照下式,依据参数a,θ和b计算9×9的脊波滤波器的脊波函数:
Y=a×(y1×cosθ+y2×sinθ-b)
其中,Y表示脊波滤波器的脊波函数,a表示脊波滤波器的尺度参数,a的取值范围为[0,3],a的离散间隔为0.2,y1表示脊波滤波器像素点的横坐标位置,y1的取值范围为[0,8],y1的离散间隔为1,cos表示余弦操作,θ表示脊波滤波器的方向参数,y2表示脊波滤波器像素点的纵坐标位置,y2的取值范围为[0,8],y2的离散间隔为1,sin表示正弦操作;b表示脊波滤波器的位移参数,当方向参数θ为[0°,90°)时,b在[0,9×(sinθ+cosθ)]区间内以间隔为0.2进行离散化,当方向参数θ为[90°,180°)时,b在[9×cosθ,9×sinθ]区间内以间隔为0.2进行离散化。
第4步,按照下式,计算每一个脊波波滤波器:
其中,c(Y)表示以脊波函数Y作为参数的脊波滤波器,K表示脊波滤波器frobenius范数的倒数,exp表示以自然常数e为底的指数操作。
第5步,将计算得到的每一个脊波滤波器组合成为脊波滤波器集合。
步骤4,构造卷积结构学习模型。
第1步,对合成孔径雷达SAR图像中的混合聚集结构地物像素子空间的每个互不连通的区域,按31×31的窗口进行隔一滑窗采样,得到每个区域对应的多个图像块,将多个图像块依次输入到卷积结构学习模型中,得到卷积结构学习模型的输入层。
第2步,采用脊波滤波器,对卷积结构学习模型的输入层中的图像块进行卷积操作,得到卷积结构学习模型的卷积层。
第3步,按照下式,计算数据保真项。
其中,E(c)表示数据保真项,c表示卷积结构学***方操作,xi表示待构造卷积结构学习模型中输入的第i个图像块,表示提取xi中间的大小为n×n的特征图像块,Mi表示待构造卷积结构学习模型中输入的第i个图像块对应的脊波滤波器的总数,*表示卷积操作,表示待构造卷积结构学习模型中输入的第i个图像块对应的第j个脊波滤波器。
第4步,按照下式,计算结构保真项:
其中,G(c)表示结构保真项,R(·)表示求素描图中所有素描线总长度的操作,SM(·)表示提取与输入图像块一一对应的素描图块的操作。
第5步,按照下式,计算目标函数:
其中,L(c)表示目标函数,表示在目标函数L(c)值最小时,求取脊波滤波器c的操作。
第6步,输出由目标函数指导学习得到的脊波滤波器,得到卷积结构模型的输出层。
步骤5,按照以下步骤,训练卷积结构学习模型:
第1步,将结构误差阈值设置为0.1;
第2步,将步骤4采样得到图像块依次输入到卷积结构学习模型中;
第3步,从脊波滤波器集合中,随机选取六个滤波器,其方向参数由步骤(3b)中统计的6个方向得到,其位移参数和尺度参数随机初始化,将这些初始六个滤波器组成的滤波器集合作为所选取的曲线波滤波器集合;
第4步,将当前输入的图像块与所选取的脊波滤波器集合中的每个脊波滤波器进行卷积操作,与每个脊波滤波器对应的得到特征图;
第5步,利用步骤4中的结构保真项公式,计算输入图像块的结构保真项;
第6步,判断当前输入图像块的结构保真项是否小于结构误差阈值,若是,则执行第9步,否则,执行第7步;
第7步,利用尺度参数更新公式和位移参数更新公式,分别更新步骤4数据保真项公式中脊波滤波器的尺度参数和位移参数,得到更新后的脊波滤波器;
尺度参数的更新公式如下:
其中a表示脊波滤波器的尺度参数,at为第t步求得的尺度,at-1为第t-1步求得的尺度,δ表示系数,取值范围为[0,1],∑表示相加,xi为第i块31×31的SAR图像采样块,表示从xi中取23×23大小的块,表示卷积第i块31×31的SAR图像采样块的脊波滤波器,γ=(a,b,θ),K(γ)表示脊波滤波器范数的倒数,e表示自然常数,Y表示脊波滤波器的变换系数,y1表示9×9的脊波滤波器像素点的横坐标位置,y2表示9×9的脊波滤波器像素点的纵坐标位置,θ表示脊波滤波器的方向参数。
位移参数的更新公式如下:
其中bt表示第t次迭代求得的脊波滤波器的位移参数,bt-1为t-1次求得的位移参数,δ表示系数,取值范围为[0,1],∑表示相加,xi为第i块31×31的SAR图像采样块,表示从xi中取23×23大小的块,表示卷积第i块31×31的SAR图像采样块的脊波滤波器,γ=(a,b,θ),K(γ)表示脊波滤波器范数的倒数,e表示自然常数,Y表示脊波滤波器的变换系数,at-1为第t‐1步求得的脊波滤波器的尺度参数。
第8步,将更新后的脊波滤波器集合作为所选取的脊波滤波器集合,返回步骤第4步,对输入图像块重新进行训练;
第9步,将学习得到的脊波滤波器保存至该输入图像块学习好的脊波滤波器集合中,完成对该输入图像块特征的学习,并输出该输入图像块学习好的曲线波滤波器集合;
第9步,判断所有图像块是否通过卷积结构学习模型完成了特征的学习,若是,结束程序,否则,输入下一个图像块并执行第3步;
步骤6,分割SAR图像混合聚集结构地物像素子空间:
第1步,将所有互不连通的区域学习得到的脊波滤波器集合拼接成码本。
第2步,将互不连通的区域学习得到的脊波滤波器集合中所有的脊波滤波器,向码本进行投影,得到投影向量。
第3步,对每个互不连通的区域的投影向量进行最大池化,得每个区域的所有特征在码本上的投影向量。
第4步,利用近邻传播AP聚类算法,对结构特征向量进行聚类,得到与结构特征向量相对应的混合聚集结构地物像素子空间的分割结果。
步骤7,分割结构像素子空间。
用视觉语义规则,分割线目标。
设第i条素描线li与第j条素描线lj之间的距离为Dij,li的方向为Oi,lj的方向为Oj,i,j∈[1,2,...,S],S为素描线的总条数。
将宽度大于3个像素的线目标用两条素描线li和lj表示,li和lj之间的距离Dij小于T1且方向差(Oi-Oj)小于10度,其中T1=5。
设第s条素描线ls的几何结构窗ws内每一列的平均灰度为Ai,设相邻列的灰度差为ADi=|Ai-Ai+1|,设zs=[zs1,zs2,...,zs9]为相邻列的灰度差ADi的标记向量。
将宽度小于3个像素的线目标用单个素描线ls表示,ls的几何结构窗ws内,计算相邻列的灰度差ADi,如果ADi>T2,则zsi=1;否则zsi=0,zs中有两个元素的值为1,其余为0,其中T2=34。
设L1,L2是表示线目标的素描线的集合,如果Dij<T1并且|Oi-Oj|<10,则li,lj∈L1;如果sum(zs)=2,则ls∈L2,其中sum(·)表示参量元素的和。
在结构像素子空间,根据线目标的素描线的集合L1,将li和lj之间的区域作为线目标。
在结构像素子空间,根据线目标的素描线的集合L2,将覆盖ls的区域作为线目标。
基于素描线的聚拢特征,分割独立目标。
第1步,在区域图的结构区域中,将不表示线目标的所有素描线标记为候选素描线集合中的素描线。
第2步,从候选素描线集合中随机选取一条素描线,以所选取的素描线的一个端点为中心,构造大小为5×5的一个几何结构窗。
第3步,判断几何结构窗内是否存在其它素描线的端点,若存在,执行第4步;否则,执行第6步。
第4步,判断是否只存在一个端点,若是,将该端点所在素描线和当前素描线进行连接;否则,执行第5步。
第5步,连接所选取素描线与各端点所在的素描线,从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线。
第6步,判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点,若存在,执行第4步;否则,执行第7步。
第7步,对完成连接操作的素描线,选取包含两条及两条以上素描线段的素描线,统计所选取素描线中包含素描线段的条数n,其中n≥2。
第8步,判断素描线的条数n是否等于2,若是,则执行第9步;否则,执行第10步。
第9步,将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线。
第10步,选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线。
第11步,在所选出的素描线中,定义如下两种情况:
第一种情况,判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧,2≤i≤n-1,若素描线上的所有素描线段与相邻线段都在同一侧,则标记该素描线为具有聚拢特征的素描线。
第二种情况,判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧,2≤i≤n-1,若素描线上有n-1条素描线段与相邻线段在同一侧,而有一条素描线段与其相邻线段在非同一侧,也标记该素描线为具有聚拢特征的素描线。
第12步,在具有聚拢特征的素描线中任选一条素描线,由所选取素描线的两个端点坐标,确定两个端点间的距离,若该端点距离在[0,20]范围内,则将所选取素描线作为表示独立目标的素描线。
第13步,判断未处理的具有聚拢特征的素描线是否全部选完,若是,执行第12步;否则,执行第14步。
第14步,用超像素分割的方法,对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割,将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素。
第15步,合并独立目标超像素,将合并后的独立目标超像素的边界作为独立目标的边界,得到独立目标的分割结果。
对线目标和独立目标分割的结果进行合并,得到结构像素子空间的分割结果。
步骤8,分割匀质区域像素子空间。
将混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间的分割结果进行合并,得到合成孔径雷达SAR图像的最终分割结果。
第1步,从匀质区域像素子空间中任意选取一个像素点,以所选取的像素点为中心建立3×3的方形窗口,计算该窗口的标准差σ1。
第2步,将方形窗口的边长增加2,得到新的方形窗口,计算新方形窗口的标准差σ2。
第3步,设标准差阈值T3=3,如果|σ1-σ2|<T3,则将标准差为σ2的方形窗口作为最终的方形窗口,执行第4步;否则,执行第2步。
第4步,按照下式,计算方形窗口内中心像素的先验概率:
其中,p′1表示方形窗口内中心像素的先验概率,exp(·)表示指数函数操作,η'表示概率模型参数,η'取值为1,xk′′表示方形窗口内属于第k'类的像素个数,k'∈[1,...,K'],K'表示分割的类别数,K'取值为5,xi'表示第3步得到的方形窗口内属于第i'类的像素个数。
第6步,将像素灰度的概率密度与纹理的概率密度相乘,得到似然概率p'2,其中,灰度的概率密度由衰落信道Nakagami分布得到,纹理的概率密度由t分布得到。
第7步,将先验概率p1'与似然概率p2'相乘,得到后验概率p12'。
第8步,判断匀质区域像素子空间中是否还有未处理的像素点,若有,执行第1步;否则,执行第9步。
第9步,根据最大后验概率准则,得到匀质区域像素子空间的分割结果。
步骤9,合并分割结果。
将混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间的分割结果进行合并,得到合成孔径雷达SAR图像的最终分割结果。
下面结合仿真图对本发明的效果做进一步的描述。
1.仿真条件:
本发明仿真的硬件条件为:智能感知与图像理解实验室图形工作站;本发明仿真所使用的合成孔径雷达SAR图像为:Ku波段分辨率为1米的Piperiver图。
2.仿真内容:
本发明的仿真实验是对SAR图像中的Piperiver图进行分割,如图2(a)所示的Piperiver图。该图来源于Ku波段分辨率为1米的合成孔径雷达SAR图像。
采用本发明的SAR图像素描化步骤,对图2(a)所示的Piperiver图素描化,得到如图2(b)所示的素描图。
采用本发明的划分像素子空间步骤,对图2(b)所示的素描图区域化,得到如图2(c)所示的区域图。图2(c)中的白色空间表示混合聚集结构语义空间,其他的为匀质结构语义空间和结构语义空间。将图2(c)所示区域图映射到图2(a)所示原SAR图像,得到如图2(d)所示的SAR图像混合聚集结构地物像素子空间图。
采用本发明的基于素描线的聚拢特征分割独立目标步骤,提取图2(b)中非聚集区域的素描线,得到图3(a),提取图3(a)中的表示线目标的素描线,得到图3(b)所示的结果。图3(b)中的黑色素描线为表示线目标的素描线。对图3(b)中不表示线目标的素描线,提取具有聚拢特征的素描线,得到图3(c)所示的结果,其中黑色素描线表示独立目标。对合成孔径雷达SAR图像,求取表示疑似独立目标素描线周围的超像素,得到图3(d)所示的结果。将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素,并且合并独立目标超像素,将合并后的独立目标超像素的边界作为独立目标的边界,得到的独立目标分割结果如图3(e)所示。
采用本发明的分割SAR图像混合聚集结构地物像素子空间步骤,对图2(d)所示的Piperiver图的混合聚集结构地物像素子空间图进行分割,得到图4(a)所示的混合地物像素子空间分割结果图,其中灰色区域表示未处理的地物空间,其余相同颜色的区域表示同一种地物,不同颜色的区域表示不同的地物。
采用本发明的合并分割结果步骤,合并图4(a)所示的混合聚集结构地物像素子空间分割结果和匀质区域像素子空间分割结果和结构像素子空间分割结果,得到图4(b),图4(b)是图2(a)Piperiver图像的最终分割结果,图4(c)是基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法对Piperiver图像的最终分割结果图。
3.仿真效果分析:
图4(b)是本发明方法对Piperiver图像的最终分割结果图,图4(c)是基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法对Piperiver图像的最终分割结果图,通过分割结果图的对比,可得出结论,本发明方法对于混合聚集结构地物像素子空间的边界确定更精确,对于匀质区域像素子空间的分割,区域一致性明显较好,类别数更加合理,且对结构像素子空间中的独立目标进行了较好的分割处理。使用本发明方法对合成孔径雷达SAR图像进行分割,有效的将SAR图像进行了分割,并提高了SAR图像分割的准确性。
Claims (9)
1.一种基于脊波滤波器和卷积结构模型的SAR图像分割方法,包括如下步骤:
(1)SAR图像素描化:
(1a)对输入的合成孔径雷达SAR图像,根据SAR图像的分布特点得到其素描模型;
(1b)利用SAR图像素描模型,对输入的合成孔径雷达SAR图像进行素描化处理,获得输入的合成孔径雷达SAR图像对应的素描图;
(2)划分像素子空间:
(2a)采用素描线区域化方法,对合成孔径雷达SAR图像的素描图进行区域化处理,得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图;
(2b)将包括聚集区域、无素描线区域和结构区域的区域图,映射到输入的合成孔径雷达SAR图像中,得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间;
(3)构建脊波滤波器集合:
(3a)从合成孔径雷达SAR图像的区域图中提取混合聚集结构地物像素子空间对应的聚集区域,在[0°,180°]区间内以间隔为10°划分为18个区间即18个方向,分别统计每个区间内该聚集区域中素描线段的条数;
(3b)对该聚集区域中所有的素描线段,按照各个间隔内的线段条数的多少进行排序,得到方向的排序序列,将方向的排序序列中前6个方向的度数分别作为脊波滤波器中的方向参数;
(3c)按照下式,依据参数a,θ和b计算9×9的脊波滤波器的脊波函数:
Y=a×(y1×cosθ+y2×sinθ-b)
其中,Y表示脊波滤波器的脊波函数,a表示脊波滤波器的尺度参数,a的取值范围为[0,3],a的离散间隔为0.2,y1表示脊波滤波器像素点的横坐标位置,y1的取值范围为[0,8],y1的离散间隔为1,cos表示余弦操作,θ表示脊波滤波器的方向参数,y2表示脊波滤波器像素点的纵坐标位置,y2的取值范围为[0,8],y2的离散间隔为1,sin表示正弦操作;b表示脊波滤波器的位移参数,当方向参数θ为[0°,90°)时,b在[0,9×(sinθ+cosθ)]区间内以间隔为0.2进行离散化,当方向参数θ为[90°,180°)时,b在[9×cosθ,9×sinθ]区间内以间隔为0.2进行离散化;
(3d)按照下式,计算每一个脊波波滤波器:
其中,c(Y)表示以脊波函数Y作为参数的脊波滤波器,K表示脊波滤波器frobenius范数的倒数,exp表示以自然常数e为底的指数操作;
(3e)将计算得到的每一个脊波滤波器组合成为脊波滤波器集合;
(4)构造卷积结构学习模型:
(4a)对合成孔径雷达SAR图像中的混合聚集结构地物像素子空间的每个互不连通的区域,按31×31的窗口进行隔一滑窗采样,得到每个区域对应的多个图像块,将多个图像块依次输入到卷积结构学习模型中,得到卷积结构学习模型的输入层;
(4b)采用脊波滤波器,对卷积结构学习模型的输入层中的图像块进行卷积操作,得到卷积结构学习模型的卷积层;
(4c)按照下式,计算数据保真项:
其中,E(c)表示数据保真项,c表示卷积结构学***方操作,xi表示待构造卷积结构学习模型中输入的第i个图像块,表示提取xi中间的大小为n×n的特征图像块,Mi表示待构造卷积结构学习模型中输入的第i个图像块对应的脊波滤波器的总数,*表示卷积操作,表示待构造卷积结构学习模型中输入的第i个图像块对应的第j个脊波滤波器;
(4d)按照下式,计算结构保真项:
其中,G(c)表示结构保真项,R(·)表示求素描图中所有素描线总长度的操作,SM(·)表示提取与输入图像块一一对应的素描图块的操作;
(4e)按照下式,计算目标函数:
其中,L(c)表示目标函数,表示在目标函数L(c)值最小时,求取脊波滤波器c的操作;
(4f)输出由目标函数指导学习得到的脊波滤波器,得到卷积结构模型的输出层;
(5)训练卷积结构学习模型:
(5a)将结构误差阈值设置为0.1;
(5b)将步骤(4a)采样得到图像块依次输入到卷积结构学习模型中;
(5c)从脊波滤波器集合中,随机选取六个滤波器,其方向参数由步骤(3b)中统计的6个方向得到,其位移参数和尺度参数随机初始化,将这些初始六个滤波器组成的滤波器集合作为所选取的曲线波滤波器集合;
(5d)将当前输入的图像块与所选取的脊波滤波器集合中的每个脊波滤波器进行卷积操作,得到与每个脊波滤波器对应的特征图;
(5e)利用步骤(4d)中的结构保真项公式,计算输入图像块的结构保真项;
(5f)判断当前输入图像块的结构保真项是否小于结构误差阈值,若是,则执行步骤(5i),否则,执行步骤(5g);
(5g)利用尺度参数更新公式和位移参数更新公式,分别更新步骤(4c)数据保真项公式中脊波滤波器的尺度参数和位移参数,得到更新后的脊波滤波器;
(5h)将更新后的脊波滤波器集合作为所选取的脊波滤波器集合,返回步骤(5d),对输入图像块重新进行训练;
(5i)将学习得到的脊波滤波器保存至该输入图像块学习好的脊波滤波器集合中,完成对该输入图像块特征的学习,并输出该输入图像块学习好的曲线波滤波器集合;
(5j)判断所有图像块是否通过卷积结构学习模型完成了特征的学习,若是,结束程序,否则,输入下一个图像块并执行步骤(5c);
(6)分割SAR图像混合聚集结构地物像素子空间:
(6a)将所有互不连通的区域学习得到的脊波滤波器集合拼接成码本;
(6b)将互不连通的区域学习得到的脊波滤波器集合中所有的脊波滤波器,向码本进行投影,得到投影向量;
(6c)对每个互不连通的区域的投影向量进行最大池化,得每个区域的所有特征在码本上的投影向量;
(6d)利用近邻传播AP聚类算法,对结构特征向量进行聚类,得到与结构特征向量相对应的混合聚集结构地物像素子空间的分割结果;
(7)分割结构像素子空间:
(7a)用视觉语义规则,分割线目标;
(7b)基于素描线的聚拢特征,分割独立目标;
(7c)对线目标和独立目标分割的结果进行合并,得到结构像素子空间的分割结果;
(8)分割匀质区域像素子空间:
采用基于多项式逻辑回归先验模型的匀质区域分割方法,对匀质区域像素子空间进行分割,得到匀质区域像素子空间的分割结果;
(9)合并分割结果:
将混合聚集结构像素子空间、匀质区域像素子空间和结构像素子空间的分割结果合并,得到合成孔径雷达SAR图像的最终分割结果。
2.根据权利要求1所述的基于脊波滤波器和卷积结构模型的SAR图像分割方法,其特征在于,步骤(1)所述素描化的具体步骤如下:
第1步,构造具有不同方向和尺度的由像素点组成的边、线的一个模板,利用模板的方向和尺度信息构造各向异性高斯函数,统计该模板中每一点的加权系数,其中尺度个数取值为3~5,方向个数取值为18;
第2步,按照下式,计算与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值和方差值:
其中,μ表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值,∑表示求和操作,g表示模板第Ω个区域中一个像素点的位置,∈表示属于符号,wg表示模板第Ω个区域中像素点在g位置处的权重系数,wg的取值范围为wg∈[0,1],Ag表示与模板第Ω个区域中像素点在g位置处对应的合成孔径雷达SAR图像中的像素值,ν表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的方差值;
第3步,按照下式,计算合成孔径雷达SAR图像中每个像素对比值算子的响应值:
其中,R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值,min{·}表示求最小值操作,a和b分别表示模板中的两个不同区域,μa和μb分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值;
第4步,按照下式,计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值:
其中,C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值,a和b分别表示模板中两个不同区域,va和vb分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的方差值,μa和μb分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值,表示平方根操作;
第5步,按照下式,融合合成孔径雷达SAR图像中像素对比值算子的响应值和合成孔径雷达SAR图像中像素对相关性算子的响应值,计算合成孔径雷达SAR图像中每个像素对各个模板的响应值:
其中,F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值,R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值,表示平方根操作;
第6步,从各个模板的响应值中选择具有最大响应值的模板,作为合成孔径雷达SAR图像中像素的模板,并将最大响应值作为该像素的强度,将具有最大响应值的模板的方向作为该像素的方向,获得合成孔径雷达SAR图像的边线响应图和方向图;
第7步,利用合成孔径雷达SAR图像中每个像素所选择的具有最大响应值的模板,获得合成孔径雷达SAR图像的梯度图;
第8步,按照下式,融合边线响应图的响应值和梯度图的值,计算得到强度值,由强度值的各个像素点组成合成孔径雷达SAR图像的强度图:
其中,I表示强度值,x表示合成孔径雷达SAR图像边线响应图中的值,y表示合成孔径雷达SAR图像梯度图中的值;
第9步,采用非极大值抑制方法,对强度图进行检测,得到建议草图;
第10步,从建议草图中选取具有最大强度的像素,将建议草图中与该最大强度的像素连通的像素连接形成建议线段,得到建议素描图;
第11步,按照下式,计算建议素描图中素描线的编码长度增益:
其中,CLG表示建议素描图中素描线的编码长度增益,m表示当前素描线邻域中像素的个数,∑表示求和操作,t表示当前素描线邻域中像素的编号,At表示当前素描线邻域中第t个像素的观测值,At,0表示在当前素描线不能表示结构信息的前提下,该素描线邻域中第t个像素的估计值,ln(·)表示以e为底的对数操作,At,1表示在当前素描线能够表示结构信息的前提下,该素描线邻域中第t个像素的估计值;
第12步,设定阈值T,T的取值范围为5~50,选择CLG>T的建议素描线作为最终素描图中的素描线,获得输入合成孔径雷达SAR图像对应的素描图。
3.根据权利要求1所述的基于脊波滤波器和卷积结构模型的SAR图像分割方法,其特征在于,步骤(2)所述的素描线区域化方法的具体步骤如下:
第1步,按照合成孔径雷达SAR图像的素描图中素描线段的聚集度,将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线;
第2步,根据素描线段聚集度的直方图统计,选取聚集度等于最优聚集度的素描线段作为种子线段集{Ek,k=1,2,...,m},其中,Ek表示种子线段集中的任一条素描线段,k表示种子线段集中任一条素描线段的标号,m表示种子线段的总条数,{·}表示集合操作;
第3步,将未被选取添加进某个种子线段集和的线段作为基点,以此基点递归求解新的线段集合;
第4步,构造一个半径为最优聚集度区间上界的圆形基元,用该圆形基元对线段集合中的线段进行膨胀,对膨胀后的线段集合由外向内进行腐蚀,在素描图上得到以素描点为单位的聚集区域;
第5步,对表示边界、线目标以及孤立目标的素描线,以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗,得到结构区域;
第6步,将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域;
第7步,将素描图中的聚集区域、结构区域和不可素描区域,分别映射到合成孔径雷达SAR图像上,得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、结构像素子空间和匀质区域像素子空间。
4.根据权利要求1所述的基于脊波滤波器和卷积结构模型的SAR图像分割方法,其特征在于,步骤(5g)中所述的脊波滤波器的尺度参数a的更新公式如下:
其中a表示脊波滤波器的尺度参数,at为第t步求得的尺度,at-1为第t-1步求得的尺度,δ表示系数,取值范围为[0,1],∑表示相加,xi为第i块31×31的SAR图像采样块,表示从xi中取23×23大小的块,表示卷积第i块31×31的SAR图像采样块的脊波滤波器,γ=(a,b,θ),K(γ)表示脊波滤波器范数的倒数,e表示自然常数,Y表示脊波滤波器的变换系数,y1表示9×9的脊波滤波器像素点的横坐标位置,y2表示9×9的脊波滤波器像素点的纵坐标位置,θ表示脊波滤波器的方向参数。
5.根据权利要求1所述的基于脊波滤波器和卷积结构模型的SAR图像分割方法,其特征在于,步骤(5g)中所述的位移参数b的更新公式如下:
其中bt表示第t次迭代求得的脊波滤波器的位移参数,bt-1为t-1次求得的位移参数,δ表示系数,取值范围为[0,1],∑表示相加,xi为第i块31×31的SAR图像采样块,表示从xi中取23×23大小的块,表示卷积第i块31×31的SAR图像采样块的脊波滤波器,γ=(a,b,θ),K(γ)表示脊波滤波器范数的倒数,e表示自然常数,Y表示脊波滤波器的变换系数,at-1为第t-1步求得的脊波滤波器的尺度参数。
6.根据权利要求1所述的基于脊波滤波器和卷积结构模型的SAR图像分割方法,其特征在于,步骤(7a)中所述的视觉语义规则如下:
设第i条素描线li与第j条素描线lj之间的距离为Dij,li的方向为Oi,lj的方向为Oj,i,j∈[1,2,...,S],S为素描线的总条数;
将宽度大于3个像素的线目标用两条素描线li和lj表示,li和lj之间的距离Dij小于T1且方向差(Oi-Oj)小于10度,其中T1=5;
设第s条素描线ls的几何结构窗ws内每一列的平均灰度为Ai,设相邻列的灰度差为ADi=|Ai-Ai+1|,设zs=[zs1,zs2,...,zs9]为相邻列的灰度差ADi的标记向量;
将宽度小于3个像素的线目标用单个素描线ls表示,ls的几何结构窗ws内,计算相邻列的灰度差ADi,如果ADi>T2,则zsi=1;否则zsi=0,zs中有两个元素的值为1,其余为0,其中T2=34;
设L1,L2是表示线目标的素描线的集合,如果Dij<T1并且|Oi-Oj|<10,则li,lj∈L1;如果sum(zs)=2,则ls∈L2,其中sum(·)表示对向量的所有分量求和的操作。
7.根据权利要求1所述的基于脊波滤波器和卷积结构模型的SAR图像分割方法,其特征在于,步骤(7a)中所述的分割线目标的具体步骤如下:
第1步,在结构像素子空间,根据线目标的素描线的集合L1,将li和lj之间的区域作为线目标;
第2步,在结构像素子空间,根据线目标的素描线的集合L2,将覆盖ls的区域作为线目标。
8.根据权利要求1所述的基于脊波滤波器和卷积结构模型的SAR图像分割方法,其特征在于,步骤(7b)中所述的分割独立目标的具体步骤如下:
第1步,在区域图的结构区域中,将不表示线目标的所有素描线标记为候选素描线集合中的素描线;
第2步,从候选素描线集合中随机选取一条素描线,以所选取的素描线的一个端点为中心,构造大小为5×5的一个几何结构窗;
第3步,判断几何结构窗内是否存在其它素描线的端点,若存在,执行第4步;否则,执行第6步;
第4步,判断是否只存在一个端点,若是,将该端点所在素描线和当前素描线进行连接;否则,执行第5步;
第5步,连接所选取素描线与各端点所在的素描线,从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线;
第6步,判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点,若存在,执行第4步;否则,执行第7步;
第7步,对完成连接操作的素描线,选取包含两条及两条以上素描线段的素描线,统计所选取素描线中包含素描线段的条数n,其中n≥2;
第8步,判断素描线的条数n是否等于2,若是,则执行第9步;否则,执行第10步;
第9步,将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线;
第10步,选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线;
第11步,在所选出的素描线中,定义如下两种情况:
第一种情况,判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧,2≤i≤n-1,若素描线上的所有素描线段与相邻线段都在同一侧,则标记该素描线为具有聚拢特征的素描线;
第二种情况,判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧,2≤i≤n-1,若素描线上有n-1条素描线段与相邻线段在同一侧,而有一条素描线段与其相邻线段在非同一侧,也标记该素描线为具有聚拢特征的素描线;
第11步,在具有聚拢特征的素描线中任选一条素描线,由所选取素描线的两个端点坐标,确定两个端点间的距离,若该端点距离在[0,20]范围内,则将所选取素描线作为表示独立目标的素描线;
第12步,判断未处理的具有聚拢特征的素描线是否全部选完,若是,执行第11步;否则,执行第13步;
第13步,用超像素分割的方法,对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割,将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素;
第14步,合并独立目标超像素,将合并后的独立目标超像素的边界作为独立目标的边界,得到独立目标的分割结果。
9.根据权利要求1所述的基于脊波滤波器和卷积结构模型的SAR图像分割方法,其特征在于,步骤(8)中所述基于多项式逻辑回归先验模型的匀质区域分割方法的具体步骤如下:
第1步,从匀质区域像素子空间中任意选取一个像素点,以所选取的像素点为中心建立3×3的方形窗口,计算该窗口的标准差σ1;
第2步,将方形窗口的边长增加2,得到新的方形窗口,计算新方形窗口的标准差σ2;
第3步,设标准差阈值T3=3,如果|σ1-σ2|<T3,则将标准差为σ2的方形窗口作为最终的方形窗口,执行第4步;否则,执行第2步;
第4步,按照下式,计算方形窗口内中心像素的先验概率:
其中,p1'表示方形窗口内中心像素的先验概率,η'表示概率模型参数,η'取值为1,xk”表示方形窗口内属于第k'类的像素个数,k'∈[1,...,K'],K'表示分割的类别数,K'取值为5,xi'表示第3步得到的方形窗口内属于第i'类的像素个数;
第5步,将像素灰度的概率密度与纹理的概率密度相乘,得到似然概率p'2,其中,灰度的概率密度由衰落信道Nakagami分布得到,纹理的概率密度由t分布得到;
第6步,将先验概率p1'与似然概率p2'相乘,得到后验概率p12';
第7步,判断匀质区域像素子空间中是否还有未处理的像素点,若有,执行第1步;否则,执行第9步;
第8步,根据最大后验概率准则,得到匀质区域像素子空间的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260197.8A CN106683102B (zh) | 2016-12-30 | 2016-12-30 | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260197.8A CN106683102B (zh) | 2016-12-30 | 2016-12-30 | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106683102A true CN106683102A (zh) | 2017-05-17 |
CN106683102B CN106683102B (zh) | 2019-07-23 |
Family
ID=58871751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611260197.8A Active CN106683102B (zh) | 2016-12-30 | 2016-12-30 | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106683102B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292268A (zh) * | 2017-06-23 | 2017-10-24 | 西安电子科技大学 | 快速脊波反卷积结构学习模型的sar图像语义分割方法 |
CN107341813A (zh) * | 2017-06-15 | 2017-11-10 | 西安电子科技大学 | 基于结构学习和素描特性推理网络的sar图像分割方法 |
CN107403434A (zh) * | 2017-07-28 | 2017-11-28 | 西安电子科技大学 | 基于两阶段聚类的sar图像语义分割方法 |
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN109344837A (zh) * | 2018-10-22 | 2019-02-15 | 西安电子科技大学 | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 |
CN109583333A (zh) * | 2018-11-16 | 2019-04-05 | 中证信用增进股份有限公司 | 基于水淹法和卷积神经网络的图像识别方法 |
CN113686452A (zh) * | 2021-08-25 | 2021-11-23 | 浙江大学 | 基于沙克哈特曼波前传感器的多光涡涡旋光束拓扑值探测方法 |
CN115331232A (zh) * | 2022-07-08 | 2022-11-11 | 黑龙江省科学院智能制造研究所 | 一种满文历史文档图像列分割方法 |
CN117372431A (zh) * | 2023-12-07 | 2024-01-09 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346814A (zh) * | 2014-11-20 | 2015-02-11 | 西安电子科技大学 | 基于层次视觉语义的sar图像分割方法 |
CN105374033A (zh) * | 2015-10-19 | 2016-03-02 | 西安电子科技大学 | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 |
CN105608692A (zh) * | 2015-12-17 | 2016-05-25 | 西安电子科技大学 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
EP3029487A1 (en) * | 2014-12-01 | 2016-06-08 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | A method and a device for determining a position of a water vehicle |
-
2016
- 2016-12-30 CN CN201611260197.8A patent/CN106683102B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346814A (zh) * | 2014-11-20 | 2015-02-11 | 西安电子科技大学 | 基于层次视觉语义的sar图像分割方法 |
EP3029487A1 (en) * | 2014-12-01 | 2016-06-08 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | A method and a device for determining a position of a water vehicle |
CN105374033A (zh) * | 2015-10-19 | 2016-03-02 | 西安电子科技大学 | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 |
CN105608692A (zh) * | 2015-12-17 | 2016-05-25 | 西安电子科技大学 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341813B (zh) * | 2017-06-15 | 2019-10-25 | 西安电子科技大学 | 基于结构学习和素描特性推理网络的sar图像分割方法 |
CN107341813A (zh) * | 2017-06-15 | 2017-11-10 | 西安电子科技大学 | 基于结构学习和素描特性推理网络的sar图像分割方法 |
CN107292268A (zh) * | 2017-06-23 | 2017-10-24 | 西安电子科技大学 | 快速脊波反卷积结构学习模型的sar图像语义分割方法 |
CN107403434A (zh) * | 2017-07-28 | 2017-11-28 | 西安电子科技大学 | 基于两阶段聚类的sar图像语义分割方法 |
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN107424159B (zh) * | 2017-07-28 | 2020-02-07 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN107403434B (zh) * | 2017-07-28 | 2019-08-06 | 西安电子科技大学 | 基于两阶段聚类的sar图像语义分割方法 |
CN109344837A (zh) * | 2018-10-22 | 2019-02-15 | 西安电子科技大学 | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 |
CN109344837B (zh) * | 2018-10-22 | 2022-03-04 | 西安电子科技大学 | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 |
CN109583333A (zh) * | 2018-11-16 | 2019-04-05 | 中证信用增进股份有限公司 | 基于水淹法和卷积神经网络的图像识别方法 |
CN113686452A (zh) * | 2021-08-25 | 2021-11-23 | 浙江大学 | 基于沙克哈特曼波前传感器的多光涡涡旋光束拓扑值探测方法 |
CN113686452B (zh) * | 2021-08-25 | 2022-06-14 | 浙江大学 | 基于沙克哈特曼波前传感器的多光涡涡旋光束拓扑值探测方法 |
CN115331232A (zh) * | 2022-07-08 | 2022-11-11 | 黑龙江省科学院智能制造研究所 | 一种满文历史文档图像列分割方法 |
CN115331232B (zh) * | 2022-07-08 | 2023-08-18 | 黑龙江省科学院智能制造研究所 | 一种满文历史文档图像列分割方法 |
CN117372431A (zh) * | 2023-12-07 | 2024-01-09 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像检测方法 |
CN117372431B (zh) * | 2023-12-07 | 2024-02-20 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106683102B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN108549891B (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
CN106611420B (zh) | 基于反卷积网络和素描图方向约束的sar图像分割方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
CN109063594A (zh) | 基于YOLOv2的遥感图像快速目标检测方法 | |
CN105608692B (zh) | 基于反卷积网络和稀疏分类的极化sar图像分割方法 | |
CN106611421A (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN107451616A (zh) | 基于深度半监督迁移学习的多光谱遥感图像地物分类方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN107403434B (zh) | 基于两阶段聚类的sar图像语义分割方法 | |
CN107341813B (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
CN106651884B (zh) | 基于素描结构的平均场变分贝叶斯sar图像分割方法 | |
CN106611422B (zh) | 基于素描结构的随机梯度贝叶斯sar图像分割方法 | |
CN106446933A (zh) | 基于上下文信息的多目标检测方法 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN107590515A (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
CN104915676A (zh) | 基于深层特征学习和分水岭的sar图像分类 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |