CN108334851A - 基于各向异质性的快速极化sar图像分割方法 - Google Patents
基于各向异质性的快速极化sar图像分割方法 Download PDFInfo
- Publication number
- CN108334851A CN108334851A CN201810144266.1A CN201810144266A CN108334851A CN 108334851 A CN108334851 A CN 108334851A CN 201810144266 A CN201810144266 A CN 201810144266A CN 108334851 A CN108334851 A CN 108334851A
- Authority
- CN
- China
- Prior art keywords
- pixel
- rot
- matrixes
- row
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于各向异质性的快速极化SAR图像分割方法,属于极化合成孔径雷达图像处理技术领域,适用在极化分类中超像素形成、相干矩阵T精确估计和极化初始分类结果后处理,思路为:获取极化SAR图像,极化SAR图像包括M×N个像素点;M×N个像素点中每个像素点上分别对应1个三阶相干T矩阵,将极化SAR图像中M×N个像素点对应的三阶相干T矩阵按列拼接成列向量,进而得到M×N×9维三维矩阵;依次计算极化SAR图像中M×N个像素点在D个方向模板的Wishart距离和M×N个像素点的各项异质性系数;对M×N个像素点的各项异质性系数进行初始分割,得到一个与极化SAR图像大小相同的M×N维矩阵,令其为M×N维Label矩阵;对M×N维Label矩阵进行区域融合,得到极化SAR图像的超像素分割图。
Description
技术领域
本发明属于极化合成孔径雷达图像处理技术领域,特别涉及一种基于各向异质性的快速极化SAR图像分割方法,适用在极化分类中超像素形成、相干矩阵T精确估计和极化初始分类结果后处理。
背景技术
极化合成孔径雷达技术是现代雷达遥感测量测绘中一项前沿的技术,相对于一般SAR图像仅有幅度和相位信息,极化合成孔径雷达具有4个通道HH、HV、VH、VV能够提供更加丰富的散射信息来进行地物的解译,而极化SAR地物分类是极化SAR应用的一项主要研究内容;如今极化SAR分类方法能大致分为两类:(1)基于像素点的分类;(2)基于区域块的分类;基于区域块的分类是基于一种面向对象的思想,在极化地物分类中有着重要的应用和极大的潜力;相对于传统的基于像素点的极化SAR图像分类,基于区域块的分类有着更好的抗噪能力,且在测绘应用中有着更好的解译表达;但是,基于区域块的分类算法必须预先生成合适匀质的区域,因此如何生成合适的超像素分割得到了越来越多的关注。
超像素在极化SAR地物分类中大致有如下三种用处:一般来说,匀质地物应该满足反射对称性的假设,在实际情况中,分布目标却不一定满足反射对称性,其解决办法可以为将极化SAR图像预先分割成匀质小块,再在小块中得到精确的估计相干矩阵;其次超像素分割作为极化领域的预处理技术,应该有快速的运算速度,高度的边缘贴合度,不存在过分割和欠分割等现象;高度的边缘贴合度以及适当的分割大小使得极化SAR的初始分类结果可以在超像素中进行投票,让优化后的结果有着更高的分类准确率以及更好的解译应用价值;并且,在居民区等区域,极化SAR图像上的功率,极化散射机理的波动十分密集,这会使超像素分割更加紧密,所以超像素的初始分类结果本身也可以分类中的一种纹理信息,来进行地物的初级分类和识别。
极化SAR图像由于受到相干斑噪声的影响,光学图像中现有的边缘检测算法,超像素形成等算法在应用到雷达图像中时往往得不到理想的效果;但借鉴于光学图像的算法,国内外有很多学者提出了改进后的SAR图像和极化SAR图像分割算法;现有的算法主要分为两种:(1)基于图论的切割;(2)基于梯度的切割;这两类算法都牵涉到大量重复地计算一对像素点上信息之间的距离,并且往往涉及到运算复杂的矩阵分解运算或者迭代运算;极化SAR图像在同一像素点上,比单通道的SAR图像多了近8倍的数据量,这使得现有的极化超像素形成算法往往面临着难以忍受的时间复杂度;无论是对于极化分类软件产品的开发及调试,还是对于软件客户的使用,都是无法承受的时间成本。
Fachao Qin在文章“Superpixel Segmentation for Polarimetric SAR ImageryUsing Local Iterative Clusterring”(IEEE GEOSCIENCE AND REMOTE SENSINGLETTERS,VOL.12,NO.1,JANUARY 2015)中利用类似于k-means的思想,结合Wishart距离,首先事先设置要分割出的块数,在图中等距生成每一块中心的种子点,然后利用旋转模板和Wishart距离,将种子点转移到邻域中梯度最小的像素中;移动后的种子点将四周一定边长的区域看成是其一类,重新计算该区域的平均相干矩阵;接着对每一个像素进行聚类,其过程为:判断这个像素到四角边上种子点类别的距离大小,其距离同时考虑了T矩阵的Wishart距离和像素坐标的欧氏距离,通过一个Scaling系数进行相加,该像素选取距离最近的种子点作为该像素的类别;在全部像素第一次聚类完成后,往往要进行多次的迭代,需要事先设定好迭代次数或者迭代终止条件;最后对面积小于一定阈值的超像素块进行合并;然而,该方法的分类效果取决于初始的种子点生成,若地物细节比较多,初始种子点必须设置的非常密集才能保证每一块区域的中心至少有一个种子点,这样才能使得分割效果比较成功;并且多次的迭代,重复的计算Wishart距离和密集的种子点增加了循环的次数,使得该算法的运算时间难以忍受;在AirSAR机载数据Flevoland图像大小为750*1024中,设置种子点为5500,迭代次数设置为10,最终分割的时间为24分钟。
然而,该方法的分类效果取决于初始的种子点生成,若地物细节比较多,初始种子点必须设置的非常密集才能保证每一块区域的中心至少有一个种子点,这样才能使得分割效果比较成功。并且多次的迭代,重复的计算Wishart距离和密集的种子点增加了循环的次数,使得该算法的运算时间难以忍受。
Kaan Ersahin在文章“Segmentation and Classification of PolartimetricSAR Data Using Spectral Graph Partitioning”中(IEEE TRANSACTION ON GEOSCIENCEAND REMOTE SENSING,Accepted for publication May 8,2009)中也考虑了T矩阵的Wishart距离和像素间的欧氏距离,对每个像素点建立无向连接图,并用权值矩阵W保存并表示像素之间“亲密程度”,利用Nomalized cut对图进行切割,具体的方法为将NP难的分割问题转换为近似的瑞利熵求解问题,利用矩阵的特征分解来进行近似求解;然而,矩阵分解的时间复杂度是O(N^3)的,建立权值矩阵要进行O(N^2)次的Wishart距离运算,一个图像中的点数N往往是百万级的,所以分割要进行对图像分块处理,再来进行子图的分割;然而即便是这样,该方法也要事先设置好子图的切分块数,否则会严重影响切割效果。
Bin Liu在文章“Superpixel-Based Classification With an Adaptive Numberof Classes for Polarimetric SAR Images”中详细讨论了如何自动设置子图中分割块数和估计类别数目的方法,该方法将不相似矩阵转换成一种不相似图像,再将该图像投影成一阶信号,通过信号的一阶求导确定谱峰的个数,从而确定子图初始切割个数,取得了较好的效果,然而该算法复杂度太高,并且难以实现,对内存的开销也是颇为可观;回过头看,即使是100*100的子图,也会导致不相似矩阵达到10000*10000的规模,这样再进行矩阵的特征分解会严重影响分割的速度。
发明内容
针对上述现有技术存在的不足,本发明的目的在于提出一种基于各向异质性的快速极化SAR图像分割方法,该种基于各向异质性的快速极化SAR图像分割方法在现有的极化SAR图像纯功率分割无法区分功率相近的地物,而考虑极化信息的分割技术由于数据量过大,运算量难以并行,导致时间成本过高,研发人员或者软件使用人员难以忍受的情况下提出了一种新的极化SAR图像分割技术,通过对每个像素计算其8个方向模板的梯度值来描述该像素的匀质性,然后通过一定门限抑制噪声后采取分水岭算法得到初始的划分结果,最后通过像素块建立区域邻近图,使用相似性度量进行超像素合并得到最终的分割效果。本发明极大的节省了极化SAR图像分割时间,在AirSAR机载数据Flevoland(图像大小为750*1024)中,最终分割的时间仅为20s左右,相比其他已有的高引用量论文里的方法速度提高了数十倍,并且具有高度的边缘贴合度。
为达到上述技术目的,本发明采用如下技术方案予以实现。
一种基于各向异质性的快速极化SAR图像分割方法,包括以下步骤:
步骤1,获取极化SAR图像,极化SAR图像包括M×N个像素点;M×N个像素点中每个像素点上分别对应1个三阶相干T矩阵,每个像素点沿极化SAR图像分别设置D个方向模板;D为设定正整数;
将极化SAR图像中M×N个像素点对应的三阶相干T矩阵按列拼接成列向量,进而得到M×N×9三维矩阵;
步骤2,根据M×N×9三维矩阵,计算极化SAR图像中M×N个像素点在D个方向模板的Wishart距离;
步骤3,根据像素点(x,y)在D个方向模板的Wishart距离,得到像素点(x,y)的非线性映射值;其中,1≤x≤M,1≤y≤N;
步骤4,根据像素点(x,y)的非线性映射值,得到像素点(x,y)的各项异质性系数;
步骤5,遍历极化SAR图像中的M×N个像素点,重复步骤3和步骤4,进而得到M×N个像素点的各项异质性系数;
步骤6,使用分水岭算法对M×N个像素点的各项异质性系数进行初始分割,得到一个与极化SAR图像大小相同的M×N维矩阵,令其为M×N维Label矩阵;
步骤7,对M×N维Label矩阵进行区域融合,进而得到极化SAR图像的超像素分割图,所述极化SAR图像的超像素分割图为基于各向异质性的快速极化SAR图像分割结果。
本发明与现有的技术相比具有以下优点:
第一,本发明通过8个模板的Wishart距离定义了各项异质度,当每个方向的Wishart距离都很小的时候说明该像素点是各项匀质的,若某个方向的Wishart距离较大的时候,说明该像素点是边缘的概率越大;基于这种定义,本发明的分割效果边缘贴合度高。
第二,本发明相对现已有的方法来说,内存开销小,计算速度快。由于算法原理的问题,本发明不需要迭代,而且本发明可以通过并行节约大量的运算时间,对比于已有的算法,本发明的计算速度提升了数十倍。
第三,本发明通过设定阈值和区域融合,解决了过分割和欠分割问题,而且不用刻意设置或者估计超像素块数,并因此有效克服了极化SAR图像固有的相干斑问题,所得的分割结果鲁棒性高,能更好的切割出单通道SAR功率图像所难以切割的功率相近的地物,以便于接下来继续的分类和解译的应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于各向异质性的快速极化SAR图像分割方法流程图;
图2为8方向旋转模板示意图;
图3为两种非线性映射的函数图;
图4为AirSAR数据Flevoland的Pauli分解图,此数据作为本发明的实测数据;
图5为使用SLIC方法得到分割效果图;
图6为使用SLIC方法得到分割效果图超像素取平均后的效果图;
图7为实测数据中本发明门限较低的时候得到的分割图;
图8为实测数据中本发明门限较低的时候得到的超像素内T矩阵取平均后的Pauli图;
图9为实测数据本发明门限较高的时候得到的分割效果图;
图10为实测数据中本发明门限较高的时候得到的超像素内T矩阵取平均后的Pauli图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,为本发明实施例提供的一种基于各向异质性的快速极化SAR图像分割方法流程图;其中所述基于各向异质性的快速极化SAR图像分割方法,包括以下步骤:
步骤1,获取极化SAR图像,所述极化SAR图像的长为N,极化SAR图像的宽为M,极化SAR图像包括M×N个像素点;对极化SAR图像进行多视处理和极化精致Lee滤波处理后,得到极化SAR数据T矩阵,极化SAR数据T矩阵包括M×N个像素点,并且每个像素点上分别对应1个三阶相干T矩阵;将像素点(x,y)上对应的三阶相干T矩阵记为T(x,y),其表达式为:
其中,1≤x≤M,1≤y≤N;将像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第i行第j列元素记为Tij(x,y),1≤i≤3,1≤j≤3。
在像素点(x,y)处沿极化SAR图像设置8个方向模板,每个方向模板分别由两个长方形的单方向模板组成,且将第rot个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角记为θrot,rot=1,2,…,8;进而分别得到第1个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角θ1至第8个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角θ8,且
对于第rot个方向模板内两个长方形的单方向模板中心线,在像素点(x,y)处做垂线、在距离所述中心线设定间距处存在两个对称于所述中心线的长方形单方向模板,记为像素点(x,y)在θrot方向的两个长方形的单方向模板;其中令设定间距为d,两个对称于所述中心线的长方形单方向模板长和宽分别为l和w,像素点(x,y)在θrot方向的两个长方形的单方向模板记为像素点(x,y)在θrot方向的左模板和像素点(x,y)在θrot方向的右模板;如图2所示。
将像素点(x,y)在θrot方向的两个长方形的单方向模板记为第rot个方向模板的单方向长方形模板区域;进而计算第rot个方向模板的T矩阵最大似然估计中心Tc,rot,其表达式为:
其中,Tn表示第rot个方向模板的单方向长方形模板区域内第n个像素点的T矩阵,Nrot表示第rot个方向模板的单方向长方形模板区域内像素点的个数,
上述过程即将8个方向模板的单方向长方形模板区域作为是均值滤波器的窗口,对第rot个方向模板的单方向长方形模板区域内所有像素点进行均值滤波,求得第rot个方向模板的单方向长方形模板区域内所有像素点的平均T矩阵;对极化SAR图像中像素点(x,y)在θrot方向的左模板内所有像素点和像素点(x,y)在θrot方向的右模板内所有像素点分别进行均值滤波,进而得到像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵TL(x,y,θrot)和像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵TR(x,y,θrot)。
在执行上述操作的时候,为了更快的运行均值滤波,对于极化SAR图像,将极化SAR图像中M×N个像素点对应的三阶相干T矩阵按列拼接成列向量,使得极化SAR图像被整合成M×N×9三维矩阵,其中像素点(x,y)上对应的三阶相干T矩阵T(x,y)由一个3×3维矩阵拼接成列向量,记为像素点(x,y)的列向量
[T11(x,y),T12(x,y),T13(x,y),T21(x,y),T22(x,y),T23(x,y),T31(x,y),T32(x,y),T33(x,y)]T,1≤x≤M,1≤y≤N;得到极化SAR图像的M×N×9三维矩阵后,使用编程语言库文件中自带的2维均值滤波函数对极化SAR图像的M×N×9三维矩阵沿着第三维度对每一个M×N×h矩阵分别进行均值滤波处理,h=1,2,…,9;进而得到极化SAR图像的平均T矩阵。
对于每个像素点在θrot方向的两个长方形的单方向模板来说共进行9次均值滤波,得到每个像素点在θrot方向的两个长方形的单方向模板内的平均T矩阵,所述每个像素点在θrot方向的两个长方形的单方向模板内的平均T矩阵包括每个像素点在θrot方向的左平均T矩阵和每个像素点在θi方向的右平均T矩阵;这样能够有效地避免多重for循环,节省大量时间。
步骤2,计算极化SAR图像中M×N个像素点在设定个数方向的Wishart距离;其中像素点(x,y)的8个方向模板的Wishart距离为dw(x,y),其得到过程为:
2.1根据像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵TL(x,y,θrot)和像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵TR(x,y,θrot),计算像素点(x,y)在θrot方向的Wishart距离dw(x,y,θrot),其计算公式为:
dw(x,y,θrot)=(NL+NR)ln|TLR(x,y,θrot)|-NLln|TL(x,y,θrot)|-NRln|TR(x,y,θrot)|
其中,TLR(x,y,θrot)表示像素点(x,y)在θrot方向的转换平均T矩阵,且
TLR(x,y,θrot)=(TL(x,y,θrot)+TR(x,y,θrot))/2,
1≤x≤M,1≤y≤N,rot=1,2,3,...8,TL(x,y,θrot)表示像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵,TR(x,y,θrot)表示像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵,NR表示像素点(x,y)在θrot方向的右模板内像素点个数,NL表示像素点(x,y)在θrot方向的左模板内像素点个数,||表示矩阵的行列式计算,ln表示底数为e的对数。
2.2令θrot分别取θ1至θ8,重复执行2.1,进而分别得到像素点(x,y)在θ1方向的Wishart距离dw(x,y,θ1)至像素点(x,y)在θ8方向的Wishart距离dw(x,y,θ8),记为像素点(x,y)在8个方向模板的Wishart距离dw(x,y);这样像素点(x,y)得到了8个方向的长方形模板对的Wishart距离,Wishart距离越大的方向成为极化SAR图像中边缘的可能性越大。
Wishart距离的运算一直是各种极化SAR处理中最消耗时间的运算,大部分已经提出的算法都用for循环去求取各个像素点到类中心或者其他像素点之间的Wishart距离;然而本发明的方法是对每个像素点求取成对的模板间Wishart距离,对于每个方向成对的模板需要求得M*N次Wishart距离。为了能并行提高计算速度,需要对重复的矩阵的行列式计算进行并行优化。以matlab为例,在matlab中矩阵的求行列式的det函数并不能使用并行的操作,然而本发明方法因为所有的矩阵都为三阶矩阵,这为该操作进行并行计算提供了可能性。
像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵和像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵,以及像素点(x,y)在θrot方向的转换平均T矩阵按页拼接成3*3*M*N维矩阵,对所述3*3*M*N维矩阵进行并行的求行列式的计算;为详细解释,设定第一中间矩阵Tpol,
Tpol∈{TR(x,y,θrot),TL(x,y,θrot),TLR(x,y,θrot)|rot=1,2,3...8},其中
{TR(x,y,θrot),TL(x,y,θrot),TLR(x,y,θrot)|rot=1,2,3,...8}为第一集合,且该第一集合中包含24个元素,令第一中间矩阵Tpol在该第一集合包含的24个元素中遍历,用如下公式快速计算第二中间矩阵Td和三维矩阵det(Td),其表达式分别为:
det(Td)=T′11·T′22·T′33-T′11·T′23·T′32-T′12·T′21·T′33
+T′12·T′23·T′31+T′13·T′21·T′32-T′13·T′22·T′31
其中,第二中间矩阵Td代表将第一中间矩阵Tpol拼接转置成大小为3*3*(M*N)的矩阵,具体的拼接转置过程如下:
由于第一中间矩阵Tpol是一个M×N×9维矩阵,且令M×N×9维矩阵的第三维称作页,共9页,第一中间矩阵Tpol的第1页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第1行第1列元素T11(x,y)按列拼接成的(M*N)*1的列向量,再转置成1*1*(M*N)的三维向量T′11;
第一中间矩阵Tpol的第2页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第1行第2列元素T12(x,y)按列拼接成的(M*N)*1的列向量,再转置成1*1*(M*N)的三维向量T′12;
第二中间矩阵Tpol的第3页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第1行第3列元素T13(x,y)按列拼接成的(M*N)*1的列向量,再转置成1*1*(M*N)的三维向量T′13(x,y);第二中间矩阵Tpol的第4页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第2行第1列元素T21(x,y)按列拼接成一个(M*N)*1的列向量,再转置成1*1*(M*N)的向量T′21;
第二中间矩阵Tpol的第5页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第2行第2列元素T22(x,y)按列拼接成一个(M*N)*1的列向量,再转置成1*1*(M*N)的向量T′22;
第二中间矩阵Tpol的第6页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第2行第3列元素T23(x,y)按列拼接成一个(M*N)*1的列向量,再转置成1*1*(M*N)的向量T′23;
第二中间矩阵Tpol的第7页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第3行第1列元素T31(x,y)按列拼接成一个(M*N)*1的列向量,再转置成1*1*(M*N)的向量T′31;
第二中间矩阵Tpol的第8页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第3行第2列元素T32(x,y)按列拼接成一个(M*N)*1的列向量,再转置成1*1*(M*N)的向量T′32;
第二中间矩阵Tpol的第9页是像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第3行第3列元素T33(x,y)按列拼接成一个(M*N)*1的列向量,再转置成1*1*(M*N)的向量T′33。
是第二中间矩阵Tpol转置而来的三维矩阵,[*]符号表示将维度分别为1*1*(M*N)的9个向量T′11、T′12、T′13、T′21、T′22、T′23、T′31、T′32、T′33通过第一维和第二维拼成3*3*(M*N)的矩阵;在求解三维矩阵det(Td)的公式表达式中,·代表向量的逐元素求积,故得到的三维矩阵det(Td)是一个1*1*(M*N)三维矩阵,且前两个维度上大小都是1。
通过上述过程可以快速求得第二集合
{det(TR(x,y,θrot)),det(TL(x,y,θrot)),det(TLR(x,y,θrot))|rot=1,2,3...8},令三维矩阵det(Td)在第二集合包含的24个元素中遍历,代入公式并行计算得到极化SAR图像在θrot方向的Wishart距离dw(θrot),即:
Tdir(θrot)=reshape(det(Td),M,N)
dw(θrot)=(NL+NR)ln|TLR(θrot)|-NLln|TL(θrot)|-NRln|TR(θrot)|,rot=(1,2,3,...8)
其中,ln表示底数为e的对数。
步骤3,对像素点(x,y)的8个方向模板的Wishart距离dw(x,y)进行值域为[0,1]的非线性映射,得到像素点(x,y)的8个方向模板的Wishart距离的非线性映射值;具体的映射函数可以为y=1-e-ax(a为设置的系数),或者(a为设置的系数),其中x表示像素点(x,y)的8个方向模板的Wishart距离dw(x,y);当设置的系数a取1的时候两种函数如图3所示,Wishart距离越大时所得的非线性映射结果y越接近于0,越小时所得的非线性映射结果y越接近1。
具体地,将像素点(x,y)的8个方向模板的Wishart距离dw(x,y)进行相乘,用1相减,进而得到像素点(x,y)的非线性映射值g(x,y),其计算过程为:
其中,∏为连乘符号,l表示像素点(x,y)在θrot方向的两个长方形的单方向模板的长,w表示像素点(x,y)在θrot方向的两个长方形的单方向模板的宽;e(x,y)表示像素点(x,y)的边缘度,可用于边缘检测中。
步骤4,根据像素点(x,y)的非线性映射值g(x,y),通过设置阈值参数μ进行极小值抑制,去除匀质区域非线性映射值的小起伏,以防因为接下来的处理造成过分割现象。
首先本发明将像素点(x,y)的非线性映射值g(x,y)进行升序排序,然后人工输入设定门限γ,其中门限γ是一个百分数,经验值范围为0.2—0.4;然后使用极小值抑制,进而得到像素点(x,y)的各项异质性系数gF(x,y),用公式表达为:
其中,μ表示将像素点(x,y)的非线性映射值g(x,y)升序排序后的映射值中第γ百分数,γ表示设定门限,门限γ是一个百分数,经验值范围为0.2—0.4;将像素点(x,y)的非线性映射值g(x,y)经过极小值抑制后得到的结果,记为像素点(x,y)的各项异质性系数gF(x,y)。
步骤5,遍历极化SAR图像中的M×N个像素点,重复步骤3和步骤4,进而得到M×N个像素点的各项异质性系数。
步骤6,使用分水岭算法对M×N个像素点的各项异质性系数进行初始分割,得到一个与极化SAR图像大小相同的M×N维矩阵,令其为M×N维Label矩阵;M×N维Label矩阵中存放着初始分割的结果,一共有K个独立的区域块以及每个区域块的边界,K个独立的区域块标号依次为1,2,…,K,边界的像素点都是赋予了0值,每个区域块包括竖直方向和水平方向。
步骤7,对M×N维Label矩阵进行区域融合,进而得到极化SAR图像的超像素分割图,其具体过程为:
7.1初始化:设置门限值λ,0<λ<1;设定第一集合E1和第二集合E2,第一集合E1用于存储区域块的上下相邻信息,设定第一集合E1中包含M1个元素;第二集合E2用于存储区域块左右的相邻信息,设定第二集合E2中包含M2个元素;M1和M2分别为大于0的正整数。
令Label(x',y')表示像素位置(x′,y′)在M×N维Label矩阵的第x′行第y′列处区域块,x'=1,2,…,M-2,y'=1,2,…,N。
7.2判断像素位置(x′,y′)在M×N维Label矩阵的第x′行第y′列处区域块Label(x',y')和像素位置(x'+2,y')在M×N维Label矩阵的第x'+2行第y′列处区域块Label(x'+2,y')是否相同;如果相同,则说明像素位置(x′,y′)在M×N维Label矩阵的第x′行第y′列处区域块Label(x',y')和像素位置(x'+2,y')在M×N维Label矩阵的第x'+2行第y′列处区域块Label(x'+2,y')属于同一个区域块,执行子步骤7.3;若不相同,则说明像素位置(x′,y′)在M×N维Label矩阵的第x′行第y′列处区域块Label(x',y')和像素位置(x'+2,y')在M×N维Label矩阵的第x'+2行第y′列处区域块Label(x'+2,y')上下相邻,此时将行向量(Label(x',y'),Label(x'+2,y'))作为第一集合E1中第s1个元素,s1的初始值为1,令s1的值加1。
7.3令像素位置(x',y′)遍历集合{(x′,y′)|1≤x′≤M-2,1≤y'≤N},重复子步骤7.2;直到得到第一集合E1中的M1′个元素;其中M1′为遍历集合{(x′,y′)|1≤x′≤M-2,1≤y'≤N}中所有像素位置后对应的s1取值。
7.4使用编程库里自带的函数(如matlab中的unique函数)去除M1′个元素中重复的元素,以避免后续步骤的重复运算,进而得到第一集合E1中的M1个元素;M1≤M1'。
7.5令Label(x″,y″)表示像素位置(x″,y″)在M×N维Label矩阵的第x″行第y″列处区域块,x″=1,2,…,M,y'=1,2,…,N-2。
7.6判断像素位置(x″,y″)在M×N维Label矩阵的第x″行第y″列处区域块Label(x″,y″)和像素位置(x″,y″+2)在M×N维Label矩阵的第x″行第y″+2列处区域块Label(x″,y″+2)是否相同;如果相同,则说明像素位置(x″,y″)在M×N维Label矩阵的第x″行第y″列处区域块Label(x″,y″)和像素位置(x″,y″+2)在M×N维Label矩阵的第x″行第y″+2列处区域块Label(x″,y″+2)属于同一个区域块,执行子步骤7.7;若不相同,则说明像素位置(x″,y″)在M×N维Label矩阵的第x″行第y″列处区域块Label(x″,y″)和像素位置(x″,y″+2)在M×N维Label矩阵的第x″行第y″+2列处区域块Label(x″,y″+2)左右相邻,此时将行向量(Label(x″,y″),Label(x″,y″+2))作为第二集合E2中第s2个元素,s2的初始值为1,令s2的值加1。
7.7令像素位置(x″,y″)遍历集合{(x″,y″)|1≤x″≤M,1≤y″≤N-2},重复子步骤7.6;直到得到第二集合E2中的M2′个元素;其中M2′为遍历集合{(x″,y″)|1≤x″≤M,1≤y″≤N-2}中所有像素位置后对应的s2取值。
7.8使用编程库里自带的函数(如matlab中的unique函数)去除M2′个元素中重复的元素,以避免后续步骤的重复运算,进而得到第二集合E2中的M2个元素;M2≤M2'。
7.9计算K个独立的区域块的平均相干T矩阵,其中第i个区域块的平均相干T矩阵为 Ni表示第i个区域块包含的像素点总个数,m∈{1,2,…,Ni},表示第i个区域块中第m个像素点上对应的三阶相干T矩阵,i∈{1,2,…,K}。
7.10确定集合 为第一集合E1和第二集合E2的并,集合中包括Le个元素,Le=M1+M2,Le个元素中每个元素都包括两个数字;令r表示Le个元素中第r个元素,r∈{1,2…,Le};表示集合中第r个元素的第1个数字,表示集合中第r个元素的第2个数字。
确定第三集合Et,用于存储所有的需要合并的区域块的边;设定第三集合Et包括R个元素。
7.11计算Le个元素中第r个元素中两个相邻区域块之间的相似性度量值dc(r),其表达式为:
其中,span1=trace(Tneighbor(r)),span2=trace(T'neighbor(r)),Tneighbor(r)表示第个区域块的平均相干T矩阵,Tneighbor'(r)表示第个区域块的平均相干T矩阵,trace表示求矩阵的迹,||表示向量取模值,·表示向量取内积,vec表示将矩阵展开成列向量,min表示求最小值操作。
7.12若dc(r)≤λ,则说明Le个元素中第r个元素中两个相邻区域块应该合并,并将集合中第r个元素中两个相邻区域块要合并的两条边,作为第三集合Et中第st个元素,两条边分别对应一个数字;st的初始值为1,令st的值加1;否则直接执行7.13。
7.13令r的值分别取1至Le,重复执行7.11和7.12,进而得到第三集合Et中的R个元素,其中R为重复执行停止时对应的st取值。
所述第三集合Et中每个元素都是由两个数字组成的向量,令表示第三集合Et中第e个元素的第1个数字,表示第三集合Et中第e个元素的第2个数字。
7.14将第三集合Et中第e个元素的第1个数字替换为第三集合Et中第e个元素的第2个数字将M×N维Label矩阵中区域块为的标号替换为第三集合Et中第e个元素的第2个数字
7.15令e的值分别取1至R,重复执行7.14,将重复执行操作停止时对应得到矩阵,作为区域融合后的极化SAR图像分割图。
经过上述步骤,相邻区域块的区域融合完毕。
7.16对区域融合后的极化SAR图像分割图进行标号为0的边界的去除,具体是对区域融合后的极化SAR图像分割图进行图像闭操作处理,将图像闭操作处理后得到的结果,记为极化SAR图像的超像素分割图。
由此,步骤7生成无缝连接,得到极化SAR图像的超像素分割图,所述极化SAR图像的超像素分割图为基于各向异质性的快速极化SAR图像分割结果。
参照图4,为AirSAR数据Flevoland的Pauli分解图,此数据作为本发明的实测数据;图5、图7、图9分别为SLIC方法、实测数据中本发明较低门限(没有进行合并)、实测数据中本发明较高门限得到分割效果图;图5、图7、图9分别为SLIC方法、本发明较低门限(没有进行合并)、本发明较高门限得到分割效果图超像素取平均后效果图;图6、图8、图10表明几种超像素都没有模糊边缘,都有一定的边缘贴合度,然而经对比发现无论门限,本发明的强点和小面积点保持效果都高于SLIC法;本发明方法也克服了现主流的SLIC方法和N-cut方法所需要人工事先估计超像素个数的缺点,一定程度上有着它们所缺的自适应性;并且本发明方法由于针对大多数数据都是20s左右处理完毕,速度提高了数十倍至上百倍;故即使是需要调整门限值付出的时间代价也是很小,这也是其他现有技术方法所远远不能达到的。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于各向异质性的快速极化SAR图像分割方法,其特征在于,包括以下步骤:
步骤1,获取极化SAR图像,极化SAR图像包括M×N个像素点;M×N个像素点中每个像素点上分别对应1个三阶相干T矩阵,每个像素点沿极化SAR图像分别设置D个方向模板;D为设定正整数;
将极化SAR图像中M×N个像素点对应的三阶相干T矩阵按列拼接成列向量,进而得到M×N×9三维矩阵;
步骤2,根据M×N×9三维矩阵,计算极化SAR图像中M×N个像素点在D个方向模板的Wishart距离;
步骤3,根据像素点(x,y)在D个方向模板的Wishart距离,得到像素点(x,y)的非线性映射值;其中,1≤x≤M,1≤y≤N;
步骤4,根据像素点(x,y)的非线性映射值,得到像素点(x,y)的各项异质性系数;
步骤5,遍历极化SAR图像中的M×N个像素点,重复步骤3和步骤4,进而得到M×N个像素点的各项异质性系数;
步骤6,使用分水岭算法对M×N个像素点的各项异质性系数进行初始分割,得到一个与极化SAR图像大小相同的M×N维矩阵,令其为M×N维Label矩阵;
步骤7,对M×N维Label矩阵进行区域融合,进而得到极化SAR图像的超像素分割图,所述极化SAR图像的超像素分割图为基于各向异质性的快速极化SAR图像分割结果。
2.如权利要求1所述的一种基于各向异质性的快速极化SAR图像分割方法,其特征在于,在步骤1中,所述M×N个像素点中每个像素点上分别对应1个三阶相干T矩阵,还包括:
将像素点(x,y)上对应的三阶相干T矩阵记为T(x,y),其表达式为:
其中,1≤x≤M,1≤y≤N;将像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第i行第j列元素记为Tij(x,y),1≤i≤3,1≤j≤3;
所述M×N×9三维矩阵,还包括:
像素点(x,y)上对应的三阶相干T矩阵T(x,y)由一个3×3维矩阵拼接成列向量,记为像素点(x,y)的列向量
[T11(x,y),T12(x,y),T13(x,y),T21(x,y),T22(x,y),T23(x,y),T31(x,y),T32(x,y),T33(x,y)]T,1≤x≤M,1≤y≤N。
3.如权利要求2所述的一种基于各向异质性的快速极化SAR图像分割方法,其特征在于,在步骤1中,所述每个像素点沿极化SAR图像分别设置D个方向模板,具体为:
在像素点(x,y)处沿极化SAR图像设置D个方向模板,每个方向模板分别由两个长方形的单方向模板组成,且将第rot个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角记为θrot,rot=1,2,…,D;进而分别得到第1个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角θ1至第D个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角θD,且
对于第rot个方向模板内两个长方形的单方向模板中心线,在像素点(x,y)处做垂线、在距离所述中心线设定间距处存在两个对称于所述中心线的长方形单方向模板,记为像素点(x,y)在θrot方向的两个长方形的单方向模板;其中令设定间距为d,两个对称于所述中心线的长方形单方向模板长和宽分别为l和w,像素点(x,y)在θrot方向的两个长方形的单方向模板记为像素点(x,y)在θrot方向的左模板和像素点(x,y)在θrot方向的右模板;
对极化SAR图像中像素点(x,y)在θrot方向的左模板内所有像素点和像素点(x,y)在θrot方向的右模板内所有像素点分别进行均值滤波,进而得到像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵TL(x,y,θrot)和像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵TR(x,y,θrot)。
4.如权利要求3所述的一种基于各向异质性的快速极化SAR图像分割方法,其特征在于,在步骤2中,将所述极化SAR图像中M×N个像素点在D个方向模板的Wishart距离中像素点(x,y)的D个方向模板的Wishart距离记为dw(x,y),其得到过程为:
2.1 根据像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵TL(x,y,θrot)和像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵TR(x,y,θrot),计算像素点(x,y)在θrot方向的Wishart距离dw(x,y,θrot),其计算公式为:
dw(x,y,θrot)=(NL+NR)ln|TLR(x,y,θrot)|-NLln|TL(x,y,θrot)|-NRln|TR(x,y,θrot)|
其中,TLR(x,y,θrot)表示像素点(x,y)在θrot方向的转换平均T矩阵,且
TLR(x,y,θrot)=(TL(x,y,θrot)+TR(x,y,θrot))/2,
1≤x≤M,1≤y≤N,rot=1,2,3,...,D,TL(x,y,θrot)表示像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵,TR(x,y,θrot)表示像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵,NR表示像素点(x,y)在θrot方向的右模板内像素点个数,NL表示像素点(x,y)在θrot方向的左模板内像素点个数,||表示矩阵的行列式计算,ln表示底数为e的对数;
2.2令θrot分别取θ1至θD,重复执行2.1,进而分别得到像素点(x,y)在θ1方向的Wishart距离dw(x,y,θ1)至像素点(x,y)在θD方向的Wishart距离dw(x,y,θD),记为像素点(x,y)在D个方向模板的Wishart距离dw(x,y)。
5.如权利要求4所述的一种基于各向异质性的快速极化SAR图像分割方法,其特征在于,在步骤3中,所述像素点(x,y)的非线性映射值为g(x,y),其计算过程为:
其中,∏为连乘符号,l表示像素点(x,y)在θrot方向的两个长方形的单方向模板的长,w表示像素点(x,y)在θrot方向的两个长方形的单方向模板的宽。
6.如权利要求5所述的一种基于各向异质性的快速极化SAR图像分割方法,其特征在于,在步骤4中,所述像素点(x,y)的各项异质性系数为gF(x,y),其表达式为:
其中,μ表示将像素点(x,y)的非线性映射值g(x,y)升序排序后的映射值中第γ百分数,γ表示设定百分数。
7.如权利要求6所述的一种基于各向异质性的快速极化SAR图像分割方法,其特征在于,步骤7的子步骤为:
7.1 初始化:设置门限值λ,0<λ<1;设定第一集合E1和第二集合E2,第一集合E1用于存储区域块的上下相邻信息,设定第一集合E1中包含M1个元素;第二集合E2用于存储区域块左右的相邻信息,设定第二集合E2中包含M2个元素;M1和M2分别为大于0的正整数;
令Label(x',y')表示像素位置(x′,y′)在M×N维Label矩阵的第x′行第y′列处区域块,x'=1,2,…,M-2,y'=1,2,…,N;
7.2 判断像素位置(x′,y′)在M×N维Label矩阵的第x′行第y′列处区域块Label(x',y')和像素位置(x'+2,y')在M×N维Label矩阵的第x'+2行第y′列处区域块Label(x'+2,y')是否相同;如果相同,则说明像素位置(x′,y′)在M×N维Label矩阵的第x′行第y′列处区域块Label(x',y')和像素位置(x'+2,y')在M×N维Label矩阵的第x'+2行第y′列处区域块Label(x'+2,y')属于同一个区域块,执行子步骤7.3;若不相同,则说明像素位置(x′,y′)在M×N维Label矩阵的第x′行第y′列处区域块Label(x',y')和像素位置(x'+2,y')在M×N维Label矩阵的第x'+2行第y′列处区域块Label(x'+2,y')上下相邻,此时将行向量(Label(x',y'),Label(x'+2,y'))作为第一集合E1中第s1个元素,s1的初始值为1,令s1的值加1;
7.3 令像素位置(x′,y′)遍历集合{(x′,y′)|1≤x′≤M-2,1≤y′≤N},重复子步骤7.2;直到得到第一集合E1中的M1′个元素;其中M1′为遍历集合{(x′,y′)|1≤x′≤M-2,1≤y′≤N}中所有像素位置后对应的s1取值;
7.4 去除M1′个元素中重复的元素,进而得到第一集合E1中的M1个元素;M1≤M1';
7.5 令Label(x”,y”)表示像素位置(x”,y”)在M×N维Label矩阵的第x”行第y”列处区域块,x”=1,2,…,M,y'=1,2,…,N-2;
7.6 判断像素位置(x”,y”)在M×N维Label矩阵的第x”行第y”列处区域块Label(x”,y”)和像素位置(x”,y”+2)在M×N维Label矩阵的第x”行第y”+2列处区域块Label(x”,y”+2)是否相同;
如果相同,则说明像素位置(x”,y”)在M×N维Label矩阵的第x”行第y”列处区域块Label(x”,y”)和像素位置(x”,y”+2)在M×N维Label矩阵的第x”行第y”+2列处区域块Label(x”,y”+2)属于同一个区域块,执行子步骤7.7;
若不相同,则说明像素位置(x”,y”)在M×N维Label矩阵的第x”行第y”列处区域块Label(x”,y”)和像素位置(x”,y”+2)在M×N维Label矩阵的第x”行第y”+2列处区域块Label(x”,y”+2)左右相邻,此时将行向量(Label(x”,y”),Label(x”,y”+2))作为第二集合E2中第s2个元素,s2的初始值为1,令s2的值加1;
7.7 令像素位置(x”,y”)遍历集合{(x″,y″)|1≤x″≤M,1≤y″≤N-2},重复子步骤7.6;直到得到第二集合E2中的M2′个元素;其中M2′为遍历集合{(x″,y″)|1≤x″≤M,1≤y″≤N-2}中所有像素位置后对应的s2取值;
7.8 去除M2′个元素中重复的元素,进而得到第二集合E2中的M2个元素;M2≤M2';
7.9 计算K个独立的区域块的平均相干T矩阵,其中第i个区域块的平均相干T矩阵为 Ni表示第i个区域块包含的像素点总个数,m∈{1,2,…,Ni},Ti m表示第i个区域块中第m个像素点上对应的三阶相干T矩阵,i∈{1,2,…,K};
7.10 确定集合 为第一集合E1和第二集合E2的并,集合中包括Le个元素,Le=M1+M2,Le个元素中每个元素都包括两个数字;令r表示Le个元素中第r个元素,r∈{1,2…,Le};表示集合中第r个元素的第1个数字,表示集合中第r个元素的第2个数字;
确定第三集合Et,用于存储所有的需要合并的区域块的边;设定第三集合Et包括R个元素;
7.11 计算Le个元素中第r个元素中两个相邻区域块之间的相似性度量值dc(r),其表达式为:
其中,span1=trace(Tneighbor(r)),
span2=trace(T'neighbor(r)),Tneighbor(r)表示第个区域块的平均相干T矩阵,Tneighbor'(r)表示第个区域块的平均相干T矩阵,trace表示求矩阵的迹,||表示向量取模值,·表示向量取内积,vec表示将矩阵展开成列向量,min表示求最小值操作;
7.12 若dc(r)≤λ,则说明Le个元素中第r个元素中两个相邻区域块应该合并,并将集合中第r个元素中两个相邻区域块要合并的两条边,作为第三集合Et中第st个元素,两条边分别对应一个数字;st的初始值为1,令st的值加1;否则直接执行7.13;
7.13 令r的值分别取1至Le,重复执行7.11和7.12,进而得到第三集合Et中的R个元素,其中R为重复执行停止时对应的st取值;
所述第三集合Et中每个元素都是由两个数字组成的向量,令表示第三集合Et中第e个元素的第1个数字,表示第三集合Et中第e个元素的第2个数字;
7.14 将第三集合Et中第e个元素的第1个数字替换为第三集合Et中第e个元素的第2个数字将M×N维Label矩阵中区域块为的标号替换为第三集合Et中第e个元素的第2个数字
7.15 令e的值分别取1至R,重复执行7.14,将重复执行操作停止时对应得到矩阵,作为区域融合后的极化SAR图像分割图;
7.16 对区域融合后的极化SAR图像分割图进行图像闭操作处理,将图像闭操作处理后得到的结果,记为极化SAR图像的超像素分割图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144266.1A CN108334851B (zh) | 2018-02-12 | 2018-02-12 | 基于各向异质性的快速极化sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144266.1A CN108334851B (zh) | 2018-02-12 | 2018-02-12 | 基于各向异质性的快速极化sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108334851A true CN108334851A (zh) | 2018-07-27 |
CN108334851B CN108334851B (zh) | 2021-08-03 |
Family
ID=62929232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810144266.1A Active CN108334851B (zh) | 2018-02-12 | 2018-02-12 | 基于各向异质性的快速极化sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334851B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544567A (zh) * | 2018-11-30 | 2019-03-29 | 中国人民解放军国防科技大学 | 基于两阶段区域合并策略的极化合成孔径雷达图像分割方法 |
CN110827290A (zh) * | 2019-10-16 | 2020-02-21 | 中国矿业大学 | 一种基于分水岭的极化sar影像超像素分割方法 |
CN111008981A (zh) * | 2019-12-26 | 2020-04-14 | 中国人民解放军国防科技大学 | 极化合成孔径雷达图像的分割方法、***、装置及计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN104463203A (zh) * | 2014-12-03 | 2015-03-25 | 复旦大学 | 基于地物类别隶属度评分的高光谱遥感图像半监督分类方法 |
CN105096315A (zh) * | 2015-06-19 | 2015-11-25 | 西安电子科技大学 | 基于Gamma分布的异质超像素SAR图像分割方法 |
CN105138970A (zh) * | 2015-08-03 | 2015-12-09 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
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 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
CN107527023A (zh) * | 2017-08-07 | 2017-12-29 | 西安理工大学 | 基于超像素和主题模型的极化sar图像分类方法 |
-
2018
- 2018-02-12 CN CN201810144266.1A patent/CN108334851B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN104463203A (zh) * | 2014-12-03 | 2015-03-25 | 复旦大学 | 基于地物类别隶属度评分的高光谱遥感图像半监督分类方法 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN105096315A (zh) * | 2015-06-19 | 2015-11-25 | 西安电子科技大学 | 基于Gamma分布的异质超像素SAR图像分割方法 |
CN105138970A (zh) * | 2015-08-03 | 2015-12-09 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
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 |
CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
CN107527023A (zh) * | 2017-08-07 | 2017-12-29 | 西安理工大学 | 基于超像素和主题模型的极化sar图像分类方法 |
Non-Patent Citations (6)
Title |
---|
CHU HE 等: ""A NOVEL OVER-SEGMENTATION METHOD FOR POLARIMETRIC SAR IMAGES CLASSIFICATION"", 《2012 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
FACHAO QIN 等: ""Superpixel Segmentation for Polarimetric SARImagery Using Local Iterative Clustering"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
LAMEI ZHANG 等: ""Improved SLIC superpixel generation algorithm and its application in polarimetric SAR images classification"", 《2017 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 * |
寇宏达: ""基于多层自编码和超像素的极化SAR图像分类"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
张在吉: ""基于分类的极化SAR图像中感兴趣类地物变化检测算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
石俊飞 等: ""基于深度学习和层次语义模型的极化SAR分类"", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544567A (zh) * | 2018-11-30 | 2019-03-29 | 中国人民解放军国防科技大学 | 基于两阶段区域合并策略的极化合成孔径雷达图像分割方法 |
CN110827290A (zh) * | 2019-10-16 | 2020-02-21 | 中国矿业大学 | 一种基于分水岭的极化sar影像超像素分割方法 |
CN111008981A (zh) * | 2019-12-26 | 2020-04-14 | 中国人民解放军国防科技大学 | 极化合成孔径雷达图像的分割方法、***、装置及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108334851B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deshmukh et al. | Image fusion and image quality assessment of fused images | |
Khrissi et al. | Clustering method and sine cosine algorithm for image segmentation | |
US20100215249A1 (en) | Automated image separation method | |
Wei et al. | Learning calibrated-guidance for object detection in aerial images | |
CN108334851A (zh) | 基于各向异质性的快速极化sar图像分割方法 | |
Khan et al. | A customized Gabor filter for unsupervised color image segmentation | |
CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
Chau et al. | Adaptive dual-point Hough transform for object recognition | |
Shi et al. | Automatic prior shape selection for image edge detection with modified Mumford–Shah model | |
Xie et al. | An unsupervised augmentation framework for deep learning based geospatial object detection: a summary of results | |
CN109087344B (zh) | 三维重建中的图像选择方法及装置 | |
Feragen et al. | Geometries and interpolations for symmetric positive definite matrices | |
CN104050489B (zh) | 一种基于多核最优化的合成孔径雷达自动目标识别方法 | |
Garcia-Salguero et al. | A tighter relaxation for the relative pose problem between cameras | |
Nguyen et al. | Object Detection with Component-Graphs in Multi-band Images: Application to Source Detection in Astronomical Images | |
Aribido et al. | Self-supervised delineation of geologic structures using orthogonal latent space projection | |
Guo et al. | Image segmentation algorithm based on partial differential equation | |
Brahmachari et al. | BLOGS: Balanced local and global search for non-degenerate two view epipolar geometry | |
Bejar et al. | Efficient unsupervised image segmentation by optimum cuts in graphs | |
Peters et al. | Anisotropic wavelet-based image nearness measure | |
Litman et al. | Spectrometer: Amortized sublinear spectral approximation of distance on graphs | |
Wang et al. | Bounding Box Vectorization for Oriented Object Detection with Tanimoto Coefficient Regression | |
Sreevalsan-Nair | Visual Analytics of Three-Dimensional Airborne LiDAR Point Clouds in Urban Regions | |
Yang et al. | A robust scheme for copy detection of 3D object point clouds | |
Bughin et al. | Planar patch detection for disparity maps |
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 |