CN109544567A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109544567A CN109544567A CN201811449055.5A CN201811449055A CN109544567A CN 109544567 A CN109544567 A CN 109544567A CN 201811449055 A CN201811449055 A CN 201811449055A CN 109544567 A CN109544567 A CN 109544567A
- Authority
- CN
- China
- Prior art keywords
- region
- pixel
- merging
- super
- kummeru
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种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,目的是提升非均匀区域的分割精度,避免过多的复杂运算,提高计算效率。技术方案是首先对PolSAR图像进行超像素分割,然后依次进行Wishart合并和KummerU合并。Wishart合并阶段对明确来自相同地物的原始超像素进行快速合并,而KummerU合并阶段对剩余的区域进行迭代合并,得到最终的分割结果。采用本发明可提升合并的准确性和计算效率,且将KummerU能量损失、边缘惩罚函数值以及匀质度惩罚因子相结合,得到新的度量标准,可以进一步提升分割精度。
Description
技术领域
本发明属于雷达图像处理领域,涉及极化合成孔径雷达(PolarimetricSynthetic Aperture Radar,简称PolSAR)图像分割方法,尤其是使用区域合并框架的PolSAR图像分割方法。
背景技术
PolSAR是一种先进的遥感观测***,能够获取比单极化SAR更加丰富、全面的地物和目标散射信息,在国民经济建设和国防军事领域取得了非常广泛的应用。在PolSAR图像解译中,很多情况下需要首先将图像分割为局部同质区域,然后基于这些区域(也称为对象)进行处理,这对于提升后续处理效率、降低相干斑噪声影响以及获得均匀稳定的结果具有重要意义。理想的分割结果需要与图中地物和目标的轮廓保持一致,同时各分割区域的大小和形状应该随不同地物的大小和形状而变化,即分割结果既能使用单个分割区域来描述大块目标,也能保留细小目标的信息。单尺度分割往往会导致过分割或欠分割的现象,过分割即分割尺度较小,大块地物类型或目标也被分割为小的区域;而欠分割指分割尺度较大,不能有效地将相邻的地物目标分割开来,导致很多细节信息的丢失。为了解决该问题,一种比较好的思路是在过分割的基础上,对来自同一地物的相邻小区域进行合并,进而得到最终的分割结果。
在基于区域合并(Region Merging)的PolSAR图像分割方法中,通常依据相邻区域之间的距离度量或者能量损失函数来决定是否对该相邻区域进行合并,现有文献中的距离度量或者能量损失函数大都建立在PolSAR数据服从Wishart分布的基础之上。例如文献1:Beaulieu J M,Touzi R,“Segmentation of textured polarimetric SAR scenes bylikelihood approximation”,IEEE Transactions on Geoscience and Remote Sensing,2004,42(10):2063-2072(Beaulieu J M等人于2004年在《电气与电子工程师协会地理科学与遥感会刊》第42卷第10期发表的“通过似然近似方法对极化SAR纹理区域进行分割”)基于Wishart能量损失函数来确定逐次被合并的相邻区域。Wishart分布是PolSAR图像处理中应用最广泛的统计分布,基于Wishart分布推导出的Wishart能量损失函数具有形式简单、运算高效等优点,但是Wishart分布比较适合描述均匀区域的PolSAR数据,随着图像分辨率的提高,PolSAR数据包含更加丰富的细节信息,地物后向散射特性的纹理引起PolSAR数据的非高斯特性,导致数据统计分布偏离Wishart分布。因此,文献1中方法在非均匀区域(森林、城区等)不能有效保持区域的细节信息。为了改善在非均匀区域的分割效果,需要结合PolSAR数据在复杂纹理区域的统计特性来构建区域之间新的距离度量或者能量损失函数。一些方法利用PolSAR数据的K分布、KummerU分布等来改善图像分割性能,例如文献2:Bombrun L,Beaulieu J M,“Fisher distribution for texture modeling ofPolarimetric SAR data”,IEEE Geoscience and Remote Sensing Letters,2008,5(3):512-516(Bombrun L等人于2008年在《电气与电子工程师协会地理科学与遥感快报》第5卷第3期发表的“将Fisher分布用于PolSAR数据的纹理建模”)提出PolSAR数据的KummerU分布,并推导出KummerU能量损失函数,用于指导相邻区域之间的合并。KummerU分布能够更好地区分具有不同纹理的区域,但是KummerU统计分布的表达式以及参数估计非常复杂,导致整个分割处理的效率很低。因此,在实施区域合并过程中,需要同时兼顾分割精度和运算效率,从而提升分割方法的可靠性和实用性。
另外,区域合并依赖于图像过分割的结果。近些年来,超像素分割在图像处理领域引起广泛关注,是一种非常流行的图像过分割方法。超像素分割指把图像分割为尺寸相似、形状规则的匀质区域,并且这些区域能保留图中目标的信息,同时与目标边界相吻合。因此,所得到的超像素可以作为后续合并操作的基本处理单元。在PolSAR图像超像素分割方面,研究人员提出了多种方法,例如文献3:Wang W,Xiang D,et al,“SuperpixelSegmentation of Polarimetric SAR Data Based on Integrated Distance Measureand Entropy Rate Method”,IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2017,10(9),4045-4058(Wang W等人于2017年在《电气与电子工程师协会在应用地球观测与遥感领域主题期刊》第10卷第9期发表的“基于统一距离度量和熵率方法的PolSAR数据超像素分割方法”)提出了一种新的PolSAR图像超像素分割方法,在均匀区域和非均匀区域都可以取得较为理想的超像素结果。
发明内容
本发明要解决的技术问题是提出一种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,使用KummerU分布来提升非均匀区域的分割精度,同时避免过多的复杂运算,从而提高计算效率。
技术方案是首先对PolSAR图像进行超像素分割,然后依次进行Wishart合并(对应Wishart合并阶段)和KummerU合并(对应KummerU合并阶段)。Wishart合并阶段(WishartMerging Stage,简称WMS)对明确来自相同地物的原始超像素进行快速合并,而KummerU合并阶段(KummerU Merging Stage,简称KUMS)对剩余的区域进行迭代合并,得到最终的分割结果。
本发明主要包括以下步骤:
步骤1:对PolSAR图像进行超像素分割,方法是:
采用文献3中所述PolSAR图像超像素分割方法对原始PolSAR图像进行超像素分割,得到超像素集合V={v1,v2,...,vi,...,vj,...,vN},其中N为超像素个数,vi表示第i个超像素,1≤i≤N,1≤j≤N。超像素集合V及集合中元素的关系可以用区域邻接图(RegionAdjacency Graph,简称RAG)G=(V,A)来表示,其中A为超像素之间相邻关系的集合,aij∈A表示超像素vi和vj在几何位置上相邻,令Na表示A中元素的个数,Na为正整数。另外,用bij来表示相邻超像素vi和vj之间的共享边界,为该边界上像素的集合。
步骤2:对V进行Wishart合并,方法是:
2.1对V中所有超像素v1,v2,...,vi,...,vj,...,vN计算分布参数Z1,Z2,...,Zi,...,Zj,...,ZN,分布参数为某区域(此处是超像素,即合并的最小元素;后面步骤中所述区域指超像素合并后的结果)中协方差矩阵C的均值,vi的分布参数为Zi,按公式(1)计算:
其中,|vi|c表示超像素vi的基数,即vi中像素的个数,下标c指代基数。s用来表示一个像素,Cs为像素s的协方差矩阵。
2.2根据A计算所有相邻超像素之间的Wishart度量标准,构建第一三元组集合D,具体步骤如下:
2.2.1令k=1,集合D为空集;
2.2.2设A中第k个元素为aij,1≤i≤N,1≤j≤N,aij所对应的两个相邻超像素为vi和vj;
2.2.3计算超像素vi和vj合并前后产生的Wishart能量损失计算式为:
其中,vij=vi∪vj表示超像素vi和vj合并之后的区域,|vij|c为vij的基数,|vi|c和|vj|c分别为vi和vj的基数,Zij表示vij的分布参数,由公式(3)计算得出。|Zij|表示分布参数Zij的行列式值,|Zi|和|Zj|分别为分布参数Zi和Zj的行列式值;
2.2.4计算超像素vi和vj之间的边缘惩罚函数值计算式为:
其中,Vs表示像素s的边缘强度值,该值介于0到1之间,K为决定边缘惩罚强度的参数,取值为0.3;
2.2.5将2.2.3步计算得到的Wishart能量损失和2.2.4步得到的边缘惩罚函数值相加,得到超像素vi和vj在Wishart合并阶段的度量标准按公式(5)计算:
其中,参数β是控制相对于的权重,取值设为5;
2.2.6令度量标准元素将dk以及所对应的i和j构成三元组(dk,i,j),放入集合D中;
2.2.7令k=k+1,判断k是否小于等于Na,Na为A中元素的个数,若满足,转2.2.2步;否则,得到了所有相邻超像素在Wishart合并阶段的度量标准以及在此基础上构成的三元组的集合D,D中元素个数为Na,转2.3步。
2.3对D中三元组按三元组中第一个数值的大小进行排序,排列顺序为从小到大的顺序,取前M个三元组,构成集合DM,1≤M≤Na,M的取值根据超像素个数N以及百分比参数a来设定,M=N×a%,a取值范围为40~60。
2.4根据DM中三元组,在A中找出所对应的M个元素,构成集合AM,具体步骤如下:
2.4.1令k1=1,AM为空集;
2.4.2取出DM中第k1个三元组,设该三元组第二和第三个数值为i和j,1≤i≤N,1≤j≤N,将aij放入集合AM;
2.4.3令k1=k1+1,判断k1是否小于等于M,若满足,转2.4.2步;否则,得到包含M个元素的集合AM,转2.5步。
2.5基于AM对超像素集合V进行合并,得到合并后区域的集合V(0)和区域邻接图G(0)=(V(0),A(0)),具体步骤如下:
2.5.1令k1=1;
2.5.2设AM中第k1个元素为aij,1≤i≤N,1≤j≤N,aij所对应的两个相邻超像素为vi和vj,则将超像素vi和vj合并;
2.5.3令k1=k1+1,判断k1是否小于等于M,若满足,转2.5.2步;否则,即完成了Wishart合并,得到合并后区域的集合V(0),V(0)中元素为区域,设区域个数为N(0),区域表示为1≤m≤N(0),1≤n≤N(0)。V(0)及V(0)中元素的关系用区域邻接图G(0)=(V(0),A(0))来表示,其中A(0)为Wishart合并后区域之间相邻关系的集合,令表示A(0)中元素的个数,为正整数,用bmn来表示相邻区域rm和rn之间的共享边界。
步骤3:对V(0)进行KummerU迭代合并,方法是:
3.1对V(0)中每个区域,进行参数估计,并计算区域的KummerU能量,具体步骤如下:
3.1.1令k2=1;
3.1.2V(0)中第k2个元素为rk,根据式(6)计算rk的分布参数Zk:
其中,|rk|c表示区域rk的基数,即rk中像素的个数;
3.1.3基于区域rk中所有像素的协方差矩阵,估计区域rk中KummerU分布的纹理形状参数ξk和ζk。参数估计方法采用文献4:Anfinsen S N,Eltoft T,“Application of theMatrix-Variate Mellin Transform to Analysis of Polarimetric Radar Images”,IEEE Transactions on Geoscience and Remote Sensing,2011,49(6):2281-2295(Anfinsen S N等人于2011年在《电气与电子工程师协会地理科学与遥感会刊》第49卷第6期发表的“矩阵变量Mellin变换在PolSAR图像分析中的应用”)中的矩阵对数累计方法;
3.1.4计算区域rk的KummerU能量计算式为:
其中,L为图像视数,d等于3,为矩阵的迹,Γ(x)是x的伽马函数值,x为自变量,为以Ld+ζk、Ld-ξk+1、为参数的第二类合流超几何函数;
3.1.5令k2=k2+1,判断k2是否小于等于N(0),若满足,转3.1.2步;否则,得到V(0)中所有区域的KummerU能量,转3.2步。
3.2计算V(0)中所有区域的KummerU能量总和SE(0):
3.3根据A(0)计算所有相邻区域之间的KummerU度量标准,构建第二三元组集合D(0),具体步骤如下:
3.3.1令k3=1,集合D(0)为空集;
3.3.2设A(0)中第k3个元素为amn,1≤m≤N(0),1≤n≤N(0),amn所对应的两个相邻区域为rm和rn;
3.3.3计算区域rm和rn合并前后产生的KummerU能量损失计算式为:
其中,rmn=rm∪rn表示区域rm和rn合并之后的区域,Zmn为区域rmn的分布参数,由公式(11)计算得出,ξmn和ζmn为区域rmn的纹理形状参数,参照步骤3.1.3基于区域rmn中所有像素的协方差矩阵估计得到。由式(10)可以看出,该式前三项与式(2)中的Wishart能量损失相似,式(10)中第二行可以看作是由PolSAR数据的纹理模型引入的修正部分。
3.3.4计算区域rm和rn之间的边缘惩罚函数值计算式为:
3.3.5分别计算区域rm、区域rn以及合并后区域rmn的匀质度Hm,Hn和Hmn,计算采用变化系数(Coefficient of Variation,CoV)的方法,具体方法参考文献5:Lopes A,Touzi R,Nezry E,“Adaptive speckle filters and scene heterogeneity”IEEE Transactionson Geoscience and Remote Sensing,1990,28(6):992-1000(Lopes A等人于1990年在《电气与电子工程师协会地理科学与遥感会刊》第28卷第6期发表的“自适应相干斑滤波器和场景异质性”)。在此基础上,计算区域合并的匀质度惩罚因子Fmn,计算式为:
3.3.6将3.3.3步计算得到的KummerU能量损失3.3.4步得到的边缘惩罚函数值以及3.3.5步得到的匀质度惩罚因子Fmn相结合,得到区域rm和rn在KummerU合并阶段的度量标准按公式(14)计算:
3.3.7令第二度量标准元素将以及所对应的m和n构成三元组放入集合D(0)中;
3.3.8令k3=k3+1,判断k3是否小于等于 为A(0)中元素的个数,若满足,转3.3.2步;否则,得到所有相邻区域在KummerU合并阶段的度量标准以及在此基础上构成的三元组的集合D(0),D(0)中元素个数为转3.4步。
3.4令l表示KummerU迭代合并的次数,且l=0,表明此时尚未对区域进行合并。
3.5找出D(l)里所有三元组中第一个数值最小的三元组,设该三元组第二和第三个数值为m和n,则对区域rm和rn进行合并,合并后区域仍记为区域rm(相当于rn合并进了rm)。同时,将D(l)中与区域rm和rn相关的三元组从集合中删除,将删除元素之后的D(l)记为D(l+1)。
3.6更新3.5步区域合并之后的区域邻接图,用G(l+1)=(V(l+1),A(l+1))来表示,并更新合并后的能量总和SE(l+1)和D(l+1):
3.6.1区域合并后的能量总和SE(l+1)更新为:
其中,SE(l)为区域合并前的KummerU能量总和,为第3.5步合并过程中产生的KummerU能量损失,由3.3.3步计算得出;
3.6.2基于区域rm中所有像素的协方差矩阵,对rm的分布参数Zm以及纹理形状参数ξm和ζm进行估计,估计方法参照第3.1.2步和第3.1.3步;
3.6.3将A(l+1)中与区域rm相关的相邻关系元素构成设集合中元素个数为对中元素逐个计算相应的第二度量标准,并对D(l+1)进行更新,具体步骤如下:
3.6.3.1令k4=1;
3.6.3.2设中第k4个元素为amn,计算KummerU能量损失边缘惩罚函数和匀质度惩罚因子Fmn,并按公式(14)计算得到度量标准计算方法参照第3.3.3步至3.3.6步;
3.6.3.3令第二度量标准元素将以及所对应的m和n构成三元组放入集合D(l+1)中;
3.6.3.4令k4=k4+1,判断k4是否小于等于若满足,转3.6.3.2步;否则,实现了对D(l+1)的更新,转3.6.4步。
3.6.4对KummerU迭代合并次数l进行更新:l=l+1,判断l是否小于等于N(0)-1,若满足,转3.5步;否则,此时所有区域被合并为一个整体,转步骤4。
在每一步迭代合并过程中,步骤3.6.1得到新的KummerU能量总和SE,从而得到KummerU能量总和SE序列:(SE(0)由3.2步得到,由3.6.1得到)
步骤4:确定PolSAR图像最终分割结果的区域个数
基于SE序列采用文献6:Salvador S,Chan P,“Determining the number of clusters/segments in hierarchical clustering/segmentation algorithms”Proc.16th IEEE ICTAI,2004,578–579(Salvador S等人于2004年在《第16届电气与电子工程师协会人工智能工具会议论文集》发表的“在层次分割方法中确定分割区域的个数”)中的方法来确定最终分割结果所对应的区域个数,得到区域个数为Nr。该方法构建一种评估曲线图,图的x轴为区域个数,y轴表示某一种评估指标(在本发明中为KummerU能量总和SE),曲线图的拐点,即最大曲率所对应的点则为最终分割结果的区域个数。基于区域个数Nr确定最终的分割结果为
采用本发明可以达到以下技术效果:
1.本发明在第2.2.5步和3.3.6步中使用边缘惩罚函数,当两个相邻超像素或区域之间存在明显边缘时,边缘惩罚函数值增大,将会阻止这两个区域之间的合并,有助于提升合并的准确性。
2.本发明在步骤2(Wishart合并阶段)直接确定在本阶段需要合并的所有超像素对,即集合AM,不需要对度量标准进行更新,可以显著提升计算效率。
3.本发明在步骤3(KummerU合并阶段)将KummerU能量损失、边缘惩罚函数值以及匀质度惩罚因子相结合,得到新的度量标准,可以进一步提升分割精度。
附图说明
图1本发明总体流程图;
图2PolSAR图像合并过程对应的精度-回召率曲线示意图。
具体实施方式
下面结合附图对本发明进行详细解释和说明。
图1是本发明总体流程图,本发明包括以下步骤:
步骤1:对PolSAR图像进行超像素分割,方法是:
采用PolSAR图像超像素分割方法对原始PolSAR图像进行超像素分割,得到超像素集合V={v1,v2,...,vi,...,vj,...,vN},其中N为超像素个数,vi表示第i个超像素,1≤i≤N,1≤j≤N。用区域邻接图G=(V,A)表示超像素集合V及集合中元素的关系,其中A为超像素之间相邻关系的集合,aij∈A表示超像素vi和vj在几何位置上相邻,令Na表示A中元素的个数,Na为正整数,用bij来表示相邻超像素vi和vj之间的共享边界,为该边界上像素的集合。
步骤2:对V进行Wishart合并,方法是:
2.1对V中所有超像素v1,v2,...,vi,...,vj,...,vN计算分布参数Z1,Z2,...,Zi,...,Zj,...,ZN,按公式(1)计算vi的分布参数Zi。
2.2根据A计算所有相邻超像素之间的Wishart度量标准,构建第一三元组集合D,具体步骤如下:
2.2.1令k=1,集合D为空集;
2.2.2设A中第k个元素为aij,1≤i≤N,1≤j≤N,aij所对应的两个相邻超像素为vi和vj;
2.2.3按公式(2)、(3)计算超像素vi和vj合并前后产生的Wishart能量损失
2.2.4按公式(4)计算超像素vi和vj之间的边缘惩罚函数值
2.2.5按公式(5)计算超像素vi和vj在Wishart合并阶段的度量标准
2.2.6令度量标准元素将dk以及所对应的i和j构成三元组(dk,i,j),放入集合D中;
2.2.7令k=k+1,判断k是否小于等于Na,Na为A中元素的个数,若满足,转2.2.2步;否则,得到了所有相邻超像素在Wishart合并阶段的度量标准以及在此基础上构成的三元组的集合D,D中元素个数为Na,转2.3步。
2.3对D中三元组按三元组中第一个数值的大小进行排序,排列顺序为从小到大的顺序,取前M个三元组,构成集合DM,1≤M≤Na,M的取值根据超像素个数N以及百分比参数a来设定,M=N×a%,a取值范围为40~60。
2.4根据DM中三元组,在A中找出所对应的M个元素,构成集合AM,具体步骤如下:
2.4.1令k1=1,AM为空集;
2.4.2取出DM中第k1个三元组,设该三元组第二和第三个数值为i和j,1≤i≤N,1≤j≤N,将aij放入集合AM;
2.4.3令k1=k1+1,判断k1是否小于等于M,若满足,转2.4.2步;否则,得到包含M个元素的集合AM,转2.5步。
2.5基于AM对超像素集合V进行合并,具体步骤如下:
2.5.1令k1=1;
2.5.2设AM中第k1个元素为aij,1≤i≤N,1≤j≤N,aij所对应的两个相邻超像素为vi和vj,则将超像素vi和vj合并;
2.5.3令k1=k1+1,判断k1是否小于等于M,若满足,转2.5.2步;否则,即完成了Wishart合并,得到合并后区域的集合V(0),V(0)中元素为区域,设区域个数为N(0),区域表示为1≤m≤N(0),1≤n≤N(0)。V(0)及V(0)中元素的关系用区域邻接图G(0)=(V(0),A(0))来表示,其中A(0)为Wishart合并后区域之间相邻关系的集合,令表示A(0)中元素的个数,为正整数。另外,用bmn来表示相邻区域rm和rn之间的共享边界。
步骤3:对V(0)进行KummerU迭代合并,方法是:
3.1对V(0)中每个区域,进行参数估计,并计算区域的KummerU能量,具体步骤如下:
3.1.1令k2=1;
3.1.2V(0)中第k2个元素为rk,根据式(6)计算rk的分布参数Zk;
3.1.3基于区域rk中所有像素的协方差矩阵,估计区域rk中KummerU分布的纹理形状参数ξk和ζk。
3.1.4根据公式(7)、(8)计算区域rk的KummerU能量
3.1.5令k2=k2+1,判断k2是否小于等于N(0),若满足,转3.1.2步;否则,得到V(0)中所有区域的KummerU能量,转3.2步。
3.2按公式(9)计算V(0)中所有区域的KummerU能量总和SE(0);
3.3根据A(0)计算所有相邻区域之间的KummerU度量标准,构建第二三元组集合D(0),具体步骤如下:
3.3.1令k3=1,集合D(0)为空集;
3.3.2设A(0)中第k3个元素为amn,1≤m≤N(0),1≤n≤N(0),amn所对应的两个相邻区域为rm和rn;
3.3.3根据公式(10)、(11)计算区域rm和rn合并前后产生的KummerU能量损失
3.3.4根据公式(12)计算区域rm和rn之间的边缘惩罚函数值
3.3.5分别计算区域rm、区域rn以及合并后区域rmn的匀质度Hm,Hn和Hmn并按公式(13)计算区域合并的匀质度惩罚因子Fmn;
3.3.6按公式(14)计算区域rm和rn在KummerU合并阶段的度量标准
3.3.7令第二度量标准元素将以及所对应的m和n构成三元组放入集合D(0)中;
3.3.8令k3=k3+1,判断k3是否小于等于 为A(0)中元素的个数,若满足,转3.3.2步;否则,得到所有相邻区域在KummerU合并阶段的度量标准以及在此基础上构成的三元组的集合D(0),D(0)中元素个数为转3.4步。
3.4令l表示KummerU迭代合并的次数,且l=0,表明此时尚未对区域进行合并。
3.5找出D(l)里所有三元组中第一个数值最小的三元组,设该三元组第二和第三个数值为m和n,则对区域rm和rn进行合并,合并后区域仍记为区域rm(相当于rn合并进了rm)。同时,将D(l)中与区域rm和rn相关的三元组从集合中删除,将删除元素之后的D(l)记为D(l+1)。
3.6更新3.5步区域合并之后的区域邻接图,用G(l+1)=(V(l+1),A(l+1))来表示,并更新合并后的能量总和SE(l+1)和D(l+1):
3.6.1按公式(15)更新区域合并后的能量总和SE(l+1);
3.6.2基于区域rm中所有像素的协方差矩阵,对rm的分布参数Zm以及纹理形状参数ξm和ζm进行估计;
3.6.3将A(l+1)中与区域rm相关的相邻关系元素构成设集合中元素个数为对中元素逐个计算相应的第二度量标准,并对D(l+1)进行更新,具体步骤如下:
3.6.3.1令k4=1;
3.6.3.2设中第k4个元素为amn,计算KummerU能量损失边缘惩罚函数和匀质度惩罚因子Fmn,并按公式(14)计算得到度量标准
3.6.3.3令第二度量标准元素将以及所对应的m和n构成三元组放入集合D(l+1)中;
3.6.3.4令k4=k4+1,判断k4是否小于等于若满足,转3.6.3.2步;否则,实现了对D(l+1)的更新,转3.6.4步。
3.6.4对KummerU迭代合并次数l进行更新:l=l+1,判断l是否小于等于N(0)-1,若满足,转3.5步;否则,此时所有区域被合并为一个整体,转步骤4。
步骤4:确定PolSAR图像最终分割结果的区域个数
基于SE序列采用文献6即Salvador S等人于2004年在《第16届电气与电子工程师协会人工智能工具会议论文集》发表的“在层次分割方法中确定分割区域的个数”中的方法来确定理想分割结果所对应的区域个数,得到区域个数为Nr。该方法构建一种评估曲线图,图的x轴为区域个数,y轴表示某一种评估指标(在本发明中为KummerU能量总和SE),曲线图的拐点,即最大曲率所对应的点则为最终分割结果的区域个数。基于区域个数Nr确定最终的分割结果为
实施例:为说明本发明的有效性,使用一副实测PolSAR图像开展分割实验。同时,使用经典的层次分割方法进行实验对比,包括文献1中基于Wishart度量标准的迭代合并方法(简称IM-Wishart)和文献2中基于KummerU度量标准的迭代合并方法(简称IM-KummerU)。实验在通用计算机平台上运行,采用Matlab语言进行程序编程。
PolSAR数据为来自于德国宇航局(DLR)的ESAR数据,图像尺寸大小为510×530,图中包含均匀区域和非均匀区域,地物类型包含人造建筑物、森林、农田等。首先对PolSAR图像进行超像素分割,超像素个数为706,即N=706。接着对超像素分割结果进行Wishart合并(步骤2),合并后剩余区域的个数为353,即N(0)=353。Wishart合并阶段将均匀区域中的大部分超像素进行合并,剩余的超像素基本位于非均匀区域,例如复杂建筑物区域以及图像边缘附近。对剩余区域进行KummerU迭代合并(步骤3),在每一个迭代步骤中,将最小度量标准所对应的两个区域合并。基于KummerU能量总和SE的变化序列,步骤4计算出最终分割结果的区域个数Nr=37。N(0)-Nr=353-37=316,由此得到最终的PolSAR图像分割结果为V(316)。
对实施例的分割结果基于地面真值(ground truth)数据进行数值评估,一般使用精度和回召率两个指标来表征分割的准确性。精度(precision)指分割结果中正确边缘点的个数与所有区域边缘点的比值,而回召率(recall)表示分割结果中正确边缘点的个数与图像所有真实边缘点个数的比值。图2给出了本发明以及IM-Wishart方法和IM-KummerU方法在合并过程中得到的精度—回召率曲线,圆圈标记处为最终分割结果在曲线中的位置,可以看出本发明方法能取得更高的精度和回召率,表明该方法在合并过程中可以更好地保持图像细节和真实边缘。
表1列出了不同分割方法的运行时间。计算效率不仅取决于度量标准所采用的统计模型,同时也与区域合并的策略有关。本发明中,Wishart合并阶段对均匀区域的超像素进行快速合并,该处理过程只需要2到3秒。IM-Wishart和IM-KummerU方法从最原始的超像素分割结果开始进行迭代合并,IM-KummerU方法的运算时间超过700秒;而本发明中的KUMS阶段在Wishart合并所得结果的基础上执行迭代合并,时间消耗显著降低,仅为256秒。因此,基于两阶段的合并策略,本发明的计算效率得到明显提高。
表1不同方法的计算时间对比
综上,上述实验不仅验证了本发明中PolSAR图像分割方法的可行性和实用性,同时还表明了该方法能够有效提升分割精度和计算效率。
虽然参照上述实施例详细描述了本发明,但是应该理解本发明并不限于所公开的实施例。对于本专业领域的技术人员来说,可以对其形式和细节进行各种改变。本发明意欲涵盖所附权利要求书的精神和范围内的各种变形。
Claims (8)
1.一种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,首先对极化合成孔径雷达图像即PolSAR图像进行超像素分割,然后进行区域合并;其特征在于区域合并时先进行Wishart合并,再进行KummerU迭代合并,包括以下步骤:
步骤1:对PolSAR图像进行超像素分割,方法是:
采用PolSAR图像超像素分割方法对原始PolSAR图像进行超像素分割,得到超像素集合V={v1,v2,...,vi,...,vj,...,vN},其中N为超像素个数,vi表示第i个超像素,1≤i≤N,1≤j≤N;超像素集合V及集合中元素的关系用区域邻接图G=(V,A)来表示,其中A为超像素之间相邻关系的集合,aij∈A表示超像素vi和vj在几何位置上相邻,令Na表示A中元素的个数,Na为正整数;用bij来表示相邻超像素vi和vj之间的共享边界,为该边界上像素的集合;
步骤2:对V进行Wishart合并,方法是:
2.1对V中所有超像素v1,v2,...,vi,...,vj,…,vN计算分布参数Z1,Z2,...,Zi,...,Zj,...,ZN,分布参数为超像素中协方差矩阵C的均值,vi的分布参数为Zi,按公式(1)计算:
其中,|vi|c表示超像素vi的基数,即vi中像素的个数,下标c指代基数,s表示一个像素,Cs为像素s的协方差矩阵;
2.2根据A计算所有相邻超像素之间的Wishart度量标准,构建第一三元组集合D,具体步骤如下:
2.2.1令k=1,集合D为空集;
2.2.2设A中第k个元素为aij,1≤i≤N,1≤j≤N,aij所对应的两个相邻超像素为vi和vj;
2.2.3计算超像素vi和vj合并前后产生的Wishart能量损失计算式为:
其中,vij=vi∪vj表示超像素vi和vj合并之后的区域,|vij|c为vij的基数,|vi|c和|vj|c分别为vi和vj的基数,Zij表示vij的分布参数,由公式(3)计算得出,|Zij|表示分布参数Zij的行列式值,|Zi|和|Zj|分别为分布参数Zi和Zj的行列式值;
2.2.4计算超像素vi和vj之间的边缘惩罚函数值计算式为:
其中,Vs表示像素s的边缘强度值,K为决定边缘惩罚强度的参数;
2.2.5将2.2.3步计算得到的Wishart能量损失和2.2.4步得到的边缘惩罚函数值相加,得到超像素vi和vj在Wishart合并阶段的度量标准按公式(5)计算:
其中,参数β是控制相对于的权重;
2.2.6令度量标准元素将dk以及所对应的i和j构成三元组(dk,i,j),放入集合D中;
2.2.7令k=k+1,判断k是否小于等于Na,Na为A中元素的个数,若满足,转2.2.2步;否则,得到了所有相邻超像素在Wishart合并阶段的度量标准以及在此基础上构成的三元组的集合D,D中元素个数为Na,转2.3步;
2.3对D中三元组按三元组中第一个数值的大小进行排序,排列顺序为从小到大的顺序,取前M个三元组,构成集合DM,1≤M≤Na;
2.4根据DM中元素,在A中找出所对应的M个元素,构成集合AM,转2.5步;
2.5基于AM对超像素集合V进行合并,得到合并后区域的集合V(0)和区域邻接图G(0)=(V(0),A(0)),V(0)中元素为区域,设区域个数为N(0),区域表示为1≤m≤N(0),1≤n≤N(0);V(0)及V(0)中元素的关系用区域邻接图G(0)=(V(0),A(0))来表示,其中A(0)为Wishart合并后区域之间相邻关系的集合,令表示A(0)中元素的个数,为正整数,用bmn来表示相邻区域rm和rn之间的共享边界;
步骤3:对V(0)进行KummerU迭代合并,方法是:
3.1对V(0)中每个区域,进行参数估计,并计算区域的KummerU能量,具体步骤如下:
3.1.1令k2=1;
3.1.2 V(0)中第k2个元素为rk,根据式(6)计算rk的分布参数Zk:
其中,|rk|c表示区域rk的基数,即rk中像素的个数;
3.1.3基于区域rk中所有像素的协方差矩阵,估计区域rk中KummerU分布的纹理形状参数ξk和ζk;
3.1.4计算区域rk的KummerU能量计算式为:
其中,L为图像视数,d等于3,为矩阵的迹,Γ(x)是x的伽马函数值,x为自变量,为以Ld+ζk、Ld-ξk+1、为参数的第二类合流超几何函数;
3.1.5令k2=k2+1,判断k2是否小于等于N(0),若满足,转3.1.2步;否则,得到V(0)中所有区域的KummerU能量,转3.2步;
3.2计算V(0)中所有区域的KummerU能量总和SE(0):
3.3根据A(0)计算所有相邻区域之间的KummerU度量标准,构建第二三元组集合D(0),具体步骤如下:
3.3.1令k3=1,集合D(0)为空集;
3.3.2设A(0)中第k3个元素为amn,1≤m≤N(0),1≤n≤N(0),amn所对应的两个相邻区域为rm和rn;
3.3.3计算区域rm和rn合并前后产生的KummerU能量损失计算式为:
其中,rmn=rm∪rn表示区域rm和rn合并之后的区域,Zmn为区域rmn的分布参数,由公式(11)计算得出,ξmn和ζmn为区域rmn的纹理形状参数,基于区域rmn中所有像素的协方差矩阵估计得到;
3.3.4计算区域rm和rn之间的边缘惩罚函数值计算式为:
3.3.5分别计算区域rm、区域rn以及合并后区域rmn的匀质度Hm,Hn和Hmn,并计算区域合并的匀质度惩罚因子Fmn,计算式为:
3.3.6将3.3.3步计算得到的KummerU能量损失3.3.4步得到的边缘惩罚函数值以及3.3.5步得到的匀质度惩罚因子Fmn相结合,得到区域rm和rn在KummerU合并阶段的度量标准按公式(14)计算:
3.3.7令第二度量标准元素将以及所对应的m和n构成三元组放入集合D(0)中;
3.3.8令k3=k3+1,判断k3是否小于等于 为A(0)中元素的个数,若满足,转3.3.2步;否则,得到所有相邻区域在KummerU合并阶段的度量标准以及在此基础上构成的三元组的集合D(0),D(0)中元素个数为转3.4步;
3.4令l表示KummerU迭代合并的次数,且l=0;
3.5找出D(l)里所有三元组中第一个数值最小的三元组,设该三元组第二和第三个数值为m和n,则对区域rm和rn进行合并,合并后区域仍记为区域rm;同时,将D(l)中与区域rm和rn相关的三元组从集合中删除,将删除元素之后的D(l)记为D(l+1);
3.6更新3.5步区域合并之后的区域邻接图,用G(l+1)=(V(l+1),A(l+1))来表示,并更新合并后的能量总和SE(l+1)和D(l+1):
3.6.1区域合并后的能量总和SE(l+1)更新为:
其中,SE(l)为区域合并前的KummerU能量总和,为第3.5步合并过程中产生的KummerU能量损失;
3.6.2基于区域rm中所有像素的协方差矩阵,对rm的分布参数Zm以及纹理形状参数ξm和ζm进行估计;
3.6.3将A(l+1)中与区域rm相关的相邻关系元素构成设集合中元素个数为对中元素逐个计算相应的第二度量标准,并对D(l+1)进行更新;
3.6.4对KummerU迭代合并次数l进行更新:l=l+1,判断l是否小于等于N(0)-1,若满足,转3.5步;否则,转步骤4;
步骤4:确定PolSAR图像最终分割结果的区域个数:基于SE序列确定理想分割结果所对应的区域个数,得到区域个数为Nr基于区域个数Nr确定最终的分割结果为
2.如权利要求1所述的一种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,其特征在于所述Vs介于0到1之间,K取值为0.3,β取值为5。
3.如权利要求1所述的一种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,其特征在于所述M的取值根据超像素个数N以及百分比参数a来设定,M=N×a%,a取值范围为40~60。
4.如权利要求1所述的一种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,其特征在于2.4步所述根据DM中三元组,在A中找出所对应的M个元素,构成集合AM的方法是:
2.4.1令k1=1,AM为空集;
2.4.2取出DM中第k1个三元组,设该三元组第二和第三个数值为i和j,1≤i≤N,1≤j≤N,将aij放入集合AM;
2.4.3令k1=k1+1,判断k1是否小于等于M,若满足,转2.4.2步;否则,得到包含M个元素的集合AM。
5.如权利要求1所述的一种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,其特征在于2.5步所述基于AM对超像素集合V进行合并的方法是:
2.5.1令k1=1;
2.5.2设AM中第k1个元素为aij,1≤i≤N,1≤j≤N,aij所对应的两个相邻超像素为vi和vj,则将超像素vi和vj合并;
2.5.3令k1=k1+1,判断k1是否小于等于M,若满足,转2.5.2步;否则,即完成了Wishart合并。
6.如权利要求1所述的一种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,其特征在于步骤3.3.5计算区域rm、区域rn以及合并后区域rmn的匀质度Hm,Hn和Hmn采用变化系数的方法。
7.如权利要求1所述的一种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,其特征在于步骤3.6.3所述更新D(l+1)的方法是:
3.6.3.1令k4=1;
3.6.3.2设中第k4个元素为amn,计算KummerU能量损失边缘惩罚函数和匀质度惩罚因子Fmn,并按公式(14)计算得到度量标准
3.6.3.3令第二度量标准元素将以及所对应的m和n构成三元组放入集合D(l+1)中;
3.6.3.4令k4=k4+1,判断k4是否小于等于若满足,转3.6.3.2步;否则,完成了对D(l+1)的更新。
8.如权利要求1所述的一种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,其特征在于步骤4所述基于SE序列确定PolSAR图像最终分割结果的区域个数的方法是:构建一种评估曲线图,图的x轴为区域个数,y轴表示KummerU能量总和SE,曲线图的拐点,即最大曲率所对应的点则为最终分割结果的区域个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811449055.5A CN109544567B (zh) | 2018-11-30 | 2018-11-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811449055.5A CN109544567B (zh) | 2018-11-30 | 2018-11-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544567A true CN109544567A (zh) | 2019-03-29 |
CN109544567B CN109544567B (zh) | 2019-10-11 |
Family
ID=65851490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811449055.5A Active CN109544567B (zh) | 2018-11-30 | 2018-11-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544567B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111429496A (zh) * | 2020-03-05 | 2020-07-17 | 武汉大学 | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 |
CN115063590A (zh) * | 2022-07-08 | 2022-09-16 | 清华大学 | 基于sar图像超像素融合的cfar目标检测方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
CN102722883A (zh) * | 2012-04-16 | 2012-10-10 | 上海交通大学 | 一种具有空间自适应性的极化sar图像分割方法 |
CN107180434A (zh) * | 2017-05-23 | 2017-09-19 | 中国地质大学(武汉) | 基于超像素和分形网络演化算法的极化sar图像分割方法 |
CN108334851A (zh) * | 2018-02-12 | 2018-07-27 | 西安电子科技大学 | 基于各向异质性的快速极化sar图像分割方法 |
-
2018
- 2018-11-30 CN CN201811449055.5A patent/CN109544567B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
CN102722883A (zh) * | 2012-04-16 | 2012-10-10 | 上海交通大学 | 一种具有空间自适应性的极化sar图像分割方法 |
CN107180434A (zh) * | 2017-05-23 | 2017-09-19 | 中国地质大学(武汉) | 基于超像素和分形网络演化算法的极化sar图像分割方法 |
CN108334851A (zh) * | 2018-02-12 | 2018-07-27 | 西安电子科技大学 | 基于各向异质性的快速极化sar图像分割方法 |
Non-Patent Citations (2)
Title |
---|
RUIJIN JIN等: "Level Set Segmentation Algorithm for High-Resolution Polarimetric SAR Images Based on a Heterogeneous Clutter Model", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND ROMOTE SENSING》 * |
李贺等: "基于多尺度图分解的极化SAR图像分割算法", 《测绘科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111429496A (zh) * | 2020-03-05 | 2020-07-17 | 武汉大学 | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 |
CN115063590A (zh) * | 2022-07-08 | 2022-09-16 | 清华大学 | 基于sar图像超像素融合的cfar目标检测方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109544567B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544567B (zh) | 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 | |
Veksler | Stereo correspondence by dynamic programming on a tree | |
CN108090960A (zh) | 一种基于几何约束的目标重建方法 | |
CN107038717A (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
CN104732545B (zh) | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 | |
CN103745472B (zh) | 基于条件三重马尔可夫场的sar图像分割方法 | |
CN106570874A (zh) | 一种结合图像局部约束与对象全局约束的图像标记方法 | |
CN105279769A (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
Huang et al. | Image-guided non-local dense matching with three-steps optimization | |
CN101877125A (zh) | 一种基于小波域统计信号的图像融合处理方法 | |
Du et al. | New iterative closest point algorithm for isotropic scaling registration of point sets with noise | |
CN112183434B (zh) | 建筑物变化检测方法和装置 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN105447837A (zh) | 基于自适应云模型的多模态脑部图像融合方法 | |
CN107610219A (zh) | 一种三维场景重构中几何线索感知的像素级点云稠密化方法 | |
CN103700104B (zh) | 一种利用先验知识的人类外侧膝状体自动分割方法 | |
Sasmal et al. | A survey on the utilization of Superpixel image for clustering based image segmentation | |
CN110458876A (zh) | 基于sar-sift特征的多时相polsar图像配准方法 | |
Tatar et al. | High-resolution satellite stereo matching by object-based semiglobal matching and iterative guided edge-preserving filter | |
CN113780389B (zh) | 基于一致性约束的深度学习半监督密集匹配方法及*** | |
CN117132737B (zh) | 一种三维建筑模型构建方法、***及设备 | |
CN109584166A (zh) | 视差图稠密化方法、装置和计算机可读存储介质 | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
Van Kaick et al. | Contour correspondence via ant colony optimization | |
CN111263295B (zh) | 一种wlan室内定位方法和装置 |
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 |