CN112241956A - 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 - Google Patents

Abstract

本发明公开了一种基于区域生长法和变差函数的PolSAR图像山脊线提取方法，首先利用自动选取种子点的区域生长法对PolSAR图像进行初始分割，得到山脊线和建筑物的混合地物；其次计算图像的全方向变差函数获得变差纹理特征，同时计算图像的纹理熵特征，将变差纹理特征与纹理熵特征叠加，得到组合纹理特征，采用模糊C均值聚类方法对组合纹理特征进行聚类分析，提取出建筑物区域；最后将山脊线和建筑物的混合地物与提取的建筑物区域相结合，得到山脊线识别结果。本发明自动选取种子点的方法抗干扰能力强，同时利用了PolSAR图像的纹理特征，获得了较高的山脊线识别精度，为PolSAR图像山脊线识别提供了一种新思路。

Description

基于区域生长法和变差函数的PolSAR图像山脊线提取方法

技术领域

本发明属于地理信息技术领域，尤其涉及一种基于区域生长法和变差函数的PolSAR图像山脊线提取方法。

背景技术

地震触发的山地灾害通常始于山脊线附近，准确地获取山脊线的分布信息有利于了解由地震触发的山地灾害情况，例如道路损坏，山体垮塌和滑坡等，从而为救援人员、物资运输提供帮助。地震发生后，受阴雨天气的影响，光学遥感影像在救灾决策中的作用受到了很大限制，而雷达遥感因其穿透力强，不依赖太阳光照等优点被广泛用于地震研究中。在合成孔径雷达(Synthetic Aperture Radar,SAR)图像中，山脊与建筑物的特征极为相似，建筑物的存在会给山脊的识别带来很大影响，导致山脊线识别难度大。现有的山脊线提取方法中，对图像进行初分割时采用人工选取种子点的区域生长方法的抗干扰能力较差，对图像初分割效果的影响大；传统阈值法提取的山脊线精度较低，结果准确性较差。

发明内容

针对上述背景技术中指出的不足，本发明提供了一种基于区域生长法和变差函数的PolSAR图像山脊线提取方法，旨在解决上述背景技术中现有技术存在的问题。

为实现上述目的，本发明采用的技术方案是：

一种基于区域生长法和变差函数的PolSAR图像山脊线提取方法，包括如下步骤：

(1)利用自动选取种子点的区域生长法对PolSAR图像进行初始分割

首先结合图像的边界信息进行初始种子点的选取，指定一个种子点作为生长的起点，然后将初始种子点的四领域或八领域的像素和种子点进行归并，将其中所有具有相似性质的像素合并起来并继续向外部生长，直到没有满足条件的像素加入进来为止，得到山脊线与建筑物的混合地物；

(2)计算图像的全方向变差函数获得变差纹理特征，同时计算图像的纹理熵特征，将变差纹理特征与纹理熵特征叠加，得到组合纹理特征，采用模糊C均值聚类方法对组合纹理特征进行聚类分析，在聚类的过程中设置两个聚类中心，分别对应建筑物和非建筑物这两类地物，完成聚类分割后提取出建筑物区域；

(3)将步骤(1)得到的山脊线与建筑物的混合地物与步骤(2)提取的建筑物区域相结合，得到山脊线识别结果图。

优选地，步骤(1)中，所述初始种子点的自动选取方法为：用一定大小的窗口逐像素点遍历整幅图像，计算每个窗口中除中心点外的其余坐标点像素值均值，再计算所述均值与中心点像素值的差值，选取同时满足以下三个条件的坐标点为初始种子点，三个条件如下：

a.初始种子点的差值计算结果尽可能接近0与区域生长法门限值形成区间的中值；

b.初始种子点落在图像中的山脊线区域内；

c.初始种子点与图幅中心点的距离最近。

优选地，步骤(2)中，所述图像的全方向变差函数的获取方法为：取窗口的宽度为W，设图像中各像素的坐标为(i,j)，其中窗口中心点的坐标为(i₀,j₀)，将0°、45°、90°、135°四个方向的变差函数计算结果均值作为图像的全方向变差函数，计算公式如下：

相比于现有技术的缺点和不足，本发明具有以下有益效果：

本发明提供的基于区域生长法和变差函数的PolSAR图像山脊线提取方法中，采用自动选取种子点的区域生长方法，相较于人工选取种子点抗干扰能力更强；对图像初始分割后，计算图像的变差纹理特征和纹理熵特征，并将两者相结合得到组合纹理特征，再采用模糊C均值聚类算法提取出建筑物区域并将其与初始分割结果相结合，实现了对山脊线的识别。本发明不仅能够将建筑物区域和山脊区分开，而且能够同时识别出连续的大山脊和间断的小山脊，识别精度高，相较于传统阈值分割方法的精度，本发明的山脊线识别精度大大提高，为PolSAR图像中的山脊线识别提供了一种新思路。

附图说明

图1是本发明实施例提供的基于区域生长法和变差函数的PolSAR图像山脊线提取方法的框架流程图。

图2是本发明实施例提供的区域生长得到的山脊线与建筑物的混合地物图。

图3是本发明实施例提供的实验变差函数的计算结果(a)以及纹理熵特征对应的图像(b)。

图4是本发明实施例提供的建筑物和山脊线识别结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种基于区域生长法和变差函数的PolSAR图像山脊线提取方法，框架流程图参照图1，方法如下：

1、利用自动选取种子点的区域生长法对PolSAR图像进行初始分割

结合PolSAR图像的边界信息进行初始种子点的选取，首先指定一个种子点作为生长的起点，一个不恰当的种子点会导致区域生长的结果往往与实际结果或者期望结果大相径庭，之后将初始种子点的四领域或八领域的像素和种子点进行归并，将其中所有具有相似性质的像素合并并继续向外部生长，直到没有满足条件的像素加入为止，得到山脊线与建筑物的混合地物。

在选取初始种子点的时候需要满足一定的条件，即能够代表感兴趣区域的特征，本发明中的感兴趣区域指山脊线区域。设任意图像I的大小为M×N，M和N分别表示图像的长和宽，图像中任一像素点的坐标为(i,j)，对应点的像素值为I(i,j)，区域生长法的门限值为T∈R，

表示点(i,j)周围八个像素点对应像素值的均值，遍历整幅图像，计算

与其中心像素I(i,j)的差值

如式(1)所示，

其中i∈(1,…,N),j∈(1,…,M)。若点(i,j)对应像素处于图像中的感兴趣区域范围内，以此点作为初始种子点进行区域生长而得到的图像分割结果会随着该点与图幅中心的距离以及

值的改变而变化。若

值越接近于[0-T]的中值，并且初始种子点与图像中心的距离越近，则生长的过程就会更加充分，效率更高，分割的效果也会变得更好。

2、结合变差纹理与纹理熵特征获取建筑物区域的纹理信息

变差函数是用来描述空间变化的一种方法，它在考虑区域化变量的随机性的同时也考虑了数据的空间结构特征，可以定量地描述区域化变量的空间相关性。定义区域化变量G(x)在点x和x+h处的差值的方差之半为变量G(x)在h方向上的变差函数，即：

若区域化变量G(x)的数学期望E[G(x)]存在且等于常数k，且任意两点x和x+h处的协方差只与h有关，而与x本身无关，便满足二阶平稳假设。由于纹理图像是由某种程度重复的纹理单元构成的，因此符合这种假设，则变差函数σ(h)和协方差函数Cov(h)分别为：

Cov(h)＝E[G(x)G(x+h)]-{E[G(x)]}² (4)

由此可推出：

σ(h)＝Cov(0)-Cov(h) (5)

h称为σ(h)的变程，它反映了区域化变量的影响范围，实际过程中变差函数往往无法直接获得，通常用实验变差函数来对其进行估计，本发明通过计算图像的全方向实验变差函数获得变差纹理特征，由于建筑物的走向常常是多样化的，所以需要计算全方向的实验变差函数来获得图像的纹理特征，取窗口的宽度为W，设图像中各像素的坐标为(i,j)，其中窗口中心点的坐标为(i₀,j₀)，将0°、45°、90°、135°四个方向的实验变差函数计算结果均值作为全方向变差函数，计算公式如下：

选择信息冗余度较小的熵特征量，计算图像的纹理熵特征，山脊在纹理熵特征图像中具有显著特征，但通常情况下不完整，还有较多细碎山脊没有被识别出来，因此，仅通过纹理熵特征无法获得完整的山脊线。因此，需要将纹理熵特征与变差纹理特征叠加得到组合纹理特征。

3、模糊C均值聚类算法提取建筑物区域

模糊C均值(FCM)聚类算法融合了模糊理论的精髓，相较于K-means的硬聚类，FCM提供了更加灵活的聚类结果。FCM的聚类损失函数如公式(7)所示。该算法是将t个向量x_i(i＝1,2,…,t)分成C个模糊簇并求每个簇对应的聚类中心，从而使得聚类损失函数达到最小。

其中K表示样本个数，C表示目标类别数，c_j表示第j簇的中心，x_i表示第i个样本，v_ij表示样本i属于第j类的隶属度，模糊C均值聚类方法是一个不断迭代计算隶属度和簇中心的过程，直到他们满足公式(10)的条件为止。

其中l是迭代步数，ε是误差阈值。当迭代到一定程度，隶属度不会太大变化时，则认为达到局部或者全局的最优状态。

采用模糊C均值聚类方法对组合纹理特征进行聚类分析，在聚类的过程中设置两个聚类中心，分别对应建筑物和非建筑物这两类地物，完成聚类分割后提取出建筑物区域。

4、山脊线的识别

将上述得到的山脊线与建筑物的混合地物与提取的建筑物区域相结合，得到山脊线识别结果图。

实施例1

1、种子点选取及图像分割

种子点位置的选取与分割的结果密切相关，当选择的种子点位置较优时，分割时长较短，分割结果更好。

(1)用大小为3×3的窗口逐像素点遍历实验区的Span图像，计算每个窗口中除中心点外的剩余点像素值的均值，再计算其与中心点像素值的差值，统计所有差值的计算结果，为后续分析做准备。

(2)为了得到一个较好的图像分割结果，还需要设定一个合适的门限值T，在区域生长过程中，这个门限值就作为下一像素点是否加入目标区域的判断依据。考虑到门限值设定的准确性、鲁棒性等因素，在研究区域Span图像中选取了山脊样本和非山脊样本各100例，非山脊样本的灰度主要集中在179以下，而山脊样本与之相反，大多在179以上，因此初始种子点选在大于179的区域。根据实验经验，本实施例将区域生长算法的门限值设置为76。此外，还需对差值的计算结果进行筛选以选取区域生长的最优初始种子点，若图像中的某一点同时满足以下三个条件：(1)该点的差值计算结果尽可能接近区间[0,76]的中值；(2)该点落在图像中的山脊线区域内，即Span图像灰度大于179的区域；(3)该点与图幅中心点的距离最近，则该点为最优的初始种子点。以该点作为种子点进行区域生长时，生长过程充分，耗时短，精度高。基于此要求，最终选取图像上坐标为(651,443)的点作为区域生长的初始种子点对图像进行分割，得到了如图2所示的结果。图中白色部分为山脊和建筑物的混合区域，黑色部分为其他类型地物，从分割结果中可以看出仅仅利用区域生长法难以将山脊和建筑物区分开。

(3)在Span图像中，建筑物区域的灰度变化比较剧烈，而非建筑物区域的灰度变化相对较小，这两种区域在非相似性上有较大的差异，利用这一特点采用变差函数计算建筑物的纹理信息。考虑到建筑物区域的灰度变化情况比较复杂，本发明进行0°、45°、90°、135°这四个方向上的变差函数计算。为了尽可能地保留建筑物的纹理信息，同时使建筑物和非建筑物的区分度最大，首先设置不同的变程值进行变差计算以便从中选取最优的计算结果，实验发现，当变程值为3时计算结果最佳。此时对应的计算窗口大小为15×15，以此窗口进行四个方向的平均变差计算，得到的结果中建筑物和非建筑物的区分度最大，结果如图3(a)所示，建筑物区域具有一定的纹理特征，区域化变量相关性大，同时灰度变化比较剧烈，而大部分非建筑物区域灰度变化均比较平缓，因此相对于非建筑物区域，建筑物区域变差函数特征值较大，呈现出高亮的特点。本发明采用的是中低分辨率的Alos-2卫星数据，建筑物在整体研究区域所占比例较小，同时在建筑物与山脊的交界处或山脊与其他类型地物的交界处，局部变化显著，区域化变量的相关性较小，这些原因导致计算得到的山脊区域的变差函数特征值也较大，从而使个别山脊区域被误判为建筑物。为了减少这种被误分的情况对后续的FCM聚类结果产生影响，将基于灰度共生矩阵的纹理熵特征与变差函数纹理提取结果相叠加。提取纹理熵特征时，计算窗口大小为7×7，计算方向为0°、45°、90°、135°四个方向，计算得到四个特征量，特征的相关系数越小，冗余量越小。选择信息冗余度较小的熵特征量，它是图像内容随机性、无序性的度量，反映了纹理的混乱程度，该特征量对应的图像如图3(b)所示，图中黑色部分为山脊，白色部分为其他类型地物。从该特征图像中可以看出，山脊在该图像中具有显著特征，但并不完整，还有较多细碎山脊没有被识别出来，仅通过纹理熵提取是无法获得完整山脊线的。所以将纹理熵特征和实验变差函数计算结果相叠加，再采用FCM方法对其进行聚类分析，在聚类过程中设置了两个聚类中心，对应两类地物，即建筑物和非建筑物，在完成聚类分割后得到建筑物区域。将此建筑物区域与由区域生长法得到的建筑物和山脊混合地物相结合，实现了对山脊线的识别，将建筑物、山脊、其他类型地物分别映射为灰、白、黑三种颜色，合成了如图4所示的图像。图中白色部分为山脊，灰色部分为建筑物，黑色部分为其他类型地物。

(4)对于本发明山脊线提取效果的分析

选取了真实山脊样本与非山脊样本验证结果的准确性，并将精度验证结果展示在表1中，本发明所提出的山脊线提取方法在本实施例中的整体精度OA为90.78％。

表1本发明山脊线提取方法的精度评估

利用经典的阈值分割法对Span图像进行分割，将其结果与本发明提出山脊线提取的结果进行对比分析。采用自适应阈值法，即根据图像不同区域亮度分布，计算其局部的灰度均值来确定阈值，从而对图像进行分割，经验证，采用经典阈值分割法的山脊线提取精度为51.33％，明显小于本发明的精度90.78％。虽然阈值分割法对于图像中一些连续的宽山脊的提取效果较好，但是在许多间断的小山脊处提取效果很差，有较多间断的小山脊都没有被提取出来，这使得该算法的提取精度大幅度下降，同时仅用阈值法对图像进行分割，得到的结果中建筑物和山脊混分在一起，对于山脊的识别精度也会造成一定的影响。因此，本发明不仅能够将建筑物和山脊区分开，而且能够识别出连续的大山脊和间断的小山脊，识别精度达到90.78％。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于区域生长法和变差函数的PolSAR图像山脊线提取方法，其特征在于，包括如下步骤：

(1)利用自动选取种子点的区域生长法对PolSAR图像进行初始分割

首先结合图像的边界信息进行初始种子点的选取，指定一个种子点作为生长的起点，然后将初始种子点的四领域或八领域的像素和种子点进行归并，将其中所有具有相似性质的像素合并起来并继续向外部生长，直到没有满足条件的像素加入进来为止，得到山脊线与建筑物的混合地物；

(2)计算图像的全方向变差函数获得变差纹理特征，同时计算图像的纹理熵特征，将变差纹理特征与纹理熵特征叠加，得到组合纹理特征，采用模糊C均值聚类方法对组合纹理特征进行聚类分析，在聚类的过程中设置两个聚类中心，分别对应建筑物和非建筑物这两类地物，完成聚类分割后提取出建筑物区域；

(3)将步骤(1)得到的山脊线与建筑物的混合地物与步骤(2)提取的建筑物区域相结合，得到山脊线识别结果图。

2.如权利要求1所述的基于区域生长法和变差函数的PolSAR图像山脊线提取方法，其特征在于，步骤(1)中，所述初始种子点的自动选取方法为：用一定大小的窗口逐像素点遍历整幅图像，计算每个窗口中除中心点外的其余坐标点像素值均值，再计算所述均值与中心点像素值的差值，选取同时满足以下三个条件的坐标点为初始种子点，三个条件如下：

a.初始种子点的差值计算结果接近0与区域生长法门限值所形成区间的中值；

b.初始种子点落在图像中的山脊线区域内；

c.初始种子点与图幅中心点的距离最近。

3.如权利要求1所述的基于区域生长法和变差函数的PolSAR图像山脊线提取方法，其特征在于，步骤(2)中，所述图像的全方向变差函数的获取方法为：取窗口的宽度为W，设图像中各像素的坐标为(i,j)，其中窗口中心点的坐标为(i₀,j₀)，将0°、45°、90°、135°四个方向的变差函数计算结果的均值作为图像的全方向变差函数，计算公式如下：

Images