基于形狀補(bǔ)全區(qū)域圖和特征編碼的sar圖像分割方法
【專利摘要】本發(fā)明公開了一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，解決了SAR圖像區(qū)域的封閉性提取的技術(shù)問題。本發(fā)明首先使用SAR圖像初始素描模型獲取素描圖；用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法獲取區(qū)域圖；將區(qū)域圖映射到原SAR圖像空間，得到聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；聚集區(qū)域特征學(xué)習(xí)及層次聚類；勻質(zhì)區(qū)域特征學(xué)習(xí)及層次聚類；結(jié)構(gòu)區(qū)域分割；將聚集區(qū)域、勻質(zhì)區(qū)域與結(jié)構(gòu)區(qū)域的結(jié)果合并，標(biāo)記線目標(biāo)，得到最終的SAR圖像分割結(jié)果。本發(fā)明能夠獲得到封閉性、同質(zhì)性更好的勻質(zhì)區(qū)域提取，對區(qū)域所使用的特征學(xué)習(xí)與聚類方法也能很好的實(shí)現(xiàn)聚集區(qū)域和勻質(zhì)區(qū)域的進(jìn)一步聚類，可用于SAR圖像的分割。
【專利說明】基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及SAR圖像的區(qū)域提取方法，具體是一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，可用于SAR圖像的分割。

【背景技術(shù)】
[0002]SAR圖像分割是SAR圖像處理與解譯中的關(guān)鍵環(huán)節(jié)之一。在SAR圖像的成像過程中，由于地物的高低以及成像角度的不同，導(dǎo)致地物聚集區(qū)域在SAR圖像中呈現(xiàn)出明暗交錯變化的特性°《Local maximal homogenous reg1n search for SAR speckle reduct1nwith sketch-based geometrical kernel funct1n》提出的 SAR 圖像的素描圖是 SAR 圖像的一種稀疏表示，它以素描線的形式刻畫了 SAR圖像中的灰度變化信息?！痘赑rimal素描圖和語義信息分類的SAR圖像分割》提出的基于語義信息的素描線分類方法將SAR圖像初始素描圖中的素描線分為表示聚集的素描線和表示邊界、線目標(biāo)與孤立目標(biāo)的素描線兩類。進(jìn)而，上述文獻(xiàn)又使用基于區(qū)域生長的線段集合求解方法和基于形態(tài)學(xué)的區(qū)域提取方法提取到了完整的聚集區(qū)域，從而克服了現(xiàn)有的SAR圖像分割方法無法完整的分割聚集區(qū)域的缺陷。
[0003]不過，由于SAR圖像成像過程中相干斑的影響，單一閾值的素描圖還是無法準(zhǔn)確完整的表示邊界，其在閾值較大的情況下只會在強(qiáng)邊緣的地方有響應(yīng)，在閾值較低的情況下則會出現(xiàn)很多的偽邊緣。因此已有的區(qū)域提取方法無法很好的提取到閉合的勻質(zhì)區(qū)域。
[0004]特征學(xué)習(xí)常用于自然圖像的分類，現(xiàn)有的一些特征學(xué)習(xí)框架如詞袋模型和深度學(xué)習(xí)模型都可以很好的學(xué)習(xí)出各個類別的模式，從而用于分類。目前也存在一些現(xiàn)有的工作將特征學(xué)習(xí)用于SAR圖像的分割中，它們主要是對過分割的小區(qū)域進(jìn)行特征提取與學(xué)習(xí)。但是過分割的小區(qū)域只包含完整地物的某一局部信息，最終也就無法很好的把同一類的區(qū)域分到一起。


【發(fā)明內(nèi)容】

[0005]本發(fā)明提出了一種新的基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法用于SAR圖像的分割，很好的解決了上述已有方法在區(qū)域提取方面遇到的勻質(zhì)區(qū)域不閉合的問題。然后，對于提取到的各個區(qū)域，使用特征學(xué)習(xí)的方法得到各個區(qū)域的表示，并使用層次聚類的方法得到各個區(qū)域的類別指定。
[0006]本發(fā)明是一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，其特征在于，包括有如下步驟:
[0007]步驟1.輸入待分割的SAR圖像，利用SAR圖像的初始素描模型得到輸入圖像的素描圖。
[0008]步驟2.采用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到輸入圖像的區(qū)域圖。
[0009]步驟3.根據(jù)得到的區(qū)域圖將待分割的SAR圖像映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域，其中聚集區(qū)域和勻質(zhì)區(qū)域都包含多個區(qū)域。
[0010]步驟4.使用基于LLC編碼的詞袋模型對屬于聚集區(qū)域的各個區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到聚集區(qū)域的聚類結(jié)果。
[0011]步驟5.同樣，使用基于LLC編碼的詞袋模型對屬于勻質(zhì)區(qū)域的各個區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到勻質(zhì)區(qū)域的聚類結(jié)果。
[0012]步驟6.對于結(jié)構(gòu)區(qū)域，使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域中邊界、線目標(biāo)以及孤立目標(biāo)所在的位置，同時根據(jù)空間上的一致連通性得到若干個小區(qū)域，即將結(jié)構(gòu)區(qū)域劃分成若干個小區(qū)域，從而得到結(jié)構(gòu)區(qū)域的分割結(jié)果。
[0013]步驟7.使用基于空間近鄰和灰度均值的策略合并聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域的結(jié)果，首先，將屬于結(jié)構(gòu)區(qū)域中的小區(qū)域的類標(biāo)標(biāo)記為空間上相鄰的已聚類區(qū)域的類標(biāo)，然后，將結(jié)構(gòu)區(qū)域中剩下的既不與聚集區(qū)域相鄰又不與勻質(zhì)區(qū)域相鄰的小區(qū)域的類標(biāo)標(biāo)記為灰度均值最相近的已聚類區(qū)域的類標(biāo)。
[0014]步驟8.根據(jù)素描圖中的素描線信息標(biāo)記線目標(biāo)，從而得到最終的SAR圖像分割結(jié)果O
[0015]本發(fā)明的實(shí)現(xiàn)還在于:其中步驟2所提出的基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法，包括有如下步驟:
[0016]2.1.對素描圖中的素描線進(jìn)行聚集度分析，如果存在聚集的素描線，進(jìn)行步驟
2.2 ;如果不存在聚集的素描線，則跳至步驟2.4。
[0017]2.2.分別標(biāo)記聚集的素描線和代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線。
[0018]2.3.利用聚集區(qū)域提取方法在素描圖上得到覆蓋所有聚集素描線的區(qū)域，并標(biāo)注該區(qū)域。
[0019]2.4.對于代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線，提出基于形狀的素描線補(bǔ)全方法得到素描線補(bǔ)全結(jié)果及劃分的區(qū)域，并標(biāo)注該區(qū)域。
[0020]2.5.對于補(bǔ)全后的素描線，以每條線上每個點(diǎn)為中心提取5X5的幾何結(jié)構(gòu)窗作為結(jié)構(gòu)區(qū)域，并標(biāo)記該區(qū)域。
[0021]2.6.綜合上述區(qū)域提取結(jié)果，得到了整幅圖像的區(qū)域圖。
[0022]本發(fā)明的實(shí)現(xiàn)還在于:其中步驟2.4所提出的基于形狀的素描線補(bǔ)全方法，包括有如下步驟:
[0023]2.4.1.對素描圖中除聚集區(qū)域以外的每條素描線，進(jìn)行如下過程，對當(dāng)前素描線的一個端點(diǎn)P1，首先在其5*5的方形鄰域內(nèi)查找是否有其它素描線的端點(diǎn)，若有，從中選擇最長素描線的端點(diǎn)，并使用線段將Pl與最長素描線的端點(diǎn)進(jìn)行連接，然后對新連接的這個最長素描線的另一個端點(diǎn)，繼續(xù)執(zhí)行這個過程，直到端點(diǎn)5*5方形鄰域內(nèi)沒有新的素描線端點(diǎn)為止；對于當(dāng)前素描線的另一個端點(diǎn)P2，重復(fù)和Pl —樣的過程；
[0024]2.4.2對經(jīng)過步驟2.4.1連接后的素描線按照長度進(jìn)行排序，然后按照長度從大到小的順序判斷素描線是否是L形狀或U形狀的素描線，這里判斷L形狀或U形狀的素描線的方法是從一個端點(diǎn)Pl到另一個端點(diǎn)P2遍歷組成素描線的線段，并記錄相鄰線段的方向差值的絕對值，如果方向差值的絕對值超過閾值a的次數(shù)發(fā)生一次，該素描線就是L形狀的素描線；如果方向差值的絕對值超過閾值a的次數(shù)發(fā)生兩次，該素描線就是U形狀的素描線；然后對L形狀或U形狀的素描線，執(zhí)行步驟2.4.3 ;
[0025]2.4.3.判斷當(dāng)前L形狀或U形狀素描線的端點(diǎn)Pl在低閾值素描圖中相應(yīng)位置的自適應(yīng)窗口鄰域內(nèi)是否有其它素描線的端點(diǎn)，如果有，按照如下策略選擇一個端點(diǎn)Tl，gpTl所在素描線的另一個端點(diǎn)T2與當(dāng)前素描線的另一個端點(diǎn)P2的距離最近且用線段連接后只會形成一個封閉區(qū)域，然后對選擇的素描線的端點(diǎn)T2，繼續(xù)該過程，直至端點(diǎn)自適應(yīng)窗口鄰域范圍內(nèi)沒有新的素描線端點(diǎn)為止；對于當(dāng)前素描線的端點(diǎn)P2,重復(fù)和端點(diǎn)Pl —樣的過程。
[0026]綜上所述，本發(fā)明首先利用SAR圖像的初始素描圖得到輸入圖像的素描圖；其次，利用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到區(qū)域圖；然后，將得到的區(qū)域圖映射到原SAR圖像空間得到聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；緊接著，對聚集區(qū)域和勻質(zhì)區(qū)域分別進(jìn)行特征學(xué)習(xí)和層次聚類得到區(qū)域的聚類結(jié)果；對結(jié)構(gòu)區(qū)域進(jìn)行則使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域的分割結(jié)果；最終，合并聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域的結(jié)果，得到整個SAR圖像分割結(jié)果。
[0027]本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn):
[0028]1.能夠?qū)λ孛鑸D中的素描線進(jìn)行進(jìn)一步的補(bǔ)全，形成了更長且有助于形成封閉區(qū)域的素描線，從而提取到封閉性、同質(zhì)性更好的勻質(zhì)區(qū)域。
[0029]素描圖是SAR圖像的一種稀疏表示，其中的素描線刻畫了 SAR圖像中的明暗變化的信息。通過對素描線的聚集性分析，可以把素描圖中的素描線分為兩類，第一類是聚集的素描線，第二類是表示邊界、線目標(biāo)與孤立目標(biāo)的素描線。由于相干斑等SAR圖像本身特性的影響，素描圖中的第二類素描線往往會出現(xiàn)斷裂等現(xiàn)象。而本發(fā)明充分利用農(nóng)田等地物區(qū)域的形狀先驗(yàn)信息和多閾值素描圖間的素描線信息，利用貪婪的思想迭代的連接素描線，從而對第二類素描線進(jìn)行了補(bǔ)全操作，實(shí)現(xiàn)了對勻質(zhì)區(qū)域的劃分。
[0030]2.通過對屬于聚集區(qū)域和勻質(zhì)區(qū)域的各個區(qū)域分別進(jìn)行特征學(xué)習(xí)和層次聚類，實(shí)現(xiàn)了聚集區(qū)域和勻質(zhì)區(qū)域的進(jìn)一步細(xì)分，獲取了各個地物區(qū)域的類別信息。
[0031]本發(fā)明在獲取區(qū)域圖之后，將之映射到SAR圖像中得到了聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域。其中聚集區(qū)域和勻質(zhì)區(qū)域都包含有多塊區(qū)域，通過基于LLC編碼的詞袋模型分別對屬于聚集區(qū)域和勻質(zhì)區(qū)域的各個區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類，從而實(shí)現(xiàn)了對聚集區(qū)域和勻質(zhì)區(qū)域的進(jìn)一步細(xì)分，獲取了各個地物區(qū)域的類別信息。

【專利附圖】

【附圖說明】
[0032]圖1是本發(fā)明的功能模塊邏輯關(guān)系示意圖；
[0033]圖2是本發(fā)明中基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法的流程圖；
[0034]圖3是本發(fā)明中基于形狀的素描線補(bǔ)全方法的流程圖；
[0035]圖4是本發(fā)明中對PIPERIVER提取得到的素描圖結(jié)果圖；
[0036]圖5是本發(fā)明中使用素描線聚集度分析得到的素描線分類結(jié)果圖；
[0037]圖6是本發(fā)明中經(jīng)過素描線連接之后的結(jié)果圖；
[0038]圖7是本發(fā)明中L形素描線判定及連接方法找到其中兩個L形素描線及其連接結(jié)果圖；
[0039]圖8是本發(fā)明中基于形狀的素描線補(bǔ)全方法的結(jié)果圖；
[0040]圖9是本發(fā)明中基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法提取得到的區(qū)域圖；
[0041]圖10是本發(fā)明中聚集區(qū)域的區(qū)域聚類結(jié)果圖；
[0042]圖11是本發(fā)明中勻質(zhì)區(qū)域的區(qū)域聚類結(jié)果圖；
[0043]圖12是本發(fā)明中結(jié)構(gòu)區(qū)域的分割結(jié)果圖；
[0044]圖13是本發(fā)明的SAR圖像分割最終的結(jié)果圖。

【具體實(shí)施方式】
[0045]下面結(jié)合實(shí)施例和附圖對本發(fā)明作進(jìn)一步說明。
[0046]實(shí)施例1
[0047]參照圖1，本發(fā)明的實(shí)施步驟如下:
[0048]步驟1.對于輸入的SAR圖像,仿真實(shí)驗(yàn)中使用的piperiver圖像,如圖6所示,利用SAR圖像的初始素描圖提取得到其素描圖。提取的步驟如下:
[0049]首先，對原始SAR圖像使用一組圖像基元字典構(gòu)成的濾波器進(jìn)行濾波，融合濾波結(jié)果并進(jìn)行非極大值抑制得到一個未處理的素描圖；然后對未處理的素描圖進(jìn)行一種貪心追蹤方法順序添加新的圖像基元形成線段輪廓從而得到未修復(fù)的素描圖；最后，在未修復(fù)的素描圖的基礎(chǔ)上依據(jù)格式塔聚集原理加入空間約束，并且使用一組圖形學(xué)中的操作算子對未修復(fù)的素描圖中的素描線進(jìn)行修復(fù)和修正，最終得到圖像結(jié)構(gòu)部分的稀疏表示結(jié)果，即輸入圖像的素描圖。
[0050]步驟2.在素描圖的基礎(chǔ)上使用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到待分割的整幅SAR圖像的區(qū)域圖。參照圖2，區(qū)域圖提取的具體步驟為:
[0051](2.1)對初始素描圖中的素描線進(jìn)行聚集度分析。如果存在聚集的素描線，進(jìn)行步驟(2.2);如果不存在聚集的素描線，則跳至步驟(2.4)。
[0052](2.2)分別標(biāo)記素描圖中的聚集素描線和代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線。
[0053](2.3)利用聚集區(qū)域提取方法在素描圖上得到覆蓋所有聚集素描線的區(qū)域，并標(biāo)注該區(qū)域?yàn)榫奂瘏^(qū)域。
[0054](2.4)對于代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線，使用基于形狀的素描線補(bǔ)全方法得到劃分的區(qū)域，并標(biāo)注該區(qū)域?yàn)闊o線段區(qū)域。
[0055](2.5)對于補(bǔ)全后的素描線，以每條線上每個點(diǎn)為中心提取5X5的幾何結(jié)構(gòu)窗作為結(jié)構(gòu)區(qū)域，并標(biāo)記該區(qū)域。
[0056](2.6)綜合上述區(qū)域提取結(jié)果，得到了基于素描線補(bǔ)全的整幅圖像的區(qū)域圖。
[0057]步驟3.根據(jù)得到的區(qū)域圖將待分割的SAR圖像映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域，其中聚集區(qū)域和勻質(zhì)區(qū)域都包含多個區(qū)域，該實(shí)施例中聚集區(qū)域提取了 8塊，勻質(zhì)區(qū)域提取了 15塊。
[0058]步驟4.使用基于局域線性約束稀疏編碼(LLC)的詞袋模型對屬于聚集區(qū)域中像素個數(shù)大于200的區(qū)域進(jìn)行特征學(xué)習(xí)，得到這些區(qū)域的表示。然后使用層次聚類分別對這些區(qū)域進(jìn)行聚類。然后對于像素個數(shù)小于等于200的小區(qū)域，根據(jù)灰度均值和方差將這些小區(qū)域的類標(biāo)指定為與其最相似的已聚類的聚集區(qū)域的類標(biāo)。上述過程中特征學(xué)習(xí)的具體步驟為:
[0059]首先對區(qū)域內(nèi)的所有樣本點(diǎn)，提取12維GLCM特征，包括4個方向的3種二階統(tǒng)計特性(對比度、能量和同質(zhì)性)；然后使用kmeans對所有聚集區(qū)域(或無素描線區(qū)域)內(nèi)的所有樣本點(diǎn)的GLCM特征進(jìn)行聚類得到256維的字典；然后將每個樣本點(diǎn)的GLCM特征在該字典下進(jìn)行LLC編碼，從而將一個12維的特征向量轉(zhuǎn)化為一個256維的向量；最后對每個區(qū)域分別在區(qū)域范圍內(nèi)進(jìn)行樣本點(diǎn)特征的mean-pooling操作,從而得到每個區(qū)域的特征表示。
[0060]步驟5.以相同的方式使用基于局域線性約束稀疏編碼(LLC)的詞袋模型對屬于勻質(zhì)區(qū)域的像素數(shù)大于200的區(qū)域進(jìn)行特征學(xué)習(xí)和層次聚類。然后對于像素數(shù)小于等于200的勻質(zhì)區(qū)域，根據(jù)灰度均值將這些小區(qū)域的類標(biāo)指定為與其最相似的已聚類的勻質(zhì)區(qū)域的類標(biāo)。
[0061]本發(fā)明通過對屬于聚集區(qū)域和勻質(zhì)區(qū)域的各個區(qū)域分別進(jìn)行特征學(xué)習(xí)和層次聚類，實(shí)現(xiàn)了聚集區(qū)域和勻質(zhì)區(qū)域的進(jìn)一步細(xì)分，獲取了各個地物區(qū)域的類別信息。
[0062]步驟6.對于結(jié)構(gòu)區(qū)域，使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域中邊界、線目標(biāo)以及孤立目標(biāo)所在的位置，同時根據(jù)空間上的一直連通性得到了若干個區(qū)域，本實(shí)施例中將結(jié)構(gòu)區(qū)域劃分了 863個小區(qū)域，從而得到結(jié)構(gòu)區(qū)域的分割結(jié)果。
[0063]步驟7.合并聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域的結(jié)果。具體是使用已聚類的聚集區(qū)域和勻質(zhì)區(qū)域的類標(biāo)對結(jié)構(gòu)區(qū)域中的小區(qū)域進(jìn)行標(biāo)記，首先，將屬于結(jié)構(gòu)區(qū)域中的小區(qū)域的類標(biāo)標(biāo)記為空間上相鄰的已聚類區(qū)域的類標(biāo)，然后，將結(jié)構(gòu)區(qū)域中剩下的既不與聚集區(qū)域相鄰又不與勻質(zhì)區(qū)域相鄰的小區(qū)域的類標(biāo)標(biāo)記為灰度均值最相近的已聚類區(qū)域的類標(biāo)。
[0064]步驟8.根據(jù)素描圖中的素描線信息標(biāo)記線目標(biāo)，從而得到最終完整的SAR圖像分割結(jié)果。
[0065]本發(fā)明中的區(qū)域圖提取方法不僅可以提取到完整的聚集區(qū)域，還可以得到同質(zhì)性更好的勻質(zhì)區(qū)域；對聚集區(qū)域和勻質(zhì)區(qū)域中的各個區(qū)域分別進(jìn)行特征學(xué)習(xí)與層次聚類操作還可以進(jìn)一步得到聚集區(qū)域和勻質(zhì)區(qū)域的類別信息，最終得到的SAR圖像分割結(jié)果也更準(zhǔn)確。
[0066]實(shí)施例2
[0067]基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，同實(shí)施例1，其中，基于形狀的素描線補(bǔ)全方法的具體步驟參照圖3可表述為:
[0068]2.4.1.對素描圖中除聚集區(qū)域以外的每條素描線，進(jìn)行如下過程，對當(dāng)前素描線的一個端點(diǎn)P1，首先在其5*5的方形鄰域內(nèi)查找是否有其它素描線的端點(diǎn)，若有，從中選擇最長素描線的端點(diǎn)，并使用線段將Pl與最長素描線的端點(diǎn)進(jìn)行連接，然后對新連接的這個最長素描線的另一個端點(diǎn)，繼續(xù)執(zhí)行這個過程，直到端點(diǎn)5*5方形鄰域內(nèi)沒有新的素描線端點(diǎn)為止。當(dāng)5*5方形鄰域內(nèi)沒有新的素描線端點(diǎn)時，對于當(dāng)前素描線的另一個端點(diǎn)P2，重復(fù)和Pl —樣的過程。
[0069]2.4.2對經(jīng)過步驟2.4.1連接后的素描線按照長度進(jìn)行排序，然后按照長度從大到小的順序判斷素描線是否是L形狀或U形狀的素描線，這里判斷L形狀或U形狀的素描線的方法是從一個端點(diǎn)即Pl到另一個端點(diǎn)即P2遍歷組成素描線的線段，并記錄相鄰線段的方向差值的絕對值，如果方向差值的絕對值超過閾值a的次數(shù)發(fā)生一次，該素描線就是L形狀的素描線；如果方向差值的絕對值超過閾值a的次數(shù)發(fā)生兩次，該素描線就是U形狀的素描線；然后對L形狀或U形狀的素描線，執(zhí)行步驟2.4.3。
[0070]2.4.3.判斷當(dāng)前L形狀或U形狀素描線的端點(diǎn)Pl在低閾值素描圖中相應(yīng)位置的自適應(yīng)窗口鄰域內(nèi)是否有其它素描線的端點(diǎn)，如果有，按照如下策略選擇一個端點(diǎn)Tl，gpTl所在素描線的另一個端點(diǎn)T2與當(dāng)前素描線的另一個端點(diǎn)P2的距離最近且用線段連接后只會形成一個封閉區(qū)域，然后對選擇的素描線的端點(diǎn)T2，繼續(xù)該過程，直至端點(diǎn)自適應(yīng)窗口鄰域范圍內(nèi)沒有新的素描線端點(diǎn)為止；對于當(dāng)前素描線的端點(diǎn)P2,重復(fù)和端點(diǎn)Pl —樣的過程。
[0071]本發(fā)明中的基于形狀的素描線補(bǔ)全方法利用貪心的思想向外連接素描線，可以有效的連接斷開的素描線并形成封閉區(qū)域，從而實(shí)現(xiàn)了對勻質(zhì)區(qū)域的劃分。
[0072]實(shí)施例3
[0073]基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，同實(shí)施例1-2，其中步驟7的合并策略具體為:
[0074](7.1)對于結(jié)構(gòu)區(qū)域中的各個小區(qū)域，首先根據(jù)空間近鄰關(guān)系，如果與某一聚集區(qū)域相鄰且像素數(shù)小于200，則將其歸置到相應(yīng)的聚集區(qū)域中；如果與某一勻質(zhì)區(qū)域相鄰且灰度均值相差不超過25，則將其歸置到相應(yīng)的勻質(zhì)區(qū)域中。
[0075](7.2)對剩下未標(biāo)記的小區(qū)域，如果像素數(shù)大于36，根據(jù)灰度均值將該區(qū)域的類標(biāo)指定為最相似的已標(biāo)記區(qū)域的類標(biāo)；如果像素數(shù)小于等于36，直接將其歸置到空間最近的區(qū)域中。
[0076]實(shí)施例4
[0077]基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，同實(shí)施例1-3，其中步驟8中標(biāo)記線目標(biāo)的具體步驟為:
[0078](8.1)考察素描圖中的素描線，挑選出長度大于30且有平行關(guān)系的素描線，將之標(biāo)定為表示線目標(biāo)的素描線。
[0079](8.2)考察長度大于30的素描線在原SAR圖像中5X5鄰域內(nèi)的灰度變化趨勢，若灰度出現(xiàn)兩次突變，也將此處的素描線標(biāo)定為表示線目標(biāo)的素描線，這樣，就可以在上述表示線目標(biāo)的素描線所覆蓋的原SAR圖像的空間位置處標(biāo)記為線目標(biāo)。
[0080]實(shí)施例6
[0081]基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，同實(shí)施例1-5，為了更好的理解本發(fā)明，更簡練的講，還可以這樣描述，實(shí)現(xiàn)本發(fā)明的技術(shù)方案是:首先，利用SAR圖像的初始素描模型得到輸入圖像的素描圖；其次，利用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到區(qū)域圖；然后，將得到的區(qū)域圖映射到原SAR圖像空間得到聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；緊接著，對聚集區(qū)域和勻質(zhì)區(qū)域分別進(jìn)行特征學(xué)習(xí)和層次聚類得到區(qū)域的聚類結(jié)果；對結(jié)構(gòu)區(qū)域進(jìn)行則使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域的分割結(jié)果；最終，合并聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域的結(jié)果，得到整個SAR圖像分割結(jié)果。具體步驟如下:
[0082](I)利用SAR圖像的初始素描圖得到輸入圖像的素描圖；
[0083](2)使用一種基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到區(qū)域圖，本發(fā)明在圖像分割過程中引入該方法，充分利用了實(shí)際地物的形狀先驗(yàn)信息以及多閾值素描圖間的素描線鄰域空間關(guān)系信息，如圖11(a)所示，在原先并不封閉的農(nóng)田區(qū)域得到了編號為9，12，13，14，15等封閉區(qū)域；
[0084](3)根據(jù)得到的區(qū)域圖將原SAR圖像映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；
[0085](4)使用基于LLC編碼的詞袋模型對屬于聚集區(qū)域的各個區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到聚集區(qū)域的聚類結(jié)果，該特征學(xué)習(xí)方法可以學(xué)習(xí)出聚集區(qū)域間的可分性信息，如圖10(b)所示，8塊聚集區(qū)域進(jìn)一步聚成了 2類；
[0086](5)同樣，使用基于LLC編碼的詞袋模型對屬于勻質(zhì)區(qū)域的各個區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到勻質(zhì)區(qū)域的聚類結(jié)果，該特征學(xué)習(xí)方法可以學(xué)習(xí)出勻質(zhì)區(qū)域間的可分性信息，如圖11(b)所示，16塊勻質(zhì)區(qū)域進(jìn)一步聚成了 10類；
[0087](6)對于結(jié)構(gòu)區(qū)域，使用基于MRF的分割方法得到邊界、線目標(biāo)與孤立目標(biāo)真正所在的位置，同時將結(jié)構(gòu)區(qū)域分割成若干個小區(qū)域；
[0088](7)合并聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域的結(jié)果；
[0089](8)標(biāo)記線目標(biāo)，從而得到最終的圖像分割結(jié)果。
[0090]實(shí)施例7
[0091]基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，同實(shí)施例1-5，本發(fā)明的效果通過下列對SAR圖像的仿真實(shí)驗(yàn)進(jìn)行進(jìn)一步說明。
[0092]1.仿真條件
[0093](I)截取大小為600 X 432的Ku波段、Im分辨率的piperiver圖像；
[0094](2)仿真試驗(yàn)中，高閾值的素描圖的高低閾值參數(shù)分別取值為1.7和0.5 ;低閾值的素描圖的高低閾值參數(shù)分別區(qū)域0.8和0.5 ；CLG參數(shù)都設(shè)置為15 ；
[0095](3)仿真實(shí)驗(yàn)中，基于語義信息的素描線分類方法中計算聚集性統(tǒng)計直方圖使用的近鄰數(shù)K = 5 ;最優(yōu)聚集性區(qū)間的參數(shù)δ = 4 ;
[0096](4)仿真實(shí)驗(yàn)中，基于多閾值的素描圖的素描線補(bǔ)全方法中，在高閾值初始素描圖中的鄰域窗口大小設(shè)置為5X5，在低閾值初始素描圖中的鄰域窗口大小設(shè)置為25X25 ；
[0097](5)仿真實(shí)驗(yàn)中，擴(kuò)充結(jié)構(gòu)區(qū)域使用的方形窗口大小為5X5 ;
[0098](6)仿真實(shí)驗(yàn)中，基于局部線性約束稀疏編碼的特征學(xué)習(xí)方法的字典大小設(shè)置為256 ；
[0099](7)仿真實(shí)驗(yàn)中，參與層次聚類的區(qū)域的面積閾值設(shè)置為200。
[0100](8)仿真實(shí)驗(yàn)中，結(jié)構(gòu)區(qū)域超像素與勻質(zhì)區(qū)域合并的灰度均值閾值設(shè)置為25。
[0101]2.仿真內(nèi)容與結(jié)果
[0102]仿真內(nèi)容:利用Ku波段分辨率為Im的piperiver圖像,如圖4(a)所示，用本發(fā)明的素描線補(bǔ)全方法對邊界與線目標(biāo)的素描線進(jìn)行補(bǔ)全并在此基礎(chǔ)上提取結(jié)構(gòu)區(qū)域和非素描區(qū)域，并使用本發(fā)明中的特征學(xué)習(xí)得到聚集區(qū)域和勻質(zhì)區(qū)域的特征表示，最后分別對聚集區(qū)域和勻質(zhì)區(qū)域進(jìn)行層次聚類；
[0103]本實(shí)驗(yàn)的目的是要驗(yàn)證本發(fā)明的方法是否能夠進(jìn)一步細(xì)分勻質(zhì)區(qū)域，是否能使得勻質(zhì)區(qū)域中的每塊區(qū)域同質(zhì)性更好。另外，還要驗(yàn)證基于局部線性約束編碼的特征學(xué)習(xí)方法可否學(xué)習(xí)出可分性的特征。
[0104]仿真結(jié)果:圖4(b)展示了利用SAR圖像的初始素描圖得到的素描圖的結(jié)果，其中共有624條素描線；圖5展示了利用素描線聚集度分析得到的素描線分類的結(jié)果，該結(jié)果將其中灰色標(biāo)注的是聚集的素描線，黑色標(biāo)注的是表示邊界、線目標(biāo)與孤立目標(biāo)的素描線；圖6 (a)展示了圖5中黑色標(biāo)注的素描線，圖6(b)對比展示了經(jīng)過連接操作之后的素描圖，從中可以看出端點(diǎn)數(shù)量減少很多，很多短的素描線被連成了長的素描線；另外圖6(b)中還標(biāo)記了長度在前20的素描線；圖7展示了素描圖中兩個L形的素描線的連接結(jié)果，其中圖7(a)中黑色標(biāo)記的素描線是圖6(b)中的標(biāo)記為5的L形素描線，灰色標(biāo)記的素描線是其從低閾值素描線對應(yīng)位置選擇并連接的素描線；圖7(b)中黑色標(biāo)記的素描線是圖6(b)中標(biāo)記為18的素描線，灰色標(biāo)記的素描線是其從低閾值素描線對應(yīng)位置選擇并連接的素描線；圖8展示了基于形狀的素描線補(bǔ)全方法的結(jié)果；圖9展示了最終的區(qū)域提取結(jié)果，其中白色標(biāo)記的是聚集區(qū)域；黑色標(biāo)記的是無線段區(qū)域；灰色標(biāo)記的是結(jié)構(gòu)區(qū)域；圖10展示了聚集區(qū)域的聚類結(jié)果，其中圖10(a)顯示了區(qū)域圖映射到piperiver圖上得到的編號為I?8共8塊聚集區(qū)域，圖10(b)展示了對這8塊聚集區(qū)域進(jìn)行特征學(xué)習(xí)進(jìn)而層次聚類的結(jié)果，共聚成了灰色和黑色標(biāo)記的共2類區(qū)域；圖11展示了勻質(zhì)區(qū)域的聚類結(jié)果，其中圖11(a)展示了區(qū)域圖映射到piperiver圖上得到的編號為I?15共15塊勻質(zhì)區(qū)域，圖11 (b)展示了對這16塊勻質(zhì)區(qū)域進(jìn)行特征學(xué)習(xí)進(jìn)而層次聚類的結(jié)果，共聚成了 10類；圖12展示了結(jié)構(gòu)區(qū)域的分割結(jié)果；圖13展示了合并聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域并且標(biāo)定線目標(biāo)所得到的最終SAR圖像分割結(jié)果。
[0105]從仿真實(shí)驗(yàn)結(jié)果可以看出，本發(fā)明提出的區(qū)域提取方法獲得了較好的區(qū)域劃分結(jié)果，同時使用的LLC特征學(xué)習(xí)方法得到了很好的區(qū)域聚類結(jié)果，最終的SAR圖像分割結(jié)果也較真實(shí)的反映了實(shí)際的地物種類。
[0106]綜上，本發(fā)明的基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，主要解決了獲取SAR圖像區(qū)域圖提取的問題。其實(shí)現(xiàn)步驟為:(I)使用SAR圖像的初始素描圖獲取素描圖；(2)使用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法獲取區(qū)域圖；(3)將區(qū)域圖映射到原SAR圖像空間，得到聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；(4)聚集區(qū)域的特征學(xué)習(xí)及層次聚類；(5)勻質(zhì)區(qū)域的特征學(xué)習(xí)及層次聚類；(6)結(jié)構(gòu)區(qū)域中的分割；(7)將聚集區(qū)域、勻質(zhì)區(qū)域與結(jié)構(gòu)區(qū)域的結(jié)果合并，并標(biāo)記線目標(biāo)，從而得到最終的SAR圖像分割結(jié)果。本發(fā)明實(shí)現(xiàn)了很好的SAR圖像區(qū)域劃分與聚類效果，可用于SAR圖像的分割。
【權(quán)利要求】
1.一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，其特征在于，包括有如下步驟: 步驟1.輸入待分割的SAR圖像，利用SAR圖像的初始素描模型得到輸入圖像的素描圖； 步驟2.采用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到輸入圖像的區(qū)域圖； 步驟3.根據(jù)得到的區(qū)域圖將待分割的SAR圖像映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域； 步驟4.使用基于LLC編碼的詞袋模型對屬于聚集區(qū)域的各個區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到聚集區(qū)域的聚類結(jié)果； 步驟5.同樣，使用基于LLC編碼的詞袋模型對屬于勻質(zhì)區(qū)域的各個區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到勻質(zhì)區(qū)域的聚類結(jié)果； 步驟6.對于結(jié)構(gòu)區(qū)域，使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域中邊界、線目標(biāo)以及孤立目標(biāo)所在的位置，同時根據(jù)空間上的一致連通性得到若干個小區(qū)域，即將結(jié)構(gòu)區(qū)域劃分成若干個小區(qū)域，從而得到結(jié)構(gòu)區(qū)域的分割結(jié)果； 步驟7.使用基于空間近鄰和灰度均值的策略，將聚集區(qū)域的聚類結(jié)果、勻質(zhì)區(qū)域的聚類結(jié)果和結(jié)構(gòu)區(qū)域的分割結(jié)果合并； 步驟8.根據(jù)素描圖中的素描線信息標(biāo)記線目標(biāo)，從而得到最終完整的SAR圖像分割結(jié)果O
2.根據(jù)權(quán)利要求1所述的基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，其特征在于，其中步驟2所提出的基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法，包括有如下步驟: .2.1.對素描圖中的素描線進(jìn)行聚集度分析，如果存在聚集的素描線，進(jìn)行步驟2.2 ;如果不存在聚集的素描線，則跳至步驟2.4 ； .2.2.分別標(biāo)記聚集的素描線和代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線； .2.3.利用聚集區(qū)域提取方法在素描圖上得到覆蓋所有聚集素描線的區(qū)域，并標(biāo)注該區(qū)域； 2.4.對于代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線，提出基于形狀的素描線補(bǔ)全方法得到素描線補(bǔ)全結(jié)果及劃分的區(qū)域，并標(biāo)注該區(qū)域； 2.5.對于補(bǔ)全后的素描線，以每條線上每個點(diǎn)為中心提取5X5的幾何結(jié)構(gòu)窗作為結(jié)構(gòu)區(qū)域，并標(biāo)記該區(qū)域； 2.6.綜合上述區(qū)域提取結(jié)果，得到了待分割的整幅SAR圖像的區(qū)域圖。
3.根據(jù)權(quán)利要求2所述的基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，其特征在于，其中步驟2.4所提出的基于形狀的素描線補(bǔ)全方法，包括有如下步驟: . 2.4.1.對素描圖中除聚集區(qū)域以外的每條素描線，進(jìn)行如下過程，對當(dāng)前素描線的一個端點(diǎn)P1，首先在其5*5的方形鄰域內(nèi)查找是否有其它素描線的端點(diǎn)，若有，從中選擇最長素描線的端點(diǎn)，并使用線段將Pl與最長素描線的端點(diǎn)進(jìn)行連接，然后對新連接的這個最長素描線的另一個端點(diǎn)，繼續(xù)執(zhí)行這個過程，直到端點(diǎn)5*5方形鄰域內(nèi)沒有新的素描線端點(diǎn)為止；對于當(dāng)前素描線的另一個端點(diǎn)P2，重復(fù)和Pl —樣的過程； . 2.4.2對經(jīng)過步驟2.4.1連接后的素描線按照長度進(jìn)行排序，然后按照長度從大到小的順序判斷素描線是否是L形狀或U形狀的素描線，判斷L形狀或U形狀的素描線的方法是從一個端點(diǎn)到另一個端點(diǎn)遍歷組成素描線的線段，并記錄相鄰線段的方向差值的絕對值，如果方向差值的絕對值超過閾值a的次數(shù)發(fā)生一次，該素描線就是L形狀的素描線；如果方向差值的絕對值超過閾值a的次數(shù)發(fā)生兩次，該素描線就是U形狀的素描線；然后對L形狀或U形狀的素描線，執(zhí)行步驟2.4.3 ; . 2.4.3.判斷當(dāng)前L形狀或U形狀素描線的端點(diǎn)Pl在低閾值素描圖中相應(yīng)位置的自適應(yīng)窗口鄰域內(nèi)是否有其它素描線的端點(diǎn)，如果有，按照如下策略選擇一個端點(diǎn)Tl，即Tl所在素描線的另一個端點(diǎn)T2與當(dāng)前素描線的另一個端點(diǎn)P2的距離最近且用線段連接后只會形成一個封閉區(qū)域，然后對選擇的素描線的端點(diǎn)T2，繼續(xù)該過程，直至端點(diǎn)自適應(yīng)窗口鄰域范圍內(nèi)沒有新的素描線端點(diǎn)為止；對于當(dāng)前素描線的端點(diǎn)P2,重復(fù)和端點(diǎn)Pl —樣的過程。
【文檔編號】G06T7/00GK104463882SQ201410773612
【公開日】2015年3月25日 申請日期:2014年12月15日 優(yōu)先權(quán)日:2014年12月15日
【發(fā)明者】劉芳, 馬文萍, 劉佳, 李玲玲, 焦李成, 郝紅俠, 楊淑媛, 孫濤, 張向榮, 尚榮華 申請人:西安電子科技大學(xué)