本發(fā)明涉及一種基于超像素的區(qū)域合并sar圖像海岸線(xiàn)檢測(cè)算法，屬于海岸線(xiàn)檢測(cè)領(lǐng)域。

背景技術(shù)：

合成孔徑雷達(dá)是一種主動(dòng)式微波探測(cè)器，利用合成孔徑原理、信號(hào)處理方法和脈沖壓縮技術(shù)，通過(guò)較小尺寸的真實(shí)天線(xiàn)孔徑合成較大的等效天線(xiàn)孔徑來(lái)成像。sar圖像已廣泛應(yīng)用于戰(zhàn)略目標(biāo)的識(shí)別探測(cè)、災(zāi)害控制、國(guó)土資源監(jiān)測(cè)、海域使用管理、地圖測(cè)繪、船艦?zāi)繕?biāo)識(shí)別、礦產(chǎn)勘探、農(nóng)作物生長(zhǎng)監(jiān)測(cè)等領(lǐng)域并發(fā)揮重要作用。在海域使用管理中，海岸線(xiàn)檢測(cè)是一個(gè)重要環(huán)節(jié)，通過(guò)檢測(cè)海岸線(xiàn)可以監(jiān)測(cè)海岸帶變化。由于填海造地、江河泥沙堆積等原因，使得海岸線(xiàn)不斷發(fā)生變化，能夠長(zhǎng)期監(jiān)測(cè)海岸線(xiàn)的變化，對(duì)海域使用的動(dòng)態(tài)監(jiān)測(cè)具有一定實(shí)際意義。但由于相干斑、海風(fēng)和陸地環(huán)境的復(fù)雜性等因素，使得海岸線(xiàn)檢測(cè)具有較大難度。當(dāng)海面或者陸地不均勻時(shí),已有的區(qū)域合并海岸線(xiàn)檢測(cè)算法容易出現(xiàn)無(wú)法合并的小區(qū)域，且需要人為設(shè)定合并的閾值。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)以上問(wèn)題的提出，一種基于超像素的區(qū)域合并sar圖像海岸線(xiàn)檢測(cè)算法，其特征在于包括如下步驟：

s1：讀取合成孔徑雷達(dá)sar(syntheticapertureradar)圖像i，輸入k個(gè)超像素的種子點(diǎn)；

s2：根據(jù)所述種子點(diǎn)的數(shù)量k和圖像的寬m和高n，計(jì)算種子點(diǎn)的位置；

s3：遍歷所述合成孔徑雷達(dá)圖像i，根據(jù)鄰域點(diǎn)j和種子點(diǎn)的相對(duì)位置關(guān)系確定鄰域點(diǎn)局部窗和種子點(diǎn)局部窗的形狀；所述鄰域點(diǎn)j是指位于中心點(diǎn)i的2像素×2像素的局部窗內(nèi)，分別計(jì)算出種子點(diǎn)局部窗和鄰域點(diǎn)局部窗內(nèi)鄰域點(diǎn)和中心點(diǎn)的相似程度si,j；

s4：在鄰域點(diǎn)和中心點(diǎn)的局部窗內(nèi)對(duì)所述鄰域點(diǎn)均值和中心點(diǎn)均值的相似程度si,j在局部窗內(nèi)采用聚類(lèi)算法求得ci，所述集合選取si,j接近1的鄰域點(diǎn)j作為和中心點(diǎn)i屬于同一類(lèi)的點(diǎn)，這些點(diǎn)的集合即ci，并計(jì)算各中心點(diǎn)i的均值和集合ci中每一個(gè)點(diǎn)均值的標(biāo)準(zhǔn)差作為中心點(diǎn)的特征；

s5：計(jì)算鄰域點(diǎn)j和其周?chē)恳粋€(gè)種子點(diǎn)的di,j；將鄰域點(diǎn)j合并di,j最小的種子點(diǎn)中，并更新種子點(diǎn)i的特征和位置；所述合并鄰域點(diǎn)j分配和中心點(diǎn)i相同的標(biāo)簽即兩者屬于同一類(lèi)；

s6：重復(fù)步驟s3-s5直至所有點(diǎn)的類(lèi)別都不在發(fā)生變化；

s7：計(jì)算超像素的像素均值，超像素內(nèi)像素?cái)?shù)量和超像素內(nèi)像素的標(biāo)準(zhǔn)差；遍歷所述圖像i，計(jì)算出超像素i和超像素j之間的相似性di,j和兩個(gè)超像素的相似性判斷的閾值e，當(dāng)di,j小于e的大小時(shí)合并超像素的區(qū)域；

s8：重復(fù)步驟s7，直到迭代前后超像素不再合并，則輸出海岸線(xiàn)檢測(cè)結(jié)果。

進(jìn)一步的，所述種子點(diǎn)的位置計(jì)算為：

在計(jì)算結(jié)果5像素×5像素的局部窗內(nèi)選擇梯度最小的像素為所述圖像i的一種子點(diǎn)。

進(jìn)一步的，所述si,j

其中，i表示中心點(diǎn)，j表示鄰域點(diǎn)，μ(xi,yi)表示i局部鄰域內(nèi)的均值，μ(xj,yj)表示j局部鄰域內(nèi)的均值。

進(jìn)一步的，所述dci,j

dci,j＝||(μi,σi)^t-(μj,σj)^t||

其中，μi表示第i類(lèi)超像素的均值，σi表示第i類(lèi)超像素標(biāo)準(zhǔn)差，μj表示第j類(lèi)超像素的均值，σj表示第j類(lèi)超像素標(biāo)準(zhǔn)差，m表示dci,j與dsi,j之間的權(quán)重系數(shù)，s表示第一次選取種子點(diǎn)時(shí)，兩個(gè)種子點(diǎn)之間的距離，t表示向量的轉(zhuǎn)置，xi表示超像素i中心點(diǎn)的行坐標(biāo)，xj表示超像素j中心點(diǎn)的行坐標(biāo)，yi表示超像素i中心點(diǎn)的列坐標(biāo)，yj表示超像素j中心點(diǎn)的列坐標(biāo)。

進(jìn)一步的，均值μ和每一個(gè)點(diǎn)局部窗內(nèi)均值的標(biāo)準(zhǔn)差σ為：

其中，ci表示種子點(diǎn)第二類(lèi)類(lèi)像素的集合，n表示ci中像素的個(gè)數(shù)，μs(xj,yj)表示(xj,yj)處像素局部窗內(nèi)的均值，表示集合ci中所有μs的均值。

進(jìn)一步的，所述更新種子點(diǎn)i的特征和位置為：

其中，s表示像素的位置，ls表示s處像素的標(biāo)簽值，ys表示s的列坐標(biāo)，表示更新后種子點(diǎn)的列坐標(biāo)，m表示第i類(lèi)超像素中種子點(diǎn)的數(shù)量。更新后種子點(diǎn)的行坐標(biāo)如下式：

其中，xs表示s的行坐標(biāo)，ls表示s處像素的標(biāo)簽值，m表示第i類(lèi)超像素中種子點(diǎn)的數(shù)量，表示更新后種子點(diǎn)的行坐標(biāo)。

進(jìn)一步的，所述超像素i和超像素j之間的相似性di,j：

其中，和表示超像素i和超像素j內(nèi)所有像素的均值，iter表示迭代次數(shù)，

其中，ni表示超像素i中像素的個(gè)數(shù)，nj表示超像素j中像素的個(gè)數(shù)，e表示的是兩個(gè)超像素的相似性判斷的閾值，

其中，和的表示超像素i和超像素j的均值，cj的表示鄰域超像素j對(duì)于中心超像素i的權(quán)重系數(shù)，

z1和z2表示超像素i和超像素j的統(tǒng)計(jì)量，

和表示超像素i和超像素j的標(biāo)準(zhǔn)差。

更進(jìn)一步的，當(dāng)所述si,j的值越接近于1時(shí)，則中心點(diǎn)i和鄰域點(diǎn)j相似性越大；當(dāng)si,j的值越接近于0時(shí)，則中心點(diǎn)i和鄰域點(diǎn)j相似性越小。

本發(fā)明的優(yōu)點(diǎn)在于：本發(fā)明提出一種基于超像素的區(qū)域合并sar圖像海岸線(xiàn)檢測(cè)算法，通過(guò)構(gòu)建一個(gè)新的局部窗，可以有效的解決傳統(tǒng)矩形窗中因含有邊緣導(dǎo)致計(jì)算出的特征模糊的問(wèn)題，通過(guò)該局部窗構(gòu)建一個(gè)相似性描述子，使得提取出的特征更加精確，使得超像素的邊緣貼合度更高。以超像素為基元，提出一種區(qū)域合并準(zhǔn)則，該準(zhǔn)則同時(shí)考慮了超像素的像素均值、相對(duì)大小和統(tǒng)計(jì)量信息，再根據(jù)鄰域信息得到確定局部閾值，解決了已有算法中需要人為設(shè)置閾值的問(wèn)題。

附圖說(shuō)明

為了更清楚的說(shuō)明本發(fā)明的實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖做一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明的整體流程圖。

圖2為本發(fā)明的局部窗的形狀示意圖。

圖3為本發(fā)明的檢測(cè)海岸線(xiàn)示意圖。

具體實(shí)施方式

為使本發(fā)明的實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚完整的描述：

如圖1、圖3所示，一種基于超像素的區(qū)域合并sar圖像海岸線(xiàn)檢測(cè)算法，包括如下步驟：

s1：讀取合成孔徑雷達(dá)sar(syntheticapertureradar)圖像i，輸入k個(gè)超像素的種子點(diǎn)；

s2：根據(jù)種子點(diǎn)的數(shù)量k和圖像的寬m和高n，計(jì)算種子點(diǎn)的位置；

s3：遍歷合成孔徑雷達(dá)圖像i，根據(jù)鄰域點(diǎn)j和種子點(diǎn)的相對(duì)位置關(guān)系確定鄰域點(diǎn)局部窗和種子點(diǎn)局部窗的形狀；鄰域點(diǎn)j是指位于中心點(diǎn)i的2像素×2像素的局部窗內(nèi)，分別計(jì)算出種子點(diǎn)局部窗和鄰域點(diǎn)局部窗內(nèi)鄰域點(diǎn)和中心點(diǎn)的相似程度si,j；

s4：在鄰域點(diǎn)和中心點(diǎn)的局部窗內(nèi)對(duì)鄰域點(diǎn)均值和中心點(diǎn)均值的相似程度si,j在局部窗內(nèi)采用聚類(lèi)算法求得ci，集合選取si,j接近1的鄰域點(diǎn)j作為和中心點(diǎn)i屬于同一類(lèi)的點(diǎn)，這些點(diǎn)的集合即ci，并計(jì)算各中心點(diǎn)的均值和集合ci中每一個(gè)點(diǎn)均值的標(biāo)準(zhǔn)差作為中心點(diǎn)的特征；

s5：計(jì)算鄰域點(diǎn)j和其周?chē)恳粋€(gè)種子點(diǎn)的di,j；將鄰域點(diǎn)j合并di,j最小的種子點(diǎn)中，并更新種子點(diǎn)i的特征和位置；合并鄰域點(diǎn)j分配和中心點(diǎn)i相同的標(biāo)簽即兩者屬于同一類(lèi)；

s6：重復(fù)步驟s3-s5直至所有點(diǎn)的類(lèi)別都不在發(fā)生變化；

s7：計(jì)算超像素的像素均值，超像素內(nèi)像素?cái)?shù)量和超像素內(nèi)像素的標(biāo)準(zhǔn)差；遍歷圖像i，計(jì)算出超像素i和超像素j之間的相似性di,j和兩個(gè)超像素的相似性判斷的閾值e，當(dāng)di,j小于e的大小時(shí)合并超像素的區(qū)域；

s8：重復(fù)步驟s7，直到迭代前后超像素不再合并，則輸出海岸線(xiàn)檢測(cè)結(jié)果。

在本實(shí)施方式中，種子點(diǎn)的位置計(jì)算為：

在計(jì)算結(jié)果5像素×5像素的局部窗內(nèi)選擇梯度最小的像素為圖像i的一種子點(diǎn)。在本實(shí)施方式中，如圖2(a)-(h)所示，局部窗的形狀其中b所在的3像素×3像素的局部窗是種子點(diǎn)的，a所在的3像素×3像素的局部窗是鄰域點(diǎn)的，種子點(diǎn)和鄰域點(diǎn)的局部窗是可以重合的，鄰域點(diǎn)局部窗中含a的像素形成的集合是鄰域點(diǎn)局部窗的形狀，中心點(diǎn)局部窗內(nèi)含b的像素形成的集合即中心點(diǎn)的局部窗。即中心點(diǎn)和鄰域點(diǎn)的局部窗不再是固定大小的3像素×3像素的局部窗而是變成了根據(jù)鄰域點(diǎn)和中心點(diǎn)的相對(duì)位置關(guān)系形成的三角形和矩形?？梢岳斫鉃樵谄渌麑?shí)施方式中，只要能夠在一定程度上剔除邊緣對(duì)計(jì)算中心點(diǎn)或鄰域點(diǎn)特征的影響即可。

在本實(shí)施方式中，si,j

其中，i表示中心點(diǎn)，j表示鄰域點(diǎn)，μ(xi,yi)表示i局部鄰域內(nèi)的均值，μ(xj,yj)表示j局部鄰域內(nèi)的均值。

作為優(yōu)選的實(shí)施方式，dci,j

dci,j＝||(μi,σi)^t-(μj,σj)^t||

其中，μi表示第i類(lèi)超像素的均值，σi表示第i類(lèi)超像素標(biāo)準(zhǔn)差，μj表示第j類(lèi)超像素的均值，σj表示第j類(lèi)超像素的標(biāo)準(zhǔn)差，m表示dci,j與dsi,j之間的權(quán)重系數(shù)，s表示第一次選取種子點(diǎn)時(shí)，兩個(gè)種子點(diǎn)之間的距離，t表示向量的轉(zhuǎn)置，xi表示超像素i中心點(diǎn)的行坐標(biāo)，xj表示超像素j中心點(diǎn)的行坐標(biāo)，yi表示超像素i中心點(diǎn)的列坐標(biāo)，yj表示超像素j中心點(diǎn)的列坐標(biāo)。

在本實(shí)施方式中，均值μ和每一個(gè)點(diǎn)局部窗內(nèi)均值的標(biāo)準(zhǔn)差σ為：

其中，ci表示種子點(diǎn)第二類(lèi)類(lèi)像素的集合，n表示ci中像素的個(gè)數(shù)，μs(xj,yj)表示(xj,yj)處像素局部窗內(nèi)的均值，表示集合ci中所有μs的均值。

作為優(yōu)選的實(shí)施方式，更新種子點(diǎn)i的特征和位置為：

其中，s表示像素的位置，ls表示s處像素的標(biāo)簽值，ys表示s的列坐標(biāo)，表示更新后種子點(diǎn)的列坐標(biāo)，m表示第i類(lèi)超像素中種子點(diǎn)的數(shù)量。更新后種子點(diǎn)的行坐標(biāo)如下式：

其中，xs表示s的行坐標(biāo)，ls表示s處像素的標(biāo)簽值，m表示第i類(lèi)超像素中種子點(diǎn)的數(shù)量，表示更新后種子點(diǎn)的行坐標(biāo)。

作為優(yōu)選的實(shí)施方式，超像素i和超像素j之間的相似性di,j：

其中，和表示超像素i和超像素j內(nèi)所有像素的均值，iter表示迭代次數(shù)，

其中，ni表示超像素i中像素的個(gè)數(shù)，nj表示超像素j中像素的個(gè)數(shù)，e表示的是兩個(gè)超像素的相似性判斷的閾值，

其中，和的表示超像素i和超像素j的均值，cj的表示鄰域超像素j對(duì)于中心超像素i的權(quán)重系數(shù)，

z1和z2表示超像素i和超像素j的統(tǒng)計(jì)量，

和表示超像素i和超像素j的標(biāo)準(zhǔn)差。

在本實(shí)施方式中，當(dāng)si,j的值越接近于1時(shí)，則中心點(diǎn)i和鄰域點(diǎn)j相似性越大；當(dāng)si,j的值越接近于0時(shí)，則中心點(diǎn)i和鄰域點(diǎn)j相似性越小?？梢岳斫鉃樵谄渌麑?shí)施方式中，只要能夠區(qū)分中心點(diǎn)i和鄰域點(diǎn)j的相似性即可。

實(shí)施例參數(shù)設(shè)置：

本發(fā)明的參數(shù)設(shè)置為：種子數(shù)k為300,dc與ds之間的權(quán)重系數(shù)m為0.5，超像素的最大迭代次數(shù)為10，局部窗的大小是3×3，區(qū)域合并的最大合并次數(shù)為7。

gamma分布水平集方法的參數(shù)設(shè)置為：最大迭代次數(shù)是10000，弧長(zhǎng)項(xiàng)系數(shù)μ為0.4，heaviside函數(shù)的幅度為1，c1和c2的權(quán)值均為1，時(shí)間步長(zhǎng)為0.1。

基于目標(biāo)的區(qū)域合并算法參數(shù)設(shè)置為：粗合并類(lèi)別數(shù)k為10，置信度λ為0.9。

實(shí)施例：

算法性能對(duì)比主要采用均方根誤差rmse和qa(overallaccuracy)作為精度分析指標(biāo)，首先進(jìn)行rmse對(duì)比，其計(jì)算公式如下：

其中rmse代表了手繪海岸線(xiàn)與各種算法提取海岸線(xiàn)的平均誤差，x1k表示人工手繪得到的海岸線(xiàn)提取結(jié)果的二值圖中第k個(gè)位置像素的像素值。x2k表示上述理論模型得到的海岸線(xiàn)提取結(jié)果的二值圖中第k個(gè)位置像素的像素值，n表示圖像像素?cái)?shù)。rmse值越小說(shuō)明與真實(shí)的海岸線(xiàn)越接近，精度越高。

針對(duì)envisat圖像，算法的rmse對(duì)比如表1所示。

表1針對(duì)envisat圖像的三種算法rmse對(duì)比

根據(jù)rmse表達(dá)式可知，rmse值越小說(shuō)明模型檢測(cè)結(jié)果和真實(shí)的海岸線(xiàn)結(jié)果越接近，水平集的方法和區(qū)域合并的方法并不能檢測(cè)出海岸線(xiàn)的真實(shí)位置，而本發(fā)明算法可實(shí)現(xiàn)海岸線(xiàn)精確的檢測(cè)，通過(guò)rmse值可以看出本專(zhuān)利算法檢測(cè)性能明顯優(yōu)于兩種對(duì)比算法，針對(duì)radarsat圖像，算法的rmse對(duì)比如表2所示。

表2針對(duì)radarsat圖像的三種算法rmse對(duì)比

從上述實(shí)驗(yàn)數(shù)據(jù)可以看出對(duì)于radarsat圖像中對(duì)于海面比較均勻且海陸對(duì)比度比較大的圖像，三種算法均能實(shí)現(xiàn)較好的實(shí)驗(yàn)結(jié)果，從rmse值可以看出本發(fā)明算法的性能要優(yōu)于其它兩種對(duì)比算法。

下面本專(zhuān)利采用性能指標(biāo)qa(overallaccuracy)作為以上三種算法的性能評(píng)價(jià)標(biāo)準(zhǔn)，其表達(dá)式為：

其中，x1s表示人工手繪海岸線(xiàn)結(jié)果s位置像素的標(biāo)簽值，x2s表示實(shí)驗(yàn)得到的海岸線(xiàn)結(jié)果s位置像素的標(biāo)簽值，m表示圖像的像素?cái)?shù)，s表示圖像位置集合。其含義是正確分類(lèi)的像素占整體的百分比，其中參考標(biāo)準(zhǔn)是人工確定的海岸線(xiàn)。當(dāng)qa的值越大，說(shuō)明得到的海岸線(xiàn)越精確。實(shí)驗(yàn)圖像與前一性能對(duì)比實(shí)驗(yàn)相同，針對(duì)envisat圖像，qa的性能指標(biāo)如表3所示。

表3針對(duì)envisat圖像的三種算法qa對(duì)比

針對(duì)radarsat圖像，qa的性能指標(biāo)如表4所示。

表4針對(duì)radarsat圖像的三種算法qa對(duì)比

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。