本發(fā)明屬于圖像分割技術(shù)領(lǐng)域，具體涉及一種基于馬爾可夫模型的合成孔徑雷達(dá)圖像快速分割方法。

背景技術(shù)：

合成孔徑雷達(dá)(syntheticapertureradar，以下簡(jiǎn)稱sar)能夠在全氣候條件下全天提供高分辨率圖像。當(dāng)前sar圖像分割的主要方法是基于模型驅(qū)動(dòng)的，通過(guò)對(duì)分割問(wèn)題構(gòu)建數(shù)學(xué)模型實(shí)現(xiàn)sar圖像分割，往往能得到較為理想的分割結(jié)果。但隨著sar成像技術(shù)的發(fā)展，海量的、高分辨率的雷達(dá)圖像給分割解譯工作的效率提出了嚴(yán)苛的要求，所以如何提高sar圖像分割速度是當(dāng)前sar圖像分割方法研究的重點(diǎn)。

基于模型驅(qū)動(dòng)的圖像分割算法，以圖像的先驗(yàn)知識(shí)為基礎(chǔ)，對(duì)分割問(wèn)題進(jìn)行建模，通常將分割問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題。那么提高分割速度的方法就主要為優(yōu)化迭代算法和減少待處理目標(biāo)數(shù)量?jī)煞矫媪?。?yōu)化迭代算法是從迭代運(yùn)算過(guò)程入手，對(duì)算法本身或者整個(gè)流程進(jìn)行簡(jiǎn)化，以達(dá)到加速的目的，一般而言難度較大，且適用性不高，容易出現(xiàn)重大問(wèn)題。減少待處理目標(biāo)數(shù)量，是算法加速的最直接的方法，其以不改變算法核心部分，實(shí)現(xiàn)簡(jiǎn)單，成為算法加速中最常用的方法。當(dāng)確定以減少待處理目標(biāo)對(duì)象數(shù)量來(lái)實(shí)現(xiàn)算法加速后，如何有效的、合理的實(shí)現(xiàn)對(duì)象減少就成為了主要問(wèn)題。

圖像的鄰域系統(tǒng)，也就是圖像中每一像素鄰域關(guān)系的集合，一般而言表現(xiàn)為網(wǎng)格化。網(wǎng)格化的鄰域系統(tǒng)也有利于大量圖像處理算法的實(shí)現(xiàn)，尤其是基于模型驅(qū)動(dòng)的圖像分割算法。對(duì)圖像像素進(jìn)行操作減少算法待處理對(duì)象，一般而言有提取代表性對(duì)象、歸納圖像先驗(yàn)信息等方法，也就是說(shuō)，如何實(shí)現(xiàn)利用更少的信息描述原有圖像的信息是加速的關(guān)鍵。而該過(guò)程，往往伴隨著原有網(wǎng)格化系統(tǒng)的打破，進(jìn)而影響到算法的實(shí)現(xiàn)。合理的鄰域系統(tǒng)的建立，使得算法加速的同時(shí)，最大限度的保有原算法的分割效果。反之，未能充分描述圖像信息則使得分割效果出現(xiàn)嚴(yán)重的誤分等情況。對(duì)于算法本身而言，如何建立新的鄰域系統(tǒng)，即描述每一對(duì)象的鄰域關(guān)系，是算法實(shí)現(xiàn)部分難度最大的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了克服上述針對(duì)sar圖像分割的不足之處，以達(dá)到sar圖像分割速度更快，提供一種基于馬爾可夫模型的sar圖像快速分割方法。馬爾可夫模型，也稱為馬爾可夫隨機(jī)場(chǎng)模型(markovrandomfieldmodel，以下簡(jiǎn)稱mrf模型)，是指滿足正定性和馬爾可夫性的隨機(jī)場(chǎng)模型，它結(jié)合bayes理論，提供了不確定性描述與先驗(yàn)知識(shí)聯(lián)系的紐帶，并利用觀測(cè)圖像，根據(jù)統(tǒng)計(jì)決策和估計(jì)理論中的最優(yōu)準(zhǔn)則確定分割問(wèn)題的目標(biāo)函數(shù)，求解滿足這些條件的最大可能分布，從而將分割問(wèn)題轉(zhuǎn)化為最優(yōu)化問(wèn)題。mrf模型可以將元素的空間關(guān)系緊密結(jié)合起來(lái)，能夠充分反應(yīng)圖像的潛在結(jié)構(gòu)以及圖像的隨機(jī)性；通過(guò)嚴(yán)密的數(shù)學(xué)推導(dǎo)和實(shí)現(xiàn)，可以得到效果良好的分割結(jié)果。對(duì)于基于mrf模型的sar圖像分割算法的加速，以基于聚類(lèi)思想的超像素算法，作為減少待處理對(duì)象的方法，并針對(duì)超像素預(yù)處理結(jié)果生成新的鄰域系統(tǒng)并結(jié)合mrf模型實(shí)現(xiàn)最后的分割。

第一步，利用簡(jiǎn)單線性迭代聚類(lèi)(simplelineariterativeclustering，以下簡(jiǎn)稱slic)超像素算法對(duì)sar圖像進(jìn)行預(yù)處理，選擇合適的分割步長(zhǎng)，保證預(yù)處理結(jié)果不出現(xiàn)欠分割和嚴(yán)重的過(guò)分割現(xiàn)象，該方法為傳統(tǒng)技術(shù)，本發(fā)明直接使用其傳統(tǒng)方法，在此就不再贅述，通過(guò)該處理方法獲得分割步長(zhǎng)。

本文使用的slic算法，利用顏色相似度和空間距離關(guān)系，以局部迭代聚類(lèi)實(shí)現(xiàn)快速的圖像分割。

第二步，對(duì)slic預(yù)處理結(jié)果生成偽網(wǎng)格化鄰域系統(tǒng)。

偽網(wǎng)格化(pseudo-meshing)，就是假設(shè)slic預(yù)處理結(jié)果的所有超像素塊的節(jié)點(diǎn)信息，是按照網(wǎng)格化排列的。首先，根據(jù)超像素分割結(jié)果中圖像像素點(diǎn)信息，即每個(gè)像素點(diǎn)的橫縱坐標(biāo)rk和ck，以及像素點(diǎn)的灰度值gk，對(duì)超像素塊的節(jié)點(diǎn)信息進(jìn)行描述：

d(i,j)＝max(|r(i)-r(j)|,|c(i)-c(j)|)

其中用塊內(nèi)均值表示超像素塊節(jié)點(diǎn)信息，包括橫縱坐標(biāo)r(i)和c(i)；對(duì)于節(jié)點(diǎn)間關(guān)系，考慮到處理速度原因，使用最大距離而不是歐式距離表示節(jié)點(diǎn)間距離d(i,j)。在得到每個(gè)超像素塊節(jié)點(diǎn)信息后，按照網(wǎng)格化排列方式，計(jì)算每個(gè)超像素塊節(jié)點(diǎn)在網(wǎng)格中的位置所在，得到待處理圖像。由于該待處理圖像相比于原圖像要小得多，故簡(jiǎn)稱為“小圖”。待所有節(jié)點(diǎn)位置計(jì)算完畢，對(duì)小圖中出現(xiàn)的空白點(diǎn)進(jìn)行處理，即將其2階鄰域所有點(diǎn)灰度值均值賦予該空白點(diǎn)。另，對(duì)節(jié)點(diǎn)位置計(jì)算過(guò)程中的重復(fù)落點(diǎn)情況進(jìn)行判斷：若重復(fù)落點(diǎn)的兩個(gè)節(jié)點(diǎn)的灰度差值在一個(gè)識(shí)別區(qū)間，則認(rèn)為這兩個(gè)節(jié)點(diǎn)屬同一分割類(lèi)別，否則相反。識(shí)別區(qū)間以圖像灰度最大差值和分割總像素塊數(shù)而決定。

第三步，對(duì)slic預(yù)處理結(jié)果生成下采樣鄰域系統(tǒng)。

與偽網(wǎng)格化鄰域系統(tǒng)類(lèi)似，下采樣鄰域系統(tǒng)同樣假設(shè)slic預(yù)處理結(jié)果中的超像素塊節(jié)點(diǎn)是按照網(wǎng)格化進(jìn)行排列的。以超像素塊平均面積大小和圖像整體大小為依據(jù)，選擇合適的采樣步長(zhǎng)，對(duì)slic預(yù)處理結(jié)果進(jìn)行下采樣，直接得到無(wú)空白點(diǎn)的待處理小圖。對(duì)slic預(yù)處理結(jié)果中遺漏的節(jié)點(diǎn)信息進(jìn)行判斷處理，使遺漏點(diǎn)與其最近中心點(diǎn)進(jìn)行對(duì)比判斷：

其中像素塊大小為ss，識(shí)別區(qū)間步長(zhǎng)設(shè)為j，識(shí)別區(qū)間灰度設(shè)為g，最近的中心點(diǎn)的距離為lm，最近的中心點(diǎn)的灰度值為gm，該“遺漏”點(diǎn)的灰度值為gt。根據(jù)遺漏節(jié)點(diǎn)的大小和灰度值，以及其與最近節(jié)點(diǎn)的距離和灰度差值，再加上整個(gè)分割的識(shí)別區(qū)間和步長(zhǎng)，做出分割類(lèi)別的判斷。

第四步，將兩種鄰域系統(tǒng)分別帶入基于mrf模型的分割算法中進(jìn)行分割操作。

本文采用的mrf模型采用了有限正態(tài)混合模型(finitegaussmaturedmodel，以下簡(jiǎn)稱fgmm)描述的特征場(chǎng)，potts模型描述的標(biāo)號(hào)場(chǎng)，迭代條件模式(iterativeconditionmodel，以下簡(jiǎn)稱icm)算法作為分割算法。

fgmm模型，是對(duì)圖像的每個(gè)具有相似特征區(qū)域的局部，建立混合高斯模型。這種方法可以看作是基于局部區(qū)域和基于高斯函數(shù)的聯(lián)合方法，在適用性、復(fù)雜性等方面做到了均衡。potts模型的取值范圍是多個(gè)值。但和ising模型一樣的是，該模型也規(guī)定每個(gè)位置僅有兩種取值。假設(shè)圖像中某一點(diǎn)像素為xk，則potts模型中的條件概率可以表示為：

其中，是i像素其鄰域像素的集合，α和β是對(duì)應(yīng)的勢(shì)參數(shù)。potts模型的局部概率為：

icm算法主要是對(duì)圖像像素逐點(diǎn)更新達(dá)到圖像分割的目的。假設(shè)圖像y＝{y1,y2,…,yn}的每個(gè)像素yi在給定初始分割結(jié)果x的條件下是相互獨(dú)立的，且yi關(guān)于x的條件分布只依賴于該像素的標(biāo)號(hào)xi，即

f(yi|x)＝f(yi|xi)

因此，y關(guān)于x的條件分布可以表示為

于是最后的分割結(jié)果就可以表示為

第五步，對(duì)分割結(jié)果進(jìn)行后處理。將小圖分割結(jié)果按照之前鄰域系統(tǒng)生成時(shí)的對(duì)應(yīng)關(guān)系，對(duì)照回slic預(yù)處理結(jié)果，得到兩種鄰域情況下的分割結(jié)果。

第六步，評(píng)估兩種鄰域系統(tǒng)不同的分割情況并進(jìn)行取舍。

對(duì)分割結(jié)果進(jìn)行監(jiān)督的評(píng)估，采用以diceratio和sa為主要評(píng)估參數(shù)。監(jiān)督評(píng)估是將分割結(jié)果和人工標(biāo)注的真值圖進(jìn)行對(duì)比評(píng)估。其中，diceratio是由分割的正確性precision和敏感性recall綜合評(píng)估而來(lái)。為評(píng)判該次分割結(jié)果，引入下列幾個(gè)參數(shù)：真陽(yáng)性(truepositive，簡(jiǎn)記為tp)即陽(yáng)性區(qū)域中的真目標(biāo)數(shù)量，假陽(yáng)性(falsepositive，簡(jiǎn)記為fp)即陽(yáng)性區(qū)域中的假目標(biāo)數(shù)量，真陰性(truenegative，簡(jiǎn)記為tn)即陰性區(qū)域中的真目標(biāo)數(shù)量，假陰性(falsenegative，簡(jiǎn)記為fn)即陰性區(qū)域中的假目標(biāo)數(shù)量。由此，精度precision和敏感性recall就可以定義為：

分割精度sa為

其中，tk表示區(qū)域rk的真值。

根據(jù)上述四個(gè)評(píng)估參數(shù)的評(píng)估情況選取最后的分割結(jié)果。

本發(fā)明的有益效果為：相比于現(xiàn)有技術(shù)，本發(fā)明的方法大幅度提高了圖像分割速度且最大程度地保留了分割質(zhì)量。

附圖說(shuō)明

圖1為mrf模型中網(wǎng)格化鄰域系統(tǒng)結(jié)構(gòu)；

圖2為slic算法原理圖；

圖3為diceratio監(jiān)督評(píng)估原理圖。

具體實(shí)施方式

發(fā)明內(nèi)容部分已經(jīng)對(duì)本發(fā)明的技術(shù)方案做了詳細(xì)描述，在此不再贅述。