基于多特征聯(lián)合稀疏圖的sar圖像分割方法
【專利摘要】本發(fā)明公開了一種基于多特征聯(lián)合稀疏圖的SAR圖像分割方法，主要解決現(xiàn)有方法對分割結(jié)果產(chǎn)生不利影響以及圖像規(guī)模增大影響計算復(fù)雜度的問題。其實現(xiàn)步驟為：1)輸入待分割圖像；2)將待分割圖像進(jìn)行過分割得到超像素；3)提取超像素的四個特征集；4)對四個特征集進(jìn)行聯(lián)合稀疏表示得到四個稀疏表示系數(shù)；5)將四個稀疏表示系數(shù)融合為一個全局稀疏表示系數(shù)；6)計算超像素的局部空間鄰域相關(guān)性；7)將全局稀疏表示系數(shù)與局部空間鄰域相關(guān)性相結(jié)合生成聯(lián)合稀疏圖；8)使用譜聚類算法分割聯(lián)合稀疏圖的頂點得到最終的分割結(jié)果。本發(fā)明能有效分割SAR圖像并不受噪聲影響，可用于SAR圖像的自動目標(biāo)識別。
【專利說明】基于多特征聯(lián)合稀疏圖的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】，特別涉及一種SAR圖像的分割，用于SAR圖像目標(biāo) 識別。

【背景技術(shù)】
[0002]合成孔徑雷達(dá)SAR是一種高分辨成像雷達(dá)，能穿透云層和植被，幾乎不受氣候條 件影響，可以全天時、全天候進(jìn)行工作，因此在地面監(jiān)測和識別中得到廣泛應(yīng)用。SAR系統(tǒng)的 自身特點導(dǎo)致SAR圖像不像光學(xué)遙感圖像直觀，所以SAR圖像的后期理解和解譯也極為關(guān) 鍵。SAR圖像分割作為SAR圖像解譯的關(guān)鍵環(huán)節(jié)之一，近些年來已經(jīng)引起了廣泛關(guān)注。已有 很多方法被用于SAR圖像分割，如：閾值、聚類、支撐矢量積、馬爾科夫隨機(jī)場等。
[0003]基于支撐矢量積和馬爾科夫隨機(jī)場的分割方法需要少量的樣本，這對于SAR圖像 是很難準(zhǔn)確獲取的。而對于閾值分割方法，通常很難選取一個合適的閾值。目前已有很多 成熟的聚類算法被用于SAR圖像分割，但大部分聚類方法都是基于像素的；這類方法的復(fù) 雜度會隨著圖像規(guī)模的增加而急劇增大，從而影響聚類方法的推廣與應(yīng)用。
[0004]另外，由于SAR圖像是通過雷達(dá)回波的干涉作用而獲得的，所以SAR圖像本身不可 避免的含有相干斑噪聲。眾所周知，在SAR圖像解譯中，對SAR圖像相干斑噪聲的抑制是極 為關(guān)鍵的。已有的SAR圖像分割算法為了避免噪聲對分割結(jié)果的影響，大部分方法都先使 用濾波算法對SAR圖像進(jìn)行預(yù)處理，再應(yīng)用其它技術(shù)對其進(jìn)行分割。然而，濾波算法在降低 噪聲的同時，圖像中的邊緣和紋理會變模糊，這就造成了圖像中部分細(xì)節(jié)不可逆轉(zhuǎn)的丟失， 進(jìn)而可能導(dǎo)致最終分割結(jié)果不精確。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于聯(lián)合稀疏圖的SAR圖 像分割方法，以避免相干斑噪聲和參數(shù)選擇的影響，獲得較好的SAR圖像分割結(jié)果。
[0006]為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下步驟：
[0007] ⑴輸入待分割SAR圖像，確定需要將圖像劃分的類數(shù)k > 2 ;
[0008] (2)使用區(qū)域生長算法對輸入的待分割SAR圖像進(jìn)行過分割，生成多個表示同質(zhì) 區(qū)域的超像素集Y ;
[0009] (3)對超像素集Y中的每個超像素提取其灰度直方圖特征、局部二值模式直方圖 特征、Gabor濾波器組特征、灰度共生矩陣統(tǒng)計特征，構(gòu)成灰度直方圖特征集Χι、局部二值模 式直方圖特征集X 2、Gabor濾波器組特征集χ3、灰度共生矩陣概率統(tǒng)計特征集χ4 ;
[00^0] (4)對所有超像素的上述四個特征集Χ2, Χ3, Χ4進(jìn)行聯(lián)合稀疏表示，分別得到四 個特征集合的稀疏表示系數(shù)Zl，Ζ2, Ζ3, Ζ4,每個稀疏表示系數(shù)的大小為ηΧη，η為超像素個 數(shù)；
[00川⑶在四個ηΧη大小的稀疏表示系數(shù)Ζι，ζ2，Ζ3，ζ 4中依次分別取任意相同位置 的兀素[Ζ1] "，[Ζ2] [Ζ3] [Ζ4] i」，其中，1 < i在η，1 < j < η，將這四個元素融合， 得到全局稀疏表不系數(shù)中相同位置的元素

【權(quán)利要求】
1.基于多特征聯(lián)合稀疏圖的SAR圖像分割方法，包括如下步驟： (1) 輸入待分割SAR圖像，確定需要將圖像劃分的類數(shù)k彡2 ; (2) 使用區(qū)域生長算法對輸入的待分割SAR圖像進(jìn)行過分割，生成多個表示同質(zhì) 的超像素集Y ; ' (3) 對超像素集Y中的每個超像素提取其灰度直方圖特征、局部二值模式直方圖特征、 Gabor濾波器組特征、灰度共生矩陣統(tǒng)計特征，構(gòu)成灰度直方圖特征集&、局部二值模式直 方圖特征集X2、Gabor濾波器組特征集χ 3、灰度共生矩陣概率統(tǒng)計特征集& ; (4) 對所有超像素的上述四個特征集X" χ2, χ3, χ4進(jìn)行聯(lián)合稀疏表示，分別得到四個特 征集合的稀疏表示系數(shù)Ζ" Ζ2, Ζ3, Ζ4,每個稀疏表示系數(shù)的大小為ηχη，η為超像素個數(shù)； (5) 在四個ηχη大小的稀疏表示系數(shù)Ζι，ζ2, & &中依次分別取任意相同位置的元素 [Ζ1]"，[Ζ2]^，[Ζ3]^，[Ζ4]^，其中，1彡i彡η，?彡j彡 η，將這四個元素融合，得到全局稀 疏表不系數(shù)中相同位置的元素
，對四個稀疏表 示系數(shù)中的每個元素都按照上式進(jìn)行融合，得到全局稀疏表示系數(shù)
? (6) 根據(jù)超像素的相鄰關(guān)系構(gòu)造出超像素的局部空間鄰域相關(guān)性c，該局部空間鄰域 相關(guān)性c是一個以超像素個數(shù)為行數(shù)和列數(shù)的方陣，對于任意兩個超像素 Yi與Yj，當(dāng)Yi與 Yj相鄰時，C中第i行的第j個元素 h的值為1,否則L的值為〇 ; (7) 將全局稀疏表示系數(shù)S與局部空間鄰域相關(guān)性c相結(jié)合，生成聯(lián)合稀疏圖的鄰接 矩陣6=(1/2)卬+?)，其中？ = 8.卿((：/2〇2)，1'表示轉(zhuǎn)置，〇是一個正則參數(shù)，取值為 1.4； (8) 使用譜聚類中規(guī)范切Ncuts算法將聯(lián)合稀疏圖的頂點劃分為1^類，得到最終分割結(jié) 果。
2·根據(jù)權(quán)利要求1所述的基于多特征聯(lián)合稀疏圖的SAR圖像分割方法，其中所述步驟 ⑶中直方圖特征集\，按如下步驟構(gòu)成： ' (3a)統(tǒng)計每個超像素的直方圖，將任意一個超像素 γ』的直方圖特征排成一列,得到超 像素 Y」的直方圖特征列向量Xu ; (3b)按照超像素集Y中超像素的順序，將所有超像素的直方圖特征列向量依次排列構(gòu) 成直方圖特征集& = (χ^,χ^，…，χ^.，...，xln)，其中，1彡j彡n，n為超像素個數(shù)。
3.根據(jù)權(quán)利要求1所述的基于多特征聯(lián)合稀疏圖的SAR圖像分割方法，其中所述步驟 (3)中局部二值模式直方圖特征集X2，按如下步驟構(gòu)成： (3c)對待分割SAR圖像的每個像素，在其八鄰域內(nèi)計算出局部二值模式，統(tǒng)計每個超 像素的局部二值模式直方圖； (3d)將任意一個超像素 Yj的局部二值模式直方圖特征排成一列，得到超像素Yj的局 部二值模式直方圖特征列向量x2>j ; ' (3e)按照超像素集Y中超像素的順序，將所有超像素的局部二值模式直方圖特征列 向量依次排列構(gòu)成局部二值模式直方圖特征集X2 = (x2;1，x2,2，…，x2』，…，x 2 J，其中， 1. j < η，η為超像素個數(shù)。
4. 根據(jù)權(quán)利要求1所述的基于多特征聯(lián)合稀疏圖的SAR圖像分割方法，其中所述步驟 (3)中Gabor濾波器組特征集Χ3,按如下步驟構(gòu)成： (3f)計算出5個尺度、8個方向共40種Gabor濾波器，構(gòu)成Gabor濾波器組，使用Gabor 濾波器組對待分割SAR圖像進(jìn)行濾波，并計算每個超像素的每種濾波器濾波結(jié)果的平均 值； (3g)將任意一個超像素 Y」的40個Gabor濾波結(jié)果平均值排成一列，得到超像素\的 Gabor濾波器組特征列向量χ3,」； (?)按照超像素集Y中超像素的順序，將所有超像素的Gabor濾波器組特征列向量依 次排列構(gòu)成Gabor濾波器組特征集X3 = (Xy, χ3,2,…，χ3，」，…，χ3，η)，其中，1 < j < η，η為 超像素個數(shù)。 ' ' ' '
5. 根據(jù)權(quán)利要求1所述的基于多特征聯(lián)合稀疏圖的SAR圖像分割方法，其中所述步驟 (3)中灰度共生矩陣概率統(tǒng)計特征集Χ4,按如下步驟構(gòu)成： CBi)計算每個超像素的灰度共生矩陣，統(tǒng)計灰度共生矩陣的14種概率統(tǒng)計特征：角二 階距、對比度、相關(guān)性、平方總和、逆差矩、平均總和、方差總和、熵、熵總和、變差、熵的方差、 X方向信息相關(guān)性、Y方向信息相關(guān)性、最大相關(guān)系數(shù)； (3 j)將任意一個超像素 Y」的14種概率統(tǒng)計特征排成一列，得到超像素Yj的灰度共生 矩陣概率統(tǒng)計特征列向量x4，j; (3k)按照超像素集Y中超像素的順序，將所有超像素的灰度共生矩陣概率統(tǒng)計特征列 向量依次排列構(gòu)成灰度共生矩陣概率統(tǒng)計特征集χ4 = (X4 i，x4 2，…，X4 j，…，X4 n)，其中， 1 < j < η，η為超像素個數(shù)。
6·根據(jù)權(quán)利要求1所述的基于多特征聯(lián)合稀疏圖的SAR圖像分割方法，其中步驟（4) 所述的對所有超像素的上述四個特征集Χ1; χ2, χ3, χ4進(jìn)行聯(lián)合稀疏表示，通過如下公式進(jìn) 行：
9 s. t. diag (Zf) = 0, f = 1, ···, m, 其中^=&1，％，2，...，^，...，\」表示第 :?種特征集合，1是超像素集￥中第]· 個超像素的特征，η是超像素個數(shù)；α > 〇和> 〇是兩個權(quán)衡各部分作用的參數(shù)，其取 值為α = 〇· 5, β = 〇· 3, m = 4 ; | | · | |F表示矩陣的F范數(shù)；| |Zf| I。。。為&每列的丄范 數(shù)；當(dāng)f = 1時特征集合&的稀疏表示系數(shù)為Ζι，當(dāng)f = 2時特征集^ &的稀疏表示系數(shù) 為Z2，當(dāng)f、= 3時特征集合χ3的稀疏表示系數(shù)為Z3，當(dāng)f = 4時特征集合&的稀疏表示系 數(shù)為Ζ4, Ζ為四個稀疏表示系數(shù)Zl，ζ2, ζ3, ζ4的聯(lián)合稀疏表示系數(shù)，其具體形式如下：
式中ΜΖ111>2為聯(lián)合稀疏表示系數(shù)ζ的L 2范數(shù)，|Wp =寫^^，其中為ζ中第 i行的第j個元素，其中1彡i彡n，1彡j彡η。
【文檔編號】G06T7/00GK104217436SQ201410472497
【公開日】2014年12月17日 申請日期:2014年9月16日 優(yōu)先權(quán)日:2014年9月16日
【發(fā)明者】焦李成, 古晶, 馬文萍, 楊淑媛, 劉紅英, 熊濤, 侯彪, 王爽, 霍麗娜 申請人:西安電子科技大學(xué)