基于層次視覺語義的sar圖像分割方法
【專利摘要】本發(fā)明公開了一種基于層次視覺語義的SAR圖像分割方法，主要解決現(xiàn)有技術(shù)很難保持區(qū)域一致性及邊界、線目標定位不精確的問題。其實現(xiàn)步驟為：1.根據(jù)SAR圖像的素描圖，提取SAR圖像的區(qū)域圖，構(gòu)建層次視覺語義；2.根據(jù)區(qū)域圖將SAR圖像劃分為聚集、結(jié)構(gòu)和勻質(zhì)區(qū)域；3.對聚集區(qū)域進行分割；4.對結(jié)構(gòu)區(qū)域法進行分割；5.在結(jié)構(gòu)區(qū)域中設計視覺語義規(guī)則定位線目標；6.對勻質(zhì)區(qū)域進行分割；7.將聚集、結(jié)構(gòu)、勻質(zhì)區(qū)域和線目標的分割結(jié)果合并得到最終分割結(jié)果。本發(fā)明保持了SAR圖像中區(qū)域的一致性，提高了邊界和線目標的定位精度，實現(xiàn)了SAR圖像良好的分割效果，可用于后續(xù)的目標分類、識別和跟蹤。
【專利說明】基于層次視覺語義的SAR圖像分割方法

【技術(shù)領域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領域】，涉及SAR圖像分割方法，可用于后續(xù)目標識別和 跟蹤。

【背景技術(shù)】
[0002] 合成孔徑雷達SAR具有全天候全天時、穿透性、遠距離、高分辨率等成像特點，在 國防建設、國民經(jīng)濟與社會發(fā)展的各個領域獲得了廣泛的應用。SAR圖像分割是SAR圖像解 譯中一個基本而關(guān)鍵的問題，它是將人們感興趣的目標從圖像背景中提取出來，為后續(xù)的 分類、跟蹤、識別等處理提供基礎。
[0003] 現(xiàn)有的SAR圖像分割方法主要分為基于特征的方法和基于模型的方法兩大類。
[0004] 基于特征的方法，其主要強調(diào)圖像的特征，比如灰度共生矩陣特征、SAR-Sift特 征、Gabor特征等，這些特征很容易受SAR圖像相干斑噪聲的影響，使分割結(jié)果的一致性很 難保持。
[0005] 基于模型的方法，其由于考慮了圖像的上下文信息，因此受到了很大的關(guān)注，例如 Markov隨機場方法、基于區(qū)域的Markov隨機場方法和多項式隱模型方法等。Markov隨機場 方法是最基本的上下文方法，它用圖像的灰度特征作為似然模型，并用Gibbs分布作為圖 像的先驗模型，根據(jù)最大后驗準則得到圖像的分割結(jié)果。該方法沒有考慮SAR圖像的紋理 特征，并且使用了尺度較小的上下文窗口，容易造成SAR圖像過分割。基于區(qū)域的Markov隨 機場方法首先把圖像分割成超像素，在超像素上用Markov隨機場方法得到分割結(jié)果。該方 法雖然能在一定程度上提高區(qū)域一致性，但是仍然不能得到語義上一致性的區(qū)域。多項式 隱模型方法同時考慮圖像的灰度特征和紋理特征作為似然模型，并用具有聚集特性的多項 式邏輯回歸模型作為圖像的先驗模型，再用分類的期望最大化方法得到圖像的分割結(jié)果， 然而預先定義的上下文窗口不能滿足SAR圖像內(nèi)容多尺度的需求，在分割過程中容易造成 邊界定位不精確和線目標的丟失。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對上述已有方法的不足，提出了一種基于層次視覺語義的 SAR圖像分割方法，以提升SAR圖像的分割效果。
[0007] 本發(fā)明技術(shù)方案是這樣實現(xiàn)的：
[0008] 一.技術(shù)原理
[0009] 上述基于模型的方法由于沒有考慮圖像的語義信息，因此很難把SAR圖像分割成 語義上一致性的區(qū)域。這是由于SAR成像機制決定了 SAR圖像在刻畫地物上的目標時會出 現(xiàn)與目標對應的陰影，如一顆樹的亮斑和陰影，一棟房子的亮斑和陰影等。當許多樹、房子 聚集在一起組成森林、城區(qū)時，在SAR圖像中森林、城區(qū)這些場景會出現(xiàn)許多成對的明區(qū)域 和暗區(qū)域。現(xiàn)有的許多無監(jiān)督分割方法都會把明區(qū)域分成一類，暗區(qū)域分成另一類，而不會 把他們分成一致性的區(qū)域。事實上，SAR圖像是一些有意義的區(qū)域的組合，而低層的特征很 難滿足高層語義上的需求。因此，本發(fā)明是在SAR圖像分割中引入語義信息，并用語義信息 作為指導，使不同特性的區(qū)域能用適合區(qū)域特性的方法進行分割，在保持圖像分割結(jié)果一 致性的同時精確的定位圖像的邊界和線目標，實現(xiàn)SAR圖像語義分割。
[0010] 二?技術(shù)方案
[0011] 根據(jù)上述原理，本發(fā)明的技術(shù)方案包括如下步驟：
[0012] (1)根據(jù)SAR圖像的素描圖，提取SAR圖像的區(qū)域圖，構(gòu)建第一層為素描圖第二層 為區(qū)域圖的層次視覺語義信息；
[0013] (2)根據(jù)區(qū)域圖，將SAR圖像劃分為聚集、結(jié)構(gòu)和勻質(zhì)這三個區(qū)域；
[0014] (3)對聚集區(qū)域用水平集方法定位邊界，并用基于局部線性約束編碼的層次聚類 方法進行分割；
[0015] (4)在結(jié)構(gòu)區(qū)域中進行分割：
[0016] 4a)對結(jié)構(gòu)區(qū)域中的每個像素點，并建立基于該幾何結(jié)構(gòu)窗的多項式邏輯回歸先 驗模型，根據(jù)該模型，計算幾何結(jié)構(gòu)窗內(nèi)中心像素的先驗概率Pi ;
[0017] 4b)對結(jié)構(gòu)區(qū)域中的每個像素點，將其像素灰度的概率密度和紋理的概率密度相 乘得到似然概率^，其中灰度的概率密度由Nakagami分布得到，紋理的概率密度由t分布 得到；
[0018] 4c)將先驗概率Pl和似然概率p2相乘得到后驗概率p 12，根據(jù)最大后驗概率準則， 得到結(jié)構(gòu)區(qū)域分割結(jié)果；
[0019] (5)根據(jù)SAR圖像中的線目標和素描線的關(guān)系設計視覺語義規(guī)則：
[0020] 5a)設定線目標與素描線兩者之間的關(guān)系：
[0021] 設第i條素描線h與第j條素描線L之間的距離為Du，h的方向為Op L的方 向為0』，i，j G [1，2,. . .，S]，S為素描線的總條數(shù)；
[0022] 將寬度大于3個像素的線目標用兩條素描線1,和1」表示，^和1」之間的距離Du 小于且方向差（0「0」）小于10度，其中= 5 ;
[0023] 設定第s條素描線ls的幾何結(jié)構(gòu)窗ws內(nèi)每一列的平均灰度為Ap設定相鄰列的灰 度差為ADi = | A「Ai+11，設定zs = [zsl, zs2,. . .，zs9]為相鄰列的灰度差ADi的標記向星；
[0024] 將寬度小于3個像素的線目標用單個素描線ls表示，ls的幾何結(jié)構(gòu)窗w s內(nèi)，計算 相鄰列的灰度差ADp如果ADi > T2，則zsi = 1 ;否則zsi = 0, zs中有兩個元素的值為1，其 余為〇,其中T2 = 34 ;
[0025] 5b)根據(jù)上述關(guān)系，設計視覺語義規(guī)則如下：
[0026] 設U，L2是表示線目標的素描線的集合；
[0027] 規(guī)則1 :如果D。. < 并且| 0廠0」|，則1" 1」G Q ;
[0028] 規(guī)則2 :如果sum(zs) = 2,則ls G L2,其中sum( ?)表示參量元素的和；
[0029] (6)對線目標進行分割：
[0030] 在結(jié)構(gòu)區(qū)域的分割結(jié)果上，根據(jù)線目標的素描線的集合U，標記h和1」之間的區(qū) 域為線目標；
[0031] 在結(jié)構(gòu)區(qū)域的分割結(jié)果上，根據(jù)線目標的素描線的集合1^2，標記覆蓋ls的區(qū)域為 線目標；
[0032] (7)對勻質(zhì)區(qū)域進行分割：
[0033] 7a)對勻質(zhì)區(qū)域中的每個像素點，建立3X3的方形窗口，并計算該窗口的標準差 0 1 ；
[0034] 7b)將窗口增加兩行兩列，計算當前窗口的標準差〇 2 ;
[0035] 7c)設標準差閾值T3 = 3,如果| 〇「〇2| < T3，則把當前窗口作為最終的窗口大 小，執(zhí)行7d);否則返回到7b);
[0036] 7d)對勻質(zhì)區(qū)域的中每個像素點，根據(jù)步驟7c)得到的窗口大小，建立基于該窗口 的多項式邏輯回歸先驗模型，根據(jù)該模型，計算該窗口內(nèi)中心像素的先驗概率 Pl' ；
[0037] 7e)對勻質(zhì)區(qū)域中的每個像素點，將其像素灰度的概率密度和紋理的概率密度相 乘得到似然概率P 2'，其中灰度的概率密度由Nakagami分布得到，紋理的概率密度由t分布 得到；
[0038] 7f)將先驗概率Pl'與似然概率p2'相乘得到后驗概率p 12'，根據(jù)最大后驗概率準 貝U，得到勻質(zhì)區(qū)域分割結(jié)果；
[0039] (8)將聚集區(qū)域、結(jié)構(gòu)區(qū)域、線目標和勻質(zhì)區(qū)域的分割結(jié)果合并，得到最終分割結(jié) 果。
[0040] 本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：
[0041] 第一：本發(fā)明用SAR圖像素描圖，提取區(qū)域圖，構(gòu)建層次視覺語義信息，將層次視 覺語義引入SAR圖像分割，使分割結(jié)果具有語義上的一致性；
[0042] 第二：本發(fā)明考慮了 SAR圖像不同的結(jié)構(gòu)特性，根據(jù)區(qū)域圖，將SAR圖像劃分為聚 集、結(jié)構(gòu)和勻質(zhì)區(qū)域這三個區(qū)域，并針對不同特性的區(qū)域采用適合區(qū)域特性的方法進行分 害I]，在保持勻質(zhì)區(qū)域和聚集區(qū)域一致性的同時，提高了結(jié)構(gòu)區(qū)域的邊界定位精確。
[0043] 第三：本發(fā)明根據(jù)SAR圖像中的線目標和素描線的關(guān)系，設計視覺語義規(guī)則，提高 了線目標定位的準確性；
[0044] 仿真結(jié)果表明，本發(fā)明在保持SAR圖像分割中區(qū)域一致性的同時，對邊界和線目 標能進行精確的定位，提升了 SAR圖像的分割效果。

【專利附圖】

【附圖說明】
[0045] 圖1是本發(fā)明對SAR圖像分割的流程圖；
[0046] 圖2是本發(fā)明中線目標與素描線的關(guān)系示意圖；
[0047] 圖3是本發(fā)明中提取線目標的素描線子流程圖；
[0048] 圖4是本發(fā)明提取線目標的素描線結(jié)果圖；
[0049] 圖5是用本發(fā)明與現(xiàn)有方法對Ku波段分辨率為3米的Chianlake圖像分割結(jié)果 對比圖；
[0050] 圖6是用本發(fā)明與現(xiàn)有方法對Ku波段分辨率為1米的Piperiver圖像分割結(jié)果 對比圖。

【具體實施方式】
[0051] 參照圖1，本發(fā)明的實施步驟如下：
[0052] 步驟1，根據(jù)SAR圖像素描圖，提取區(qū)域圖，構(gòu)建層次視覺語義信息。
[0053] (1. 1)利用SAR圖像初始素描圖獲取方法，提取SAR圖像素描圖；
[0054] (1. 2)設第m條素描線乜與第n條素描線ln之間的距離為D"，m，n G [1，2,. . .，S]， S為素描線的總條數(shù)，定義1">的聚集度a(lm)為：

【權(quán)利要求】
1. 一種基于層次視覺語義的SAR圖像分割方法，其特征在于：包括如下步驟： (1) 根據(jù)SAR圖像的素描圖，提取SAR圖像的區(qū)域圖，構(gòu)建第一層為素描圖第二層為區(qū) 域圖的層次視覺語義信息； (2) 根據(jù)區(qū)域圖，將SAR圖像劃分為聚集、結(jié)構(gòu)和勻質(zhì)這三個區(qū)域； (3) 對聚集區(qū)域用水平集方法定位邊界，并用基于局部線性約束編碼的層次聚類方法 進行分割； (4) 在結(jié)構(gòu)區(qū)域中進行分割： 4a)對結(jié)構(gòu)區(qū)域中的每個像素點，根據(jù)素描線的方向建立幾何結(jié)構(gòu)窗，并建立基于該幾 何結(jié)構(gòu)窗的多項式邏輯回歸先驗模型，根據(jù)該模型，計算幾何結(jié)構(gòu)窗內(nèi)中心像素的先驗概 率Pi ; 4b)對結(jié)構(gòu)區(qū)域中的每個像素點，將其像素灰度的概率密度和紋理的概率密度相乘得 到似然概率P2，其中灰度的概率密度由Nakagami分布得到，紋理的概率密度由t分布得到； 4c)將先驗概率Pl和似然概率p2相乘得到后驗概率p12，根據(jù)最大后驗概率準則，得到 結(jié)構(gòu)區(qū)域分割結(jié)果； (5) 根據(jù)SAR圖像中的線目標和素描線的關(guān)系設計視覺語義規(guī)則： 5a)設定線目標與素描線兩者之間的關(guān)系： 設第i條素描線li與第j條素描線L之間的距離為Du，h的方向為Op L的方向為 Oj，i，j G [1，2, ? ? ?，S]，S為素描線的總條數(shù)； 將寬度大于3個像素的線目標用兩條素描線1,和1」表示，^和1」之間的距離Du小于 且方向差（0「0」）小于10度，其中= 5 ; 設定第s條素描線ls的幾何結(jié)構(gòu)窗ws內(nèi)每一列的平均灰度為Ap設定相鄰列的灰度差 為ADi = |Ai-Ai+1|，設定zs = [zsl, zs2,. . .，zs9]為相鄰列的灰度差ADi的標記向量； 將寬度小于3個像素的線目標用單個素描線ls表示，ls的幾何結(jié)構(gòu)窗ws內(nèi)，計算相鄰 列的灰度差AD。如果ADi > T2，則zsi = 1 ;否則zsi = 0, zs中有兩個元素的值為1,其余為 〇,其中 T2 = 34 ; 5b)根據(jù)上述關(guān)系，設計視覺語義規(guī)則如下： 設U，L2是表示線目標的素描線的集合； 規(guī)則1 :如果Du < 并且| 0廠0』| < 10,則U 1』G Q ; 規(guī)則2 :如果sum(zs) = 2,則ls G L2,其中sum( ?)表示參量元素的和； (6) 對線目標進行分割： 在結(jié)構(gòu)區(qū)域的分割結(jié)果上，根據(jù)線目標的素描線的集合1^，標記^和L之間的區(qū)域為 線目標； 在結(jié)構(gòu)區(qū)域的分割結(jié)果上，根據(jù)線目標的素描線的集合L2，標記覆蓋ls的區(qū)域為線目 標； (7) 對勻質(zhì)區(qū)域進行分割： 7a)對勻質(zhì)區(qū)域中的每個像素點，建立3X3的方形窗口，并計算該窗口的標準差〇 :; 7b)將窗口增加兩行兩列，計算當前窗口的標準差〇2 ; 7c)設標準差閾值T3 = 3,如果| 〇「〇2| <T3，則把當前窗口作為最終的窗口大小，執(zhí) 行7d);否則返回到7b); 7d)對勻質(zhì)區(qū)域的中每個像素點，根據(jù)步驟7c)得到的窗口大小，建立基于該窗口的多 項式邏輯回歸先驗模型，根據(jù)該模型，計算該窗口內(nèi)中心像素的先驗概率P' i ; 7e)對勻質(zhì)區(qū)域中的每個像素點，將其像素灰度的概率密度和紋理的概率密度相乘得 到似然概率P2'，其中灰度的概率密度由Nakagami分布得到，紋理的概率密度由t分布得 到； 7f)將先驗概率Pl'與似然概率p2'相乘得到后驗概率p12'，根據(jù)最大后驗概率準則，得 到勻質(zhì)區(qū)域分割結(jié)果； (8)將聚集區(qū)域、結(jié)構(gòu)區(qū)域、線目標和勻質(zhì)區(qū)域的分割結(jié)果合并，得到最終分割結(jié)果。
2. 根據(jù)權(quán)利要求1所述的基于層次視覺語義的SAR圖像分割方法，其特征在于：其中 步驟（1)所涉及根據(jù)SAR圖像的素描圖，提取SAR圖像的區(qū)域圖，構(gòu)建第一層為素描圖第二 層為區(qū)域圖的層次視覺語義信息，按如下步驟進行： (1. 1)利用SAR圖像初始素描圖獲取方法，提取SAR圖像素描圖； (1.2)設第m條素描線U與第n條素描線ln之間的距離為D"，m，n G [1，2，...，S]，S 為素描線的總條數(shù)，定義1">的聚集度a(lm)為：
其中，s〇rt( ?)表示將參量中的元素按非降序排列，V是參數(shù)且其取值范圍為[3-9]， 根據(jù)上述素描線的聚集度，將素描線劃分為聚集的素描線和非聚集的素描線； (1. 3)組成區(qū)域圖： 對聚集的素描線，采用形態(tài)學閉操作的區(qū)域提取算子，得到聚集區(qū)域； 對非聚集的素描線，采用幾何結(jié)構(gòu)窗的區(qū)域提取算子，得到結(jié)構(gòu)區(qū)域； 將剩下的區(qū)域為作為不可素描區(qū)域； 用聚集區(qū)域、結(jié)構(gòu)區(qū)域和不可素描區(qū)域組成SAR圖像區(qū)域圖。 (1. 4)將SAR圖像素描圖作為第一層語義，將SAR圖像區(qū)域圖作為第二層語義，構(gòu)成層 次視覺語義信息。
3. 根據(jù)權(quán)利要求1所述的基于層次視覺語義的SAR圖像分割方法，其特征在于：其中 所述步驟4a)中計算幾何結(jié)構(gòu)窗內(nèi)中心像素的先驗概率Pl，按如下公式計算：
其中K = 3為分割的類別數(shù)，xk為幾何結(jié)構(gòu)窗內(nèi)屬于第k類的像素個數(shù)，Xi為幾何結(jié) 構(gòu)窗內(nèi)屬于第i類的像素個數(shù)，n取值為l，exp(*)為指數(shù)函數(shù)，ke [1，...，K]。
4. 根據(jù)權(quán)利要求1所述的基于層次視覺語義的SAR圖像分割方法，其特征在于：其中 所述步驟7d)中計算該窗口內(nèi)中心像素的先驗概率Pl'，按如下公式進行：
其中K' = 3為分割的類別數(shù)，xk'為步驟7c)得到的窗口內(nèi)屬于第k'類的像素個數(shù)， x/為步驟7c)得到的窗口內(nèi)屬于第i'類的像素個數(shù)，n'取值為1，exp(*)指數(shù)函數(shù)， k' G [1，? ? ?，K' ]。
【文檔編號】G06T7/00GK104346814SQ201410667779
【公開日】2015年2月11日 申請日期:2014年11月20日 優(yōu)先權(quán)日:2014年11月20日
【發(fā)明者】劉芳, 段一平, 李玲玲, 焦李成, 郝紅俠, 張向榮, 楊淑媛, 武杰, 馬晶晶, 尚榮華 申請人:西安電子科技大學