基于Gamma分布的異質(zhì)超像素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，特別是一種涉及SAR圖像分割的方法，具體是一 種基于Ga_a分布的異質(zhì)超像素 SAR圖像分割方法，可應(yīng)用于SAR圖像分割。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)SAR是一種高分辨率雷達(dá)體制，可應(yīng)用于軍事，農(nóng)業(yè)，導(dǎo)航，地理監(jiān) 視等諸多領(lǐng)域。SAR圖像是對(duì)雷達(dá)波散射特性的一種表征，是地物目標(biāo)對(duì)它的一種反映，圖 像中存在的斑點(diǎn)噪聲表現(xiàn)為在均勻的表面上，像素點(diǎn)呈現(xiàn)出或暗點(diǎn)或亮點(diǎn)，其實(shí)就是可以 看出圖像的灰度像素值出現(xiàn)了急劇變化的現(xiàn)象，于是降低了圖像的空間分辨率，模糊了圖 像的邊緣信息，使得解譯圖像的準(zhǔn)確率降低。
[0003] 圖像分割在數(shù)字圖像處理技術(shù)中是一項(xiàng)非常關(guān)鍵的技術(shù)，主要是為了從輸入圖像 中提取某些感興趣的或者有意義的區(qū)域、邊緣、紋理等。但是SAR圖像包含有豐富的背景特 征以及大量的相干斑噪聲，這種獨(dú)特性使得很難找到一個(gè)通用的分割算法來(lái)處理SAR圖像 并而得到目標(biāo)邊緣以及感興趣的區(qū)域。SAR圖像的灰度值具有兩個(gè)最基本的特征：其一為 相似性，它表示將圖像分割成若干個(gè)相似的區(qū)域，依據(jù)的標(biāo)準(zhǔn)是事先制定好的；另一種為不 連續(xù)性，因?yàn)閳D像的灰度值在變化是具有不連續(xù)性，可利用這種變化特性來(lái)進(jìn)行圖像分割， 例如提取圖像的邊緣。
[0004] 針對(duì)SAR圖像的特點(diǎn)，分割算法主要分為：
[0005] 基于特征空間的分割算法，如基于聚類的分割算法?；诰垲惖姆指钏惴ū举|(zhì)上 將SAR圖像分割問(wèn)題看成是各個(gè)像素點(diǎn)在特征空間的聚類問(wèn)題，從而將具有類似概率分布 的像素將被劃分為同一類別，從而實(shí)現(xiàn)SAR圖像的分割。常見(jiàn)的聚類算法有K-means聚類、 模糊聚類、譜聚類、概率聚類等方法。傳統(tǒng)的聚類算法沒(méi)有考慮SAR圖像的空間信息，因此 其對(duì)相干斑噪聲與灰度分布不均非常敏感。
[0006] 基于邊緣檢測(cè)的圖像分割方法，它是利用不同區(qū)域之間特征的不一致性和不連續(xù) 性，首先檢測(cè)出SAR圖像中的邊緣點(diǎn)，然后按一定的策略連接成閉合的曲線，從而檢測(cè)出 SAR圖像的邊緣，進(jìn)而構(gòu)成分割區(qū)域，其中常用的邊緣檢測(cè)算子包括Laplace算子、Roberts 算子、Sobel算子、Prewitt算子、Kirsch算子、Rosonfeld算子以及Canny算子等。基于邊 緣檢測(cè)的SAR圖像分割算法的優(yōu)點(diǎn)在于其比較適合邊緣灰度值過(guò)渡比較顯著且相干斑噪 聲較小的簡(jiǎn)單SAR圖像的分割。對(duì)于邊緣比較復(fù)雜以及存在較強(qiáng)相干斑噪聲的圖像，則不 得不面對(duì)抗噪性能和檢測(cè)精度之間的矛盾。
[0007] 基于區(qū)域的方法，該方法利用區(qū)域的相似性得到相關(guān)準(zhǔn)則來(lái)將圖像分割成多個(gè)區(qū) 域，例如閾值法、區(qū)域生長(zhǎng)算法等。
[0008] 最常用的閾值方法是基于灰度直方圖的方法，如最大類間方差法（OTSU)、最大熵 法和最小誤差法等。在全局固定閾值的基礎(chǔ)上，后來(lái)發(fā)展了基于局部閾值的自適應(yīng)閾值方 法。無(wú)論是基于全局閾值還是局部閾值，閾值方法通常受相干斑噪聲的影響比較大。
[0009] 區(qū)域生長(zhǎng)算法它的基本思路是首先定義一個(gè)生長(zhǎng)準(zhǔn)則，然后在每個(gè)分割區(qū)域內(nèi)尋 找一個(gè)種子像素，通過(guò)對(duì)圖像進(jìn)行掃描，依次在種子點(diǎn)周圍鄰域內(nèi)尋找滿足生長(zhǎng)準(zhǔn)則的像 素并將其合并到種子所在的區(qū)域，然后再檢查該區(qū)域的全部相鄰點(diǎn)，并把滿足生長(zhǎng)準(zhǔn)則的 點(diǎn)合并到該區(qū)域，然后不斷重復(fù)該過(guò)程直到找不到滿足條件的像素為止。超像素、分水嶺 算法是以數(shù)學(xué)形態(tài)學(xué)作為基礎(chǔ)的區(qū)域分割方法，由于受到圖像噪聲和目標(biāo)區(qū)域內(nèi)部的細(xì)節(jié) 信息等因素影響，使用超像素或分水嶺算法通常往往會(huì)產(chǎn)生過(guò)分割現(xiàn)象，因此，由于這個(gè)缺 點(diǎn)，他們通常是作為預(yù)分割方法。
[0010] 基于區(qū)域的分割方法。Qiya0 Yu等人在對(duì)傳統(tǒng)MRF分割模型分析的基礎(chǔ)上， 提出一種基于使用邊緣懲罰（Graduated increase edge penalty，GIEP)和迭代區(qū)域生 長(zhǎng)技術(shù)的改進(jìn)型圖像分割方法IRGS，參見(jiàn)Qiyao Yu and David A.Clausi.IRGS:Image Segmentation Using Edge Penalties and Region Growing. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 30, NO. 12, DECEMBER 2008.此方法 首先在沒(méi)有改變最終分割目標(biāo)函數(shù)的基礎(chǔ)上，通過(guò)采用邊緣懲罰函數(shù)，以一種簡(jiǎn)單的方 式結(jié)合了圖像邊緣強(qiáng)度，從而更加精確的構(gòu)建了 MRF的空間上下文模型，然后提出迭代 區(qū)域增長(zhǎng)技術(shù)用于合并初始分割區(qū)域，迭代區(qū)域增長(zhǎng)提供了一種對(duì)圖像基本區(qū)域的多尺 度描述，在基于圖像基本區(qū)域上的優(yōu)化求解會(huì)更加的有效。但由SAR圖像本身的成像機(jī) 制而產(chǎn)生的相干斑噪聲，若直接將IRGS算法用于SAR圖像分割，會(huì)使得SAR圖像的初始 分割過(guò)程產(chǎn)生嚴(yán)重的過(guò)度分割現(xiàn)象，同時(shí)導(dǎo)致初始分割區(qū)域邊緣定位不準(zhǔn)。Peng-Lang Shui 等人提出 RCBLP(relative common boundary length penalty)的區(qū)域快速融合 的方法，將圖像經(jīng)過(guò)基于比率邊緣增強(qiáng)后分水嶺變換得出的區(qū)域經(jīng)過(guò)RCBLP和區(qū)域鄰 接圖等方法快速準(zhǔn)確融合，實(shí)現(xiàn)圖像的分割，參見(jiàn)Peng-Lang Shui, Member, IEEE, and Ze-Jun Zhang.Fast SAR Image Segmentation via Merging Cost With Relative Common Boundary Length Penalty. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 52, NO. 10, OCTOBER 2014.該方法最主要是提高了 SAR圖像基于區(qū)域分割的 速度，但由于SAR圖像本身的成像機(jī)制而產(chǎn)生的相干斑噪聲，若直接將此算法用于SAR圖像 分割，導(dǎo)致初始分割區(qū)域邊緣定位不準(zhǔn)，從而影響最后分割結(jié)果的邊緣準(zhǔn)確度。
[0011] 隨著基于區(qū)域SAR圖像分割方法的日益成熟，分割效果的評(píng)價(jià)也在一下四個(gè)方面 逐漸嚴(yán)苛起來(lái)。方向信息的準(zhǔn)確性；同質(zhì)區(qū)域的內(nèi)部一致性；細(xì)節(jié)信息的完整性；邊緣邊界 的清晰性。由于SAR圖像固有的相干斑噪聲破壞了分割目標(biāo)的邊緣信息，同時(shí)降低了 SAR 圖像分辨率和圖像品質(zhì)。斑點(diǎn)噪聲的存在嚴(yán)重影響了 IRGS算法和RCBLP算法對(duì)SAR圖像 的分割性能，對(duì)包含復(fù)雜紋理的SAR圖像會(huì)產(chǎn)生誤分割和區(qū)域一致性不理想等現(xiàn)象。

【發(fā)明內(nèi)容】

[0012] 本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于Gamma分布的異質(zhì) 超像素 SAR圖像分割方法，利用Gamma分布估計(jì)每個(gè)超像素塊的異質(zhì)性系數(shù)，提出超像素 turbopixel誤分割的區(qū)域，再利用傳統(tǒng)的方法繼續(xù)進(jìn)行分割，從而有效對(duì)超像素進(jìn)行基于 SAR圖像的改進(jìn)，再結(jié)合紋理特征與散射小波特征對(duì)圖像進(jìn)行分割，提高邊緣分辨精度和區(qū) 域一致性，保證圖像分割信息的完整性，提高SAR圖像分割的質(zhì)量。
[0013] 本發(fā)明是一種基于Gamma分布的異質(zhì)超像素 SAR圖像分割方法，其特征在于，包括 有如下步驟：
[0014] 1)將圖像M*N進(jìn)行超像素預(yù)分割，得到S個(gè)超像素塊；
[0015] 2)在超像素預(yù)分割后的再分割，用Gamma分布估計(jì)每個(gè)超像素塊的異質(zhì)性，以 Gamma分布的異質(zhì)性參數(shù)閾值m為界，將同質(zhì)超像素塊和異質(zhì)塊區(qū)分開(kāi)，并將異質(zhì)超像素塊 用Kmeans方法實(shí)現(xiàn)再分類；用Gamma分布估計(jì)超像素的異質(zhì)性，找出超像素由于弱邊界導(dǎo) 致分割錯(cuò)誤的超像素塊，當(dāng)異質(zhì)性參數(shù)大于閾值m時(shí)，則此超像素為同質(zhì)超像素，即為分割 正確的超像素，不進(jìn)行處理；當(dāng)異質(zhì)性參數(shù)小于閾值m時(shí)，則此超像素為異質(zhì)的超像素，即 包含的像素不屬于一類卻被合并為一類，此時(shí)需要利用Kmeans方法將此異質(zhì)超像素塊分 為兩類，該兩類均為同質(zhì)超像素塊，但類標(biāo)不同；