技术领域
[0001] 本
发明属于
图像处理技术领域，特别是涉及图像分割方法，可以用于机场跑道，农田分布和地质勘探的图像处理。
背景技术
[0002]
合成孔径雷达SAR是一种工作在
微波波段的相干
成像雷达。它以其高
分辨率和全天候、全天时、大面积的数据获取能
力而成为当前遥感观测的重要手段，在资源、环境、考古以及军事等方面得到广泛的应用。SAR图像包含丰富的目标类别，但在图像理解时只可能对其中的部分区域感兴趣。感兴趣区域随着应用目的的不同而不同。例如，在检测洪涝灾害时，感兴趣的区域是
水域，而在军事活动中，军事基地附近的
桥梁、道路都可能成为感兴趣的目标，因此分割出这些目标所在区域，不仅能够有效地减少计算机的计算量，提高
算法的实时性，而且对于正确识别目标具有重要意义。SAR图像分割一直是SAR图像理解与解译的核心问题和难点所在。
[0003] SAR图像源于
电磁波的后向散射，因此SAR图像上存在大量的相干斑噪声，这使得每个像素与其真实值往往相差甚远，因此常规的分割算法应用到SAR图像时，一般效果不是很理想。可以说，相干斑噪声是影响SAR图像分割
质量的一个重要因素。目前，主要存在三种方法来减少相干斑噪声对图像分割的影响：1、建立相干斑噪声的统计模型；2、进行多尺度的SAR图像分割方法；3、对SAR图像进行降噪的预处理。
[0004] 在对自然图像进行分割时，往往采用加性的高斯模型作为图像的概率模型，而对于SAR图像而言，由于成像机理的不同以及相干斑噪声的存在，不能使用自然图像中的加性高斯模型来表示SAR图像的统计分布特性。因此，广泛应用于自然图像分割的一些统计概率模型，如
马尔科夫随机场模型，贝叶斯模型，在对SAR图像进行分割时，假设概率分布符合Rayleigh分布，Gamma分布，K分布等，参见宋建设,郑永安,和袁礼海,《合成孔径雷达图像理解与应用》,北京:科学出版社，2008。这些算法均取得了比较好的分割效果，但该类方法由于其只对单个像素进行操作，所以计算复杂度往往较大，仍然不能很好的解决相干斑噪声对分割结果的影响。
[0005] 第二种方法的代表作为多尺度分析模型的SAR图像分割算法，该类算法的核心思想是将SAR图像看作不同尺度的纹理，根据不同类别的目标呈现不同纹理这一性质，将对SAR图像的分割，转化为对SAR图像中不同纹理的识别。应用这一方法的算法数量很多，如U.Kandaswamy等使用共生矩阵来对SAR图像进行分割，参见U.Kandaswamy,D.A.Adjeroh,and M.C.Lee,《Efficient texture analysis of SAR imagery》,IEEE Transactions on Geoscience and Remote Sensing,vol.43,no.9,pp.2075-2083,2005.X.Zhang使用共生矩阵以及小波分解的
能量特征来对SAR图像进行分割，参见X.Zhang,L.Jiao,F.Liu et al.,《Spectral clustering ensemble applied to SAR image segmentation》,IEEE Transactions on Geoscience and Remote Sensing,vol.46,no.7,pp.2126-2136,2008.侯彪等使用第二代Bandelet域隐马尔可夫树模型来对SAR图像进行分割，参见侯彪,徐婧,刘凤等,《基于第二代Bandelet域隐马尔可夫树模型的图像分割》,自动化学报,vol.35，no.5，2009。但是到目前为止，仍然没有一种方法能够对全部纹理进行有效的建模，而且该类算法仍然是针对单个像素来处理的，对于含有大量像素的SAR图像来说，这类算法的计算效率比较低，计算速度比较慢。
[0006] 第三种方法是比较直接的，即在对SAR图像进行分割前，首先对其进行降噪的预处理，以减少相干斑噪声对分割算法的影响。该类中最简单的方法是将多个像素点进行平均，这是个非常有效的预处理方法，但它的缺点是在降噪的同时不能很好的保持图像的边缘信息。
发明内容
[0007] 本发明的目的在于克服上述已有技术的不足，提出一种基于超像素的SAR图像分割方法，以有效的降低计算复杂度，缩短分割的时间，在降噪的同时很好的保持图像的边缘信息，提高分割准确度。
[0008] 为实现上述目的，本发明提供基于超像素的SAR图像分割方法，包括如下步骤：
[0009] 1.一种基于超像素的SAR图像分割方法，包括如下步骤：
[0010] (1)对输入的SAR图像I，提取其长度L、宽度W和分辨率RI，并根据SAR图像库中所有的图像估计出最小目标的分辨率区间Rs；
[0011] (2)根据图像参数估计超像素数目Ns，生成待分割SAR图像的超像素集合S＝{si}，其中si为第i个超像素i＝1,2,…,NS；
[0012] (3)计算超像素集合S的纹理特征Fg(i)和空间特征Fn(i,j)，其中i,j＝1,2,…,Ns且i≠j；
[0013] (4)根据SAR图像分割数目K，使用K-means算法对超像素集合S的纹理特征Fg(i)进行聚类；
[0014] (5)根据超像素集合S的纹理特征Fg(i)的聚类结果，对超像素集合S中任意两个超像素si和sj，使用最近邻准则，判断超像素是否对应同一聚类，如果si和sj对应同一聚类，并且它们的空间特征Fn(i,j)＝1，则将其合并，并对超像素集合S的纹理特征Fg(i)和空间特征Fn(i,j)进行更新；反之，不进行合并；
[0015] (6)统计更新后的超像素集合S的超像素数目Ns(t)，并将该超像素数目Ns(t)与上一次统计结果Ns(t-1)进行比较：如果Ns(t)＝＝Ns(t-1)，则满足停止条件，输出SAR图像分割结果；如果Ns(t)＜Ns(t-1)，则不满足停止条件，返回步骤(4)。
[0016] 本发明与现有的技术相比具有以下优点：
[0017] 1.本发明充分考虑SAR图像含有大量的相干斑噪声，将比单个像素更大的尺度的超像素作为图像分割的基本单元，有效的降低了SAR图像相干斑噪声对分割结果的影响；
[0018] 2.本发明充分考虑到SAR图像尺寸巨大，含有大量像素，使分割工作面临大量计算的问题，将超像素作为分割的基本单元，并且提取的纹理特征和空间特征具有操作简单，运算量小的优点，有效的降低了分割算法的计算复杂度，缩短了图像分割的处理时间；
[0019] 3.本发明使用自适应的超像素合并方法，在降噪的同时很好的保持图像的边缘信息，提高分割准确度。
附图说明
[0021] 图2是本发明对一幅含有机场的SAR图像产生的超像素图像；
[0022] 图3是本发明对一幅含有河流和不同植被的SAR图像产生的超像素图像；
[0023] 图4是本发明对一幅含有机场和
建筑物的SAR图像产生的超像素图像；
[0024] 图5是本发明仿真实验采用的含有机场、建筑物和植被的原始SAR图像；
[0025] 图6是用本发明对图5的仿真分割的结果图；
[0026] 图7是本发明仿真实验采用的含有河流、树林和农田的原始SAR图像；
[0027] 图8是用本发明对图7的仿真分割的结果图。
具体实施方式
[0028] 参照图1，本发明基于超像素的SAR图像分割方法，包括如下步骤：
[0029] 步骤1：根据输入的SAR图像，获取图像信息。
[0030] 输入SAR图像库中所有的图像I，并对输入的SAR图像I，提取每一幅图像的长度L、宽度W和分辨率RI，根据这些参数估计出最小目标的分辨率区间Rs。
[0031] 步骤2：估计超像素数目，获取超像素集合。
[0032] 2a)根据一幅图像的长度L、宽度W，分辨率RI和最小目标的分辨率区间Rs，按如下两种情况估计这幅图像的超像素数目Ns：
[0033] 第一种情况是：根据输入待分割SAR图像的长度L、宽度W和分辨率RI，估计出超像素数目Ns的取值区间：
[0034]
[0035] 其中，Num(s)为每个超像素所含的像素数目的取值区间，取值区间为[50,200]，超像素数目Ns为在取值区间内任取的一个整数值；
[0036] 第二种情况是：当无法估计出最小目标的分辨率区间Rs时，根据输入待分割SAR图像的长度L、宽度W，估计出超像素数目Ns的取值区间为：
[0037]
[0038] 2b)生成待分割SAR图像的超像素集合S＝{si}，其中si为第i个超像素i＝1,2,…,Ns：
[0039] 2b1)获得SAR图像的超像素数目Ns后，在待分割的SAR图像内部，均匀选择Ns个像素
种子，并以这些种子为中心，使用水平集的方法让这些种子按照如下种子膨胀的水平集演化方程进行膨胀：
[0040] Φn+1＝Φn+F|▽Φn|Δt
[0041] 其中Φn表示第n次演化后的水平集函数，|▽Φn|表示第n次演化后的水平集函数的梯度值，F表示速度函数，Δt表示曲线演化的时间间隔；
[0042] 2b2)当所有种子的边缘均重合时，便停止种子的膨胀，每个种子便是一个超像素si，从而完成了对输入SAR图像超像素集合S＝{si}的生成工作。
[0043] 步骤3：计算超像素集合S的纹理特征Fg(i)和空间特征Fn(i,j)。
[0044] 3a)对于任意一个超像素si，通过如下公式计算超像素集合S的纹理特征Fg(i)：
[0045]
[0046] 其中，H(i,1:m)为超像素si的灰度直方图，m表示图像的灰度级数，Num(si)表示超像素si所含的像素数目；
[0047] 3b)对于任意两个超像素si和sj，通过如下公式计算超像素集合S的空间特征Fn(i,j)：
[0048]
[0049] 步骤4：对纹理特征进行聚类,并结合空间特征对超像素进行合并。
[0050] 现有对纹理特征的聚类方法有多种，例如K-means、模糊C均值法、最近邻准则等，本实例采用但不限于K-means。
[0051] 本步骤的具体实现如下：
[0052] 4a)对于任意两个超像素si和sj，按照可变容积距离VBSD分别计算其到所有聚类中心cn的距离，dist(si,cn)、dist(sj,cn)，其中n＝1,2,…,K；
[0053] 4b)将超像素si距离最小值对应的聚类中心分配给第i个超像素si，作为超像素isi对应的聚类c ：
[0054]
[0055] 4c)将超像素sj距离最小值对应的聚类中心分配给第j个超像素sj，作为超像素sj对应的聚类cj：
[0056]
[0057] 4d)判断这两个超像素si和sj是否对应相同的聚类中心，如果这两个超像素si和sj对应的聚类中心相同，则超像素si和sj属于同一聚类，反之，不属于同一聚类；
[0058] 4e)判断同一聚类的超像素si和sj的空间特征，如果它们的空间特征Fn(i,j)＝1，则将超像素si和sj进行合并，得到新的超像素集合S*，反之，不进行合并。
[0059] 步骤5：对新的超像素集合S*的空间特征和纹理特征进行更新。
[0060] 5a)在两个超像素si和sj合并后，将两个超像素之一的序号i去掉，用另一个超像素的序号j来代表合并后的超像素，得到新的纹理特征Fg′(j)：
[0061]
[0062] 其中Fg(i)表示合并前超像素si的纹理特征，Fg(j)表示合并前超像素sj的纹理特征，Num(si)表示合并前超像素si包含的像素个数，Num(sj)表示合并前超像素sj包含的像素个数；
[0063] 5b)删除合并前si的纹理特征Fg(i)，用新产生的纹理特征Fg′(j)替代sj合并后的纹理特征。
[0064] 步骤6：对超像素合并结果进行判别。
[0065] 统计每次合并后新的超像素集合S*的超像素数目Ns(t)，并将该超像素数目Ns(t)与上一次统计结果Ns(t-1)进行比较：如果Ns(t)＝＝Ns(t-1)，则满足停止条件，输出SAR图像分割结果；如果Ns(t)＜Ns(t-1)，则不满足停止条件，返回步骤(4)，继续对超像素进行合并。
[0066] 本发明的效果可以通过以下对真实SAR图像的仿真实验进一步说明：
[0067] 1、仿真实验条件
[0068] 本发明的仿真在windows XP，SP2，CPU Pentium(R)4，基本
频率2.4GHZ，
软件平台为Matlab7.0.1上实现。仿真实验选用的真实SAR图像为两幅Ku波段的SAR图像，如图5和图7所示，其中图5为美国加里福尼亚机场的SAR图像，尺寸为522×446，分辨率为3米，含有机场、建筑物和植被等地面目标；图7为美国新墨西哥州阿尔布克尔克市附近的一幅SAR图像，尺寸为600×432，分辨率为1米，含有河流、树林和农田等地面目标。
[0069] 2、仿真内容与结果
[0070] 仿真一，用本发明在一幅含有机场的SAR图像中产生的超像素，形成如图2所示的超像素图像。
[0071] 仿真二，用本发明在一幅含有河流和不同植被的SAR图像中产生超像素，形成如图3所示的超像素图像。
[0072] 仿真三，用本发明对一幅含有机场和建筑物的SAR图像中产生的超像素，形成如图4所示的超像素图像。
[0073] 仿真四，用本发明对图5进行仿真实验分割，结果如图6。
[0074] 从图6可以看出，本发明能够准确的
定位机场跑道的边缘，并准确的将跑道与其它地面目标分隔开。对于机场附近的建筑物，本发明能够将其发现，即使个别孤立的建筑物也能够将其与周围的地面目标辨别开来。对于地面植被，本发明能够有效的将具有不同视觉特点的植被区分割开。
[0075] 仿真五，用本发明对图7进行仿真实验分割，结果如图8。
[0076] 从图8可以看出，本发明能够准确定位河道的边缘以及道路的边缘，并将地面的不同的植被分隔开来，而且本发明还能够有效的分辨出特殊的目标，如草地上的树木、河流里的小岛等。对于同一类地面目标，本发明所得的分割结果具有很好的区域一致性，错分很少。
[0077] 从以上仿真实验结果可以看出，本发明不仅能产生超像素图像，而且通过基于超像素的方式能够有效的对SAR图像进行分割，在分割时能够准确定位不同地面目标的边缘，能够保持同类目标的区域一致性，而且也能够准确的定位和发现SAR图像中孤立的特殊目标。
