基于形状补全区域图和特征编码的SAR图像分割方法技术

技术编号:11192836 阅读:99 留言:0更新日期:2015-03-25 21:27
本发明专利技术公开了一种基于形状补全区域图和特征编码的SAR图像分割方法,解决了SAR图像区域的封闭性提取的技术问题。本发明专利技术首先使用SAR图像初始素描模型获取素描图;用基于形状的素描线补全的区域图提取方法获取区域图;将区域图映射到原SAR图像空间,得到聚集区域、匀质区域和结构区域;聚集区域特征学习及层次聚类;匀质区域特征学习及层次聚类;结构区域分割;将聚集区域、匀质区域与结构区域的结果合并,标记线目标,得到最终的SAR图像分割结果。本发明专利技术能够获得到封闭性、同质性更好的匀质区域提取,对区域所使用的特征学习与聚类方法也能很好的实现聚集区域和匀质区域的进一步聚类,可用于SAR图像的分割。

【技术实现步骤摘要】
基于形状补全区域图和特征编码的SAR图像分割方法
本专利技术属于图像处理
,涉及SAR图像的区域提取方法,具体是一种基于形状补全区域图和特征编码的SAR图像分割方法,可用于SAR图像的分割。
技术介绍
SAR图像分割是SAR图像处理与解译中的关键环节之一。在SAR图像的成像过程中,由于地物的高低以及成像角度的不同,导致地物聚集区域在SAR图像中呈现出明暗交错变化的特性°《Local maximal homogenous reg1n search for SAR speckle reduct1nwith sketch-based geometrical kernel funct1n》提出的 SAR 图像的素描图是 SAR 图像的一种稀疏表示,它以素描线的形式刻画了 SAR图像中的灰度变化信息。《基于Primal素描图和语义信息分类的SAR图像分割》提出的基于语义信息的素描线分类方法将SAR图像初始素描图中的素描线分为表示聚集的素描线和表示边界、线目标与孤立目标的素描线两类。进而,上述文献又使用基于区域生长的线段集合求解方法和基于形态学的区域提取方法提取到了完整的聚集区域,从而克服了现有的SAR图像分割方法无法完整的分割聚集区域的缺陷。 不过,由于SAR图像成像过程中相干斑的影响,单一阈值的素描图还是无法准确完整的表示边界,其在阈值较大的情况下只会在强边缘的地方有响应,在阈值较低的情况下则会出现很多的伪边缘。因此已有的区域提取方法无法很好的提取到闭合的匀质区域。 特征学习常用于自然图像的分类,现有的一些特征学习框架如词袋模型和深度学习模型都可以很好的学习出各个类别的模式,从而用于分类。目前也存在一些现有的工作将特征学习用于SAR图像的分割中,它们主要是对过分割的小区域进行特征提取与学习。但是过分割的小区域只包含完整地物的某一局部信息,最终也就无法很好的把同一类的区域分到一起。
技术实现思路
本专利技术提出了一种新的基于形状的素描线补全的区域图提取方法用于SAR图像的分割,很好的解决了上述已有方法在区域提取方面遇到的匀质区域不闭合的问题。然后,对于提取到的各个区域,使用特征学习的方法得到各个区域的表示,并使用层次聚类的方法得到各个区域的类别指定。 本专利技术是一种基于形状补全区域图和特征编码的SAR图像分割方法,其特征在于,包括有如下步骤: 步骤1.输入待分割的SAR图像,利用SAR图像的初始素描模型得到输入图像的素描图。 步骤2.采用基于形状的素描线补全的区域图提取方法得到输入图像的区域图。 步骤3.根据得到的区域图将待分割的SAR图像映射为聚集区域、匀质区域和结构区域,其中聚集区域和匀质区域都包含多个区域。 步骤4.使用基于LLC编码的词袋模型对属于聚集区域的各个区域进行特征学习,并在此基础上进行层次聚类得到聚集区域的聚类结果。 步骤5.同样,使用基于LLC编码的词袋模型对属于匀质区域的各个区域进行特征学习,并在此基础上进行层次聚类得到匀质区域的聚类结果。 步骤6.对于结构区域,使用基于MRF的分割方法得到结构区域中边界、线目标以及孤立目标所在的位置,同时根据空间上的一致连通性得到若干个小区域,即将结构区域划分成若干个小区域,从而得到结构区域的分割结果。 步骤7.使用基于空间近邻和灰度均值的策略合并聚集区域、匀质区域和结构区域的结果,首先,将属于结构区域中的小区域的类标标记为空间上相邻的已聚类区域的类标,然后,将结构区域中剩下的既不与聚集区域相邻又不与匀质区域相邻的小区域的类标标记为灰度均值最相近的已聚类区域的类标。 步骤8.根据素描图中的素描线信息标记线目标,从而得到最终的SAR图像分割结果O 本专利技术的实现还在于:其中步骤2所提出的基于形状的素描线补全的区域图提取方法,包括有如下步骤: 2.1.对素描图中的素描线进行聚集度分析,如果存在聚集的素描线,进行步骤 2.2 ;如果不存在聚集的素描线,则跳至步骤2.4。 2.2.分别标记聚集的素描线和代表边界、线目标以及独立目标的素描线。 2.3.利用聚集区域提取方法在素描图上得到覆盖所有聚集素描线的区域,并标注该区域。 2.4.对于代表边界、线目标以及独立目标的素描线,提出基于形状的素描线补全方法得到素描线补全结果及划分的区域,并标注该区域。 2.5.对于补全后的素描线,以每条线上每个点为中心提取5X5的几何结构窗作为结构区域,并标记该区域。 2.6.综合上述区域提取结果,得到了整幅图像的区域图。 本专利技术的实现还在于:其中步骤2.4所提出的基于形状的素描线补全方法,包括有如下步骤: 2.4.1.对素描图中除聚集区域以外的每条素描线,进行如下过程,对当前素描线的一个端点P1,首先在其5*5的方形邻域内查找是否有其它素描线的端点,若有,从中选择最长素描线的端点,并使用线段将Pl与最长素描线的端点进行连接,然后对新连接的这个最长素描线的另一个端点,继续执行这个过程,直到端点5*5方形邻域内没有新的素描线端点为止;对于当前素描线的另一个端点P2,重复和Pl —样的过程; 2.4.2对经过步骤2.4.1连接后的素描线按照长度进行排序,然后按照长度从大到小的顺序判断素描线是否是L形状或U形状的素描线,这里判断L形状或U形状的素描线的方法是从一个端点Pl到另一个端点P2遍历组成素描线的线段,并记录相邻线段的方向差值的绝对值,如果方向差值的绝对值超过阈值a的次数发生一次,该素描线就是L形状的素描线;如果方向差值的绝对值超过阈值a的次数发生两次,该素描线就是U形状的素描线;然后对L形状或U形状的素描线,执行步骤2.4.3 ; 2.4.3.判断当前L形状或U形状素描线的端点Pl在低阈值素描图中相应位置的自适应窗口邻域内是否有其它素描线的端点,如果有,按照如下策略选择一个端点Tl,gpTl所在素描线的另一个端点T2与当前素描线的另一个端点P2的距离最近且用线段连接后只会形成一个封闭区域,然后对选择的素描线的端点T2,继续该过程,直至端点自适应窗口邻域范围内没有新的素描线端点为止;对于当前素描线的端点P2,重复和端点Pl —样的过程。 综上所述,本专利技术首先利用SAR图像的初始素描图得到输入图像的素描图;其次,利用基于形状的素描线补全的区域图提取方法得到区域图;然后,将得到的区域图映射到原SAR图像空间得到聚集区域、匀质区域和结构区域;紧接着,对聚集区域和匀质区域分别进行特征学习和层次聚类得到区域的聚类结果;对结构区域进行则使用基于MRF的分割方法得到结构区域的分割结果;最终,合并聚集区域、匀质区域和结构区域的结果,得到整个SAR图像分割结果。 本专利技术与现有技术相比,具有如下优点: 1.能够对素描图中的素描线进行进一步的补全,形成了更长且有助于形成封闭区域的素描线,从而提取到封闭性、同质性更好的匀质区域。 素描图是SAR图像的一种稀疏表示,其中的素描线刻画了 SAR图像中的明暗变化的信息。通过对素描线的聚集性分析,可以把素描图中的素描线分为两类,第一类是聚集的素描线,第二类是表示边界、线目标与孤立目标的素描线。由于相干斑等SAR图像本身特性的影响,素描图中的第二类素描线往往会出现断裂等现本文档来自技高网
...
基于形状补全区域图和特征编码的SAR图像分割方法

【技术保护点】
一种基于形状补全区域图和特征编码的SAR图像分割方法,其特征在于,包括有如下步骤:步骤1.输入待分割的SAR图像,利用SAR图像的初始素描模型得到输入图像的素描图;步骤2.采用基于形状的素描线补全的区域图提取方法得到输入图像的区域图;步骤3.根据得到的区域图将待分割的SAR图像映射为聚集区域、匀质区域和结构区域;步骤4.使用基于LLC编码的词袋模型对属于聚集区域的各个区域进行特征学习,并在此基础上进行层次聚类得到聚集区域的聚类结果;步骤5.同样,使用基于LLC编码的词袋模型对属于匀质区域的各个区域进行特征学习,并在此基础上进行层次聚类得到匀质区域的聚类结果;步骤6.对于结构区域,使用基于MRF的分割方法得到结构区域中边界、线目标以及孤立目标所在的位置,同时根据空间上的一致连通性得到若干个小区域,即将结构区域划分成若干个小区域,从而得到结构区域的分割结果;步骤7.使用基于空间近邻和灰度均值的策略,将聚集区域的聚类结果、匀质区域的聚类结果和结构区域的分割结果合并;步骤8.根据素描图中的素描线信息标记线目标,从而得到最终完整的SAR图像分割结果。

【技术特征摘要】
1.一种基于形状补全区域图和特征编码的SAR图像分割方法,其特征在于,包括有如下步骤: 步骤1.输入待分割的SAR图像,利用SAR图像的初始素描模型得到输入图像的素描图; 步骤2.采用基于形状的素描线补全的区域图提取方法得到输入图像的区域图; 步骤3.根据得到的区域图将待分割的SAR图像映射为聚集区域、匀质区域和结构区域; 步骤4.使用基于LLC编码的词袋模型对属于聚集区域的各个区域进行特征学习,并在此基础上进行层次聚类得到聚集区域的聚类结果; 步骤5.同样,使用基于LLC编码的词袋模型对属于匀质区域的各个区域进行特征学习,并在此基础上进行层次聚类得到匀质区域的聚类结果; 步骤6.对于结构区域,使用基于MRF的分割方法得到结构区域中边界、线目标以及孤立目标所在的位置,同时根据空间上的一致连通性得到若干个小区域,即将结构区域划分成若干个小区域,从而得到结构区域的分割结果; 步骤7.使用基于空间近邻和灰度均值的策略,将聚集区域的聚类结果、匀质区域的聚类结果和结构区域的分割结果合并; 步骤8.根据素描图中的素描线信息标记线目标,从而得到最终完整的SAR图像分割结果O2.根据权利要求1所述的基于形状补全区域图和特征编码的SAR图像分割方法,其特征在于,其中步骤2所提出的基于形状的素描线补全的区域图提取方法,包括有如下步骤: .2.1.对素描图中的素描线进行聚集度分析,如果存在聚集的素描线,进行步骤2.2 ;如果不存在聚集的素描线,则跳至步骤2.4 ; .2.2.分别标记聚集的素描线和代表边界、线目标以及独立目标的素描线; .2.3.利用聚集区域提取方法在素描图上得到覆盖所有聚集素描线的区域,并标注该区域; 2.4.对于代表边界、线目标以及独立目标的素描线,提出基于形状的素描线补全方法得到素描线补全结果及划分的区域,并标注该区域; ...

【专利技术属性】
技术研发人员:马文萍刘佳李玲玲焦李成郝红侠杨淑媛孙涛张向荣尚荣华
申请(专利权)人:西安电子科技大学
类型:发明
国别省市:陕西;61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1