基于非平稳条件场的SAR图像分割方法技术

本发明专利技术公开了一种基于非平稳条件场的SAR图像分割方法，主要解决现有技术分割不准确的问题。其实现步骤是：1.输入SAR图像，初始化分割获得分割标记场；2.对SAR图像进行初始区域划分，采用稀疏描述算法获取初始区域之间的相关性测度；3.依据初始区域之间的相关性测度，构建每一像素点对应的非平稳邻域；4.将非平稳邻域引入到条件场模型中，构建非平稳邻域下的一元、二元势能函数；5.对一元、二元势能函数进行整合，构建非平稳条件场模型中的全局后验概率；6.对全局后验概率进行贝叶斯推导，获得最终分割结果。本发明专利技术提高了SAR图像同质区域的分割一致性及细节特征的分割精度，可用于SAR图像目标检测与识别。

【技术实现步骤摘要】
基于非平稳条件场的SAR图像分割方法
本专利技术属于图像处理
，更进一步涉及SAR图像分割方法，可用于对SAR图像进行目标检测和目标识别。
技术介绍
合成孔径雷达SAR系统因其全天时，全天候，具有穿透性等特点而广泛应用于军事和民用领域。SAR图像分割是SAR图像目标识别与解译技术的重要环节，它可以提供图像整体结构信息，揭示SAR图像本质，为SAR系统的自动目标识别建立基础，并推动SAR的应用。这一领域已逐渐成为近年来国内外的一个研究热点。然而SAR系统成像时发射相干电磁波照射目标会使图像产生大量的斑点噪声，使得传统的光学图像分割算法用于SAR图像分割时无法取得令人满意的结果。在众多的SAR图像分割算法中，条件场CRF模型因其能够充分考虑图像局部相关性而受到广泛关注。近年来，CRF模型也在不断地发展和完善，涌现出多种扩展模型，包括条件三重马尔可夫场模型，树结构条件场模型。尽管CRF模型能够有效地描述SAR图像空间相关性以及分割结果的邻域相关性，提高SAR图像分割结果中对斑点噪声的抑制，但条件场模型通常是在平稳的邻域系统下进行构建，并未充分考虑到SAR图像的非平稳特性。SAR图像中通常存在复杂的图像内容，包括匀质区域以及点目标、边缘等非平稳细节信息。采用平稳的邻域系统描述信息空间相关性，能够有效地降低匀质区域内斑点噪声对分割的影响，然而，平稳邻域系统无法有效的描述非平稳的图像细节信息，会对SAR图像分割结果中的点目标以及边缘信息造成影响。
技术实现思路
本专利技术的目的在于针对上述已有问题的缺点，提出一种非平稳条件场的SAR图像分割方法，在保证SAR图像匀质区域分割抗噪性的同时，提高SAR图像中非平稳细节特征的分割准确性。实现本专利技术目的的技术方案是：利用canny算子获取SAR图像的边缘强度图并进行分水岭变换处理，对SAR图像进行初始区域划分，通过稀疏描述算法进行区域间相关性分析，构建SAR图像的非平稳邻域系统，在此基础上建立基于非平稳邻域的一元、二元势能函数，完成非平稳条件场模型的构建，并依据贝叶斯概率推导，完成对SAR图像的分割。具体步骤包括如下：(1)输入SAR图像Y，Y＝{Ys|s∈Q}，Ys为像素点s的灰度值，Ys∈[0,1,...,255]，Q为SAR图像像素点集；(2)对SAR图像Y进行初始分割，获得分割标记场X，X＝{Xs|s∈Q}，Xs为像素点s的分割标记值，Xs∈[1,2,...,K]，K为分割标记的总类别数，取值为正整数；(3)对SAR图像Y采用canny算子进行边缘检测，获取SAR图像对应的边缘强度图，在边缘强度图上采用分水岭算法得到初始区域划分集合RY＝{Rm,m＝1,2,...,M}，Rm为第m个区域，M为初始区域总个数，对于RY中任一区域Rm，提取SAR图像在该区域内像素灰度分布直方图作为该区域对应的特征Hm；(4)采用稀疏描述算法计算初始区域集合RY中任意两个不同区域Rm与Rn之间相关性测度corr(m,n)，其中m＝1,2,...,M，n＝1,2,...,M，且n≠m；(5)对于SAR图像中任一像素点s，根据区域之间相关性测度corr(m,n)，构建该像素点对应的非平稳邻域5a)获取像素点s所处区域的区域标号，假设该像素点所处的区域为Rm；5b)依据区域相关性测度，获得与区域Rm具有相关性区域的集合其中，Ts为区域相关性阈值，设置为0.6；5c)根据像素点s所处区域Rm以及其对应的相关性区域集合构建像素点s对应的非平稳邻域其中，∪为并集符号；(6)对于SAR图像中任一像素点s及其对应的非平稳邻域构建非平稳条件场模型在该点处的一元势能函数以及二元势能函数其中，Ω＝[1,2,...,K]，当xs＝ls时，δ(xs,ls)＝1，当xs≠ls时，δ(xs,ls)＝0，为在观测数据条件下的局部分类器，t为非平稳邻域内的像素点，为像素点t的空间作用参数，当xs＝xt时，δ(xs,xt)＝1，当xs≠xt时，δ(xs,xt)＝0；(7)根据SAR图像每一像素点处的局部一元、二元势能函数，利用吉布斯随机场概率公式计算SAR图像在非平稳条件场模型下的全局后验概率pNCRF(x|y)：其中，ZNCRF是归一化常数；(8)对全局后验概率pNCRF(x|y)进行20次吉布斯采样处理，计算任一像素点s的后验边缘概率pNCRF(xs|y)，利用贝叶斯最大后验边缘概率准则，将后验边缘概率pNCRF(xs|y)最大时所对应的类别作为像素点s的分割标记值结果；(9)对SAR图像中所有像素点按步骤(8)进行处理，获得SAR图像对应的分割结果X。本专利技术与现有技术相比具有以下优点：本专利技术在构建非平稳条件场模型中一元、二元势能函数时采用非平稳邻域，充分的考虑了SAR图像中局部信息相关性的非平稳特性，并将该特性通过非平稳邻域引入到局部特征提取以及局部空间作用关系描述中，提高了SAR图像分割的准确性。仿真结果表明，本专利技术与现有的传统条件场分割方法相比，既能在SAR图像匀质区域得到抗噪性更好的分割结果，又能提高SAR图像中细节特征分割的准确性。附图说明图1是本专利技术的实现流程图；图2是用本专利技术和现有条件场方法对平原SAR图像的分割结果图；图3是用本专利技术和现有条件场方法对农田SAR图像的分割结果图；图4是用本专利技术和现有条件场方法对城区SAR图像的分割结果图；图5是用本专利技术和现有条件场方法对河流SAR图像的分割结果图。具体实施方式下面结合附图对本专利技术的具体实施和效果作进一步描述：参照图1，本专利技术的实施步骤如下：步骤1.输入一幅SAR图像Y。该SAR图像Y为256灰度图像，每个像素点s的灰度值Ys为从0到255中取正整数，将该SAR图像中的所有像素点记为集合Q，则该SAR图像Y可表示为Y＝{Ys|s∈Q}，Ys∈[0,1,...,255]。步骤2.对SAR图像Y进行初始分割，获得分割标记场X。对SAR图像进行初始分割有多种方法，包括聚类方法、分水岭方法、区域生长方法以及直方图阈值方法等。在本实例中，采用K-means聚类对SAR图像Y进行初始分割，其步骤如下：2a)对SAR图像Y中所有像素点依据其灰度值进行聚类处理，将其自动划分为指定K类，人工设定分割类别K，则分割标记集合为[1,2,...,K]；2b)对SAR图像Y中像素点s，依据其聚类结果获得其分割标记值Xs，该标记值从分割标记集合[1,2,...,K]中取值；2c)对SAR图像中所有像素点按步骤2b)处理，获得SAR图像Y对应的分割标记场X，表示为X＝{Xs|s∈Q}，Xs∈[1,2,...,K]。步骤3.对SAR图像进行初始区域划分以及区域特征提取。对SAR图像进行区域划分有多种方法，包括分水岭算法、水平集算法以及区域生长等方法。在本实例中，采用基于边缘强度的分水岭方法进行SAR图像初始区域划分，其步骤如下：3a)对SAR图像Y采用canny算子进行边缘检测，获取SAR图像对应的边缘强度图；3b)对SAR图像对应的边缘强度图采用分水岭算法进行处理，获得SAR图像对应的初始区域划分集合RY＝{Rm,m＝1,2,...,M}，其中，Rm为第m个区域，M为初始区域总个数；3c)对于RY中任一区域Rm，提取SAR图像在该区域Rm内所有像素的灰度分布直方图作为该区域对应本文档来自技高网...

【技术保护点】
一种基于非平稳条件场的SAR图像分割方法，包括如下步骤：(1)输入SAR图像Y，Y＝{Ys|s∈Q}，Ys为像素点s的灰度值，Ys∈[0,1,...,255]，Q为SAR图像像素点集；(2)对SAR图像Y进行初始分割，获得分割标记场X，X＝{Xs|s∈Q}，Xs为像素点s的分割标记值，Xs∈[1,2,...,K]，K为分割标记的总类别数，取值为正整数；(3)对SAR图像Y采用canny算子进行边缘检测，获取SAR图像对应的边缘强度图，在边缘强度图上采用分水岭算法得到初始区域划分集合RY＝{Rm,m＝1,2,...,M}，Rm为第m个区域，M为初始区域总个数，对于RY中任一区域Rm，提取SAR图像在该区域内像素灰度分布直方图作为该区域对应的特征Hm；(4)采用稀疏描述算法计算初始区域集合RY中任意两个不同区域Rm与Rn之间相关性测度corr(m,n)，其中m＝1,2,...,M，n＝1,2,...,M，且n≠m；(5)对于SAR图像中任一像素点s，根据区域之间相关性测度corr(m,n)，构建该像素点对应的非平稳邻域5a)获取像素点s所处区域的区域标号，假设该像素点所处的区域为Rm；5b)依据区域相关性测度，获得与区域Rm具有相关性区域的集合Rmc={Rn|corr(m,n)≥Ts,n≠m,n=1,...,M},]]>其中，Ts为区域相关性阈值，设置为0.6；5c)根据像素点s所处区域Rm以及其对应的相关性区域集合构建像素点s对应的非平稳邻域Nsa=Rm∪Rmc,]]>其中，∪为并集符号；(6)对于SAR图像中任一像素点s及其对应的非平稳邻域构建非平稳条件场模型在该点处的一元势能函数以及二元势能函数fsU(xs,yNsa)=Σls∈Ωδ(xs,ls)log{P(xs|yRm)+ΣRn∈Rmccorr(m,n)*p(xs|yRn)},]]>fsP(xNsa,yNsa)=Σt∈Rmat(yRm)*δ(xs,xt)+ΣRn∈Rmccorr(m,n)*(Σt∈Rnat(yRn)*δ(xs,xt)),]]>其中，Ω＝[1,2,...,K]，当xs＝ls时，δ(xs,ls)＝1，当xs≠ls时，δ(xs,ls)＝0，为在观测数据条件下的局部分类器，t为非平稳邻域内的像素点，为像素点t的空间作用参数，当xs＝xt时，δ(xs,xt)＝1，当xs≠xt时，δ(xs,xt)＝0；(7)根据SAR图像每一像素点处的局部一元、二元势能函数，利用吉布斯随机场概率公式计算SAR图像在非平稳条件场模型下的全局后验概率pNCRF(x|y)：pNCRF(x|y)=1ZNCRFexp{Σs∈QfsU(xs,yNsa)+Σs∈QfsP(xNsa,yNsa)},]]>其中，ZNCRF是归一化常数；(8)对全局后验概率pNCRF(x|y)进行20次吉布斯采样处理，计算任一像素点s的后验边缘概率pNCRF(xs|y)，利用贝叶斯最大后验边缘概率准则，将后验边缘概率pNCRF(xs|y)最大时所对应的类别作为像素点s的分割标记值结果；(9)对SAR图像中所有像素点按步骤(8)进行处理，获得SAR图像对应的分割结果X。...

【技术特征摘要】
1.一种基于非平稳条件场的SAR图像分割方法，包括如下步骤：(1)输入SAR图像Y，Y＝{Ys|s∈Q}，Ys为像素点s的灰度值，Ys∈[0,1,...,255]，Q为SAR图像像素点集；(2)对SAR图像Y进行初始分割，获得分割标记场X，X＝{Xs|s∈Q}，Xs为像素点s的分割标记值，Xs∈[1,2,...,K]，K为分割标记的总类别数，取值为正整数；(3)对SAR图像Y采用canny算子进行边缘检测，获取SAR图像对应的边缘强度图，在边缘强度图上采用分水岭算法得到初始区域划分集合RY＝{Rm,m＝1,2,...,M}，Rm为第m个区域，M为初始区域总个数，对于RY中任一区域Rm，提取SAR图像在该区域内像素灰度分布直方图作为该区域对应的特征Hm；(4)采用稀疏描述算法计算初始区域集合RY中任意两个不同区域Rm与Rn之间相关性测度corr(m,n)，其中m＝1,2,...,M，n＝1,2,...,M，且n≠m：4a)将初始区域集合RY中每一区域的特征向量依次按列排列，组成完整字典矩阵D；4b)对于第一区域Rm，将完整字典矩阵D中第m列设为空向量，获得第一区域Rm对应的字典矩阵Dm；4c)根据第一区域Rm对应的特征Hm，以及该区域Rm对应的字典矩阵Dm，采用OMP算法计算区域Rm在字典矩阵Dm上的稀疏描述系数向量cm：cm＝argmin||Dmcm-Hm||2subjectto||cm||0≤L，其中，||Dmcm-Hm||2为(Dmcm-Hm)的模值，||cm||0为向量cm中非零元素的个数，L为稀疏度，设置为6；4d)对于第二区域Rn，将完整字典矩阵D中第n列设为空向量，获得第二区域Rn对应的字典矩阵Dn；4e)根据第二区域Rn对应的特征Hn，以及该区域Rn对应的字典矩阵Dn，采用OMP算法计算区域Rn在字典矩阵Dn上的稀疏描述系数向量cn：cn＝argmin||Dncn-Hn||2subjectto||cn||0≤L；4f)计算第一区域Rm与第二区域Rn之间的相关性测度corr(m,n)：(5)对于SAR图像中任一像素点s，根据区域之间相关性测度corr(m,n)，构建该像素点对应的非平稳邻域5a)获取像素点s所处区域的区域标号，假设该像素点所处的区域为Rm；5b)依据区域相关性测度，获得与区域Rm具有相关性区域的集合其中，Ts为区域相关性阈值，设置为0.6；5c)根据像素点s所处区域Rm以及其对应的相关性区域集合构建像素点s对应的非平稳邻域其中，∪为并集符号；(6)对于SAR图像中任一像素点s及其对应的非平稳邻域构建非平稳条件场模型在任一像素点处的一元势能函数以及二元势能函数

【专利技术属性】
技术研发人员：吴艳，王凡，张鹏，李明，樊建伟，张磊，
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