專利名稱：顧及多尺度馬爾科夫場的合成孔徑雷達圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種合成孔徑雷達圖像分割方法，具體地說是一種顧及多特征多 尺度馬爾科夫場的SAR圖像分割方法，屬于遙感影像處理領(lǐng)域。
背景技術(shù)：
合成孔徑雷達(Synthetic Aperture Radar， SAR)的全天候、大面積、高分 辨率、能穿透地表云霧的特點，使其可在短時間內(nèi)獲得大量的信息，這也使得 SAR圖像應(yīng)用成為遙感領(lǐng)域研究的熱點。隨著國內(nèi)外星載SAR系統(tǒng)的發(fā)展，獲取 了大量的星載SAR圖像數(shù)據(jù)，與SAR數(shù)據(jù)源的快速增長趨勢相比，作為SAR數(shù) 據(jù)應(yīng)用基礎(chǔ)的SAR圖像處理與分析相關(guān)技術(shù)的研究相對滯后。SAR圖像分割是 SAR圖像應(yīng)用中一種重要的圖像技術(shù)，目的是把圖像分成區(qū)域并提取出感興趣目 標(biāo)，其分割精度的高低是對SAR圖像中不同目標(biāo)進行識別和提取的關(guān)鍵指標(biāo)。但 是SAR的后向散射機制決定了 SAR圖像中存在相干斑(Speckle)噪聲，Speckle 噪聲可以認(rèn)為是一種乘性噪聲，且是一種非高斯分布的隨機噪聲，這導(dǎo)致了SAR 圖像數(shù)據(jù)模型的非線性化和圖像數(shù)據(jù)分布的另類性。這些相干斑噪聲降低了圖像 的空間分辨率，掩蓋了圖像的細(xì)節(jié)結(jié)構(gòu)，使得SAR圖像的穩(wěn)定信息多存在于統(tǒng)計 量而不是單純的灰度值中，這也使得常規(guī)的圖像分割技術(shù)難于直接應(yīng)用于SAR
圖像中取得好結(jié)果。
目前，國內(nèi)外研究較多的是含斑點噪聲的SAR圖像直接分割，其分割方法大
致分為以下幾類基于邊界提取的分割方法、基于區(qū)域的分割方法、基于特定理 論工具的分割方法和混合的分割方法?；谶吔缣崛〉姆指钏惴ㄊ侨藗冏钤缪芯?的方法，它通過區(qū)域邊緣上的像素灰度值的奇異性來解決不同區(qū)域間的分割問 題?；趨^(qū)域的分割方法側(cè)重于利用區(qū)域內(nèi)特征的相似性，主要包括直方圖閾值 化方法、MUM方法、分裂合并方法、流域分割方法和分類聚類方法等。結(jié)合特定 理論工具的方法主要包括基于統(tǒng)計學(xué)的分割方法、基于數(shù)學(xué)形態(tài)學(xué)的分割方法、 基于神經(jīng)網(wǎng)絡(luò)的分割方法、基于小波變換的分割方法、基于信息論的分割方法、 基于水平集理論的分割方法和基于模糊集理論的分割方法等。以上方法各有優(yōu)缺 點，基于邊緣檢測的方法存在邊界點的不連續(xù)和同質(zhì)區(qū)域中的偽邊界情況，后續(xù)處理難度大?；陂撝祷姆椒]有考慮圖像的空間信息，對噪聲很敏感?；?分類的方法可以較容易的同時利用多種特征，然而對空間信息利用不足，分割結(jié) 果的連續(xù)性差；基于區(qū)域合并的分割方法，主要用于非紋理區(qū)域的分割?；诹?域變換分割方法能否對紋理圖像進行分割，決定于能否得到理想的紋理梯度圖。 基于MRF場的方法，對類別不多的圖像分割精度高，充分利用了統(tǒng)計特性和紋理 特性，但是MAP估計計算量大，費時?；诙喑叨萂RF場的方法，用一個新的多 尺度隨機場模型來替代MRF模型，并且用從一個新的估計標(biāo)準(zhǔn)推出連續(xù)的MAP (SMAP)估計來代替MAP估計，解決了MRF模型的計算問題，但是對斑點抑制的 不夠充分，且分割結(jié)果的邊緣細(xì)節(jié)信息容易丟失。

發(fā)明內(nèi)容
針對上述問題，本發(fā)明提出了一種顧及多特征多尺度馬爾科夫場(Markov Random Field, MRF)的SAR圖像分割方法，該方法利用灰度共生矩陣提取原始 圖像的紋理特征，生成紋理圖像，并利用小波變換提取邊緣特征，結(jié)合紋理和邊 緣特征對圖像進行多尺度分割。該方法提高了 SAR圖像分割結(jié)果的精度，在保持 圖像大的區(qū)域性的同時，也很好的保留了圖像的細(xì)節(jié)信息。
本發(fā)明的技術(shù)方案是顧及多特征多尺度MRF場的SAR圖像分割方法包括以 下步驟
(1) 首先利用灰度共生矩陣對原始影像r進行紋理分析，得到紋理特征圖
像F';
(2) 利用模糊C均值方法對原始影像y進行聚類分割，獲得SAR圖像的初 始分割結(jié)果X(O);
(3) 結(jié)合初始分割結(jié)果X(O)，在紋理特征圖像F上進行多尺度MRF分割， 獲得進一步分割結(jié)果X'(O)。
(4) 利用小波變換檢測原始影像y邊緣信息，得到邊緣特征圖像r'。
(5) 將邊緣特征圖像y"與分割結(jié)果X'(O)進行融合，得到最終分割結(jié)果。 本發(fā)明的特點是-
(1)在得到的紋理特征圖像上進行多尺度分割，保證了圖像的整體性，使得 分割結(jié)果區(qū)域性明顯，受斑點噪聲影響??；(2)融合了小波提取的邊緣特征，很好的保留了圖像的邊緣等細(xì)節(jié)信息，使 得分割結(jié)果錯誤率小。


圖1為本發(fā)明方法的流程示意圖。
圖2為本發(fā)明方法中多尺度MRF模型層內(nèi)與層間基團示意圖，圖中(a)為 層內(nèi)基團點s與其鄰域，(b)為層內(nèi)基團類型，(c)為點s的父節(jié)點及其鄰域， (d)為層間基團類型。
圖3為本發(fā)明方法的分割結(jié)果比較示意圖。
具體實施例方式
本發(fā)明顧及多特征多尺度MRF場的SAR圖像分割方法的流程如圖1所示，包 括以下步驟
(1)利用灰度共生矩陣對原始影像y進行紋理分析，得到紋理特征圖像F。 設(shè)圖像某一區(qū)域有iV個灰度值，則對應(yīng)該區(qū)域的灰度共生矩陣是一個WxW階的
矩陣，灰度共生矩陣中元素(/,_/)的值表示沿某一方向，由距離d分開的分別具有
灰度/和j'的兩相鄰像素出現(xiàn)在圖像上的相對頻率。這樣的矩陣是對稱的，并且
有一個兩相鄰像素之間角度關(guān)系的函數(shù)。既可以在整個圖像上計算共生矩陣，也 可以再掃描圖像的小窗口中計算共生矩陣，本實施例采用的特征統(tǒng)計量有以下幾 種
角二階矩
i 乂 (1)
K階逆差矩-
加
紋理相關(guān)性熵
i ) (4)
其中， ' ^ ， 7'' ， ； 7 ， 乂 * ， 巧
是灰度共生矩陣中位置(/，力處元素的值。 灰度共生矩陣提取圖像紋理特征可以用以下過程描述
① 采用窗口掃描原圖像，分別沿^、 45°、 90°和135°四個方向，以兩相鄰 像素距離為1生成共生矩陣，計算出每個像素每個方向相應(yīng)的統(tǒng)計特征值；
② 將四個方向的統(tǒng)計特征值求平均，以替代單個方向的統(tǒng)計特征值，并生 成與原圖像像素矩陣大小相同的特征值矩陣；
③ 找出特征值矩陣中的最大值與最小值，以特征值矩陣中各個元素與最小 值之差同最大值與最小值之差的比值構(gòu)成灰度值矩陣，進而轉(zhuǎn)化生成特征圖像；
對這些特征圖像像素進行直方圖統(tǒng)計分析，發(fā)現(xiàn)這些特征量呈指數(shù)型分 布，可在相應(yīng)紋理特征圖像上考慮選用Gauss分布來描述圖像的紋理特征性質(zhì)。
(2) 利用模糊C均值方法對原始影像y進行聚類分割，獲得SAR圖像的初始 分割結(jié)果Z。)；
(3) 結(jié)合初始分割結(jié)果Z(O)，在紋理特征圖像:r上進行多尺度MRF分割，
獲得進一步分割結(jié)果X'(O)。
本實施例采用MLL模型描述標(biāo)號場，如圖2所示，只考慮2階鄰域系統(tǒng)(8
鄰域)^ = {^"^€^和雙像素集團(即只考慮A，A，A，A)，并且令基團勢能 系數(shù)^=爲(wèi)=爲(wèi)=爲(wèi)=〃， 〃取經(jīng)驗值。
在同一層內(nèi)，點^和其鄰域的局部相關(guān)性如圖2 (a、 b)中的基團來表示， 其MLL集團勢能函數(shù)的計算如下
( ){ A 如果基團內(nèi)所有像素的標(biāo)號相等 C。(、 ) = i-A 其他 (5)
層間的基團勢能如圖2中(c)和(d)所示，其MLL集團勢能函數(shù)為々2如果基團內(nèi)所有像素的標(biāo)號相等
—A
其他
(6)
本實施例選用Gauss模型來描述圖像的分布，則可用均值^和 標(biāo)準(zhǔn)方差 來表示其分布規(guī)律，似然函數(shù)可以表示為
JO = Z [ln ^ + (少_ "') 1
2cr
、 (7) 基于多尺度MRF模型的圖像分割采用貝葉斯(Bayes)估計器實現(xiàn)，可由一
個優(yōu)化問題表示
x = arg minx) | F = _y]
a (8)
代價函數(shù)c給出了真實配置為Z而實際分割結(jié)果為^時的代價。在已知圖像
V的情況下，最小化這一代價的期望，從而得到最佳的分割。本實施例采用序列 最大后驗概率對SAR圖像進行多尺度分割，相應(yīng)的貝葉斯估計式如下
《"=argmax(logp(>f) /)) + logpO;")}
《")=argmax(log/x;")) + logpO;") /(" <丄) (4)小波變換提取邊緣特征r'，在用小波分析提取邊緣信息時
小波模極大值的方法，其相應(yīng)的模值和幅角公式如下
(9)
(10) 采用的是
、 r『2/(2乂，x,力， 4/(2乂，x,力=arctan[ J 、 ■，，"]
(11)
f'/(2、,力- (12)
小波變換的模值沿幅角方向的極大值點就是可能存在的邊緣點，將圖像的局 部模極大值點連接成極值鏈，并選擇閾值去除短的極值鏈，剩下的就是圖像的邊
(5)利用線性加權(quán)法融合紋理多尺度分割結(jié)果I'(O)與邊緣特征F'，即直
接對兩幅圖像的對應(yīng)像素點進行加權(quán)疊加，得到最終分割結(jié)果，如圖3所示。該 圖是對真實SAR圖像農(nóng)田進行的分割，并給出了幾種分割算法進行比較，此農(nóng)田 圖像大小為256x256像素。在圖3中，(a)為原始圖像，(b)為遺傳算法KSW閾值分割結(jié)果，(c)為OSTU算法分割結(jié)果，(d)為單尺度服F-ICM分割結(jié)果，(e) 為多尺度MRF分割結(jié)果，(f)為本發(fā)明方法分割結(jié)果。(f)中圈A表示分割的整 體性較好，圈B箭頭所指，表示分割的細(xì)節(jié)性好。
權(quán)利要求
1.一種顧及多尺度馬爾科夫場的合成孔徑雷達圖像分割方法，其特征在于包括以下步驟(1)對原始圖像利用灰度共生矩陣提取紋理信息，在得到的紋理特征圖像上進行多尺度分割；(2)利用小波變換檢測原始圖像的邊緣信息，得到邊緣特征圖像；(3)利用線性加權(quán)法融合紋理多尺度分割結(jié)果與邊緣特征，即直接對兩幅圖像的對應(yīng)像素點進行加權(quán)疊加，得到最終分割結(jié)果。
2. 根據(jù)權(quán)利要求1所述顧及多尺度馬爾科夫場的合成孔徑雷達圖像分割方法，其特征在于步驟(1)中首先利用灰度共生矩陣對原始影像進行紋理分析，得到紋理特征圖像，并利用模糊C均值方法對原始影像進行聚類分割，獲得SAR圖像的初始分割結(jié)果，然后在紋理特征圖像上結(jié)合所得到的初始分割結(jié)果，對圖像進行多尺度MRF分割。
全文摘要
本發(fā)明公開了一種顧及多特征多尺度MRF場的SAR圖像分割方法，用于遙感影像處理，該方法包括(1)對原始圖像利用灰度共生矩陣提取紋理信息，在得到的紋理特征圖像上進行多尺度分割；(2)利用小波變換檢測原始圖像的邊緣信息，得到邊緣特征圖像；(3)利用線性加權(quán)法融合紋理多尺度分割結(jié)果與邊緣特征，即直接對兩幅圖像的對應(yīng)像素點進行加權(quán)疊加，得到最終分割結(jié)果。本發(fā)明方法減少了SAR圖像的錯誤分割率，在消除斑點噪聲的同時，很好的保留了圖像的邊緣等細(xì)節(jié)信息。
文檔編號G06T5/00GK101587587SQ20091006317
公開日2009年11月25日 申請日期2009年7月14日 優(yōu)先權(quán)日2009年7月14日
發(fā)明者劉俊怡, 川 徐, 眭海剛, 馬國銳 申請人:武漢大學(xué)