專利名稱：基于非局部的三馬爾可夫隨機(jī)場(chǎng)sar圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，涉及一種對(duì)紋理分布不均勻的非平穩(wěn)SAR圖像分割的方法，可應(yīng)用于目標(biāo)識(shí)別。
背景技術(shù)：
合成孔徑雷達(dá)(Synthetic Aperture Radar, 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。它與其它遙感成像系統(tǒng)，光學(xué)成像系統(tǒng)相比有很多差異。在軍事目標(biāo)識(shí)別方面，SAR圖像被廣泛的應(yīng)用在目標(biāo)檢測(cè)領(lǐng)域，而SAR圖像分割則是從圖像處理到圖像分析的重要步驟，是目標(biāo)分類和識(shí)別的基礎(chǔ)。在SAR圖像分割處理方面，由于SAR圖像中固有的乘性斑點(diǎn)噪聲的存在，圖像的像素常常會(huì)有突變，這種突變只是局部孤立的，而圖像的局部相關(guān)性讓我們考慮到了中心像 素與其相鄰像素之間的相關(guān)性，建立在像素鄰域系統(tǒng)上的馬爾可夫隨機(jī)場(chǎng)(Markov RandomField, MRF)正好能夠利用鄰域相關(guān)性來(lái)消除噪聲的影響，適合于SAR圖像的分割。自從上世紀(jì)60年代以來(lái),Besag等關(guān)于吉布斯(Gibbs)分布與MRF等價(jià)性的研究，使得分布函數(shù)與能量函數(shù)有了有效的聯(lián)系，利用這種聯(lián)系MRF模型開(kāi)始在圖像處理方面得到應(yīng)用。Geman S.和Geman D.在1984年發(fā)表的著名論文中建立了基于馬爾可夫隨機(jī)場(chǎng)和最大后驗(yàn)概率的方法。MRF在處理具有簡(jiǎn)單紋理的圖像方面取得了令人滿意的結(jié)果，但是對(duì)于大量復(fù)雜圖像，如非平穩(wěn)圖像、復(fù)雜紋理圖像、高噪聲圖像的處理，MRF模型顯得過(guò)于簡(jiǎn)單，因?yàn)樵贛RF模型中假設(shè)存在兩個(gè)隨機(jī)場(chǎng)，而只把其中一個(gè)隨機(jī)場(chǎng)認(rèn)為是符合馬爾可夫分布的，這樣在處理復(fù)雜圖像時(shí)，無(wú)法滿足條件獨(dú)立性的假設(shè)，模型就顯得過(guò)于簡(jiǎn)單。隨著統(tǒng)計(jì)模型不斷的發(fā)展和完善，MRF模型也隨之不斷的發(fā)展。2000年，提出了一個(gè)雙馬爾可夫隨機(jī)場(chǎng)模型(Pairwise Markov random Fields, PMF),此模型中直接假設(shè)兩個(gè)隨機(jī)場(chǎng)的聯(lián)合分布符合馬爾可夫分布，這樣就使得我們可以一方面能夠?qū)Σ煌瑘D像的紋理特性進(jìn)行建模，另一方面又能利用不同的貝葉斯方法來(lái)實(shí)現(xiàn)分割。在此基礎(chǔ)上人們又將這一模型擴(kuò)展到了更普遍的三馬爾可夫隨機(jī)場(chǎng)(Triplet Markov Fields, TMF)模型,在這個(gè)模型中通過(guò)引入第三個(gè)隨機(jī)場(chǎng)來(lái)對(duì)圖像進(jìn)行建模。非局部均值常用于圖像去噪，是對(duì)雙邊濾波的一個(gè)推廣，圖像中往往包含有許多冗余信息，充分利用這些冗余信息為去除圖像噪聲服務(wù)，這是非局部平均濾波模型的主要思想。冗余信息是指圖像中部分區(qū)域灰度的相似程度，根據(jù)相似度來(lái)進(jìn)行平滑去噪是非局部均值圖像去噪的一個(gè)優(yōu)點(diǎn)。非局部均值(NL-means)模型的主要特點(diǎn)是該方法不是用圖像中單個(gè)像素的灰度值進(jìn)行比較，而是對(duì)該像素周圍的整個(gè)灰度的分布狀況進(jìn)行比較，根據(jù)灰度分布的相似性來(lái)貢獻(xiàn)權(quán)值。隨著統(tǒng)計(jì)模型下SAR圖像分割方法的日益成熟，分割效果的評(píng)價(jià)也在以下三個(gè)方面逐漸嚴(yán)苛起來(lái)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。傳統(tǒng)的TMF方法并沒(méi)有考慮圖像自身的相似性，故圖像的上下文信息沒(méi)有得到充分的利用，使得在分割過(guò)程中損失了一些圖像的細(xì)節(jié)信息和邊緣，導(dǎo)致該TMF方法對(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
本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于非局部的三馬爾可夫隨機(jī)場(chǎng)SAR圖像分割方法，利用圖像的局部結(jié)構(gòu)信息相似度，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。實(shí)現(xiàn)本發(fā)明目的的技術(shù)思路是采用模糊C均值(FCM)聚類方法得到圖像的初始類標(biāo)場(chǎng)X，用K均值聚類的方法初 始場(chǎng)景類別標(biāo)號(hào)場(chǎng)U，利用圖像非局部冗余信息對(duì)U場(chǎng)進(jìn)行處理，并通過(guò)TMF模型描述圖像信息，結(jié)合Bayesian理論對(duì)X進(jìn)行更新，直至得到類標(biāo)場(chǎng)X滿足已設(shè)定的精度要求或最大迭代次數(shù)，輸出最終分割結(jié)果。其具體實(shí)現(xiàn)步驟如下I)輸入待分割的SAR圖像；2)利用FCM聚類的方法得到待分割圖像每個(gè)像素點(diǎn)的初始類標(biāo)；3)提取待分割圖像的灰度共生矩陣，采用k-means聚類方法得到待分割圖像每個(gè)像素點(diǎn)的場(chǎng)景類別，并利用圖像非局部冗余信息對(duì)場(chǎng)景類別進(jìn)行一次迭代更新，得到每個(gè)像素點(diǎn)新的場(chǎng)景類別；4)根據(jù)步驟2)得到的每個(gè)像素點(diǎn)的初始類標(biāo)和步驟3)得到的每個(gè)像素點(diǎn)新的場(chǎng)景類別，利用下式計(jì)算勢(shì)能W (x，u)-二 Σ W ( -2 '(.νν,χ;)) — "(Γ))+ Σ 4 (1 - 2^i^ ^))-( ■ ^)+ανδ^ (iys Mi ,b) )(i -x , Jri))式中，X為像素點(diǎn)的類標(biāo)，U為像素點(diǎn)的場(chǎng)景類別，S、t為一對(duì)相鄰像素點(diǎn)，Xs> Xt為一對(duì)相鄰像素點(diǎn)的類標(biāo)值，Us、ut為一對(duì)相鄰像素點(diǎn)的場(chǎng)景類別，Ch為圖像中水平方向上的相鄰像素點(diǎn)對(duì)的集合，Cv為圖像中垂直方向上的相鄰像素點(diǎn)對(duì)的集合，a，b為場(chǎng)景類別的兩種取值，<4、心、a2m、a},、ο4.和 4,分別表示不同的權(quán)重參數(shù),<4 =0^.=1 ^alri=I ,a；r=-0.3，
2 μ 2 i j(xs,x;)=|為類標(biāo)的懲罰函數(shù)，14χ—:「α%
alH=-03 ,ahr=l [O， xsfxt
6b)利用三馬爾可夫場(chǎng)聯(lián)合概率分布，獲得各像素點(diǎn)的后驗(yàn)邊緣概率；6c)利用貝葉斯最大后驗(yàn)邊緣概率準(zhǔn)則逐點(diǎn)更新圖像中各像素點(diǎn)的類標(biāo)；7)將更新前后類標(biāo)變化的像素點(diǎn)個(gè)數(shù)和圖像中像素點(diǎn)總數(shù)的比率作為終止條件，如果比率大于輸入的閾值10_9，或達(dá)到最大迭代次數(shù)100，返回步驟4)，否則將各像素點(diǎn)的最終類標(biāo)作為最終分割結(jié)果輸出。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)I、本發(fā)明結(jié)合圖像具有重復(fù)結(jié)構(gòu)這一性質(zhì)，充分利用了圖像的冗余信息，提取出非平穩(wěn)SAR圖像紋理區(qū)域的相似結(jié)構(gòu)，保證了圖像信息的完整性；2、本發(fā)明由于將非局部特性和TMF模型相結(jié)合，抑制了斑點(diǎn)噪聲，同時(shí)又有效地保留了圖像中的光滑邊緣部分，提高了 SAR圖像的分割精度；3、本發(fā)明由于采用G°分布的概率密度函數(shù)作為后驗(yàn)邊緣概率，很好的匹配了不同·場(chǎng)景區(qū)域的數(shù)據(jù)模型，提高了分割結(jié)果的同質(zhì)性、連通性和保真度。


圖I是本發(fā)明的流程示意圖；圖2是本發(fā)明在一幅兩類模擬SAR圖像上的仿真結(jié)果圖；圖3是本發(fā)明在一幅兩類復(fù)雜地物背景SAR圖像上的仿真結(jié)果圖；圖4是本發(fā)明在一副三類復(fù)雜地物背景SAR圖像上的仿真結(jié)果圖。
具體實(shí)施例方式參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下步驟一，輸入待分割的SAR圖像，圖像大小為M*N，視數(shù)為n，圖像中包含農(nóng)田、水域、森林、城鎮(zhèn)、山地等目標(biāo)。步驟二，利用FCM聚類的方法得到待分割圖像每個(gè)像素點(diǎn)的初始類標(biāo)。對(duì)待分割的SAR圖像進(jìn)行FCM聚類，每個(gè)像素點(diǎn)以不同的隸屬度屬于各類。通過(guò)迭代尋優(yōu)后把每個(gè)像素點(diǎn)分配給該像素點(diǎn)具有最高隸屬度的類，就得到了圖像中每個(gè)像素點(diǎn)的初始類標(biāo)。步驟三，提取待分割圖像的灰度共生矩陣，采用k-means聚類方法得到待分割圖像每個(gè)像素點(diǎn)的場(chǎng)景類別，并利用圖像非局部冗余信息對(duì)場(chǎng)景類別進(jìn)行一次迭代更新，得到每個(gè)像素點(diǎn)新的場(chǎng)景類別。(3. I)提取待分割圖像的灰度共生矩陣，采用k-means聚類估計(jì)場(chǎng)景類別選取每個(gè)像素點(diǎn)的O度，45度，90度，135度四個(gè)方向上的對(duì)比度、相關(guān)性、能量、逆差距共16維特征；隨機(jī)選擇k個(gè)像素點(diǎn)，其中每個(gè)像素點(diǎn)代表一個(gè)場(chǎng)景類別的聚類中心，計(jì)算剩余的每個(gè)像素點(diǎn)到各個(gè)場(chǎng)景類別中心的基于上述16維特征的距離，根據(jù)使距離最小的原則將剩余的每個(gè)像素點(diǎn)劃分到最相似的場(chǎng)景類別；然后重新計(jì)算各個(gè)場(chǎng)景類別的新均值，得到新的場(chǎng)景類別中心；不斷重復(fù)這個(gè)過(guò)程，直到場(chǎng)景類別中心不再變化，這時(shí)就完成了對(duì)場(chǎng)景類別的初始估計(jì)；(3. 2)利用圖像非局部冗余信息對(duì)場(chǎng)景類別進(jìn)行一次迭代更新。根據(jù)步驟(3. I)得到的每個(gè)像素點(diǎn)s的初始場(chǎng)景類別，取鄰域窗口 m*m，m = 11，分別計(jì)算窗口內(nèi)每一類像素點(diǎn)對(duì)S的影響因子，取影響因子最大的一類作為S點(diǎn)更新后的場(chǎng)景類別，第k類像素點(diǎn)對(duì)S的影響因子的計(jì)算公式為
「 n t ,、V i i IHaU-vWII::P( s=女)=Σ兩exp----^，
fVJ式中，t為鄰域大窗口中屬于第k類的像素點(diǎn)，V(Ns)代表以s為中心的鄰域矢量，V(Nt)代表以t為中心的鄰域矢量，取中心點(diǎn)附近的3*3小窗口共九個(gè)點(diǎn)組成鄰域矢量，
用高斯核函數(shù)||ν(Λζ) - V(ATi)I度量鄰域矢量間的相似度，相似度越高則影響因子值越大。
Z(S)為歸一化因子,其表達(dá)式為·「 w、V { ikm)-vWii2VZ(5) = 2^exP--Tl--，
t h
KJ其中，h是控制指數(shù)函數(shù)衰減速度的衰減因子，α為高斯核函數(shù)的標(biāo)準(zhǔn)差，α>0。步驟四，根據(jù)步驟二得到的每個(gè)像素點(diǎn)的初始類標(biāo)和步驟三得到的每個(gè)像素點(diǎn)新的場(chǎng)景類別，利用下式計(jì)算圖像的勢(shì)能W(x，u)W(x,u)= [ a!. (1-20' (.V5, xf)) - (α；,, δ" (w.,//, ,a) +α^,δ" ( /,, /, ,b)) (I - J (x,, x;))+
(sjy-cr式中，X為像素點(diǎn)的類標(biāo)，U為像素點(diǎn)的場(chǎng)景類別，S、t為一對(duì)相鄰像素點(diǎn)，Xs> Xt為一對(duì)相鄰像素點(diǎn)的類標(biāo)值，us、ut為一對(duì)相鄰像素點(diǎn)的場(chǎng)景類別，Ch為圖像中水平方向上的相鄰像素點(diǎn)對(duì)的集合，Cv為圖像中垂直方向上的相鄰像素點(diǎn)對(duì)的集合，a，b為場(chǎng)景類別的兩種取值，、心、α ;Η、οφ、aa\.和￠4..分別表示不同的權(quán)重參數(shù)，，o^=l a;F =-0.3 ,
2ηα , J(U)=I!,為類標(biāo)的懲罰函數(shù)，礦(w)={^ .α為
=-0.3 Mlv=I，[O, xs 本 xr、 7 [O, otherwise
場(chǎng)景類別取a時(shí)的懲罰函數(shù)， ' ",力)=U’為場(chǎng)景類別取b時(shí)的懲罰函數(shù)。
' [O, oiherwise步驟五，根據(jù)步驟二中得到的每個(gè)像素點(diǎn)的類標(biāo)，計(jì)算各像素點(diǎn)的條件概率
(,、η Y in-a)H凡 K)-廣「(")「(,《)(廣..7)^廣《，其中，P (ys I Xs)服從統(tǒng)計(jì)模型G°分布，ys為像素點(diǎn)s的灰度值，Γ為Gamma函數(shù)，η為SAR圖像的等效視數(shù)，η可通過(guò)圖像的先驗(yàn)知識(shí)獲得，α為形狀參數(shù)，、為尺度參數(shù)。步驟六，根據(jù)上述得到的勢(shì)能W (X，u)和各像素點(diǎn)的條件概率P (ys I xs)，更新各像素點(diǎn)的類標(biāo)。(6. I)根據(jù)勢(shì)能W(x，u)和各像素點(diǎn)的條件概率p(ys|xs)，使用統(tǒng)計(jì)概率公式計(jì)算三馬爾可夫場(chǎng)聯(lián)合概率分布統(tǒng)計(jì)概率公式為
權(quán)利要求
1.一種基于非局部的三馬爾可夫隨機(jī)場(chǎng)SAR圖像分割方法，包括如下步驟 1)輸入待分割的SAR圖像； 2)利用FCM聚類的方法得到待分割圖像每個(gè)像素點(diǎn)的初始類標(biāo)； 3)提取待分割圖像的灰度共生矩陣，采用k-means聚類方法得到待分割圖像每個(gè)像素點(diǎn)的場(chǎng)景類別，并利用圖像非局部冗余信息對(duì)場(chǎng)景類別進(jìn)行一次迭代更新，得到每個(gè)像素點(diǎn)新的場(chǎng)景類別； 4)根據(jù)步驟2)得到的每個(gè)像素點(diǎn)的初始類標(biāo)和步驟3)得到的每個(gè)像素點(diǎn)新的場(chǎng)景類另1J，利用下式計(jì)算勢(shì)能W (X，u)
2.根據(jù)權(quán)利要求I所述的基于非局部的三馬爾可夫隨機(jī)場(chǎng)SAR圖像分割方法，其中步驟3)所述的利用圖像非局部冗余信息對(duì)場(chǎng)景類別進(jìn)行一次迭代更新，按如下步驟進(jìn)行 3a)提取待分割圖像的灰度共生矩陣，采用k-means聚類估計(jì)每個(gè)像素點(diǎn)的初始場(chǎng)景類別；3b)根據(jù)步驟3a)得到的每個(gè)像素點(diǎn)s的初始場(chǎng)景類別，取鄰域窗口 m*m，m=ll，分別計(jì)算窗口內(nèi)每一類像素點(diǎn)對(duì)s的影響因子，取影響因子最大的一類作為s點(diǎn)更新后的場(chǎng)景類另O，第k類像素點(diǎn)對(duì)s的影響因子的計(jì)算公式為
3.根據(jù)權(quán)利要求I所述的基于非局部的三馬爾可夫隨機(jī)場(chǎng)SAR圖像分割方法，其中步驟6a)所述的使用統(tǒng)計(jì)概率公式計(jì)算三馬爾可夫場(chǎng)聯(lián)合概率分布，按如下公式進(jìn)行
4.根據(jù)權(quán)利要求I所述的基于非局部的三馬爾可夫隨機(jī)場(chǎng)SAR圖像分割方法，其中步驟6b)所述的利用三馬爾可夫場(chǎng)聯(lián)合概率分布，獲得各像素點(diǎn)的后驗(yàn)邊緣概率，按如下步驟進(jìn)行 6bl)對(duì)三馬爾可夫場(chǎng)的聯(lián)合概率分布進(jìn)行吉布斯采樣，采樣30-60次類標(biāo)集合和場(chǎng)景類別集合中的樣本，選出樣本中每個(gè)像素點(diǎn)出現(xiàn)次數(shù)最多的類標(biāo)值，利用下式計(jì)算各像素點(diǎn)的后驗(yàn)概率P (xs, Us |y)
5.根據(jù)權(quán)利要求I所述的基于非局部的三馬爾可夫隨機(jī)場(chǎng)SAR圖像分割方法，其中步驟6c)所述的利用貝葉斯最大后驗(yàn)邊緣概率準(zhǔn)則逐點(diǎn)更新圖像中各像素點(diǎn)的類標(biāo)，按如下公式進(jìn)行
全文摘要
本發(fā)明公開(kāi)了一種基于非局部的三馬爾可夫隨機(jī)場(chǎng)SAR圖像分割方法，它屬于圖像處理技術(shù)領(lǐng)域，主要解決傳統(tǒng)TMF方法應(yīng)用于SAR圖像分割易產(chǎn)生區(qū)域一致性差，邊界凌亂的問(wèn)題。其實(shí)現(xiàn)步驟為(1)輸入待分割圖像；(2)利用FCM聚類初始化每個(gè)像素類標(biāo);(3)利用k-means初始化每個(gè)像素的場(chǎng)景類別，并利用非局部冗余信息對(duì)場(chǎng)景類別進(jìn)行一次更新迭代；(4)計(jì)算圖像的勢(shì)能；(5)構(gòu)建三馬爾可夫場(chǎng)聯(lián)合分布，并用吉布斯采樣器對(duì)該分布函數(shù)采樣，得到后驗(yàn)概率；(6)計(jì)算后驗(yàn)邊緣概率，并逐點(diǎn)更新各像素點(diǎn)類標(biāo)；(7)判斷各像素類標(biāo)變化率是否大于閾值，若變化率大于閾值，重復(fù)(4)-(6),否則輸出分割結(jié)果。本發(fā)明收斂速度快，分割結(jié)果區(qū)域一致性好,保留信息完整，可用于SAR圖像目標(biāo)識(shí)別。
文檔編號(hào)G06T7/00GK102903102SQ201210334910
公開(kāi)日2013年1月30日 申請(qǐng)日期2012年9月11日 優(yōu)先權(quán)日2012年9月11日
發(fā)明者侯彪, 焦李成, 牛佳穎, 馬文萍, 張向榮, 王爽 申請(qǐng)人:西安電子科技大學(xué)