基于jseg和譜聚類的多尺度海面溢油sar圖像分割方法
【專利摘要】針對傳統(tǒng)基于灰度特征譜聚類算法抗噪性能較差，而基于灰度共生矩陣的多特征-譜聚類分割方法又存在的尺度單一、對方向性敏感、最佳特征組合選擇困難等局限性，提出了一種基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法。首先利用JSEG算法提出的J-image多尺度影像序列提取原始影像的尺度、光譜與紋理特征，構(gòu)建譜聚類特征矩陣，并依據(jù)規(guī)范切準(zhǔn)則，用K均值聚類方法對拉布拉斯矩陣進(jìn)行聚類，最后采用基于投票機制的融合策略對單一尺度下的分割結(jié)果進(jìn)行決策級融合，從而實現(xiàn)SAR圖像溢油的多尺度分割。與傳統(tǒng)多特征-譜聚類方法相比，多組實驗結(jié)果證明了本發(fā)明具有更高的分割精度，具有較強的魯棒性。
【專利說明】基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法，屬于SAR圖像分割【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]海洋溢油污染對海洋生態(tài)系統(tǒng)及沿海城市的環(huán)境與經(jīng)濟(jì)發(fā)展都帶來了嚴(yán)重的危害，是主要的海洋污染之一。合成孔徑雷達(dá)(SAR)具有全天時，全天候的監(jiān)測能力，能夠有效穿透云層，因此在海面溢油監(jiān)測方面得到了廣泛的應(yīng)用。海面溢油具有地雷達(dá)后向散射的特性，能夠造成Bragg波的衰減，從而降低海面粗糙程度，在SAR影像中顯示為較暗的條帶或者斑點。同時，其他一些因素如雨區(qū)、生物溢油、海洋自然表面膜、低風(fēng)速區(qū)等等也具有類似的特性，為圖像分割帶來的很大的難度[8’9]。另外，SAR圖像由于其自身成像機理，圖像中存在大量的相干斑噪聲，也對后續(xù)的圖像處理造成嚴(yán)重的干擾。因此，準(zhǔn)確、高效的圖像分割是SAR圖像海面溢油檢測的關(guān)鍵步驟之一。
[0003]基于譜聚類的分割算法是近幾年圖像分割領(lǐng)域的研究之一。它利用數(shù)據(jù)點間的相似性構(gòu)造相似矩陣，進(jìn)而對提取的特征向量進(jìn)行聚類獲得分割結(jié)果。例如文獻(xiàn)(張君，薄華，王曉峰.基于改進(jìn)譜聚類的合成孔徑雷達(dá)溢油圖像分割算法[J].上海海事大學(xué)學(xué)報，2011,32(3):68-73.)采用分塊策略將高維圖像分為多個子圖，將每個子圖采用基于灰度的譜聚類進(jìn)行分類，有效降低了算法復(fù)雜度。但直接基于灰度的譜聚類更容易受到噪聲影響，因而分割結(jié)果中溢油區(qū)域的連通性不佳，分割精度不高。因而在譜聚類之前，首先應(yīng)對圖像進(jìn)行特征提取從而構(gòu)建特征矩陣。
[0004]目前，對SAR圖像溢油區(qū)域的紋理特征提取主要利用基于灰度共生矩陣的特征分析方法?；叶裙采仃?gray-level co-occurrence matrix)最早由Haralick提出，能夠有效描述圖像中灰度的空間相關(guān)性。例如張偉偉，薄華，王曉峰的多特征-譜聚類的SAR圖像溢油分割，利用灰度共生矩陣提取SAR影像的多個紋理特征構(gòu)建相似性矩陣，在此基礎(chǔ)上采用譜聚類方法有效提高了分割精度。但在利用灰度共生矩陣提取溢油圖像的紋理信息之前，需要首先確定計算灰度共生矩陣的3個參數(shù)，包括:方向、步長以及紋理計算窗口的大小。不同的參數(shù)組合會對最終分割精度產(chǎn)生重要影響，而這些參數(shù)的確定往往只能根據(jù)溢油圖像本身或經(jīng)驗取得，因而降低了算法的可靠性。采用某一種參數(shù)組合決定了灰度共生矩陣僅對特定尺度下的紋理特征敏感，從而忽略了圖像中所包含的尺度信息。根據(jù)專家的知識，對SAR溢油圖像進(jìn)行多尺度特征提取，并對不同尺度下的分割結(jié)果進(jìn)行融合，可以有效提高分割精度及可靠性。另一方面，在灰度共生矩陣中提取的多個紋理特征向量中，如何選擇合適的紋理特征向量來構(gòu)建特征矩陣，從而保證分割精度的同時有效控制計算復(fù)雜度，依然沒有統(tǒng)一標(biāo)準(zhǔn)。Deng和Manjunath等人提出的JSEG算法是目前流行的彩色紋理分割算法之一。JSEG算法在圖像分割中產(chǎn)生了 J-1mage圖像序列，該圖像序列能夠較好的整合影像的光譜特征和紋理特征，同時包含了尺度信息，用J-1mage描述對象能有效克服采用原始特征向量存在的局限性，同時對方向不敏感。
【發(fā)明內(nèi)容】

[0005]發(fā)明目的:針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法。采用計算J-1mage影像序列提取SAR影像中的多尺度下的灰度與紋理特征，進(jìn)而構(gòu)造相似性矩陣，根據(jù)標(biāo)準(zhǔn)切準(zhǔn)則(Shi J, Malik J.Normalizedcuts and image segmentation[J])選擇第2小特征值對應(yīng)的特征向量并采用Knean方法進(jìn)行聚類，對單一尺度下的聚類結(jié)果不一致的像素采用基于投票機制的決策融合策略進(jìn)行融合，獲得最終的分割結(jié)果。
[0006]技術(shù)方案:一種基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法，主要包括三個步驟:色彩量化與特征提?。欢喑叨茸V聚類分割；基于投票機制的決策融合。
[0007]色彩量化與特征提取
[0008]采用JSEG算法中的色彩量化方法對圖像進(jìn)行灰度級壓縮。首先將圖像的顏色空間轉(zhuǎn)換為LUV顏色空間，利用對等組濾波對影像進(jìn)行平滑去噪，最后采用K-meansalgorithm方法獲得量化影像，即“類圖”。進(jìn)而，基于“類圖”計算反應(yīng)圖像局域同質(zhì)性特征J-1mage影像序列。其中J-value定義如下:
[0009]令量化影像中每一個像素的位置Z (X，y)為像素z的像素值，Z (X，y) e Z。Z為以像素z為中心的特定尺寸窗口內(nèi)所有像素組成的集合。利用不同尺寸的窗口可以獲得不同尺度的J-1mage影像。
[0010]定義St為Z中所有像素的總體方差，Sw為屬于同一類的所有像素方差的和，則J-value 為:
[0011]J= (S1-Sff)/Sff (I)
[0012]用同一窗口尺寸計算像素z對應(yīng)的J-value并作為z的像素值，遍歷量化影像，可獲得單一尺度的J-1mage。進(jìn)而通過改變窗口尺寸，可獲得多尺度的J-1mage影像序列。
[0013]多尺度譜聚類分割
[0014]譜聚類算法首先利用數(shù)據(jù)點間的相似性構(gòu)造相似矩陣，進(jìn)而計算該矩陣的特征值與特征向量，最后對特征向量進(jìn)行聚類實現(xiàn)圖像的分割。計算相似性矩陣W的公式如下所示，其中，Xi，Xj為數(shù)據(jù)樣本點，σ為核參數(shù):
[0015]Wij = exp (-1 I X1-Xj | 12/2 σ 2) (2)
[0016]采用最小切割準(zhǔn)則構(gòu)造拉布拉斯矩陣，并采用K-means方法聚類獲得單一尺度的分割結(jié)果。
[0017]基于投票機制的決策融合
[0018]基于多尺度下的分割結(jié)果，定義基于投票機制的決策級融合策略:
[0019]I)將多個尺度的分割結(jié)果進(jìn)行比較，將檢測結(jié)果一致的像素歸為一類，可以將原始影像中的所有像素分成三類:溢油區(qū)域和非溢油區(qū)域，剩余像素為疑似溢油區(qū)域，需要進(jìn)一步進(jìn)行判別。
[0020]2)對疑似溢油區(qū)域的所有像素，根據(jù)不同尺度的檢測結(jié)果進(jìn)行投票，得票數(shù)多的被認(rèn)為是正確的分類結(jié)果。
[0021]3)由于最小尺度能夠更加準(zhǔn)確的反應(yīng)圖像的細(xì)節(jié)特征，當(dāng)某一像素得票數(shù)相同時，采用最小尺度的分類結(jié)果。[0022]有益效果:與傳統(tǒng)基于灰度特征以及多個紋理特征的譜聚類方法相比，本發(fā)明綜合利用了圖像的灰度與紋理特征以及圖像中包含的尺度信息。有效克服了傳統(tǒng)基于灰度特征的譜聚類分割時抗噪性能較差的缺點。另一方便，與采用多個紋理特征譜聚類分割算法相比，本發(fā)明通過引入JSEG算法，利用J-1mage影像提取圖像的局域同質(zhì)性紋理特征及尺度信息，具有更高的分割精度。另一方面，本發(fā)明可有效避免采用灰度共生矩陣的譜聚類分割方法時，由于選擇不同紋理特征的組合對分割結(jié)果造成的不確定性。
【專利附圖】

【附圖說明】
[0023]圖1為以z為中心，尺寸為9X9的窗口；
[0024]圖2為以z為中心，尺寸為18X18的窗口；
[0025]圖3為實驗一的分割比較圖，其中，(a)SAR溢油影像，(b)本發(fā)明分割結(jié)果，(c)多特征-譜聚類分割結(jié)果，(d)灰度-譜聚類分割結(jié)果；
[0026]圖4為實驗二的分割比較圖，其中，(a)SAR溢油影像，(b)本發(fā)明分割結(jié)果，(c)多特征-譜聚類分割結(jié)果，(d)灰度-譜聚類分割結(jié)果。
【具體實施方式】
[0027]下面結(jié)合具體實施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
[0028]基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法，主要包括三個步驟:色彩量化與特征提??；多尺度譜聚類分割；基于投票機制的決策融合。
`[0029]色彩量化與特征提取
[0030]鑒于SAR影像中存在的大量相干斑噪聲對分割結(jié)果的嚴(yán)重影響，在特征提取前首先應(yīng)對圖像進(jìn)行去噪處理。同時，為進(jìn)一步減少運算量并且盡量保持圖像的紋理特征，采用JSEG算法中的色彩量化方法對圖像進(jìn)行灰度級壓縮。首先將圖像的顏色空間轉(zhuǎn)換為LUV顏色空間，利用對等組濾波(peer group fltering,PGF)對影像進(jìn)行平滑去噪,最后采用經(jīng)典的K-means algorithm方法獲得量化影像，即“類圖”。進(jìn)而，基于“類圖”計算反應(yīng)圖像局域同質(zhì)性特征J-1mage影像序列。其中J-value定義如下:
[0031]令量化影像中每一個像素的位置Z(x，y)為像素z的像素值，Z(x，y) e Z。Z為以像素z為中心的特定尺寸窗口內(nèi)所有像素組成的集合。利用不同尺寸的窗口可以獲得不同尺度的J-1mage影像。圖1、2分別為以z為中心，尺寸為9X9與18X 18的窗口。為盡量保證各個方向的一致性，窗口中的角點被去除。
[0032]定義St為Z中所有像素的總體方差，Sw為屬于同一類的所有像素方差的和，則J-value 為:
[0033]J= (S1-Sff)/Sff(I)
[0034]用同一窗口尺寸計算像素z對應(yīng)的J-value并作為z的像素值，遍歷量化影像，可獲得單一尺度的J-1mage。進(jìn)而通過改變窗口尺寸，可獲得多尺度的J-1mage影像序列。J-1mage影像是一種梯度影像，由于J-value較好的整合了原始影像在不同尺度下的光譜特征與紋理特征，能夠有效消除噪聲的影響，因此用J-1mage影像代替原始影像進(jìn)行譜聚類分割。
[0035]多尺度譜聚類分割
[0036]譜聚類具有在任意形狀的樣本空間進(jìn)行聚類以及收斂于全局最優(yōu)的優(yōu)點。譜聚類算法首先利用數(shù)據(jù)點間的相似性構(gòu)造相似矩陣，進(jìn)而計算該矩陣的特征值與特征向量，最后對特征向量進(jìn)行聚類實現(xiàn)圖像的分割。計算相似性矩陣W的公式如下所示，其中，Xi，Xj為數(shù)據(jù)樣本點，σ為核參數(shù):
[0037]Wij = exp (_ | | X1-Xj | 12/2 σ 2)(2)
[0038]目前用于二分類的常用劃分準(zhǔn)則包括率切準(zhǔn)則、規(guī)范切準(zhǔn)則和最小最大切準(zhǔn)則。其中，最小切割準(zhǔn)則能夠在SAR圖像的溢油檢測中取得較好的分割效果。為方便比較實驗結(jié)果，因此采用最小切割準(zhǔn)則構(gòu)造拉布拉斯矩陣，最后采用K-means方法聚類獲得單一尺度的分割結(jié)果。
[0039]基于投票機制的決策融合
[0040]基于多尺度下的分割結(jié)果，定義一種簡單的基于投票機制的決策級融合策略:
[0041]I)將多個尺度的分割結(jié)果進(jìn)行比較，將檢測結(jié)果一致的像素歸為一類，可以將原始影像中的所有像素分成三類:溢油區(qū)域和非溢油區(qū)域，剩余像素為疑似溢油區(qū)域，需要進(jìn)一步進(jìn)行判別。
[0042]2)對疑似溢 油區(qū)域的所有像素，根據(jù)不同尺度的檢測結(jié)果進(jìn)行投票，得票數(shù)多的被認(rèn)為是正確的分類結(jié)果。
[0043]3)由于最小尺度能夠更加準(zhǔn)確的反應(yīng)圖像的細(xì)節(jié)特征，當(dāng)某一像素得票數(shù)相同時，采用最小尺度的分類結(jié)果。
[0044]具體實現(xiàn)
[0045]基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法具實現(xiàn)流程如下:
[0046]I)首先對原始SAR溢油影像進(jìn)行對等組濾波去噪與灰度級壓縮，從而獲得量化影像。根據(jù)原始影像確定計算區(qū)域同質(zhì)性指標(biāo)J-value窗口大小，并利用公式(I)計算多尺度J-1mage序列。較大的窗口尺寸適于提取紋理特征一致的大塊溢油區(qū)域，并能夠有效減少這些區(qū)域中噪聲及其他孤立點造成的干擾。較小的窗口則適用于提取零星的浮油區(qū)域，另外能夠準(zhǔn)確的定位溢油區(qū)域的邊界。不同尺度的J-1mage越多,J-1mage序列越能夠更加真實的反映影像的紋理信息，但計算量也會指數(shù)級增長。因此，可根據(jù)實際圖像的特點，何時選擇窗口尺寸的大小。設(shè)定窗口尺寸為5X5像素、10 X 10像素、15 X 15像素以及20 X 20像素，計算4個尺度組成的J-1mage序列。
[0047]2)在單一尺度J-1mage中，利用公式(2)計算相似性矩陣W e RnXn,進(jìn)而構(gòu)造拉普拉斯矩陣L = W。公式(2)中的核參數(shù)σ通常依據(jù)經(jīng)驗確定。計算L的I個特征值及對應(yīng)的特征向量，取第二最小特征值所對應(yīng)的特征向量V，最后采用Cleans方法聚類獲得單一尺度的分割結(jié)果。
[0048]3)對單一尺度的檢測結(jié)果采用定義的融合策略進(jìn)行融合。為進(jìn)一步消除圖像中的孤立點，若分類結(jié)果中以某一像素為中心的相鄰8個像素的分類結(jié)果都與中心像素不同，則更改中心像素的分類結(jié)果。遍歷所有像素，獲得最終的聚類結(jié)果。
[0049]實驗結(jié)果分析
[0050]為了驗證本文方法的可行性與有效性，實驗結(jié)果將分別與采用基于灰度特征以及多特征的譜聚類算法分別進(jìn)行比較。實驗圖像采用截取的兩幅德國TerraSAR-X雷達(dá)衛(wèi)星在2009年9月采集的澳大利亞東北部帝汶海中蒙塔拉采油平臺的溢油圖像，空間分辨率為18m，如圖3、圖4所示。溢油區(qū)域大概污染了 2000平方公里的海面，在圖像中表現(xiàn)為顏色較暗的區(qū)域，同時圖像中存在大量的相干斑噪聲，圖像尺寸為512X512像素。核參數(shù)σ依據(jù)溢油區(qū)域的形狀及面積大小，在兩組實驗中分別設(shè)定為σ = 0.08，σ = 0.13，實驗結(jié)果如圖3、圖4所示。
[0051]通過目視分析可以看出:基于灰度特征和譜聚類的分割方法基本能夠提取油膜所在的主要區(qū)域，但存在大量的由噪聲導(dǎo)致的孤立點及細(xì)碎斑塊，圖像的細(xì)節(jié)損失嚴(yán)重。基于多特征及譜聚類的分割算法抗噪性能略好，但分割精度不高，尤其在一些油膜的紋理特征與海面相似的區(qū)域，存在嚴(yán)重的欠分割現(xiàn)象。本文提出的方法能夠更加準(zhǔn)確地提取圖像中的溢油區(qū)域，在保證分割精度的同時有效消除相干噪聲的影響。為一進(jìn)步定量評價三種算法的分割精度。在兩組實驗中分別選擇了一組5000個像素的樣本集，將其視為真實數(shù)據(jù)對三種分割算法的精度進(jìn)行評價，見表1。
[0052]表1算法精度評價
【權(quán)利要求】
1.一種基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法，其特征在于，主要包括三個步驟:色彩量化與特征提取；多尺度譜聚類分割；基于投票機制的決策融合； 色彩量化與特征提取 采用JSEG算法中的色彩量化方法對圖像進(jìn)行灰度級壓縮；首先將圖像的顏色空間轉(zhuǎn)換為LUV顏色空間,利用對等組濾波對影像進(jìn)行平滑去噪,最后采用K-means algorithm方法獲得量化影像，即“類圖”;進(jìn)而，基于“類圖”計算反應(yīng)圖像局域同質(zhì)性特征J-1mage影像序列； 多尺度譜聚類分割 譜聚類算法首先利用數(shù)據(jù)點間的相似性構(gòu)造相似矩陣，進(jìn)而計算該矩陣的特征值與特征向量，最后對特征向量進(jìn)行聚類實現(xiàn)圖像的分割； 采用最小切割準(zhǔn)則構(gòu)造拉布拉斯矩陣，并采用K-means方法聚類獲得單一尺度的分割結(jié)果; 基于投票機制的決策融合 基于多尺度下的分割結(jié)果，定義基于投票機制的決策級融合策略: 1)將多個尺度的分割結(jié)果進(jìn)行比較，將檢測結(jié)果一致的像素歸為一類，可以將原始影像中的所有像素分成三類:溢油區(qū)域和非溢油區(qū)域，剩余像素為疑似溢油區(qū)域，需要進(jìn)一步進(jìn)行判別； 2)對疑似溢油區(qū)域的所有像素，根據(jù)不同尺度的檢測結(jié)果進(jìn)行投票，得票數(shù)多的被認(rèn)為是正確的分類結(jié)果；` 3)當(dāng)某一像素得票數(shù)相同時，采用最小尺度的分類結(jié)果。
2.如權(quán)利要求1所述的基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法，其特征在于，其中J-value定義如下: 令量化影像中每一個像素的位置Z (x，y)為像素z的像素值，Z(x, y) e Z;Z為以像素z為中心的特定尺寸窗口內(nèi)所有像素組成的集合；利用不同尺寸的窗口可以獲得不同尺度的J-1mage影像； 定義St為Z中所有像素的總體方差,Sw為屬于同一類的所有像素方差的和,則J-value為:
J= (S1-Sff)/Sff (I) 用同一窗口尺寸計算像素z對應(yīng)的J-value并作為z的像素值，遍歷量化影像，可獲得單一尺度的J-1mage。進(jìn)而通過改變窗口尺寸，可獲得多尺度的J-1mage影像序列。
3.如權(quán)利要求2所述的基于JSEG和譜聚類的多尺度海面溢油SAR圖像分割方法，其特征在于， 計算相似性矩陣W的公式如下所示，其中，Xi, Xj為數(shù)據(jù)樣本點，σ為核參數(shù):
Wij = exp(-| Ix1-XjI |2/2 σ 2)(2)。
【文檔編號】G06T7/00GK103606154SQ201310594132
【公開日】2014年2月26日 申請日期:2013年11月22日 優(yōu)先權(quán)日:2013年11月22日
【發(fā)明者】朱立琴, 張鵬, 朱秀全, 李冬梅 申請人:河海大學(xué)