基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，解決了SAR圖像區(qū)域的封閉性提取的技術(shù)問題。本發(fā)明專利技術(shù)首先使用SAR圖像初始素描模型獲取素描圖；用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法獲取區(qū)域圖；將區(qū)域圖映射到原SAR圖像空間，得到聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；聚集區(qū)域特征學(xué)習(xí)及層次聚類；勻質(zhì)區(qū)域特征學(xué)習(xí)及層次聚類；結(jié)構(gòu)區(qū)域分割；將聚集區(qū)域、勻質(zhì)區(qū)域與結(jié)構(gòu)區(qū)域的結(jié)果合并，標(biāo)記線目標(biāo)，得到最終的SAR圖像分割結(jié)果。本發(fā)明專利技術(shù)能夠獲得到封閉性、同質(zhì)性更好的勻質(zhì)區(qū)域提取，對(duì)區(qū)域所使用的特征學(xué)習(xí)與聚類方法也能很好的實(shí)現(xiàn)聚集區(qū)域和勻質(zhì)區(qū)域的進(jìn)一步聚類，可用于SAR圖像的分割。

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法
本專利技術(shù)屬于圖像處理
，涉及SAR圖像的區(qū)域提取方法，具體是一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，可用于SAR圖像的分割。
技術(shù)介紹
SAR圖像分割是SAR圖像處理與解譯中的關(guān)鍵環(huán)節(jié)之一。在SAR圖像的成像過程中，由于地物的高低以及成像角度的不同，導(dǎo)致地物聚集區(qū)域在SAR圖像中呈現(xiàn)出明暗交錯(cuò)變化的特性°《Local maximal homogenous reg1n search for SAR speckle reduct1nwith sketch-based geometrical kernel funct1n》提出的 SAR 圖像的素描圖是 SAR 圖像的一種稀疏表示，它以素描線的形式刻畫了 SAR圖像中的灰度變化信息。《基于Primal素描圖和語義信息分類的SAR圖像分割》提出的基于語義信息的素描線分類方法將SAR圖像初始素描圖中的素描線分為表示聚集的素描線和表示邊界、線目標(biāo)與孤立目標(biāo)的素描線兩類。進(jìn)而，上述文獻(xiàn)又使用基于區(qū)域生長的線段集合求解方法和基于形態(tài)學(xué)的區(qū)域提取方法提取到了完整的聚集區(qū)域，從而克服了現(xiàn)有的SAR圖像分割方法無法完整的分割聚集區(qū)域的缺陷。 不過，由于SAR圖像成像過程中相干斑的影響，單一閾值的素描圖還是無法準(zhǔn)確完整的表示邊界，其在閾值較大的情況下只會(huì)在強(qiáng)邊緣的地方有響應(yīng)，在閾值較低的情況下則會(huì)出現(xiàn)很多的偽邊緣。因此已有的區(qū)域提取方法無法很好的提取到閉合的勻質(zhì)區(qū)域。 特征學(xué)習(xí)常用于自然圖像的分類，現(xiàn)有的一些特征學(xué)習(xí)框架如詞袋模型和深度學(xué)習(xí)模型都可以很好的學(xué)習(xí)出各個(gè)類別的模式，從而用于分類。目前也存在一些現(xiàn)有的工作將特征學(xué)習(xí)用于SAR圖像的分割中，它們主要是對(duì)過分割的小區(qū)域進(jìn)行特征提取與學(xué)習(xí)。但是過分割的小區(qū)域只包含完整地物的某一局部信息，最終也就無法很好的把同一類的區(qū)域分到一起。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)提出了一種新的基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法用于SAR圖像的分割，很好的解決了上述已有方法在區(qū)域提取方面遇到的勻質(zhì)區(qū)域不閉合的問題。然后，對(duì)于提取到的各個(gè)區(qū)域，使用特征學(xué)習(xí)的方法得到各個(gè)區(qū)域的表示，并使用層次聚類的方法得到各個(gè)區(qū)域的類別指定。 本專利技術(shù)是一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，其特征在于，包括有如下步驟: 步驟1.輸入待分割的SAR圖像，利用SAR圖像的初始素描模型得到輸入圖像的素描圖。 步驟2.采用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到輸入圖像的區(qū)域圖。 步驟3.根據(jù)得到的區(qū)域圖將待分割的SAR圖像映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域，其中聚集區(qū)域和勻質(zhì)區(qū)域都包含多個(gè)區(qū)域。 步驟4.使用基于LLC編碼的詞袋模型對(duì)屬于聚集區(qū)域的各個(gè)區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到聚集區(qū)域的聚類結(jié)果。 步驟5.同樣，使用基于LLC編碼的詞袋模型對(duì)屬于勻質(zhì)區(qū)域的各個(gè)區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到勻質(zhì)區(qū)域的聚類結(jié)果。 步驟6.對(duì)于結(jié)構(gòu)區(qū)域，使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域中邊界、線目標(biāo)以及孤立目標(biāo)所在的位置，同時(shí)根據(jù)空間上的一致連通性得到若干個(gè)小區(qū)域，即將結(jié)構(gòu)區(qū)域劃分成若干個(gè)小區(qū)域，從而得到結(jié)構(gòu)區(qū)域的分割結(jié)果。 步驟7.使用基于空間近鄰和灰度均值的策略合并聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域的結(jié)果，首先，將屬于結(jié)構(gòu)區(qū)域中的小區(qū)域的類標(biāo)標(biāo)記為空間上相鄰的已聚類區(qū)域的類標(biāo)，然后，將結(jié)構(gòu)區(qū)域中剩下的既不與聚集區(qū)域相鄰又不與勻質(zhì)區(qū)域相鄰的小區(qū)域的類標(biāo)標(biāo)記為灰度均值最相近的已聚類區(qū)域的類標(biāo)。 步驟8.根據(jù)素描圖中的素描線信息標(biāo)記線目標(biāo)，從而得到最終的SAR圖像分割結(jié)果O 本專利技術(shù)的實(shí)現(xiàn)還在于:其中步驟2所提出的基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法，包括有如下步驟: 2.1.對(duì)素描圖中的素描線進(jìn)行聚集度分析，如果存在聚集的素描線，進(jìn)行步驟 2.2 ;如果不存在聚集的素描線，則跳至步驟2.4。 2.2.分別標(biāo)記聚集的素描線和代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線。 2.3.利用聚集區(qū)域提取方法在素描圖上得到覆蓋所有聚集素描線的區(qū)域，并標(biāo)注該區(qū)域。 2.4.對(duì)于代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線，提出基于形狀的素描線補(bǔ)全方法得到素描線補(bǔ)全結(jié)果及劃分的區(qū)域，并標(biāo)注該區(qū)域。 2.5.對(duì)于補(bǔ)全后的素描線，以每條線上每個(gè)點(diǎn)為中心提取5X5的幾何結(jié)構(gòu)窗作為結(jié)構(gòu)區(qū)域，并標(biāo)記該區(qū)域。 2.6.綜合上述區(qū)域提取結(jié)果，得到了整幅圖像的區(qū)域圖。 本專利技術(shù)的實(shí)現(xiàn)還在于:其中步驟2.4所提出的基于形狀的素描線補(bǔ)全方法，包括有如下步驟: 2.4.1.對(duì)素描圖中除聚集區(qū)域以外的每條素描線，進(jìn)行如下過程，對(duì)當(dāng)前素描線的一個(gè)端點(diǎn)P1，首先在其5*5的方形鄰域內(nèi)查找是否有其它素描線的端點(diǎn)，若有，從中選擇最長素描線的端點(diǎn)，并使用線段將Pl與最長素描線的端點(diǎn)進(jìn)行連接，然后對(duì)新連接的這個(gè)最長素描線的另一個(gè)端點(diǎn)，繼續(xù)執(zhí)行這個(gè)過程，直到端點(diǎn)5*5方形鄰域內(nèi)沒有新的素描線端點(diǎn)為止；對(duì)于當(dāng)前素描線的另一個(gè)端點(diǎn)P2，重復(fù)和Pl —樣的過程； 2.4.2對(duì)經(jīng)過步驟2.4.1連接后的素描線按照長度進(jìn)行排序，然后按照長度從大到小的順序判斷素描線是否是L形狀或U形狀的素描線，這里判斷L形狀或U形狀的素描線的方法是從一個(gè)端點(diǎn)Pl到另一個(gè)端點(diǎn)P2遍歷組成素描線的線段，并記錄相鄰線段的方向差值的絕對(duì)值，如果方向差值的絕對(duì)值超過閾值a的次數(shù)發(fā)生一次，該素描線就是L形狀的素描線；如果方向差值的絕對(duì)值超過閾值a的次數(shù)發(fā)生兩次，該素描線就是U形狀的素描線；然后對(duì)L形狀或U形狀的素描線，執(zhí)行步驟2.4.3 ; 2.4.3.判斷當(dāng)前L形狀或U形狀素描線的端點(diǎn)Pl在低閾值素描圖中相應(yīng)位置的自適應(yīng)窗口鄰域內(nèi)是否有其它素描線的端點(diǎn)，如果有，按照如下策略選擇一個(gè)端點(diǎn)Tl，gpTl所在素描線的另一個(gè)端點(diǎn)T2與當(dāng)前素描線的另一個(gè)端點(diǎn)P2的距離最近且用線段連接后只會(huì)形成一個(gè)封閉區(qū)域，然后對(duì)選擇的素描線的端點(diǎn)T2，繼續(xù)該過程，直至端點(diǎn)自適應(yīng)窗口鄰域范圍內(nèi)沒有新的素描線端點(diǎn)為止；對(duì)于當(dāng)前素描線的端點(diǎn)P2,重復(fù)和端點(diǎn)Pl —樣的過程。 綜上所述，本專利技術(shù)首先利用SAR圖像的初始素描圖得到輸入圖像的素描圖；其次，利用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到區(qū)域圖；然后，將得到的區(qū)域圖映射到原SAR圖像空間得到聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；緊接著，對(duì)聚集區(qū)域和勻質(zhì)區(qū)域分別進(jìn)行特征學(xué)習(xí)和層次聚類得到區(qū)域的聚類結(jié)果；對(duì)結(jié)構(gòu)區(qū)域進(jìn)行則使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域的分割結(jié)果；最終，合并聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域的結(jié)果，得到整個(gè)SAR圖像分割結(jié)果。 本專利技術(shù)與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn): 1.能夠?qū)λ孛鑸D中的素描線進(jìn)行進(jìn)一步的補(bǔ)全，形成了更長且有助于形成封閉區(qū)域的素描線，從而提取到封閉性、同質(zhì)性更好的勻質(zhì)區(qū)域。 素描圖是SAR圖像的一種稀疏表示，其中的素描線刻畫了 SAR圖像中的明暗變化的信息。通過對(duì)素描線的聚集性分析，可以把素描圖中的素描線分為兩類，第一類是聚集的素描線，第二類是表示邊界、線目標(biāo)與孤立目標(biāo)的素描線。由于相干斑等SAR圖像本身特性的影響，素描圖中的第二類素描線往往會(huì)出現(xiàn)斷裂等現(xiàn)本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，其特征在于，包括有如下步驟：步驟1.輸入待分割的SAR圖像，利用SAR圖像的初始素描模型得到輸入圖像的素描圖；步驟2.采用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到輸入圖像的區(qū)域圖；步驟3.根據(jù)得到的區(qū)域圖將待分割的SAR圖像映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；步驟4.使用基于LLC編碼的詞袋模型對(duì)屬于聚集區(qū)域的各個(gè)區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到聚集區(qū)域的聚類結(jié)果；步驟5.同樣，使用基于LLC編碼的詞袋模型對(duì)屬于勻質(zhì)區(qū)域的各個(gè)區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到勻質(zhì)區(qū)域的聚類結(jié)果；步驟6.對(duì)于結(jié)構(gòu)區(qū)域，使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域中邊界、線目標(biāo)以及孤立目標(biāo)所在的位置，同時(shí)根據(jù)空間上的一致連通性得到若干個(gè)小區(qū)域，即將結(jié)構(gòu)區(qū)域劃分成若干個(gè)小區(qū)域，從而得到結(jié)構(gòu)區(qū)域的分割結(jié)果；步驟7.使用基于空間近鄰和灰度均值的策略,將聚集區(qū)域的聚類結(jié)果、勻質(zhì)區(qū)域的聚類結(jié)果和結(jié)構(gòu)區(qū)域的分割結(jié)果合并；步驟8.根據(jù)素描圖中的素描線信息標(biāo)記線目標(biāo)，從而得到最終完整的SAR圖像分割結(jié)果。

【技術(shù)特征摘要】
1.一種基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，其特征在于，包括有如下步驟: 步驟1.輸入待分割的SAR圖像，利用SAR圖像的初始素描模型得到輸入圖像的素描圖； 步驟2.采用基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法得到輸入圖像的區(qū)域圖； 步驟3.根據(jù)得到的區(qū)域圖將待分割的SAR圖像映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域； 步驟4.使用基于LLC編碼的詞袋模型對(duì)屬于聚集區(qū)域的各個(gè)區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到聚集區(qū)域的聚類結(jié)果； 步驟5.同樣，使用基于LLC編碼的詞袋模型對(duì)屬于勻質(zhì)區(qū)域的各個(gè)區(qū)域進(jìn)行特征學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行層次聚類得到勻質(zhì)區(qū)域的聚類結(jié)果； 步驟6.對(duì)于結(jié)構(gòu)區(qū)域，使用基于MRF的分割方法得到結(jié)構(gòu)區(qū)域中邊界、線目標(biāo)以及孤立目標(biāo)所在的位置，同時(shí)根據(jù)空間上的一致連通性得到若干個(gè)小區(qū)域，即將結(jié)構(gòu)區(qū)域劃分成若干個(gè)小區(qū)域，從而得到結(jié)構(gòu)區(qū)域的分割結(jié)果； 步驟7.使用基于空間近鄰和灰度均值的策略，將聚集區(qū)域的聚類結(jié)果、勻質(zhì)區(qū)域的聚類結(jié)果和結(jié)構(gòu)區(qū)域的分割結(jié)果合并； 步驟8.根據(jù)素描圖中的素描線信息標(biāo)記線目標(biāo)，從而得到最終完整的SAR圖像分割結(jié)果O2.根據(jù)權(quán)利要求1所述的基于形狀補(bǔ)全區(qū)域圖和特征編碼的SAR圖像分割方法，其特征在于，其中步驟2所提出的基于形狀的素描線補(bǔ)全的區(qū)域圖提取方法，包括有如下步驟: .2.1.對(duì)素描圖中的素描線進(jìn)行聚集度分析，如果存在聚集的素描線，進(jìn)行步驟2.2 ;如果不存在聚集的素描線，則跳至步驟2.4 ； .2.2.分別標(biāo)記聚集的素描線和代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線； .2.3.利用聚集區(qū)域提取方法在素描圖上得到覆蓋所有聚集素描線的區(qū)域，并標(biāo)注該區(qū)域； 2.4.對(duì)于代表邊界、線目標(biāo)以及獨(dú)立目標(biāo)的素描線，提出基于形狀的素描線補(bǔ)全方法得到素描線補(bǔ)全結(jié)果及劃分的區(qū)域，并標(biāo)注該區(qū)域； ...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：芳，馬文萍，劉佳，李玲玲，焦李成，郝紅俠，楊淑媛，孫濤，張向榮，尚榮華，
申請(qǐng)(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：陜西;61