专利名称：结合背景信息和最大后验边缘概率准则的sar图像分割方法
技术领域：
本发明属于图像处理领域，是一种图像分割方法，适用于合成孔径雷达图像SAR， 可应用于目标识别。
背景技术：
图像分割一直是图像理解与解译的一大难点，分割是从图像处理到图像分析的重 要步骤，是目标分类和识别的基础。本质上SAR图像反映的是目标的电磁散射特性和结构 特性。SAR成像的特殊性使得针对该类图像的分割方法有别于普通光学图像SAR图像含有 大量相干斑噪声，而常规分割方法通常对噪声具有很高的敏感度，不宜用于此类图像；SAR 遥感被测地域的电磁波散射特性，这种特性近似的区域会成像为SAR图像中相近的灰度 级，而该地域的光学图像中这些区域却很可能呈现不同的灰度级。针对SAR图像的以上特点，其分割方法基本可归纳为基于数据驱动和基于模型驱 动两大类分割方法。1.基于数据驱动SAR图像分割包括以下几种1)基于直方图的最优阈值分割方法，这种方法由于SAR图像是非光学成像方式， 导致其灰度级变化缓慢，因此该方法往往收效甚微。2)基于边缘检测的SAR图像分割方法，这种方法由于SAR图像存在乘性相干斑噪 声，使得边缘像素灰度值的起伏较大，难以精确定位边缘像素位置。3)基于区域分块合并的SAR图像分割方法，这种方法分割区域统计分离性不好， 容易造成过分割。上述基于数据驱动SAR图像分割直接对当前图像数据进行操作，虽然利用了有关 先验知识，但先验知识利用不够充分，这样往往导致分割结果较差。2.基于模型驱动的SAR图像分割方法，主要包括以下几种1)基于组合优化模型的分割方法，这种方法在建立了 SAR图像分割的组合优化模 型后，针对目标函数求解全局最优解，但由于目标函数通常是一个多变量函数，这样极容易 陷入局部最优解。2)基于像素的Markov随机场模型的分割方法，这种方法由于Markov随机场参 数估计困难，需要迭代，计算速度较慢，且没有充分挖掘SAR图像不同分辨率之间的统计关 系，仅研究单一分辨率情况下的先验概率问题，分割准确性较低。3)基于分层模型的SAR图像分割方法，参见Yong Y，He S，Chu H. Supervised SAR Image MPM segmentation based on region-based hierarchical model. [J] IEEEGeoscience and Remote sensing letters, vol. 3, no. 4, pp :517_521, 2006。这禾中方 法以区域为处理单元，利用多尺度模型挖掘SAR图像中同一观测场景在不同分辨率下区域 的统计相关特性，但由于该模型只利用了层间区域的相关性，假设层内各区域是独立的，没 有充分利用层内相邻区域的信息，这样会导致层与层之间信息传递不可靠，区域错分率高。
发明内容
本发明的目的在于克服上述已有技术的不足，在基于区域的分层模型基础上提出 一种结合背景信息和最大后验边缘概率准则的SAR图像分割方法，利用梯度修正的分水岭 分割提高分割边缘的完整性，结合背景信息提高区域分割的准确度。实现本发明目的的技术方案是首先对图像进行特征提取，然后建立图像的四叉 树模型，对各层进行修正梯度的分水岭分割来产生区域，以检测出图像灰度对比不明显的 目标边缘，加强分割边缘的完整性，模型以区域作为处理单元以增强概率传递鲁棒性，对区 域进行合并以降低区域本身内部的不规则干扰，提高区域特征的稳定性，最后结合背景信 息，同时考虑了层间和层内区域的相关性，得到了边缘完整和区域分割准确的结果。其具体实现过程如下1)在大小为LXL的待分割SAR图像上截取M类训练样本，提取Gabor小波能量特 征和基于灰度直方图的纹理描述子特征；2)对SAR图像在2X2的窗口上进行平均采样，得到N层的四叉树结构，4《2、|;3)从四叉树的最细层至最粗层分别计算各层节点似然概率Pn(yd(s) I xs)，η = {0， 1，. . .，Ν-1}，得到各层基于像素的最大似然分割结果；4)计算四叉树除最粗层外其他各层上的梯度图，将基于像素的似然分割结果与各 层梯度图叠加实现梯度修正，在修正后的梯度图上进行分水岭分割；5)将各层分水岭分割得到的区域进行合并，根据各层似然分割结果，由各节点类 标来标定所在区域的类别，如果一个区域内某一类的节点个数达到三分之二以上，则本区 域由该类标标定，反之，该区域不作处理，最后将具有相同类标的区域进行合并；6)将合并的区域作为处理单元，计算各层区域的似然概率Pn(yd(s) |xA)；7)对四叉树除最粗层外其他各层依次通过最大期望值方法训练，得到各层上各区 域的背景向量G，先验概率Ρη(χΑ)和条件概率P"(〔" I χ,)，对背景条件概率广(G I 进行 Gibbs采样得到背景边缘概率P" (GI y)，根据这些参数分别计算各层上每个区域的后验边 缘概率
权利要求
一种结合背景信息和最大后验边缘准则的SAR图像分割方法，包括如下步骤1)在大小为L×L的待分割SAR图像上截取M类训练样本，提取Gabor小波能量特征和基于灰度直方图的纹理描述子特征；2)对SAR图像在2×2的窗口上进行平均采样，得到N层的四叉树结构，3)从四叉树的最细层至最粗层分别计算各层节点似然概率Pn(yd(s)|xs)，n＝{0，1，...，N 1}，得到各层基于像素的最大似然分割结果；4)计算四叉树除最粗层外其他各层上的梯度图，将基于像素的似然分割结果与各层梯度图叠加实现梯度修正，在修正后的梯度图上进行分水岭分割；5)将各层分水岭分割得到的区域进行合并，根据各层最大似然分割结果，由各节点类标来标定所在区域的类别，如果一个区域内某一类的节点个数达到三分之二以上，则本区域由该类标标定，反之，该区域不作处理，最后将具有相同类标的区域进行合并；6)将合并的区域作为处理单元，计算各层区域的似然概率Pn(yd(s)|xA)；7)对四叉树除最粗层外其他各层依次通过最大期望值方法训练，得到各层上各区域的背景向量先验概率Pn(xA)和条件概率对背景条件概率进行Gibbs采样得到背景边缘概率根据这些参数分别计算各层上每个区域的后验边缘概率 <mrow><msup> <mi>P</mi> <mi>n</mi></msup><mrow> <mo>(</mo> <msub><mi>x</mi><mi>A</mi> </msub> <mo>|</mo> <mi>y</mi> <mo>)</mo></mrow><mo>=</mo><munder> <mi>Σ</mi> <msup><mi>V</mi><mi>n</mi> </msup></munder><mfrac> <mrow><msup> <mi>P</mi> <mi>n</mi></msup><mrow> <mo>(</mo> <msub><mi>x</mi><mi>A</mi> </msub> <mo>)</mo></mrow><msup> <mi>P</mi> <mi>n</mi></msup><mrow> <mo>(</mo> <msubsup><mi>V</mi><mi>A</mi><mi>n</mi> </msubsup> <mo>|</mo> <msub><mi>x</mi><mi>A</mi> </msub> <mo>)</mo></mrow><msup> <mi>P</mi> <mi>n</mi></msup><mrow> <mo>(</mo> <msub><mi>y</mi><mrow> <mi>d</mi> <mrow><mo>(</mo><mi>s</mi><mo>)</mo> </mrow></mrow> </msub> <mo>|</mo> <msub><mi>x</mi><mi>A</mi> </msub> <mo>)</mo></mrow><msubsup> <mi>V</mi> <mi>A</mi> <mi>n</mi></msubsup> </mrow> <mrow><munder> <mi>Σ</mi> <msub><mi>x</mi><mi>A</mi> </msub></munder><msup> <mi>P</mi> <mi>n</mi></msup><mrow> <mo>(</mo> <msub><mi>x</mi><mi>A</mi> </msub> <mo>)</mo></mrow><msup> <mi>P</mi> <mi>n</mi></msup><mrow> <mo>(</mo> <msubsup><mi>V</mi><mi>A</mi><mi>n</mi> </msubsup> <mo>|</mo> <msub><mi>x</mi><mi>A</mi> </msub> <mo>)</mo></mrow><msup> <mi>P</mi> <mi>n</mi></msup><mrow> <mo>(</mo> <msub><mi>y</mi><mrow> <mi>d</mi> <mrow><mo>(</mo><mi>s</mi><mo>)</mo> </mrow></mrow> </msub> <mo>|</mo> <msub><mi>x</mi><mi>A</mi> </msub> <mo>)</mo></mrow><msubsup> <mi>V</mi> <mi>A</mi> <mi>n</mi></msubsup> </mrow></mfrac><msup> <mi>P</mi> <mi>n</mi></msup><mrow> <mo>(</mo> <msubsup><mi>V</mi><mi>A</mi><mi>n</mi> </msubsup> <mo>|</mo> <mi>y</mi> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>其中，xA为区域A的类标，xA＝{1，2，...，M}，M为分割类别数；8)从各层区域后验边缘概率中取出最细层的区域后验边缘概率，依据最大后验边缘概率准则确定最细层上各区域类标，完成对SAR图像的分割。FSA00000280527700011.tif,FSA00000280527700012.tif,FSA00000280527700013.tif,FSA00000280527700014.tif,FSA00000280527700015.tif
2.根据权利要求1所述的图像分割方法，其中步骤7)所述的对四叉树除最粗层外其他 各层依次通过最大期望值方法训练参数，计算各层上每个区域的后验边缘概率，按如下过 程进行2a)初始化层数n = 1 ；2b)令迭代次数t = 1，初始化先验概率if( )、条件概率和背景向量2c)计算各区域条件概率if ( ⑷)pn(Y『v , P;(xA)P;(V:\xA)P"(yd(s)\xA)V^‘^ 丨 A， ))—Xd)TO"|xH(J )r;XA2d)分别计算第n层上各区域的父区域主类标NP 如果层数n =丨，—=argmax J； P°(xs |力，其中po | y)为最粗层上像素s的后验边seA缘概率，它通过在最粗层上利用基于像素的马尔可夫分割方法得到，A_为区域A内所有节点 的父节点集合，定义为A的父区域；如果层数n >丨，W =吨max J P"~] (xs |力，其中pH | y)为第n-丨层上节点s的后seA验边缘概率，它与节点S所在区域A—的后验边缘概率pMO^Iy)相同，且由上一层训练中得到2e)分别计算各区域的邻接区域主类标NC:
全文摘要
本发明公开了一种结合背景信息和最大后验边缘概率准则的SAR图像分割方法，它属于图像处理技术领域，主要解决现有基于区域的分层模型中分水岭分割方法对于灰度差异不大的图像边缘获取不完整和分割准确性不高的问题。其分割过程为对原图像经过均值采样得到四叉树分层结构，在原始图像上截取训练样本进行特征提取；除最粗层外，其他各层采用梯度修正的分水岭分割；对分水岭分割得到的区域进行合并；考虑父区域和邻接区域作为背景信息，用最大期望值方法训练参数，计算得出每层各区域的后验边缘概率P(xA|y)，从而得到最终分割结果。本发明具有分割结果区域一致性好边界准确的优点，可用于SAR图像目标识别。
文档编号G06T7/00GK101937566SQ201010290040
公开日2011年1月5日 申请日期2010年9月20日 优先权日2010年9月20日
发明者侯彪, 尚荣华, 张向荣, 李囡, 李阳阳, 焦李成, 王爽, 马文萍 申请人:西安电子科技大学