基于Gamma滤波的SAR图像超像素分割方法与流程

本发明属于图像处理技术领域，涉及一种sar图像超像素分割方法，具体涉及一种基于gamma滤波的sar图像超像素分割方法，可用于对sar图像的目标检测、识别及分类。

背景技术：

合成孔径雷达(syntheticapertureradar,sar)是一种工作在微波波段的相干成像雷达，它以其高分辨率和全天候、全天时、大面积的数据获取能力而成为当前遥感观测的重要手段，在资源、环境、考古以及军事等方面得到广泛的应用。地面目标对雷达发射电磁波的后向散射形成sar图像。随着sar图像的大量获取，智能的图像理解与解译技术成为当今的研究热点。作为图像理解与解译的关键性工作，图像的超像素分割是将一副输入的sar图像按照不同的属性、内容、特征等将相邻的像素划分为图像块。对一幅图像进行有效而精确的超像素分割，能够提高进一步对图像理解的准确度，获取更多的有效信息，并很大程度上降低后续sar图像处理任务的复杂度。然而sar图像固有的相干成像机理使sar图像存在无法消除的相干斑噪声，导致每个像素的灰度值发生随机的变化，从而影响sar图像的超像素分割效果及后续的sar图像处理结果。

目前，大多数学者主要采用以下三种方法来解决上述问题：1、基于统计模型的超像素分割方法；2、基于尺度的超像素分割方法。3、基于滤波的超像素分割方法。

第一种方法是对sar图像中的相干斑噪声进行概率统计，假设概率分布符合rayleigh分布，gamma分布，k分布等，将概率统计模型融合到常规的超像素分割算法的模型中，从而得到适于sar图像的超像素分割结果，该方法的不足之处是，虽然利用了sar图像的相干斑噪声信息来进行sar图像的超像素分割，但是其基于统计信息来进行计算，从而增加了计算过程的复杂度，降低了算法的运行效率。

第二种方法的核心思想是将sar图像看作不同尺度的纹理，根据不同类别的目标呈现不同纹理这一性质，将对sar图像的超像素分割，转化为对sar图像中不同纹理的识别。但是该类方法实现的过程复杂，得到的结果相比于其他的超像素分割方法，并没有明显的优势。

第三种方法是首先采用滤波器对sar图像中的相干斑噪声进行滤除，降低相干斑噪声对sar图像处理的影响，从而得到降噪后的sar图像，然后对降噪后的sar图像进行超像素分割。该方法实现简单，在复杂度比前两种方法的复杂度小的情况下得到的超像素分割的准确度相同。在此类方法中，关键是对sar图像进行相干斑噪声的滤除，而此技术已经非常成熟，其中包括有采用中值滤波器，局域滤波器，lee滤波器，sigma滤波器，frost滤波器等对sar图像进行预处理去除相干斑噪声。但这些滤波器对sar图像的相干斑噪声进行滤除时，虽然都能够滤除相干斑噪声，但是图像中的边缘信息、纹理信息及线性特征信息等不能得到很好的保持。

技术实现要素：

本发明的目的在于克服上述现有技术存在的不足，提出了一种基于gamma滤波的sar图像超像素分割方法，在降低sar图像中相干斑噪声对其干扰的情况下，有效保持了图像的边缘信息、纹理信息以及线性特征信息，用于解决现有基于滤波的超像素分割方法中存在的超像素分割准确度低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)输入原始sar图像；

(2)采用均值滤波对输入的原始sar图像进行滤波，得到原始sar图像像素灰度的平均值和标准差σ(i,j)；

(3)利用原始sar图像像素灰度的平均值和标准差σ(i,j)，计算原始sar图像像素灰度平均值的方差系数ci：

(4)计算原始sar图像中相干斑噪声的方差系数cu：

其中，l表示原始sar图像的视数；

(5)计算原始sar图像的变化系数cmax:

(6)当cu≤ci≤cmax时，采用gamma滤波方法，对输入的原始sar图像进行相干斑噪声降噪，得到降噪后的sar图像igam(i,j)：

其中，α为异质参数，且

(7)对降噪后的sar图像igam(i,j)进行超像素分割，得到多个超像素块并输出。

本发明与现有技术相比，具有以下优点：

本发明由于在对sar图像进行超像素分割之前首先采用gamma滤波滤除原始sar图像中的相干斑噪声，得到降噪后的sar图像再对其进行超像素分割，与现有技术相比，通过本发明能够在降低了相干斑噪声对sar图像处理的影响时，有效的保持了图像的边缘信息、纹理信息以及线性特征信息，提高了超像素分割的准确度。

附图说明

图1为本发明的实现流程框图；

图2为本发明模拟sar图像产生的超像素图像；

图3为本发明含有纹理的模拟sar图像产生的超像素图像；

图4为本发明真实sar图像产生的超像素图像。

具体实施方式

下面结合附图和实施例，对本发明作进一步的详细描述。

实施例1

参照图1：本发明包括如下步骤：

步骤1：输入原始sar图像。

原始sar图像分为模拟sar图像和真实sar图像两大类，在本实施例中，原始sar图像采用不含纹理的模拟sar图像。

步骤2：采用均值滤波对输入的原始sar图像进行滤波，得到原始sar图像像素灰度的平均值和标准差σ(i,j)；

均值滤波是典型的线性滤波算法，在进行均值滤波时，需要一个滤波模板，用模板中的全体像素的平均值来代替原来的像素值。对于滤波模板的选择，一般包括有3*3的模板，5*5的模板，或者更大窗口的模板，在本发明中对于模板的选择不受限定，但是由于窗口越大，对于滤波后的结果会有所影响，在本发明的实施例中选择3*3的权系数矩阵模板，其表达式如下：

其中，s为模板矩阵表达式的行，t为模板矩阵表达式的列；

(2a)采用权系数矩阵模板w(s,t)，对输入的原始sar图像进行滤波，得到原始sar图像像素灰度的平均值

(2b)计算原始sar图像像素灰度的标准差σ(i,j)：

其中，n表示输入的原始sar图像的横坐标上的像素个数，m表示输入的原始sar图像的纵坐标上的像素个数。

步骤3：利用原始sar图像像素灰度的平均值和标准差σ(i,j)，计算原始sar图像像素灰度平均值的方差系数ci：

步骤4：计算原始sar图像中相干斑噪声的方差系数cu：

其中，l表示原始sar图像的视数；

步骤5：计算原始sar图像的变化系数cmax:

步骤6：判断原始sar图像像素灰度平均值的方差系数ci与原始sar图像中相干斑噪声的方差系数cu及原始sar图像变化系数cmax的关系，当cu≤ci≤cmax时，采用gamma滤波方法，对输入的原始sar图像进行相干斑噪声降噪，得到降噪后的sar图像igam(i,j)：

其中，α为异质参数，且

当ci＜cu时，则sar图像的像素灰度值为原始sar图像像素灰度的平均值

当ci＞cmax时，则sar图像的像素灰度值为原始sar图像的像素灰度值i(i,j)。而对于这两种情况，不对其进行gamma滤波。

步骤7：对降噪后的sar图像igam(i,j)进行超像素分割，得到多个超像素块并输出。本步骤的具体实现如下：

(7a)计算降噪后的sar图像igam(i,j)水平方向上相邻像素的像素值的差w(i,j)：

w(i,j)＝|igam(i,j)-igam(i-1,j)|

其中，igam(i-1,j)表示像素值igam(i,j)水平方向上相邻像素的像素值；

(7b)计算降噪后的sar图像igam(i,j)垂直方向上相邻像素的像素值的差v(i,j)：

v(i,j)＝|igam(i,j)-igam(i,j-1)|

其中，igam(i,j-1)表示像素值igam(i,j)垂直方向上相邻像素的像素值；

(7c)计算降噪后的sar图像igam(i,j)的梯度值g(i,j)，计算公式为：

g(i,j)＝w(i,j)+v(i,j)

(7d)设置降噪后的sar图像igam(i,j)中超像素块的个数k，并计算超像素初始种子点的平均距离d：

其中，s为降噪后的sar图像igam(i,j)的总面积，且s＝mn；

(7e)对sar图像igam(i,j)边缘上的超像素初始种子点的位置进行扰动，使其偏离sar图像igam(i,j)的边缘，即该初始种子点处的梯度值小于sar图像igam(i,j)边缘处的梯度值g(i,j)，得到超像素种子点；

(7f)对超像素种子点进行边界增长，直到相邻超像素种子点膨胀至边界发生碰撞时，停止边界增长，得到多个超像素块并输出。

实施例2

实施例2与实施例1的其他步骤相同，仅对步骤1中采用的原始sar图像的种类进行了调整，本实施例的原始sar图像采用含有纹理的模拟sar图像。

实施例3

实施例3与实施例1的其他步骤相同，仅对步骤1中采用的原始sar图像的种类进行了调整，本实施例的原始sar图像采用真实sar图像。

以下结合仿真实验，对本发明的效果作进一步的描述。

1、仿真条件：

本发明的仿真是在主频2.4ghz的intel(r)core(tm)2duo、内存4gb的硬件环境和matlabr2015a的软件环境下进行的。在本发明中，采用的sar图像均为含有1视相干斑噪声的sar图像，产生的超像素块设置为2500，对于sar图像进行超像素分割，通常将超像素块的个数设置在1000到5000之间。

2、仿真内容及结果分析：

仿真一，用本发明对模拟sar图像产生超像素分割，产生如图2(c)所示的超像素分割结果。

参照图2，

图2(a)为输入的模拟sar图像，尺寸为512×512像素；图2(b)为对输入的模拟sar图像进行gamma滤波后得到的降噪后的sar图像，从图2(b)可以看出，进行gamma滤波后，相干斑噪声在很大程度上被滤除了，并有效地保持了图像的边缘；图2(c)为对降噪后的sar图像产生超像素图像，从图2(c)可以看出，通过gamma滤波后得到的超像素分割有效地保持了边缘契合度，从而超像素分割的准确度也得到了提高。

仿真二，用本发明对含有纹理的模拟sar图像产生超像素分割，产生如图3(c)所示的超像素分割结果。

参照图3，

图3(a)为输入的含有纹理的模拟sar图像，尺寸为512×512像素；图3(b)为对输入含有纹理的模拟sar图像进行gamma滤波后得到的降噪后的sar图像，从图3(b)可以看出，进行gamma滤波后，相干斑噪声在很大程度上被滤除了，并有效地保持了图像的边缘及纹理细节信息；图3(c)为对降噪后的sar图像产生超像素图像，从图3(c)可以看出，通过gamma滤波后得到的超像素分割有效地保持了图像的边缘信息和纹理细节信息，从而超像素分割的准确度也得到了提高。

仿真三，用本发明对真实sar图像产生超像素分割，产生如图4(c)所示的超像素分割结果。

参照图4，

图4(a)为输入的真实sar图像，该图像来自美国桑迪亚国家实验室(sandianationallaboratories)实时处理的机载sar，其显示了美国加利福尼亚chinalake机场地区，其分辨率为3米，尺寸为522×466像素；图4(b)为对输入的真实sar图像进行gamma滤波后得到的降噪后的sar图像，从图4(b)可以看出，进行gamma滤波后，相干斑噪声在很大程度上被滤除了，并有效地保持了图像的边缘信息、纹理细节信息以及线性特征信息；图4(c)为对降噪后的sar图像产生超像素图像，从图4(c)可以看出，通过gamma滤波后得到的超像素分割有效地保持了图像的边缘信息、纹理细节信息以及线性特征信息，从而超像素分割的准确度也得到了提高。

从以上仿真实验结果可以看出，本发明能有效的保持图像的边缘，当sar图像中含有线性特征以及纹理信息时，也能够对线性特征和纹理细节信息有效的保持，从而提高超像素分割结果的准确度。