基于K‑S距离合并代价的SAR图像分割方法与流程

本发明属于信号处理技术领域，具体涉及一种sar图像分割方法，可用于复杂场景下的sar图像分割。

背景技术：

合成孔径雷达成像系统已经被广泛应用，如目标监测与识别、海洋监视、地形绘制和自然灾情检测等。sar图像分割是sar图像信息提取和自动理解的一个重要问题，它通过将一副sar图像分割成互不重叠的同质区域来提取场景的结构信息。sar的相干成像原理使得sar图像中存在大量随机分布的相干斑噪声，这些相干斑噪声降低了sar图像的质量，同时，增加了sar图像分割的难度。

近年来，sar图像分割技术在sar图像自动解译中的重要性以及其自身的难度吸引了众多研究者投入大量的精力对其进行深入研究，提出了大量的sar图像分割算法，这些方法大概分为两大类：基于图像特征的sar图像分割算法和基于模型优化的sar图像分割算法。基于图像特征的sar图像分割算法主要有三种：基于边缘信息的sar图像分割算法、基于区域图信息的sar图像分割算法与基于边缘信息和区域信息混合的sar图像分割算法。而基于模型优化的sar图像分割算法又主要有四种：变分方法、基于最短描述长度准则的分割方法、马尔科夫随机场方法以及图论方法。这些方法在对sar图像进行分割时都有其独有的优点，但方法本身有较高的复杂度，且在区域合并过程中，尤其是合并较大区域时往往效果不够理想。

技术实现要素：

本发明的目的在于提出一种基于k-s距离合并代价的sar图像分割方法，以实现面对较为复杂的sar图像时，快速高效地获取分割结果，提高分割的质量。

为实现上述技术目的，本发明的技术方案包括如下步骤：

(1)利用原始sar图像的像素值，计算原始sar图像的比例边缘，获得其比例边缘强度映射resm(x,y)：

其中r(x,y,θf)表示比例边缘强度映射，x表示像素点的横坐标，y表示像素点的纵坐标，θf表示像素点的方向角度，g(x,y)表示阈值代价函数，tα表示阈值代价函数的阈值，tα在本专利中经验地选取阈值0.5；

(2)对比例边缘强度映射resm(x,y)进行分水岭变换，得到sar图像的初始分割结果；

(3)计算sar图像的初始分割结果中每个区域像素值的经验分布函数fn(x)：

3a)将sar图像的初始分割结果中每个区域内的像素值按照从小到大的顺序排序，得到新的样本序列

3b)在sar图像的初始分割结果中，利用新的样本序列计算像素值的经验分布函数fn(x)：

其中n为区域内的像素个数，k为由小到大排序序数，为第k个像素值；

(4)计算sar图像的初始分割结果中任意相邻两区域a和b的k-s距离ksd(a,b)：

ksd(a,b)＝max{|fa(xa)-fb(xb)|}，

其中，fa(xa)和fb(xb)分别表示两个相邻区域的经验分布函数；

(5)设置k-s阈值tr，比较k-s距离ksd(a,b)和k-s阈值tr的大小，得到区域合并代价函数k(a,b)的值：

其中，tr表示k-s阈值，在本专利中经验地选取阈值0.1；

(6)根据合并代价函数k(a,b)的值确定最终的图像分割结果：

若合并代价函数k(a,b)的值为1，则进行区域合并，当所有区域合并完成后，得到sar图像的最终分割结果，

若合并代价函数k(a,b)的值为0，则将步骤(2)的初始分割结果作为最终分割结果。

本发明与现有技术相比具有以下优点：

1)由于本发明采用多方向比例边缘检测算子提取sar图像的比例边缘强度映射resm，较好的抑制了resm均质区域的极小值点，并且计算速度快，能够满足实际雷达系统的实时处理要求；

2)由于本发明利用k-s距离作为合并测度，对于目标区域像素点较多时，k-s距离只需计算其统计特性中的经验累积分布函数，相比其他方法，进一步提高了运算速度，且能得到满意的分割效果；

3)由于本发明利用统计学中非参数统计来计算各个区域的经验分布函数，不依赖图像自身的特征，在区域合并过程中相比其他方法，统计的像素值更加准确，提高了分割质量。

附图说明

图1为本发明的实现流程图；

图2为采用本发明对第一组数据的sar图像分割前后对比图；

图3为采用本发明对第二组数据的sar图像分割前后对比图。

具体实施方式

下面结合附图对本发明作进一步说明：

参照图1，本发明的实现步骤如下：

步骤1，根据原始sar图像的像素值，计算比例边缘强度映射resm(x,y)。

1.1)输入原始sar图像，以图像中所有的像素点作为中心像素点，计算中心像素点附近θf方向上的左矩形均值和右矩形均值

其中n表示像素总数，ri表示左矩形区域内的像素值，rj表示右矩形区域内的像素值，x表示像素点的横坐标，y表示像素点的纵坐标，θf表示方向角度，f表示方向倍数；

1.2)利用左矩形均值和右矩形均值计算θf方向上的比例边缘强度映射r(x,y,θf)：

1.3)利用比例边缘强度映射r(x,y,θf)计算阈值代价函数g(x,y)：

其中，k表示比例边缘检测的方向数；

1.4)利用比例边缘强度映射r(x,y,θf)和阈值代价函数g(x,y)计算sar图像的比例边缘强度映射resm(x,y)：

其中，tα表示阈值代价函数的阈值，tα在本专利中经验地选取阈值0.5。

步骤2，将得到的比例边缘强度映射resm(x,y)进行分水岭变换，得到sar图像的初始分割结果。

2.1)将比例边缘强度映射resm(x,y)中的像素按照灰度级进行从低到高的排列；

2.2)对排列后的像素值按照由低到高淹没，将淹没后相邻的像素值连成多个区域；

2.3)对区域中每一个局部极小值采用先进先出的方法进行判断及标注，得到sar图像的初始分割结果。

步骤3，计算sar图像的初始分割结果中每个区域像素值的经验分布函数fn(x)。

3.1)将sar图像的初始分割结果中区域内的像素值按照从小到大的顺序排序，得到新的样本序列

3.2)在sar图像的初始分割结果中，利用新的样本序列计算像素值的经验分布函数fn(x)：

其中n为区域内的像素个数，k为由小到大排序序数，为第k个像素值。

步骤4，计算sar图像的初始分割结果中任意相邻两区域a和b的k-s距离ksd(a,b)：

ksd(a,b)＝max{|fa(xa)-fb(xb)|}，

其中，fa(xa)和fb(xb)分别表示两个相邻区域的经验分布函数。

步骤5，通过阈值化处理计算合并代价函数k(a,b)的值。

设k-s阈值为tr，并设置为0.1，比较k-s距离ksd(a,b)的值和阈值tr的值的大小：

若k-s距离ksd(a,b)的值不大于阈值tr，则合并代价函数k(a,b)的值为1，

若k-s距离ksd(a,b)的值大于阈值tr，则合并代价函数k(a,b)的值为0。

步骤6，根据合并代价函数k(a,b)的值确定最终的图像分割结果：

若合并代价函数k(a,b)的值为1，则进行区域合并，当所有区域合并完成后，得到sar图像的最终分割结果，

若合并代价函数k(a,b)的值为0，则将步骤2的初始分割结果作为最终分割结果。

基于步骤1到步骤6，实现了基于k-s距离合并代价的sar图像分割。

下面结合仿真实验对本发明的效果做进一步说明。

1.仿真参数

仿真实验中采用的数据是美国mstar数据库中的sar图像，第一组数据为2011年1月13日下午13：02分采集的数据，第二组数据为2011年6月14日上午9点25分采集的数据。

2.仿真实验内容

仿真实验中分别呈现了原始sar图像和本发明方法得到的分割结果，通过分割结果图对比原始图像得出分割的质量。

仿真实验1，对第一组数据，采用本发明方法进行分割，得到分割结果如图2所示，其中：图2(a)表示原始数据图像，图2(b)表示采用本发明的分割方法得到的分割结果。

从图2中可以看出，图2(b)相比图2(a)拥有更清晰的区域边缘轮廓，表明采用本发明方法能够较好地完成对目标数据的分割。

仿真实验2，对第二组数据，采用本发明方法进行分割，得到分割结果如图3所示，其中：图3(c)表示原始数据图像，图3(d)表示采用本发明的分割方法得到的分割结果。

从图3中可以看出，图3(d)相比图3(c)拥有更清晰的区域边缘轮廓，表明采用本发明方法能够较好地完成对目标数据的分割。

综上所述，本发明提出的基于k-s距离合并代价的sar图像分割方法，能对较为复杂的sar图像进行快速高效地获取分割结果，并提高了分割的质量。