合成孔径雷达图像中海冰和海水信息的分离方法及装置与流程

文档序号:11251924阅读:519来源:国知局
合成孔径雷达图像中海冰和海水信息的分离方法及装置与流程

本申请涉及卫星遥感海洋检测领域,特别涉及一种合成孔径雷达图像中海冰和海水信息的分离方法及装置。



背景技术:

海冰对全球热平衡、海洋水循环和温盐平衡起到至关重要的作用,从而影响全球气候,因此,极地海冰作为海冰的主要组成部分受到众人关注。目前,合成孔径雷达(syntheticapertureradar,sar)已成为监测海洋的重要技术手段,因此,采用合成孔径雷达监测极地区域成为人们的首选。sar图像(合成孔径雷达所获取的图像)中包含有海冰信息、海水信息,以及其他信息。

为了获得极地海冰的现状,需要从sar图像中分离出海冰信息。而sar图像可以分为单极化图像、双极化图像和全极化图像三类,在现有技术中,一般从双极化图像所对应的纹理特征中,人工采集海冰与海水样本,并对采集的海冰和海水样本进行训练得到分类模型,基于分类模型分离出sar图像中的海冰信息。

发明人在研究过程中发现,现有技术在得到分类模型的过程中,海冰和海水样本是通过人工提取的,增加了人的工作量。



技术实现要素:

为了保证在现有的分离海冰和海水样本准确率的前提下,实现全自动获取分类模型,进而实现全自动分离sar图像中海水和海冰信息。基于此,本申请提供了一种合成孔径雷达图像中海冰和海水信息的分离方法。

本申请还提供一种合成孔径雷达图像中海冰和海水信息的分离装置,用以保证上述方法在实际中的实现及应用。

为此,本申请公开了一种合成空进雷达图像中海冰与海水信息的分离方法,该方法包括:

获取待分离的合成孔径雷达图像,所述合成孔径雷达图像中包括hv或vh交叉极化图像;

计算所述hv或vh交叉极化图像中每个第一区域所对应的至少两种纹理信息,得到分别反映所述至少两种纹理信息的至少两个纹理特征;其中,所述hv或vh交叉极化图像由多个所述第一区域组成,其中,不同所述第一区域的面积大小相等,且不同第一区域之间互不重叠;所述至少两个纹理特征包括能量特征和熵特征;

确定所述至少两个纹理特征中的至少一个目标纹理特征的梯度矩阵;

确定所述梯度矩阵的每个第二区域中梯度极大值点,以及,最小值点,得到一个点集合;所述梯度矩阵由多个所述第二区域组成,其中,不同所述第二区域的面积大小相等,且不同第二区域之间互不重叠;

分别确定所述点集合中每个点附近的多个极大值点,并将所述多个极大值点所形成的闭合区域确定为斑块,得到至少两个斑块,所述至少两个斑块中,至少存在一个全部为海冰信息的斑块,且,至少存在一个全部为海水信息的斑块;

根据每个所述斑块分别在能量特征与熵特征中所包含的特征值,将能量平均值大于预设能量阈值的斑块确定为海水样本,将熵平均值大于预设熵阈值的斑块确定为海冰样本;

基于所述海冰样本和所述海水样本,从所述合成孔径雷达图像中分离出海冰信息以及海水信息。

其中,计算所述hv或vh交叉极化图像中每个第一区域所对应的至少两种纹理信息,得到分别反映所述至少两种纹理信息的至少两个纹理特征之前,还包括:

获取hv或vh交叉极化图像;

对所述hv或vh交叉极化图像进行预处理,得到预处理后的hv或vh交叉极化图像;所述预处理包括:图像压缩、陆地掩膜与辐射校正中的一种或几种。

其中,所述至少两种纹理特征还包括:雷达后向散射系数平均值、对比度、相关性和均一性。

其中,所述基于所述海冰样本和所述海水样本,从所述合成孔径雷达图像中分离出海冰信息以及海水信息,包括:

将所述海冰样本与所述海水样本确定为训练样本;

依据每个所述训练样本所对应的至少两种纹理信息,以及,每个所述训练样本的类型,确定所述至少两种纹理信息与类型间的分类模型;所述训练样本的类型包括海水样本和海冰样本;

根据所述分类模型,以及,所述至少两个纹理特征中各坐标位置对应的至少两种纹理信息,确定各坐标位置对应的类型,得到所述至少两个纹理特征中的海冰信息与海水信息;

基于所述至少两个纹理特征中的海冰信息与海水信息,确定出所述合成孔径雷达图像中海水信息和海冰信息。

其中,所述确定所述梯度矩阵的每个第二区域中梯度极大值的点,以及,最小值的点,得到一个点集合之后,还包括:

对所述梯度矩阵进行平滑、去噪处理,得到处理后的梯度矩阵。

其中,所述计算所述hv或vh交叉极化图像中每个第一区域所对应的至少两种纹理信息,得到分别反映所述至少两种纹理信息的至少两个纹理特征,包括:

确定所述hv或vh交叉极化图像中每个第一区域所对应的灰度共生矩阵;所述灰度共生矩阵反映每个所述第一区域的不同方向上,具有相同灰度值的点对个数,所述每个点对中两个像素点在同一方向上的间隔相同;

依据所述每个第一区域所对应的灰度共生矩阵,计算每个第一区域所对应的至少两种纹理信息;

针对每种纹理信息,按照每个第一区域在所述hv或vh交叉极化图像中的位置排列纹理信息,得到hv或vh交叉极化图像的纹理特征。

本申请还公开一种合成孔径雷达图像中海冰与海水信息的分离装置,该装置包括:

第一获取单元,用于获取待分离的合成孔径雷达图像,所述合成孔径雷达图像中包括hv或vh交叉极化图像。

计算单元,用于计算所述hv或vh交叉极化图像中每个第一区域所对应的至少两种纹理信息,得到分别反映所述至少两种纹理信息的至少两个纹理特征;其中,所述hv或vh交叉极化图像由多个所述第一区域组成,其中,不同所述第一区域的面积大小相等,且不同第一区域之间互不重叠;所述至少两个纹理特征包括能量特征和熵特征。

其中,所述计算单元包括:

确定子单元,用于确定所述hv或vh交叉极化图像中每个第一区域所对应的灰度共生矩阵;所述灰度共生矩阵反映每个所述第一区域的不同方向上,具有相同灰度值的点对个数,所述每个点对中两个像素点在同一方向上的间隔相同。

计算子单元,用于依据所述每个第一区域所对应的灰度共生矩阵,计算每个第一区域所对应的至少两种纹理信息。

排列子单元,用于针对每种纹理信息,按照每个第一区域在所述hv或vh交叉极化图像中的位置排列纹理信息,得到hv或vh交叉极化图像的纹理特征。

梯度矩阵确定单元,用于确定所述至少两个纹理特征中的至少一个目标纹理特征的梯度矩阵。

第一确定单元,用于确定所述梯度矩阵的每个第二区域中梯度极大值点,以及,最小值点,得到一个点集合;所述梯度矩阵由多个所述第二区域组成,其中,不同所述第二区域的面积大小相等,且不同第二区域之间互不重叠。

第二确定单元,用于分别确定所述点集合中每个点附近的多个极大值点,并将所述多个极大值点所形成的闭合区域确定为斑块,得到至少两个斑块,所述至少两个斑块中,至少存在一个全部为海水信息的斑块,且,至少存在一个全部为海冰信息的斑块。

第三确定单元,用于根据每个所述斑块分别在能量特征与熵特征中所包含的特征值,将能量平均值大于预设能量阈值的斑块确定为海水样本,将熵平均值大于预设熵阈值的斑块确定为海冰样本。

分离单元,用于基于所述海冰样本和所述海水样本,从所述合成孔径雷达图像中分离出海水信息以及海水信息。

其中,分离单元包括:

训练样本确定子单元,用于将所述海冰样本与所述海水样本确定为训练样本。

分类模型确定子单元,用于据每个所述训练样本所对应的至少两种纹理信息,以及,每个所述训练样本的类型,确定所述至少两种纹理信息与类型间的分类模型;所述训练样本的类型包括海水样本和海冰样本;

第一分离子单元,用于根据所述分类模型,以及,所述至少两个纹理特征中各坐标位置对应的至少两种纹理信息,确定各坐标位置对应的类型,得到所述至少两个纹理特征中海冰信息与海水信息。

第二分离子单元,用于基于所述至少两个纹理特征中海冰信息与海水信息,确定出所述合成孔径雷达图像中海水信息和海冰信息。

其中,在计算单元之前,该装置还包括:

第二获取单元,用于获取hv或vh交叉极化图像。

预处理单元,用于对所述hv或vh交叉极化图像进行预处理,得到预处理后的hv或vh交叉极化图像;所述预处理包括:图像压缩、陆地掩膜与辐射校正中的一种或几种。

其中,在第一确定单元之后,该装置还包括:

处理单元,用于对所述梯度矩阵进行平滑、去燥处理,得到处理后的梯度矩阵。

与现有技术相比,本申请包括以下优点:

由于水平-垂直(horizontal-vertical,hv)交叉极化图像,或者,垂直-水平(vertical-horizontal,vh)交叉极化图像的灰度值受风影响较小,并且,海冰和海水像素的灰度值不随入射角变化而变化,使得计算得到的纹理特征更准确;在纹理特征上计算极大值点、区域最小值点,作为点集合,并将点集合的每个点设置为最小值点,再将点集合附近的多个极大值点所形成的闭合区域确定为斑块,并利用海冰信息的能量比海水信息的能量值小,海冰信息的熵值比海水信息的熵值大的特点,从提取的斑块中确定出海水样本以及海冰样本。由于,经过两次求极大值增大了所提取的任一斑块中纹理信息相似的概率,使得根据能量特征与熵特征来确定出的海水样本与海冰样本的准确性得到了保证,实现了在保证海冰样本以及海水样本准确率的前提下,自动获取海冰样本和海水样本,减少人的工作量。

当然,实时本申请的任意产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。

图1是本申请的确定海冰样本与海水样本的方法实施例的流程图;

图2是本申请的hv或vh交叉极化图像中一个第一区域的示意图;

图3是本申请的合成孔径雷达图像中海冰与海水信息的分离方法实施例的流程图;

图4是本申请的合成孔径雷达图像中海冰与海水信息的分离装置实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

在本申请实施例中,为了实现全自动地从合成孔径雷达图像(为了方便描述,下面用sar图像来代替)中分离出海冰信息,首先从sar图像对应的纹理特征中提取出海冰与海水的斑块,并从提取出的斑块中确定出只包含海冰信息的海冰样本,以及,只包含海水信息的海水样本;然后,根据海冰样本与海水样本确定出sar图像中的海冰信息。

在本实施例中,可以首先从sar图像的纹理特征中确定出海冰样本以及海水样本,参考图1所示,为本申请中确定海冰样本以及海水样本的方法实施例流程图,海冰样本以及海水样本的确定过程可以包括以下步骤:

步骤101:获取待分离的sar图像,所述sar图像中包括hv或vh交叉极化图像。

在本实施例中,从sar图像的纹理特征中确定出海冰样本与海水样本时,首先获取待分离的sar图像。所获取的sar图像中包括水平-垂直(horizontal-vertical,hv)交叉极化图像,或者,垂直-水平(vertical-horizontal,vh)交叉极化图像(为了方便描述,下面用hv或vh交叉极化图像代替)。

其中,hv或vh交叉极化图像中海水与海冰的灰度值经辐射定标后变为雷达的后向散射系数。hv或vh交叉极化图像的灰度值受风的影响小,并且,hv或vh交叉极化图像经辐射定标后的雷达后向散射系数不随入射角变化,因此,在相同风速时,hv或vh交叉极化图像中海冰或海水要素具有相似的灰度值,因此,hv或vh交叉极化图像的纹理信息受风速的影响小,可以使得基于hv或vh交叉极化图像计算出的纹理特征更准确,因此,本实施例可以基于hv或vh交叉极化图像计算纹理特征。

为了使得根据hv或vh交叉极化图像的计算出的纹理信息取得更好的效果,本实施例还可以对hv或vh交叉极化图像进行预处理,得到预处理后的hv或vh交叉极化图像,例如进行图像压缩、陆地掩膜与辐射校正中的一种或几种,当然对hv或vh交叉极化图像进行预处理不是本实施例中必须执行的动作。若在实际操作中对hv或vh交叉极化图像进行了预处理,下文中基于hv或vh交叉极化图像计算所需信息时,就是基于预处理后的hv或vh交叉极化图像来计算所需信息。

步骤102:计算所述hv或vh交叉极化图像中每个第一区域所对应的至少两种纹理信息,得到分别反映所述至少两种纹理信息的至少两个纹理特征;其中,所述hv或vh交叉极化图像由多个所述第一区域组成,其中,不同所述第一区域的面积大小相等,且不同第一区域之间互不重叠;所述至少两个纹理特征包括能量特征和熵特征。

为了从hv或vh交叉极化图像的纹理特征中提取海冰样本与海水样本,需要计算hv或vh交叉极化图像的纹理特征,hv或vh交叉极化图像的纹理特征可以为,hv或vh交叉极化图像的雷达后向散射系数平均值、能量特征、熵特征、对比度特征、相关性特征,以及,均一性特征等。本步骤中所要获取的至少两种纹理特征是至少包括熵特征和能量特征的纹理特征。其中,计算hv或vh交叉极化图像的雷达后向散射系数平均值、能量特征、熵特征、对比度特征、相关性特征,以及,均一性特征的过程类似,具体的,可以包括步骤a1~步骤a3:

步骤a1:确定hv或vh交叉极化图像中每个第一区域所对应的灰度共生矩阵;该灰度共生矩阵反映每个第一区域在不同方向上,具有相同灰度值的像素对个数的平均值,每个像素对中两个像素点间的间隔相同。

在本步骤中,hv或vh交叉极化图像中的第一区域是指多个面积相同、不同区域间互不重叠的区域,且,所有第一区域的总面积等于hv或vh交叉极化图像的面积。在实际中,可以通过一个预设大小的窗口在hv或vh交叉极化图像上滑动,窗口所覆盖的互不重叠的区域就是本步骤所述的第一区域。

对于每个第一区域,本步骤需要计算该区域的灰度共生矩阵,以图2所示的区域为例,介绍该区域的灰度共生矩阵的具体计算过程。图2所示的区域是hv或vh交叉极化图像中的一个第一区域,可以将此区域看成一个矩阵,图2所示的区域是一个10行10列的矩阵,当然,图2所示的区域大小只是一个示例,在实际的应用中,具体第一区域的大小可以根据实际需要来定,本实施例不对区域大小做限定,优选的区域大小可以为32行32列。

在计算图2所示的区域的灰度共生矩阵时,需要三个参数,分别为方向θ,步长d,以及灰度级别b,其中,方向θ可以为水平方向、垂直方向、45度方向、135度方向等等,该区域在各方向上都可以确定出一个灰度共生矩阵;步长d表示在该区域上所要寻找的像素对间的间隔;灰度级别b为该区域的所有像素点的灰度值所需量化的范围,例如,例如灰度级别b为[1,64],则表示将该区域的所有灰度值量化到[1,64]的范围内。

接着根据该区域的方向θ,步长d,以及灰度级别b这三个参数,计算该区域的灰度共生矩阵,该区域的灰度共生矩阵是一个矩阵,该矩阵的行数和列数为灰度级别b的最大值,例如灰度级别b为[1,64],则灰度共生矩阵有64行与64列;该矩阵中的各坐标位置用(i,j)表示,其中,i表示第i列,j表示第j行,该矩阵的各坐标位置处的取值为s(i,j),s(i,j)表示在图2所示的区域中,沿各方向上第一灰度值为i,第二灰度值为j,且,第一像素点与第二像素点间的间隔为步长d的像素对数量的平均值,因此,计算灰度共生矩阵的过程就是计算灰度共生矩阵中各坐标位置处的取值。

具体的,以步长d=8,方向θ为水平方向、垂直方向、45度方向与135度方向四个方向,灰度级别b的取值范围为[1,64]为例,介绍图2所示区域的灰度共生矩阵的计算过程,其中,每个方向上的灰度共生矩阵的计算方法相同,下面以水平方向为例来进行详细介绍。

首先,将该区域中各坐标位置的灰度值量化到[1,64]范围内,得到量化后的区域。

然后,在量化后的区域内,分别计算水平方向即各行中,坐标位置的间隔为8个像素间隔的像素对(i,j),其中,i为(i,j)中第一个像素点的灰度值,j为(i,j)中第二个像素点的灰度值,将所有像素对(i,j)中,i与j的值都相同的像素对归为一类,并统计每类像素对的个数,每类像素对(i,j)的个数,就是水平方向的灰度共生矩阵中第i列,第j行位置处的取值,此时,就得到了该区域的在水平方向上的灰度共生矩阵。

例如,假设统计得到各行中位置间隔为8的像素对中,像素对为(2,5)的像素对个数为20,像素对为(3,9)的像素对个数为30,那么灰度共生矩阵中,第2列、第5行位置处取值为20,第3列、第9行位置处取值为30。按照这种方法,确定出灰度共生矩阵中每个坐标位置处的值,得到了水平方向的灰度共生矩阵。

按照计算该区域水平方向的灰度共生矩阵的方法,分别计算垂直方向,45度方向,以及,135度方向的灰度共生矩阵,计算各灰度共生矩阵的相同坐标位置取值的平均值,并将该平均值作为该区域的灰度共生矩阵各坐标位置处的取值。按照计算图2所示区域的灰度共生矩阵的方法,计算hv或vh交叉极化图像中每个第一区域的灰度共生矩阵。

需要说明的是,上述计算共生矩阵的过程中,共生矩阵的大小为64行64列,此大小使本实施例的一个优选取值,当然,在实际应用中,还可以将共生矩阵的大小确定为其他值,本实施例不对共生矩阵的大小做具体限定。

步骤a2:依据每个第一区域所对应的灰度共生矩阵,计算每个第一区域所对应的至少两种纹理信息。

在得到hv或vh交叉极化图像中每个第一区域的灰度共生矩阵后,根据各第一区域的灰度共生矩阵计算各第一区域的至少两种纹理信息,其中,每个第一区域的至少两种纹理信息的计算过程相同,在本步骤中,以图2所示的区域为例,介绍该区域的至少两种纹理信息的计算过程。

具体的,依据该区域灰度共生矩阵的列数i、行数j,以及,第i列第j行的取值s(i,j)来计算纹理信息,其中,能量纹理的计算公式如(1)式所示,熵纹理的计算公式如(2)式所示,对比度纹理的计算公式如(3)式所示,均一性的计算公式如(4)式所示,相关性纹理的计算公式如(5)式所示。

其中,en表示能量。

其中,entr表示熵。

其中,con表示对比度。

其中,hom表示均一性。

其中,cor表示相关性,ux的计算公式如式(6)所示、uy的计算公式如式(7)所示、σx的计算公式如式(8)所示、σy的计算公式如式(9)所示。

hv或vh交叉极化图像中的每个第一区域都对应一个雷达后向散射系数矩阵,对于每个第一区域的雷达后向散射系数为该区域对应的雷达后向散射系数矩阵中所有数值的平均值,每个第一区域的雷达后向散射系数平均值ba的计算公式如式(10)所示。

其中,ba表示雷达后向散射系数平均值,σ0表示雷达后向散射系数矩阵中各坐标位置的取值,w为第一区域的总行数、总列数,m代表第一区域中的行数,n代表第一区域中的列数。

步骤a3:针对每种纹理信息,按照每个第一区域在所述hv或vh交叉极化图像中的位置排列纹理信息,得到hv或vh交叉极化图像的纹理特征。

在计算出hv或vh交叉极化图像中各第一区域所对应的至少两种纹理信息后,接着,针对每一种纹理信息,分别按照各第一区域在hv或vh交叉极化图像中的位置,对各第一区域的纹理信息进行排列。例如,假设至少两种纹理信息为能量与熵,则按照每个第一区域在hv或vh交叉极化图像中的位置,对每个第一区域的能量进行排列,得到hv或vh交叉极化图像的能量特征,同理,得到hv或vh交叉极化图像的熵特征。

步骤103:确定所述至少两个纹理特征中的至少一个目标纹理特征的梯度矩阵。

在确定出至少包括能量特征以及熵特征的纹理特征后,接着需要从至少包括能量特征以及熵特征的至少两种纹理特征中,确定出目标纹理特征,该目标纹理特征是至少两种纹理特征中的一个或多个纹理特征,本实施例对目标纹理特征的数量不作限定,只要可以从目标纹理特征中确定出至少一个海水样本,以及,至少一个海冰样本即可。

在确定出目标纹理特征后,接着计算目标纹理特征的梯度矩阵,如果目标纹理特征有多个,则分别计算每个目标纹理特征的梯度矩阵。具体的计算目标纹理特征的梯度矩阵的过程,可以使用sobel算子对目标纹理特征进行水平方向和垂直方向上梯度值,然后将水平方向与垂直方向上的梯度值的模值作为梯度矩阵中各坐标位置的取值。

步骤104:确定所述梯度矩阵的每个第二区域中极大值点,以及,最小值点,得到一个点集合;所述梯度矩阵由多个所述第二区域组成,其中,不同所述第二区域的面积大小相等,且不同第二区域之间互不重叠。

在计算得到目标纹理特征的梯度矩阵后,接着,分别将每个梯度矩阵分为多个第二区域,对于任意一个梯度矩阵,都由面积相同的不同第二区域组成,不同第二区域之间互不重叠。在每个第二区域中确定出梯度最小值的点,以及,在每个第二区域中确定出极大值点,每个第二区域的极大值点会有多个,本步骤的极大值点是指在梯度矩阵中梯度值的导数为零的极大值点。

具体确定所有第二区域中的极大值点,可以采用分水岭算法,将每个第二区域中梯度最小值点分别作为集水盆,将确定各第二区域的集水盆的梯度矩阵经过预处理,得到预处理后的梯度矩阵,并将预处理后的梯度矩阵作为分水岭算法的输入,经过分水岭算法的计算,输出梯度矩阵中每个第二区域内的极大值点。本步骤在得到梯度矩阵中每个第二区域内的极大值点后,将得到的极大值点以及梯度矩阵中各第二区域的最小值点,确定为一个点集合。

步骤105:分别确定所述点集合中每个点附近的多个极大值点,并将所述多个极大值点所形成的闭合区域确定为斑块,得到至少两个斑块,所述至少两个斑块中,至少存在一个全部为海水信息的斑块,且,至少存在一个全部为海冰信息的斑块。

在得到点集合后,接着确定出点集合中每个点附近的多个极大值点,具体的,可以接着采用分水岭算法,在采用分水岭算法之前,将梯度矩阵中,点集合中的各点的梯度值设置为无穷小,并将设置后的点集合中的各点作为梯度矩阵的集水盆,得到包括设置后的点集合的梯度矩阵,并将包括设置后的点集合的梯度矩阵进行预处理后,作为分水岭算法的输入,经过计算,输出每个集水盆附近的多个极大值点,本实施例将输出的梯度矩阵中所有的极大值点所形成闭合区域称为斑块。在本步骤从各梯度矩阵中所确定出的斑块数量至少为两个,并且,至少两个斑块中至少有一个全部为海冰信息的斑块,至少有一个全部为海水信息的斑块。

为了使本步骤中所提取的每个斑块中,海冰信息与海水信息混合的概率降低,本实施例还可以将步骤104得到的包括点集合的梯度矩阵,进行平滑、滤波等预处理,以去掉一些细节噪声,具体可以采用形态学的方法来实现平滑、滤波等预处理以达到对包括点集合的梯度矩阵中梯度值修正的目的,得到修正后的梯度矩阵,接着对修正后的梯度矩阵中点集合中的各点的梯度值设置为无穷小等动作。当然,本实施例中将步骤104得到的包括点集合的梯度矩阵进行平滑、滤波等预处理不是本实施例所必须执行的动作。

步骤106:根据每个所述斑块分别在能量特征与熵特征中所包含的特征值,将能量平均值大于预设能量阈值的斑块确定为海水样本,将熵平均值大于预设熵阈值的斑块确定为海冰样本。

在确定出多个斑块后,接着,从所有斑块中确定出海冰样本与海水样本。由于海冰信息与海水信息在能量值与熵值上表现出不同的特征,海水信息的能量值大于海冰信息的能量值,海冰信息的熵值大于海水信息的熵值,因此,本实施例设定了能量阈值与熵阈值,通过将每个斑块的能量平均值与能量阈值进行比较,并将每个斑块的熵平均值与预设的熵阈值进行比较,从斑块中确定出海冰样本与海水样本。

具体从斑块中确定出海冰样本与海水样本的过程为:首先,确定每个斑块的能量平均值与熵平均值,并确定出能量阈值与熵阈值。其中,每个斑块的能量平均值是每个斑块在能量特征中所包含的能量特征值的平均值,每个斑块的熵平均值是每个斑块在熵特征中所包含熵特征值的平均值。其中,确定能量阈值与熵阈值可以采用最大类间方差法,通过最大类间方差法在能量特征计算出将能量特征值分为两类,且内方差最小的能量阈值;同理,通过最大类间方差法在熵特征上确定出熵阈值。

在计算出每个斑块的能量平均值、熵平均值以及能量阈值与熵阈值后,将能量平均值大于能量阈值的斑块确定为海水样本,将熵平均值大于熵阈值的斑块确定为海冰样本。

在本实施例中,由于hv或vh交叉极化图像的灰度值受风影响较小,并且,海冰和海水像素的亮度值经辐射校正后的雷达后向散射系数不随入射角变化而变化,使得计算得到的纹理特征更准确;在纹理特征上计算出极大值点来确定出点集合,并将点集合的每个点设置为最小值点,再将点集合附近的多个极大值点所形成的闭合区域确定为斑块,并利用海冰信息的能量比海水信息的能量值小,海冰信息的熵值比海水信息的熵值大的特点,从提取的斑块中确定出海水样本以及海冰样本。由于,经过两次计算极大值点增大了所提取的任一斑块中纹理信息相似的概率,使得根据能量与熵来确定出的海水样本与海冰样本的准确率得到了保证,实现了在保证海冰样本以及海水样本准确性的前提下,自动获取海冰样本和海水样本,减少人的工作量。

图1所对应的实施例确定出了海冰样本与海水样本,为了实现对合成孔径雷达图像中海冰与海水信息的分离,本申请采用图1所对应的实施例所得到的海冰样本与海水样本,来实现对合成孔径雷达图像中海冰信息与海水信息的分离,参考图3,示出了本申请一种合成孔径雷达图像中海冰与海水信息的分离方法实施例的流程图,本实施例可以包括以下步骤:

步骤301:获取待分离的合成孔径雷达图像,所述合成孔径雷达图像中包括hv或vh交叉极化图像。

步骤302:计算所述hv或vh交叉极化图像中每个第一区域所对应的至少两种纹理信息,得到分别反映所述至少两种纹理信息的至少两个纹理特征;其中,所述hv或vh交叉极化图像由多个所述第一区域组成,其中,不同所述第一区域的面积大小相等,且不同第一区域之间互不重叠;所述至少两个纹理特征包括能量特征和熵特征。

步骤303:确定所述至少两个纹理特征中的至少一个目标纹理特征的梯度矩阵。

步骤304:确定所述梯度矩阵的每个第二区域中极大值点,以及,最小值点,得到一个点集合;所述梯度矩阵由多个所述第二区域组成,其中,不同所述第二区域的面积大小相等,且不同第二区域之间互不重叠。

步骤305:分别确定所述点集合中每个点附近的多个极大值点,并将所述多个极大值点所形成的闭合区域确定为斑块,得到至少两个斑块,所述至少两个斑块中,至少存在一个全部为海水信息的斑块,且,至少存在一个全部为海冰信息的斑块。

步骤306:根据每个所述斑块分别在能量特征与熵特征中所包含的特征值,将能量平均值大于预设能量阈值的斑块确定为海水样本,将熵平均值大于预设熵阈值的斑块确定为海冰样本。

上述步骤301~步骤306的具体实施与图1所对应的实施例中步骤101~步骤106相同,具体细节可对应参考步骤101~步骤106,这里不再赘述。

步骤307:基于所述海冰样本和所述海水样本,从所述合成孔径雷达图像中分离出海水信息以及海水信息。

通过步骤301~步骤306自动确定去海冰样本与海水样本后,本实施例通过确定出的海冰样本与海水样本,从合成孔径雷达图像中分离出海水信息以及海冰信息,具体的分离过程可以包括以下步骤b1~b4:

步骤b1:将所述海冰样本与所述海水样本确定为训练样本。

在图1所对应的实施例中,从至少两个纹理特征中确定出了海冰样本以及海水样本。在本步骤中,利用该海冰样本与海水样本作为训练样本。

步骤b2:依据每个所述训练样本所对应的至少两种纹理信息,以及,每个所述训练样本的类型,确定所述至少两种纹理信息与类型间的分类模型;所述训练样本的类型包括海水样本和海冰样本。

在图1所对应的实施例中计算得到了海冰样本与海水样本的至少两个纹理特征,该至少两个纹理特征对应至少包括能量特征与熵特征的至少两种纹理特征,为了更准确的确定训练样本的至少两种纹理信息与样本类型间的对应关系,本步骤中的至少两种纹理信息还可以包括:雷达后向散射系数平均值、对比度、相关性和均一性,并且,训练样本的类型有海冰样本和海水样本,在本步骤中,可以采用支持向量机的方法获取各训练样本的六种纹理信息与训练样本的类型间的对应关系,得到一个分类模型。当然,本实施例采用训练样本的六种纹理信息来确定纹理信息与样本类型间的对应关系,并不是唯一的实施方式,在实际的应用中,可以通过在六种纹理信息的基础上添加或减少纹理信息,只要能保证所确定出的纹理信息与样本类型间的对应关系准确性即可,本实施例不对具体的纹理信息做限定。

步骤b3:根据所述分类模型,以及,所述至少两个纹理特征中各坐标位置对应的至少两种纹理信息,确定各坐标位置对应的类型,得到所述至少两个纹理特征中海冰与海水的分离图像。

在确定了至少两种纹理信息与训练样本类型间的对应关系后,在本步骤中,针对包括能量特征与熵特征的至少两个纹理特征中,各纹理特征的相同坐标位置处所对应的纹理信息,依据确定的对应关系,确定出该坐标位置处所属的类型,例如,根据确定出的对应关系,确定出至少两种纹理特征中,任一相同坐标位置处的标识类型为海冰,则得到至少两个纹理特征的在该坐标位置处标识为海冰。采用此方法,确定至少两个纹理特征中各坐标位置处标识为海冰还是海水,将至少两个纹理特征中,所有标识海冰的坐标位置所形成的区域作为海冰信息,所有标识海水的坐标位置所形成的区域作为海水信息,得到至少两个纹理特征中的海冰信息与海水信息。

具体的,本步骤确定出至少两种纹理特征中的海冰信息与海水信息时,可以将至少两个纹理特征输入步骤302训练得到的分类模型,直接输出海冰信息与海水信息。

步骤b4:基于所述至少两个纹理特征中海冰信息与海水信息,从所述合成孔径雷达图像中分离出海水信息和海冰信息。

由于,在计算纹理特征时,hv或vh交叉极化图像中的一个预设大小的第一区域,对应纹理特征中的一个坐标位置。因此,在得到至少两个纹理特征中标识海冰的坐标位置以及标识海水的坐标位置后,本步骤将hv或vh交叉极化图像中,与至少两个纹理特征中标识海冰的各坐标位置对应的各第一区域,确定为hv或vh交叉极化图像中的海冰信息;同理,确定出hv或vh交叉极化图像中的海冰信息与海水信息。当然,上述确定hv或vh交叉极化图像海冰信息与海水信息,只是本实施例给出的一种实施方式,在实际中,也可以采用其他的方式来实现。

在得到hv或vh交叉极化图像中的海冰信息与海水信息后,根据海冰信息与海水信息在hv或vh交叉极化图像中的位置,确定出合成孔径雷达图像中的海冰信息与海水信息。

如果在图1所对应的实施例中,hv或vh交叉极化图像是经过图像压缩的预处理hv或vh交叉极化图像,此时,需要根据确定出海冰信息与海水信息的hv或vh交叉极化图像进行图像压缩的逆变换,得到可区分海冰信息与海水信息的合成孔径雷达图像。

由于图1所对应的实施例中,提取出了可保证准确率的海冰样本与海水样本,因此,在本实施例中,基于可保证准确率的海冰样本与海水样本作为训练样本,确定至少两种纹理信息与标识类型间的对应关系,进而确定出合成孔径雷达图像中的海冰信息与海水信息,实现了在保证分离sar中海冰信息与海水信息准确率的前提下,实现了全自动的分离sar图像中海冰与海水信息。

与上述本申请一种合成孔径雷达图像中海冰与海水信息的分离方法实施例所提供的方法相对应,参考图4,本申请还提供了一种合成孔径雷达图像中海冰与海水信息的分离装置实施例,在本实施例中,该装置可以包括:

第一获取单元401,用于获取待分离的合成孔径雷达图像,所述合成孔径雷达图像中包括hv或vh交叉极化图像。

计算单元402,用于计算所述hv或vh交叉极化图像中每个第一区域所对应的至少两种纹理信息,得到分别反映所述至少两种纹理信息的至少两个纹理特征;其中,所述hv或vh交叉极化图像由多个所述第一区域组成,其中,不同所述第一区域的面积大小相等,且不同第一区域之间互不重叠;所述至少两个纹理特征包括能量特征和熵特征。

其中,所述计算单元402可以包括:

确定子单元,用于确定所述hv或vh交叉极化图像中每个第一区域所对应的灰度共生矩阵;所述灰度共生矩阵反映每个所述第一区域的不同方向上,具有相同灰度值的点对个数,所述每个点对中两个像素点在同一方向上的间隔相同。

计算子单元,用于依据所述每个第一区域所对应的灰度共生矩阵,计算每个第一区域所对应的至少两种纹理信息。

排列子单元,用于针对每种纹理信息,按照每个第一区域在所述hv或vh交叉极化图像中的位置排列纹理信息,得到hv或vh交叉极化图像的纹理特征。

梯度矩阵确定单元403,用于确定所述至少两个纹理特征中的至少一个目标纹理特征的梯度矩阵。

第一确定单元404,用于确定所述梯度矩阵的每个第二区域中梯度极大值点,以及,最小值点,得到一个点集合;所述梯度矩阵由多个所述第二区域组成,其中,不同所述第二区域的面积大小相等,且不同第二区域之间互不重叠。

第二确定单元405,用于分别确定所述点集合中每个点附近的多个极大值点,并将所述多个极大值点所形成的闭合区域确定为斑块,得到至少两个斑块,所述至少两个斑块中,至少存在一个全部为海水信息的斑块,且,至少存在一个全部为海冰信息的斑块。

第三确定单元406,用于根据每个所述斑块分别在能量特征与熵特征中所包含的特征值,将能量平均值大于预设能量阈值的斑块确定为海水样本,将熵平均值大于预设熵阈值的斑块确定为海冰样本。

分离单元407,用于基于所述海冰样本和所述海水样本,从所述合成孔径雷达图像中分离出海水信息以及海水信息。

其中,分离单元407可以包括:

训练样本确定子单元,用于将所述海冰样本与所述海水样本确定为训练样本。

分类模型确定子单元,用于据每个所述训练样本所对应的至少两种纹理信息,以及,每个所述训练样本的类型,确定所述至少两种纹理信息与类型间的分类模型;所述训练样本的类型包括海水样本和海冰样本;

第一分离子单元,用于根据所述分类模型,以及,所述至少两个纹理特征中各坐标位置对应的至少两种纹理信息,确定各坐标位置对应的类型,得到所述至少两个纹理特征中海冰信息与海水信息。

第二分离子单元,用于基于所述至少两个纹理特征中海冰信息与海水信息,确定出所述合成孔径雷达图像中海水信息和海冰信息。

在实际应用中,在计算单元402之前,该装置还可以包括:

第二获取单元408,用于获取hv或vh交叉极化图像。

预处理单元409,用于对所述hv或vh交叉极化图像进行预处理,得到预处理后的hv或vh交叉极化图像;所述预处理包括:图像压缩、陆地掩膜与辐射校正中的一种或几种。

在实际应用中,在第一确定单元404之后,该装置还可以包括:

处理单元410,用于对所述梯度矩阵进行平滑、去燥处理,得到处理后的梯度矩阵。

本实施例中的装置,由于hv或vh交叉极化图像的灰度值受风影响较小,并且,海冰和海水像素的灰度值经辐射定标后的雷达后向散射系数不随入射角变化而变化,使得计算得到的纹理信息更准确;在纹理特征上计算出极大值点来确定出点集合,并将点集合的每个点设置为最小值点,再将点集合附近的多个极大值点所形成的闭合区域确定为斑块,并利用海冰信息的能量值比海水信息的能量值小,海冰信息的熵值比海水信息的熵值大的特点,从提取的斑块中确定出海水样本以及海冰样本。由于,经过两次计算极大值点增大了所提取的任一斑块中纹理信息相似的概率,使得根据能量与熵来确定出的海水样本与海冰样本的准确率得到了保证,实现了在保证海冰样本以及海水样本准确性的前提下,自动获取海冰样本和海水样本,减少人的工作量。基于可保证准确率的海冰样本与海水样本作为训练样本,确定至少两种纹理信息与像素类型间的对应关系,进而确定出可区分海冰像素与海水像素的合成孔径雷达图像,实现了在保证分离sar中海冰信息与海水信息准确率的前提下,实现了全自动的分离sar图像中海冰与海水信息。

需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。

最后,还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的数据发送方法及装置、密钥索引的生成方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1