基于主动轮廓的sar影像灾后水体信息提取方法
【技术领域】
[0001] 本发明涉及一种水体信息提取方法，尤其是涉及一种基于主动轮廓的SAR影像灾 后水体彳目息提取方法。
【背景技术】
[0002] 遥感作为一种重要的数据获取手段，可以为洪灾救援、灾后重建提供多方面的信 息，与光学传感器相比，SAR传感器能够全天时、全天候工作，并且能够穿透乌云。如何对 SAR影像进行洪灾后水体信息进行精确提取成为当下需要解决的问题，现有技术中采用传 统的SAR影像阈值分割法进行提取，其存在提取精度差、计算量大等问题。
【发明内容】
[0003] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于主动轮廓 的SAR影像灾后水体信息提取方法，同时考虑了水体的低散射特点，以及水体分布均匀，且 具有连通性的特点，并考虑了SAR影像中阴影叠影现象，提取精度和效率明显提高。
[0004] 本发明的目的可以通过以下技术方案来实现：
[0005] -种基于主动轮廓的SAR影像灾后水体信息提取方法，其特征在于，包括以下步 骤：
[0006] 1)利用二维Otsu阈值分割法提取出SAR影像中的全部潜在水体；
[0007] 2)基于区域的主动轮廓图像分割；
[0008] 3)建立全局高度阈值图。
[0009] 所述的利用二维Otsu阈值分割法提取出SAR影像中的全部潜在水体具体为：
[0010] 设所要进行分析的图像f(x，y)的灰度级为L，构建该图像的邻域平滑图像，该邻 域平滑图像的灰度级也为L，通过这两幅图像的灰度值的向量（i，j)来表示图像中的每一 个像素，其中i表示该图像的像素灰度值，j表示邻域平滑图像的像素灰度值；
[0011] 设在二维直方图中存在两类C。和Ci，C。表示目标，C:表示背景，则目标和背景的出 现的概率分别为：
[0013] 其中《。和wi分别表示目标和背景的出现的概率，其中w。和wi分别表示目标和背
[0014] 目标和背景对应的均值矢量为：
[0019] 图像中目标与背景的离散度矩阵为：
[0020]Sb(s，t) =w。(U0-U) T (U0-U)+W1(U1-U) T (U1-U)
[0021] 使用离散度矩阵的迹作为划分图像背景和目标的距离测度函数：
[0023] 其中可；:和、表示目标对应的均值矢量，〇1^和^表示背景对应的均值矢量当 tr(SB)取最大时对应的（s，t)就是进行图像分割的最优阈值。
[0024] 所述的基于区域的主动轮廓图像分割具体为：采用基于区域的主动轮廓模型，即 CV轮廓模型，对水体目标进行精确提取。
[0025] 在所述的CV轮廓模型加入曲线长度项和曲线面积项作为正则项，使曲线保持光 滑。
[0026] 所述的建立全局高度阈值图具体为：
[0027] 从主动轮廓提取结果中选择10-20个水平面点，在DEM模型图上，找到这些点对应 的DEM高程，利用Kriging插值，得到全局高度阈值图。
[0028] 与现有技术相比，本发明将传统的SAR影像阈值分割法和主动轮法结合，解决了 单一方法进行水体提取的局限性，既达到了精确提取水体，又保证主动轮廓计算量减少，提 高了提取速度。
【附图说明】
[0029] 图1为本发明的流程图；
[0030] 图2为实施例中的SAR影像数据覆盖范围示意图；
[0031] 图3为SAR影像二维Otsu分割结果示意图；
[0032] 图4为CV轮廓模型初始轮廓、目标轮廓和提取结果示意图，其中（a)为SAR影像， (b)为初始轮廓图，（c)为目标轮廓图，（d)为主动轮廓分割结果图。
[0033] 图5为CV轮廓模型提取结果示意图；
[0034] 图6为建立的全局高度阈值图。
【具体实施方式】
[0035] 下面结合附图和具体实施例对本发明进行详细说明。
[0036] 实施例
[0037] 本发明一个对SAR影像进行洪灾后水体提取方法，同时考虑了水体的低散射特 点，以及水体分布均匀，且具有连通性的特点，并考虑了SAR影像中阴影叠影现象，提取精 度和效率明显提高。
[0038] 如图1所示，本方法主要有以下三步组成：
[0039] (1)二维Otsu阈值分割
[0040] Otsu阈值分割是目前进行自动阈值选取的最有方法之一，在进行阈值确定时，不 仅考虑到像素点本身的灰度信息，也考虑了其周围像素点的影响
[0041] 二维最大类间方差法（二维Otsu)进行图像阈值分割的基本原理是：设所要进行 分析的图像f(x，y)的灰度级为L(L一般取256)，构建该图像的邻域平滑图像，该图像的邻 域图像的灰度级也为L。我们可以通过这两幅图像的灰度值的向量（i，j)来表示图像中的 每一个像素。其中i表示该图像的像素灰度值，j表示邻域平滑图像的像素灰度值。
[0042] 设在二维直方图中存在两类C。和CpC。表示目标，C1表示背景。则目标和背景的 出现的概率分别为：
[0045]图像中目标与背景的离散度矩阵为：
[0046] Sb(s,t) = w0(u〇-u)T (u〇-u) +W1 (U1-U)T (U1-U) (3)
[0047] 使用离散度矩阵的迹作为划分图像背景和目标的距离测度函数：
[0049] 当其取最大时对应的（s，t)就是进行图像分割的最优阈值。
[0050] (2) CV轮廓模型
[0051]CV轮廓模型是一种基于区域的主动轮廓模型，其基于M-S分割理论（式5)，以曲 线演化和零水平集为数学理论基础，对初始轮廓定义简单，并且具有较强的拓扑性，能够同 时进行多目标的提取。
[0053] 在将图像特征融入主动轮廓模型的能量泛函中时，借助了曲线演化理论，同时为 了处理曲线的拓扑结构变化问题，人们引入了水平集方法。将演化曲线或者演化曲面作为 零水平集嵌入到高维的水平集函数中，通过控制这个高维水平集函数来达到控制演化曲线 或者演化曲面的目的。不同于参数主动轮廓模型的显式函数表达形式，水平集方法则是隐 含的表示曲线的演化方程，由此可以解决分割过程中曲线的拓扑结构变化的问题。
[0054]在CV轮廓模型能量函数中加入曲线长度项和曲线面积项作为正则项使曲线保持 光滑，可得：
[0056] 此式即为CV模型的总能量方程，其中，y，v，XpA2>〇分别为各项的权重参数， 曲线C，曲线内部区域insid