基于小波散射网络的sar图像分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及一种SAR图像分割，具体是一种基于小波散 射网络的SAR图像分割方法。可应用于单幅SAR图像的分割。
【背景技术】
[0002] 合成孔径雷达（SAR)是一种主动式微波对地观测设备，通过发射和接收雷达波而 获得地面信息，具有全天时、全天候工作的特点，且雷达波对地面植被具有一定的穿透能 力。SAR图像已广泛应用于军事和国民经济领域，包括飞机目标检测，土地监测，导航，自然 灾害监测等。对SAR图像的研究主要包括，SAR图像的去噪，融合，分割，目标检测，变化检 测等，其中SAR图像分割是一项基础却又重要的信息提取技术。传统的SAR图像分割算法 包括基于像素和基于纹理的分割方法，其中基于像素的分割方法常常需要使用滤波效果好 的算法对SAR图像进行去噪，同时此方法对于阈值的选取比较敏感，从而增加了分割方法 的计算量；而基于纹理的分割算法则将重点放在对纹理特征的提取上。目前较为普遍的纹 理特征提取方法是对SAR图像提取小图像块，然后对小图像块提取纹理特征，其常用的纹 理特征包括灰度共生矩阵（GLCM)，小波纹理等。由于这些纹理特征提取算法是基于小图像 块，其算法时间复杂度非常大。同时，马尔科夫随机场（MRF)也常被用来描述像素点之间的 结构关系。但MRF的迭代优化算法也需要很大的计算量，不利于SAR图像的快速分割。
[0003] 2011年S.Mallat提出了一种散射变换算子，它能够恢复低频信号中丢 失的高频成分，从而更好的保持图像在仿射变换和弹性形变时的不变特性，参见 Mallat,Stephane.''GroupInvariantScattering.''CommunicationsonPure&Applied Mathematics65. 10(2012) :1331 - 1398。2013 年S.Mallat通过级联小波变换的非线性 取模值操作和均值操作，构成了一种小波散射网络，能够在保持平移不变和对弹性形变 稳定的同时保留有助于解决分类问题的高频信息，其在纹理图像的分类问题上取得了 非常好的效果，参见Bruna,Joan,andS.Mallat.''InvariantScatteringConvolution Networks.〃IEEETransPatternAnalMachIntell35. 8 (2013): 1872-1886。吴华娟等人 直接将此小波散射网络应用于纹理分割问题中，其做法是对纹理图像进行取块操作，然后 对每个小图像块应用小波散射卷积网络提取散射系数，作为此图像块的纹理特征，参见吴 华娟，张明新，and郑金龙基于小波散射卷积网络的纹理分割方法."微电子学与计算 机30. 5 (2013)。与之前基于纹理的SAR图像分割算法一样，吴等人的做法需要大量的计算 量，从而降低SAR图像分割算法的效率。
[0004] 以上各种基于纹理的SAR图像分割算法都是在图像块上进行纹理特征的提取操 作，其算法复杂度随着图像大小的增大而快速增加。对于SAR图像中的每一个像素点，上述 算法都需要取定一个以此像素点为中心的像素块，然后在此像素块上进行纹理特征提取。 对于距离小于像素块边长的两个像素点，以这两个像素点为中心的两个像素块之间具有重 叠的像素点，而这些重叠的像素点使得对图像块进行纹理特征提取时产生重复计算。两个 像素点之间的距离越小，对应的两个图像块之间的重叠像素点越多，纹理特征提取时重复 计算就越多，算法效率就越低。
【发明内容】
[0005] 针对上述已有技术存在的缺陷，本发明目的在于提出一种快速提取SAR图像纹理 特征并进行分割的技术方案，即基于小波散射网络的SAR图像分割方法。该方法实现了SAR 图像的尚效分割。
[0006] 本发明是一种基于小波散射网络的SAR图像分割方法，是基于SAR图像纹理的快 速特征提取，包括有如下步骤：
[0007] 1)选择需要进行分割的原始SAR图像，大小为[m，n]，并对其进行预处理，包括Lee 滤波去噪和数据归一化操作。
[0008] 2)设定散射变换最大尺度J，在对SAR图像进行分割时，每个像素点的特征由一个 大小为[2*2\ 2*2^的图像块确定；当处理SAR图像边界的像素点时，需要对SAR图像边界 进行对称拓展，得到拓展后的SAR图像f，大小为[m+2*2\n+2*2l。
[0009] 3)选定散射变换中的小波函数也Jx)，其中X为需要进行小波变换的图 像，A为参数；根据拓展后图像f?的大小和散射变换尺度J，设定散射变换路径P= {入。，Ai，. ..，A^}，其中L为路径总长度，并生成二维散射传播算子U(p)f。
[0010] 4)选取窗函数朽1>)，，结合步骤3)中的二维散射传播算子U(p)f，共同生成二维 散射算子Sj(P)f。
[0011]5)根据二维散射算子S1(P)f和路径P，对拓展后的SAR图像f进行路径长度为L 的散射变换，级联各层输出系数，得到拓展后的SAR图像f的散射系数图。
[0012] 6)对SAR图像的散射系数图的上下左右边界进行剪裁，使得散射系数图的大小等 于原SAR图像的大小，即[m，n]，于是，SAR图像中每个像素点的散射系数Soti对应一个长度 为向量。
[0013] 7)用离散余弦变换（DCT)对SAR图像的散射系数进行降维，保留前50%的低频信 息作为降维后的散射纹理特征s :
[0014] 7a)对SAR图像中所有像素点的散射系数进行DCT变换，得到了DCT系数；
[0015] 7b)分别选取DCT系数中前50%的低频系数，作为对应每个像素点散射系数降维 后的散射纹理特征，记为s，长度为N;也就是说，用每个像素点降维后的散射纹理特征来表 示此像素点。
[0016] 8)设定SAR图像要被分割成的类别数C，对降维后像素点的散射纹理特征s进行 K-Means聚类，得到SAR图像的初步分割结果Y= {y;Iyi= 1，2,…C;i= 1，2,…，m*n}， 其中yi对应第i个像素点的类标；至此，以上所有步骤均无需对图像进行取块操作，而实现 SAR图像的初步分割；极大地节省了SAR图像分割的运行时间。
[0017] 9)由初步分割结果￥生成有标签样本集合7=丨(4，){)1){，丨，2,…Mk = IX...,斗其中 K为有标签样本的总数，<表示有标签样本集合T中第k个有类标像素点的散射纹理特征， 乂表示有标签样本集合T中第k个有类标像素点的类标：
[0018] 9a)根据SAR图像的初步分割结果，从SAR图像中选取所有属于第c类的像素点；
[0019] 9b)对步骤9a)选出的属于第c类的像素点，求取其平均值作为第c类的类中心 〇〇；
[0020] 9c)对所有初步分割结果中类标为c的像素点，计算它们到〇。的距离，选取前20% 距离最近的像素点作为属于第c类置信度较高的像素点；
[0021] 9d)对于C种不同的类别，分别重复步骤9a)~9c)，得到所有对应类别置信度较 高的像素点，构成含有C种不同类别的有标签样本集T。
[0022] 10)在有标签样本集合T上进行训练，寻找不同类别像素点所处的仿射空间A。，其 中c= 1，2, ...，C，仿射空间A。作为第c类像素点所处的子空间，由C个仿射空间组成一个 仿射分类器。
[0023] 11)逐步滑窗对SAR图像初步分割结果Y进行遍历，使用步骤10)中的仿射分类器 对初步分割结果Y进行更正，完成SAR图像分割，并输出最终分割结果。
[0024] 本发明的纹理提取操作是作用于整幅SAR图像的，省去了对SAR图像分块提取纹 理特征的步骤，其算法复杂度受图像大小的影响远小于传统算法，能够大大提高SAR图像 的分割效率。同时本发明在保持平移不变性和对弹性形变稳定性同时保留了有助于分类的 高频信息，使得本发明能够在提高分割效率的同时保证足够的分割精度。
[0025] 本发明与现有的技术相比具有以下优点：
[0026] 1、本发明针对传统SAR图像纹理特征提取需进行分块处理的缺点，提出了一种无 需进行分块操作的SAR图像纹理提取方法，极大地提高了提取纹理特征的效率；
[0027] 2、本发明采用一种有效的散射变换算子，其在保持纹理平移不变性和对弹性形变 稳定性的同时保留了有助于分类的高频信息，在有效地减小相同纹理间差异性的同时增加 不同纹理间的差异性，从而提高SAR图像的分割精度；
[0028] 3、本发明在SAR图像的初步分割基础上构造了一个简单有效的仿射分类器，对初 步分割结果进行更正，避免了人工选取有标签训练样本的过程，同时进一步提高了SAR图 像的分割精度。
[0029] 仿真结果表明，本发明在保证SAR图像分割精度的同时极大地提高了SAR图像分 割的效率。
【附图说明】
[0030] 图1是本发明的实现流程示意图；
[0031 ] 图2是本发明中待分割的SAR图像；
[0032] 图3是本发明与传统分割算法的整体分割效果比较图。
【具体实施方式】
[0033] 随着合成孔径雷达的快速发展，SAR图像已广泛应用于军事和国民经济领域，对海 量SAR图像的研究越来越重要。对SAR图像的研究主要包括，SAR图像的去噪，融合，分割， 目标检测，变化检测等，其中SAR图像分割是一项基础却又重要的信息提取技术。现有基于 纹理特征的SAR图像分割技术大多是基于图像块进行的，由此造成的重复计算大大降低了 SAR图像的分割效率。
[0034] 针对该技术问题，本发明展开了研究与探讨，提供了一种基于小波散射网络的SAR 图像分割方法。
[0035] 实施例1
[0036] 本发明的基于小波散射网络的SAR图像分割方法是基于SAR图像纹理的快速特征 提取。参见图1，包括有如下步骤：
[0037]1)选择需要进行分割的原始SAR图像，大小为[256, 256]，参见图2;选定Lee滤 波窗口大小5*5对其进行Lee滤波去噪，同时对SAR图像数据除以255,作为数据归一化操 作。
[0038] 2)设定散射变换最大尺度J= 2,在对SAR图像进行分割时，每个像素点的特征由 一个大小为[8, 8]的图像块确定；当处理SAR图像边界的像素点时，需要对SAR图像边界进 行对称拓展，得到拓展后的SAR图像f，大小为[264, 264]。
[0039]3)选定散射变换中的Morlet小波函数I (.V卜2 :Vf2_;_r1T),其中
数，分别选取4个旋转方向0°，45°，90°和135°，j为尺度参数，取0~J之间的整数， 的频率中心为A= 2Y;根据拓展