置 g对应在极化合成孔径雷达SAR图像中的像素值，v表示区域Ω与极化合成孔径雷达SAR 图像中对应像素的方差； (lc) 按照下式，计算极化合成孔径雷达SAR图像中每个像素对比值算子的响应值：其中，R表示极化合成孔径雷达SAR图像中每个像素对比值算子的响应值，min{ ·}表 示求最小值操作，a和b分别表示模板中任意两个不同区域的编号，μ 3和μ b分别表示区 域a和区域b与极化合成孔径雷达SAR图像中对应像素的均值； (ld) 按照下式，计算极化合成孔径雷达SAR图像中每个像素对相关性算子的响应值：其中，C表示极化合成孔径雷达SAR图像中每个像素对相关性算子的响应值，a和b分 别表示模板中任意两个不同区域的编号，vJP v b分别表示区域a和区域b对应在极化合 成孔径雷达SAR图像中像素的方差，μ 3和μ b分别表示区域a和区域b与极化合成孔径雷 达SAR图像中对应像素的均值，4表示平方根操作； (le) 按照下式，融合极化合成孔径雷达SAR图像中像素对比值算子的响应值和极化合 成孔径雷达SAR图像中像素对相关性算子的响应值，计算极化合成孔径雷达 SAR图像中每个像素对各个模板的响应值：其中，F表示极化合成孔径雷达SAR图像中每个像素对各个模板的响应值，R和C分别 表示极化合成孔径雷达SAR图像中像素对比值算子和极化合成孔径雷达SAR图像中像素对 相关性算子的响应值，'表示平方根操作； (lf) 选择具有最大响应值的模板作为极化合成孔径雷达SAR图像中像素的模板，并将 最大响应值作为该像素的功率，将具有最大响应值的模板的方向作为该像素的方向，获得 极化合成孔径雷达SAR图像的边线响应图和方向图； (lg) 利用极化合成孔径雷达SAR图像中每个像素所选择的模板，获得极化合成孔径雷 达SAR图像的梯度图； (lh) 按照下式，将归一化到[0, 1]的边线响应图与归一化到[0, 1]的梯度图进行融合， 得到功率图：其中，I表示功率图中的功率值，X表示边线响应图中的值，y表示梯度图中的值； (Π )采用非极大值抑制方法，对功率图进行检测，得到建议草图； (lj) 选取建议草图中具有最大功率的像素，将建议草图中与该最大功率的像素连通的 像素连接形成建议线段，得到建议素描图； (lk) 按照下式，计算建议素描图中素描线的编码长度增益CLG :其中，CLG表示建议素描图中素描线的编码长度增益，Σ表示求和操作，m表示当前素 描线邻域中像素的个数，t表示当前素描线邻域中像素的编号，At表示当前素描线邻域中第 t个像素的观测值，At，。表示在当前素描线不能表示结构信息的假设下，该素描线邻域中第 t个像素的估计值，ln( ·)表示以e为底的对数操作，Atil表示在当前素描线能够表示结构 信息的假设下，该素描线邻域中第t个像素的估计值； (11)设定阈值T，T的取值范围为5~50,选择CLG>T的建议素描线作为最终素描图中 的素描线，获得输入极化合成孔径雷达SAR图像对应的素描图。3. 根据权利要求1所述的基于低秩分解和直方图统计的极化SAR图像分割方法，其特 征在于：步骤（2)中根据极化SAR图像功率图的素描图提取区域图，并根据区域图将极化 SAR图像映射为聚集区域、匀质区域和结构区域的步骤如下： (2a)两素描线线段之间的距离定义为两线段中点的欧式距离，用线段K近邻的平均距 离表示素描线的聚集度； (2b)根据素描线段聚集度的直方图统计，选取聚集度等于最优聚集度的素描线段作为 种子线段集{Ek，k = 1，2,. . .，m}，其中Ek表示种子线段集中的任一条素描线段，k表示种子 线段集中任一条素描线段的标号，m为线段的总条数，{·}表示集合操作； (2c)如果种子线段集{Ek，k = 1，2, ...，m}中的素描线段没有被添加进某个线段集合， 则以素描线段Ek为基点递归的求解新的线段集合； (2d)使用半径为最优聚集度区间上界的圆形基元，对线段集合中的线段进行膨胀，对 膨胀后的线段集合由外向内进行腐蚀，得到区域图中的聚集区域； (2e)对表示边界、线目标以及孤立目标的素描线，以每个素描线的每个素描点为中心 构造大小为5X5的几何结构窗获得结构区域，并标记该区域为区域图中的结构区域； (2f)将素描图中除去聚集区域和结构区域以外的部分作为无素描的线段，并标记该部 分为区域图中的不可素描区域； (2g)将区域图中的聚集区域、结构区域和不可素描区域映射到极化合成孔径雷达SAR 图像功率图上，得到极化合成孔径雷达SAR图像功率图的聚集区域、结构区域和匀质区域。4. 根据权利要求1所述的基于低秩分解和直方图统计的极化SAR图像分割方法，其特 征在于：步骤（3a)中对空间上不连通的各个聚集区域分别提取样本并构造低秩观测矩阵， 按如下步骤进行： (3al)制定21*21的窗口大小，在每个聚集区域对应的极化SAR图像功率图中用逐点划 窗的方式提取样本； (3a2)对每个提取到的21*21窗口的样本进行列变换组成441大小的列向量，将每个样 本进行排列组成观测矩阵，该观测矩阵的行数是窗口的大小，列数是对应聚集区域中提取 到的样本的个数。5. 根据权利要求1所述的基于低秩分解和直方图统计的极化SAR图像分割方法，其特 征在于：步骤（3d)中计算每两个聚集区域低秩矩阵直方图统计的巴氏距离，步骤如下： (3dl)对每个聚集区域低秩矩阵中的灰度按步长为1从0到255进行频数的统计： C (Cq, C^, 〇2· . . C^. . . C255) ? 其中(^代表低秩矩阵中灰度值大小为[i，i+1)的频数，i = 1，2. . . 255 ; (3d2)对每个聚集区域低秩矩阵数据频数的统计除以对应的聚集区域中样本的个数得 到每个聚集区域的直方图统计X :其中Numi表示第i个聚集区域样本的个数； (3d3)计算每两个聚集区域低秩矩阵直方图统计的巴氏距离：其中^和y i分别代表两个聚集区域低秩矩阵的直方图统计。6.根据权利要求1所述的基于低秩分解和直方图统计的极化SAR图像分割方法，其特 征在于：步骤（3e)中利用相似性矩阵，合并相似的聚集区域，步骤如下： (3el)利用计算到的每两个聚集区域归一化直方图的巴氏距离构造相似性矩阵D，该 相似性矩阵中的元素代表第i个聚集区域与第j个聚集区域之间的距离； (3e2)利用构造的相似性矩阵，采用基于图割的谱聚类的算法，对相似的聚集区域进行 合并，得到最终的聚集区域的分割结果。
【专利摘要】本发明公开了一种基于低秩分解和直方图统计的极化SAR图像分割方法，主要解决现有分割技术区域一致性较差的问题。其实现步骤是：1.依次提取极化SAR图像的功率图和素描图；2.利用素描图提取极化SAR图像功率图的区域图；3.在极化SAR图像的功率图对应的聚集区域中提取低秩观测矩阵,并进行低秩分解；4.对低秩部分进行直方图统计，构造相似性矩阵；5.利用相似性矩阵分割聚集区域；6.分别对匀质区域和结构区域进行分割；7.合并聚集区域、匀制区域和结构区域的分割结果，得到分割后的极化SAR图像。本发明的分割结果具有较好的区域一致性,且提高了极化SAR图像的分割效果,并可用于目标检测和识别。
【IPC分类】G06T7/00
【公开号】CN105335975
【申请号】CN201510690123
【发明人】刘芳, 李婷婷, 石志彬, 郝红侠, 焦李成, 尚荣华, 马文萍, 马晶晶, 杨淑媛
【申请人】西安电子科技大学
【公开日】2016年2月17日
【申请日】2015年10月22日