专利名称：：Sar图像中居民区的提取方法
技术领域：
：本发明涉及一种图像提取方法，特别是一种SAR图像中居民区的提取方法。
背景技术：
：居民区包括房屋建筑的结合体，以及与居住直接有关的其它生活设施(如公共设施、园林绿化、港站等)和生产设施。居民区对雷达信号的所有回波包括相对光滑表面的镜面反射、中等粗糙度的漫反射、粗糙面各向同性的散射.此外，居民区内部大量硬目标、角反射器和雷达波的谐振效应，使得雷达回波信号非常强，从而居民区在雷达图像上呈现出非常亮的斑，这些亮斑是居民区与其它地物区别的主要特征之一。总之，居民区的雷达影像特征，主要由居民区内的镜面反射、漫反射、各向同性散射，以及其角反射和谐振效应等的强度和空间配置决定，一般都呈现为整体的信号强度要高于周边地区.但内部包含一些离散的小面积暗区特征。目前的自动提取居民区的方法主要有以下几种(1)基于统计的分类法基于统计的分类法包括非监督分类法和监督分类法。非监督分类采用的统计方法有K-均值法、模糊聚类法和动态聚类法等，由于非监督分类法精度很低，一般很少用于居民地信息提取。监督分类采用的统计方法有最小距离法、最大似然法、模糊分类和神经网络法。在目前居民地信息自动提取方法的研究中，最大似然法和神经网络法最具代表性。最大似然法基于正态分布的假设，选择训练样本受人为影响较大。神经网络法则并不基于某个假定的概率分布，容错性较强，通常情况下其分类精度较最大似然法要高。虽然基于统计方法提取居民地的研究相当成熟并有广泛应用，但研究同时也表明其分类精度相对较低，一般不超过80%。(2)谱间结构阈值法，同一波段不同地物吸收和反射太阳光的程度各异，同一地物在不同波段吸收和反射太阳光的能力也不同，依据这一原理，在居民地容易识别的多波段彩色合成影像上，对典型地物进行光谱采样，计算各种地物的光谱均值，得到典型地物波谱曲线图分析居民地的光谱曲线与其他地物光谱曲线的关系，找到能够区分居民区和其他地物的波段，利用波段之间的亮度值差异，选择适当的阀值即可区分。(3)归一化指数法归一化指数是通过波段运算把输出值定在-11之间，常见的如归一化植被指数NDVI(NormalizedDifferenceVegetationIndex):NDVI=(TM4-TM3)/(TM4+TM3)归一化植被指数与植被覆盖度呈良好的正相关关系，NDVI值的减小可以反映城镇扩张，因此常被用于居民地变化信息的监测和提取。但是，综上所述，以上方法具有以下问题(1)传统的统计分类方法精度较低。(2)谱间结构阈值法和归一化指数法无法克服同物异谱和异物同谱现象，一般而言，居民区、干河床和裸地的光谱值与居民地都比较接近，不容易将其剔除。合成孔径雷达(SyntheticApertureRadar，简称SAR)是一种工作在微波频段的主动式遥感器，它通过发射微波进行对地观测，利用发射的回波数据对地面成像。成像后的一项重要工作就是进行图象的识别和解译，而这其中的第一步就是地物目标的分割和提取，常见的地物包括河流、湖泊、居民区、植被、沟渠、道路、农田等。有鉴于此，如何提供一种SAR图像中居民区的提取方法，来综合解决上述技术问题已成为业界亟待解决的技术问题。
发明内容本发明的目的是将提供一种SAR图像中居民区的提取方法，来将SAR图像中的居民区提取出来。本发明的目的是将提供一种SAR图像中居民区的提取方法，计算量较小，能够较快的处理SAR图像；基本自动提取，较少人工干预。为解决上述技术问题，本发明提供了一种SAR图像中居民区的提取方法，包括步骤对SAR图像进行预处理，以调整其对比度及亮度；对经过预处理的SAR图像通过阈值处理获得二值化图像，用Sobel算子对经过预处理的SAR图像微分；将通过阈值处理的二值图像和进行了Sobel算子处理的图像相乘，以得到居民区离散点图；将所述居民区离散点图利用K均值聚类方法分割为不同居民区；以及利用格雷厄姆算法求取分割出的不同居民区的凸壳。其中，所述预处理步骤包括对原始SAR图像进行直方图均衡处理；对经过均衡处理的SAR图像进行伽马变换；对经过伽马变换的SAR图像进行顶帽变换。在将通过阈值处理的二值图像和进行了Sobel算子处理的图像相乘后，还包括步骤计算图像中不同区域的点密度，并利用居民区的点密度更高的特征去除噪声。利用K均值聚类方法包括步骤选择多个聚类中心；将所有离散点按照最小距离原则分到多个聚类中心；计算新的聚类中心；判断聚类中心是否改变；若改变则继续将所有离散点按照最小距离原则分到多个聚类中心，若未改变则完成K均值聚类。在具体实施例中，所述阈值处理是利用0tsu阈值法实现。本发明的SAR图像中居民区的提取方法，通过一系列的步骤将合成孔径雷达生成的SAR图像逐步变换优化，最终在图像中提取出居民区，该方法具有以下优点计算量较小，能够较快的处理SAR图像；基本自动提取，较少人工干预。图1是本发明的SAR图像中居民区的提取方法的总体流程图。图2是图1中图像预处理步骤的具体流程图。图3是图1中居民区离散点生成步骤的具体流程图。图4是图1中K均值聚类分割步骤的具体流程图。具体实施例方式以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效。本发明也可通过其他不同的具体实例加以实施或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。请参阅图l，是本发明的SAR图像中居民区的提取方法的总体流程图，如图所示，该方法包括以下步骤，在本实施例中以最佳的处理举例进行说明，但不以此为限图像预处理请参阅图2，是图1中图像预处理步骤的具体流程图，如图所示，其具体操作如下首先我们必须对原始图像做直方图均衡处理，以增强对比度，但是整体亮度上可能存在偏暗或者偏亮的情况，所以我们接着使用伽马变换来对图像进行亮度增强，经过伽马变换后，图像得到了亮度上的增强，但是由于雷达在照射目标区域的时候，采取的是侧视的方式，所以可能造成图像背景的亮度分布不均匀，而这会对后面的阈值处理造成困难，为了补偿这种不均匀的背景亮度，最后我们采取称为顶帽变换的处理方法。用0tsu阈值方法二值化图像请参阅图3，是图1中居民区离散点生成步骤的具体流程图，如图所示由于SAR图像中居民区的亮度都较高，所以我们采用阈值分割将SAR图像二值化，能把潜在的居民区和背景区域大致分开以便后续的处理。这里我们使用Otsu方法来求得阈值以二值化图像，该方法选择可以最大化类间方差0/数值k作为阈值。假设有离散概率密度函数的归一化直方图为pD=^"q=l，2，3......，L_l其中，n是图像中的像素总数，n,是灰度级为rq的像素数目，L是图像中所有可能的灰度级数。假设我们现在已经选定了一个阈值k，C。是一组灰度级为[k，k+l，......，L-l]的像素。Otsu方法则选择最大化类间方差oB2的阈值k，类间方差定义为。=叫(〃。—〃r)2+6^0^-/^)2其中，丄-1Zc-l"。=Zp9(。"！=2>9(。/"o=X!^g0;)/09=0，g=A，g=0￡—1i-1A=Z吗(。)/MA=ZMgOg)Sobel算子对图像微分由于居民区的一个重要特点就是具有比较规则的纹理，也就是在该区域里面亮度的变化较为剧烈，所以可以使用微分算子来提取其中亮度变化处的边缘，我们在这里选用了Sobel算子来进行这个操作。利用Sobel算子来计算一个领域的中心点的梯度的方法如下g={[(Z7+Z8+Z9)_(Zi+Z2+Z》]2+[(Z3+Z6+Z9)-(Z一Z4+Z》]"1/2其中，Zl，z2……z9中取自待计算点的3X3邻域<table>tableseeoriginaldocumentpage6</column></row><table>因此，若在位置(x，y)处g^T，则该位置的一个像素是一个边缘像素，其中T是一个指定的阈值。我们将通过阈值处理的二值图像和进行了Sobel算子处理的图像相乘，这样就将那些灰度值较低的区域所引入的边缘点去掉了，而使得居民区的边缘点显得更加突出。噪声去除为了要将居民区从图像中切割出来，还需要去除其它非居民区的噪声点。在这里采取的主要思路是利用居民区的点更加密集，也就是点密度更高来划分它们。我们选用mXn的窗口，然后依次计算图像中不同位置(i，j)的点密度f(i，j)，之后按照点密度的大小绘制直方图，从图中找出能够区分开高密度区域和低密度区域的阈值，利用此阈值去除掉那些非居民区的噪声区域。令需要去除噪点的图像为I(I是二值化的图像，只含O，l的矩阵)，则不同区域的1(y+l)"点密度为<formula>formulaseeoriginaldocumentpage6</formula>用K均值对居民区离散点聚类请参阅图4，是图1中K均值聚类分割步骤的具体流程图，如图所示对于已经得到的居民区点图，我们应该对其进行聚类分割，以便对每块区域分别处理。这里我们使用K均值聚类方法来到达该个目的。K均值聚类是非监督分类方法中的一种。K均值算法的聚类准则是使每一个聚类中，多模式点到该类别的中心距离的平方和最小。其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。其算法流程如附图l所示。用格雷厄姆算法求取凸壳对于得到的居民区密集点图，最后的工作就是要从这些离散点中拟合出居民区的边界，实际上也就是要求取这些点的凸壳。所谓凸壳按照以下的叙述来定义设多边形Q的顶点是给定平面内的点Q(Xl，y》，Q(x2，y2)，...，Q(xn，yn)。如果线段QiQj(i-j，1《i《n，1《j《n)总不在多边形Q夕卜，则称Q为凸多边形。设二维点集S=化i(Xi，y》I1《i《m，3《m《①}由给定平面内的点构成。如果凸多边形Q顶点QiGS，且Q是可覆盖S中各点的最小凸多边形；则称凸多边形Q为二维点集S的凸壳。这里采用的是格雷厄姆方法来生成离散点的凸壳。凸多边形的各顶点必在该多边形的任意一条边的同一侧。这是格雷厄姆方法的依据。综上所述，本发明的SAR图像中居民区的提取方法与现有技术相比，主要抓住了SAR图像中居民区的两个主要特点，一是，居民区部分整体比其他区域明亮；二是，居民区部分呈现出明暗交错的纹理特征。于是，本方法的提取结果就不会与道路、干河床和裸地等混淆。当然，经过上述各个步骤的处理，不仅能够将SAR图像中的居民区提取出来，而且计算量较小，能够较快的处理SAR图像；基本自动提取，较少人工干预。上述实施例仅为例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与变化。因此，本发明的权利保护范围，应以权利要求书的范围为依据。权利要求一种SAR图像中居民区的提取方法，其特征在于包括步骤对SAR图像进行预处理，以调整其对比度及亮度；对经过预处理的SAR图像通过阈值处理获得二值化图像，用Sobel算子对经过预处理的SAR图像微分；将通过阈值处理的二值图像和进行了Sobel算子处理的图像相乘，以得到居民区离散点图；将所述居民区离散点图利用K均值聚类方法分割不同居民区；以及利用格雷厄姆算法求取分割出的不同居民区的凸壳。2.如权利要求1所述的SAR图像中居民区的提取方法，其特征在于，所述预处理步骤包括对原始SAR图像进行直方图均衡处理；对经过均衡处理的SAR图像进行伽马变换；对经过伽马变换的SAR图像进行顶帽变换。3.如权利要求1所述的SAR图像中居民区的提取方法，其特征在于，所述阈值处理是利用0tsu阈值法实现。4.如权利要求1所述的SAR图像中居民区的提取方法，其特征在于，在将通过阈值处理的二值图像和进行了Sobel算子处理的图像相乘后，还包括步骤计算图像中不同区域的点密度，并利用居民区的点密度更高的特征去除噪声。5.如权利要求1所述的SAR图像中居民区的提取方法，其特征在于，利用K均值聚类方法包括步骤选择多个聚类中心；将所有离散点按照最小距离原则分到多个聚类中心；计算新的聚类中心；判断聚类中心是否改变；若改变则继续将所有离散点按照最小距离原则分到多个聚类中心，若未改变则完成K均值聚类。全文摘要本发明提供了一种SAR图像中居民区的提取方法，包括步骤对SAR图像进行预处理，以调整其对比度及亮度；对经过预处理的SAR图像通过阈值处理获得二值化图像，用Sobel算子对经过预处理的SAR图像微分；将通过阈值处理的二值图像和进行了Sobel算子处理的图像相乘，以得到居民区离散点图；将所述居民区离散点图利用K均值聚类方法分割为不同居民区；以及利用格雷厄姆算法求取分割出的不同居民区的凸壳。经过上述各个步骤的处理，不仅能够将SAR图像中的居民区提取出来，而且计算量较小，能够较快的处理SAR图像基本自动提取，较少人工干预。文档编号G06K9/46GK101702019SQ200910199440公开日2010年5月5日申请日期2009年11月26日优先权日2009年11月26日发明者陈智鹏申请人:上海电机学院