专利名称：基于Fisher分布的活动轮廓SAR图像分割方法
基于Fisher分布的活动轮廓SAR图像分割方法技术领域
本发明属于图像处理领域，涉及雷达遥感应用技术，更具体的说涉及合成孔径雷达(Synthetic Aperture Radar, SAR)图像的水平集分割方法。技术背景
合成孔径雷达(Synthetic Aperture Radar, SAR)是利用微波进行感知的主动传感器。与依赖于发光源的光学传感器不同，SAR系统是完全主动的获取，不受天气、光照等条件的限制，这使得SAR图像更好的昼夜和季节稳定性，其全天候、全天时的视觉能力，这些优点已然成为了军事、农业、城市规划等应用领域不可或缺的对地观测技术。随着SAR设备和成像技术的不断发展，SAR图像的智能解译技术面临着新的挑战，图像分割作为SAR图像解译的关键步骤，更是备受关注。然而，由于SAR系统的相干成像原理，使得SAR图像深受相干斑噪声的影响，以致成为SAR图像精确分割的重要障碍。目前，SAR图像分割技术大都先对原始的SAR图像进行斑点噪声抑制，然后在采用类似于可见光图像分割的处理方法进行图像分割；在抑制相干斑噪声的同时，不可避免地损失了边界等细节信息，从而影响最终的分割效果。
近年来，基于水平集(level set)方法的图像分割方法由于具有能直接自然地表示图像的区域和边界，更加符合图像分割的定义，得到的结果无需进行诸如边界连接、区域合并等后处理过程等优点得到了人们的重视。一般水平集方法的基本步骤是利用变分法， 首先极小化一个关于平面参数化曲线的能量泛函，得到曲线演化的梯度下降流，然后将其转化为水平集演化的欧式表达。变分水平集方法的特点是水平集函数演化的偏微分方程直接通过极小化关于水平集函数的能量泛函得到，此类方法简化了一般水平集方法的步骤， 而且更有利于在能量泛函定义中引入关于图像区域和目标形状的先验知识。与阈值、边缘检测和区域增长等传统图像分割方法相比，ACM模型的优点是可以自适应地处理拓扑变化， 提供高精度的闭合分割曲线，而且数值实现简单、算法稳定性较高。在SAR图像分割中，ACM 模型可以充分利用相干斑噪声的概率模型定义能量泛函，不需要相干斑预处理，也能获得精确的分割结果。
尽管如此，但目前现有的水平集SAR图像分割方法一般基于SAR图像的Ga_a分布模型(Ben Ayed I. , Mitiche A., Belhadj Z. . Multiregion level-set partitioning of Synthetic Aperture Radar images. IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27 (5) : 793:800)等。虽然 Gamma 分布能较好地描述中低分辨率情况下的均匀区域SAR图像数据，但是随着分辨率的提高，SAR图像相干斑发育不充分，均勻度降低，Ga_a分布一般不能很好的描述,因而目前基于Ga_a分布的方法不能用于高分辨率SAR图像的分割处理。二是现有的水平集SAR图像分割方法一般利用符号距离函数表示水平集函数，往往需要在曲线演化过程中进行耗时的重新初始化步骤，使得分割速度缓慢。发明内容
本发明目的在于克服现有基于Ga_a分布对于SAR图像分割技术的不足，提出了基于Fisher分布的活动轮廓SAR图像分割方法。该方法通过引入Fisher分布统计模型， 得到了一种更加适用于SAR图像分割的能量泛函。利用对数矩估计的方法估算Fisher分布各区域内最优参数，并且通过水平集方法进行偏微分方程的数值求解，实现了 SAR图像的分割。由于Fisher分布的采用，能使得该方法能够适用于多种SAR图像的分割。
本发明解决其技术问题所米用的技术方案是一种基于Fisher分布的活动轮廓 SAR图像分割方法，包括以下步骤步骤一，采用Fisher分布来描述SAR图像的统计特性，根据区域竞争模型建立基于 Fisher分布的能量泛函。
为了更好的描述高分辨率条件下的SAR 图像，采用 Fisher分布来描述SAR图像的统计特性，假设待分割的SAR图像Q(U)由两部分组成，分别为目标区域I (foreground)与背景区域Q2 (background),假设两区域服从独立的Fisher概率统计模型，由区域竞争模型可建立如下的SAR图像分割的能量泛函，作为方程一
权利要求
1.一种基于Fisher分布的活动轮廓SAR图像分割方法，其特征在于，包括以下步骤 步骤一，采用Fisher分布来描述SAR图像的统计特性，根据区域竞争模型建立基于 Fisher分布的能量泛函，作为方程一
2.根据权利要求1所述的基于Fisher分布的活动轮廓SAR图像分割方法，其特征在 干，所述步骤三包括以下具体步骤步骤3-1，初始化零水平集函数，即初始水平集函数办，在曲线内部取值为1，外部为-1 ；步骤3-2，利用对数矩估计方法对SAR图像中曲线内外部区域的參数分别进行估算，即由方程四分别计算得到目标区域Q1和背景区域Q2的Fisher分布估计参数W1, 和 ,M2 ；步骤3-3，利用估计得到的Fisher分布参数分别计算目标区域Q1和背景区域Q2的 Fisher分布的概率密度函数g和P2 ；步骤3-4，利用方程二、方程三来计算更新水平集函数；步骤3-5，利用迭代计数K来判断是否达到终止条件n>nMax ,若是，由 == 提取边界曲线，完成SAR图像分割；若不是，转到步骤3-2。
全文摘要
本发明公开了一种基于Fisher分布的活动轮廓SAR图像分割方法，主要在于克服现有基于Gamma分布对于SAR图像分割技术的不足，其具体实现步骤为(1)利用Fisher分布拟合图像区域的强度统计特征，根据区域竞争模型建立基于Fisher分布的能量泛函；(2)引入水平集函数，并结合长度约束项和水平集规则项，重新表示步骤一得到的能量泛函；(3)采用Euler-Lagrange变分法最小化步骤二的能量泛函，利用对数矩估计对Fisher分布的参数进行估计，然后对偏微分方程进行数值求解，进而获得SAR图像的分割结果。本发明利用水平集方法演化分割曲线和Fisher分布参数估计相结合,使能量泛函达到最小化,从而实现对SAR图像的分割。
文档编号G06T7/00GK102542561SQ20111037447
公开日2012年7月4日 申请日期2011年11月23日 优先权日2011年11月23日
发明者孔丁科, 王勋, 章志勇, 范英豪 申请人:浙江工商大学