一种SAR海冰图像分割方法及系统与流程

本发明涉及图像处理技术领域，具体涉及一种SAR海冰图像分割方法及系统。

背景技术：

海冰信息对高纬度地区特别是极地地区的水文、大气热循环、洋流和生态系统都有着极其重大的影响。一旦海冰扩张，将导致封港，航道堵塞，船舶受损等问题，因此，实现快速、准确、实时的海冰监测对船舶安全有效航行十分重要。合成孔径雷达(Synthetic Aperture Radar，SAR)系统不受气候条件及日照的影响，可以全气候全天时对海冰情况进行监测，目前已经成为海冰监测最为有效的工具。而SAR海冰图像分割在对海冰图像进行处理的过程中，占据重要地位。但在SAR海冰图像中，其特有的斑点噪声导图像十分模糊，这使得人们难以准确判别海冰的位置及形状。因此，针对SAR海冰图像进行分割成为图像处理领域研究的热点及难点问题。

在SAR海冰图像分割方面，已经提出了许多方法，包括：阈值方法、聚类方法、结合边缘检测和区域合并混合方法、基于马尔科夫随机场方法等。由于SAR系统特殊成像机制使得SAR图像产生特有的斑点噪声，各像素的灰度呈现更大的不确定性，经学者研究发现，模糊理论较为适合研究这种不确定性。而模糊C均值(FCM)聚类算法是模糊聚类分析中的经典算法，因此常采用FCM来处理SAR海冰图像。但由于传统的FCM采用指数加权的方式表示其模糊程度，而指数加权没有明确的物理解释，因此采用KLFCM(Kullback-Lerbler informationFCM，KLFCM)算法来代替传统的FCM算法，该算法将KL信息以算术加权的方式引入FCM算法目标函数中，以表示分割模糊程度。但KLFCM是一种基于像素的模糊聚类图像分割方法，难以完全消除SAR图像的斑点噪声。为解决该问题，提出结合规则划分和KLFCM的方法进行SAR海冰图像分割。

技术实现要素：

针对现有技术存在的不足，本发明提供一种SAR海冰图像分割方法及系统。

一种SAR海冰图像分割方法，其特征在于，包括：

步骤1：读取待分割SAR海冰图像域；

步骤2：将待分割SAR海冰图像域进行规则划分，划分成若干个像素大小为m×m的子块；

步骤3：采用模糊聚类算法对待分割SAR海冰图像域初步分割；

步骤4：对初步分割结果进行中值滤波处理，得到SAR海冰图像分割结果。

所述步骤3是采用KLFCM算法对待分割SAR海冰图像域初步分割。

所述步骤4中对初步分割结果进行中值滤波处理，具体步骤如下：

步骤4.1：设定窗口大小；

步骤4.2：选取初步分割结果中某一像素点，以该像素点为窗口中心，将窗口内所有像素点的灰度值排序，并用排序后的灰度值中值替代该像素点的灰度值，对初步分割结果中所有像素点执行此过程，得到中值滤波处理结果。

本发明还提供一种SAR海冰图像分割系统，包括：

图像读取模块：读取待分割SAR海冰图像域；

规则划分模块：将待分割SAR海冰图像域进行规则划分，划分成若干个像素大小为m×m的子块；

初步分割模块：采用聚类算法对待分割SAR海冰图像域初步分割；

中值滤波模块：对初步分割结果进行中值滤波处理，得到SAR海冰图像分割结果。

所述初步分割模块：采用KLFCM算法对待分割SAR海冰图像域初步分割。

所述中值滤波模块，包括：

窗口设定模块：设定窗口大小；

处理模块：选取初步分割结果中某一像素点，以该像素点为窗口中心，将窗口内所有像素点的灰度值排序，并用排序后的灰度值中值替代该像素点的灰度值，对初步分割结果中所有像素点执行此过程，得到中值滤波处理结果。

有益效果：

1、传统的KLFCM分割方法难以克服SAR海冰图像特有的斑点噪声，本发明将规则划分的方法与其进行结合，从很大程度上减少了噪声对分割结果的影响。

2、由于规则划分对边缘拟合效果较差，本发明又将中值滤波的方法与前两种方法相结合，进行后处理操作，不仅较好的实现了对边缘的拟合，而且完全消除了噪声对SAR海冰图像的影响，得到了精度极高的分割结果。

3、该方法易于实现，且速度较快，适用于大尺度图像。

附图说明

图1是本发明具体实施方式中SAR海冰图像分割方法流程图；

图2是本发明具体实施方式中规则划分示意图，(a)为SAR海冰图像域的规则划分，(b)规则划分结果；

图3是本发明具体实施方式中步骤3的具体流程图；

图4是本发明具体实施方式中步骤4的具体流程图；

图5为本发明具体实施方式中SAR海冰图像，(a)为含有4个同质区域的模板，(b)为合成模拟图像；

图6为本发明具体实施方式中的实验结果，(a)表示本发明方法分割结果，(b)表示对比方法的分割结果；

图7为本发明具体实施方式中本发明方法的视觉评价结果，(a)表示分割结果的轮廓线，(b)表示将轮廓线与原图叠加结果；

图8为本发明具体实施方式中对比方法的视觉评价结果，(a)表示分割结果的轮廓线，(b)表示将轮廓线与原图叠加结果；

图9(a)～(b)分别为本发明具体实施方式中的两幅真实SAR海冰图像；

图10(a)～(b)分别为两幅真实SAR海冰图初步分割结果；

图11(a)～(b)分别为两幅真实SAR海冰图最终分割结果；

图12(a)～(b)分别为提取两幅真实SAR海冰图像分割结果的轮廓线，(c)、(d)分别为将轮廓线与真实SAR海冰图像叠加结果；

图13为本发明具体实施方式中SAR海冰图像分割系统框图；

图14为本发明具体实施方式中中值滤波模块框图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

一种SAR海冰图像分割方法，如图1所示，包括：

步骤1：读取待分割SAR海冰图像域；

待分割SAR海冰图像域D中像素点(x_i，y_i)的灰度值集合为z＝{z_i＝z(x_i，y_i)；i＝1，...，n，(x_i，y_i)∈D}，其中(x_i，y_i)为定义在待分割SAR海冰图像域D上像素点，i为像素点索引，n为总像素数，z_i为第i个像素点的灰度值。

步骤2：将待分割SAR海冰图像域进行规则划分，划分成若干个像素大小为m×m的子块；如图2所示，(a)为SAR海冰图像域的规则划分，(b)规则划分结果；利用规则划分将D划分成N个含m×m个像素规则子块P_j，D＝{P_j，j＝1，...，N}，其中，N＝n/m²，本实施方式中每个子块含4×4个像素；

步骤3：采用KLFCM算法对待分割SAR海冰图像域初步分割；

具体步骤如图3所示：

步骤3.1：定义目标函数J；

$J=\underset{j=1}{\overset{N}{\Σ}}\underset{k=1}{\overset{c}{\Σ}}{u}_{jk}{d}_{jk}+\mathrm{\λ}\underset{j=1}{\overset{N}{\Σ}}\underset{k=1}{\overset{c}{\Σ}}{u}_{jk}\log \frac{u_{jk}}{{\mathrm{\π}}_k}$

其中，u_jk为第j个子块对第k个聚类的隶属度，0≤u_jk≤1，其中，k∈{1，...，c}为聚类索引，c为总聚类数，设其为可变量，λ为参数；所有u_jk构成模糊隶属度矩阵U＝[u_jk]_N×c，而U描述了对待分割SAR海冰图像域D的模糊分割即初步分割；

d_jk为第j个子块与第k个聚类中心的非相似性测度，利用欧式距离定义d_jk＝||x_j-v_k||₂，其中，x_j为子块P_j的平均灰度值，v_k为聚类中心；d_jh为第j个子块与第h个聚类中心的非相似性测度；

π_k为第k个聚类的控制聚类尺度参数，π_h为第h个聚类的控制聚类尺度参数；

步骤3.2：设置KLFCM算法各参数：循环迭代指示器t＝0、聚类数c即待分割SAR海冰图像域中的类别数和迭代停止条件参数ε；

步骤3.3：随机初始化隶属度函数u_jk⁽⁰⁾和目标函数J⁽⁰⁾＝0，将隶属度函数u_jk⁽⁰⁾反模糊化，得到每个子块的所属类别；

步骤3.4：根据隶属度函数u_jk^(t)计算控制聚类尺度参数π_k^(t+1)；

步骤3.5：将目标函数J^(t)对聚类中心v_k^(t+1)求导，并令其等于零，得到聚类中心v_k^(t+1)，根据聚类中心v_k^(t+1)计算非相似性测度d_jk^(t+1)；

步骤3.6：将目标函数J^(t)对隶属度函数u_jk^(t+1)求导，并令其等于零，得到隶属度函数u_jk^(t+1)，$u_{jk}=\frac{{\mathrm{\π}}_k\exp (-(1/\mathrm{\λ}\left)d_{jk}\right)}{\underset{h=1}{\overset{c}{\Σ}}{\mathrm{\π}}_h\exp (-(1/\mathrm{\λ}\left)d_{jh}\right)};$

步骤3.7：计算目标函数J(^t+1)，如果max|J^(t)-J^(t+1)|<ε，退出循环，得到初步分割结果，否则令t＝t+1并返回步骤3.4继续迭代。

步骤4：对初步分割结果进行中值滤波处理，得到SAR海冰图像分割结果。

所述步骤3是采用KLFCM算法对待分割SAR海冰图像域初步分割。

所述步骤4中对初步分割结果进行中值滤波处理，如图4所示，具体步骤如下：

步骤4.1：设定窗口大小(2a+1)×(2a+1)，其中a＝{1，2…}，为自定义常数；

步骤4.2：选取初步分割结果图像中(s，l)像素点，其中s、l分别为行索引和列索引，s＝1，...，nl，l＝1，...，n2，n1，n2为分别为初步分割结果图像中的行数和列数，以该像素点为窗口中心，将窗口内所有像素点的灰度值排序，并用排序后的灰度值中值替代该像素点的灰度值，直到对初步分割结果中所有像素点都执行此操作，处理结束。

本发明还提供一种SAR海冰图像分割系统，如图13所示，包括：

图像读取模块：读取待分割SAR海冰图像域；

规则划分模块：将待分割SAR海冰图像域进行规则划分，划分成若干个像素大小为m×m的子块；

初步分割模块：采用聚类算法对待分割SAR海冰图像域初步分割；

中值滤波模块：对初步分割结果进行中值滤波处理，得到SAR海冰图像分割结果。

所述初步分割模块：采用KLFCM算法对待分割SAR海冰图像域初步分割。

所述中值滤波模块，如图14所示，包括：

窗口设定模块：设定窗口大小；

处理模块：选取初步分割结果中某一像素点，以该像素点为窗口中心，将窗口内所有像素点的灰度值排序，并用排序后的灰度值中值替代该像素点的灰度值，对初步分割结果中所有像素点执行此过程，得到中值滤波处理结果。

本实施方式中设计一个如图5(a)所示的含有4个同质区域的模板，并根据模板和表1中参数合成一幅如图5(b)所示的模拟图像，分别应用本发明方法和对比方法(KLFCM)对模拟图像进行分割。

表1

实验结果如图6所示，其中图6(a)表示本发明方法的分割结果，图6(b)表示对比方法分割结果。图7为本发明方法的视觉评价结果，(a)表示分割结果的轮廓线，(b)表示将轮廓线与原图叠加结果；图8为本发明具体实施方式中对比方法的视觉评价结果，(a)表示分割结果的轮廓线，(b)表示将轮廓线与原图叠加结果；根据模板图像，对这两种方法的分割结果采取混淆矩阵的方式进行定量评价，结果如表2所示。

表2

为了进一步验证方法的有效性，对如图9(a)、(b)所示的2幅真实SAR海冰图像进行实验，图10(a)、(b)为对2幅真实SAR海冰图像初步分割结果，根据结果可以看出，初分割取得了较好的实验结果，基本将SAR图像的斑点噪声消除，仅剩一小部分噪声，以及边缘还不是特别平滑；图11(a)、(b)为实验最终分割结果，从最终结果可以看出，不仅噪声完全被消除，而且边界也变得较为平滑。对2幅真实SAR海冰图像最终分割结果的视觉评价结果如图12所示，其中图12(a)、(b)为提取分割结果轮廓线，图12(c)、(d)为将轮廓线与真实SAR海冰图像叠加的结果，从叠加结果中可以看出，进行滤波后的边界线更好的拟合了真实SAR图像。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。