本发明专注于数字图像处理领域，更具体地，专注于诸如合成孔径雷达(syntheticapertureradar，sar)图像的数字图像中的(多个)表面的分类，其中特定类型的表面仅占据图像的小部分。
背景技术：
f.bovolo，l.bruzzone的出版物“asplit-basedapproachtounsupervisedchangedetectioninlarge-sizemultitemporalimages：applicationtotsunami-damageassessment”，ieeetransactionsongeoscienceandremotesensing，vol.45，no.6，pp.1688-1670，2007公开了用于自动检测一系列图像的改变的基于分割的方案。该方法基本上在于(i)将图像分割成子图像；(ii)每个子图像的分析；以及(iii)自动阈值选择过程。在步骤(ii)中通过计算从在两个不同时间在相同地理区域上获取的两个子图像获得的差值的直方图来识别改变。然后子图像根据它们包含大量的改变的像素的概率来被分类。根据分开应用于每个子图像或者应用于通过合并子集合的所有子图像而获得的像素的联合分布的阈值选择过程，在步骤(iii)中选择并分析具有高的包含改变的概率的子图像的子集。
s.martinis，j.kersten，a.twele的出版物“afullyautomatedterrasar-xbasedfloodservice”，isprsjournalofphotogrammetryandremotesensing，doi：10.1016/j.isprsjprs.2014.07.014，2015公开了从合成孔径雷达(sar)图像中识别淹没的(flooded)表面的自动图像处理。这个教导的处理也是基于分割的方案并且基于从单个洪水(flood)图像推断的后向散射统计以将“水”类别与其他类别分开。
上述两个教导都应用了基于分割的方案(split-basedapproach，sba)。此方案在于在相等尺寸的子图像中平铺(tile)图像，并且基于从不同的片(tile)推断的直方图来定义阈值。到目前为止，sba已经被用来生成固定尺寸的片。使用sar传感器分辨率、场景的尺寸和由目标类别/群体占据的图像的百分比作为指示符，以任意方式来定义尺寸。然而，此方法并非高效的，因为i)使能分布函数的鲁棒(robust)参数化的片的最大尺寸是先验未知的，和ii)平铺处理未被链接到分布函数的参数化处理。
技术实现要素：
技术问题
本发明的技术问题是提供了更有效的方法以用于识别数字图像中的、特别是sar图像中的仅占据图像的小部分的特定类型的(多个)表面。
技术方案
本发明专注于一种识别数字图像中的至少一种类型的表面的方法，该方法包括以下步骤：(a)将图像划分子图像；(b)分析子图像以识别至少一种类型的表面；以及以下附加步骤：(c)将未识别至少一种类型的表面的先前步骤的子图像中的每一个再划分成子图像；(d)分析步骤(c)的子图像以用于识别至少一种类型的表面；(e)迭代步骤(c)和(d)。
数字图像中的表面的(多个)类型可以与图像的像素的(多个)类别和/或(多个)群体相对应。
根据本发明的优选实施例，在步骤(c)中仅再划分其中未能识别出至少一种类型的表面的先前步骤的(多个)子图像。
在步骤(a)和/或在步骤(c)中，划分的或再划分的子图像有利地具有相同的尺寸。它们优选地不重叠。从划分和/或每个再划分得到的子图像的数量可以是四。它们可以是正方形或矩形。
根据本发明的优选实施例，用于识别至少一种类型的表面的分析在步骤(b)和(d)中是相同的。
根据本发明的优选实施例，数字图像是合成孔径雷达sar图像。数字图像也可以是改变检测图像，即在不同时间步骤处获取的相同面积的两个图像之间的差异的图像。在那种情况下，该方法可以被用来将改变的像素从没有改变的像素区分开来。
根据本发明的优选实施例，用于识别至少一种类型的表面的分析基于sar图像的后向散射值。
根据本发明的优选实施例，用于识别至少一种类型的表面的分析基于作为其后向散射值的函数的子图像的像素的数量的总分布中的若干分布的检测。
根据本发明的优选实施例，用于识别至少一种类型的表面的分析基于作为其后向散射值的函数的子图像的像素的数量的两个分布的参数化。
根据本发明的优选实施例，第一分布与至少一种类型的表面相对应，然而第二分布与任何其他类型的表面相对应。
根据本发明的优选实施例，两个分布具有高于2的ashmand系数。
根据本发明的优选实施例，通过理论分布(例如，高斯)来建模、并且使用levenberg-marquardt算法(levenberg-marquardtalgorithm，lma)来拟合作为后向散射值的函数的像素的数量。
根据本发明的优选实施例，当与分布中的一个有关的子图像的像素的数量与该子图像的像素的总数的至少10％、更优选地至少20％相对应时，识别至少一种类型的表面。
根据本发明的优选实施例，至少一种类型的表面是水面。
根据本发明的优选实施例，第一分布的模式以西格玛零表示，并且具有在-30db和-10db之间的值。
根据本发明的优选实施例，第二分布的模式以西格玛零表示，并且具有包括在-12db和5db之间的值。
根据本发明的优选实施例，步骤(a)中的划分和步骤(c)中的再划分在于分别将图像、子图像或者子图像中的每一个子图像按四划分。
根据本发明的优选实施例，当在步骤(d)中、在步骤(c)的子图像中的每一个子图像中识别出至少一种类型的表面时和/或当步骤(c)中的子图像的尺寸低于预定的最小尺寸时，停止步骤(e)的迭代。
根据本发明的优选实施例，该方法包括进一步的步骤(f)，该步骤(f)基于在步骤(b)处对于子图像中每一个子图像的识别，为整个图像提供至少一种类型的表面的识别。
本发明还专注于一种包括存储器元件和计算装置的设备，该元件和装置被配置以用于执行根据本发明的方法。
本发明还专注于一种能够执行根据本发明的方法的计算机。
本发明还专注于一种包括计算机可读代码装置的计算机程序，当该计算机可读代码装置在计算机上运行时，使得计算机执行根据本发明的方法。
本发明还专注于一种包括在其上存储根据本发明的计算机程序的计算机可读介质的计算机程序产品。
发明有益效果
本发明提出了一种基于分层分割的方案(hsba)，该方案与现有技术的基于分割的方法(splitbasedapproach，sba)相反，其不先验地固定片的尺寸，而是搜索允许参数化归因于与水面有关的后向散射值的统计分布函数的可变尺寸的片。因此，平铺和参数化处理被整合。hsba顺序地并且有选择地将图像分割成尺寸减小的子图像以便识别可变尺寸的片，其中可以对其参数化与水面有关的分布函数。因此，此过程提供了以下至少一种类型的表面的识别：i)目标的、ii)独立于图像场景的不同技术特征(例如，空间分辨率或至少一种类型的表面相对于整个图像的扩展的百分比)、iii)鲁棒的、以及iv)有效的。
附图说明
图1示出了其中较暗区域与具有淹没的区域的河流相对应的sar图像，该图像尚未根据本发明被处理。
图2示出了在将整个图像第一次划分成相同尺寸的四个子图像之后的图1的sar图像。
图3示出了图2的sar图像，其中没有识别出水面的图2的三个子图像每个被再划分成相同尺寸的四个子图像。
图4示出了图3的sar图像，其中没有识别出水面的图3的十个子图像每个被再划分成相同尺寸的四个子图像。
具体实施方式
以下实施例专注于从sar图像描绘水体的方法，并且将结合图1至图5来被描述。
图1至图4示出了在根据本发明的方法的连续步骤处的sar图像，并且图5是示出了本发明的原理的流程图。
图1示出了合成孔径雷达(sar)图像，该图像示出了具有作为较暗的区域可见的河流和相关联的淹没的区域的地理区。合成孔径雷达或sar是生成高分辨率遥感图像的相干雷达系统。信号处理使用来自合成孔径的元件的、连续脉冲上的所接收的信号的幅度和相位来创建图像。当视线方向沿着雷达平台轨迹改变时，通过具有延长天线的效果的信号处理来产生合成孔径。
后向散射是目标朝着雷达天线直接重定向返回的传出雷达信号的一部分。朝着雷达的方向上的散射截面称为后向散射截面；常用符号是符号西格玛(sigma)。这是雷达目标的反射强度的测量。雷达从分布的目标返回的归一化测量被称为后向散射系数，或西格玛零(sigmanought)，并且它被定义为地面上的每单位面积。入射雷达能量的其他部分可以被反射并散射离开雷达或者被吸收。
一般来说，水区(waterzone)生成与非水区(non-wateredzone)相当不同的后向散射。当与水区相对应的图像的像素比例足够大时，可以参数化后向散射值上的像素的分布。这种分布可以是例如高斯型的分布的若干分布的混合。图1中的sar图像旁边示出了高斯型分布。然后直方图示出了两个可识别的分布函数，即对于水区的像素值的第一分布和对于非水区的像素值的第二分布。这允许水区(wateredzone)的可靠的识别。
然而，水区经常仅表示整个sar场景的小部分。在这些情况下，如果不是不可能，精确地参数化与水面相关联的后向散射值的分布函数变得困难。
参考图2，初始sar图像被划分成相同尺寸的四个子图像，从而将每个子图像的尺寸减小四倍。如在图中可见的，左下方的子图像包括最高比例的水区，由此在像素的后向散射值的分布中提供双峰性。这意味着对于这个子图像，可以基于像素分布以可靠的方式识别水区。对于剩余的三个子图像，即左上方、右上方和右下方的子图像，即使左上方和右下方的子图像包含水区，这种可靠的识别也是不可能的。
在图3中，我们可以观察到，上述剩余的三个子图像中的每一个子图像已经被再划分例如相同尺寸的四个子图像。如图3中所示，十二个新划分的子图像中仅有两个子图像呈现双峰性。
在图4中，剩余的最近被划分的、未示出双峰性的子图像再次被再划分成例如相同尺寸的四个子图像。从图4中清楚看出，四十个新划分的子图像中仅有两个子图像示出双峰性，使得剩余的38个子图像如结合图2、图3和图4等所说明的那样被进一步再划分。
因此，本发明在于通过再划分以可靠方式不能识别水区的图像或子图像来进行迭代。在本实施例中，所选择的子图像的这种识别基于实际上作为在所讨论的图像的像素的后向散射值的分布中的双峰性的代表(proxy)的ashmand系数。然而，理解到，可以考虑其他标准以用于感兴趣的子图像的识别。划分或再划分成相同尺寸的四个子图像是一种选择，理解到，可以考虑划分图像和/或子图像的其他方式。
可以基于不同的标准来停止迭代。例如，当达到给定尺寸的子图像时其可以被停止。当对于每个子图像观察到双峰性时其也可以被停止。
借助于上述双峰性的水区的识别基于图像直方图由分别表示有水的(watered)和非水的(non-watered)类别的两个分布的混合构成的假设。为了校准分布函数的参数，可以使用levenberg-marquard算法(非线性最小二乘法)，而为了评估两个分布是否被很好地被识别，可以计算ashmand系数，此系数必须高于2。典型地，这个处理步骤假定直方图可以被分成两个高斯分布函数。在giustarini，l、hostache,r.、matgen,p.、schumann,g.j.-p.、bates,p.d.、mason,d.c.的出版物“achangedetectionapproachtofloodmappinginurbanareasusingterrasar-x”，geoscienceandremotesensing,ieeetransactionson，vol.51no.4，pp.2417,2430,april2013doi：10.1109/tgrs.2012.2210901中详述了相似的方案。然而，可以考虑任何其他类型的分布函数。
与水区相对应的(高斯)分布的后向散射西格玛零值具有包括在-30db和-10db之间的模式值。类似地，与非水区相对应的(高斯)分布的后向散射西格玛零值具有包括在-12db和-5db之间的模式值。
图5用流程图示出了本发明的方法。在步骤2处，提供了初始数字图像，理解到，可以考虑包括sar图像的任何类型的数字图像。初始图像可以是大的，例如超过10000×10000像素。
在步骤4处，初始图像被划分子图像。优选地进行这种划分使得子图像具有相同的尺寸。它们的数量可以是四个，然而可以考虑分割图像的其他方式。换句话说，初始图像被分割成固定数量的子图像。这些子图像不重叠。
在步骤6处，分析从先前步骤4的划分得到的子图像中的每一个子图像以用于潜在地识别至少一种类型的表面。至少一种类型的表面可以是如关于图1至图4所描述的实施例中的水面，然而理解到，可以识别其他类型的表面。被应用于子图像的识别处理优选地总是相同的。这意味着对于一些子图像，识别处理可以不提供有形的结果，即，不识别至少一种类型的表面。换句话说，对于不同的子图像，步骤6的结果可以具有两种类型，即，至少一种类型的表面被检测到或者不被检测到。识别处理可以应用包括以上关于图1至图4描述的双峰性方案的各种方案。
对于如步骤8中所述的、不能识别出至少一种类型的表面的步骤6的(多个)子图像，这个子图像或这些子图像中的每一个子图像在步骤10中被再划分成进一步的子图像，优选地遵循与步骤4中的划分规则相同的划分规则。例如，子图像或这些子图像中的每一个子图像可以被再划分成相同尺寸的四个进一步的不重叠的子图像。
然后在步骤6处分析从步骤10得到的减小尺寸的这些子图像，以便潜在地识别至少一种类型的表面。参考以上步骤6的讨论，此操作可以使得对于子图像中的一个或一些子图像识别至少一种类型的表面，然而其也可以使得对于剩余的子图像不识别至少一种类型的表面。对于后者，步骤8和10以迭代方式应用。对于其他子图像，即，至少一种类型的表面可以被识别并且如在步骤12中被识别的那些子图像，没有提出进一步的再划分，并且保存了已经识别出至少一种类型的表面的这些区以用于构建对于整个初始图像的至少一种类型的表面的识别。
可以重复从步骤6到步骤8和10的以上讨论的迭代，直到在每个子图像中识别出至少一种类型的表面。由于图像的某些部分可能缺乏至少一种类型的表面，所以当达到子图像的某最小尺寸时可以自动停止该迭代。
以上方法可以作为在计算机上执行的计算机程序来操作。