基于超像素的冰盖冻融探测方法与流程

本发明涉及极地变化探测领域，具体涉及一种基于超像素的冰盖冻融探测方法。

背景技术：

南极冰盖是地球表面最大的冰川和淡水资源，南极冰盖冻融在控制地球表面与大气热量交换、地表太阳辐射吸收等方面具有重要作用，对反映和控制全球气候变化状态具有重要意义。由于南极冰盖覆盖面积极大，而且特殊的地理位置和恶劣的气候环境使得实地的调查很难实现，因而以卫星传感器利用为代表的航天遥感一出现就成为观测极地的主要手段。

利用多波段被动微波数据进行极地冰盖冻融探测的方法有很多，一类是基于阈值，认为单通道亮温或多通道亮温组合达到某个特定的值时将会有融化发生；另一类是基于边缘监测算法，认为亮温变化最快时融化发生。利用微波散射计的探测方法与微波辐射计的探测方法相比，大体思路一样，有研究者利用多通道后向散射系数和早晚间变化，以及后向散射系数与冬季参考值的变化来判断积雪或冰盖融化。总体而言，基于阈值的方法操作简单，但是低空间分辨率的传感器只能粗略地进行冻融探测，缺乏对于冰盖冻融细节的描述，阈值取决于有限的观测数据，有一定的局限性。

目前基于图像分割的冻融探测的方法主要有：常规图像分割方法如区域生长和分水岭法。常规分割方法通常是基于像素级别的，对噪声比较敏感，容易产生空洞和过分割。虽然能通过滤波操作降低噪声的影响，但是对于高分辨率的图像，存在的问题是效率低下。

技术实现要素：

为了解决上述问题，本发明公开一种基于超像素的冰盖冻融探测方法，包括以下步骤：超像素分割步骤，对获取的合成孔径雷达数据进行均值滤波处理和超像素分割，形成聚类区域；基于灰度的区域合并步骤，根据灰度对所述聚类区域进行合并，形成最相似灰度区域；以及基于纹理的区域合并步骤，结合纹理信息对所述最相似灰度区域再次进行区域合并。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述超像素分割步骤包括以下步骤：种子点设置步骤，根据预期超像素个数设置种子点；局部聚类步骤，以所述种子点为中心进行局部聚类。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述超像素分割步骤还包括以下步骤：消除面积过小区域步骤，对所述局部聚类结果建立邻接矩阵，将面积小于给定阈值的区域与相邻区域合并。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述种子点的间隔表示为

其中，m、n分别为图像的行数和列数，k为超像素个数。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述局部聚类步骤包括以下步骤：分配步骤，搜索以种子点为中心2s区域的像素点，将像素点分配到距其最近的种子点区域；迭代步骤，取聚类区域像素值的均值作为新的种子点，若新种子点的偏移量大于给定阈值，则以新种子点作为聚类中心再次聚类，若新种子点的偏移量小于给定阈值，则聚类结束。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述像素点距种子点的距离表示为

d＝d1+md2

其中，

其中，a，b，l分别指的是像素点的颜色中红黄蓝三原色的值，xk,yk分别为种子点横纵坐标，xi,yi分别为像素点横纵坐标，m为色彩距离与空间距离的权值。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述迭代步骤中最大迭代次数为10。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述基于灰度的区域合并步骤包括以下步骤：计算每个区域像素灰度的均值作为超像素的灰度值；以及按层次聚类法，以最相似灰度为准则进行合并。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述基于纹理的区域合并步骤包括以下步骤：计算步骤，对所述最相似灰度区域的纹理特征进行计算；排序步骤，按灰度值大小对所述最相似灰度区域进行排序；以及合并步骤，将灰度相邻区域，以最相似纹理为准则进行合并。

本发明的基于超像素的冰盖冻融探测方法中，优选为，所述计算步骤包括以下步骤：灰度量化步骤，将所述最相似灰度区域进行灰度量化，由原来的256级变化到16级；共生矩阵构造步骤，构造水平、垂直、对角线、反对角线四个方向上的灰度共生矩阵；以及同质性计算步骤，按如下公式计算同质性：

其中i,j分别为俩个相邻像素灰度，p(i,j)为i,j同时出现的概率。

本发明的基于超像素的冰盖冻融探测方法在超像素级别上对图像进行处理，并结合图像的纹理信息进行图像分割，与常规的区域生长、分水岭算法相比分割速度更快，精度更高。

附图说明

图1是基于超像素的冰盖冻融探测方法的流程图；

图2是超像素分割步骤的流程图；

图3是局部聚类步骤的流程图；

图4是超像素分割步骤的另一实施方式的流程图；

图5是基于灰度的区域合并步骤的流程图；

图6是基于纹理的区域合并步骤的流程图；

图7是纹理特征计算步骤的流程图；

图8是表示基于超像素的冰盖冻融探测方法的各阶段的图：(a)局部聚类，(b)细小区域与相邻区域合并，(c)基于灰度合并，(d)结合纹理合并的效果图，和(e)分割结果边界。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1是基于超像素的冰盖冻融探测方法的流程图。如图1所示，基于超像素的冰盖冻融探测方法包括超像素分割步骤s1、基于灰度的区域合并步骤s2和基于纹理的区域合并步骤s3。

具体而言，在超像素分割步骤s1中，对获取的合成孔径雷达(sar)数据进行均值滤波处理，进行超像素分割。在图2中示出了超像素分割步骤的流程图。如图2所示，超像素分割步骤s1包括种子点设置步骤s11和局部聚类步骤s12。以下结合图2针对超像素分割步骤进行详细说明。

首先，在种子点设置步骤s11中，根据预期超像素个数设置种子点。种子点间隔可以表示为下式，

其中，s为，m、n分别为图像的行数和列数，k为超像素个数。

接下来，在局部聚类步骤s12中，以种子点为中心进行局部聚类。更具体地来说，如图3所示，首先进行分配步骤s121，搜索以种子点为中心的2s区域的像素点，将像素点分配到距其最近的种子点区域。可以采用如下公式计算距离

d＝d1+md2

其中，

式中，a，b，l分别指的是像素点的颜色中红黄蓝三原色的值，像素点与种子点的颜色差异越大，则d1的值越大，像素点与种子点的颜色差异越小，则d1的值越小。

xk,yk分别为种子点横纵坐标，xi,yi分别为像素点横纵坐标，m为色彩距离与空间距离的权值。

然后，在迭代步骤s122中，取聚类区域像素值的均值作为新的种子点，若新种子点的偏移量大于给定阈值，则以新种子点作为聚类中心再次聚类，若新种子点的偏移量小于给定阈值，则聚类结束。进一步优选地，为防止不收敛，取最大迭代次数为10。在图8(a)中示出了完成局部聚类步骤后的效果图。本发明利用像素之间特征的相似度将像素分组，形成超像素，超像素的级别远远小于像素级别，基于超像素对图像分割，大大提高了图像分割效率。

优选地，如图4所示，超像素分割步骤s1还包括消除面积过小区域步骤s13，对聚类结果建立邻接矩阵，将面积小于给定阈值的区域与相邻区域合并。从而在保证精度的前提下提高运算速度。在图8(b)中示出了完成消除面积过小区域步骤后的效果图。

接下来，结合图5对基于灰度的区域合并步骤s2进行详细说明。如图5所示，首先在步骤s21中，计算每个聚类区域像素灰度的均值作为超像素的灰度值，然后，在步骤s22中，按层次聚类法，以最相似灰度为准则进行合并。在图8(c)中示出了完成基于灰度的区域合并步骤后的效果图。

仅仅依靠图像灰度难以实现对sar图像的精准分割。sar图像中含有丰富的纹理信息，因此，在基于灰度的区域合并步骤s2的基础上结合纹理信息进一步合并，得到精准的分割结果。图6中示出了基于纹理的区域合并步骤s3的流程图。如图6所示，基于纹理的区域合并步骤s3进一步具体包括计算步骤s31、排序步骤s32和合并步骤s33。

在计算步骤s31中，对最相似灰度区域的纹理特征进行计算。更详细地来说，如图7所示，包括：

灰度量化步骤s311，将所述最相似灰度区域进行灰度量化，由原来的256级变化到16级；

共生矩阵构造步骤s312，构造四个方向上的灰度共生矩阵，这四个方向分别是水平、垂直、对角线、反对角线；

同质性计算步骤s313，按如下公式计算同质性

其中i,j分别为俩个相邻像素灰度，p(i,j)为i,j同时出现的概率。

在排序步骤s32中，按灰度值大小对最相似灰度区域进行排序；在合并步骤s33中，将灰度相邻区域，以最相似纹理为准则进行合并。在图8(d)和图8(e)中分别示出了完成基于纹理的区域合并步骤后的效果图和分割结果边界。

本发明的基于超像素的冰盖冻融探测方法，在超像素级别上对图像进行处理，并结合图像的纹理信息进行图像分割，与常规的区域生长、分水岭算法相比分割速度更快，精度更高。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。