基于马尔科夫随机场和混合核函数的遥感图像分割方法与流程

本发明属于图像处理技术领域，特别涉及遥感图像分割方法，可用于图像分类、识别和检测。

背景技术：

目前遥感图像分割技术已经取得了一些研究成果，提出了各种各样的分割方法。经典的遥感图像处理方法有基于阈值的方法、聚类的方法等。该类方法基于像素的灰度信息，设计了各种各样的适合遥感图像的特征，例如灰度共生矩阵特征，gabor特征，sift特征、半差特征等等。对每个像素点提取特征，对提取的特征用聚类的方法得到图像的分割结果，例如k-means聚类、层次聚类、ap聚类，模糊c均值等聚类方法。这些方法只简单的用了遥感图像像素的值，并没有考虑遥感图像的特性，因此错误的分割是不可避免的。为了改进遥感图像的分割效果，一些研究者们提出了水平集的方法、马尔科夫随机场(markovrandomfield，mrf)的方法、条件随机场的方法、多项式隐模型等方法用于遥感图像分割。这些方法主要包括特征模型和空间上下文模型两部分。特征模型用来描述遥感图像幅度和纹理的统计特性，上下文模型用来描述遥感图像的空间上下文关系。

马尔科夫随机场方法是一种基本的概率图模型，该方法的空间上下文模型中，通过比较中心像素类标和周围像素类标之间的关系来捕获图像的上下文信息，并且认为周围像素对中心像素的权重是相同的。这种单一的空间关系很难描述遥感图像混杂的结构，例如匀质区域的空间上下文关系和异质区域的空间上下文关系是不同的，特别是城区的遥感图像，包括尺度较小的建筑物和大片的空地等，他们的空间上下文关系是截然不同的。在匀质区域中，周围像素对中心像素的权重是各向同性的。在异质区域中，沿着边界的方向，周围像素和中心像素有强烈的相关性，垂直边界的方向这种相关性快速衰减。由于没有考虑遥感图像不同的空间结构特性，导致分割结果中区域一致性和细节信息保留不能同时满足，影响后续的遥感图像分类、识别和检测。

技术实现要素：

本发明的目的在于针对上述已有方法的不足，提出一种基于马尔科夫随机场和混合核函数的遥感图像分割方法，以提升遥感图像分割的效果。

本发明的技术思路是：以具有设定空间分辨率的城区遥感sar图像为对象，通过对一般的马尔科夫随机场模型进行改进，改善遥感图像分割的效果，即利用遥感sar图像的区域图，将遥感sar图像划分为匀质区域子空间和结构区域子空间，对匀质区域子空间采用基于高斯径向基核函数的马尔科夫随机场进行分割，对结构区域子空间采用基于阈值化ridgelet核函数的马尔科夫随机场进行分割，将匀质区域子空间的分割结果和结构区域子空间的分割结果合并，得到遥感sar图像的分割结果，在计算机中依次按如下步骤实现：

步骤(1)，输入：具有设定空间分辨率的城区遥感sar图像，简称遥感图像，按所述遥感图像的区域图，把它分为结构区域子空间和匀质区域子空间，所述结构区域子空间是一种基于已经构造了设定几何窗的所述遥感图像的素描线形成的可素描区域在该遥感图像上映射而得到的，所述匀质区域子空间是指所述遥感图像中的不可素描区域，

步骤(2)，计算机初始化，

设定：遥感sar图像的匀质区域子空间的类标序号为r，r＝1,2,...,r,...r，r为遥感sar图像中匀质区域子空间类标总数，遥感sar图像的结构区域子空间的类标序号为w，w＝1,2,...,w,...w，w为遥感sar图像中结构区域子空间类标总数，为遥感sar图像中每个像素预设一个类标序号，

步骤(3)，对所述的匀质区域子空间中的所有像素采用基于高斯径向基核函数的马尔科夫随机场进行分割，步骤如下：

步骤(3.1)设定：用符号ys表示在所述匀质区域子空间中的各像素，下标s为像素序号，s＝1,2,...,s,...,m，m是像素ys的总个数，ns是以ys为中心的邻域像素yt的总个数，t为邻域像素yt的序号，t＝1,2,...,t,...,ns，

计算：中心像素ys和各领域像素yt之间的高斯径向基核函数：

其中，cs＝(cxs,cys)为ys的坐标，ct＝(cxt,cyt)为yt的坐标，

k(ys,yt)表示ys和yt之间的相关性，称为ys和yt之间具有各向同性的空间上下文关系，

σ1为尺度参数，取σ1＝3，

步骤(3.2)，设定：

中心像素ys的类标集合为xs，上标r为中心像素ys的类标xs的序号，

xt是以中心像素ys的类标xs为中心的邻域类标xt的集合，

计算：按下式计算在邻域内出现与中心类标相同的邻域类标的先验概率

其中：为第一指示函数，

箭头＝>表示对应关系，≠＞表示不对应，

邻域类标的先验概率在数值上等于中心类标的先验概率

步骤(3.3)中，当匀质区域子空间的中心像素服从nakagami分布时，中心像素ys的似然概率为，

其中：r＝1,2,...,r,...r，

γ(αr)是gamma函数，

μr为mr为从初始化时为每个像素设定一个类标序号时统计得到的，mr表示用第r个类标序号标注的像素的总个数，

αr是遥感sar图像中用类标序号r标注的遥感目标的视觉显著性的度量，是一个无量纲数值，在区间[0,1]中取值，

αr由下式计算得到：

ψ1(αr)＝d(log(γ(αr)))/dαr，

步骤(3.4)，根据步骤(3.2)-步骤(3.3)的结果得到某一个中心像素ys的类标的后验概率为：

根据最大后验概率，得到遥感sar图像中匀质区域子空间内像素ys的类标为：

步骤(3.5)，重复步骤(3.2)-步骤(3.4)，得到匀质区域子空间中每一个像素的类标从而得到匀质区域子空间的分割结果，

步骤(4)，对结构区域子空间采用基于阈值化ridgelet核函数的马尔科夫随机场进行分割，

步骤(4.1)，定义如下符号：

结构区域子空间的像素为ya，a＝1,2,...,n,...,q，q为像素ya的总个数，va是以ya为中心的邻域像素yb的总个数，b为邻域像素yb的序号，b＝1,2,...,b,...,va，

由于结构区域子空间包含遥感sar图像中的边界，中心像素ya和其邻域像素yb具有各向异性的空间上下文关系，因而用阈值化的ridgelet核函数h(ya,yb)来表示，

其中：(cxa,cya)为ya的坐标，(cxb,cyb)为yb的坐标，

σ2为尺度参数且σ2＝1，

d是平移参数且d＝0，

θ为从遥感sar图像素描图中得到的素描线段上素描点的方向，是一种方向函数，为已知值，

令

则，

步骤(4.2)，设定：

中心像素ya对应的类标集合为xa，其中，w＝1,2,...,w,...,w，w为中心像素ya对应的类标xa的序号，

中心像素ya的邻域像素yb的类标xb的集合为xb，

计算在邻域内出现与中心类标相同的邻域类标的先验概率

其中，为第二指示函数，

箭头＝>表示对应，≠＞表示不对应，

邻域类标的先验概率在数值上等于中心类标的先验概率

步骤(4.3)，结构区域子空间的像素ya服从nakagami分布，ya的似然概率为：

其中：w＝1,2,...,w,...,w，

γ(αw)是gamma函数，

μw为mw是根据初始化时为每个像素设定的类标序号w而统计得到的，mw为经第w类类标序号标注的像素的总个数，

αw是遥感sar图像中用类标序号w标注的遥感目标的视觉显著性的度量，是一个无量纲数值，在区间[0,1]中取值，

αw由下式计算得到：

ψ1(αw)＝d(log(γ(αw)))/dαw，

步骤(4.4)，根据步骤(4.2)-步骤(4.3)的结果得到结构区域子空间中像素ya的类标的后验概率为：

根据最大后验概率，得到遥感sar图像中结构区域子空间内像素ya的类标为：

步骤(4.5)，重复步骤(4.2)-步骤(4.4)，得到结构区域子空间中每一个像素的类标从而得到结构区域子空间的分割结果，

步骤(5)，把匀质区域子空间的分割结果和结构区域子空间的分割结果合并，即{xs|s∈m}∪{xa|a∈q}。

本发明与现有技术相比具有如下优点：

第一、本发明将遥感sar图像像素空间的信息和区域图相结合，进行遥感sar图像分割，有效的完成了遥感sar图像分割的任务。

第二、本发明通过对不同特性的区域构建不同的核函数，捕获了遥感图像中不同特性区域的空间上下文关系，不仅提高了分割结果的区域一致性，而且有效的保留了图像的细节信息。

附图说明

图1是本发明对遥感sar图像分割的实现流程图；

图2是本发明中对遥感sar图像子空间的划分结果图，图2(a)为空间分辨率为0.3米的遥感sar图像，图2(b)为所述遥感sar图像的素描图；图2(c)为所述遥感sar图像的区域图；

图3是本发明中不同核函数的示意图，图3(a)为高斯径向基核函数的3维示意图，图3(b)为ridgelet核函数的3维示意图；

图4是用本发明与现有方法对空间分辨率为0.3米的遥感sar图像分割结果图，图4(a)为空间分辨率为0.3米的遥感sar图像，图4(b)为马尔科夫随机场模型的分割结果，图4(c)为高阶马尔科夫随机场模型的分割结果，图4(d)为本发明的分割结果。

具体实施方式

参照图1，本发明输入具有设定空间分辨率的遥感sar图像，根据遥感sar图像的区域图，将遥感sar图像划分为匀质区域子空间和结构区域子空间；对匀质区域子空间采用基于高斯径向基核函数的马尔科夫随机场进行分割；对结构区域子空间采用基于阈值化ridgelet核函数的马尔科夫随机场进行分割；将匀质区域子空间的分割结果和结构区域子空间的分割结果合并，得到遥感sar图像的分割结果，在计算机中依次按如下步骤实现:

步骤(1)，输入：具有设定空间分辨率的城区遥感sar图像，简称遥感图像，按所述遥感图像的区域图，把它分为结构区域子空间和匀质区域子空间，所述结构区域子空间是一种基于已经构造了设定几何窗的所述遥感图像的素描线形成的可素描区域在该遥感图像上映射而得到的，所述匀质区域子空间是指所述遥感图像中的不可素描区域，步骤如下：

步骤(1.1)，根据武杰和刘芳等人于2014年发表在ieeetransactionsongeoscienceandremotesensing杂志上的文章《localmaximalhomogeneousregionsearchforsarspecklereductionwithsketch-basedgeometricalkernelfunction》中所提出的素描模型得到遥感sar图像的素描图，素描图由素描线段组成，并且给出了素描线段上素描点的方向θ；

步骤(1.2)，对素描图中的素描线，构造大小为5×5的几何结构窗，得到结构区域；

步骤(1.3)，将素描图中除去结构区域以外的部分作为不可素描区域；

步骤(1.4)，将素描图中的不可素描区域和结构区域，映射到遥感sar图像上，将遥感sar图像划分为匀质区域子空间和结构区域子空间，如图2所示，图2(a)为原始遥感sar图像，图2(b)为遥感sar图像的素描图，图2(c)为遥感sar图像的区域图，区域图中，白色部分为结构区域子空间，黑色部分为匀质区域子空间。

步骤(2)，计算机初始化，

设定：遥感sar图像的匀质区域子空间的类标序号为r，r＝1,2,...,r,...r，r为遥感sar图像中匀质区域子空间类标总数，遥感sar图像的结构区域子空间的类标序号为w，w＝1,2,...,w,...w，w为遥感sar图像中结构区域子空间类标总数，为遥感sar图像中每个像素预设一个类标序号，

步骤(3)，对所述的匀质区域子空间中的所有像素采用基于高斯径向基核函数的马尔科夫随机场进行分割，步骤如下：

步骤(3.1)设定：用符号ys表示在所述匀质区域子空间中的各像素，下标s为像素序号，s＝1,2,...,s,...,m，m是像素ys的总个数，ns是以ys为中心的邻域像素yt的总个数，t为邻域像素yt的序号，t＝1,2,...,t,...,ns，

计算：中心像素ys和各领域像素yt之间的高斯径向基核函数：

其中，cs＝(cxs,cys)为ys的坐标，ct＝(cxt,cyt)为yt的坐标，

k(ys,yt)表示ys和yt之间的相关性，称为ys和yt之间具有各向同性的空间上下文关系，

σ1为尺度参数，取σ1＝3，

步骤(3.2)，设定：

中心像素ys的类标集合为xs，上标r为中心像素ys的类标xs的序号，

xt是以中心像素ys的类标xs为中心的邻域类标xt的集合，

计算：按下式计算在邻域内出现与中心类标相同的邻域类标的先验概率

其中：为第一指示函数，

箭头＝>表示对应关系，≠＞表示不对应，

邻域类标的先验概率在数值上等于中心类标的先验概率步骤(3.3)中，当匀质区域子空间的中心像素服从nakagami分布时，中心像素ys的似然概率为，

其中：r＝1,2,...,r,...r，

γ(αr)是gamma函数，

μr为mr为从初始化时为每个像素设定一个类标序号时统计得到的，mr表示用第r个类标序号标注的像素的总个数，

αr是遥感sar图像中用类标序号r标注的遥感目标的视觉显著性的度量，是一个无量纲数值，在区间[0,1]中取值，

αr由下式计算得到：

ψ1(αr)＝d(log(γ(αr)))/dαr，

步骤(3.4)，根据步骤(3.2)-步骤(3.3)的结果得到某一个中心像素ys的类标的后验概率为：

根据最大后验概率，得到遥感sar图像中匀质区域子空间内像素ys的类标为：

步骤(3.5)，重复步骤(3.2)-步骤(3.4)，得到匀质区域子空间中每一个像素的类标从而得到匀质区域子空间的分割结果，

步骤(4)，对结构区域子空间采用基于阈值化ridgelet核函数的马尔科夫随机场进行分割，

步骤(4.1)，定义如下符号：

结构区域子空间的像素为ya，a＝1,2,...,n,...,q，q为像素ya的总个数，va是以ya为中心的邻域像素yb的总个数，b为邻域像素yb的序号，b＝1,2,...,b,...,va，

由于结构区域子空间包含遥感sar图像中的边界，中心像素ya和其邻域像素yb具有各向异性的空间上下文关系，因而用阈值化的ridgelet核函数h(ya,yb)来表示，

其中：(cxa,cya)为ya的坐标，(cxb,cyb)为yb的坐标，

σ2为尺度参数且σ2＝1，

d是平移参数且d＝0，

θ为从遥感sar图像素描图中得到的素描线段上素描点的方向，是一种方向函数，为已知值，

令

则，

步骤(4.2)，设定：

中心像素ya对应的类标集合为xa，其中，w＝1,2,...,w,...,w，w为中心像素ya对应的类标xa的序号，

中心像素ya的邻域像素yb的类标xb的集合为xb，

计算在邻域内出现与中心类标相同的邻域类标的先验概率

其中，为第二指示函数，

箭头＝>表示对应，≠＞表示不对应，

邻域类标的先验概率在数值上等于中心类标的先验概率

步骤(4.3)，结构区域子空间的像素ya服从nakagami分布，ya的似然概率为：

其中：w＝1,2,...,w,...,w，

γ(αw)是gamma函数，

μw为mw是根据初始化时为每个像素设定的类标序号w而统计得到的，mw为经第w类类标序号标注的像素的总个数，

αw是遥感sar图像中用类标序号w标注的遥感目标的视觉显著性的度量，是一个无量纲数值，在区间[0,1]中取值，

αw由下式计算得到：

ψ1(αw)＝d(log(γ(αw)))/dαw，

步骤(4.4)，根据步骤(4.2)-步骤(4.3)的结果得到结构区域子空间中像素ya的类标的后验概率为：

根据最大后验概率，得到遥感sar图像中结构区域子空间内像素ya的类标为：

步骤(4.5)，重复步骤(4.2)-步骤(4.4)，得到结构区域子空间中每一个像素的类标从而得到结构区域子空间的分割结果，

步骤(5)，把匀质区域子空间的分割结果和结构区域子空间的分割结果合并，即{xs|s∈m}∪{xa|a∈q}。

本发明的优点由以下遥感sar图像进一步说明。

1.仿真条件

本发明仿真所使用的遥感图像为：空间分辨率为0.3米的遥感sar图像。

2.仿真内容与结果

仿真内容：利用分辨率为0.3米的遥感图像，用本发明与现有的马尔可夫随机场模型和高阶马尔科夫随机场模型对遥感图像进行分割，结果如图4，其中图4(a)为分辨率为0.3米的原始遥感sar图像，图4(b)为马尔可夫随机场模型的分割结果，图4(c)为高阶马尔科夫随机场模型的分割结果，图4(d)为本发明的分割结果。

仿真结果：从图4可以看出，马尔可夫随机场模型对图像边界和细节信息的保持较好，但导致了过分割现象，区域一致性较差；基于高阶马尔科夫随机场的分割结果区域一致性较好，但丢失了遥感sar图像的细节信息，这是因为高阶马尔科夫随机场不能捕获图像异质的结构；本发明通过区域图将遥感sar图像划分为不同的区域子空间，对不同的区域子空间设计不同的核函数，并将核函数嵌入到马尔科夫随机场模型，获得遥感sar图像的分割结果，分割结果不仅具有较好的区域一致性而且保留了图像的细节信息。

综上所述，本发明同时实现了遥感sar图像分割中区域一致性和细节信息保持，获得了遥感sar图像良好的分割效果。