深层条件随机场结合线性器对河流SAR图像分割法的制作方法

本发明属于图像处理领域，特别涉及一种深层条件随机场结合线性器对河流sar图像分割法。

背景技术：

sar雷达卫星是一种主动式对地的观测系统，可安装在飞机、卫星等飞行平台，全天时、全天候对地实施观测、并具有一定的地表穿透能力。因此，sar系统在灾害监测、环境监测、海洋监测和军事方面等诸多应用上具有独特的优势。sar图像上面的信息是地物目标对雷达波束的反映，主要是地物目标的后向散射形成的图像信息，对于分布目标，可能存在着大量的斑点噪声，降低了图像的空间分辨率，模糊了图像的边缘信息，使得解释图像的精度降低。

tae-jungkown等人2013年在ieeetransactionsongeoscienceandremotesensing,vol.51,no.2上面发表的“etvos:anenhancedtotalvariationoptimizationsegmentationapproachforsarsea-iceimagesegmentation”中提到了etvos算法，该方法包括两个阶段，用以分割各种海洋冰类型，在全变量优化阶段，通过最小全变量的约束，通过改进rudin-osher-fatemi总变量模型和对其实施迭代从非分段的恒定状态去估计分段的恒定状态。在有限混合模型中分类阶段，基于像素分布利用执行期望最大化方法通过高斯混合模型估计最终类似然，然后利用最大似然分类技术来估计出全变量优化阶段的乘积中的每个像素的类别。

linlinxu等人于2016年在ieeejournalofselectedtopicsinappliedearthobservationsandremotesensing,vol.9,no.7上面发表了“fullyconnectedcontinuousconditionalrandomfieldwithstochasticcliquesfordark-spotdetectioninsarimagery”。设计并构建了随机全连通连续条件随机场(sfccrf)方法来建立sar图像并进行软标签推理，从而实现了一种有效的检测算法。sfccrf是基于它们在特征空间和图像空间中的接近度以随机方式确定两个像素的连通性。由于sfccrf为大规模空间相关效应的建模提供了一种有效的方法，因此得到的软标签可以抵抗斑点噪声的影响并突出暗点和背景之间的差异。通过对sfccrf估计的软标签进行二值化来实现暗点检测。虽然随机全连通连续条件随机场(sfccrf)方法利用软标签斑点噪声的影响，但是该方法仍有不足的是：大规模空间的应用在计算时间上面付出了很大的代价，对阴影部分无法进行很好的处理，利用窗口平滑计算，严重的削弱了边缘和细节部分。

技术实现要素：

本发明的目的是针对上述现有技术的不足，而提供一种深层条件随机场结合线性器对河流sar图像分割法，该方法可应用于图像的提取、分割和目标跟踪等领域，是含有噪音的图像的分割方法，通过加入了线性器减少伪阴影的错误分割，通过离散窗口的应用减少平滑图像的现象，进一步提高了分类精度。

如上构思，本发明的技术方案是：一种深层条件随机场结合线性器对河流sar图像分割法，其特征在于：包括如下步骤：

(1)输入图片：输入一幅待分割的河流合成孔径雷达sar图像；

(2)粗略的阈值分割：采用阈值对河流sar图像先进行粗略的分割操作，分割之后的图像分为河流区域、伪河流区域和非河流区域，对河流区域和伪河流区域都贴上标签1，对于非河流区域贴上标签0；

(3)将图像进行归一化建立软标签：

(3a)对原图像进行图像归一化处理，取值范围在[1,2]之间；

(3b)取与图像归一化之后的像素值作为软标签；

(4)建立多尺寸的离散的滑动窗口：

(4a)在粗略的分割图像上面建立不同尺寸的n*n的离散窗口；

(4b)通过步骤(2)得到的粗略分割的标签，然后通过判断窗口内标签值是否相同，继而判断出所需要参与计算的离散的像素点；

(4c)通过这些离散的像素点重新组成一个离散的滑动窗口；

(5)建立离散团和惩罚因子线性器：

(5a)通过相似函数判断像素点之间的相似性，判断范围不仅仅局限于相邻的像素点，而是通过调节窗口大小在图像不同范围判断像素点之间的相似性，这些相似的像素点形成了随机团；

(5b)以一个像素点为中心，在15*15的窗口内取24个不同的角度作为大尺度线性器，再在9*9的窗口建立24个不同角度的小尺寸线性器，两个不同尺度的线性器相结合作为惩罚因子；

(6)判断相似性：

(6a)通过一元势函数判断软标签和像素值之间的连续性；

(6b)通过二元势函数判断一个像素的软标签与其他像素的软标签之间的相似性；

(6c)通过线性器作为惩罚因子，对噪音和伪目标进行判断；

(7)迭代软标签：

通过连续的迭代由一元势函数和二元势函数组成的条件随机场公式中的软标签，使其达到一个稳定的值；

(8)提取：通过最后迭代得到的稳定软标签，与分割阈值相比，得到最后的分割结果图。

(9)计算精度：

(9a)通过groundtruth，计算出提取的河流目标中和groundtruth类别标签相同的个数，计算其在提取的目标像素个数中的百分比；

(9b)计算出groundtruth在提取的目标中类别标签相同的个数，然后再计算其在groundtruth中的百分比。

所述步骤(2)所述的阈值分割公式如下：

thrd＝mean(s)-ε*std(s)

其中s代表图像软标签集，mean计算图像软标签的平均值，std计算图像软标签的标准偏差，ε是一个系数，经验取值为1，thrd为取得的阈值。

所述步骤(5a)通过相似性计算判断两个中心像素是否相似，如果两个像素点之间的相似值在[0,1]之间，以其中一个像素点为中心的团中就包括了另外一个像素点，否则以其中一个像素点为中心的团则不包括另外一个像素点判断相似性的函数如下：

dij表示通过计算两个离散窗口来判断两个像素点之间的相似性，代表以i为中心像素的离散窗口内像素强度的平均值，同理，var{wi+wj}是合并方差，计算方法为公式(3),wi代表了离散窗口内所有像素点的强度之和，wj同理，ni代表这个离散窗口中像素的总个数，nj同理；

公式(7)通过相似想判断，建立离散团，γ取经验值为0.1，取值范围为[0,1]。

所述步骤(5b)线性器的判断公式为：

为大尺寸线性器内所有像素的平均值，为“winnerline”所有线中灰度值最大，其中w代表大尺寸线性器的窗口大小，l代表小尺寸的线性器窗口大小。

所述步骤(6a)所述的一元势函数为

公式中，xi代表i点的像素值，si代表i点的软标签，l为等效视数，为一元势函数。

所述步骤(6b)所述的二元势函数

pij通过gamma分布计算像素点i,j的相似性，si，sj是i,j两个点的像素软标签，ni是离散随机团，为二元势函数。

本发明与现有的技术相比具有如下优点：

1、由于本发明采用了离散窗口方法，减少了由于噪音的干扰所造成的平滑现象。

2、本发明使用了线性器与条件随机场相结合的方法，在进行河流提取的过程中，由于线性器的加入减少了伪河流和噪音的干扰，提高了提取精度。

附图说明

图1是本发明的实现流程图；

图2(a)、2(b)分别是建立随机团和多尺度线性器的示意图；

图3是用本发明和现有的方法中三幅sar图像的分类结果对比图。

具体实施方式

一种深层条件随机场结合线性器对河流sar图像分割法，包括如下步骤：

(1)输入一幅sar图片：任意输入一幅待分割的河流合成孔径雷达sar图像；

(2)粗略的阈值分割：

采用阈值对河流sar图像先进性粗略的分割操作，分割之后的图像分为河流区域、伪河流区域和非河流区域，对河流区域和伪河流区域都贴上标签1，对于非河流区域贴上标签0；阈值判断公式如下：

thrd＝mean(s)-ε*std(s)(1)

其中s代表图像软标签集，mean计算图像软标签的平均值，std计算图像软标签的标准偏差，ε是一个系数，经验取值为1。

(3)图像归一化：

(3a)对原图像进行图像归一化，取值范围在[1,2]之间，防止出现分母是0的情况，是因为避免后续操作带来不便的问题；

(3b)取与图像归一化之后相同的像素值，称之为软标签；

(4)建立多尺寸离散的滑动窗口：

(4a)由于sar图像受到噪声的干扰，无法对单个像素点进行计算，但是，直接取n*n窗口会对图像造成平滑的困扰，因此在粗略的分割图像上面建立不同尺寸的n*n的离散窗口；

(4b)通过步骤(2)得到的粗略分割的标签，然后通过判断窗口内标签值是否相同，继而判断出参与计算的像素点；

(4c)通过这些离散的像素点重新组成一个离散的滑动窗口；

(5)建立离散团和惩罚因子多尺寸线性器

(5a)通过相似性计算判断两个中心像素是否相似，如果两个像素点之间的相似值在[0,1]之间，以其中一个像素点为中心的团中就包括了另外一个像素点，否则以其中一个像素点为中心的团则不包括另外一个像素点判断相似性的函数如下：

dij表示通过计算两个离散窗口来判断两个像素点之间的相似性，代表以i为中心像素的离散窗口内像素强度的平均值，同理，var{wi+wj}是合并方差，计算方法为公式(3),wi代表了离散窗口内所有像素点的强度之和，wj同理，ni代表这个离散窗口中像素的总个数，nj同理；

公式(7)通过相似想判断，建立离散团，γ取经验值为0.1，取值范围为[0,1]。

(5b)以一个像素点i为中心，在15*15的窗口内取24个不同的角度(每天线段之间的间隔度数是15°)，作为大尺度线性器。再在9*9的窗口建立24个不同角度的小尺寸线性器。两个不同尺度的线性器相结合作为惩罚因子。线性器的判断公式如下：

为大尺寸线性器内所有像素的平均值，为“winnerline”所有线中灰度值最大，w为大尺寸线性器窗口大小，l为小尺寸线性器窗口的大小,通过的最终值，对i点像素进行判断是否是噪音或者伪阴影。

参见图2(a)：其中y0是中心像素点，y1-y9是y0的等距像素点，其中y9、y5是y0有关的像素点，y10、y11距离y0的距离虽然比其它的像素远，但是和y0却有着更大的相似性。为了能够更准确的找到与中心像素相关的像素点，所以采取了不同范围的空间寻找团里面的离散点。

参见图2(b)：其中绿色方框内形成的是小尺寸的线性器，红的线条的端点形成的方框是大尺寸的线性器。

(6)判断相似性：

(6a)通过一元势函数促进了软标签和像素值之间的连续性

其中，xi代表i点的像素值，si代表i点的软标签，l为等效视数，为一元势函数。

(6b)通过二元势函数判断一个像素的软标签与其他像素的软标签之间的相似性。

其中，pij通过gamma分布计算像素点i,j的相似性，si，sj是i,j两个点的像素软标签，ni是离散随机团通过公式(7)进行判断，为二元势函数。

(7)迭代软标签：通过连续的迭代由一元势函数和二元势函数组成的条件随机场公式中的软标签，使其达到一个稳定的值。

(8)提取：通过最后迭代得到的稳定软标签，与分割阈值相比，得到最后的分割结果图。

(9)计算精度：

(9a)通过groundtruth，计算出提取的河流目标中和groundtruth类别标签相同的个数，计算其在提取的目标像素个数中的百分比；commissionerror(ce)错分误差:ce反应了所有目标分割中的错误分割的比率。

(9b)计算出groundtruth在提取的目标中类别标签相同的个数，然后再计算其在groundtruth中的百分比。omissionerror(oe)漏分误差:oe反应了分割的遗漏与真是图像目标的比率。

(9c)averagederror(ae)总体精度：ae提供对分割能力的平衡评估。

上述公式(1)参见参考文献1、公式(2)参见参考文献2、公式(3)参见参考文献2、公式(4)参见参考文献3、公式(5)参见参考文献1、公式(6)参见参考文献1、公式(7)参见参考文献1。

本发明可以通过以下仿真实验来进行验证

1、仿真条件

本发明的效果可以通过以下仿真实验进一步说明：

仿真实验硬件平台为：

intel(r)core(tm)i7-6700cpu，3.40ghz，16gbram

软件平台：使用matlabr2016a，其中

matlabr2016a：是美国mathworks公司出品的商业数学软件，用于算法开发、数据

可视化、数据分析以及数值计算；

2、仿真内容：

仿真1.应用本方法，深层随机团的条件随机场与线性器相结合的方法分别对一幅sar图像进行分割提取，其中图3(a)为待分割的sar图像，大小为256*256，图3(d)为阈值分割方法的分割结果，3(g)为全连接离散条件随机场的方法分割结果，图3(j)、3(m)分别为本发明的分割结果。

从图3(j)、3(m)可见，本发明对第一幅sar图像的分割结果为：

黑色区域为河流提取区域，白色区域为背景区域，通过对比试验表明本方法对噪音的干扰、平滑现象有多减少，略优于全连接离散条件随机场。

仿真2.应用本方法，全连接离散条件随机场、阈值分割的方法分别对一幅sar图像进行分割提取，其中图3(b)为待分割的sar图像，大小为256*256，图3(e)为阈值分割方法的分割结果，3(h)为全连接离散条件随机场的方法分割结果，图3(k)、3(n)为本发明的分割结果。

从图3(k)、3(n)可见，本发明对第二幅sar图像的分割结果为：黑色区域为河流提取区域，白色区域为背景区域，通过对比试验表明本方法对噪音的干扰、平滑现象有多减少，略优于全连接离散条件随机场。

仿真3.应用本方法，全连接离散条件随机场、阈值分割的方法分别对一幅sar图像进行分割提取，其中图3(c)为待分割的sar图像，大小为256*256，图3(f)为阈值分割方法的分割结果，3(i)为全连接离散条件随机场的方法分割结果，图3(l)、3(o)为本发明的分割结果。

从图3(l)、3(o)可见，本发明对第三幅sar图像的分割结果为：黑色区域为河流提取区域，白色区域为背景区域，通过对比试验表明本方法对噪音的干扰、平滑现象有多减少，略优于全连接离散条件随机场。

表1为对三种方法对三幅sar图像分割结果的综合评价表

从表1可见，本发明对三幅sar图像的分割结果通过oe(漏分误差)、ce(错分误差)、ae(总体精度)的对比，均优于对比试验，说明本方法克服了sar图像的噪音干扰和平滑窗口带来的过平滑问题。

从三个仿真实验和数据对比看出，本发明由于采用了深层随机团和线性器，相比经典的阈值分割和sfccrf方法的分割精度更高，所以，采用本发明，对合成孔径雷达sar图像进行分割时，分割效果效果有所提高，实验进一步证明了本发明的效果。

参考文献：

[1].xul,shafieemj,wonga,etal.fullyconnectedcontinuousconditionalrandomfieldwithstochasticcliquesfordark-spotdetectioninsarimagery[j].ieeejournalofselectedtopicsinappliedearthobservationsandremotesensing,2016,9(7):2882-2890.

[2].yangw,chenl,daid,etal.semanticlabellingofsarimageswithconditionalrandomfieldsonregionadjacencygraph[j].ietradar,sonar&navigation,2011,5(8):835-841.

[3].nguyenutv,bhuiyana,parklaf,etal.aneffectiveretinalbloodvesselsegmentationmethodusingmulti-scalelinedetection[j].patternrecognition,2013,46(3):703-715。