基于全局拟合的活动轮廓SAR图像河流提取方法与流程

本发明属于图像处理领域，涉及雷达遥感应用技术，具体涉及一种基于全局拟合的活动轮廓sar图像河流提取方法。

技术背景

河流检测是地物目标检测领域中的重要研究内容。河流信息提取能为水资源调研、水生环境监测、水面航道规划、舰船目标跟踪以及水利工程建设等提供技术支持。随着sar(syntheticapertureradar)成像技术的不断发展和成熟，利用获取的sar图像来提取地物目标信息，已逐渐成为地物目标检测与识别领域的重要手段之一，因此sar成像被研究者们应用到河流提取当中。sar图像河流提取是上述实际应用的基本环节，于是研究sar图像河流提取具有较为重要的实际意义。

近年来，活动轮廓模型在图像分割领域取得了一定的成功，因此研究者们将其应用到sar图像河流提取当中。sar图像一般表示地表后向散射的强度，其中河流部分后向散射系数较小，成像较弱，因此河流部分灰度值较低，在图像中呈现为黑色区域。然而sar图像中干扰区域像素灰度与河流区域像素灰度十分相近，现有活动轮廓模型难以克服干扰区域像素的影响，且往往将该区域误分为河流区域，导致河流提取结果很不理想。

技术实现要素：

发明目的：针对上述现有技术存在的不足，本发明旨在提供一种基于全局拟合的活动轮廓sar图像河流提取方法，基于加权全局拟合图像和log函数的活动轮廓模型，能较好地抑制干扰区域像素的影响，获取准确的河流提取结果，具有良好的应用前景。

技术方案：一种基于全局拟合的活动轮廓sar图像河流提取方法，所述方法基于全局拟合图像和log函数，并对全局模型进行加权，包括以下步骤：

(1)根据目标区域和背景区域的拟合中心以及二分段函数，构建新的全局拟合图像，以降低全局模型的复杂程度；

(2)计算目标区域和背景区域像素灰度的类内方差来加权目标区域和背景区域的拟合中心，自适应地调节其在曲线演化进程中的比例，建立加权全局拟合图像；

(3)基于加权全局拟合图像和log函数构建新的全局模型能量泛函；

(4)在模型演化方程中引入边缘指示函数，加速曲线逼近目标的边缘，包括在模型中引入长度正则项和能量惩罚项以提高模型的稳定性。

进一步的，所述步骤(1)中新的全局拟合图像的表达式为：

ingfi(x)＝0.5·c1+0.5·c2

其中，ingfi表示新的全局拟合图像，c1和c2分别表示目标区域和背景区域的拟合中心，计算表达式如下：

其中，i(x)表示图像中的像素值。

所述步骤(2)中的曲线内外区域像素灰度的类内方差通过下式计算：

其中，ω1和ω2分别表示目标区域和背景区域，d1和d2分别表示目标区域和背景区域像素灰度的类内方差，n1和n2分别表示目标区域和背景区域内像素的数目；d1和d2表示加权目标区域和背景区域的拟合中心得到加权全局拟合图像，其表达式为：

iwngfi(x)＝d1·0.5·c1+d2·0.5·c2

其中，iwngfi表示加权全局拟合图像。

步骤(3)中所述模型能量泛函的计算表达式如下：

其中，是heaviside函数，可通过下式计算：

其中，ε是一个小正数。

步骤(4)具体过程包括如下步骤：

(41)通过变分原理和梯度下降法求解模型的模型能量泛函表达式，得到其梯度下降流方程，所述梯度下降流方程表达式如下：

其中，表示dirac函数，可通过下式计算：

(42)将梯度下降流方程中的函数替换为边缘指示函数g，加速曲线运动到目标边缘，于是得到：

其中，所述边缘指示函数g的计算表达式为：

其中，g是gaussian滤波器；

(43)在模型中引入长度正则项和能量惩罚项以确保模型的稳定性，所述模型最终的梯度下降流方程如下：

其中，第一项和第二项分别为长度正则项和能量惩罚项，μ和ω为相应的能量系数。

与现有技术相比，本发明具有以下显著效果：第一，本发明能很好地抑制sar图像中干扰区域像素的影响，提高模型的分割精度，获取较为理想的河流提取结果；第二，能加速曲线运动到目标边缘，减短曲线演化进程，提高模型的提取效率；第三，本发明对初始曲线的设置具有良好的鲁棒性，初始曲线可以任意设置；第四，本发明适用于sar图像中的河流目标提取，能高效、准确地获取sar图像中的河流区域，为水资源调研、水生环境监测、水面航道规划、舰船目标跟踪以及水利工程建设等提供技术支持，具有较好的应用前景。

附图说明

图1为本发明提取sar图像河流区域流程图；

图2(a)为原始sar图像；

图2(b)为cv模型的提取结果；

图2(c)为rsf模型的提取结果；

图2(d)为本发明的提取结果；

图3(a)为本发明选取不同初始曲线的sar图像河流提取结果图一；

图3(b)为本发明选取不同初始曲线的sar图像河流提取结果图二；

图3(c)为本发明选取不同初始曲线的sar图像河流提取结果图三。

具体实施方式

为详细的说明本发明公开的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。

本发明提取sar图像河流区域的流程图如图1所示，一种基于全局拟合的活动轮廓sar图像河流提取方法，包括以下步骤：

步骤1：利用目标区域和背景区域的拟合中心以及二分段函数，构建新的全局拟合图像，以降低模型的复杂程度，具体表达式为：

ingfi(x)＝0.5·c1+0.5·c2(1)

其中，ingfi表示新的全局拟合图像，c1和c2分别表示目标区域和背景区域的拟合中心，可通过如下表达式计算：

其中，i(x)表示图像中的像素值。

步骤2：在新的全局拟合图像中，引入目标区域和背景区域像素灰度的类内方差来作为目标区域和背景区域拟合中心的权值，自适应地调节其在曲线演化进程中的比例，建立加权全局拟合图像，具体表达式为：

iwngfi(x)＝d1·0.5·c1+d2·0.5·c2(3)

其中，iwngfi表示加权全局拟合图像，d1和d2分别表示目标区域和背景区域像素灰度的类内方差，可通过下式计算：

其中，ω1和ω2分别表示目标区域和背景区域，n1和n2分别表示目标区域和背景区域内像素的数目。

步骤3：利用上述加权全局拟合图像和log函数建立新的模型能量泛函，其表达式为：

其中，是heaviside函数，可通过下式计算：

其中，ε是一个小正数。

步骤4：首先通过变分原理和梯度下降法求解公式(5)，得到其梯度下降流方程：

其中，表示dirac函数，可通过下式计算：

为了加速曲线运动到目标边缘，提高模型的提取效率，将公式(7)中的函数替换为边缘指示函数g，于是得到：

其中，g的计算表达式为：

其中，g是gaussian滤波器。

此外，在模型中引入长度正则项和能量惩罚项以确保模型的稳定性。于是，模型最终的梯度下降流方程可表示为：

其中，第一项和第二项分别为长度正则项和能量惩罚项，μ和ω为相应的能量系数。

对于上述公式(11)，利用有限差分法求解公式(11)，其具体实现过程包括以下子步骤：

(a)输入原始sar图像，并设置初始水平集

(b)设置模型中相应的能量权值，即μ,ω,ε以及δt；

(c)依据公式(10)计算边缘指示函数g；

(d)令

(e)依据公式(2)计算目标区域和背景区域的拟合中心，即c1和c2；

(f)依据公式(3)和(4)计算加权全局拟合图像iwngfi；

(g)依据公式(11)更新水平集函数；

(h)当返回步骤5.5；

(i)输出河流提取结果

图2为实际sar图像不同方法河流提取结果对比。其中：图2(a)为原始sar图像，图2(b)为cv模型的提取结果，图2(c)为rsf模型的提取结果，图2(d)为本发明的提取结果。从图2的提取结果可以看出，本发明能很好抑制sar图像中的干扰区域，获取干净的河流区域，在提取准确性方面具有明显优势。

图3为本发明选取不同初始曲线sar图像河流提取结果示意图，包括图3(a)、图3(b)和图3(c)三组不同的结果示意图。其中，黑色曲线为初始曲线，白色曲线为最终曲线。从图3的提取结果可以看出，本发明对初始曲线的设置具有良好的鲁棒性。