一种基于上下文关系的sar遥感场景溢油分割检测方法
【技术领域】
[0001] 本发明属于图像分割检测技术领域，具体涉及的是一种基于MRF(MarkovRandom Field)上下文关系的SAR(合成孔径雷达）遥感场景溢油分割检测方法。
【背景技术】
[0002] 图像分割检测技术的应用非常广泛，可以说是只要涉及图像处理和计算机视觉的 相关问题都必须做图像分割检测。目前随着图像处理和计算机视觉领域的快速发展，图像 分割检测的算法种类繁多。
[0003] 常见的分割检测技术可以分为三大类：基于拓扑学的分割检测、基于颜色的分割 检测、基于灰度分布的分割检测。其中基于颜色的分割检测与基于灰度分布的分割检测方 法类似，只是因为针对的对象不同，所以在算法细节方面会产生不同。在基于颜色和灰度分 布的分割检测领域常用的方法有：直方图分割法、阈值分割法、动态阈值分割法、基于直方 图的分类和像素灰度值分类的分割方法；在基于拓扑学的分割检测当中主流的一些算法比 如最为经典的分水岭算法、Snake算法、基于C-V水平集的算法和一些基于形态学滤波的方 法。这些方法都可以达到比较理想的结果也经常被应用在各个领域和各个算法流程当中 去。但是近几年基于统计学的分割方法也逐渐成为研宄的热点。其综合以往的经典分割方 法，结合统计概率模型形成了一套基于上下文关系的分割检测体系。基于颜色和灰度分布 的分割检测方法往往对于那些目标颜色比较鲜明或者灰度变化比较剧烈的图像目标非常 适用。如果对于那些目标颜色和灰度分布非常接近于背景的图像目标，这些方法就很难得 到较好的结果，而且这类的分割方法往往对于噪声不具有鲁棒性。如果图像中存在着大量 的噪声，那些对于颜色和灰度分布的分割检测方法就不能得到理想的结果；基于拓扑学的 分割检测算法也同样存在着受噪声干扰大的问题，但是一般都会去采取在分割检测前端进 行滤波或一些形态学的操作和运算来尽可能的降低噪声对分割检测的干扰。
[0004] 基于统计概率模型的分割检测体系往往通过概率去描述像素与像素，子团与子 团，或者邻域与邻域之间的上下文关系。这种上下文的支持就好像检测一辆汽车，那么汽车 的轮子一定落在地面。有了这种上下文的支持再加上被检测目标自身的特征，就能为目标 分割检测提供更好的支持且对于噪声有很好自适应的鲁棒性。这里的特征指的是图像目标 区域的均值、方差和能量。
[0005] 目前针对SAR图像的遥感场景解析往往都会受到SAR成像所产生的乘性噪声的影 响，所以用一些Lee滤波Kuan滤波GammaMap滤波等手段作用于分割检测前端，或者通过 经典的CFAR恒均值算法检测SAR图像中的目标从而减少乘性噪声带来的干扰。当然这些 传统算法基于滤波后的图像都可以进行分割检测，但是分割检测的效果完全取决于滤波效 果，往往导致对于SAR遥感影像的分割效果不那么理想。针对这样的问题统计概率模型的 MRF模型被提出，这种方法不单单对SAR图像中的乘性噪声有很好的抑制作用，而且通过上 下文的概率关系能在SAR图像中得到比较完整平滑的分割结果。传统的MRF模型一般都关 注于它的标号场和特征场这两个方面，一般传统的MRF模型标号场选取Kmean方法建立。由 于Kmean建立的标号场过于稳定，所以使得统计模型很快的陷入局部最优解使分割产生误 差，这也是统计模型进行分割的关键问题。
【发明内容】
[0006] 有鉴于SAR图像乘性噪声的干扰难以得到较好的分割结果，和传统MRF模型Kmean 建立初始标号场的问题，本发明从统计概率模型MRF出发，基于上下文关系进行了对于SAR 遥感影像的大场景溢油分割检测，并提出了视觉凸显金字塔的初始标号场的建立和势函数 参数的设定，
[0007] 实现本发明的技术方案如下：
[0008] 一种基于上下文关系的SAR遥感场景图像的溢油分割检测方法，具体过程为：
[0009] 步骤一、建立视觉金字塔；其中视觉金字塔最底层的图像为SAR遥感场景影像原 始图像信息，视觉金字塔其余层图像为其下一层图像进行Haar小波变换提取的低频信息 图；
[0010] 步骤二、针对视觉金字塔最顶层图像，基于CAS(context_awaresaliency)模型建 立视觉凸显图，根据凸显图的引导进行动态阈值分割得到初始的标号场；
[0011] 步骤三、通过GMM(GaussianMixtureModel)模型与初始标号场对标号场内的不 同邻域目标提取均值和方差，并计算初始特征场能量；
[0012] 步骤四、根据MRF模型中MAP(MaximumaPosterior)最大后验概率准则和 ICM(IterationConditionModel)条件迭代模型，计算最小能量特征场所对应的标号场； 其中MAP中选用Ising切分函数模型，且设定切分函数模型中势函数参数为K;
[0013] 步骤五、将视觉金字塔中每一层最小能量特征场所对应的标号场作为下一层视觉 金字塔的初始标号场，基于最顶层的标号场，按照步骤四的方式依次计算，获得视觉金字塔 最底层图像的标号场，实现遥感影像的分割；
[0014] 步骤六、针对分割好的遥感影像进行溢油区域的识别。
[0015] 进一步地，本发明所述步骤二的具体过程为：
[0016] (1)将视觉金字塔最顶层图像进行伪彩色图像的转化，转换到L*a*b色彩空间；
[0017] (2)以一个n*n为上下文邻域的图像块，以最顶层图像中每一像素为中心提取像 素块记为矩阵Matrixl，边界像素进行填充处理提取像素块；
[0018] (3)以一个n*n的上下文邻域的图像块，每隔m个像素对最顶层图像再次提取像素 块记为矩阵Matrix2 ;
[0019] (4)分别计算每一Matrixl矩阵与每一Matrix2矩阵之间的颜色的欧式距离和对 应原图像中的坐标的欧式距离的比值；
[0020] (5)针对每一Matrixl矩阵所对应的比值，选取比值中最小的100个进行累加，根 据累加结果计算表示原始图像相应像素的凸显值，建立凸显图，根据所述凸显图引导动态 阈值分割建立最顶层初始标号场。
[0021] 进一步地，所述按照步骤四的方式计算视觉金字塔各层最小特征场所对应的标号 场时，其所设定的势函数参数随着层数的降低逐渐减小，体现由整体到细节的分割检测过 程。
[0022] 有益效果：
[0023] 本发明所提到的基于上下文的溢油分割检测技术可以很好的对乘性噪声进行抑 制作用，又可以通过特征场实现对溢油区域的检测和疑似溢油区域的虚警剔除；通过本发 明提出的视觉凸显金字塔可以避免传统的Kmean建立初始标号场所带来的过早陷入局部 最优解的问题使结果更为精确分割结果置信度更高。
【附图说明】
[0024] 图1为基于上下文关系的SAR遥感场景图像的溢油分割检测方法的流程图。
【具体实施方式】
[0025] 本发明提出了用视觉凸显引导阈值分割建立标号场，并形成视觉凸显金字塔通过 多尺度的初始标号场和MRF上下文模型的统计分割检测，实现SAR图像的检测分割得到了 比较好的结果。结果不单对SAR图像的乘性噪声有抑制作用，而且由于有上下文的支持对 于虚警的剔除有显著的提高。
[0026] 结合实际的需求针对实际的SAR遥感溢油影像的详细步骤：
[0027] 如图1所示，一种基于上下文关系的SAR遥感场景的溢油分割检测方法，具体过程 为：
[0028] 步骤一、对SAR遥感影像通过Haar小波变换提取低频信息图，然后将其置于视觉 金字塔的最底层（即第零层）。将第零层图像进行Haar小波变换提取低频信息图作为视 觉金字塔的第一层；依次第二层金字塔的图像为第一层图像的Haar小波变换的低频信息 图；第三层金字塔的图像为第二层金字塔的图像的Haar小波变换的低频信息图，组建视觉 金字塔。从第零层至第三层尺度依次变大，分辨率依次降低，所以最顶层表示的是大尺度低 分辨率的SAR遥感场景全局信息，最底层原图像表示的是小尺度高分辨率SAR遥感场景的 细节信息。
[0029] 步骤二、对建立的视觉金字塔的最顶层大尺度低分辨率图，基于 CAS(context_awaresaliency，上下文意识的凸显）模型建立视觉凸显图，根据凸显图引导 进行动态阈值分割得到初始的标号场。具体实现步骤是这样的：
[0030] (1)对SAR图像视觉金字塔最顶层的大尺度低分辨率图像进行伪彩色图像的转 化，转换到L*a*b色彩空间进行归一化处理；
[0031] (2)以一个7*7为上下文邻域的图像块，以最顶层图像中每一个像素为中心像素 提取大小相同的像素块记为矩阵Matrixl，Matrixl覆盖了视觉金字塔最顶层图像的所有 像素，但是维度为dim= 7*7*3 ;对于边界像素先进行填充然后再提取像素块。
[0032] (3)再通过每隔三个像素（每百分之五十重叠）的7*7的上下文邻域对最顶层图 像提取像素块记为矩阵Matrix2,Matrix2覆盖了视觉金字塔最顶层图像九分之一的像素， 维度也为dim= 7*7*