專利名稱：一種基于水平集的合成孔徑雷達(dá)圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及雷達(dá)遙感應(yīng)用技術(shù)，用圖像分析雷達(dá)觀測信息，特別涉及水平集方法在合成孔徑雷 達(dá)圖像分割中的應(yīng)用。
背景技術(shù)：
合成孔徑雷達(dá)(Synthetic Aperture Radar，以下簡稱SAR)圖像的分割問題是雷達(dá)遙感應(yīng)用領(lǐng)域 的重要研究內(nèi)容之一，在解釋雷達(dá)觀測、分析場景地物特征、目標(biāo)識別等方面具有重要作用。開展 SAR圖像分割問題的研究對于促進(jìn)雷達(dá)遙感應(yīng)用技術(shù)科學(xué)發(fā)展具有重要意義。相對于光學(xué)圖像而言，SAR圖像的最大特點(diǎn)在于相干斑噪聲的影響，它的存在使得SAR圖像表 現(xiàn)為低信噪比，因此許多標(biāo)準(zhǔn)的光學(xué)圖像分割算法應(yīng)用于SAR圖像很難得到滿意的效果。到目前為 止，人們提出了許多SAR圖像分割算法。這些方法可以歸納為兩種分割思路l)首先對原始SAR圖 像濾波，以降低斑點(diǎn)噪聲的影響，然后采用與處理光學(xué)圖像相似的方法進(jìn)行分割；2)結(jié)合SAR圖像 中像素的強(qiáng)度信息和結(jié)構(gòu)信息，研究在分割過程中抑制斑點(diǎn)噪聲影響的分割算法。相對于第二種思 路，第一種思路帶來的不利因素有(1)為了達(dá)到好的去斑效果，會增大濾波的程度，使得分割效 果下降。而且降斑的客觀全面評價(jià)標(biāo)準(zhǔn)不易確定，對分割產(chǎn)生的作用難以評估，因此很難給出一個(gè) 確定性的結(jié)論，即到底對于不同質(zhì)量的圖像，降斑到什么程度才能取得好的分割效果；(2)引入了 計(jì)算復(fù)雜度，性能好的降斑算法時(shí)間可能很長，使得分割的速度很慢。因此，近年來關(guān)于SAR圖像 分割的研究主要集中在第二種思路上。有代表性的方法如基于Markov隨機(jī)場的分割方法，它有效的 利用了像素鄰域間的先驗(yàn)結(jié)構(gòu)信息并結(jié)合最大后驗(yàn)概率準(zhǔn)則對圖像進(jìn)行分割。這類方法分割精度很 高，但是它是一種迭代優(yōu)化方法，因此計(jì)算量大、速度慢，算法有可能陷入局部優(yōu)化。近年來，基于水平集的圖像分割方法獲得了廣泛應(yīng)用。水平集方法從界面?zhèn)鞑サ妊芯款I(lǐng)域中逐 步發(fā)展起來，主要思想是引入水平集函數(shù)^/T xiT — i ，將移動界面SCiT作為零水平集嵌入到 高一維水平集函數(shù)中。在演化過程中，只要確定零水平集就可以確定移動界面演化的位置。利用水 平集方法研究SAR圖像分割問題，可以充分利用相干斑噪聲的概率模型，降低相干斑噪聲對分割結(jié) 果的影響，充分利用圖像本身信息，獲得精確的分割結(jié)果。許多國內(nèi)外專家學(xué)者對基于水平集的圖 像分割方法做了研究工作，并在一系列圖像中驗(yàn)證了這種分割的正確性。水平集圖像分割方法將圖 像分割過程轉(zhuǎn)化為圖像中初始定義的封閉連續(xù)曲線向圖像的真實(shí)邊界逐步逼近過程，可以適應(yīng)拓?fù)?結(jié)構(gòu)的變化，提高了曲線運(yùn)動的穩(wěn)定性，對于含有相干斑噪聲的SAR圖像可以獲得比較好的分割效 果。含相干斑噪聲的SAR圖像主要包含以下3種信息灰度信息、邊界信息(edge)和區(qū)域信息 (region),但上述研究方法中，能量泛函的定義都是基于圖像區(qū)域信息的(Ayed I B, Vazquez C， Mitiche A， Belhadj Z. SAR image segmentation with active contours and level sets [J]. IEEE International Conference cm Image Processing, 2004， 2717-2720),雖然在能量泛函中包含了一定的邊界信息，但都 只是保證邊界光滑的正則化因子，并沒有充分利用圖像的邊界特征信息，因此在圖像弱邊界處的定 位精度較差，容易在局部點(diǎn)發(fā)生邊界泄漏的現(xiàn)象。 發(fā)明內(nèi)容本發(fā)明的目的是為了克服上述對SAR圖像分割的不足之處，以達(dá)到對SAR圖像分割獲得更全面 的準(zhǔn)確性，特提供一種基T區(qū)域信息和邊界信息的水平集SAR圖像分割方法，它是利用概率知識將 SAR圖像的區(qū)域信息和邊界信息融合在一起分割SAR圖像。本發(fā)明的分割方法由以下步驟來實(shí)現(xiàn)， 其分割算法流程見附圖3。第一步，根據(jù)接收機(jī)得到的SAR冋波信號，通過RD成像算法得到含有斑點(diǎn)噪盧的SAR圖像，計(jì) 算與SAR圖像強(qiáng)度分布相關(guān)的混合概率模荊。在合成孔徑雷達(dá)系統(tǒng)中，雷達(dá)連續(xù)的發(fā)射線性調(diào)頻脈沖信號，然后從回波信號中提取目標(biāo)信息， 這個(gè)過程稱為成像處理(見附圖2)。 SAR圖像中的相干斑噪聲是在雷達(dá)回波信號中產(chǎn)生的，是包括 SAR系統(tǒng)在內(nèi)的所有基于相干原理的成像系統(tǒng)所固有的缺點(diǎn)。由于SAR圖像特殊的成像^l理，乘性 斑點(diǎn)噪聲的存在嚴(yán)重影響了圖像的分割精確度。為了降低相干斑噪聲對圖像的影響，在分割過程中 通常認(rèn)為SAR圖像的強(qiáng)度分布可以用兩個(gè)區(qū)域的混合概率模型表示<formula>formula see original document page 4</formula>
其中，/是要分割的SAR圖像。Q和6分別代表目標(biāo)和背景區(qū)域。/^代表目標(biāo)區(qū)域的概率分布；卩代表背景區(qū)域的概率分布，權(quán)值(y。和w.分別為目標(biāo)和背景區(qū)域的先驗(yàn)概率。第二步，為了進(jìn)一步降低相干斑噪聲的影響，根據(jù)SAR圖像的混合概率模型，計(jì)算滿足公式g = exp(-A)的邊緣檢測算子。在SAR圖像中，依據(jù)目標(biāo)點(diǎn)的左右鄰域否(是)屬于相同類型的區(qū)域來判斷某個(gè)像素點(diǎn)是(否) 處于邊界點(diǎn)。設(shè)點(diǎn)";c，y)為圖像/中的一點(diǎn)，A^0O和A^O)分別代表點(diǎn)s的左右鄰域，^和f^是 不同的區(qū)域類型。根據(jù)Bayes準(zhǔn)則，點(diǎn)s屬于目標(biāo)邊界的概率為P("(辟)))其中，Z)(JV(力)為s鄰域窗口的計(jì)算值(均值、中值等)，p(D(AT("))與pCB)都是圖像的先 驗(yàn)概率密度函數(shù)，取為常數(shù)。此時(shí)
<formula>formula see original document page 4</formula>
在像素點(diǎn)的鄰域選擇時(shí)，分別取四個(gè)不同的方向0,記6 = {0，5，^，^}分別代表垂直、水平和兩個(gè)對角線方向。此時(shí)得到四個(gè)方向的條件邊界概率，取其最大值得到點(diǎn)s屬于邊界的概率<formula>formula see original document page 4</formula>
邊緣檢測算子g滿足<formula>formula see original document page 4</formula>。第三步，由測地活動輪廓模型(Geodesic Active Contour,以下簡稱GAC模型)并結(jié)合以上的 邊緣檢測算子，得到SAR圖像基于邊界信息的能量泛函。根據(jù)GAC模型(V Casselles， R Kimmel， G Sapiro. Geodesic Active Contours[J，International Journal of ComputerVision, 1997, 22(1): 61-79)定義SAR圖像的邊界能量泛函& = |X g(pjdx辦。第四步，根據(jù)SAR圖像的概率模型和極大似然準(zhǔn)則，計(jì)算基于區(qū)域信息的能量泛函，將分割模 型定義為基于區(qū)域信息和邊界信息的能量泛函加權(quán)和。5八尺圖像的似然函數(shù)<formula>formula see original document page 5</formula>由極大似然準(zhǔn)則，當(dāng)對圖像正確分割時(shí)，圖像概率模型的似然函數(shù)"/lQ)取得最大值，等價(jià)于 -log(l(/lQ))的最小化，因此可以將基于區(qū)域信息的能量泛函定義為<formula>formula see original document page 5</formula>得到基于區(qū)域信息的能量泛函模型后，將圖像中的區(qū)域和邊界信息融合，得到基于區(qū)域信息和邊界信息的能量泛函模型="l— g ")崎—L口(10^ + logPQ "(")))崎a和/9分別是基于邊界信息和區(qū)域信息能量泛函的加權(quán)值。上式是SAR圖像分割中的能量泛函，是一種圖像分割中的活動輪廓模型。第五步，采用變分方法最小化能量泛函模型，得到分割曲線的演化方程，用水平集方法求解將 曲線的演化轉(zhuǎn)化為曲面的演化，得到SAR圖像的分割結(jié)果。SAR圖像分割的能量泛函已知，為了得到水平集函數(shù)的速度函數(shù)，由變分原理^ = -最小化能量泛函得到如下活動輪廓演化方程<formula>formula see original document page 5</formula>是目標(biāo)邊界曲線的曲率，，代表兩個(gè)矢量的點(diǎn)乘。整個(gè)迭代過程為<+1=0'+FA/。本發(fā)明由于水平集方法是將曲線運(yùn)動轉(zhuǎn)化為曲面運(yùn)動的過程，在圖像分割中即使目標(biāo)邊界分裂或者合并，曲面的拓?fù)浣Y(jié)構(gòu)并不改變，算法穩(wěn)定性較高，同時(shí)在分割時(shí)不需要噪聲的預(yù)處理過程，提高了 SAR圖像的分割精度和適用性。


附圖1為SAR成像和信息處理系統(tǒng)框圖。附圖2為距離多普勒(RD)成像算法流程圖。附圖3為本發(fā)明基于K域信息和邊界信息分割算法的流程圖。附圖4以3x3大小的窗口為例，在計(jì)算邊緣檢測算子時(shí)選擇的四個(gè)鄰域方向。在計(jì)算過程中選 定四個(gè)方向最大的一個(gè)值作為該像素點(diǎn)的邊界概率，精確度更高。附圖5是針對MSTAR坦克數(shù)據(jù)的分割，圖中四幅圖像分別選取不同角度的T72坦克進(jìn)行分割。 附圖6是AIRSAR獲取的Flevoland地區(qū)機(jī)載SAR圖像的分割結(jié)果。 實(shí)施例本發(fā)明的實(shí)施例采用MSTAR坦克圖像數(shù)據(jù)，現(xiàn)在對MSTAR進(jìn)行簡單的介紹。 MSTAR(Moving and Stationary Target Acquisition Recognition)項(xiàng)目啟動于1994年，它是由美國多 個(gè)研究機(jī)構(gòu)聯(lián)合研究的一個(gè)SARATR課題。其中，美國Sandia實(shí)驗(yàn)室負(fù)責(zé)提供X波段0.3~lm分辨 率的原始SAR數(shù)據(jù)。美國Wright實(shí)驗(yàn)室負(fù)責(zé)建立用于模型研究的各種地形后向散射方向圖和用于 分類研究的18種地面車輛獲取的數(shù)據(jù)庫，對每輛車都能提供72個(gè)不同視角和不同方向的樣本。而 MIT Lincoln實(shí)驗(yàn)室等負(fù)責(zé)提供特種分析、提取和分類算法?，F(xiàn)在MSTAR數(shù)據(jù)已經(jīng)成為考核SAR 目標(biāo)識別和分類算法的標(biāo)準(zhǔn)數(shù)據(jù)庫。大部分在權(quán)威雜志和會議上發(fā)表的SAR目標(biāo)識別和分類算法都 是采用MSTAR數(shù)據(jù)進(jìn)行測試和評估。附圖5中MSTAR坦克圖像大小為128x128，圖像中包含3個(gè)區(qū)域坦克、陰影和背景，并且 圖像中有比較嚴(yán)重的相干斑噪聲。由于圖中含有三個(gè)區(qū)域，因此本實(shí)施例采用兩個(gè)水平集函數(shù)。參 考附圖3本發(fā)明的分割算法流程圖。設(shè)G"r、(c),r2(c)),其中r,(c):cE
—(Jc,y)GQi為區(qū)域Q,. 的封閉邊界曲線，分割的目的就是通過求解G，實(shí)現(xiàn)對圖像獨(dú)立區(qū)域Q,.的劃分。令^,:Q — R為 Lipchitz連續(xù)的水平集函數(shù)，定義水平集函數(shù)向量F =(4V<&2)。在區(qū)域均勻的假設(shè)下，SAR強(qiáng)度圖像滿足伽瑪(Gamma)分布，因此可以設(shè)每個(gè)獨(dú)立區(qū)域的 滿足以下概率模型其中為區(qū)域Q,.的均值，i為SAR圖像視數(shù)。因此整個(gè)SAR圖像可以用獨(dú)立區(qū)域Q,.的混合概率模 型表示，，力)=》柳"))3w,為區(qū)域Q,.的先驗(yàn)概率，滿足w,P((;c，力eQ,)， S叫.=1。根據(jù)SAR圖像的混合概率模型，計(jì)算滿足公式g-exp(-;^)的邊緣檢測算子。為了分割出坦 克和陰影區(qū)域，本實(shí)施例中定義了兩個(gè)邊緣檢測算子，根據(jù)附圖4所示的鄰域選擇方法，分別計(jì)算 各像素點(diǎn)位于坦克和背景區(qū)域邊界的概率;7￡1和各像素點(diǎn)位于陰影和背景區(qū)域邊界的概率pe2 ，得到兩個(gè)邊緣檢測算子^ - exp(-;^)和g2 = exp(-pe2)。依據(jù)GAC模型，基于邊界信息的能量泛函可以定義為e' i桐《")械+1—2 g")辦e￡的最小化使封閉曲線r,.(c)不斷向的真實(shí)邊界逼近，并在真實(shí)邊界處停.ih運(yùn)動?；趨^(qū)域信息的能量泛函定義為<formula>formula see original document page 7</formula>E,關(guān)于最小化的分割結(jié)果滿足概率模型的最佳近似。將能量泛函定義為基于區(qū)域信息和邊界信息的能量泛函加權(quán)和能量泛函己知，由變分原理^ =-30，最小化能量泛函得到兩個(gè)水平集函數(shù)的活動輪廓演化方程:<formula>formula see original document page 7</formula>設(shè)E。-E-aE,+;SE,,根據(jù)活動輪廓演化方程，計(jì)算新的水平集函數(shù)F 4>2)，并根據(jù)新的水平集函數(shù)計(jì)算此時(shí)的能量泛函E-aE,+ 如果￡<￡。，令E。 = ￡并根據(jù)此時(shí)的水平集函數(shù)繼續(xù)迭代計(jì)算；如果￡>￡。，計(jì)算結(jié)束，得到了SAR圖像的分割結(jié)果。附圖5給出了四組不同方位的坦克圖像分割過程，(a)為初始分割圖像，由圖可以看出本圖像共 由3個(gè)區(qū)域組成，要得到正確的分割結(jié)果需要兩個(gè)水平集函數(shù)。由分割結(jié)果圖(b)可以看出，使用 本方法可以精確的分割出坦克和陰影區(qū)域，根據(jù)分割結(jié)果可以識別出坦克的位置和方向，為后續(xù)的 圖像處理提供了方便。為圖(b)各個(gè)區(qū)域設(shè)定不同的均值，分別獲得分割結(jié)果的均值表示圖像，如 圖(c)、 (d)、 (e)所示。由附圖5(f)可以看出，整個(gè)分割過程共需迭代200次左右，平均需時(shí)36S， 分割速度快。同理，本發(fā)明的SAR圖像分割方法適用于多區(qū)域的圖像分割。在附圖6中，給山了對多區(qū)域分 割的實(shí)施例。圖像數(shù)據(jù)為NASA/JPL (National Aeronautics and Space Administration/Jet Propulsion Laboratory,美國國家宇航局/噴氣推進(jìn)實(shí)驗(yàn)室)提供，AIRSAR (空載地面感測雷達(dá))獲取的Flevoland 地區(qū)機(jī)載SAR圖像。圖像尺寸為262x177，包含9個(gè)獨(dú)立區(qū)域，有比較嚴(yán)巫的相干斑噪盧。附圖 6(g)為初始輪廓。附圖6(h)為分割結(jié)果，迭代次數(shù)為650次。附圖6(i)為分割結(jié)果的均值表示。由附 圖6可以看出，利用本方法在不需耍對相千斑噪盧進(jìn)行預(yù)處理的情況下，實(shí)現(xiàn)了對多I^域原始SAR 圖像的正確分割。以分割結(jié)果為基礎(chǔ)，對不同K域進(jìn)行了分類，分類結(jié)果如附圖6(j)、 (k)、 (1)、 (m)所示，按照各區(qū)域的概率分布將9個(gè)區(qū)域分為4類。這為SAR圖像不同地物類型的分類提供了一種 簡單有效的方法。根據(jù)本發(fā)明的SAR圖像分割方法，對SAR圖像實(shí)行精確的分割是可行的，即使含有大量噪聲的 SAR圖像也可以正確分割。而且，在不知道圖像區(qū)域數(shù)目時(shí)也可以完成自動分割，因此分割速度快, 適用性強(qiáng)。該分割方法可以應(yīng)用于所有紋理圖像分割中。
權(quán)利要求
1、一種基于水平集的SAR圖像分割方法，其特征在于包括以下步驟根據(jù)接收機(jī)得到的SAR回波信號，通過RD成像算法得到含有斑點(diǎn)噪聲的SAR圖像，計(jì)算與SAR圖像強(qiáng)度分布相關(guān)的混合概率模型；根據(jù)SAR圖像的混合概率模型，計(jì)算滿足公式g＝exp(-pe)的邊緣檢測算子；由測地活動輪廓模型并結(jié)合邊緣檢測算子，計(jì)算SAR圖像基于邊界信息的能量泛函；根據(jù)SAR圖像的混合概率模型和極大似然準(zhǔn)則，計(jì)算基于區(qū)域信息的能量泛函，將分割模型定義為基于區(qū)域信息和邊界信息的能量泛函的加權(quán)和；采用變分方法最小化上述能量泛函，得到分割曲線的演化方程，并用水平集方法求解演化方程，將曲線的演化轉(zhuǎn)換為曲面演化，獲得SAR圖像的分割結(jié)果。
2、 根據(jù)權(quán)利要求1所述的一種基于水平集的SAR圖像分割方法，其特征在于在計(jì)算邊緣檢測算子的過程中， 根據(jù)SAR圖像紋理特征的分布，確定圖像中每個(gè)像素點(diǎn)^x,力的概率值，由^jc，j);)的左右鄰域是(否)屬于相同類型的區(qū)域概率，計(jì)算像素點(diǎn)s(;c,y)處于區(qū)域邊界的概率/7e(x,:y)，圖像中像素點(diǎn)s(x，力分別取四個(gè)方向水平、垂直和兩個(gè)對角線方向的窗口鄰域，/JeCr,y)取四個(gè)概率的最大值，由g-exp(-A)得到SAR圖像的邊緣 檢測算子。
3、 根據(jù)權(quán)利要求1所述的一種基于水平集的SAR圖像分割方法，其特征在于基于邊界信息的能量泛函模型為^jrj;砟g(^，力)血辦。
4、 根據(jù)權(quán)利要求1所述的一種基于水平集的SAR圖像分割方法，其特征在于計(jì)算基于統(tǒng)計(jì)特征的能量泛函 模型，根據(jù)SAR圖像J的混合概率模型和極大似然準(zhǔn)則，目標(biāo)點(diǎn)屬于區(qū)域Q，圖像概率模型的似然函數(shù)L(/IQ)取得最大值，等價(jià)于-log(i(/lQ"的最小化，將基于區(qū)域信息的能量泛函定義為
5、根據(jù)權(quán)利要求1所述的一種基于水平集的SAR圖像分割方法，其特征在于將分割模型定義為基于區(qū)域信 息和邊界信息的能量泛函的加權(quán)和
6、根據(jù)權(quán)利要求1所述的一種基于水平集的SAR圖像分割方法，其特征在于采用變分原理最小化能量泛函， 得到曲線的演化方程，并使用水平集方法求解<formula>formula see original document page 2</formula>水平集函數(shù)整個(gè)迭代過程為
全文摘要
一種基于水平集的合成孔徑雷達(dá)(SAR)圖像分割方法，涉及雷達(dá)遙感應(yīng)用技術(shù)。該方法包含以下程序根據(jù)接收機(jī)得到SAR回波信號，計(jì)算SAR圖像混合概率模型；根據(jù)混合概率模型計(jì)算邊緣檢測算子；由測地活動輪廓模型結(jié)合邊緣檢測算子得到基于邊界信息的能量泛函；計(jì)算基于區(qū)域信息的能量泛函，將分割模型定義為基于區(qū)域信息和邊界信息的能量泛函加權(quán)和；采用變分方法最小化分割模型，以獲得SAR圖像的分割結(jié)果。本發(fā)明由于用水平集方法將曲線運(yùn)動轉(zhuǎn)化為曲面運(yùn)動，在圖像分割中即使目標(biāo)邊界分裂或者合并，曲面的拓?fù)浣Y(jié)構(gòu)不改變，同時(shí)本發(fā)明不需要噪聲的預(yù)處理過程，提高了SAR圖像的分割精度和適用性。
文檔編號G01S13/00GK101221239SQ20081004526
公開日2008年7月16日 申請日期2008年1月25日 優(yōu)先權(quán)日2008年1月25日
發(fā)明者吳婉瀾, 龐伶俐, 曹宗杰, 楊曉波, 王海江, 皮亦鳴, 銳 閔 申請人:電子科技大學(xué)