專利名稱：一種具有空間自適應(yīng)性的極化sar圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，更具體的涉及ー種具有空間自適應(yīng)性的極化合成孔徑雷達(dá)(SAR)圖像分割方法。
背景技術(shù)：
相比與傳統(tǒng)的合成孔徑雷達(dá)(SAR)，極化SAR利用多個通道的散射信息，可以獲得對目標(biāo)更加全面的認(rèn)識。經(jīng)過幾十年的發(fā)展，極化SAR的理論和應(yīng)用研究都取得了巨大進(jìn)步，各種極化SAR系統(tǒng)平臺獲取了大量的地面數(shù)據(jù)，對這些多極化數(shù)據(jù)進(jìn)行分析和解譯已經(jīng)成為近年的研究熱點。而圖像分割正是其中非常關(guān)鍵的ー個步驟，由于嚴(yán)重的相干斑噪聲的影響，極化SAR圖像的分割十分困難。基于邊緣檢測的方法和基于像素聚類的方法對 極化SAR圖像進(jìn)行分割時往往需要確定經(jīng)驗閾值，極易受到相干斑噪聲的影響，缺乏靈活性和魯棒性，通常不能形成連續(xù)的邊界，無法獲得有效的區(qū)域信息。雖然可以通過圖像預(yù)處理(濾波等)和后處理改善分割效果，但是并不能從根本上解決上述問題。而基于區(qū)域的分割方法結(jié)合圖像中像素的各種特征信息，充分利用像素的空間相關(guān)性，能夠有效的抑制相干斑噪聲的影響。這類方法中最具代表性的是基于Markov隨機(jī)場的分割方法?；贛RF的方法是ー種能夠有效利用像素結(jié)構(gòu)信息的分割方法，這類方法基于圖像數(shù)據(jù)的局部相關(guān)性，用一個ニ維隨機(jī)場描述圖像模型。它假定待分割圖像的像素只與其鄰域內(nèi)的像素相關(guān)，與鄰域外的像素?zé)o關(guān)。基于該假設(shè)可定量計算圖像局部的先驗結(jié)構(gòu)信息，并參與到最大后驗概率(MAP)或最大后驗邊緣概率(MPM)準(zhǔn)則的分割處理，從而能有效地利用像素結(jié)構(gòu)信息，得到較好的分割精度。吳永輝等人利用極化數(shù)據(jù)的目標(biāo)協(xié)方差矩陣和相干矩陣服從復(fù)Wishart分布，將MRF與Wishart分布相結(jié)合,提出了一種基于Wishart-MRF的極化SAR圖像分割方法。該方法先將極化SAR圖像分割為大量互不重疊的矩形子區(qū)域，然后將MRF與描述協(xié)方差矩陣的Wishart分布結(jié)合起來，利用MAP準(zhǔn)則和ICM算法調(diào)整子區(qū)域的形狀和大小，從而充分利用極化SAR數(shù)據(jù)的統(tǒng)計先驗知識和相鄰像素的空間相關(guān)性，使分割效果較好的符合地物分類情況。該方法具有較高的分割精度，分割結(jié)果中孤立像素少，圖像連通性較好，但是缺點也十分明顯。該方法沒有考慮圖像中場景復(fù)雜度的變化，在初始分割中對圖像采取統(tǒng)一的矩形分塊，在MRF中采用全局的能量平滑系數(shù)，因此分割不具備空間的自適應(yīng)性，對圖像中的復(fù)雜區(qū)域分割效果較差。

發(fā)明內(nèi)容
本發(fā)明目的是針對現(xiàn)有的極化SAR圖像分割方法在空間自適應(yīng)性方面的不足之處，以提高極化SAR圖像分割的準(zhǔn)確性，提供了一種結(jié)合了 H/a-ML Wishart聚類、四叉樹分解和Wishart-MRF的極化SAR圖像分割方法。該方法的基本思路是先利用H/ a -MLWishart聚類將極化SAR圖像按照不同的極化散射類型分為8類，得到初始聚類結(jié)果。在此基礎(chǔ)上結(jié)合四叉樹分解得到大量互不重疊、大小不等，具有空間自適應(yīng)性的正方形子區(qū)域，最后利用Wishart-MRF對子區(qū)域的形狀和大小進(jìn)行調(diào)整,從而實現(xiàn)極化SAR圖像的精確分割。本發(fā)明提供的具有空間自適應(yīng)性的極化SAR圖像分割方法包括以下具體步驟步驟I，預(yù)處理，即對極化SAR圖像做多視處理和Lee濾波，降低圖像中的相干斑噪聲。步驟2，初始聚類，對步驟I中得到的濾波后的極化SAR圖像做如下處理步驟2-1，Η/α分類，對濾波圖像的極化相干矩陣T做極化目標(biāo)分解，分別計算極化熵H和平均散射角α，利用H和α將極化SAR圖像按照不同的極化散射類型分成8類；步驟2-2，基于像素的最大似然(ML)分類，將步驟2-1中的Η/α分類結(jié)果作為訓(xùn)練樣本送入ML分類器，分別計算第X類中所有元素的極化相干矩陣的平均值Vx，X= {1，2··· 8}。然后根據(jù)如下公式，計算極化SAR圖像每一個像素i處的相干矩陣T與Vx的相異性d(T, Vx)，對圖像進(jìn)行重新分類./(/', ) = Iii I H-7/'^//')其中Tr( ·)代表矩陣的跡，像素i的類別由最小的d(T，Vx)決定。最后將分類結(jié)果再次作為訓(xùn)練樣本送入ML分類器進(jìn)行迭代分類，直到分類結(jié)果趨于穩(wěn)定為止，即迭代前后的分類結(jié)果中每ー個像素對應(yīng)的類別標(biāo)號不再發(fā)生改變；步驟2-3，多數(shù)投票，即根據(jù)步驟2-2中的分類結(jié)果，在每ー個像素的鄰域內(nèi)進(jìn)行多數(shù)投票，以決定該像素最終的類別，由此可以消除分類結(jié)果中的異常值，得到最終的初始聚類圖，也就是極化SAR圖像分類結(jié)果圖。步驟3，四叉樹分解，即對步驟2得到的極化SAR圖像分類結(jié)果圖做四叉樹分解，具體做法是將分類圖像分為相同大小的四塊，判斷每ー塊內(nèi)所有像素的類別標(biāo)簽是否一致，同時判斷檢查塊的大小是否達(dá)到設(shè)定閾值。若判斷結(jié)果為否，則將每一塊再次分解為相同大小的子塊；若判斷結(jié)果為是，則停止分解。步驟4，軟分割，主要是對步驟3得到的每ー塊分割區(qū)域進(jìn)行大小和形狀調(diào)整，具體做法如下步驟4-1，計算同質(zhì)性協(xié)同參數(shù)Ch，在步驟2-3得到的初始聚類結(jié)果圖上的每一點處定義ー個矩形窗，該點為矩形中心，分別計算窗口內(nèi)屬于每ー類的像素個數(shù)占窗口內(nèi)像素總數(shù)的百分比，取其中的最大值作為該點處的參數(shù)Ch, Ch用來衡量這一點處矩形窗內(nèi)的區(qū)域同質(zhì)性，以對下一歩MRF模型中的空間平滑系數(shù)β進(jìn)行自適應(yīng)的調(diào)整。步驟4-2，將復(fù)Wishart分布與MRF相結(jié)合，利用最大后驗概率(MAP)準(zhǔn)則和條件迭代模式(ICM)算法對步驟3得到的四叉樹分解結(jié)果進(jìn)行迭代調(diào)整，使得調(diào)整后的分割結(jié)果更好地符合地物的實際分布。研究表明多視極化相干矩陣T服從復(fù)Wishart分布
權(quán)利要求
1.ー種具有空間自適應(yīng)性的極化SAR圖像分割方法，其特征在于，包括以下步驟 步驟I，預(yù)處理操作； 步驟2，初始聚類操作對步驟I中得到的濾波后的極化SAR圖像做初始聚類處理，得到極化SAR圖像分類結(jié)果圖； 步驟3，四叉樹分解操作對步驟2得到的極化SAR圖像分類結(jié)果圖做四叉樹分解，具體步驟為將分類圖像分為相同大小的四塊，判斷每ー塊內(nèi)所有像素的類別標(biāo)簽是否一致，同時判斷檢查塊的大小是否達(dá)到設(shè)定閾值，若判斷結(jié)果為否，則將每一塊再次分解為相同大小的子塊，若判斷結(jié)果為是，則停止分解； 步驟4，軟分割操作，主要是對步驟3得到的每ー塊分割區(qū)域進(jìn)行大小和形狀調(diào)整； 步驟5，后處理操作，將不符合預(yù)先設(shè)定要求的分割塊與其鄰域內(nèi)散射特性最為接近的分割塊進(jìn)行融合，得到最終的極化SAR圖像分割結(jié)果。
2.根據(jù)權(quán)利要求I所述的ー種具有空間自適應(yīng)性的極化SAR圖像分割方法，其特征在·于，步驟I所述的預(yù)處理操作，是對極化SAR圖像做多視處理和Lee濾波，降低圖像中的相干斑噪聲。
3.根據(jù)權(quán)利要求I所述的ー種具有空間自適應(yīng)性的極化SAR圖像分割方法，其特征在于，步驟2的初始聚類處理具體包括如下步驟 步驟2-1，H/α分類，得到H/α分類結(jié)果； 步驟2-2，基于像素的最大似然分類，直到分類結(jié)果趨于穩(wěn)定為止； 步驟2-3，多數(shù)投票，根據(jù)步驟2-2中的分類結(jié)果，在每ー個像素的鄰域內(nèi)進(jìn)行多數(shù)投票，以決定該像素最終的類別，由此可以消除分類結(jié)果中的異常值，得到極化SAR圖像分類結(jié)果圖。
4.根據(jù)權(quán)利要求3所述的ー種具有空間自適應(yīng)性的極化SAR圖像分割方法，其特征在干，步驟2-1所述的H/ α分類，是對濾波圖像的極化相干矩陣T做極化目標(biāo)分解，分別計算極化熵H和平均散射角α，利用H和α將極化SAR圖像按照不同的極化散射類型分成8類。
5.根據(jù)權(quán)利要求4所述的ー種具有空間自適應(yīng)性的極化SAR圖像分割方法，其特征在干，步驟2-1所述利用H和α將極化SAR圖像分成8類，該8類是有序ニ面角、有序植被、有序地表面、ニ面角、植被、地表面、隨機(jī)植被和隨機(jī)地表面。
6.根據(jù)權(quán)利要求3所述的ー種具有空間自適應(yīng)性的極化SAR圖像分割方法，其特征在于，所述的基于像素的最大似然分類，是將步驟2-1中的Η/α分類結(jié)果作為訓(xùn)練樣本送入ML分類器，分別計算第X類中所有元素的極化相干矩陣的平均值Vx，X= {1，2...8}，然后根據(jù)如下公式，計算極化SAR圖像每一個像素i處的相干矩陣T與Vx的相異性d(T，Vx)，對圖像進(jìn)行重新分類d(r,FJ = ln|F」+ rr(匕-1 Γ) 其中Tr( ·)代表矩陣的跡，像素i的類別由最小的d(T，Vx)決定，最后將分類結(jié)果再次作為訓(xùn)練樣本送入ML分類器進(jìn)行迭代分類，直到分類結(jié)果趨于穩(wěn)定為止。
7.根據(jù)權(quán)利要求I所述的ー種具有空間自適應(yīng)性的極化SAR圖像分割方法，其特征在于，步驟4的軟分割處理具體包括如下步驟 步驟4-1，計算同質(zhì)性協(xié)同參數(shù)Ch，在步驟2得到的極化SAR圖像分類結(jié)果圖上的每ー點處定義ー個矩形窗，該點為矩形中心，分別計算窗口內(nèi)屬于每ー類的像素個數(shù)占窗口內(nèi)像素總數(shù)的百分比，取其中的最大值作為該點處的參數(shù)Ch, Ch用來衡量這一點處矩形窗內(nèi)的區(qū)域同質(zhì)性； 步驟4-2，將復(fù)Wishart分布與MRF相結(jié)合，利用最大后驗概率準(zhǔn)則和條件迭代模式算法對步驟3得到的四叉樹分解結(jié)果進(jìn)行迭代調(diào)整，使得調(diào)整后的分割結(jié)果更好地符合地物的實際分布，假設(shè)四叉樹分解最終將整張圖像劃分為K個子區(qū)域，結(jié)合復(fù)Wishart分布與MRF,根據(jù)最大后驗概率準(zhǔn)則和區(qū)域同質(zhì)性協(xié)同參數(shù)CH，在每一次的條件迭代調(diào)整中，第i個像素所屬分割區(qū)域的標(biāo)號為
全文摘要
本發(fā)明提供一種具有空間自適應(yīng)性的極化SAR圖像分割方法，主要解決現(xiàn)有的分割技術(shù)在空間復(fù)雜度自適應(yīng)性上的不足導(dǎo)致分割結(jié)果無法體現(xiàn)圖像細(xì)節(jié)信息的問題。該方法首先結(jié)合H/α-ML Wishart聚類和四叉樹分解得到大小不等、能夠自適應(yīng)場景復(fù)雜度的初始分割區(qū)域，然后利用復(fù)Wishart分布和馬爾科夫隨機(jī)場(MRF)對初始分割區(qū)域的大小和形狀進(jìn)行調(diào)整，得到最終的分割結(jié)果。本發(fā)明充分有效利用了極化SAR圖像的極化信息，具有良好的空間自適應(yīng)性，分割結(jié)果能夠很好的保留極化SAR圖像中的細(xì)節(jié)信息，分割速度較快，結(jié)果較為精確。
文檔編號G06T7/00GK102722883SQ20121011153
公開日2012年10月10日 申請日期2012年4月16日 優(yōu)先權(quán)日2012年4月16日
發(fā)明者于秋則, 劉興釗, 周雨浩, 柳彬, 浮瑤瑤, 胡昊, 郁文賢 申請人:上海交通大學(xué)