本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種基于條件隨機場的極化SAR圖像道路提取方法。

背景技術(shù)：

合成孔徑雷達(Synthetic Aperture Radar,SAR)圖像具有極強的現(xiàn)實應(yīng)用，如測繪，遙感，城市規(guī)劃，農(nóng)業(yè)和災(zāi)害預防。與原來的單一極化的SAR相比，極化SAR顯示出在數(shù)據(jù)的應(yīng)用程序上的能力，并且能夠獲得更豐富的目標信息，以及對完全偏振光散射機制的鑒定。它采用主動成像原理，實現(xiàn)全天候?qū)δ繕说倪B續(xù)跟蹤，不受天氣和照明的影響。其中SAR圖像解譯應(yīng)用，道路提取具有十分重要的研究意義，因為線性指標(包括道路，橋梁，脊線，沿海線)由于奇散射將在SAR圖像中呈現(xiàn)為較暗的區(qū)域。

從SAR圖像進行道路提取一般分為兩步：局部道路候選段檢測和全局道路網(wǎng)絡(luò)優(yōu)化。對于局部路段檢測，可用不同的檢測算子從局部像素獲得候選段，如傳統(tǒng)的邊緣檢測、形態(tài)學算子。對于全局道路網(wǎng)優(yōu)化，可由先驗信息約束提供全局選擇技術(shù)。如Tupin等人提出通過D1和D2操作的兩步技術(shù)提取局部候選段，然后在局部候選段建立馬爾可夫隨機場(MRF)實現(xiàn)全局道路的網(wǎng)絡(luò)優(yōu)化。

傳統(tǒng)的基于線性檢測算子的方法，是通過SAR圖像的局部特征來獲得道路的片段。由于SAR圖像的斑點噪聲，需通過全局優(yōu)化以改進局部結(jié)果。候選道路段的全局選擇本質(zhì)上是利用上下文信息類別的標識過程，即每條道路的候選段標記為道路或噪聲。馬爾科夫隨機場(MRF)是利用上下文信息，最大限度地降低全局損失函數(shù)，這是一種對分類結(jié)果產(chǎn)生積極影響的方法。然而，MRF需要估計標簽和數(shù)據(jù)的聯(lián)合分布，并涉及數(shù)據(jù)的分布，因此總是難以實現(xiàn)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對極化SAR圖像道路提取問題，提出一種基于條件隨機場模型的方法，實現(xiàn)了多尺度的道路提取，并在統(tǒng)一的框架內(nèi)進行推斷學習。

本發(fā)明的技術(shù)方案提供一種基于條件隨機場的極化SAR圖像道路提取方法，構(gòu)建一個條件隨機場框架實現(xiàn)道路提取，包括以下步驟，

步驟1，利用多尺度線狀目標檢測算子MLFD對輸入SAR圖像構(gòu)建金字塔，獲得多尺度的圖像金字塔；

步驟2，通過CRF基于步驟1所得結(jié)果進行建模，引入上下文信息，實現(xiàn)如下，

設(shè)給定圖像I，x表示觀測數(shù)據(jù)，y表示標號集合，記I＝{x₁,x₂,...,x_M}；設(shè)i表示圖像所有塊集合S＝{1,2,...,M}中的一個子塊，觀測數(shù)據(jù)對應(yīng)為x_i；設(shè)j表示塊i的鄰域集合N_i中的一塊，給定數(shù)據(jù)x時標號y的后驗概率由指數(shù)形式給出如下，

式中，φ(x)表示對觀測數(shù)據(jù)x進行特征映射，A_i(.)和I_ij(.)分別是單元勢函數(shù)和成對勢函數(shù)，A_i(.)表示給定觀測數(shù)據(jù)x_i時相應(yīng)塊i被標記為y_i的期望，I_ij(.)描述塊i和塊j之間的相互影響；φ_i(x)將塊i的觀測數(shù)據(jù)x_i映射到特征空間向量；μ(φ_i(x),φ_j(x))是成對塊(i,j)的新特征向量；Z(φ(x))是歸一化常數(shù)，表示如下，

步驟3，單元勢函數(shù)A_i(y_i,φ_i(x))通過logistic函數(shù)來建模，表示如下，

式中，h_i(x)表示第i個二進方塊的特征矩陣，由MLFD的響應(yīng)值構(gòu)成，T_n(m_i)表示該方塊在尺度n下的MLFD最大響應(yīng)值；w＝[w₁,w₂,…,w_K,α₁]^T是模型參數(shù)，包含特征h_i(x)的各項權(quán)重；

步驟4，根據(jù)成對勢函數(shù)I_ij(y_i,y_j,μ(φ_i(x),φ_j(x)))，設(shè)定采用Beamlet分解方式尋找最優(yōu)劃分；

步驟5，采用相關(guān)約束來對道路的基元進行編組和標記，描述成對勢函數(shù)，合并從全局數(shù)據(jù)x中得到的信息，表達如下式，

I_ij(y_i,y_j,μ(φ_i(x),φ_j(x)))＝y(tǒng)_iy_jv^Tμ_ij(x) (1)

式中，v＝[v₁,v₂,…,v_m]^T表示特征矩陣μ_ij(x)中每維特征的權(quán)重參數(shù)，m表示聯(lián)合特征μ_ij(x)的維度，μ_ij(x)是塊i和塊j的聯(lián)合特征；

步驟6，對特征矩陣進行統(tǒng)一的歸一化處理。

而且，步驟5中，所述相關(guān)約束包括夾角距離、橫向距離、端點距離、臨近度和曲率連接。

而且，步驟6中，歸一化處理采用閾值局部化方式。

而且，采用L-BFGS優(yōu)化算法訓練單元勢特征的參數(shù)w和成對勢特征的參數(shù)v。

而且，所述多尺度線狀目標檢測算子MLFD，將圖像迭代地分割成2×2塊，構(gòu)建圖像金字塔，在每一層上提取圖像特征，合并不同層次的特征用于模型優(yōu)化。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明構(gòu)建了一個條件隨機場框架實現(xiàn)道路提取，可實現(xiàn)先驗與似然之間的交互，同時可實現(xiàn)相互學習互動和事先可能性信息相互學習。在此框架中：1)多尺度線狀目標檢測算子(MLFD)提供道路段中有效的似然信息來獲取道路結(jié)構(gòu)的稀疏表示；2)局部相鄰段連接用若干個幾何先驗關(guān)系來描述；3)圖像金字塔的構(gòu)建引入多尺度信息，使單元勢和成對勢可在統(tǒng)一框架中進行推斷和優(yōu)化。應(yīng)用本發(fā)明技術(shù)方案進行道路提取的效率高，精度好，適于推廣使用。

附圖說明

圖1是本發(fā)明實施例的原理圖；

圖2是本發(fā)明實施例中步驟1的示意圖，其中圖2(a)為構(gòu)建金字塔示意圖、圖2(b)為MLFD算法掩膜示意圖，圖2(c)為多尺度應(yīng)用示意圖；

圖3是本發(fā)明實施例步驟4的5種相關(guān)約束示意圖，其中圖3(a)為夾角距離約束示意圖，圖3(b)為橫向距離約束示意圖，圖3(c)為端點距離約束示意圖，圖3(d)為臨近度約束示意圖，圖3(e)為曲率連接約束示意圖。

具體實施方式

本發(fā)明針對極化SAR圖像，結(jié)合極化特征、多分辨率信息以及統(tǒng)計特性，提出一種基于條件隨機場的極化SAR圖像道路提取方法。

以下根據(jù)附圖和實施例詳細說明本發(fā)明的技術(shù)方案。

條件隨機場(CRF)模型是判別圖模型，該模型訓練和推理過程使用整個圖像現(xiàn)有標簽可能性和后驗概率分布，具有實現(xiàn)精確和穩(wěn)健的標記結(jié)果的優(yōu)勢，本發(fā)明基于條件隨機場模型實現(xiàn)道路檢測。本發(fā)明實施例提供的技術(shù)方案原理如圖1所示，包括輸入SAR圖像，經(jīng)多尺度檢測算子得到多尺度的圖像金字塔，進行單元勢提取得到MLFD框架及單元勢中的似然；然后進行成對勢提取，基于子束分析、先驗約束和成對勢，構(gòu)建模型，獲得條件隨機場模型，基于模型提取道路，獲取道路提取結(jié)果。

以下分步說明具體實現(xiàn)方式：

步驟1利用多尺度線狀目標檢測算子MLFD對輸入SAR圖像構(gòu)建金字塔，獲得多尺度的圖像金字塔。

優(yōu)選地，基于Ratio相關(guān)檢測器(Ratio表示比例)和Wedgelet多尺度分析(Wedgelet表示楔波變換)，使用多個掩膜濾波器將圖像分成不同的勻質(zhì)區(qū)域來檢測局部線條片段，利用多分辨率方法擴展掩膜寬度的選擇范圍，并自適應(yīng)改變掩膜大小和中心區(qū)域的寬度與方向，綜合考慮局域上下文的統(tǒng)計和幾何屬性，如圖2(c)所示。

MLFD將圖像迭代地分割成2×2塊，構(gòu)建圖像金字塔，如圖2(a)所示。在每一層上提取圖像特征，合并不同層次的特征用于模型優(yōu)化。其中特征提取細節(jié)是將局部圖像塊分成三塊區(qū)域，如圖2(b)所示，包括區(qū)域1、2、3，掩膜表示為(v₁,v₂,w,μ₁,μ₂,μ₃)，其中v₁,v₂是中間區(qū)域的中心線端點，w是中間區(qū)域的寬度，μ₁,μ₂和μ₃分別表示3個不同區(qū)域的均值，即各區(qū)域超像素塊數(shù)據(jù)的平均值region1、region2、region3，由下式計算得到

式(2)中，p為區(qū)域i的像素點，i＝1,2,3；A_p是像素點p的幅值，n_i為區(qū)域i內(nèi)的像素點個數(shù)。用l表示中間區(qū)域的長度，η表示統(tǒng)一性系數(shù)，則MLFD的響應(yīng)值為

式(3)中，m表示待檢測區(qū)域的模板中心線，r和ρ分別是D1算子和D2算子的響應(yīng)值，計算公式由下式給出

式(4)中，參數(shù)c_ij＝μ_i/μ_j，γ_i和γ_j分別表示區(qū)域i和j的方差系數(shù)。參數(shù)η用于評估中間區(qū)域的連續(xù)性。此時，i＝1，j＝2,3；即中間參數(shù)r_ij包括r₁₂,r₁₃，中間參數(shù)ρ_ij包括ρ₁₂,ρ₁₃。

MLFD線狀目標檢測算法是通過將圖像分解成不同尺度且不重疊的二進區(qū)域完成的，分解后的二進區(qū)域集合C滿足下式

式(5)中，m:s表示檢測模板m在二進區(qū)域s上，#C表示集合C中的對象數(shù)目，λ為復雜性懲罰系數(shù)，表征二進區(qū)域的分解精度。采用樹裁剪方法求解上式，將圖像分解為一系列邊長相等的二進方塊，尺度n的方塊被分解為2×2的尺度為n+1方塊，直到最大尺度n_max，最終形成一顆完全四叉樹。例如用一個2×2的窗，以步長為1進行滑動，那么n_max＝n-2+1。所有子塊使用式(5)計算響應(yīng)值

式(6)中，T_n-1(m_p)表示尺度為n-1的某一方塊的最大響應(yīng)值，T_n(m_i)表示該方塊的4個子塊中第i個子塊的最大響應(yīng)值，其尺度為n。保存最大值以及對應(yīng)的檢測模板，得到道路基元若上式成立，則保留四個子塊的響應(yīng)值和對應(yīng)的道路基元，否則刪除子塊，保留父二進塊，并更新其響應(yīng)值為四個子塊的最大響應(yīng)值之和。重復裁剪直到根，則保留下來的子塊滿足上式。

步驟2與所有的圖模型一樣，CRF能根據(jù)提供的樣本和樣本特征等數(shù)據(jù)給分類結(jié)果提供精確決策，并為標號域計算出分配概率。CRF同時結(jié)合描述模型和判別模型，構(gòu)建描述樣本之間關(guān)系的判別函數(shù)，只對在給定樣本數(shù)據(jù)時的標號場進行后驗概率建模。

經(jīng)步驟1對原圖像進行分割后，步驟2對步驟1中的結(jié)果進行建模，即通過CRF引入上下文信息。

給定圖像I，x表示觀測數(shù)據(jù)，y表示標號集合，則I＝{x₁,x₂,...,x_M}，即圖像由M個超像素塊的觀測數(shù)據(jù)x_i(一小部分像素點的觀測數(shù)據(jù)集合)構(gòu)成，x＝1,2,...,M；為便于標記起見，設(shè)i表示圖像所有塊集合S＝{1,2,...,M}中的一個子塊(超像素塊)，其觀測數(shù)據(jù)對應(yīng)為x_i；j表示塊i的鄰域集合N_i中的一個塊。給定數(shù)據(jù)x時標號y的后驗概率可由指數(shù)形式給出

式(7)中，φ(x)表示對觀測數(shù)據(jù)x進行特征映射，即對x進行特征提取；A_i(.)和I_ij(.)分別是單元勢函數(shù)和成對勢函數(shù)，A_i(.)表示給定觀測數(shù)據(jù)x_i時塊i被標記為y_i的期望，I_ij(.)描述塊i和塊j之間的相互影響。φ_i(x)將塊i的觀測數(shù)據(jù)x_i映射到特征空間向量；μ(φ_i(x),φ_j(x))是成對塊(i,j)的新特征向量。Z(φ(x))是歸一化常數(shù)，可表示如下，

CRF用于建模分類的條件概率即P(y|φ(x))，該條件概率中的參數(shù)通過訓練樣本學習得到；得到該條件概率模型后，輸入需要分類的樣本，分類標簽為使得該條件概率最大的標簽。

步驟3本發(fā)明中單元勢函數(shù)A_i(y_i,φ_i(x))通過logistic函數(shù)來建模，表示如下

式(9)中_，h_i(x)表示第i個二進方塊的特征矩陣，由多尺度MLFD的響應(yīng)值構(gòu)成，T_n(m_i)表示該方塊在尺度n下的MLFD最大響應(yīng)值。w＝[w₁,w₂,…,w_K,a₁]^T是模型參數(shù)，包含特征h_i(x)的各項權(quán)重。

步驟4因為需要首先將輸入圖像進行劃分成方塊，然后將方塊間的相關(guān)信息通過CRF建模，本發(fā)明針對成對勢函數(shù)的建立，提出方塊的劃分是通過Beamlet實現(xiàn)的：

成對勢函數(shù)I_ij(y_i,y_j,μ(φ_i(x),φ_j(x)))決策塊i和塊j之間的空間相互作用，影響的強度取決于觀測數(shù)據(jù)x。在已有的圖模型研究中，統(tǒng)計物理學中的Ising或Potts模型在區(qū)域建模中得到廣泛應(yīng)用，通過參數(shù)調(diào)整可實現(xiàn)對局部屬性的較好描述。

在CRF道路提取框架中，成對勢函數(shù)所需的先驗信息使用子束波分析框架獲取，并引入該框架下局部鄰域內(nèi)道路基元之間的多種約束信息，充分利用CRF靈活設(shè)計成對勢函數(shù)特征矩陣的特點，塊與塊之間的局部上下文關(guān)系利用道路基元的長度、曲率和交叉距離等先驗信息來設(shè)計成對勢函數(shù)，以用于本發(fā)明對道路和噪聲的二分類任務(wù)。

子束波(Beamlet)是一種多分辨率圖像分析框架，在此框架下，線段扮演的角色類似于點在小波分析中的扮演的角色。Beamlet鏈提供對平面上曲線的最優(yōu)稀疏逼近表示，Beamlet圖結(jié)構(gòu)以圖像的像素為頂點，連接每一對像素作為邊，其基于鄰域Beamlet系數(shù)尋找最優(yōu)的全局優(yōu)化算法。

Beamlet基元基于二進方塊，連接方塊邊界上的任意兩點形成，邊界的長度則決定基元的尺度。產(chǎn)生過程如下：首先對樣本圖像塊進行二進剖分，在尺度0≤n≤N的二進方形集合中，對于K ≥0，固定一個分辨率量δ＝2^-N-K，即將每個正方形一直分割到最小尺度；然后在每個二進方塊中，從右上角開始順時針沿邊界旋轉(zhuǎn)，相隔距離δ標記出等間隔的定點，則在邊長為2^-n的方塊中，存在M_n＝4·2^K·2^N-n個頂點；最后在正方形中連接任意一對頂點，即形成一條Beamlet基元。

離散Beamlet變換的響應(yīng)由下式給出

式(10)中，g(p)是像素p的灰度值，b為Beamlet基元，l(b)為該基元的長度，即基元上像素點的個數(shù)。給定一幅圖像，將圖像劃分為一系列二進方塊，每個方塊用一個Beamlet基表示，Beamlet分解則是尋找最優(yōu)劃分

式(11)中，P表示所有可能的劃分，λ為復雜性懲罰系數(shù)，#p表示該劃分中二進方塊的數(shù)目，b～s表示beamlet基b在方塊s上，λ決定分割的精細程度，值越小能得到越多的細節(jié)，較大λ則可降低噪聲，獲取提取目標的輪廓。

步驟5SAR圖像路網(wǎng)提取中，道路基元之間的上下文聯(lián)系，如交叉角度距離、曲率、端點距離、臨近度等參數(shù)，為全局優(yōu)化提供有效的先驗信息。本發(fā)明實施例使用了如下的幾種相關(guān)約束來對道路的基元進行編組和標記。

(1)夾角距離：該關(guān)系檢測兩條基元的交叉夾角(可能是線段的延長線)，如圖3(a)所示，由下式定義

D^a＝min(θ,π-θ) (12)

式(12)中，θ₁和θ₂是兩條基元的切線角，可由線條的兩端點計算得到，取值范圍在(-π/2,π/2]。

(2)橫向距離：道路的局部區(qū)域內(nèi)的基元線條應(yīng)該有較近的橫向距離，該距離測量短線條的中點到長線條的垂直距離。橫向距離如圖3(b)所示，可表示為

D^t＝D/L

(13)

式(13)中，L是長線條的長度，D是短線條的中點到長線條的垂直距離。

(3)端點距離：與橫向距離類似，道路基元應(yīng)與其鄰域內(nèi)基元之間有較小的端點距離。設(shè)d是兩條線條的端點之間最小的交叉距離，L是長線條的長度，如圖3(c)所示，則端點距離可寫成

D^e＝d/L

(14)

(4)臨近度：兩條基元線條的端點之間的臨近度反映基元之間的感知靈敏度，決策毗鄰基元應(yīng)該鄰接的程度。計算示意圖如圖3(d)，可用式子表示為

P＝L²/2πR²

(15)

式(15)中，L是兩條道路片段中長度最小者，R是兩條線條的端點之間最小的交叉距離，類似端點距離計算公式中的距離d。

(5)曲率連接：曲率連接描述片段之間的結(jié)構(gòu)信息，該關(guān)系決定道路片段被連接成光滑曲線的權(quán)重。如圖3(e)，可用式子表示為

式(16)中，α和β分別是連接片段在連接點處與兩片段的夾角，ε₁和ε₂分別是連接片段的平滑度的權(quán)重和對連接點之間的距離R的權(quán)重。

本發(fā)明使用泛化的Ising模型來描述成對勢函數(shù)，合并從全局數(shù)據(jù)x中得到的信息，可寫成下式

I_ij(y_i,y_j,μ(φ_i(x),φ_j(x)))＝y(tǒng)_iy_jv^Tμ_ij(x) (17)

式(17)中，v＝[v₁,v₂,…,v_m]^T表示特征矩陣μ_ij(x)中每維特征的權(quán)重，m表示聯(lián)合特征μ_ij(x)的維度，μ_ij(x)是塊i和塊j的聯(lián)合特征。

步驟6已提取道路的不同特征和約束信息，這些信息獲取道路的不同屬性，但對道路的特性具有統(tǒng)一的描述。為了避免CRF在訓練過程中出現(xiàn)數(shù)值不平穩(wěn)，需要對特征矩陣進行統(tǒng)一的歸一化處理。一般而言，歸一化過程需要選擇閾值，該值可能被設(shè)置為全局常數(shù)，但是更為高效的算法是閾值局部化，在測試點的鄰域內(nèi)尋找最佳閾值參數(shù)，局部化閾值使得特征與鄰域相似的點被標記和保留。

本發(fā)明實施例中對夾角距離D^a、橫向距離D^t和端點距離D^e進行二值化處理，每個二值化過程均與對應(yīng)的局部鄰域均值(4連接鄰域)比較。塊i與其鄰域塊內(nèi)道路基元之間的夾角距離平均值由下式計算

式(18)中，N_i表示塊i的鄰域塊集合，塊k是N_i中的塊，是塊i和塊k內(nèi)道路基元的夾角距離，num(N_i)是集合N_i內(nèi)塊的數(shù)目。

考慮到道路的延展平滑性，局部塊間道路基元的夾角距離D^a、橫向距離D^t和端點距離D^e應(yīng)該具有較小值，因而具體實施時可設(shè)置由實驗得到的經(jīng)驗閾值T_a，如果塊i與塊j的夾角距離與局部平均值的絕對差小于T_a，則保留該夾角信息，否則刪除，該夾角距離可表示為

根據(jù)經(jīng)驗閾值T_t和T_e，可求得二值化的橫向距離和端點距離

對臨近度P_ij和曲率連接C_ij，由于圖像中存在如立交橋等曲線道路，而曲線和直線的曲率變化存在較大差異，因而本發(fā)明對P_ij和C_ij的后處理，使用鄰域平均值對兩者進行歸一化，而不進行二值化處理，如下式

這里給出成對勢函數(shù)式中的聯(lián)合特征μ_ij(x)，其包含塊i和塊j的特征矩陣h_i(x)和h_j(x)，以及步驟5提到的5種先驗約束信息，則μ_ij(x)可表示為

式(22)中，0<n≤N，N的大小指方塊邊界的長度，該長度決定了基元的尺度；x_nij＝f(h_ni(x),h_nj(x))，其中h_ni(x)和h_nj(x)分別是塊i和塊j的第n維特征，x_nij是h_ni(x)和h_nj(x)的函數(shù)關(guān)系f(.,.)，由兩者的比率決定，同時設(shè)置一個固定的由實驗得到的b，將x_nij歸一化到[0,1]，可表示如下

式(23)中，參數(shù)r₁,r₂可表示為

本發(fā)明使用現(xiàn)有L-BFGS優(yōu)化算法來訓練CRF模型中單元勢特征參數(shù)w和成對勢特征參數(shù)v，推理過程則由現(xiàn)有迭代信度傳遞LBP算法來測試樣本的標號。具體實施時可采用計算機軟件技術(shù)實現(xiàn)自動道路提取。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。