本發(fā)明涉及一種基于超像素的區(qū)域合并sar圖像海岸線檢測算法，屬于海岸線檢測領(lǐng)域。

背景技術(shù)：

合成孔徑雷達是一種主動式微波探測器，利用合成孔徑原理、信號處理方法和脈沖壓縮技術(shù)，通過較小尺寸的真實天線孔徑合成較大的等效天線孔徑來成像。sar圖像已廣泛應用于戰(zhàn)略目標的識別探測、災害控制、國土資源監(jiān)測、海域使用管理、地圖測繪、船艦目標識別、礦產(chǎn)勘探、農(nóng)作物生長監(jiān)測等領(lǐng)域并發(fā)揮重要作用。在海域使用管理中，海岸線檢測是一個重要環(huán)節(jié)，通過檢測海岸線可以監(jiān)測海岸帶變化。由于填海造地、江河泥沙堆積等原因，使得海岸線不斷發(fā)生變化，能夠長期監(jiān)測海岸線的變化，對海域使用的動態(tài)監(jiān)測具有一定實際意義。但由于相干斑、海風和陸地環(huán)境的復雜性等因素，使得海岸線檢測具有較大難度。當海面或者陸地不均勻時,已有的區(qū)域合并海岸線檢測算法容易出現(xiàn)無法合并的小區(qū)域，且需要人為設(shè)定合并的閾值。

技術(shù)實現(xiàn)要素：

本發(fā)明針對以上問題的提出，一種基于超像素的區(qū)域合并sar圖像海岸線檢測算法，其特征在于包括如下步驟：

s1：讀取合成孔徑雷達sar(syntheticapertureradar)圖像i，輸入k個超像素的種子點；

s2：根據(jù)所述種子點的數(shù)量k和圖像的寬m和高n，計算種子點的位置；

s3：遍歷所述合成孔徑雷達圖像i，根據(jù)鄰域點j和種子點的相對位置關(guān)系確定鄰域點局部窗和種子點局部窗的形狀；所述鄰域點j是指位于中心點i的2像素×2像素的局部窗內(nèi)，分別計算出種子點局部窗和鄰域點局部窗內(nèi)鄰域點和中心點的相似程度si,j；

s4：在鄰域點和中心點的局部窗內(nèi)對所述鄰域點均值和中心點均值的相似程度si,j在局部窗內(nèi)采用聚類算法求得ci，所述集合選取si,j接近1的鄰域點j作為和中心點i屬于同一類的點，這些點的集合即ci，并計算各中心點i的均值和集合ci中每一個點均值的標準差作為中心點的特征；

s5：計算鄰域點j和其周圍每一個種子點的di,j；將鄰域點j合并di,j最小的種子點中，并更新種子點i的特征和位置；所述合并鄰域點j分配和中心點i相同的標簽即兩者屬于同一類；

s6：重復步驟s3-s5直至所有點的類別都不在發(fā)生變化；

s7：計算超像素的像素均值，超像素內(nèi)像素數(shù)量和超像素內(nèi)像素的標準差；遍歷所述圖像i，計算出超像素i和超像素j之間的相似性di,j和兩個超像素的相似性判斷的閾值e，當di,j小于e的大小時合并超像素的區(qū)域；

s8：重復步驟s7，直到迭代前后超像素不再合并，則輸出海岸線檢測結(jié)果。

進一步的，所述種子點的位置計算為：

在計算結(jié)果5像素×5像素的局部窗內(nèi)選擇梯度最小的像素為所述圖像i的一種子點。

進一步的，所述si,j

其中，i表示中心點，j表示鄰域點，μ(xi,yi)表示i局部鄰域內(nèi)的均值，μ(xj,yj)表示j局部鄰域內(nèi)的均值。

進一步的，所述dci,j

dci,j＝||(μi,σi)^t-(μj,σj)^t||

其中，μi表示第i類超像素的均值，σi表示第i類超像素標準差，μj表示第j類超像素的均值，σj表示第j類超像素標準差，m表示dci,j與dsi,j之間的權(quán)重系數(shù)，s表示第一次選取種子點時，兩個種子點之間的距離，t表示向量的轉(zhuǎn)置，xi表示超像素i中心點的行坐標，xj表示超像素j中心點的行坐標，yi表示超像素i中心點的列坐標，yj表示超像素j中心點的列坐標。

進一步的，均值μ和每一個點局部窗內(nèi)均值的標準差σ為：

其中，ci表示種子點第二類類像素的集合，n表示ci中像素的個數(shù)，μs(xj,yj)表示(xj,yj)處像素局部窗內(nèi)的均值，表示集合ci中所有μs的均值。

進一步的，所述更新種子點i的特征和位置為：

其中，s表示像素的位置，ls表示s處像素的標簽值，ys表示s的列坐標，表示更新后種子點的列坐標，m表示第i類超像素中種子點的數(shù)量。更新后種子點的行坐標如下式：

其中，xs表示s的行坐標，ls表示s處像素的標簽值，m表示第i類超像素中種子點的數(shù)量，表示更新后種子點的行坐標。

進一步的，所述超像素i和超像素j之間的相似性di,j：

其中，和表示超像素i和超像素j內(nèi)所有像素的均值，iter表示迭代次數(shù)，

其中，ni表示超像素i中像素的個數(shù)，nj表示超像素j中像素的個數(shù)，e表示的是兩個超像素的相似性判斷的閾值，

其中，和的表示超像素i和超像素j的均值，cj的表示鄰域超像素j對于中心超像素i的權(quán)重系數(shù)，

z1和z2表示超像素i和超像素j的統(tǒng)計量，

和表示超像素i和超像素j的標準差。

更進一步的，當所述si,j的值越接近于1時，則中心點i和鄰域點j相似性越大；當si,j的值越接近于0時，則中心點i和鄰域點j相似性越小。

本發(fā)明的優(yōu)點在于：本發(fā)明提出一種基于超像素的區(qū)域合并sar圖像海岸線檢測算法，通過構(gòu)建一個新的局部窗，可以有效的解決傳統(tǒng)矩形窗中因含有邊緣導致計算出的特征模糊的問題，通過該局部窗構(gòu)建一個相似性描述子，使得提取出的特征更加精確，使得超像素的邊緣貼合度更高。以超像素為基元，提出一種區(qū)域合并準則，該準則同時考慮了超像素的像素均值、相對大小和統(tǒng)計量信息，再根據(jù)鄰域信息得到確定局部閾值，解決了已有算法中需要人為設(shè)置閾值的問題。

附圖說明

為了更清楚的說明本發(fā)明的實施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖做一簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明的整體流程圖。

圖2為本發(fā)明的局部窗的形狀示意圖。

圖3為本發(fā)明的檢測海岸線示意圖。

具體實施方式

為使本發(fā)明的實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚完整的描述：

如圖1、圖3所示，一種基于超像素的區(qū)域合并sar圖像海岸線檢測算法，包括如下步驟：

s1：讀取合成孔徑雷達sar(syntheticapertureradar)圖像i，輸入k個超像素的種子點；

s2：根據(jù)種子點的數(shù)量k和圖像的寬m和高n，計算種子點的位置；

s3：遍歷合成孔徑雷達圖像i，根據(jù)鄰域點j和種子點的相對位置關(guān)系確定鄰域點局部窗和種子點局部窗的形狀；鄰域點j是指位于中心點i的2像素×2像素的局部窗內(nèi)，分別計算出種子點局部窗和鄰域點局部窗內(nèi)鄰域點和中心點的相似程度si,j；

s4：在鄰域點和中心點的局部窗內(nèi)對鄰域點均值和中心點均值的相似程度si,j在局部窗內(nèi)采用聚類算法求得ci，集合選取si,j接近1的鄰域點j作為和中心點i屬于同一類的點，這些點的集合即ci，并計算各中心點的均值和集合ci中每一個點均值的標準差作為中心點的特征；

s5：計算鄰域點j和其周圍每一個種子點的di,j；將鄰域點j合并di,j最小的種子點中，并更新種子點i的特征和位置；合并鄰域點j分配和中心點i相同的標簽即兩者屬于同一類；

s6：重復步驟s3-s5直至所有點的類別都不在發(fā)生變化；

s7：計算超像素的像素均值，超像素內(nèi)像素數(shù)量和超像素內(nèi)像素的標準差；遍歷圖像i，計算出超像素i和超像素j之間的相似性di,j和兩個超像素的相似性判斷的閾值e，當di,j小于e的大小時合并超像素的區(qū)域；

s8：重復步驟s7，直到迭代前后超像素不再合并，則輸出海岸線檢測結(jié)果。

在本實施方式中，種子點的位置計算為：

在計算結(jié)果5像素×5像素的局部窗內(nèi)選擇梯度最小的像素為圖像i的一種子點。在本實施方式中，如圖2(a)-(h)所示，局部窗的形狀其中b所在的3像素×3像素的局部窗是種子點的，a所在的3像素×3像素的局部窗是鄰域點的，種子點和鄰域點的局部窗是可以重合的，鄰域點局部窗中含a的像素形成的集合是鄰域點局部窗的形狀，中心點局部窗內(nèi)含b的像素形成的集合即中心點的局部窗。即中心點和鄰域點的局部窗不再是固定大小的3像素×3像素的局部窗而是變成了根據(jù)鄰域點和中心點的相對位置關(guān)系形成的三角形和矩形?？梢岳斫鉃樵谄渌麑嵤┓绞街?，只要能夠在一定程度上剔除邊緣對計算中心點或鄰域點特征的影響即可。

在本實施方式中，si,j

其中，i表示中心點，j表示鄰域點，μ(xi,yi)表示i局部鄰域內(nèi)的均值，μ(xj,yj)表示j局部鄰域內(nèi)的均值。

作為優(yōu)選的實施方式，dci,j

dci,j＝||(μi,σi)^t-(μj,σj)^t||

其中，μi表示第i類超像素的均值，σi表示第i類超像素標準差，μj表示第j類超像素的均值，σj表示第j類超像素的標準差，m表示dci,j與dsi,j之間的權(quán)重系數(shù)，s表示第一次選取種子點時，兩個種子點之間的距離，t表示向量的轉(zhuǎn)置，xi表示超像素i中心點的行坐標，xj表示超像素j中心點的行坐標，yi表示超像素i中心點的列坐標，yj表示超像素j中心點的列坐標。

在本實施方式中，均值μ和每一個點局部窗內(nèi)均值的標準差σ為：

其中，ci表示種子點第二類類像素的集合，n表示ci中像素的個數(shù)，μs(xj,yj)表示(xj,yj)處像素局部窗內(nèi)的均值，表示集合ci中所有μs的均值。

作為優(yōu)選的實施方式，更新種子點i的特征和位置為：

其中，s表示像素的位置，ls表示s處像素的標簽值，ys表示s的列坐標，表示更新后種子點的列坐標，m表示第i類超像素中種子點的數(shù)量。更新后種子點的行坐標如下式：

其中，xs表示s的行坐標，ls表示s處像素的標簽值，m表示第i類超像素中種子點的數(shù)量，表示更新后種子點的行坐標。

作為優(yōu)選的實施方式，超像素i和超像素j之間的相似性di,j：

其中，和表示超像素i和超像素j內(nèi)所有像素的均值，iter表示迭代次數(shù)，

其中，ni表示超像素i中像素的個數(shù)，nj表示超像素j中像素的個數(shù)，e表示的是兩個超像素的相似性判斷的閾值，

其中，和的表示超像素i和超像素j的均值，cj的表示鄰域超像素j對于中心超像素i的權(quán)重系數(shù)，

z1和z2表示超像素i和超像素j的統(tǒng)計量，

和表示超像素i和超像素j的標準差。

在本實施方式中，當si,j的值越接近于1時，則中心點i和鄰域點j相似性越大；當si,j的值越接近于0時，則中心點i和鄰域點j相似性越小?？梢岳斫鉃樵谄渌麑嵤┓绞街校灰軌騾^(qū)分中心點i和鄰域點j的相似性即可。

實施例參數(shù)設(shè)置：

本發(fā)明的參數(shù)設(shè)置為：種子數(shù)k為300,dc與ds之間的權(quán)重系數(shù)m為0.5，超像素的最大迭代次數(shù)為10，局部窗的大小是3×3，區(qū)域合并的最大合并次數(shù)為7。

gamma分布水平集方法的參數(shù)設(shè)置為：最大迭代次數(shù)是10000，弧長項系數(shù)μ為0.4，heaviside函數(shù)的幅度為1，c1和c2的權(quán)值均為1，時間步長為0.1。

基于目標的區(qū)域合并算法參數(shù)設(shè)置為：粗合并類別數(shù)k為10，置信度λ為0.9。

實施例：

算法性能對比主要采用均方根誤差rmse和qa(overallaccuracy)作為精度分析指標，首先進行rmse對比，其計算公式如下：

其中rmse代表了手繪海岸線與各種算法提取海岸線的平均誤差，x1k表示人工手繪得到的海岸線提取結(jié)果的二值圖中第k個位置像素的像素值。x2k表示上述理論模型得到的海岸線提取結(jié)果的二值圖中第k個位置像素的像素值，n表示圖像像素數(shù)。rmse值越小說明與真實的海岸線越接近，精度越高。

針對envisat圖像，算法的rmse對比如表1所示。

表1針對envisat圖像的三種算法rmse對比

根據(jù)rmse表達式可知，rmse值越小說明模型檢測結(jié)果和真實的海岸線結(jié)果越接近，水平集的方法和區(qū)域合并的方法并不能檢測出海岸線的真實位置，而本發(fā)明算法可實現(xiàn)海岸線精確的檢測，通過rmse值可以看出本專利算法檢測性能明顯優(yōu)于兩種對比算法，針對radarsat圖像，算法的rmse對比如表2所示。

表2針對radarsat圖像的三種算法rmse對比

從上述實驗數(shù)據(jù)可以看出對于radarsat圖像中對于海面比較均勻且海陸對比度比較大的圖像，三種算法均能實現(xiàn)較好的實驗結(jié)果，從rmse值可以看出本發(fā)明算法的性能要優(yōu)于其它兩種對比算法。

下面本專利采用性能指標qa(overallaccuracy)作為以上三種算法的性能評價標準，其表達式為：

其中，x1s表示人工手繪海岸線結(jié)果s位置像素的標簽值，x2s表示實驗得到的海岸線結(jié)果s位置像素的標簽值，m表示圖像的像素數(shù)，s表示圖像位置集合。其含義是正確分類的像素占整體的百分比，其中參考標準是人工確定的海岸線。當qa的值越大，說明得到的海岸線越精確。實驗圖像與前一性能對比實驗相同，針對envisat圖像，qa的性能指標如表3所示。

表3針對envisat圖像的三種算法qa對比

針對radarsat圖像，qa的性能指標如表4所示。

表4針對radarsat圖像的三種算法qa對比

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。