基於形狀補全區域圖和特徵編碼的sar圖像分割方法
2023-05-30 22:37:11 3
基於形狀補全區域圖和特徵編碼的sar圖像分割方法
【專利摘要】本發明公開了一種基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，解決了SAR圖像區域的封閉性提取的技術問題。本發明首先使用SAR圖像初始素描模型獲取素描圖；用基於形狀的素描線補全的區域圖提取方法獲取區域圖；將區域圖映射到原SAR圖像空間，得到聚集區域、勻質區域和結構區域；聚集區域特徵學習及層次聚類；勻質區域特徵學習及層次聚類；結構區域分割；將聚集區域、勻質區域與結構區域的結果合併，標記線目標，得到最終的SAR圖像分割結果。本發明能夠獲得到封閉性、同質性更好的勻質區域提取，對區域所使用的特徵學習與聚類方法也能很好的實現聚集區域和勻質區域的進一步聚類，可用於SAR圖像的分割。
【專利說明】基於形狀補全區域圖和特徵編碼的SAR圖像分割方法
【技術領域】
[0001]本發明屬於圖像處理【技術領域】，涉及SAR圖像的區域提取方法，具體是一種基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，可用於SAR圖像的分割。
【背景技術】
[0002]SAR圖像分割是SAR圖像處理與解譯中的關鍵環節之一。在SAR圖像的成像過程中，由於地物的高低以及成像角度的不同，導致地物聚集區域在SAR圖像中呈現出明暗交錯變化的特性°《Local maximal homogenous reg1n search for SAR speckle reduct1nwith sketch-based geometrical kernel funct1n》提出的 SAR 圖像的素描圖是 SAR 圖像的一種稀疏表示，它以素描線的形式刻畫了 SAR圖像中的灰度變化信息。《基於Primal素描圖和語義信息分類的SAR圖像分割》提出的基於語義信息的素描線分類方法將SAR圖像初始素描圖中的素描線分為表示聚集的素描線和表示邊界、線目標與孤立目標的素描線兩類。進而，上述文獻又使用基於區域生長的線段集合求解方法和基於形態學的區域提取方法提取到了完整的聚集區域，從而克服了現有的SAR圖像分割方法無法完整的分割聚集區域的缺陷。
[0003]不過，由於SAR圖像成像過程中相干斑的影響，單一閾值的素描圖還是無法準確完整的表示邊界，其在閾值較大的情況下只會在強邊緣的地方有響應，在閾值較低的情況下則會出現很多的偽邊緣。因此已有的區域提取方法無法很好的提取到閉合的勻質區域。
[0004]特徵學習常用於自然圖像的分類，現有的一些特徵學習框架如詞袋模型和深度學習模型都可以很好的學習出各個類別的模式，從而用於分類。目前也存在一些現有的工作將特徵學習用於SAR圖像的分割中，它們主要是對過分割的小區域進行特徵提取與學習。但是過分割的小區域只包含完整地物的某一局部信息，最終也就無法很好的把同一類的區域分到一起。
【發明內容】
[0005]本發明提出了一種新的基於形狀的素描線補全的區域圖提取方法用於SAR圖像的分割，很好的解決了上述已有方法在區域提取方面遇到的勻質區域不閉合的問題。然後，對於提取到的各個區域，使用特徵學習的方法得到各個區域的表示，並使用層次聚類的方法得到各個區域的類別指定。
[0006]本發明是一種基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，其特徵在於，包括有如下步驟:
[0007]步驟1.輸入待分割的SAR圖像，利用SAR圖像的初始素描模型得到輸入圖像的素描圖。
[0008]步驟2.採用基於形狀的素描線補全的區域圖提取方法得到輸入圖像的區域圖。
[0009]步驟3.根據得到的區域圖將待分割的SAR圖像映射為聚集區域、勻質區域和結構區域，其中聚集區域和勻質區域都包含多個區域。
[0010]步驟4.使用基於LLC編碼的詞袋模型對屬於聚集區域的各個區域進行特徵學習，並在此基礎上進行層次聚類得到聚集區域的聚類結果。
[0011]步驟5.同樣，使用基於LLC編碼的詞袋模型對屬於勻質區域的各個區域進行特徵學習，並在此基礎上進行層次聚類得到勻質區域的聚類結果。
[0012]步驟6.對於結構區域，使用基於MRF的分割方法得到結構區域中邊界、線目標以及孤立目標所在的位置，同時根據空間上的一致連通性得到若干個小區域，即將結構區域劃分成若干個小區域，從而得到結構區域的分割結果。
[0013]步驟7.使用基於空間近鄰和灰度均值的策略合併聚集區域、勻質區域和結構區域的結果，首先，將屬於結構區域中的小區域的類標標記為空間上相鄰的已聚類區域的類標，然後，將結構區域中剩下的既不與聚集區域相鄰又不與勻質區域相鄰的小區域的類標標記為灰度均值最相近的已聚類區域的類標。
[0014]步驟8.根據素描圖中的素描線信息標記線目標，從而得到最終的SAR圖像分割結果O
[0015]本發明的實現還在於:其中步驟2所提出的基於形狀的素描線補全的區域圖提取方法，包括有如下步驟:
[0016]2.1.對素描圖中的素描線進行聚集度分析，如果存在聚集的素描線，進行步驟
2.2 ;如果不存在聚集的素描線，則跳至步驟2.4。
[0017]2.2.分別標記聚集的素描線和代表邊界、線目標以及獨立目標的素描線。
[0018]2.3.利用聚集區域提取方法在素描圖上得到覆蓋所有聚集素描線的區域，並標註該區域。
[0019]2.4.對於代表邊界、線目標以及獨立目標的素描線，提出基於形狀的素描線補全方法得到素描線補全結果及劃分的區域，並標註該區域。
[0020]2.5.對於補全後的素描線，以每條線上每個點為中心提取5X5的幾何結構窗作為結構區域，並標記該區域。
[0021]2.6.綜合上述區域提取結果，得到了整幅圖像的區域圖。
[0022]本發明的實現還在於:其中步驟2.4所提出的基於形狀的素描線補全方法，包括有如下步驟:
[0023]2.4.1.對素描圖中除聚集區域以外的每條素描線，進行如下過程，對當前素描線的一個端點P1，首先在其5*5的方形鄰域內查找是否有其它素描線的端點，若有，從中選擇最長素描線的端點，並使用線段將Pl與最長素描線的端點進行連接，然後對新連接的這個最長素描線的另一個端點，繼續執行這個過程，直到端點5*5方形鄰域內沒有新的素描線端點為止；對於當前素描線的另一個端點P2，重複和Pl —樣的過程；
[0024]2.4.2對經過步驟2.4.1連接後的素描線按照長度進行排序，然後按照長度從大到小的順序判斷素描線是否是L形狀或U形狀的素描線，這裡判斷L形狀或U形狀的素描線的方法是從一個端點Pl到另一個端點P2遍歷組成素描線的線段，並記錄相鄰線段的方向差值的絕對值，如果方向差值的絕對值超過閾值a的次數發生一次，該素描線就是L形狀的素描線；如果方向差值的絕對值超過閾值a的次數發生兩次，該素描線就是U形狀的素描線；然後對L形狀或U形狀的素描線，執行步驟2.4.3 ;
[0025]2.4.3.判斷當前L形狀或U形狀素描線的端點Pl在低閾值素描圖中相應位置的自適應窗口鄰域內是否有其它素描線的端點，如果有，按照如下策略選擇一個端點Tl，gpTl所在素描線的另一個端點T2與當前素描線的另一個端點P2的距離最近且用線段連接後只會形成一個封閉區域，然後對選擇的素描線的端點T2，繼續該過程，直至端點自適應窗口鄰域範圍內沒有新的素描線端點為止；對於當前素描線的端點P2,重複和端點Pl —樣的過程。
[0026]綜上所述，本發明首先利用SAR圖像的初始素描圖得到輸入圖像的素描圖；其次，利用基於形狀的素描線補全的區域圖提取方法得到區域圖；然後，將得到的區域圖映射到原SAR圖像空間得到聚集區域、勻質區域和結構區域；緊接著，對聚集區域和勻質區域分別進行特徵學習和層次聚類得到區域的聚類結果；對結構區域進行則使用基於MRF的分割方法得到結構區域的分割結果；最終，合併聚集區域、勻質區域和結構區域的結果，得到整個SAR圖像分割結果。
[0027]本發明與現有技術相比，具有如下優點:
[0028]1.能夠對素描圖中的素描線進行進一步的補全，形成了更長且有助於形成封閉區域的素描線，從而提取到封閉性、同質性更好的勻質區域。
[0029]素描圖是SAR圖像的一種稀疏表示，其中的素描線刻畫了 SAR圖像中的明暗變化的信息。通過對素描線的聚集性分析，可以把素描圖中的素描線分為兩類，第一類是聚集的素描線，第二類是表示邊界、線目標與孤立目標的素描線。由於相干斑等SAR圖像本身特性的影響，素描圖中的第二類素描線往往會出現斷裂等現象。而本發明充分利用農田等地物區域的形狀先驗信息和多閾值素描圖間的素描線信息，利用貪婪的思想迭代的連接素描線，從而對第二類素描線進行了補全操作，實現了對勻質區域的劃分。
[0030]2.通過對屬於聚集區域和勻質區域的各個區域分別進行特徵學習和層次聚類，實現了聚集區域和勻質區域的進一步細分，獲取了各個地物區域的類別信息。
[0031]本發明在獲取區域圖之後，將之映射到SAR圖像中得到了聚集區域、勻質區域和結構區域。其中聚集區域和勻質區域都包含有多塊區域，通過基於LLC編碼的詞袋模型分別對屬於聚集區域和勻質區域的各個區域進行特徵學習，並在此基礎上進行層次聚類，從而實現了對聚集區域和勻質區域的進一步細分，獲取了各個地物區域的類別信息。
【專利附圖】
【附圖說明】
[0032]圖1是本發明的功能模塊邏輯關係示意圖；
[0033]圖2是本發明中基於形狀的素描線補全的區域圖提取方法的流程圖；
[0034]圖3是本發明中基於形狀的素描線補全方法的流程圖；
[0035]圖4是本發明中對PIPERIVER提取得到的素描圖結果圖；
[0036]圖5是本發明中使用素描線聚集度分析得到的素描線分類結果圖；
[0037]圖6是本發明中經過素描線連接之後的結果圖；
[0038]圖7是本發明中L形素描線判定及連接方法找到其中兩個L形素描線及其連接結果圖；
[0039]圖8是本發明中基於形狀的素描線補全方法的結果圖；
[0040]圖9是本發明中基於形狀的素描線補全的區域圖提取方法提取得到的區域圖；
[0041]圖10是本發明中聚集區域的區域聚類結果圖；
[0042]圖11是本發明中勻質區域的區域聚類結果圖；
[0043]圖12是本發明中結構區域的分割結果圖；
[0044]圖13是本發明的SAR圖像分割最終的結果圖。
【具體實施方式】
[0045]下面結合實施例和附圖對本發明作進一步說明。
[0046]實施例1
[0047]參照圖1，本發明的實施步驟如下:
[0048]步驟1.對於輸入的SAR圖像,仿真實驗中使用的piperiver圖像,如圖6所示,利用SAR圖像的初始素描圖提取得到其素描圖。提取的步驟如下:
[0049]首先，對原始SAR圖像使用一組圖像基元字典構成的濾波器進行濾波，融合濾波結果並進行非極大值抑制得到一個未處理的素描圖；然後對未處理的素描圖進行一種貪心追蹤方法順序添加新的圖像基元形成線段輪廓從而得到未修復的素描圖；最後，在未修復的素描圖的基礎上依據格式塔聚集原理加入空間約束，並且使用一組圖形學中的操作算子對未修復的素描圖中的素描線進行修復和修正，最終得到圖像結構部分的稀疏表示結果，即輸入圖像的素描圖。
[0050]步驟2.在素描圖的基礎上使用基於形狀的素描線補全的區域圖提取方法得到待分割的整幅SAR圖像的區域圖。參照圖2，區域圖提取的具體步驟為:
[0051](2.1)對初始素描圖中的素描線進行聚集度分析。如果存在聚集的素描線，進行步驟(2.2);如果不存在聚集的素描線，則跳至步驟(2.4)。
[0052](2.2)分別標記素描圖中的聚集素描線和代表邊界、線目標以及獨立目標的素描線。
[0053](2.3)利用聚集區域提取方法在素描圖上得到覆蓋所有聚集素描線的區域，並標註該區域為聚集區域。
[0054](2.4)對於代表邊界、線目標以及獨立目標的素描線，使用基於形狀的素描線補全方法得到劃分的區域，並標註該區域為無線段區域。
[0055](2.5)對於補全後的素描線，以每條線上每個點為中心提取5X5的幾何結構窗作為結構區域，並標記該區域。
[0056](2.6)綜合上述區域提取結果，得到了基於素描線補全的整幅圖像的區域圖。
[0057]步驟3.根據得到的區域圖將待分割的SAR圖像映射為聚集區域、勻質區域和結構區域，其中聚集區域和勻質區域都包含多個區域，該實施例中聚集區域提取了 8塊，勻質區域提取了 15塊。
[0058]步驟4.使用基於局域線性約束稀疏編碼(LLC)的詞袋模型對屬於聚集區域中像素個數大於200的區域進行特徵學習，得到這些區域的表示。然後使用層次聚類分別對這些區域進行聚類。然後對於像素個數小於等於200的小區域，根據灰度均值和方差將這些小區域的類標指定為與其最相似的已聚類的聚集區域的類標。上述過程中特徵學習的具體步驟為:
[0059]首先對區域內的所有樣本點，提取12維GLCM特徵，包括4個方向的3種二階統計特性(對比度、能量和同質性)；然後使用kmeans對所有聚集區域(或無素描線區域)內的所有樣本點的GLCM特徵進行聚類得到256維的字典；然後將每個樣本點的GLCM特徵在該字典下進行LLC編碼，從而將一個12維的特徵向量轉化為一個256維的向量；最後對每個區域分別在區域範圍內進行樣本點特徵的mean-pooling操作,從而得到每個區域的特徵表示。
[0060]步驟5.以相同的方式使用基於局域線性約束稀疏編碼(LLC)的詞袋模型對屬於勻質區域的像素數大於200的區域進行特徵學習和層次聚類。然後對於像素數小於等於200的勻質區域，根據灰度均值將這些小區域的類標指定為與其最相似的已聚類的勻質區域的類標。
[0061]本發明通過對屬於聚集區域和勻質區域的各個區域分別進行特徵學習和層次聚類，實現了聚集區域和勻質區域的進一步細分，獲取了各個地物區域的類別信息。
[0062]步驟6.對於結構區域，使用基於MRF的分割方法得到結構區域中邊界、線目標以及孤立目標所在的位置，同時根據空間上的一直連通性得到了若干個區域，本實施例中將結構區域劃分了 863個小區域，從而得到結構區域的分割結果。
[0063]步驟7.合併聚集區域、勻質區域和結構區域的結果。具體是使用已聚類的聚集區域和勻質區域的類標對結構區域中的小區域進行標記，首先，將屬於結構區域中的小區域的類標標記為空間上相鄰的已聚類區域的類標，然後，將結構區域中剩下的既不與聚集區域相鄰又不與勻質區域相鄰的小區域的類標標記為灰度均值最相近的已聚類區域的類標。
[0064]步驟8.根據素描圖中的素描線信息標記線目標，從而得到最終完整的SAR圖像分割結果。
[0065]本發明中的區域圖提取方法不僅可以提取到完整的聚集區域，還可以得到同質性更好的勻質區域；對聚集區域和勻質區域中的各個區域分別進行特徵學習與層次聚類操作還可以進一步得到聚集區域和勻質區域的類別信息，最終得到的SAR圖像分割結果也更準確。
[0066]實施例2
[0067]基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，同實施例1，其中，基於形狀的素描線補全方法的具體步驟參照圖3可表述為:
[0068]2.4.1.對素描圖中除聚集區域以外的每條素描線，進行如下過程，對當前素描線的一個端點P1，首先在其5*5的方形鄰域內查找是否有其它素描線的端點，若有，從中選擇最長素描線的端點，並使用線段將Pl與最長素描線的端點進行連接，然後對新連接的這個最長素描線的另一個端點，繼續執行這個過程，直到端點5*5方形鄰域內沒有新的素描線端點為止。當5*5方形鄰域內沒有新的素描線端點時，對於當前素描線的另一個端點P2，重複和Pl —樣的過程。
[0069]2.4.2對經過步驟2.4.1連接後的素描線按照長度進行排序，然後按照長度從大到小的順序判斷素描線是否是L形狀或U形狀的素描線，這裡判斷L形狀或U形狀的素描線的方法是從一個端點即Pl到另一個端點即P2遍歷組成素描線的線段，並記錄相鄰線段的方向差值的絕對值，如果方向差值的絕對值超過閾值a的次數發生一次，該素描線就是L形狀的素描線；如果方向差值的絕對值超過閾值a的次數發生兩次，該素描線就是U形狀的素描線；然後對L形狀或U形狀的素描線，執行步驟2.4.3。
[0070]2.4.3.判斷當前L形狀或U形狀素描線的端點Pl在低閾值素描圖中相應位置的自適應窗口鄰域內是否有其它素描線的端點，如果有，按照如下策略選擇一個端點Tl，gpTl所在素描線的另一個端點T2與當前素描線的另一個端點P2的距離最近且用線段連接後只會形成一個封閉區域，然後對選擇的素描線的端點T2，繼續該過程，直至端點自適應窗口鄰域範圍內沒有新的素描線端點為止；對於當前素描線的端點P2,重複和端點Pl —樣的過程。
[0071]本發明中的基於形狀的素描線補全方法利用貪心的思想向外連接素描線，可以有效的連接斷開的素描線並形成封閉區域，從而實現了對勻質區域的劃分。
[0072]實施例3
[0073]基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，同實施例1-2，其中步驟7的合併策略具體為:
[0074](7.1)對於結構區域中的各個小區域，首先根據空間近鄰關係，如果與某一聚集區域相鄰且像素數小於200，則將其歸置到相應的聚集區域中；如果與某一勻質區域相鄰且灰度均值相差不超過25，則將其歸置到相應的勻質區域中。
[0075](7.2)對剩下未標記的小區域，如果像素數大於36，根據灰度均值將該區域的類標指定為最相似的已標記區域的類標；如果像素數小於等於36，直接將其歸置到空間最近的區域中。
[0076]實施例4
[0077]基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，同實施例1-3，其中步驟8中標記線目標的具體步驟為:
[0078](8.1)考察素描圖中的素描線，挑選出長度大於30且有平行關係的素描線，將之標定為表示線目標的素描線。
[0079](8.2)考察長度大於30的素描線在原SAR圖像中5X5鄰域內的灰度變化趨勢，若灰度出現兩次突變，也將此處的素描線標定為表示線目標的素描線，這樣，就可以在上述表示線目標的素描線所覆蓋的原SAR圖像的空間位置處標記為線目標。
[0080]實施例6
[0081]基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，同實施例1-5，為了更好的理解本發明，更簡練的講，還可以這樣描述，實現本發明的技術方案是:首先，利用SAR圖像的初始素描模型得到輸入圖像的素描圖；其次，利用基於形狀的素描線補全的區域圖提取方法得到區域圖；然後，將得到的區域圖映射到原SAR圖像空間得到聚集區域、勻質區域和結構區域；緊接著，對聚集區域和勻質區域分別進行特徵學習和層次聚類得到區域的聚類結果；對結構區域進行則使用基於MRF的分割方法得到結構區域的分割結果；最終，合併聚集區域、勻質區域和結構區域的結果，得到整個SAR圖像分割結果。具體步驟如下:
[0082](I)利用SAR圖像的初始素描圖得到輸入圖像的素描圖；
[0083](2)使用一種基於形狀的素描線補全的區域圖提取方法得到區域圖，本發明在圖像分割過程中引入該方法，充分利用了實際地物的形狀先驗信息以及多閾值素描圖間的素描線鄰域空間關係信息，如圖11(a)所示，在原先並不封閉的農田區域得到了編號為9，12，13，14，15等封閉區域；
[0084](3)根據得到的區域圖將原SAR圖像映射為聚集區域、勻質區域和結構區域；
[0085](4)使用基於LLC編碼的詞袋模型對屬於聚集區域的各個區域進行特徵學習，並在此基礎上進行層次聚類得到聚集區域的聚類結果，該特徵學習方法可以學習出聚集區域間的可分性信息，如圖10(b)所示，8塊聚集區域進一步聚成了 2類；
[0086](5)同樣，使用基於LLC編碼的詞袋模型對屬於勻質區域的各個區域進行特徵學習，並在此基礎上進行層次聚類得到勻質區域的聚類結果，該特徵學習方法可以學習出勻質區域間的可分性信息，如圖11(b)所示，16塊勻質區域進一步聚成了 10類；
[0087](6)對於結構區域，使用基於MRF的分割方法得到邊界、線目標與孤立目標真正所在的位置，同時將結構區域分割成若干個小區域；
[0088](7)合併聚集區域、勻質區域和結構區域的結果；
[0089](8)標記線目標，從而得到最終的圖像分割結果。
[0090]實施例7
[0091]基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，同實施例1-5，本發明的效果通過下列對SAR圖像的仿真實驗進行進一步說明。
[0092]1.仿真條件
[0093](I)截取大小為600 X 432的Ku波段、Im解析度的piperiver圖像；
[0094](2)仿真試驗中，高閾值的素描圖的高低閾值參數分別取值為1.7和0.5 ;低閾值的素描圖的高低閾值參數分別區域0.8和0.5 ；CLG參數都設置為15 ；
[0095](3)仿真實驗中，基於語義信息的素描線分類方法中計算聚集性統計直方圖使用的近鄰數K = 5 ;最優聚集性區間的參數δ = 4 ;
[0096](4)仿真實驗中，基於多閾值的素描圖的素描線補全方法中，在高閾值初始素描圖中的鄰域窗口大小設置為5X5，在低閾值初始素描圖中的鄰域窗口大小設置為25X25 ；
[0097](5)仿真實驗中，擴充結構區域使用的方形窗口大小為5X5 ;
[0098](6)仿真實驗中，基於局部線性約束稀疏編碼的特徵學習方法的字典大小設置為256 ；
[0099](7)仿真實驗中，參與層次聚類的區域的面積閾值設置為200。
[0100](8)仿真實驗中，結構區域超像素與勻質區域合併的灰度均值閾值設置為25。
[0101]2.仿真內容與結果
[0102]仿真內容:利用Ku波段解析度為Im的piperiver圖像,如圖4(a)所示，用本發明的素描線補全方法對邊界與線目標的素描線進行補全並在此基礎上提取結構區域和非素描區域，並使用本發明中的特徵學習得到聚集區域和勻質區域的特徵表示，最後分別對聚集區域和勻質區域進行層次聚類；
[0103]本實驗的目的是要驗證本發明的方法是否能夠進一步細分勻質區域，是否能使得勻質區域中的每塊區域同質性更好。另外，還要驗證基於局部線性約束編碼的特徵學習方法可否學習出可分性的特徵。
[0104]仿真結果:圖4(b)展示了利用SAR圖像的初始素描圖得到的素描圖的結果，其中共有624條素描線；圖5展示了利用素描線聚集度分析得到的素描線分類的結果，該結果將其中灰色標註的是聚集的素描線，黑色標註的是表示邊界、線目標與孤立目標的素描線；圖6 (a)展示了圖5中黑色標註的素描線，圖6(b)對比展示了經過連接操作之後的素描圖，從中可以看出端點數量減少很多，很多短的素描線被連成了長的素描線；另外圖6(b)中還標記了長度在前20的素描線；圖7展示了素描圖中兩個L形的素描線的連接結果，其中圖7(a)中黑色標記的素描線是圖6(b)中的標記為5的L形素描線，灰色標記的素描線是其從低閾值素描線對應位置選擇並連接的素描線；圖7(b)中黑色標記的素描線是圖6(b)中標記為18的素描線，灰色標記的素描線是其從低閾值素描線對應位置選擇並連接的素描線；圖8展示了基於形狀的素描線補全方法的結果；圖9展示了最終的區域提取結果，其中白色標記的是聚集區域；黑色標記的是無線段區域；灰色標記的是結構區域；圖10展示了聚集區域的聚類結果，其中圖10(a)顯示了區域圖映射到piperiver圖上得到的編號為I?8共8塊聚集區域，圖10(b)展示了對這8塊聚集區域進行特徵學習進而層次聚類的結果，共聚成了灰色和黑色標記的共2類區域；圖11展示了勻質區域的聚類結果，其中圖11(a)展示了區域圖映射到piperiver圖上得到的編號為I?15共15塊勻質區域，圖11 (b)展示了對這16塊勻質區域進行特徵學習進而層次聚類的結果，共聚成了 10類；圖12展示了結構區域的分割結果；圖13展示了合併聚集區域、勻質區域和結構區域並且標定線目標所得到的最終SAR圖像分割結果。
[0105]從仿真實驗結果可以看出，本發明提出的區域提取方法獲得了較好的區域劃分結果，同時使用的LLC特徵學習方法得到了很好的區域聚類結果，最終的SAR圖像分割結果也較真實的反映了實際的地物種類。
[0106]綜上，本發明的基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，主要解決了獲取SAR圖像區域圖提取的問題。其實現步驟為:(I)使用SAR圖像的初始素描圖獲取素描圖；(2)使用基於形狀的素描線補全的區域圖提取方法獲取區域圖；(3)將區域圖映射到原SAR圖像空間，得到聚集區域、勻質區域和結構區域；(4)聚集區域的特徵學習及層次聚類；(5)勻質區域的特徵學習及層次聚類；(6)結構區域中的分割；(7)將聚集區域、勻質區域與結構區域的結果合併，並標記線目標，從而得到最終的SAR圖像分割結果。本發明實現了很好的SAR圖像區域劃分與聚類效果，可用於SAR圖像的分割。
【權利要求】
1.一種基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，其特徵在於，包括有如下步驟: 步驟1.輸入待分割的SAR圖像，利用SAR圖像的初始素描模型得到輸入圖像的素描圖； 步驟2.採用基於形狀的素描線補全的區域圖提取方法得到輸入圖像的區域圖； 步驟3.根據得到的區域圖將待分割的SAR圖像映射為聚集區域、勻質區域和結構區域； 步驟4.使用基於LLC編碼的詞袋模型對屬於聚集區域的各個區域進行特徵學習，並在此基礎上進行層次聚類得到聚集區域的聚類結果； 步驟5.同樣，使用基於LLC編碼的詞袋模型對屬於勻質區域的各個區域進行特徵學習，並在此基礎上進行層次聚類得到勻質區域的聚類結果； 步驟6.對於結構區域，使用基於MRF的分割方法得到結構區域中邊界、線目標以及孤立目標所在的位置，同時根據空間上的一致連通性得到若干個小區域，即將結構區域劃分成若干個小區域，從而得到結構區域的分割結果； 步驟7.使用基於空間近鄰和灰度均值的策略，將聚集區域的聚類結果、勻質區域的聚類結果和結構區域的分割結果合併； 步驟8.根據素描圖中的素描線信息標記線目標，從而得到最終完整的SAR圖像分割結果O
2.根據權利要求1所述的基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，其特徵在於，其中步驟2所提出的基於形狀的素描線補全的區域圖提取方法，包括有如下步驟: .2.1.對素描圖中的素描線進行聚集度分析，如果存在聚集的素描線，進行步驟2.2 ;如果不存在聚集的素描線，則跳至步驟2.4 ； .2.2.分別標記聚集的素描線和代表邊界、線目標以及獨立目標的素描線； .2.3.利用聚集區域提取方法在素描圖上得到覆蓋所有聚集素描線的區域，並標註該區域； 2.4.對於代表邊界、線目標以及獨立目標的素描線，提出基於形狀的素描線補全方法得到素描線補全結果及劃分的區域，並標註該區域； 2.5.對於補全後的素描線，以每條線上每個點為中心提取5X5的幾何結構窗作為結構區域，並標記該區域； 2.6.綜合上述區域提取結果，得到了待分割的整幅SAR圖像的區域圖。
3.根據權利要求2所述的基於形狀補全區域圖和特徵編碼的SAR圖像分割方法，其特徵在於，其中步驟2.4所提出的基於形狀的素描線補全方法，包括有如下步驟: . 2.4.1.對素描圖中除聚集區域以外的每條素描線，進行如下過程，對當前素描線的一個端點P1，首先在其5*5的方形鄰域內查找是否有其它素描線的端點，若有，從中選擇最長素描線的端點，並使用線段將Pl與最長素描線的端點進行連接，然後對新連接的這個最長素描線的另一個端點，繼續執行這個過程，直到端點5*5方形鄰域內沒有新的素描線端點為止；對於當前素描線的另一個端點P2，重複和Pl —樣的過程； . 2.4.2對經過步驟2.4.1連接後的素描線按照長度進行排序，然後按照長度從大到小的順序判斷素描線是否是L形狀或U形狀的素描線，判斷L形狀或U形狀的素描線的方法是從一個端點到另一個端點遍歷組成素描線的線段，並記錄相鄰線段的方向差值的絕對值，如果方向差值的絕對值超過閾值a的次數發生一次，該素描線就是L形狀的素描線；如果方向差值的絕對值超過閾值a的次數發生兩次，該素描線就是U形狀的素描線；然後對L形狀或U形狀的素描線，執行步驟2.4.3 ; . 2.4.3.判斷當前L形狀或U形狀素描線的端點Pl在低閾值素描圖中相應位置的自適應窗口鄰域內是否有其它素描線的端點，如果有，按照如下策略選擇一個端點Tl，即Tl所在素描線的另一個端點T2與當前素描線的另一個端點P2的距離最近且用線段連接後只會形成一個封閉區域，然後對選擇的素描線的端點T2，繼續該過程，直至端點自適應窗口鄰域範圍內沒有新的素描線端點為止；對於當前素描線的端點P2,重複和端點Pl —樣的過程。
【文檔編號】G06T7/00GK104463882SQ201410773612
【公開日】2015年3月25日 申請日期:2014年12月15日 優先權日:2014年12月15日
【發明者】劉芳, 馬文萍, 劉佳, 李玲玲, 焦李成, 郝紅俠, 楊淑媛, 孫濤, 張向榮, 尚榮華 申請人:西安電子科技大學