[發(fā)明專利]基于層次視覺語義的SAR圖像分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410667779.2
• 申請(qǐng)日: 2014-11-20
• 公開（公告）號(hào): CN104346814B
• 公開（公告）日: 2017-09-26
• 發(fā)明（設(shè)計(jì)）人: 劉芳;段一平;李玲玲;焦李成;郝紅俠;張向榮;楊淑媛;武杰;馬晶晶;尚榮華
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/136
• 代理公司: 陜西電子工業(yè)專利中心61205
• 代理人: 王品華,朱紅星

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及SAR圖像分割方法，可用于后續(xù)目標(biāo)識(shí)別和跟蹤。

背景技術(shù)

合成孔徑雷達(dá)SAR具有全天候全天時(shí)、穿透性、遠(yuǎn)距離、高分辨率等成像特點(diǎn)，在國(guó)防建設(shè)、國(guó)民經(jīng)濟(jì)與社會(huì)發(fā)展的各個(gè)領(lǐng)域獲得了廣泛的應(yīng)用。SAR圖像分割是SAR圖像解譯中一個(gè)基本而關(guān)鍵的問題，它是將人們感興趣的目標(biāo)從圖像背景中提取出來，為后續(xù)的分類、跟蹤、識(shí)別等處理提供基礎(chǔ)。

現(xiàn)有的SAR圖像分割方法主要分為基于特征的方法和基于模型的方法兩大類。

基于特征的方法，其主要強(qiáng)調(diào)圖像的特征，比如灰度共生矩陣特征、SAR-sift特征、Gabor特征等，這些特征很容易受SAR圖像相干斑噪聲的影響，使分割結(jié)果的一致性很難保持。

基于模型的方法，其由于考慮了圖像的上下文信息，因此受到了很大的關(guān)注，例如Markov隨機(jī)場(chǎng)方法、基于區(qū)域的Markov隨機(jī)場(chǎng)方法和多項(xiàng)式隱模型方法等。Markov隨機(jī)場(chǎng)方法是最基本的上下文方法，它用圖像的灰度特征作為似然模型，并用Gibbs分布作為圖像的先驗(yàn)?zāi)Ｐ停鶕?jù)最大后驗(yàn)準(zhǔn)則得到圖像的分割結(jié)果。該方法沒有考慮SAR圖像的紋理特征，并且使用了尺度較小的上下文窗口，容易造成SAR圖像過分割。基于區(qū)域的Markov隨機(jī)場(chǎng)方法首先把圖像分割成超像素，在超像素上用Markov隨機(jī)場(chǎng)方法得到分割結(jié)果。該方法雖然能在一定程度上提高區(qū)域一致性，但是仍然不能得到語義上一致性的區(qū)域。多項(xiàng)式隱模型方法同時(shí)考慮圖像的灰度特征和紋理特征作為似然模型，并用具有聚集特性的多項(xiàng)式邏輯回歸模型作為圖像的先驗(yàn)?zāi)Ｐ停儆梅诸惖钠谕畲蠡椒ǖ玫綀D像的分割結(jié)果，然而預(yù)先定義的上下文窗口不能滿足SAR圖像內(nèi)容多尺度的需求，在分割過程中容易造成邊界定位不精確和線目標(biāo)的丟失。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述已有方法的不足，提出了一種基于層次視覺語義的SAR圖像分割方法，以提升SAR圖像的分割效果。

本發(fā)明技術(shù)方案是這樣實(shí)現(xiàn)的：

一.技術(shù)原理

上述基于模型的方法由于沒有考慮圖像的語義信息，因此很難把SAR圖像分割成語義上一致性的區(qū)域。這是由于SAR成像機(jī)制決定了SAR圖像在刻畫地物上的目標(biāo)時(shí)會(huì)出現(xiàn)與目標(biāo)對(duì)應(yīng)的陰影，如一顆樹的亮斑和陰影，一棟房子的亮斑和陰影等。當(dāng)許多樹、房子聚集在一起組成森林、城區(qū)時(shí)，在SAR圖像中森林、城區(qū)這些場(chǎng)景會(huì)出現(xiàn)許多成對(duì)的明區(qū)域和暗區(qū)域。現(xiàn)有的許多無監(jiān)督分割方法都會(huì)把明區(qū)域分成一類，暗區(qū)域分成另一類，而不會(huì)把他們分成一致性的區(qū)域。事實(shí)上，SAR圖像是一些有意義的區(qū)域的組合，而低層的特征很難滿足高層語義上的需求。因此，本發(fā)明是在SAR圖像分割中引入語義信息，并用語義信息作為指導(dǎo)，使不同特性的區(qū)域能用適合區(qū)域特性的方法進(jìn)行分割，在保持圖像分割結(jié)果一致性的同時(shí)精確的定位圖像的邊界和線目標(biāo)，實(shí)現(xiàn)SAR圖像語義分割。

二.技術(shù)方案

根據(jù)上述原理，本發(fā)明的技術(shù)方案包括如下步驟：

(1)根據(jù)SAR圖像的素描圖，提取SAR圖像的區(qū)域圖，構(gòu)建第一層為素描圖第二層為區(qū)域圖的層次視覺語義信息；

(2)根據(jù)區(qū)域圖，將SAR圖像劃分為聚集、結(jié)構(gòu)和勻質(zhì)這三個(gè)區(qū)域；

(3)對(duì)聚集區(qū)域用水平集方法定位邊界，并用基于局部線性約束編碼的層次聚類方法進(jìn)行分割；

(4)在結(jié)構(gòu)區(qū)域中進(jìn)行分割：

4a)對(duì)結(jié)構(gòu)區(qū)域中的每個(gè)像素點(diǎn)，并建立基于該幾何結(jié)構(gòu)窗的多項(xiàng)式邏輯回歸先驗(yàn)?zāi)Ｐ停鶕?jù)該模型，計(jì)算幾何結(jié)構(gòu)窗內(nèi)中心像素的先驗(yàn)概率p₁；

4b)對(duì)結(jié)構(gòu)區(qū)域中的每個(gè)像素點(diǎn)，將其像素灰度的概率密度和紋理的概率密度相乘得到似然概率p₂，其中灰度的概率密度由Nakagami分布得到，紋理的概率密度由t分布得到；

4c)將先驗(yàn)概率p₁和似然概率p₂相乘得到后驗(yàn)概率p₁₂，根據(jù)最大后驗(yàn)概率準(zhǔn)則，得到結(jié)構(gòu)區(qū)域分割結(jié)果；

(5)根據(jù)SAR圖像中的線目標(biāo)和素描線的關(guān)系設(shè)計(jì)視覺語義規(guī)則：

5a)設(shè)定線目標(biāo)與素描線兩者之間的關(guān)系：

設(shè)第i條素描線l_i與第j條素描線l_j之間的距離為D_ij，l_i的方向?yàn)镺_i，l_j的方向?yàn)镺_j，i,j∈[1,2,...,S]，S為素描線的總條數(shù)；