[發明專利]一種基于上下文關系的SAR遙感場景溢油分割檢測方法

在審

• 申請號: 201510324755.1
• 申請日: 2015-06-12
• 公開（公告）號: CN104933714A
• 公開（公告）日: 2015-09-23
• 發明（設計）人: 陳禾;莊胤;畢福昆;陳亮;龍騰
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 劉芳;仇蕾安

技術領域

本發明屬于圖像分割檢測技術領域，具體涉及的是一種基于MRF(Markov?Random?Field)上下文關系的SAR(合成孔徑雷達)遙感場景溢油分割檢測方法。

背景技術

圖像分割檢測技術的應用非常廣泛，可以說是只要涉及圖像處理和計算機視覺的相關問題都必須做圖像分割檢測。目前隨著圖像處理和計算機視覺領域的快速發展，圖像分割檢測的算法種類繁多。

常見的分割檢測技術可以分為三大類：基于拓撲學的分割檢測、基于顏色的分割檢測、基于灰度分布的分割檢測。其中基于顏色的分割檢測與基于灰度分布的分割檢測方法類似，只是因為針對的對象不同，所以在算法細節方面會產生不同。在基于顏色和灰度分布的分割檢測領域常用的方法有：直方圖分割法、閾值分割法、動態閾值分割法、基于直方圖的分類和像素灰度值分類的分割方法；在基于拓撲學的分割檢測當中主流的一些算法比如最為經典的分水嶺算法、Snake算法、基于C-V水平集的算法和一些基于形態學濾波的方法。這些方法都可以達到比較理想的結果也經常被應用在各個領域和各個算法流程當中去。但是近幾年基于統計學的分割方法也逐漸成為研究的熱點。其綜合以往的經典分割方法，結合統計概率模型形成了一套基于上下文關系的分割檢測體系。基于顏色和灰度分布的分割檢測方法往往對于那些目標顏色比較鮮明或者灰度變化比較劇烈的圖像目標非常適用。如果對于那些目標顏色和灰度分布非常接近于背景的圖像目標，這些方法就很難得到較好的結果，而且這類的分割方法往往對于噪聲不具有魯棒性。如果圖像中存在著大量的噪聲，那些對于顏色和灰度分布的分割檢測方法就不能得到理想的結果；基于拓撲學的分割檢測算法也同樣存在著受噪聲干擾大的問題，但是一般都會去采取在分割檢測前端進行濾波或一些形態學的操作和運算來盡可能的降低噪聲對分割檢測的干擾。

基于統計概率模型的分割檢測體系往往通過概率去描述像素與像素，子團與子團，或者鄰域與鄰域之間的上下文關系。這種上下文的支持就好像檢測一輛汽車，那么汽車的輪子一定落在地面。有了這種上下文的支持再加上被檢測目標自身的特征，就能為目標分割檢測提供更好的支持且對于噪聲有很好自適應的魯棒性。這里的特征指的是圖像目標區域的均值、方差和能量。

目前針對SAR圖像的遙感場景解析往往都會受到SAR成像所產生的乘性噪聲的影響，所以用一些Lee濾波Kuan濾波Gamma?Map濾波等手段作用于分割檢測前端，或者通過經典的CFAR恒均值算法檢測SAR圖像中的目標從而減少乘性噪聲帶來的干擾。當然這些傳統算法基于濾波后的圖像都可以進行分割檢測，但是分割檢測的效果完全取決于濾波效果，往往導致對于SAR遙感影像的分割效果不那么理想。針對這樣的問題統計概率模型的MRF模型被提出，這種方法不單單對SAR圖像中的乘性噪聲有很好的抑制作用，而且通過上下文的概率關系能在SAR圖像中得到比較完整平滑的分割結果。傳統的MRF模型一般都關注于它的標號場和特征場這兩個方面，一般傳統的MRF模型標號場選取Kmean方法建立。由于Kmean建立的標號場過于穩定，所以使得統計模型很快的陷入局部最優解使分割產生誤差，這也是統計模型進行分割的關鍵問題。

發明內容

有鑒于SAR圖像乘性噪聲的干擾難以得到較好的分割結果，和傳統MRF模型Kmean建立初始標號場的問題，本發明從統計概率模型MRF出發，基于上下文關系進行了對于SAR遙感影像的大場景溢油分割檢測，并提出了視覺凸顯金字塔的初始標號場的建立和勢函數參數的設定，

實現本發明的技術方案如下：

一種基于上下文關系的SAR遙感場景圖像的溢油分割檢測方法，具體過程為：

步驟一、建立視覺金字塔；其中視覺金字塔最底層的圖像為SAR遙感場景影像原始圖像信息，視覺金字塔其余層圖像為其下一層圖像進行Haar小波變換提取的低頻信息圖；

步驟二、針對視覺金字塔最頂層圖像，基于CAS(context-aware?saliency)模型建立視覺凸顯圖，根據凸顯圖的引導進行動態閾值分割得到初始的標號場；

步驟三、通過GMM(Gaussian?Mixture?Model)模型與初始標號場對標號場內的不同鄰域目標提取均值和方差，并計算初始特征場能量；

步驟四、根據MRF模型中MAP(Maximum?a?Posterior)最大后驗概率準則和ICM(Iteration?Condition?Model)條件迭代模型，計算最小能量特征場所對應的標號場；其中MAP中選用Ising切分函數模型，且設定切分函數模型中勢函數參數為K；