基于高阶多尺度CRF半监督的SAR图像分割方法技术

一种高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割方法。其实现步骤为：(1)输入合成孔径雷达SAR图像；(2)对图像进行小波变换；(3)获得高阶多尺度条件随机场CRF的特征向量；(4)获得高阶多尺度条件随机场CRF的局部类条件概率；(5)初始分割合成孔径雷达SAR图像；(6)计算每个像素点的边缘概率；(7)计算每个像素点的联合后验边缘概率；(8)计算每个像素点的后验边缘概率；(9)分割合成孔径雷达SAR图像；(10)结束分割。本发明专利技术通过在计算后验边缘概率时考虑到了每个像素点的高阶势能和尺度间势能，充分利用了空间上下文结构信息，提高了分割结果的精确度。

【技术实现步骤摘要】
基于高阶多尺度CRF半监督的SAR图像分割方法
本专利技术属于图像处理
，更进一步涉及雷达图像处理
中的一种基于高阶多尺度条件随机场CRF(ConditionalRandomFields)半监督的合成孔径雷达SAR(SyntheticApertureRadar)图像分割方法。本专利技术可用于对合成孔径雷达SAR图像进行分割处理。
技术介绍
合成孔径雷达SAR是一种高分辨率成像雷达。其在民用和军用中的使用需要合成孔径雷达SAR图像解译技术作为支撑，合成孔径雷达SAR图像分割是合成孔径雷达SAR图像解译技术的重要环节，它可以提供合成孔径雷达SAR图像的整体结构信息，所以促进了合成孔径雷达SAR系统在很多领域的应用，比如地质学探究和环境监控等。随机场模型被认为是处理合成孔径雷达SAR图像分割问题的重要手段，其优势为能够在图像分类过程中考虑到各像素间的空域相关性。西安电子科技大学在其申请的专利文献“基于语义条件随机场模型的SAR图像分割方法”(申请号：201611237232.4，申请公布号：CN106683109A)中提出一种利用语义条件随机场CRF(ConditionalRandomFields)模型进行图像分割的方法。该方法根据SAR图像的区域图，将SAR图像划分为混合聚集结构地物子空间、结构区域子空间和匀质区域子空间。对混合聚集结构地物子空间采用词袋模型提取特征，用AP聚类的方法进行分割。然后构建语义条件随机场模型对结构区域子空间和匀质区域子空间进行分割。将混合聚集结构地物子空间、结构区域子空间和匀质区域子空间的分割结果合并，得到SAR图像的分割结果。该方法存在的不足之处是，分割合成孔径雷达SAR图像的精准度不高。西安电子科技大学拥有的专利技术“基于反卷积网络和稀疏分类的极化SAR图像分割方法”(申请号：201510953343.4，授权公告号：CN105608692B)中提出一种利用反卷积网络和稀释分类方法进行图像分割。该专利技术利用反卷积网络对聚集区域的样本进行训练，并利用训练得到的滤波器构造相似性矩阵。再利用得到相似性矩阵分割聚集区域，最后合并聚集区域、匀质区域和结构区域的分割结果，得到分割后的SAR图像。该方法存在的不足之处是，该方法需要大量的训练数据来学习反卷积网络的参数，只限于处理有监督的合成孔径雷达图像的分割问题，难以应对在实际应用中只有少量训练数据的情形。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提出了一种基于高阶多尺度条件随机场半监督的SAR图像分割方法。实现本专利技术目的的具体思路是：首先将待分割的合成孔径雷达SAR图像进行特征提取后初步分割该图像。然后利用初步分割的合成孔径雷达SAR图像一步步推算出其后验边缘概率。接着利用迭代条件估计法ICE估计参数，再最大化后验边缘概率后得到该图像的分割结果，然后进行多次迭代。每次迭代时都利用当前的分割结果作为下一次迭代分割的基础，使得多次迭代后的分割结果逼近合成孔径雷达图像SAR的最佳分割。本专利技术的步骤包括如下：(1)输入合成孔径雷达SAR图像；(2)将输入的合成孔径雷达SAR图像进行小波变换；(3)获得高阶多尺度条件随机场CRF的特征向量：(3a)利用指数加权平均比算子，计算小波变换后的图像，在各个尺度中每个像素点和与其邻域系统中每个像素点之间的边缘强度；(3b)用半径为5个像素点的窗口，在小波变换后的图像内，以一个像素点为间隔滑动，对小波变换后的图像进行滑窗操作，计算每个滑窗内所有像素值的直方图特征；(3c)用半径为7个像素点的窗口，在小波变换后的图像内，以一个像素点为间隔滑动，对小波变换后的图像进行滑窗操作，计算每个滑窗内所有的灰度共生矩阵纹理特征；(3d)用小波变换后图像的所有的直方图特征与灰度共生矩阵纹理特征，组成局部特征向量；(3e)用小波变换后图像的所有的局部特征向量与边缘强度，组成高阶多尺度条件随机场CRF的特征向量；(4)获得高阶多尺度条件随机场CRF的局部类条件概率：将高阶多尺度条件随机场CRF的特征向量输入多类支持向量机SVM分类器，将该分类器输出作为高阶多尺度条件随机场CRF的局部类条件概率；(5)初始分割合成孔径雷达SAR图像：利用最大化局部类条件概率的方法，初始分割合成孔径雷达SAR图像；(6)计算每个像素点的边缘概率：利用均值场估计法，计算当前分割后的合成孔径雷达SAR图像中每个像素点高阶多尺度条件随机场CRF的边缘概率；(7)计算每个像素点的联合后验边缘概率：采用自下而上的递归方法，利用每个像素点的边缘概率，计算当前分割后的合成孔径雷达SAR图像中每个像素点高阶多尺度条件随机场CRF的联合后验边缘概率；(8)计算每个像素点的后验边缘概率：采用自上而下的递归方法，利用每个像素点的联合后验边缘概率，计算当前分割后的合成孔径雷达SAR图像每个像素点高阶多尺度条件随机场CRF的后验边缘概率；(9)分割合成孔径雷达SAR图像：利用迭代条件估计ICE法进行参数估计，分割合成孔径雷达SAR图像；(10)判断当前迭代次数是否为10，若是，则执行步骤(11)；否则，将当前的迭代次数加1后执行步骤(6)；(11)结束分割：结束对合成孔径雷达SAR图像的分割，得到高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割结果。本专利技术与现有的技术相比具有以下优点：第一，由于本专利技术采用计算每个像素点高阶多尺度条件随机场CRF的后验边缘概率的方法，克服了现有技术在分割合成孔径雷达SAR图像时精确度不高的问题，使得本专利技术在计算后验边缘概率时考虑到了每个像素点的高阶势能和尺度间势能，充分利用了空间上下文结构信息，提高了分割结果的准确度。第二，由于本专利技术利用迭代条件估计ICE方法来估计模型参数，并采用多次迭代的方法得到最终的分割结果，克服了现有技术在分割合成孔径雷达SAR图像时缺乏训练数据的问题，使得本专利技术在分割时利用当前的的分割结果作为下一次迭代分割的基础，多次迭代后的分割结果逼近合成孔径雷达SAR图像的最佳分割，降低了对训练数据数量的要求。附图说明图1为本专利技术的流程图；图2为采用本专利技术方法对三种同质区域组合的合成孔径雷达SAR图像的仿真图；图3为采用本专利技术方法与广义条件随机场CRF方法，分别对河道合成孔径雷达SAR图像的仿真图；图4为采用本专利技术方法与广义条件随机场CRF方法，对帕弗沃伦地区的ESAR图像的仿真结果图。具体实施方式下面结合附图对本专利技术做进一步的描述。参照图1，对本专利技术的具体实施步骤做进一步的描述。步骤1，输入合成孔径雷达SAR图像。步骤2，将输入的合成孔径雷达SAR图像进行小波变换。步骤3，获得高阶多尺度条件随机场CRF的特征向量。利用指数加权平均比算子，计算小波变换后的图像，在各个尺度中每个像素点和与其邻域系统中每个像素点之间的边缘强度。所述的指数加权平均比算子的公式如下：其中，表示多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点和与其邻域系统中的第t个像素间的边缘强度，n的取值范围为{0,1,2}，exp(·)表示以自然常数为底的指数操作，表示多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的像素值，表示多尺度合成孔径雷达SAR图像在第n个尺度中第t个像素点的像素值。用半径为5个像素点的窗本文档来自技高网...

【技术保护点】
1.一种基于高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割方法，其特征在于，引入高阶势能计算边缘概率；利用自下而上的递归方法计算联合后验边缘概率；利用自上而下的递归方法计算后验边缘概率；该方法的步骤包括如下：(1)输入合成孔径雷达SAR图像；(2)将输入的合成孔径雷达SAR图像进行小波变换；(3)获得高阶多尺度条件随机场CRF的特征向量：(3a)利用指数加权平均比算子，计算小波变换后的图像，在各个尺度中每个像素点和与其邻域系统中每个像素点之间的边缘强度；(3b)用半径为5个像素点的窗口，在小波变换后的图像内，以一个像素点为间隔滑动，对小波变换后的图像进行滑窗操作，计算每个滑窗内所有像素值的直方图特征；(3c)用半径为7个像素点的窗口，在小波变换后的图像内，以一个像素点为间隔滑动，对小波变换后的图像进行滑窗操作，计算每个滑窗内所有的灰度共生矩阵纹理特征；(3d)用小波变换后图像的所有的直方图特征与灰度共生矩阵纹理特征，组成局部特征向量；(3e)用小波变换后图像的所有的局部特征向量与边缘强度，组成高阶多尺度条件随机场CRF的特征向量；(4)获得高阶多尺度条件随机场CRF的局部类条件概率：将高阶多尺度条件随机场CRF的特征向量输入多类支持向量机SVM分类器，将该分类器输出作为高阶多尺度条件随机场CRF的局部类条件概率；(5)初始分割合成孔径雷达SAR图像：利用最大化局部类条件概率的方法，初始分割合成孔径雷达SAR图像；(6)计算每个像素点的边缘概率：利用均值场估计法，计算当前分割后的合成孔径雷达SAR图像中每个像素点高阶多尺度条件随机场CRF的边缘概率；(7)计算每个像素点的联合后验边缘概率：采用自下而上的递归方法，利用每个像素点的边缘概率，计算当前分割后的合成孔径雷达SAR图像中每个像素点高阶多尺度条件随机场CRF的联合后验边缘概率；(8)计算每个像素点的后验边缘概率：采用自上而下的递归方法，利用每个像素点的联合后验边缘概率，计算当前分割后的合成孔径雷达SAR图像每个像素点高阶多尺度条件随机场CRF的后验边缘概率；(9)分割合成孔径雷达SAR图像：利用迭代条件估计ICE法进行参数估计，分割合成孔径雷达SAR图像；(10)判断当前迭代次数是否为10，若是，则执行步骤(11)；否则，将当前的迭代次数加1后执行步骤(6)；(11)结束分割：结束对合成孔径雷达SAR图像的分割，得到高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割结果。...

【技术特征摘要】
1.一种基于高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割方法，其特征在于，引入高阶势能计算边缘概率；利用自下而上的递归方法计算联合后验边缘概率；利用自上而下的递归方法计算后验边缘概率；该方法的步骤包括如下：(1)输入合成孔径雷达SAR图像；(2)将输入的合成孔径雷达SAR图像进行小波变换；(3)获得高阶多尺度条件随机场CRF的特征向量：(3a)利用指数加权平均比算子，计算小波变换后的图像，在各个尺度中每个像素点和与其邻域系统中每个像素点之间的边缘强度；(3b)用半径为5个像素点的窗口，在小波变换后的图像内，以一个像素点为间隔滑动，对小波变换后的图像进行滑窗操作，计算每个滑窗内所有像素值的直方图特征；(3c)用半径为7个像素点的窗口，在小波变换后的图像内，以一个像素点为间隔滑动，对小波变换后的图像进行滑窗操作，计算每个滑窗内所有的灰度共生矩阵纹理特征；(3d)用小波变换后图像的所有的直方图特征与灰度共生矩阵纹理特征，组成局部特征向量；(3e)用小波变换后图像的所有的局部特征向量与边缘强度，组成高阶多尺度条件随机场CRF的特征向量；(4)获得高阶多尺度条件随机场CRF的局部类条件概率：将高阶多尺度条件随机场CRF的特征向量输入多类支持向量机SVM分类器，将该分类器输出作为高阶多尺度条件随机场CRF的局部类条件概率；(5)初始分割合成孔径雷达SAR图像：利用最大化局部类条件概率的方法，初始分割合成孔径雷达SAR图像；(6)计算每个像素点的边缘概率：利用均值场估计法，计算当前分割后的合成孔径雷达SAR图像中每个像素点高阶多尺度条件随机场CRF的边缘概率；(7)计算每个像素点的联合后验边缘概率：采用自下而上的递归方法，利用每个像素点的边缘概率，计算当前分割后的合成孔径雷达SAR图像中每个像素点高阶多尺度条件随机场CRF的联合后验边缘概率；(8)计算每个像素点的后验边缘概率：采用自上而下的递归方法，利用每个像素点的联合后验边缘概率，计算当前分割后的合成孔径雷达SAR图像每个像素点高阶多尺度条件随机场CRF的后验边缘概率；(9)分割合成孔径雷达SAR图像：利用迭代条件估计ICE法进行参数估计，分割合成孔径雷达SAR图像；(10)判断当前迭代次数是否为10，若是，则执行步骤(11)；否则，将当前的迭代次数加1后执行步骤(6)；(11)结束分割：结束对合成孔径雷达SAR图像的分割，得到高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割结果。2.根据权利要求1所述的基于高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割方法，其特征在于，步骤(3a)中所述的指数加权平均比算子的公式如下：其中，表示多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点和与其邻域系统中的第t个像素间的边缘强度，n的取值范围为{0,1,2}，exp(·)表示以自然常数为底的指数操作，表示多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的像素值，表示多尺度合成孔径雷达SAR图像在第n个尺度中第t个像素点的像素值。3.根据权利要求1所述的基于高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割方法，其特征在于，步骤(3b)中所述的计算每个滑窗内所有像素值的直方图特征的具体步骤如下：第一步，按照下式，计算每个滑窗内所有像素值的均值：其中，μm表示第m个滑窗内所有像素值的均值，∑表示求和操作，i表示第m个滑窗内像素点行的序号，j表示第m个滑窗内像素点列的序号，yij表示第m个滑窗内第i行第j列像素点的像素值，nm表示第m个滑窗内所有像素点的总数；第二步，按照下式，计算每个滑窗内所有像素值的方差：其中，表示第m个滑窗内所有像素值的方差；第三步，按照下式，计算每个滑窗内所有像素值的偏度：其中，Φm表示第m个滑窗内所有像素值的偏度；第四步，按照下式，计算每个滑窗内所有像素值的峰态：其中，Km表示第m个滑窗内所有像素值的峰态；第五步，按照下式，计算每个滑窗内所有像素值的熵：其中，Tm表示第m个滑窗内所有像素值的熵；第六步，由每个滑窗内所有像素值的均值，方差，偏度，峰态、熵构成该滑窗的直方图特征。4.根据权利要求1所述的基于高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割方法，其特征在于，步骤(3c)中所述的计算每个滑窗内所有的灰度共生矩阵纹理特征的具体步骤如下：第一步，将每个滑窗内一个像素与其相邻的像素组成像素对，用每个滑窗内同一个像素对出现的次数分别除以该滑窗内其他每个像素对出现的次数，将所有的商值构成该滑窗的灰度共生矩阵；第二步，按照下式，计算每个灰度共生矩阵内所有元素的对比度：其中，表示第个灰度共生矩阵内所有元素的对比度，u表示灰度共生矩阵内行的序号，v表示灰度共生矩阵内列的序号，表示第个灰度共生矩阵内第u行第v列的元素值；第三步，按照下式，计算每个灰度共生矩阵内所有元素的相关度：其中，表示第个灰度共生矩阵内所有元素的相关度；第四步，按照下式，计算每个灰度共生矩阵内所有元素的均质性：其中，表示第个灰度共生矩阵内所有元素的均质性；第五步，由每个灰度共生矩阵内元素的均值，对比度，相关度，均质性，组成该灰度共生矩阵的特征纹理特征。5.根据权利要求1所述的基于高阶多尺度条件随机场CRF半监督的合成孔径雷达SAR图像分割方法，其特征在于，步骤(6)中所述的均值场估计法的具体步骤如下：第一步，将局部类条件概率作为分割后的合成孔径雷达SAR图像的局部均值场能量的初始值；第二步，按照下式，计算分割后的多尺度合成孔径雷达SAR图像中每个像素点与其邻域系统中的每个像素点之间的局部基团能量：其中，Q{s,t}表示分割后的多尺度合成孔径雷达SAR图像中第s个像素点与其邻域系统中第t个像素点之间的局部基团能量，αH表示分割后的多尺度合成孔径雷达SAR图像第s个像素点与其水平邻域系统中第t个像素点之间的相关性参数，该参数初始值为1，在步骤(9)中利用迭代条件估计ICE法更新其参数值，表示一个常数，当分割后的多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的类别与其邻域系统中第t个像素点的类别相同时，当分割后的多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的标签与其邻域系统中第t个像素点的标签不同时，表示任意符号，∈表示属于符号，NH表示分割后的多尺度合成孔径雷达SAR图像中第s个像素点的水平邻域系统，αV表示分割后的多尺度合成孔径雷达SAR图像中第s个像素点与其垂直邻域系统中的第t个像素点之间的相关性参数，该参数初始值为1，在步骤(9)中利用迭代条件估计ICE法更新其参数值，NV表示分割后多尺度合成孔径雷达SAR图像中第s个像素点的垂直邻域系统；第三步，按照下式，计算分割后的多尺度合成孔径雷达SAR图像在各个尺度中每个像素点的局部均值场能量：其中，表示分割后的多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的局部均值场能量，Ns表示分割后的多尺度合成孔径雷达SAR图像中第s个像素点的邻域系统，k表示邻域系统中类别的编号，L表示分割后的多尺度合成孔径雷达SAR图像类别的总数，l表示分割后的多尺度合成孔径雷达SAR图像类别的编号，el表示分割后的多尺度合成孔径雷达SAR图像中第s个像素点的类别，ek表示邻域系统中第t个像素点的类别，表示邻域系统在第n个尺度中第t个像素点的局部均值场能量，在合成孔径雷达SAR图像类别的集合中依类别编号取值；第四步，执行第三步两次，得到分割后的多尺度合成孔径雷达SAR图像在各个尺度中每个像素点的局部均值场能量，将其作为分割后的多尺度合成孔径雷达SAR图像在各个尺度中每个像素点的先验边缘概率的估计值；第五步，按照下式，计算分割后的多尺度合成孔径雷达SAR图像在各个尺度中每个像素点的尺度间势能：其中，表示分割后的多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点与第n+1个尺度中第个像素点的尺度间势能，η表示分割后的多尺度合成孔径雷达SAR图像的尺度间相关参数，该参数初始值为1，在步骤(9)中利用迭代条件估计ICE法更新其参数值，表示分割后的多尺度合成孔径雷达SAR图像在第n+1个尺度中第个像素点的类别；第六步，按照下式，计算分割后的多尺度合成孔径雷达SAR图像在各个尺度中每个像素点的条件先验边缘概率：其中，表示分割后的多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的条件先验边缘概率；第七步，按照下式，计算分割后的多尺度合成孔径雷达SAR图像在各个尺度中每个像素点的条件随机场CRF模型的一元势能：其中，fsn表示分割后的多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的条件随机场CRF模型的一元势能，log表示以10为底的对数操作，Psn表示分割后的多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的局部类条件概率；第八步，按照下式，计算分割后的多尺度合成孔径雷达SAR图像在各个尺度中每个像素点的散射统计：其中，表示分割后的多尺度合成孔径雷达SAR图像在第n个尺度中第s个像素点的散射统计，βl表示广义伽马Gamma分布模型的形状参数，其参数值由步骤(9)中的对数累积量MoLC方法计算得到，λl表示伽马Gamma分布模型的索引形状参数...

【专利技术属性】
技术研发人员：张鹏，江银银，李明，宋婉莹，谭啸峰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61