一种逆高斯分布主动轮廓模型海岸线检测的计算方法技术

本发明专利技术公开了一种逆高斯分布主动轮廓模型海岸线检测的计算方法，包括以下步骤：初始化水平集函数φ(x,y)；计算目标区域的均值u1(x,y)和背景区域的均值u2(x,y)；计算λ1(x,y)和λ2(x,y)；基于逆高斯分布主动轮廓模型的数值求解。本发明专利技术通过最大似然估计方法构建基于逆高斯分布的区域能量泛函，然后引入水平集函数、长度规则项和惩罚项得到基于逆高斯分布的区域主动轮廓模型，推导了该模型对应的水平集函数演化方程。通过实验验证了本发明专利技术不仅可以处理海洋区域图像像素分布均匀、陆地区域图像像素分布不均匀、整体图像像素偏向于低灰度区域的Envisat卫星图像，还适用于海陆边界区域存在弱边缘的Envisat卫星图像。本发明专利技术比传统的Gamma分布运行时间短、迭代次数更少。

A coastline detection method based on inverse Gauss distribution active contour model

The present invention discloses a kind of inverse Gauss distribution of active contour model of coastline detection method, which comprises the following steps: initialization of the level set function phi (x, y); calculation of the mean U1 of the target area (x, y) U2 and the mean background region (x, y); x y (lambda 1 Calculation 2) and lambda (x, y); numerical solution of inverse Gauss distribution based on active contour model. The present invention by the maximum likelihood estimation method to construct the inverse Gauss distribution based on regional energy functional, and then introduce the level set function, the length of rules and penalty by inverse Gauss distribution area based on active contour model, deduced the model corresponding to the evolution equation of the level set function. Through the experiment of Envisat satellite image of the invention can not only deal with the regional ocean image pixel distribution, land area image pixel distribution is not uniform, the overall image pixel bias in the low gray area, but also for the Envisat satellite image in the sea boundary region of the weak edge. The present invention than traditional Gamma distribution operation time is short, less iterative times.

【技术实现步骤摘要】
一种逆高斯分布主动轮廓模型海岸线检测的计算方法
本专利技术涉及一种图像处理技术，特别是一种主动轮廓模型海岸线检测的计算方法。
技术介绍
目前在海岸线检测问题逐渐得到了大家的关注，在海岸线的检测计算方法上，通常采用Gamma分布的SAR图像模型，由于基于Gamma分布的SAR图像模型是假设雷达散射面近似均匀，斑点噪声服从单位均值的Gamma分布，同理，假设雷达散射面为均匀，斑点噪声分量服从高斯分布、负指数分布和Rayleigh分布分别组合形成不同的SAR图像统计模型且假设乘性模型为I(x,y)＝f(x,y)n(x,y)其中，I(x,y)表示最终雷达实测得到SAR图像在点(x,y)的像素值，f(x,y)为点(x,y)后向散射系数，n(x,y)表示独立于f(x,y)均值为1、方差为的随机噪声，设uI(x,y)表示I(x,y)的均值，则由乘性模型得uI(x,y)＝uf(x,y)当单位空间散射系数为常量时则对于海陆分布比较均匀且海陆分界明显的Radarsat卫星合成的SAR图像，用基于Gamma分布的区域主动轮廓模型检测海岸线可以得到理想的结果，但是对于Envisat卫星合成的SAR图像，该方法不仅处理速度慢，需要较多的迭代次数；而且对于存在弱边缘的SAR图像，利用基于Gamma分布的区域主动轮廓模型检测海岸线不能得到理想的结果。由上分析Gamma分布中的参数中图像视数无法影响水平集演化结果，而影响演化的关键只是区域均值，在Envisat图像中区域均值差异较小时，以Gamma分布为基础的水平集演化方程无法得到较好的结果。如果概率模型单一参数无法得到有效检测结果，是否存在多参数，并且具有近似Gamma分布非对称特性的概率模型可以解决这一问题？
技术实现思路
为解决现有技术存在的上述问题，本专利技术要设计一种不仅处理速度快、迭代次数较少的逆高斯分布主动轮廓模型海岸线检测的计算方法，以解决存在弱边缘的SAR图像传统方法识别效果不好的问题。为了实现上述目的，本专利技术的技术方案如下：一种逆高斯分布主动轮廓模型海岸线检测的计算方法，包括以下步骤：A、初始化水平集函数φ(x,y)；基于符号距离函数初始化水平集函数φ(x,y)并记为φ0(x,y)；其中，x,y表示图像中的像素位置坐标；B、计算目标区域的均值u1(x,y)和背景区域的均值u2(x,y)；读取SAR图像像素I(x,y)，按以下公式计算u1(x,y)和u2(x,y)：设逆高斯分布概率密度函数如下：其中，λ0(x,y)表示均值的三次方与方差的比值，u0(x,y)表示目标区域和背景区域的均值，当目标区域和背景区域均值相近时通过参数λ0(x,y)区别目标和背景像素点。假设斑点噪声分布近似为均值为1的逆高斯分布，雷达后向散射系数为常数，依据联合概率密度理论，SAR图像像素I(x,y)指的是整幅图像的所有像素的集合服从逆高斯分布。假设SAR图像指的是整幅图像区域并用Ω表示，且区域Ω被一闭合可变曲线C分为区域Ω1和区域Ω2两类区域，假设任意两个不同像素位置(x1,y1)≠(x2,y2)，且假设像素I(x1,y1)指的是整幅图像中给定位置的像素值与像素I(x2,y2)相互独立，区域Ω1和区域Ω2没有重合部分，SAR图像服从逆高斯分布P(I(x,y))，基于最大似然估计分割区域Ω1和区域Ω2，则得到：对ΨIG求最小时等价于求区域Ω1最大似然估计，从而实现从Ω区域中分割Ω1和Ω2，引入逆高斯概率密度函数PIG(I(x,y))得到如下表达式：从整幅SAR图像考虑表达式由于其不随分割区域Ω1和Ω2的变化影响ΨIG的结果，因此，式(3)简化为：用E(ui(x,y),λi(x,y))表示区域Ω的能量泛函，则ΨIG1表达式改写为：假设区域Ω1为目标区域，区域Ω2为背景区域，在SAR图像海岸线检测中，海洋和陆地区域均作为目标区域，不必特意指定。为了很好地分割两区域，引用Mumford-Shah模型中轮廓曲线C长度项Length(C)作为能量泛函的约束项，在能量泛函最小化过程中尽可能使轮廓曲线C贴近真实目标区域边界，同时保证曲线C的长度尽可能短，能量泛函E(ui(x,y),λi(x,y))改写为如下表达式：其中，θ表示与SAR图像像素无关的区域能量泛函的权重系数，μ表示与SAR图像像素无关的长度约束项的权重系数。为了使得该能量泛函能够适应拓扑结构变化，将水平集方法引入区域能量泛函E(ui(x,y),λi(x,y))，则轮廓曲线C隐式地表现为水平集函数中的任意一个等值曲线，假设水平集函数用一个三维连续曲面函数φ(x,y)表示，且将水平集函数等于零对应的曲线位置作为轮廓曲线C随轮廓内外的均值演化后的形状，直至轮廓曲线演化到真正目标边缘处使得能量泛函E(ui(x,y),λi(x,y))处于局部极小，在SAR图像海岸线检测中引入水平集函数约束项，选取符号距离函数作为水平集演化方程即水平集函数的更新方程的约束项，并且水平集演化方程初始化时规则曲线作为初始轮廓曲线；所述的规则曲线为圆形或长方形；由于符号距离函数具有特性，为了使水平集函数在更新过程中保持符号距离函数特性，引入在迭代过程中无需重复初始化的水平集函数作为能量泛函的约束项，通常称为能量泛函惩罚项，其具体表达式如下：在式(6)中引入水平集函数，并将式(7)引入式(8)得能量泛函如下：其中，M1(φ(x,y))＝H(φ(x,y))，M2(φ(x,y))＝1-H(φ(x,y))，为梯度，H(φ(x,y))表示以水平集函数为参数的Heaviside函数，当φ(x,y)为正值时M1(φ(x,y))有效，λ1(x,y)、u1(x,y)和φ(x,y)为正值时对应SAR图像像素I(x,y)参与水平集函数演化，当φ(x,y)为负值时M2(φ(x,y))有效，λ2(x,y)、u2(x,y)和φ(x,y)为负值对应像素点的SAR图像像素I(x,y)参与水平集函数演化。v表示水平集函数惩罚项的权重系数，至此，将SAR图像区域Ω1和区域Ω2的分割问题转化为求区域能量泛函E(λi(x,y),ui(x,y),φ(x,y))的最小值问题。由式(8)可知，能量泛函E(λi(x,y),ui(x,y),φ(x,y))取极小值不仅和SAR图像像素I(x,y)有关，还取决于λi(x,y)、ui(x,y)和φ(x,y)的大小，在水平集函数演化过程中假设λi(x,y)和水平集函数φ(x,y)均为已知常数，ui(x,y)未知，且能量泛函E(λi(x,y),ui(x,y),φ(x,y))随ui(x,y)的变化而变化，由式(8)可知，能量泛函E(λi(x,y),ui(x,y),φ(x,y))中第二项和第三项表达式均不涉及ui(x,y)，因此将式(8)简化为：将看作参数为1/ui(x,y)、λi(x,y)和φ(x,y)的能量泛函，假设λi(x,y)为大于零的已知常数，当能量泛函存在极小值时，能量泛函与1/ui(x,y)满足以下关系：通过求式(10)得u1(x,y)和u2(x,y)的表达式如下：同理，设φ(x,y)和ui(x,y)为已知常数，能量泛函E(λi(x,y),ui(x,y),φ(x,y))中λi(x,y)未知，为求解λi(x,y)，对能量泛函关于λi(x,y)求偏导表示为：C、计算λ1(x,y)本文档来自技高网...

【技术保护点】
一种逆高斯分布主动轮廓模型海岸线检测的计算方法，其特征在于：包括以下步骤：A、初始化水平集函数φ(x,y)；基于符号距离函数初始化水平集函数φ(x,y)并记为φ

【技术特征摘要】
1.一种逆高斯分布主动轮廓模型海岸线检测的计算方法，其特征在于：包括以下步骤：A、初始化水平集函数φ(x,y)；基于符号距离函数初始化水平集函数φ(x,y)并记为φ0(x,y)；其中，x,y表示图像中的像素位置坐标；B、计算目标区域的均值u1(x,y)和背景区域的均值u2(x,y)；读取SAR图像像素I(x,y)，按以下公式计算u1(x,y)和u2(x,y)：设逆高斯分布概率密度函数如下：其中，λ0(x,y)表示均值的三次方与方差的比值，u0(x,y)表示目标区域和背景区域的均值，当目标区域和背景区域均值相近时通过参数λ0(x,y)区别目标和背景像素点；假设斑点噪声分布近似为均值为1的逆高斯分布，雷达后向散射系数为常数，依据联合概率密度理论，SAR图像像素I(x,y)指的是整幅图像的所有像素的集合服从逆高斯分布；假设SAR图像指的是整幅图像区域并用Ω表示，且区域Ω被一闭合可变曲线C分为区域Ω1和区域Ω2两类区域，假设任意两个不同像素位置(x1,y1)≠(x2,y2)，且假设像素I(x1,y1)指的是整幅图像中给定位置的像素值与像素I(x2,y2)相互独立，区域Ω1和区域Ω2没有重合部分，SAR图像服从逆高斯分布P(I(x,y))，基于最大似然估计分割区域Ω1和区域Ω2，则得到：对ΨIG求最小时等价于求区域Ω1最大似然估计，从而实现从Ω区域中分割Ω1和Ω2，引入逆高斯概率密度函数PIG(I(x,y))得到如下表达式：从整幅SAR图像考虑表达式由于其不随分割区域Ω1和Ω2的变化影响ΨIG的结果，因此，式(3)简化为：用E(ui(x,y),λi(x,y))表示区域Ω的能量泛函，则ΨIG1表达式改写为：假设区域Ω1为目标区域，区域Ω2为背景区域，在SAR图像海岸线检测中，海洋和陆地区域均作为目标区域，不必特意指定；为了很好地分割两区域，引用Mumford-Shah模型中轮廓曲线C长度项Length(C)作为能量泛函的约束项，在能量泛函最小化过程中尽可能使轮廓曲线C贴近真实目标区域边界，同时保证曲线C的长度尽可能短，能量泛函E(ui(x,y),λi(x,y))改写为如下表达式：其中，θ表示与SAR图像像素无关的区域能量泛函的权重系数，μ表示与SAR图像像素无关的长度约束项的权重系数；为了使得该能量泛函能够适应拓扑结构变化，将水平集方法引入区域能量泛函E(ui(x,y),λi(x,y))，则轮廓曲线C隐式地表现为水平集函数中的任意一个等值曲线，假设水平集函数用一个三维连续曲面函数φ(x,y)表示，且将水平集函数等于零对应的曲线位置作为轮廓曲线C随轮廓内外的均值演化后的形状，直至轮廓曲线演化到真正目标边缘处使得能量泛函E(ui(x,y),λi(x,y))处于局部极小，在SAR图像海岸线检测中引入水平集函数约束项，选取符号距离函数作为水平集演化方程即水平集函数的更新方程的约束项，并且水平集演化方程初始化时规则曲线作为初始轮廓曲线；所述的规则曲线为圆形或长方形；由于符号距离函数具有特性，为了使水平集函数在更新过程中保持符号距离函数特性，引入在迭代过程中无需重复初始化的水平集函数作为能量泛函的约束项，通常称为能量泛函惩罚项，其具体表达式如下：在式(6)中引入水平集函数，并将式(7)引入式(8)得能量泛函如下：其中，M1(φ(x,y))＝H(φ(x,y))，M2(φ(x,y))＝1-H(φ(x,y))，为梯度，H(φ(x,y))表示以水平集函数为参数的Heaviside函数，当φ(x,y)为正值时M1(φ(x,y))有效，λ1(x,y)、u1(x,y)和φ(x,y)为正值时对应SAR图像像素I(x,y)参与水平集函数演化，当φ(x,y)为负值时M2(φ(x,y))有效，λ2(x,y)、u2(x,y)和φ(x,y)为负值对应像素点的SAR图像像素I(x,y)参与水平集函数演化；v表示水平集函数惩罚项的权重系数，至此，将SAR图像区域Ω1和区域Ω2的分割问题转化为求区域能量泛函E(λi(x,y),ui(x,y),φ(x,y))的最小值问题；由式(8)可知，能量泛函E(λi(x,y),ui(x,y),φ(x,y))取极小值不仅和SAR图像像素I(x,y)有关，还取决于λi(x,y)、ui(x,y)和φ(x,y)的大小，在水平集函数演化过程中假设λi(x,y)和水平集函数φ(x,y)均为已知常数，ui(x,y)未知，且能量泛函E(λi(x,y),ui(x,y),φ(x,y))随ui(x,y)的变化而变化，由式(8)可知，能量泛函E(λi(x,y),ui(x,y),φ(x,y))中第二项和第三项表达式均不涉及ui(x,y)，因此将式(8)简化为：将看作参数为1/ui(x,y)、λi(x,y)和φ(x,y)的能量泛函，假设λi(x,y)为大于零的已知常数，当能量泛函存在极小值时，能量泛函与1/ui(x,y)满足以下关系：通过求式(10)得u1(x,y)和u2(x,y)的表达式如下：同理，设φ(x,y)和ui(x,y)为已知常数，能量泛函E(λi(x,y),ui(x,y),φ(x,y))中λi(x,y)未知，为求解λi(x,y)，对能量泛函关于λi(x,y)求偏导表示为：C、计算λ1(x,y)和λ2(x,y)；将步骤B中计算得到的u1(x,y)、u2(x,y)和SAR图像像素I(x,y)代入式(14)和式(15)分别计算λ1(x,y)和λ2(x,y)；由式(11)-(13)得λ1(x,y)和λ2(x,y)的表达式如下：

【专利技术属性】
技术研发人员：史晓非，张旭，张跃龙，王智罡，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁,21