一种基于指数型多尺度影像序列的C‑V模型对SAR影像海岸线快速自动分割方法技术

本发明专利技术提供一种C‑V模型对SAR影像海岸线快速自动分割方法，包括以下步骤：对原始SAR影像进行三次样条Bessel差值函数处理，重采样生成分辨率由低到高的多尺度影像序列，对上一级尺度影像进行横向上的影像分割处理，得到C‑V模型的对应初始轮廓线，然后纵向迭代到下一级尺度影像中作为C‑V模型的初始水平集，依次迭代得到最终的初始轮廓线，迭代入原始SAR影像作为初始水平集进行横向上的影像分割处理，获得SAR影像海岸线分割结果。本方法在保证精度的条件下，单次迭代逼近海岸线的计算量上小于原始的单次迭代计算量，总迭代次数有所减少，时间效率有所提高，实现了岸线快速自动分割。

A fast automatic SAR image segmentation method based on the C coast V model index type multi-scale image sequence

【技术实现步骤摘要】
一种基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法
本专利技术属于遥感影像的数字图像处理领域，尤其是涉及一种基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法。
技术介绍
定义陆地与海洋的交界线称为海岸线，作为陆地表面与海洋表面的交界线，海岸线可分为大陆海岸线和岛屿海岸线。受自然和人为因素的影响，海岸线在不停地升降改变，实际上是一个“带”，称之为海岸带。我国海岸带地区是我国最重要的经济带、城市带，其安全性涉及国家存亡，迫切需要加大科技投入，全国海岸带开发利用监测作为地理国情监测项目的一部分，对近海开发利用发挥着重要的作用。海岸线作为海岸带的基础要素之一，是划分国家领土和海洋专属经济区的基准，对维护海洋权益有着重要的意义，它不仅是海陆的分界线，也是海岸变化的重要空间位置指标、景观变化指标和生态环境变化指标。随着沿海经济的快速发展，海岸线正发生着高频度、显著地变化，传统的海岸线调查在资料获取、信息处理等方面存在着较大局限性，主要表现在海岸环境的可进入性与通达性较差，近海和海岸环境复杂多变，难以进行多变量同步控制，观测海岸环境变化周期长、信息量大，难以取得理想的可控制数据，在实时处理上也有很大困难。合成孔径雷达(SyntheticApertureRadar,SAR)以其高频、高精度、快速、统一、同步、综合的数据获取能力以及全天候、大面积、同步和周期性观测的特点很好地克服了上述局限，非常适用于海岸线信息探测。国内外基于SAR影像海岸线分割方法的研究主要有区域生长、阈值分割、小波变换、马尔科夫随机场、人工神经网络、水平集等。其中水平集方法具有较强的检测灵敏度和抗噪能力的优点。Chan和Vese提出了简化的水平集方法，对应的模型被称为C-V模型。Gao等提出了多相位梯度C-V模型，分割过程除依靠模型参数的选择和初始曲线的给定外加入梯度参数。Lie等提出了二值化的C-V模型，将符号距离函数SDF用不连续的二值函数代替。Gao等利用n个水平集构造n个区域，提出了M-C-V模型，提高了效率，但分割结果受初始曲线影像较大，分割结果极易陷入局部最优，导致误分割，精度较差。现有对C-V模型的研究仅局限于影像序列生成过程中的比例尺底数为a＝2，在具体应用于海岸线分割中，一是由于SAR影像固有的斑点噪声，包含不同尺寸大小的复杂地物目标及不同层次的空间结构，导致C-V模型差分迭代需要较小的迭代步长和较多的迭代次数，边界检测速度变慢；二是从SAR图像检测海岸线具有一定的挑战性，因为它既包含了陆地区域信息也包含海水区域信息，并且陆地地貌复杂，来自海岸线的反射信息变化无常，有时很难和陆地地物信息区分，分割结果不理想，无法实现岸线快速自动化的分割。在原始二进制多尺度C-V模型上如何改进多尺度影像序列生成方式进行自动识别海岸线成为需要研究的核心内容。
技术实现思路
本专利技术的目的在于针对现有的二进制多尺度C-V模型无法自动识别岸线、迭代复杂时间缓慢的问题，提出了一种基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法，根据电磁波在水中被吸收的程度显著大于陆地的特点，本方法首先对初始影像经横向影像分割处理进行预处理确定了符号距离函数SDF的初始值，并在分割能量函数F(ψ,C+,C-)计算过程中增加了水陆差异的权重，滤波处理及小尺度采样处理能够有效的弥合陆地上类似“孔洞”的小区域，消除大多数噪声斑点或复杂地物而造成的对海岸线的干扰，最终给出了初始分割阈值ψ0，较原始二进制多尺度C-V模型算法，有效地解决了海岸线分割过程中遇到的各种干扰因素。本专利技术的技术方案具体如下面所描述：一种基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法，包括以下步骤：(1)对原始SAR影像进行三次样条Bessel差值函数处理，重采样生成分辨率由低到高的多尺度影像序列{V1V2V3...Vi}，(i＝1，2，3，4...n；n为多尺度影像的数目)；(2)对生成的分辨率最低的尺度影像V1进行初始分割处理，得到C-V模型的初始轮廓线C01，并将处理后的C01纵向迭代到下一级尺度影像V2中，作为尺度影像V2的C-V模型的初始水平集，再将尺度影像V2进行横向上的影像分割处理，获得C-V模型的初始轮廓线C02；这样依次将上一级尺度影像进行横向上的影像分割处理，然后将上一级尺度影像的对应初始轮廓线纵向迭代到下一级尺度影像中作为C-V模型的初始水平集；(3)按照上述步骤依次进行迭代继承，直至在尺度影像Vi(i＝n)中获得最终的初始轮廓线C0n，作为原始SAR影像的初始水平集进行横向上的影像分割处理，获得SAR影像海岸线分割结果。进一步的，步骤(1)中，所述三次样条Bessel差值函数为：其中，x表示网格步长，t＝x-i(i≤x≤i+1),t表示网格步长差，设重采样时的影像比例尺为Si(0<Si≤1)，i表示目标像素点，Zi-2，Zi-1，Zi，Zi+1，Zi+2，Zi+3表示i周围的6个像素节点；对原始SAR影像进行三次样条Bessel差值函数处理使影像进行重采样，降低目标岸线周围的其他地物干扰因素，在一定程度上进一步消除复杂地物对岸线分割的影响。进一步的，重采样影像的像素点位置(u,v)与原始SAR影像的像素点位置(i,j)的对应关系为：i＝floor(u/Si),1≤u≤floor(m×Si)j＝floor(v/Si),1≤v≤floor(n×Si)m、n表示影像的长、宽，floor(x)是向下取整函数。进一步的，步骤(2)中，横向上的影像分割处理是对单个尺度影像的自动分割过程，包括巴特沃斯低通滤波处理，用于进一步消除复杂地物对后续岸线分割的影响；C-V分割处理，用于获得海岸线分割结果；最大区域处理，用于排除礁石类等小区域，规避不必要的地物因素，获得最终目标岸线。进一步的，所述C-V分割处理是根据C-V模型要求进而需要给出各个单个尺度影像的初始分割阈值ψ0；根据SAR反射强度在水与陆地上有显著差异的特点，利用分割给出初始的地面区域；针对海(礁)岸线分割，首先根据伽玛(GAMMA)分布给出类似分割的C-V模型的初始分割阈值ψ0；对初始分割阈值ψ0，用正值填充初始地面区域，相对的对海域部分用负值填充，即ψ0[inside(C)]>0，ψ0[outside(C)]<0；C是对应单个尺度影像的轮廓线；设初始分割阈值ψ0是根据初始轮廓线C0构造的符号距离函数：{C0|ψ0(x,y)＝0}并设ψ为内正外负型的符号距离函数SDF，即ψ0[outside(C)]<0，则用水平集函数表达的轮廓线C的长度L(C)和轮廓线内部的面积S分别为：L(C)＝∫Ω|▽H|dxdy＝∫Ωδ(ψ)|▽ψ|dxdyS[inside(C)]＝∫ΩH(ψ)dxdy式中，▽ψ是满足ψ[inside(C)]>0和ψ[outside(C)]<0的SDF，▽H表示Heaviside函数，x、y表示网格步长，C表示初始轮廓线；Ω是水平集函数的定义域；H(ψ)是Heaviside函数，δ(ψ)则是Dirac函数；因此，图像分割能量函数：F(ψ,C+,C-)＝μL(C本文档来自技高网...

【技术保护点】
一种基于指数型多尺度影像序列的C‑V模型对SAR影像海岸线快速自动分割方法，包括以下步骤：(1)对原始SAR影像进行三次样条Bessel差值函数处理，重采样生成分辨率由低到高的多尺度影像序列{V1V2V3...Vi}，(i＝1，2，3，4...n；n为多尺度影像的数目)；(2)对生成的分辨率最低的尺度影像V1进行初始分割处理，得到C‑V模型的初始轮廓线C01，并将处理后的C01纵向迭代到下一级尺度影像V2中，作为尺度影像V2的C‑V模型的初始水平集，再将尺度影像V2进行横向上的影像分割处理，获得C‑V模型的初始轮廓线C02；这样依次将上一级尺度影像进行横向上的影像分割处理，然后将上一级尺度影像的对应初始轮廓线纵向迭代到下一级尺度影像中作为C‑V模型的初始水平集；(3)按照上述步骤依次进行迭代继承，直至在尺度影像Vi(i＝n)中获得最终的初始轮廓线C0n，作为原始SAR影像的初始水平集进行横向上的影像分割处理，获得SAR影像海岸线分割结果。

【技术特征摘要】
1.一种基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法，包括以下步骤：(1)对原始SAR影像进行三次样条Bessel差值函数处理，重采样生成分辨率由低到高的多尺度影像序列{V1V2V3...Vi}，(i＝1，2，3，4...n；n为多尺度影像的数目)；(2)对生成的分辨率最低的尺度影像V1进行初始分割处理，得到C-V模型的初始轮廓线C01，并将处理后的C01纵向迭代到下一级尺度影像V2中，作为尺度影像V2的C-V模型的初始水平集，再将尺度影像V2进行横向上的影像分割处理，获得C-V模型的初始轮廓线C02；这样依次将上一级尺度影像进行横向上的影像分割处理，然后将上一级尺度影像的对应初始轮廓线纵向迭代到下一级尺度影像中作为C-V模型的初始水平集；(3)按照上述步骤依次进行迭代继承，直至在尺度影像Vi(i＝n)中获得最终的初始轮廓线C0n，作为原始SAR影像的初始水平集进行横向上的影像分割处理，获得SAR影像海岸线分割结果。2.根据权利要求1所述的基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法，其特征在于：步骤(1)中，所述三次样条Bessel差值函数为：其中，x表示网格步长，t＝x-i(i≤x≤i+1),t表示网格步长差，设重采样时的影像比例尺为Si(0<Si≤1)，i表示目标像素点，Zi-2，Zi-1，Zi，Zi+1，Zi+2，Zi+3表示i周围的6个像素节点；对原始SAR影像进行三次样条Bessel差值函数处理使影像进行重采样，降低目标岸线周围的其他地物干扰因素，在一定程度上进一步消除复杂地物对岸线分割的影响。3.根据权利要求2所述的基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法，其特征在于：重采样影像的像素点位置(u,v)与原始SAR影像的像素点位置(i,j)的对应关系为：i＝floor(u/Si),1≤u≤floor(m×Si)j＝floor(v/Si),1≤v≤floor(n×Si)m、n表示影像的长、宽，floor(x)是向下取整函数。4.根据权利要求1所述的基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法，其特征在于：步骤(2)中，横向上的影像分割处理是对单个尺度影像的自动分割过程，包括巴特沃斯低通滤波处理，用于进一步消除复杂地物对后续岸线分割的影响；C-V分割处理，用于获得海岸线分割结果；最大区域处理，用于排除礁石类等小区域，规避不必要的地物因素，获得最终目标岸线。5.根据权利要求4所述的基于指数型多尺度影像序列的C-V模型对SAR影像海岸线快速自动分割方法，其特征在于：所述C-V分割处理是根据C-V模型要求进而需要给出各个单个尺度影像的初始分割阈值ψ0；根据SAR反射强度在水与陆地上有显著差异的特点，利用分割给出初始的地面区域；针对海(礁)岸线分割，首先根据伽玛(GAMMA)分布给出类似分割的C-V模型的初始分割阈值ψ0；对初始分割阈值ψ0，用正值填充初始地面区域，相对的对海域部分用负值填充，即ψ0[inside(C)]>0，ψ0[outside(C)]<0；C是对应单个尺度影像的轮廓线；设初始分割阈值ψ0是根据初始轮廓线C0构造的符号距离函数：{C0|ψ0(x,y)＝0}并设ψ为内正外负型的符号距离函数SDF，即ψ0[outside(C)]<0，则用水平集函数表达的轮廓线C的长度L(C)和轮廓线内部的面积S分别为：L(C)＝∫Ω|...

【专利技术属性】
技术研发人员：卢丽君，胡娇静，张继贤，许君一，赵争，
申请(专利权)人：中国测绘科学研究院，
类型：发明
国别省市：北京,11