边缘和区域概率密度差相结合的水平集ＳＡＲ图像分割方法技术

本发明专利技术公开了一种基于边缘和区域概率密度差相结合的水平集ＳＡＲ图像分割方法，它属于图像处理技术领域，主要解决现有水平集方法难以分割边缘模糊的ＳＡＲ图像和对ＳＡＲ图像真实边缘定位不准的问题。其实现步骤包括：首先应用ＲＯＥＷＡ算子检测ＳＡＲ图像边缘强度模值｜Ｒｍａｘ｜；其次初始化水平集函数φ，将ＳＡＲ图像分成内外两个区域Ω１和Ω２，并求区域这两个区域的强度均值ｃ１和ｃ２；再次根据ｃ１和ｃ２求区域Ω１和Ω２的估计概率密度和并计算这两个区域的实际概率密度ｐ１和ｐ２；而后构造总能量函数ＥＳＡＲ，并应用变分法求梯度下降流方程，更新水平集φ，得到新的分割区域Ω１和Ω２。实验结果表明本发明专利技术所实现的分割方法能得到比较理想的分割效果，可用于ＳＡＲ图像的边缘检测和目标识别。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及SAR图像分割领域的应用，具体地说是一种 基于边缘和区域相结合的水平集SAR图像分割方法，可用于SAR图像的分割、边缘检测和目 标识别。
技术介绍
合成孔径雷达SAR是一种高分辨率主动式雷达，具有全天候、全天时、分辨率高、 可侧视成像等优点，可应用于军事、农业、导航、地理监视等诸多领域。SAR图像被广泛的应 用在目标检测领域，而SAR图像分割则是从图像处理到图像分析的重要步骤，是目标分类 和识别的基础。由于SAR是一种相干成像系统，SAR图像在本质上是对目标的电磁散射特性 和结构特性的反应，其成像效果很大程度上依赖于雷达参数和地域电磁参数。由于SAR成 像系统的特殊性，使SAR图像的信息表达方式和光学图像有很大差异，并且会受到相干斑 噪声及阴影等许多几何特征的影响，正因为这些因素使适用于光学图像的分割方法对SAR 图像不再适用。总体上说常规的SAR分割方法差不多还是用传统的分割模型对SAR图像进行分 割，如一些基于阈值的分割、基于边缘的分割和基于区域生长的分割方法等，但是其中的很 多分割方法容易受到SAR图像中相干斑噪声的影响，所以此类方法都需要先通过预处理抑 制相干斑噪声。这些预处理方法在抑制相干斑噪声的同时，不可避免地损失了很多边缘与 目标信息，影响了分割效果。水平集图像分割方法是重要的图像处理方法之一。水平集方法的优点是可以适应 拓扑结构的变化，而且算法稳定性较高。利用水平集方法研究SAR图像分割问题，通过建立 合适的能量泛函，可以在能量泛函的定义中引入图像区域信息，在不需要相干斑预处理的 情况下，对于受相干斑噪声影响的SAR图像可以获得比较准确的分割结果。传统的水平集模型分基于边缘和基于区域两种方法。测地线活动轮廓模型GAC模 型能在不附加任何外界控制条件下，自由处理曲线运动时的拓扑结构变化，是基于边缘的 模型中应用最广的一种。但是该模型仅利用图像的梯度信息，由于图像运动中的边缘并非 都是理想的阶梯边缘，难以分割出边缘模糊的图像中的同质区域，另外当图像中的对象有 较深的凹陷边界时，GAC模型可能使演化曲线停止在某一局部极小值状态，并不与对象的边 界相一致，且梯度信息本身就不适用于SAR图像。Chan和Vese提出的CV模型作为一种能 有效提高曲线演化拓扑自适应能力的区域水平集分割模型，利用了图像勻质区域的全局信 息。但是其同样也存在不足之处。该模型的内部能量项只是保证零水平集曲线光滑，而没 有考虑水平集函数本身所固有的内在性质，在某些应用中还需要对水平集函数进行重新初 始化，以使它接近符号距离函数，保证数值解法的稳定性，另外，模型中仅仅利用了图像的 区域信息，而另一个重要的图像的边缘信息没有很好地利用，在一些分割应用中尤其是对 灰度不均勻的图像可能产生图像边缘定位不准确的缺陷。虽然水平集分割方法已经在光学和医学图像分割中获得了巨大的成功，但是在SAR图像分割领域，研究的还比较少，国际上知名的有法国的Refregier等人和加拿大的 Ayed等人所领导的两个机构，并且两个机构各有偏重，前者偏重研究参数活动轮廓模型在 SAR图像分割和边缘检测方面的应用，后者主要研究几何活动轮廓模型对多区域SAR图像 的分割。而国内在水平集SAR图像分割方面研究还很少。
技术实现思路
本专利技术的目的在于克服上述已有技术和方法中的不足，提供一种基于边缘和区域 相结合的水平集SAR图像分割方法，以实现对边缘模糊的SAR图像区域的准确分割，提高边 缘的定位性能，从而提高SAR图像的分割的质量。实现本专利技术目的技术思路是根据SAR图像的统计特性，应用Gamma分布作为SAR 图像的概率密度函数，并且分别计算由水平集划分得到的两个区域的概率密度的真实值和 估计值，以这两个值差的平方作为区域信息，同时应用对SAR图像有很好边缘定位性能的 指数加权均值比率(ROEWA)边缘检测算子的检测结果代替梯度值作为边缘信息，将这两部 分信息结合进行能量函数的建模，从而达到理想的分割结果。其具体的实现过程如下(1)对待分割SAR图像I应用ROEWA边缘检测算子进行边缘检测，得到边缘强度模值 Rmax ；(2)将水平集函数Φ初始化成圆形的符号距离函数形式，根据水平集函数值的正 负，将SAR图像分割成两个区域Q1和Ω2 ；(3)根据所述的两个区域Q1和Ω 2，利用下式分别计算对应的估计概率密度尸f和 As以及真实估计概率密度P1和P2 3a)利用下式计算区域Q1和Ω2的强度均值权利要求一种边缘和区域概率密度差相结合的水平集SAR图像分割方法，包括以下步骤(1)对待分割SAR图像I应用ROEWA边缘检测算子进行边缘检测，得到边缘强度模值|Rmax|；(2)将水平集函数φ初始化成圆形的符号距离函数形式，根据水平集函数值的正负，将SAR图像分割成两个区域Ω1和Ω2；(3)根据所述的两个区域Ω1和Ω2，利用下式分别计算对应的估计概率密度和以及真实估计概率密度p1和p23a)利用下式计算区域Ω1和Ω2的强度均值 <mrow><msub> <mi>c</mi> <mi>i</mi></msub><mo>=</mo><mfrac> <mrow><msub> <mrow><mo>&Integral;</mo><mo>&Integral;</mo> </mrow> <msub><mi>&Omega;</mi><mi>i</mi> </msub></msub><mi>I</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mi>dxdy</mi> </mrow> <mrow><msub> <mrow><mo>&Integral;</mo><mo>&Integral;</mo> </mrow> <msub><mi>&Omega;</mi><mi>i</mi> </msub></msub><mi>dxdy</mi> </mrow></mfrac><mo>,</mo> </mrow>其中i＝1，2，(x，y)是图像坐标；3b)结合步骤3a)得到的强度均值，利用下式计算区域Ω1和Ω2的估计概率密度和本文档来自技高网...

【技术保护点】
一种边缘和区域概率密度差相结合的水平集ＳＡＲ图像分割方法，包括以下步骤：（１）对待分割ＳＡＲ图像Ｉ应用ＲＯＥＷＡ边缘检测算子进行边缘检测，得到边缘强度模值｜Ｒ↓［ｍａｘ］｜；（２）将水平集函数φ初始化成圆形的符号距离函数形式，根据水平集函数值的正负，将ＳＡＲ图像分割成两个区域Ω↓［１］和Ω↓［２］；（３）根据所述的两个区域Ω↓［１］和Ω↓［２］，利用下式分别计算对应的估计概率密度ｐ↓［１］↑［Ｅ］和ｐ↓［２］↑［３］以及真实估计概率密度ｐ↓［１］和ｐ↓［２］：３ａ）利用下式计算区域Ω↓［１］和Ω↓［２］的强度均值：ｃ↓［ｉ］＝∫∫↓［Ω↓［ｉ］］Ｉ（ｘ，ｙ）ｄｘｄｙ／∫∫↓［Ω↓［ｉ］］ｄｘｄｙ，其中ｉ＝１，２，（ｘ，ｙ）是图像坐标；３ｂ）结合步骤３ａ）得到的强度均值，利用下式计算区域Ω↓［１］和Ω↓［２］的估计概率密度ｐ↓［１］↑［Ｅ］和ｐ↓［２］↑［Ｅ］：ｐ↓［ｉ］↑［Ｅ］（Ｉ）＝Ｌ↑［Ｌ］／ｃ↓［ｉ］Γ（Ｌ）（Ｉ／ｃ↓［ｉ］）↑［Ｌ－１］ｅ↑［－ＬＩ／ｃ↓［ｉ］］，其中Ｌ是ＳＡＲ图像的视数，Γ（·）是Ｇａｍｍａ函数，ｉ＝１，２；３ｃ）利用下式计算区域Ω↓［１］和Ω↓［２］的实际概率密度ｐ↓［１］和ｐ↓［２］：ｐ↓［ｉ］（Ｉ）＝∫∫↓［Ω↓［ｉ］］δ（Ｉ（ｘ↓［１］，ｙ↓［１］）－Ｉ）ｄｘ↓［１］ｄｙ↓［１］／∫∫↓［Ω↓［ｉ］］ｄｘ↓［１］ｄｙ↓［１］，其中Ｉ（ｘ↓［１］，ｙ↓［１］）代表坐标为（ｘ↓［１］，ｙ↓［１］）的图像像素值，ｉ＝１，２；（４）结合步骤（１）、步骤（２）、步骤（３）构造总的分割能量函数模型Ｅ↓［ＳＡＲ］：Ｅ↓［ＳＡＲ］＝＊∫∫↓［Ω↓［ｉ］］λ↓［ｉ］（ｐ↓［ｉ］↑［Ｅ］－ｐ↓［ｉ］）↑［２］＋μ∫∫↓［Ω］ｇ（｜Ｒ↓［ｍａｘ］｜）｜▽Ｈ（φ）｜＋ｖ∫∫↓［Ω］１／２（｜▽φ｜－１）↑［２］，其中Ω是整个图像区域，即Ω＝Ω↓［１］＋Ω↓［２］，λ↓［ｉ］，ｉ＝１，２是第一部分即区域能量项的权值，μ是第二部分边缘能量项的权重，ｖ是第三部分修正项的权值，λ↓［ｉ］＞０，μ＞０，ｖ＞０，▽是梯度算子，Ｈ（·）是Ｈｅａｖｉｓｉｄｅ函数，ｇ（｜Ｒ↓［ｍａｘ］｜）是定义在边缘强度模值｜Ｒ↓［ｍａｘ］｜上的指示函数，表达式如下：ｇ（｜Ｒ↓［ｍａｘ］｜）＝１／１＋｜Ｒ↓［ｍａｘ］｜↑［２］／ｋ↑［２］，其中ｋ是正的比例常数；（５）根据步骤（４）构造的分割能量函数模型对ＳＡＲ图像Ｉ进行下一步分割：５ａ）对总的分割能量函数模型应用最速下降法，得到梯度下降流方程＊φ／＊ｔ：＊φ／＊ｔ＝δ（φ）（－λ↓［１］（ｐ↓［１］－ｐ↓［１］↑［Ｅ］）↑［２］＋λ↓［２］（ｐ↓［２］－ｐ↓［２］↑［Ｅ］）↑［２］＋μδ（φ）ｄｉｖ（ｇ（｜Ｒ↓［ｍａｘ］｜▽φ／｜▽φ｜）＋ｖ（Δφ－ｄｉｖ（▽φ／｜▽φ｜）），其中δ（·）是Ｄｉｒａｃ函数，Δ是拉普拉子算子；５ｂ）对梯度下降流方程＊φ／＊ｔ离散化，得到如下表达式：（φ↑［ｎ＋１］－φ↑［ｎ］）／Δｔ＝δ（φ）（－λ↓［１］（ｐ↓［１］－ｐ↓［１］↑［Ｅ］）↑［２］＋λ↓［２］（ｐ↓［２］－ｐ↓［２］↑［Ｅ］）↑［２］＋μδ（φ）ｄｉｖ（ｇ（｜Ｒ↓［ｍａｘ］｜▽φ｜▽φ｜）＋ｖ（Δφ－ｄｉｖ（▽φ／｜▽φ｜））其中φ↑［ｎ＋１］代表第ｎ＋１次迭代后的水平集函数，φ↑［ｎ］代表第ｎ次迭代后的水平集函数，初始化的水平集函数φ是ｎ＝０时的φ↑［ｎ］，▽ｔ是迭代步长；５ｃ）根据步骤５ｂ）求得新的水平集函数φ↑［ｎ＋１］，由φ↑［ｎ＋１］的正负值即得到新的分割区域Ω↓［１］↑［ｎ＋１］和Ω↓［２］↑［ｎ＋１］；５ｄ）判断水平集函数是否收敛且达到最大的迭代次数，若不满足则转到步骤（３），用Ω↓［１］↑［ｎ＋１］和Ω↓［２］↑［ｎ＋１］替代Ω↓［１］和Ω↓［２］继续迭代，否则停止迭代，得到的Ω↓［１］↑［ｎ＋１］和Ω↓［２］↑［ｎ＋１］即是最终的分割结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：侯彪，焦李成，李书强，王爽，刘芳，尚荣华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87