專利名稱：基于剪切波隱馬爾可夫模型的合成孔徑雷達(dá)圖像分割方法
基于剪切波隱馬爾可夫模型的合成孔徑雷達(dá)圖像分割方法 技術(shù)領(lǐng)域.
本發(fā)明屬于圖像處理領(lǐng)域，特別是一種涉及SAR圖像分割的方法，可應(yīng)用于目 標(biāo)識(shí)別。
背暴技術(shù)
合成孔徑雷達(dá)SAR是一種高分辨率雷達(dá)體制，可應(yīng)用于軍事，農(nóng)業(yè)，導(dǎo)航，地 理監(jiān)視等諸多領(lǐng)域。它與其它遙感成像系統(tǒng)，光學(xué)成像系統(tǒng)相比有很多差異。在軍 事目標(biāo)識(shí)別方面，SAR圖像被廣泛的應(yīng)用在目標(biāo)檢測領(lǐng)域，而SAR圖像分割則是 從圖像處理到圖像分析的重要步驟，是目標(biāo)分類和識(shí)別的基礎(chǔ)。本質(zhì)上SAR圖像反 映的是目標(biāo)的電磁散射特性和結(jié)構(gòu)特性，其成像效果很大程度上依賴于雷達(dá)參數(shù)和 地域電磁參數(shù)。SAR成像的特殊性使得針對(duì)該類圖像的分割方法有別于普通光學(xué)圖 像非光學(xué)成像方式導(dǎo)致SAR圖像灰度級(jí)變化緩慢，因此光學(xué)圖像常用的自適應(yīng)閾 值分割方法對(duì)此類圖像收效甚微；SAR圖像含有大量相干斑噪聲，而常規(guī)分割方 法通常對(duì)噪聲具有很高的敏感度，不宜用于此類圖像；SAR遙感被測地域的電磁 波散射特性，這種特性近似的區(qū)域會(huì)成像為SAR圖像中相近的灰度級(jí)，而該地域的 光學(xué)圖像中這些區(qū)域卻很可能呈現(xiàn)不同的灰度級(jí)。
針對(duì)SAR圖像的以上特點(diǎn)，經(jīng)典分割方法有
基于抑斑的分割方法。這類方法首先對(duì)SAR進(jìn)行濾波，然后利用光學(xué)圖像的常 規(guī)分割方法處理。常用濾波方法有Lee方法、Sigma濾波、Kuan方法和Gamma-MAP 方法。經(jīng)過濾波抑斑后再分割與直接分割方法相比效果有所提升，但是抑斑過程中 模糊了邊緣和紋理信息，導(dǎo)致圖像細(xì)節(jié)信息丟失。
基于SAR概率分布模型的分割方法。主要有Markov隨機(jī)場分割方法，分為非 因果Markov隨機(jī)場和因果Markov隨機(jī)場兩種。非因果Markov隨機(jī)場參數(shù)估計(jì)困 難，且需要迭代；因果Markov隨機(jī)場易形成方向性塊效應(yīng)。這類方法由于考慮了 SAR圖像的物理統(tǒng)計(jì)特性和先驗(yàn)概率分布知識(shí)，因而分割效果較基于抑斑的分割方 法有所改善，但是沒有充分挖掘SAR圖像不同分辨率之間的統(tǒng)計(jì)關(guān)系，僅研究單一 分辨率情況下的先驗(yàn)概率問題?；诙喑叨入[馬爾可夫模型分割方法。H. Choi等人將該小波域HMM模型推廣 到二維信號(hào)并提出了針對(duì)紋理圖像分割的經(jīng)典方法小波HMTseg，參見H. Choi and R. G Barabiuk. Multiscale image segmentation using wavelet-domain hidden Markov models,正EE Trans, on Image Processing, 2001， 10(9):1309-1321 。由于SAR圖像中不 同類別地物的紋理特征差異較大，該方法應(yīng)用于SAR圖像分割的效果比前兩類方法 有較大改善。隨后，Duncan D,Y. Po等人提出了 Contourlet域HMT模型，參見D. D.-Y. Po and M. N. Do. Directional multiscale modeling of images using the Contourlet transform. IEEE Workshop on Statistical Signal Processing, 2003:262-273 。 B. S. Raghvendra和P. S. Bhat將該模型應(yīng)用于紋理圖像分割，孫強(qiáng)等人改進(jìn)了該方法多尺 度融合部分中的鄰域背景模型，將該方法推廣到SAR圖像提出了 ContourletHMTseg 方法，參見沙宇恒，叢琳，孫強(qiáng)等，基于Contourlet域HMT模型的多尺度圖像分割. 紅外與毫米波學(xué)報(bào).2005. 12,24(6):472-476。
隨著多尺度幾何域HMT模型下SAR圖像分割方法的日益成熟，分割效果的評(píng) 價(jià)也在一下四個(gè)方面逐漸嚴(yán)苛起來。方向信息的準(zhǔn)確性；同質(zhì)區(qū)域的內(nèi)部一致性； 細(xì)節(jié)信息的完整性；邊緣邊界的清晰性。小波變換有限的方向性表示在分割過程中 損失了一些圖像的細(xì)節(jié)信息和邊緣，導(dǎo)致該小波HMTseg方法對(duì)包含復(fù)雜紋理的 SAR圖像會(huì)產(chǎn)生誤分割和區(qū)域一致性不理想等現(xiàn)象。由于Contourlet變換對(duì)圖像方 向性變換的數(shù)量有約束性，因而很難建立整齊對(duì)應(yīng)的Contourlet域HMT模型，使分 割結(jié)果對(duì)SAR圖像的細(xì)節(jié)有信息損失，邊界和邊緣等方向信息不完整。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于Shearlet域HMT 模型的SAR圖像分割方法，利用Shearlet變換完備的方向選擇性提高邊緣分辨精度 和區(qū)域一致性，保證圖像分割信息的完整性，提高SAR圖像分割的質(zhì)量。
實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是使用高效新穎的多尺度幾何分析工具Shearlet 變換，充分挖掘圖像中的方向信息，構(gòu)建出具有嚴(yán)密結(jié)構(gòu)的Shearlet域HMT模型， 有效的克服了 Contourlet HMT模型中尺度間對(duì)應(yīng)關(guān)系不完備的缺陷。其具體實(shí)現(xiàn)過 程如下
(1) 對(duì)待分割SAR圖像進(jìn)行地物特征區(qū)域提取y。,/,，…,/d， C表示圖像中地物 類別數(shù)；
(2) 對(duì)特征區(qū)域進(jìn)行Sheariet變換，得到特征系數(shù)K,S,，...,Sd ;(3) 利用最大期望方法求出各類特征區(qū)域的Shearlet域HMT模型參數(shù)集. (G),，02,…，0c)，
其中^={ ,^,^， ceC， p表示高斯混合模型的均值，cj表示高斯混合模 型的方差，^標(biāo)識(shí)初始狀態(tài)概率矩陣，s表示狀態(tài)轉(zhuǎn)移概率矩陣；
(4) 將待分割SAR圖像進(jìn)行Shearlet變換，得到SAR圖像系數(shù)S;
(5) 利用特征系數(shù)^。，S,…,S^計(jì)算SAR圖像系數(shù)S各個(gè)尺度上所對(duì)應(yīng)的似然 值JLhood',Lhood2,…，Lhood^ ，尺度范圍1 J;
(6) 根據(jù)最大似然準(zhǔn)則ML，由步驟(4)中的似然值計(jì)算出尺度1 J上的初始分割 結(jié)果(MLseg',MLseg2,…，MLseg^ ;
(7) 采用最大化后驗(yàn)概率準(zhǔn)則，將步驟(6)得到的初始分割結(jié)果從尺度J到1開 始融合，并將尺度l上的融合圖像作為最終的分割結(jié)果。
本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)
1、 本發(fā)明由于使用多尺度幾何分析工具Shearlet的超冗余特性，能夠?qū)AR 圖像紋理區(qū)域的方向性細(xì)節(jié)信息進(jìn)行提取，保證了圖像信息的完整性；
2、 本發(fā)明將Shearlet變換的多方向性和HMT模型相結(jié)合，有效地保留了圖像 中的光滑邊緣部分；
3、 本發(fā)明由于采用了 Shearlet域HMT模型，其尺度間對(duì)應(yīng)關(guān)系嚴(yán)密，易于最 大期望方法處理，使融合過程中的迭代次數(shù)少，收斂速度快；
4、 仿真結(jié)果表明，本發(fā)明方法較小波HMTseg和Contourlet HMTseg能更有效 的進(jìn)行圖像分割。


圖l是本發(fā)明的流程示意圖2是本發(fā)明在一幅兩類簡單地物背景SAR圖像上的仿真結(jié)果圖； 圖3是本發(fā)明在一幅兩類復(fù)雜地物背景SAR圖像上的仿真結(jié)果圖； 圖4是本發(fā)明在一副三類地物背景SAR圖像上的仿真結(jié)果圖。
具體實(shí)施例方式
參照?qǐng)Dl，本發(fā)明的具體實(shí)現(xiàn)步驟如下
步驟一、對(duì)待分割3^圖像進(jìn)行地物特征區(qū)域提取{/。,/1，...,/(:}。
在待分割SAR圖像中選取紋理特征明顯的像素區(qū)域，根據(jù)需要的地物目標(biāo)類別 將這些像素區(qū)分別標(biāo)記為{/。,/1,...,/(:}。步驟二、對(duì){/。,/1,...，4.}進(jìn)行31^&1^變換，得到特征系數(shù)^。，S,，…，S^。
Shearlet變換采用"9/7"塔變換和窗函數(shù)二維濾波器方式，變換四層，子帶變 換過程中，通過調(diào)節(jié)基函數(shù)中方向?yàn)V波器窗函數(shù)的尺寸參數(shù)，選取任意2次冪的子帶 個(gè)數(shù)。計(jì)算特征區(qū)域{/。,/1,...，/(;}的511^16係數(shù)^。,51,.即訓(xùn)練樣本。
步驟三、利用最大期望方法，對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，計(jì)算各種類別系數(shù)的Shearlet 域HMT參數(shù)模型(0,，G)2,…，G)c) ， c = {//，0",/7s,￡} ， ceC。
這一步驟的目標(biāo)是最大化似然函數(shù)ln/(S10),該最大化過程分為兩個(gè)基本步 驟的迭代收斂過程E步和M步。通過E步計(jì)算條件概率函數(shù)/7(Slw，0')， / = 1，2，...乂，它表示隱狀態(tài)的聯(lián)合概率分布函數(shù)；M步負(fù)責(zé)更新模型參數(shù)0的參量 p， ci， ^和e，其中n表示高斯混合模型的均值，o表示高斯混合模型的方差，^標(biāo) 識(shí)初始狀態(tài)概率矩陣，e表示狀態(tài)轉(zhuǎn)移概率矩陣。迭代E步和M步直到得到最大化似 然函數(shù)，此時(shí)的模型參數(shù)0即為所求的Shearlet域HMT參數(shù)模型。
步驟四、對(duì)待分割SAR圖像進(jìn)行Shearlet變換，得到SAR圖像系數(shù)S。
這里采用四層Shearlet變換，構(gòu)造出一個(gè)尺度參數(shù)/ = 4的樹形分布系數(shù)3，在圖 像系數(shù)3與特征系數(shù)^。,51,...,5^之間建立了尺度間的一一對(duì)應(yīng)關(guān)系，即全部尺度 上的圖像系數(shù)都有各類別的特征系數(shù)與之相對(duì)應(yīng)，用作似然值計(jì)算的參考值。
步驟五、根據(jù)步驟三得到的各類別參數(shù)模型(^,02,...，0^和步驟四的SAR圖 像系數(shù)S，計(jì)算每個(gè)尺度上的似然值{0100(11工1100￡12,...,1^00(1。。
實(shí)現(xiàn)該步驟的具體過程如下-
(5a)順序提取圖像系數(shù)S的每個(gè)四層樹形子帶系數(shù)，記為《，其中尺度參數(shù) 乂 = 1,2,...， /，子帶參數(shù)A: = 1,2,3,4;
(5b)順序提取各類別參數(shù)模型{€)1, 2，..., ^的每個(gè)四層樹形子帶參量集，記
(5c)計(jì)算《對(duì)應(yīng)于每種類別參數(shù)的似然值/(《
(5d)重復(fù)步驟(5a) 步驟(5c)，完成每個(gè)子帶上的似然值計(jì)算； (5e)計(jì)算每個(gè)尺度上的似然值{1^003'，1^0(^2，...,1^00^/}:
步驟六、由最大后驗(yàn)準(zhǔn)則ML，根據(jù)多尺度似然值計(jì)算所對(duì)應(yīng)的每個(gè)尺度上初 始分割結(jié)果(MLseg'，MLseg2,…，MLseg"。 ，
每個(gè)尺度上的似然值可以寫成集合LhoocF ={Ziw0《"，其中l(wèi)表示該尺度上系.數(shù)的位置。它包含了尺度j上每個(gè)系數(shù)對(duì)應(yīng)于各類別參數(shù)模型的相似度。根據(jù)最大后 驗(yàn)準(zhǔn)則ML，將該尺度上每個(gè)系數(shù)所對(duì)應(yīng)的最大似然值的類別作為這個(gè)系數(shù)的類別標(biāo)
記Aaseg^，即
計(jì)算完所有尺度上的系數(shù)類別標(biāo)記，則同一尺度上的所有類別標(biāo)記集合就構(gòu)成
了該尺度上的初始分割結(jié)果il^w^ ={il/Lse^1 。將所有尺度上的初始分解結(jié)果寫 成一個(gè)參數(shù)集合形式{MLseg1,MLseg2,...,MLsegy}。
步驟七、多尺度融合過程，將各尺度上的初始分割結(jié)果通過貝葉斯準(zhǔn)則等融合 成最終分割結(jié)果。
實(shí)現(xiàn)該步驟的具體過程如下.-
(7a)確定背景向量V的組成部分取j一l尺度上某一節(jié)點(diǎn)對(duì)應(yīng)于j尺度上父節(jié)點(diǎn) 的類標(biāo)值，賦給V向量的V1分量；取該父節(jié)點(diǎn)的八領(lǐng)域中類別最多的類標(biāo)值賦給V 向量的V2分量；
(7b)由步驟五得到的多尺度似然值{Lhood1, Lhood2,... ，LhooW}和背景向量V， 可以得到尺度k上的條件后驗(yàn)概率
e、 '. 一 .丄/ 006 乂
_^
Ee、，'丄/zoo(i乂 J, ，c
/^| =w/'c - (3)
c,.為像素點(diǎn)i的類標(biāo)，d/為尺度j上像素點(diǎn)i處的系數(shù)，v/為尺度j上像素點(diǎn)i處的 背景向量V， e,e表示尺度j上類標(biāo)取為c的概率，^^表示尺度j上背景向量為v,.下 類標(biāo)取為c的概率；
(7c)更新e,e和a,^
^4l>(c,l《,vZ) (4)
"，
(7d)重復(fù)步驟(7b) 步驟(7c)直到達(dá)到條件后驗(yàn)概率的迭代停止條件，即達(dá)到允 許誤差為止；
(7e)重復(fù)步驟(7a) 步驟(7d)直到尺度y-0，得到分割結(jié)果。本發(fā)明的的效果可通過以下仿真進(jìn)一步說明
l仿真內(nèi)容應(yīng)用本發(fā)明方法和小波HMTseg方法，Contourlet HMTseg方法分
別對(duì)三幅SAR圖像進(jìn)行分割實(shí)驗(yàn)，并從方向信息的準(zhǔn)確性、同質(zhì)區(qū)域的內(nèi)部一致性、細(xì)節(jié)信息的完整性和邊緣邊界的清晰性評(píng)價(jià)這些方法的各自性能。2仿真實(shí)驗(yàn)結(jié)果
A兩類簡單地物背景SAR圖像的實(shí)驗(yàn)結(jié)果
用本方法以及小波HMTseg方法，Contourlet HMTseg方法對(duì)兩類簡單地物背景SAR圖像進(jìn)行分割，其效果比較如圖2所示。其中圖2(a)為兩類簡單的SAR圖像，該SAR圖像紋理信息較為單調(diào)，地物背景組成簡單；圖2(b)為小波HMTseg方法對(duì)圖2(a)進(jìn)行分割得到的結(jié)果；圖2(c)為Contourlet HMTseg方法對(duì)圖2(a)進(jìn)行分割得到的結(jié)果；圖2(d)為本發(fā)明方法對(duì)圖2(a)進(jìn)行分割得到的結(jié)果。由圖2可見，本發(fā)明的區(qū)域一致性較好，邊緣清晰細(xì)節(jié)信息完整。相比之下，小波HMTseg分割背景部分較凌亂。Contourlet HMTseg的區(qū)域輪廓辨析能力不好，且誤分類塊效應(yīng)很明顯，這一效應(yīng)很大程度上是由于Contourlet HMT模型對(duì)Contourlet域系數(shù)相關(guān)性和概率分布描述的欠缺性。
B兩類復(fù)雜地物背景SAR圖像的實(shí)驗(yàn)結(jié)果
用本發(fā)明以及小波HMTseg方法，Contourlet HMTseg方法對(duì)兩類復(fù)雜地物背景SAR圖像進(jìn)行分割，其效果比較如圖3所示。其中圖3(a)為兩類簡單的SAR圖像；圖3(b)為小波HMTseg方法對(duì)圖3(a)進(jìn)行分割得到的結(jié)果；圖3(c)為ContourletHMTseg方法對(duì)圖3(a)進(jìn)行分割得到的結(jié)果；圖3(d)為本發(fā)明方法對(duì)圖3(a)進(jìn)行分割得到的結(jié)果。由圖3可見本發(fā)明對(duì)于細(xì)節(jié)信息的保留是比較清晰準(zhǔn)確的，且邊界光滑連續(xù)，對(duì)HMTseg和Contourlet HMTseg方法出現(xiàn)的邊緣毛刺和區(qū)域一致性差的現(xiàn)象有明顯的改善。
C三類地物背景SAR圖像的實(shí)驗(yàn)結(jié)果
用本方法以及小波HMTseg方法，Contourlet HMTseg方法對(duì)兩類復(fù)雜地物背景SAR圖像進(jìn)行分割，其效果比較如圖4所示。其中圖4(a)為兩類簡單中的SAR圖像；圖4(b)為小波HMTseg方法對(duì)圖4(a)進(jìn)行分割得到的結(jié)果；圖4(c)為ContourletHMTseg方法對(duì)圖4(a)進(jìn)行分割得到的結(jié)果；圖4(d)為本發(fā)明方法對(duì)圖4(a)進(jìn)行分割得到的結(jié)果。由圖4可見本發(fā)明的區(qū)域比較平滑連續(xù)，對(duì)于SAR圖像中的微小目標(biāo)提取較為完整，如圖4(a)中左上部分的樹冠陰影，本發(fā)明較好的予以提取。
9
權(quán)利要求
1.一種基于Shearlet域HMT模型的SAR圖像分割方法，包括如下步驟1)對(duì)待分割SAR圖像進(jìn)行地物特征區(qū)域提取{I0，I1，...，IC}，C表示圖像中地物類別數(shù)；2)對(duì)特征區(qū)域進(jìn)行Shearlet變換，得到特征系數(shù){S0，S1，...，SC}；3)利用EM方法求出各類特征區(qū)域的Shearlet域HMT模型參數(shù)集{Θ1，Θ2，...，ΘC}，其中Θc＝{μ，σ，pS，ε}，c∈C，μ表示高斯混合模型的均值，σ表示高斯混合模型的方差，ps標(biāo)識(shí)初始狀態(tài)概率矩陣，ε表示狀態(tài)轉(zhuǎn)移概率矩陣；4)將待分割SAR圖像進(jìn)行Shearlet變換，得到SAR圖像系數(shù)S；5)利用特征系數(shù){S0，S1，...，SC}計(jì)算SAR圖像系數(shù)S各個(gè)尺度上所對(duì)應(yīng)的似然值{Lhood1，Lhood2，...，LhoodJ}，尺度范圍1～J；6)根據(jù)最大似然準(zhǔn)則ML，由步驟(4)中的似然值計(jì)算出尺度1～J上的初始分割結(jié)果{MLseg1，MLseg2，...，MLsegJ}；7)采用最大化后驗(yàn)概率準(zhǔn)則，將步驟(6)得到的初始分割結(jié)果從尺度J到1開始融合，并將尺度1上的融合圖像作為最終的分割結(jié)果。
全文摘要
本發(fā)明公開了一種基于Shearlet域HMT模型的SAR圖像分割方法，它屬于圖像處理技術(shù)領(lǐng)域，主要解決傳統(tǒng)多尺度幾何分析應(yīng)用于SAR圖像分割易產(chǎn)生區(qū)域一致性差，邊界凌亂的問題。其分割過程為提取待分割SAR圖像中的特征區(qū)域{I₀，I₁，…，I_C}；計(jì)算特征區(qū)域的Shearlet變換系數(shù){S₀，S₁，…，S_C}；利用EM算法求出各類特征區(qū)域的Shearlet域HMT模型參數(shù)集{Θ₁，Θ₂，…，Θ_C}；對(duì)待分割的SAR圖像進(jìn)行Shearlet變換，得到圖像系數(shù)S；利用特征系數(shù){S₀，S₁，…，S_C}計(jì)算SAR圖像系數(shù)S各個(gè)尺度上所對(duì)應(yīng)的似然值{Lhood¹，Lhood²，…，Lhood^J}；根據(jù)最大似然準(zhǔn)則計(jì)算各尺度上似然值的初始分割結(jié)果{MLseg¹，MLseg²，…，MLseg^J}；使用最大化后驗(yàn)概率準(zhǔn)則對(duì)初始分割結(jié)果進(jìn)行融合，將第一層尺度的融合圖像作為最終分割結(jié)果。本發(fā)明具有收斂速度快，分割結(jié)果區(qū)域一致性好，保留信息完整的優(yōu)點(diǎn)，可用于SAR圖像目標(biāo)識(shí)別。
文檔編號(hào)G06T7/00GK101493935SQ20081023221
公開日2009年7月29日 申請(qǐng)日期2008年11月10日 優(yōu)先權(quán)日2008年11月10日
發(fā)明者彪 侯, 卜曉明, 張向榮, 焦李成, 爽 王, 馬文萍 申請(qǐng)人:西安電子科技大學(xué)