基于语义条件随机场模型的SAR图像分割方法与流程
本发明属于图像处理技术领域，特别涉及SAR图像分割方法，可用于图像分类、识别和检测。
背景技术：
随机场方法是SAR图像分割中一类比较受欢迎的方法。典型的随机场方法是马尔可夫随机场MRF模型，它是一种概率生成模型。在MRF模型中，后验概率等于似然概率和先验概率的乘积。似然概率描述了SAR图像的特征，通常用SAR图像的统计分布来表示，分布的选择主要根据SAR图像的特性。先验概率描述了图像的空间上下文信息，通常用Gibbs分布来表示。然而，MRF模型的假设中需要强烈的依赖关系，并且MRF模型的先验模型中没有考虑观测数据间的相互关系。
针对MRF模型的上述不足，条件随机场CRF模型应用而生，其主要由一元势函数和二元势函数组成。它是一种判别性的模型，并且把后验概率直接定义为Gibbs分布。该CRF模型不仅捕获了单个像素点的信息和邻域像素的信息，而且还捕获了图像类标之间的相互作用和图像观测之间的相互作用。由于CRF模型具有比其他分割方法的优势，被广泛经用于SAR图像分割。
但是由于原始的CRF模型没有考虑SAR图像本身的特性，针对此问题，张鹏等人提出了对原始CRF模型的一元势函数进行改进的一般CRF模型，其整合了SAR图像的纹理特征和SAR图像的统计特性。该一般CRF模型的二元势函数采用传统的多层逻辑斯蒂函数捕获图像上下文的信息。然而，该二元势函数只捕获了图像空间上下文中各向同性的关系，忽视了SAR图像本身的各向异性的关系，造成分割结果中细节信息的丢失，且分割结果不具有语义一致性，影响后续对SAR图像的分类、识别和检测。
技术实现要素：
本发明的目的在于针对上述已有方法的不足，提出一种基于语义条件随机场模型的SAR图像分割方法，以提升SAR图像分割的效果。
本发明的技术思路是：通过对一般的CRF模型进行改进，改善SAR图像分割的效果，即根据SAR图像的素描图和区域图组成的语义空间捕获SAR图像各向异性的关系，将语义空间的信息嵌入到一般的CRF模型中，构建语义条件随机场模型，其实现步骤如下：
(1)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；
(2)对混合聚集结构地物子空间，采用词袋模型提取区域的特征，并用仿射传播AP聚类的方法对该地物子空间进行分割；
(3)构建语义条件随机场模型：
(3a)定义一元势函数为：
其中，us(xs,ys)是一元势函数，Z＝{1,2,...,N}是整个SAR图像像素的集合，N是SAR图像像素的总数目；ys是SAR图像中第s个像素，s∈Z；xs是SAR图像中第s个像素的类标；fs(ys)是像素的类别特征函数，p(ys)是像素的类别特征概率，p(ys|xs)是似然概率；K是图像类别的总数目，l∈{1,2,...,K}，δ(xs，l)为第一指示函数，如果xs＝l，则δ(xs，l)＝1，如果xs≠l，则δ(xs，l)＝0；
(3b)定义二元势函数为：
其中，yt是SAR图像中第t个像素，t∈Z，且s≠t；xt是SAR图像中第t个像素的类标；l∈{1,2,...,K}，m∈{1,2,...,K}，δ(xt，m)为第二指示函数，如果xt＝m，则δ(xt，m)＝1，如果xt≠m，则δ(xt，m)＝0；ψst(ys,yt,φ(ys,yt))是混合核函数，φ(ys,yt)是像素ys和像素yt之间的语义函数，p(xs,xt|ψst(ys,yt,φ(ys,yt)))是先验概率；
(3c)根据(3a)和(3b)，定义语义条件随机场模型的目标函数如下：
p(xs|ys)＝p(ys)×p(ys|xs)×p(xs,xt|ψst(ys,yt,φ(ys,yt))) <3>
其中，p(ys)是像素的类别特征概率，p(ys|xs)是似然概率，p(xs,xt|ψst(ys,yt,φ(ys,yt)))是先验概率；
(4)采用(3c)得到的语义条件随机场模型的目标函数对结构区域子空间和匀质区域子空间进行分割，即对结构区域子空间和匀质区域子空间的每个像素，取式<3>的最大值，得到每个像素的类标为：
(5)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进行合并，得到SAR图像的分割结果。
本发明与现有技术相比具有如下优点：
第一、本发明将SAR图像像素空间的信息和语义空间的信息相结合，进行SAR图像分割，能有效的完成了SAR图像分割的任务。
第二、本发明通过建立语义条件随机场模型，捕获了SAR图像中各项异性的关系，不仅提高了分割结果的区域一致性，而且有效的保留了图像的细节信息。
附图说明
图1是本发明对SAR图像分割的实现流程图；
图2是本发明中对SAR图像子空间的划分结果图；
图3是用本发明与现有方法对Ku波段分辨率为1米的SAR图像分割结果图；
图4是用本发明与现有方法对C波段分辨率为3米的SAR图像分割结果图。
具体实施方式
参照图1，本发明是根据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区域的特征，然后用AP聚类的方法得到该地物子空间的分割结果；对结构区域子空间和匀质区域子空间，构建语义条件随机场进行分割；语义条件随机场的一元势函数采用多项式逻辑斯蒂回归函数和SAR图像的统计特性表示；语义条件随机场的二元势函数采用基于混合核函数的多项式逻辑斯蒂回归函数表示；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，具体实施步骤如下:
步骤1，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。
(1.1)根据Jie-Wu和Fang-Liu等人于2014年发表在IEEE Transactions on Geoscience and Remote Sensing杂志上的文章《Local maximal homogenous region search for SAR speckle reduction with sketch-based geometrical kernel function》中所提出的模型得到SAR图像素描图；
(1.2)根据SAR图像素描图中素描线段的聚集度，将素描线划分为聚集的素描线和非聚集的素描线；
(1.3)构造一个半径为最优聚集度区间上界的圆形基元，用该圆形基元对聚集的素描线进行膨胀，对膨胀后的线段集合由外向内进行腐蚀，在素描图上得到聚集区域；
(1.4)对非聚集的素描线，构造大小为5×5的几何结构窗，得到结构区域；
(1.5)将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域；
(1.6)将素描图中的聚集区域、结构区域和不可素描区域，映射到SAR图像上，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，如图2所示，图2(a)为原始的SAR图像，图2(b)为SAR图像素描图，图2(c)中白色区域为混合聚集结构地物子空间，灰色区域为结构区域子空间，黑色区域为匀质区域子空间。
步骤2，对混合聚集结构地物子空间采用词袋模型提取区域的特征，然后用仿射传播AP聚类的方法对该地物子空间进行分割。
对混合聚集结构地物子空间中的每个像素ya，是混合聚集结构地物子空间像素的总数目，采用AP聚类的方法得到像素ya的类标xa。
步骤3，构建语义条件随机场模型。
(3a)定义一元势函数为：
其中，us(xs,ys)是一元势函数，Z＝{1,2,...,N}是整个SAR图像像素的集合，N是SAR图像像素的总数目；ys是SAR图像中第s个像素，s∈Z；xs是SAR图像中第s个像素的类标；fs(ys)是像素的类别特征函数，p(ys)是像素的类别特征概率，p(ys|xs)是似然概率；K是图像类别的总数目，l∈{1,2,...,K}，δ(xs，l)为第一指示函数，如果xs＝l，则δ(xs，l)＝1，如果xs≠l，则δ(xs，l)＝0；
(3b)定义二元势函数为：
其中，yt是SAR图像中第t个像素，t∈Z，且s≠t；xt是SAR图像中第t个像素的类标；l∈{1,2,...,K}，m∈{1,2,...,K}，δ(xt，m)为第二指示函数，如果xt＝m，则δ(xt，m)＝1，如果xt≠m，则δ(xt，m)＝0；ψst(ys,yt,φ(ys,yt))是混合核函数，φ(ys,yt)是像素ys和像素yt之间的语义函数，p(xs,xt|ψst(ys,yt,φ(ys,yt)))是先验概率；
(3c)根据(3a)和(3b)，定义语义条件随机场模型的目标函数如下：
p(xs|ys)＝p(ys)×p(ys|xs)×p(xs,xt|ψst(ys,yt,φ(ys,yt))) <3>
其中，p(ys)是像素的类别特征概率，p(ys|xs)是似然概率，p(xs,xt|ψst(ys,yt,φ(ys,yt)))是先验概率，其分别表示如下：
其中，wl是像素的权重参数，ηs是像素ys的邻域像素；Γ(αk)是伽马函数，αk为尺度参数，μk是位移参数，ψst(ys,yt,φ(ys,yt))为混合核函数，表示如下：
其中，ρ是权重参数，ρ∈{0,1}，如果ys是匀质区域子空间的像素，则ρ＝1，如果ys是结构区域子空间的像素，则ρ＝0；σ为方差参数，σ＝3；λ为狭长因子参数，λ＝1；θ为方向参数，根据SAR图像素描模型产生素描图，θ的值为素描图中素描线的方向；为第一方向函数，表示如下：
其中，(nxs，nys)为像素ys的坐标，(nxt,nyt)为像素yt的坐标；
为第二方向函数，表示如下：
步骤4，利用语义条件随机场模型的目标函数对结构区域子空间和匀质区域子空间进行分割。
对结构区域子空间和匀质区域子空间的每个像素，计算像素的类别特征概率p(ys)，似然概率p(ys|xs)和先验概率p(xs,xt|ψst(ys,yt,φ(ys,yt)))，再将这3个概率相乘得到目标函数的值，取目标函数的最大值，得到每个像素的类标为：
步骤5，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进行合并，得到SAR图像的分割结果。
对混合聚集结构地物子空间中每个像素的类标xa，结构区域子空间和匀质区域子空间中每个像素的类标xs，取xa与xs的并集，得到SAR图像的分割结果。
本发明的优点由以下仿真的数据和图像进一步说明。
1.仿真条件
本发明仿真的硬件条件为：智能感知与图像理解实验室图形工作站；
本发明仿真所使用的SAR图像为：Ku波段分辨率为1米的SAR图像和C波段分辨率为3米的SAR图像。
2.仿真内容与结果
仿真1：利用Ku波段分辨率为1米的SAR图像，用本发明与现有的马尔可夫随机场模型和条件随机场模型对SAR图像进行分割，结果如图3，其中图3(a)为Ku波段分辨率为1米的原始SAR图像，图3(b)为马尔可夫随机场模型的分割结果，图3(c)为条件随机场模型的分割结果，图3(d)为本发明的分割结果。
仿真2：利用C波段分辨率为3米的SAR图像，用本发明与现有的马尔可夫随机场模型和条件随机场模型对SAR图像进行分割，结果如图4，其中图4(a)为C波段分辨率为3米的原始SAR图像，图4(b)为马尔可夫随机场模型的分割结果，图4(c)为条件随机场模型的分割结果，图4(d)为本发明的分割结果。
仿真结果：从图3和图4可以看出，马尔可夫随机场模型对图像边界和细节信息的保持较好，但导致了过分割现象，区域一致性较差；基于条件随机场模型的方法不能保留SAR图像的细节信息，这是由于条件随机场模型不能捕获SAR图像各向异性的关系；本发明通过语义条件随机场模型捕获SAR图像各向异性的关系，分割结果不仅具有较好的区域一致性而且保留了图像的细节信息。
综上所述，本发明同时实现了SAR图像分割中区域一致性和细节信息的保持，获得了SAR图像良好的分割效果。
本实施例没有具体描述的部分都属于本技术领域的公知常识和公知技术，如有需要我们可提供参考资料！以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！