基于特征提取與聚類集成的sar圖像分割方法
【專利摘要】本發(fā)明公開了一種基于特征提取和聚類集成的SAR圖像分割方法，主要解決現(xiàn)有方法中對相干斑噪聲敏感、分割精度較低的問題。其實現(xiàn)步驟是：(1)對原始SAR圖像進行特征提取，構(gòu)造圖像的多維特征集，并對多維特征集進行降維，得到新的特征集；(2)對新特征集進行多次選擇性Kmeans聚類，得到多個聚類中心序列，對該多個聚類中心序列進行中心配準；(3)利用配準后的聚類中心序列劃分新特征集，得到多個標記向量；(4)對得到的多個標記向量進行集成，得到集成后的標記向量；(5)利用集成后的標記向量得到SAR圖像的分割結(jié)果。本發(fā)明具有對相干斑噪聲魯棒性強、分割進度高的優(yōu)點，可用于SAR圖像的目標檢測與識別。
【專利說明】基于特征提取與聚類集成的SAR圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像分割【技術(shù)領(lǐng)域】，涉及對SAR圖像的分割，可用于SAR圖像的目標檢測和識別。
【背景技術(shù)】
[0002]合成孔徑雷達SAR技術(shù)在國民經(jīng)濟，地質(zhì)勘探以及軍事中起著至關(guān)重要的作用，SAR圖像處理是合成孔徑雷達技術(shù)的重要組成部分。由于SAR圖像場景復雜且數(shù)據(jù)量龐大，給SAR圖像的目標檢測和分類造成了很大的壓力，因此對SAR圖像進行有效的分割是SAR圖像應用中一個迫切的需求。SAR利用地物表面對電磁波的后向散射進行成像，由于這個成像機理，圖像會受到相干斑噪聲的影響，圖像中目標區(qū)域和背景區(qū)域灰度區(qū)分不大，圖像邊緣不連續(xù)，這是影響SAR圖像分割的重要因素。
[0003]根據(jù)SAR圖像分割使用先驗知識的特點，現(xiàn)有的SAR圖像分割處理技術(shù)可分為基于數(shù)據(jù)驅(qū)動和基于模型驅(qū)動兩大類。其中:
[0004]基于數(shù)據(jù)驅(qū)動的SAR圖像分割，直接利用SAR圖像數(shù)據(jù)中的灰度、邊緣和區(qū)域等信息進行分割處理，主要包括基于閾值的分割算法、基于邊緣檢測的分割算法和基于區(qū)域分塊合并的分割算法。由于SAR圖像存在嚴重的相干斑噪聲污染，目標區(qū)域和背景區(qū)域灰度區(qū)分不明顯，邊緣不連續(xù)，導致閾值分割方法無法有效區(qū)分目標區(qū)域和背景區(qū)域，邊緣檢測方法造成分割區(qū)域統(tǒng)計分離性不好且容易造成過分割，區(qū)域合并方法需要確定分塊合并的初始結(jié)果，該初始分割將很大程度上影響分割過程收斂的速度和分割最終結(jié)果，將存在分割不徹底的問題，因此基于數(shù)據(jù)驅(qū)動的方法對SAR圖像的分割效果不理想。
[0005]基于模型驅(qū)動的SAR圖像分割，是建立在先驗知識的基礎(chǔ)上，需要對SAR圖像分割問題構(gòu)建數(shù)學模型，主要包括基于組合優(yōu)化模型的分割算法、基于馬爾可夫隨機場模型的分割算法和基于多尺度模型的SAR圖像分割算法。這些算法需要的先驗知識在實際SAR圖像處理中很難得到，而且這些算法往往由于需要訓練模型使得計算過于復雜，從而使得算法執(zhí)行效率較低，因此也不適合SAR圖像的處理。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出一種基于特征提取與聚類集成的SAR圖像分割方法，以降低圖像分割的計算復雜度，提高SAR圖像的分割準確率。
[0007]實現(xiàn)本發(fā)明目的的技術(shù)思路是，通過提取SAR圖像的灰度信息和紋理信息構(gòu)造SAR圖像的多維特征集，利用主成分分析算法對多維特征集降維，以減少數(shù)據(jù)計算量，利用文獻“Center matching scheme for K-means cluster ensembles，，中提出的基于中心配準的Kmeans聚類集成算法，對降維后的特征集進行劃分，從而實現(xiàn)SAR圖像的高質(zhì)量分割。其實現(xiàn)步驟包括如下:
[0008](I)輸入一幅行數(shù)大小為X、列數(shù)大小為Y的SAR圖像，其中X與Y均為正整數(shù)；
[0009](2)對SAR圖像進行特征提取，得到圖像所有像素的灰度信息和紋理信息，并將每個像素提取出的灰度信息和紋理信息均用一個10維的表示向量表示，從而構(gòu)造出行數(shù)大小為值XXY、列數(shù)大小為10的所有像素特征集P矩陣；
[0010](3)用主成分分析算法對特征集P矩陣進行降維，得到新特征集Y矩陣；
[0011](4)對新特征集Y矩陣進行N次隨機采樣Kmeans聚類劃分，得到N個聚類中心序列；
[0012](5)對N個聚類中心序列進行中心配準，并利用配準后的N個聚類中心序列分別對新特征集Y矩陣進行劃分，得到N個標記向量；
[0013](6)利用選擇性加權(quán)投票方式對N個標記向量集成，得到一個集成后的標記向量；
[0014](7)將集成后的標記向量中每一個類標簽作為其對應像素的像素值，得到SAR圖像的最終分割結(jié)果圖。
[0015]本發(fā)明方法與現(xiàn)有的技術(shù)相比具有以下優(yōu)點:
[0016]1、本發(fā)明方法采用了中值濾波、灰度共生矩陣及高斯差分濾波相結(jié)合的方法對SAR圖像進行特征提取，相比于現(xiàn)有的分水嶺分割方法，本發(fā)明方法能夠更好地抑制相干斑噪聲和準確提取紋理信息；
[0017]2、本發(fā)明方法采用主成分分析算法對特征集進行降維，相比于現(xiàn)有的分水嶺分割方法和基于模糊C均值的分割方法可以很大程度上減少計算的數(shù)據(jù)量，從而能夠很快的實現(xiàn)SAR圖像的分割；
[0018]3、本發(fā)明方法采用中心配準機制對特征集進行聚類集成，相對于采用標簽配準機制的聚類集成而言，特征集的劃分結(jié)果不容易陷入局部極值點，提高了 SAR圖像的分割精度。
[0019]仿真結(jié)果表明，本發(fā)明方法優(yōu)于現(xiàn)有的基于分水嶺的分割方法和基于模糊C均值聚類的SAR圖像分割方法。
【專利附圖】

【附圖說明】
[0020]圖1是本發(fā)明的實現(xiàn)流程圖；
[0021]圖2是某機場SAR圖像；
[0022]圖3是本發(fā)明與現(xiàn)有的分水嶺分割方法及模糊C均值聚類分割方法對圖2的分割結(jié)果比較圖；
[0023]圖4是華盛頓地區(qū)SAR圖像；
[0024]圖5是本發(fā)明與現(xiàn)有的分水嶺分割方法及模糊C均值聚類分割方法對圖4的分割結(jié)果比較圖；
[0025]圖6是渥太華地區(qū)SAR圖像；
[0026]圖7是本發(fā)明與現(xiàn)有的分水嶺分割方法及模糊C均值聚類分割方法對圖6的分割結(jié)果比較圖。
【具體實施方式】
[0027]參照附圖1，本發(fā)明的實現(xiàn)步驟如下:
[0028]步驟1，輸入一幅行數(shù)大小為X、列數(shù)大小為Y的SAR圖像，其中X與Y均為正整數(shù)。[0029]步驟2，對SAR圖像進行特征提取，得到圖像所有像素的灰度信息和紋理信息，并將每個像素提取出的灰度信息和紋理信息均用一個10維的表示向量表示。
[0030]對SAR圖像的特征提取可采用特定濾波器濾波方法、灰度共生矩陣統(tǒng)計方法、Fisher鑒別分析方法以及以核方法為代表的非線性特征提取方法等，特征提取的目的是通過提取圖像信息將圖像中像素點、線或區(qū)域所具有的特征更加突出的表示出來。
[0031]本實例采取的方法為:利用中值濾波器提取SAR圖像所有像素的灰度信息，利用灰度共生矩陣、高斯差分濾波器及高斯偏移差分濾波器提取SAR圖像所有像素的紋理信息，最后將每個像素的灰度信息和紋理信息均用一個10維的表示向量表示。具體實現(xiàn)如下:
[0032]2a)分別以SAR圖像中每一個像素為中心，進行窗口的行數(shù)與列數(shù)均為5的中值濾波，并將每一個像素中值濾波后的像素值作為該像素的10維表示向量的第一維特征值；
[0033]2b)分別以SAR圖像中每一個像素為中心，提取行數(shù)與列數(shù)大小均為5的鄰域，分別計算該鄰域在0°、45°、90°、135°四個方向上距離為I的灰度共生矩陣，并分別計算每一個方向上灰度共生矩陣的熵，將這四個熵值的平均值作為該像素的10維表示向量的第二維特征值；
[0034]2c)構(gòu)造兩個高斯差分濾波器和六個高斯偏移差分濾波器，用于分別對SAR圖像進行濾波，將每一個像素濾波后的八個值作為該像素的表示向量的其余八維特征值，其中:兩個高斯差分濾波器分別為點狀目標濾波器和環(huán)狀目標濾波器，六個高斯偏移差分濾波器分別為沿0°、30°、60°、90°、120°、150°方向的條狀目標濾波器。
[0035]步驟3，利用步驟2得出的SAR圖像所有像素的10維表示向量，構(gòu)造出行數(shù)值為XXY、列數(shù)為10的所有像素的特征集P矩陣。
[0036]在特征集0矩陣中，每一個像素的10維表示向量均作為特征集0矩陣的一行。由于SAR圖像包含XX Y個像素，對應存在XX Y個表示向量，因而構(gòu)造出的特征集P矩陣行數(shù)值為X X Y，列數(shù)為10。
[0037]步驟4，用主成分分析算法對特征集P矩陣進行降維，得到新特征集Y矩陣。
[0038]4a)對特征集P矩陣進行協(xié)方差矩陣求解，得到一個行數(shù)與列數(shù)均為10的協(xié)方差矩陣，并求出該協(xié)方差矩陣的10個特征值和對應的10個特征向量；
[0039]4b)假設(shè)10個特征值中最大特征值的大小為C，從10個特征值中篩選出大于C值5%的特征值，假設(shè)有n個，將這n個特征值對應的n個特征向量組成一個行數(shù)為10、列數(shù)為n的特征矩陣,其中為n為整數(shù)且n G [I, 10]；
[0040]4c)用特征集P矩陣乘以步驟4b)中得到的行數(shù)為10、列數(shù)為n的特征矩陣，得到一個行數(shù)值為XXY、列數(shù)為n的新特征集Y矩陣，相比于特征集P矩陣，新特征集Y矩陣的列數(shù)減少了 10-n列。
[0041]步驟5，對新特征集Y進行N次隨機采樣Kmeans聚類劃分，生成N個聚類中心序列。
[0042]5a)從新特征集Y矩陣中隨機抽取出個數(shù)為XXYX0.1的表示向量，將抽取出的表示向量按列排列，構(gòu)成一個特征子集矩陣；
[0043]5b)將步驟5a)重復進行N次，得到N個特征子集矩陣；
[0044]5c)利用Kmeans算法分別對每個特征子集矩陣進行聚類，得到N個聚類中心序列，其中N取值范圍為20~100，Kmeans聚類算法劃分類數(shù)由實驗觀測給定。
[0045]步驟6，對N個聚類中心序列進行中心配準，得到配準后的N個標記向量。
[0046]6a)從N個聚類中心序列中隨機選取一個聚類中心序列，作為參考聚類中心序列，其他聚類中心序列均作為待配準聚類中心序列，其中N > 2 ;
[0047]6b)從待配準聚類中心序列中選擇一個，與參考聚類中心序列進行中心配準:假設(shè)這N個聚類中心序列的分類數(shù)均為3，選出的參考聚類中心序列為C；，待配準的聚類中心序列為Cp，其中， Cr_{crl，cr2, Cr3 }, Crl, Cr2, Cr3為(；中的聚類中心向量; Gp-(Cpl) cp3，Cp2^，Cpl、Cp2> Cp3為Cp中的聚類中心向量；
[0048]6c)構(gòu)造一個關(guān)于參考聚類中心序列為(；和待配準的聚類中心序列為Cp的加權(quán)矩陣W，
【權(quán)利要求】
1.一種基于特征提取與聚類集成的SAR圖像分割方法，包括如下步驟: (1)輸入一幅行數(shù)大小為X、列數(shù)大小為Y的SAR圖像，其中X與Y均為正整數(shù)； (2)對SAR圖像進行特征提取，得到圖像所有像素的灰度信息和紋理信息，并將每個像素提取出的灰度信息和紋理信息均用一個10維的表示向量表示，從而構(gòu)造出行數(shù)大小為值XXY、列數(shù)大小為10的所有像素特征集P矩陣； (3)用主成分分析算法對特征集P矩陣進行降維，得到新特征集Y矩陣； (4)對新特征集Y矩陣進行N次隨機采樣Kmeans聚類劃分，得到N個聚類中心序列； (5)對N個聚類中心序列進行中心配準，并利用配準后的N個聚類中心序列分別對新特征集Y矩陣進行劃分，得到N個標記向量； (6)利用選擇性加權(quán)投票方式對N個標記向量集成，得到一個集成后的標記向量； (7)將集成后的標記向量中每一個類標簽作為其對應像素的像素值，得到SAR圖像的最終分割結(jié)果圖。
2.根據(jù)權(quán)利要求1所述基于特征提取與聚類集成的SAR圖像分割方法，其中步驟(2)所述的對SAR圖像進行特征提取，得到圖像所有像素的灰度信息和紋理信息，按如下步驟進行: (2a)分別以SAR圖像中每一個像素為中心，進行窗口的行數(shù)與列數(shù)均為5的中值濾波，并將每一個像素中值濾波后的像素值作為該像素的10維表示向量的第一維特征值； (2b)分別以SAR圖像中每一個像素為中心，提取行數(shù)與列數(shù)大小為5X5的鄰域，分別計算該鄰域在0°、45°、90°、135°四個方向上距離為I的灰度共生矩陣，然后分別計算每一個方向上灰度共生矩陣的熵，并將這四個熵值的平均值作為該像素的10維表示向量的第二維特征值； (2c)構(gòu)造兩個高斯差分濾波器和六個高斯偏移差分濾波器，用于分別對SAR圖像進行濾波，將每一個像素濾波后的八個值作為該像素的表示向量的其余八維特征值。
3.根據(jù)權(quán)利要求2所述的基于特征提取與聚類集成的SAR圖像分割方法，其中(2c)所述的兩個高斯差分濾波器分別為點狀目標濾波器和環(huán)狀目標濾波器；六個高斯偏移差分濾波器分別為沿0°、30°、60°、90°、120°、150°方向的條狀目標濾波器。
4.根據(jù)權(quán)利要求1所述的基于特征提取與聚類集成的SAR圖像分割方法，其中步驟(3)所述的“用主成分分析算法對特征集P矩陣進行降維”，按如下步驟進行: (3a)對特征集P矩陣進行協(xié)方差矩陣求解，得到一個行數(shù)與列數(shù)均為10的協(xié)方差矩陣，并求出該協(xié)方差矩陣的10個特征值和對應的10個特征向量； (3b)假設(shè)10個特征值中最大特征值的大小為C，從10個特征值中篩選出大于C值5%的特征值，假設(shè)有n個，將這n個特征值對應的n個特征向量組成一個行數(shù)為10、列數(shù)為n的特征矩陣，其中為n為整數(shù)且n e [1,10]； (3c)用特征集P矩陣乘以步驟(3b)中得到的行數(shù)為10、列數(shù)為n的特征矩陣，得到一個行數(shù)為值XXY、列數(shù)為n的新特征集Y矩陣，相比于特征集P矩陣，新特征集Y矩陣的列數(shù)減少了 10-n列。
5.根據(jù)權(quán)利要求1所述的基于特征提取與聚類集成的SAR圖像分割方法，其中步驟(5)所述的“對N個聚類中心序列進行中心配準”，按如下步驟進行: (5a)從N個聚類中心序列中隨機選取一個聚類中心序列，作為參考聚類中心序列，其他聚類中心序列均作為待配準聚類中心序列，其中N > 2 ; (5b)從待配準聚類中心序列中選擇一個，與參考聚類中心序列進行中心配準，假設(shè)這N個聚類中心序列的分類數(shù)均為3，選出的參考聚類中心序列為C；，待配準的聚類中心序列為 Cp，^tj中，C1^lcrl, cr2, cr3}，crl> Cr2> Cr3 為 Cr 中的秦類中;L1、向里；Cp-{cpl, cp3, Cp2I，Cpl> cp2、Cp3為Cp中的聚類中心向量； (5c)構(gòu)造一個關(guān)于參考聚類中心序列為(；和待配準的聚類中心序列為Cp的加權(quán)矩陣
【文檔編號】G06T7/00GK103617618SQ201310645986
【公開日】2014年3月5日 申請日期:2013年12月3日 優(yōu)先權(quán)日:2013年12月3日
【發(fā)明者】白靜, 胡波, 韓雪云, 焦李成, 王爽 申請人:西安電子科技大學