SAR图像（精选8篇）
SAR图像 篇1
摘要：介绍了SAR图像模式识别系统及SAR图像模式识别与普通光学图像模式识别的区别。
关键词：SAR图像,模式识别,区别
合成孔径雷达 (SAR) 是一种具有高分辨力的成像雷达, 能够全天时、全天候工作, 并具有多波段、多极化、视角可变、有穿透性等特点, 越来越多地应用于遥感、地质研究、安全救助、军事侦察等领域。因此, SAR图像自动目标识别具有重要意义。
一、系统流程
如图1所示, SAR图像目标识别系统由数据获取、预处理、特征提取选择、分类决策及分类器设计五部分组成。由未知类别模式的分类及分类器设计的训练过程两个部分组成。[1]
SAR图像目标识别一般采用分层的方法。由于SAR成像的特殊机理, 获取的原始数据中含有大量斑点噪声, 经A/D变换、二值化后, 必须去除斑点噪声, 再经过图像变换、增强、滤波等处理, 为检测提供目标图像;其次进行目标检测, 从整个SAR图像中提取可能包含目标的小区域, 去除虚假目标, 为分类识别降低运算量, 提高识别效率;然后提取合理的特征值, 降低特征维数;最后通过训练确定满足一定虚警率、识别率的判决规则, 选择合理的分类器进行分类识别。[2]
二、系统区别
由于SAR的特殊成像机理, 衰落引起本来具有相同后向散射系数的均匀区域出现随机分布的颗粒状噪声, 称为相干斑噪声, 严重影响图像的质量。因此, 在进行SAR图像模式识别之前, 必须抑制相干斑。早期通过降低处理器带宽的多视平均处理法牺牲了SAR图像的空间分辨率, 且相干斑噪声抑制效果并不理想, 随后出现了空域滤波算法、小波域的相干斑抑制方法以及基于各向异性扩散的斑点抑制技术等。相干斑抑制要充分考虑均匀区域的等效视数、空间分辨率和辐射分辨率的损失、图像平均后向散射系数保持能力以及图像的自然视觉特性保持度等指标。基于各向异性扩散的斑点抑制技术隐含了自动标定棱边位置和取向, 实施各向异性平滑, 且无需采取窗口机制的数值计算, 抑制效果良好, 因此被广泛用于图像处理领域。这里简单介绍Catte各向异性扩散模型。先对图像进行平滑处理, 降低噪声点的梯度, 再进行迭代运算, 抑制效果良好。
为进一步重构图像, 增强目标像素强度, 可使用基于正则化的目标增强技术。假设包含噪声的情况下SAR距离像观测模型为;从给定含加性测量噪声的观测数据矢量, 利用成像投影算子, 估计反射率场的取样数据矢量。充分体现了几何观测模型, 增加了先验知识, 同时考虑了点特征与区域特征的增强。[3]由于SAR斜距成像和背景起伏等因素容易引起图像的几何变形, 因此在预处理阶段还要进行几何纠正, 将图像重投影到指定的坐标系统中, 主要方法包括多项式纠正方法、共线方程方法、距离-多普勒 (R-D) 模型法以及基于DEM的模拟方法等。此外还需进行图像配准, 利用特征和灰度匹配, 由粗到精进行图像配准, 提高全局子像素级精度的基础上, 增加算法的灵活性和稳健性。
对于目标检测率越高、虚警率越低检测结果越好。常见的检测技术包括恒虚警检测、多分辨率检测以及利用相位和极化信息的检测方法等。为了节省计算量, 可采用在图像生成过程中来检测目标的多尺度方法。当目标检测器获得足够多的信息可以判断某一块区域没有目标的时候, 提示图像生成器中止继续生成该区域的图像, 以节省结算量。[2]
SAR图像目标模式识别与光学图像的目标模式识别最大的不同就在预处理阶段。在充分考虑SAR图像特点的基础上特征提取与分类判别时可参照光学图像的模式识别进行设计。其分类器要有较好的泛化能力, 能进行模糊的信息处理, 因此, 常用神经网络和支持向量机 (SVM) 的分类器。
三、总结
相比普通光学图像的目标识别, SAR图像目标识别需要克服的困难比较多。首先, 由于SAR图像成像机理特殊, 对方位角十分敏感, 易受强噪声 (特别是相干斑噪声) 及阴影、透视收缩、迎坡收短、顶底倒置等几何变形的影响, 且散射强度随目标的形状、姿态和视角可变, 视觉可读性差, 使得特征的提取非常困难。其次, 目标环境无法控制, 某些目标在其他物体的遮盖下变得不易识别, 且目标运动易造成图像模糊。另外, 随着SAR数据源、分辨率、成像模式不断增加, 目标信息呈爆炸式增长, 需大量的目标模板建立完备的数据库以正确判别图像目标, 因此, 一个成功的SAR目标识别系统, 必须充分考虑雷达、目标及所处的电磁环境, 要根据用户需求及SAR图像特点, 满足SAR图像模式识别系统的识别率、错误率、复杂度、抗噪性能及实时性等性能, 建立各种目标的描述模型和分类模型, 选择合适的算法及分类器。
参考文献
[1]杨淑莹.张桦.模式识别与智能计算—MATLAB技术实现[M].北京:电子工业出版社, 2015.
[2]张红.王超, 等.高分辨率SAR图像目标识别[M].北京:科学出版社, 2009.
[3]皮亦鸣.杨建宇, 等.合成孔径雷达成像原理[M].成都:电子科技大学出版社, 2007
SAR图像 篇2
基于分形理论的SAR图像边缘检测
分析了SAR图像的基本特点,阐述用DFBR模型表达SAR图像的.基本原理,提出两种基于分形理论的SAR图像边缘检测方法.通过对传统方法、分形方法和多尺度分形方法的特性分析和实验,说明分形方法有较强的抗干扰性能,适用于SAR图像的边缘检测,并且基于多重分形的方法能获得更好的检测结果.
作 者：巫兆聪 方圣辉 WU Zhaocong FANG Shenghui 作者单位：武汉测绘科技大学信息工程学院,武汉市珞喻路129号,430079 刊 名：武汉测绘科技大学学报 ISTIC EI PKU英文刊名：JOURNAL OF WUHAN TECHNICAL UNIVERSITY OF SURVEYING AND MAPPING(WTUSM) 年，卷(期)： 25(4) 分类号：P231.5 TP751.1 关键词：SAR图像 边缘检测 DFBR场模型 多尺度分形
SAR图像分割方法浅议 篇3
SAR图像分割是从图像处理到图像分析的关键步骤,是进行目标识别、数据压缩、传递等进一步处理的最基本且关键的技术。因此高质量的分割方法对SAR图像处理显得尤为重要。但是由于成像机理不同,SAR图像和光学图像存在很大差异,大量乘性斑点噪声的存在使得SAR图像的分割变得相当复杂,许多传统图像分割算法都不能得到准确的结果。因此想要提出一种分割效果理想的方法,就必须对常用的、一些经典的和新出现的分割算法有所了解,然后才能在此基础上改进旧的算法或者提出新的思路、新的方法。
1 SAR图像分割方法
SAR图像分割可以分为两类:基于灰度级的分割和基于纹理的分割[2]。通常会采用如下的思路:为降低斑点噪声先对SAR图像进行滤波,然后再用与分割光学图像相似的分割方法;或者采用在分割的过程中抑制斑点噪声的分割方法。第一种方法的缺点为:1)在SAR图像噪声较强的情况下,要更好地去噪,就得增大滤波,这样就会把原始图像中的部分有用图像信息也滤掉,这样再分割就得不到准确的结果了。2)会使得计算复杂度增加,滤波效果好的算法需要很长时间,这样分割的速度就会很慢[3]。所以,现在SAR图像分割的研究主要集中在分割的过程中抑制斑点噪声影响的分割算法上,常见的分割方法有:分形方法、边缘检测和区域生长方法、区域合并方法、基于马尔可夫随机场(Markov Random Field,MRF)模型的分割等,而在实际应用中想要得到好的分割效果,通常要把这些方法结合起来,或者与其他新方法结合起来使用。
1.1 分形方法
用分形方法进行图像分割的原理是利用图像的分形维数进行分割。由于分形维数直观上与物体表面的粗糙程度相吻合,而自然界中的不同纹理粗糙度有很大差别。因此,可以以分形维数作为区分不同类别纹理的有效参数。一般来说分形模型使用范围较小,只在个别分辨率下有分割纹理的能力,分数维门限值确定困难,分割精度差。因此只用分形维数来区分是不够的。必须引入其它纹理特征,共同组成特征矢量来进行有效的分割。参考文献[4]通过计算图像的分形维数形成特征空间,对特征空间采用结合边缘特征和迭代滤波的思想进行处理,在特征空间上实现SAR图像的区域分割。结果证明基于分形的SAR图像区域分割方法是行之有效的,并且在计算时间和分割准确性方面有一定的优势。
1.2 边缘检测和区域生长
SAR图像由于相干斑的影响,检测的边缘一般不是连续或闭合的,而且在纹理区域由于灰度值波动和纹理边界的影响,总是产生伪边缘。但是因为SAR图像的纹理信息丰富,且具有一定的相似性,边缘轮廓含有大量的高频信息,因此如果把边缘检测的方法和其它算法组合使用也可以达到很好的分割效果。如文献[5]就是沿图像边缘检测的思路,在研究SAR图像特性的基础上,提出了一种高分辨SAR图像中桥梁目标的自动分割算法,并取得了良好的检测效果。
传统的区域生长法在分割时可以减少背景的干扰,但是若目标区域内灰度分布不均匀,会使区域生长提前终止,造成欠分割;若目标的边界模糊又会使区域生长无法停止,造成过分割甚至分割失败。而改进的区域生长法[6]基本思想是:以选定的生长点作为目标的起始像素,从生长点出发,按照这种带约束条件的生长规则,以的新的生长顺序对生长点附近的像素进行一致性检测,即判断其3×3邻域的灰度均值是否满足一致性准则,把这些通过一致性测试的像素并入生长区中,从而完成目标的分割。
1.3 区域合并
基于区域合并的分割方法先对图像过分割,然后根据基于相邻区域各阶统计特性(低阶或高阶矩)的不同,迭代进行合并区域过程[10]。通常这类算法对初始的分割要求比较严格,因为初始过分割的区域太小,就得不到区域准确的统计信息,反之要是初始过分割太大,就会给区域边界定位造成困难,另外这种其迭代过程的计算量是非常大的。如果想要克服以上缺点就必须考虑与其他方法结合使用[8]。
1.4 基于马尔可夫随机场模型
MRF模型是应用最广泛的图像统计模型,在图像边缘提取、分割、纹理合成和分析等方面有大量应用。MRF用条件概率描述图像数据分布,它表征的是图像数据的空间相关性,将图像理解成点阵上的随机过程,MRF描述了像素之间的空间依赖性,一个像素可以由其相邻的像素集确定,即如果一个点的邻点是机场,那么这个点极可能也是机场,也就是图像的局部性,这种局部性可以用MRF来描述。基于马尔可夫随机场模型的分割方法就是有效利用了这种象素结构信息,该方法假设图像中象素只和它邻域内的象素相关,而和邻域外的象素无关,从而给出了图像的先验局部结构信息,这种局部特性很难表达,实用中总是采用联合概率分布(吉布斯随机场或高斯分布)得到更好的分割精度。因此这类方法分割精度很高,但其缺点在于分割的速度较慢,算法有可能陷人局部优化。
基于马尔可夫随机场模型的SAR图像分割方法有2种,一是基于递推迭代优化参数估计算法:由于基于MRF模型的SAR图像分割是一个迭代的优化过程,它由局部到全局的收敛速度很慢,因而需要很大的计算量,通常需要迭代数百次才能收敛。用马尔可夫随机场模型结合最大后验概率准则,利用图像的象素强度信息和图像的局部结构信息,有效地选取了迭代的初值,可以减小算法需要迭代的次数,提高分割速度取得较好的分割结果[7]。二是基于区域合并的算法[8]:从文献中可以看出,合并后的最终结果都能获得比较满意的结果,特别是对于高灰度值的物体。并且结合流域法和Waterfalls方法还可以使运算的时间大大减少。
基于马尔可夫随机场的分割方法是第二种思路的代表性方法。到目前为止,还没有哪一种方法能够有效地分析、检测SAR图像中所有的结构特征,并进行合理的重构。虽然基于随机场的模型对大尺寸、灰度级较多的图像分割计算量是极大的。但随着计算机技术的发展,计算负担不再是障碍。马尔可夫随机场由于能够有效地表征图像数据的空间相关性[9],并且有优化算法的支持,在SAR图像处理中所起的作用将会越来越重要。
2 SAR图像分割算法的综合应用
因为任何一种单独的分割算法都不能取得理想分割效果,人们在研究中发现,把多种方法综合起来使用可以达到满意的效果。例如,通过遗传算法选取最优的阈值,并和边缘检测结合起来,实现了图像的分割[11],从实验结果比较可以看出此方法分割出的图像轮廓清晰,优于常规的阈值分割。再如,利用小波变换提取SAR图像的纹理特征,通过计算图像的灰度均值,作为图像的灰度特征,然后用完全无监督的聚类算法进行分类,最后将特征值与类别标记作为支持向量机的训练样本,用训练后的分类器对图像进行分割[12]。为了验证方法的效果,同时采用了几种有代表性的方法对原始SAR图像进行分割,在像素分类错误率、被分区域均匀性等方面,Otsu法的性能较优所以阈值分割法选取了Otsu法分割,基于边缘信息的图像分割法选取了利用Sobel算子提取边缘信息的图像分割法,因为Sobel算子能检测边缘点,且能进一步抑制噪声的影响,基于灰度特征的图像分割法选取了模糊C-均值聚类分割法。结果如图1表明,基于SVM和纹理特征的SAR图像分割方法无论从分割的准确性方面还是抗噪性方面都优于这几种分割方法。
3 总结
通过对SAR图像分割算法的研究我们可以发现这样明显的趋势:当有新的理论或新的方法出现时,我们总是试图把这些新理论、新方法引入分割方法中,希望能取得令人满意的分割效果。尽管分割的算法有很多,但直到目前为止还不存在一个通用的算法,也不存在一个判断分割是否成功的客观标准。人们还在不懈地探索新方法,改进旧方法,相信随着研究的不断深入,会不断的产生新突破。
摘要：SAR图像分割是SAR图像处理的基本问题之一,也是SAR图像处理、图像分析的关键步骤。目前所提出的SAR图像分割算法大都是针对具体问题的,对一些常用的、新出现的SAR图像分割方法作了比较,并在此基础上进行了探讨,说明了单独的分割算法都不能取得理想分割效果,把多种方法综合起来使用可以达到满意的效果,并以基于SVM和纹理特征的SAR图像分割方法为实例说明了效果。
关键词：合成孔径雷达,图像分割,斑点噪声,马尔可夫随机场,SVM
参考文献
[1]XU Xin,LI Deren,SUN Hong.Multiscale M RF-based Texture Segmentation of SAR Image.Chinese Journal of Electronics,2004,4(13):671-675.
[2]Ali El Zaar,Ziou D,Wang Sheng-rui,et al.Segmentation of SAR images[J].Pattern Recognition,2002(35):715-724.
[3]高贵,计科峰,匡纲要,等.基于各向异性热扩散方程的SAR图像分割方法[J].信号处理,2006,1(22):105-109.
[4]何勇.分形方法在SAR图像区域分割中的应用[D].武汉:武汉大学,2004.
[5]侯彪,刘芳,焦李成.高分辨率SAR图像中桥梁目标的自动分割[J].激光与红外,2004,1(34):46-49.
[6]张玲,郭磊民,何伟,陈丽敏.一种基于最大类间方差和区域生长的图像分割法[J].信息与电子工程,2005,2(3):91-94.
[7]高贵,计科峰,匡纲要.基于马尔可夫随机场的SAR目标切片图像分割方法[J].现代雷达,2004,5(26):42-44.
[8]彭祥龙.基于马尔可夫随机场的SAR图像复原和分割[D].成都:电子科技大学,2003.
[9]Ousseini Lankoande,Majeed M.Hayat,and Balu Santhanam.Segmentation of SAR Images Based on Markov Random Field Model.IEEESMC.2005.
[10]章毓晋.图像分割[M].北京:科学出版社,2001.
[11]周秋洁.一种新的基于遗传算法的SAR图像分割算法[J].巢湖学院学报,2005,3(7):90-91.
SAR图像 篇4
在信号处理过程中模拟信号需要量化为数字信号,按照量化级的划分,量化方法有均匀量化和非均匀量化两种。其中均匀量化将输入动态范围均匀地划分;非均匀量化的输入动态范围划分不均匀,一般用类似指数的曲线进行量化。在SAR(Synthetic Aperture Radar)信号处理过程中[1],由于SAR图像的动态范围较大,均匀量化方式常常导致图像细节损失,为了保证图像中描述植被信息的信号能够被更精确的还原,应考虑根据植被散射强度分布情况调整该区间的信号表示方法。
1 植被散射直方图分析
SAR图像中的量化区间由散射最弱点与散射最强点定义,散射强点的数目往往非常少,且其强度与图像平均强度的差异很大。图1为均匀量化处理的包含植被区域、道路区域、强散射目标区域的SAR图像,其中的植被区域没有得到清晰的呈现。灰度直方图是灰度级的函数,描述的是图像中具有该灰度级的像素的个数,用灰度直方图描述植被的散射强度分布如图2。
为了使植被区域更清晰的呈现,对图1作了对比度调整,如图3所示。但这样的处理破坏了图像中散射强度信息,影响对植被目标散射强度的定量研究分析[2]。
图3中黄色方框内为植被区域,其散射强度的分布情况如下:
由图4可见植被的散射强度大部分分布在0—100,而整幅图像的强度分布区间为0—1 200。量化间隔与动态范围成正比,在大的动态范围下对图像进行统一的均匀量化,大的量化间隔无法反映植被目标的细节,不利于分析。为了解决这一问题,针对图像中不同区域的散射强度分布特征,设计非均匀量化策略,图5中设计量化动态范围为0—1 200,图6的量化动态范围为0—100。
从图5和图6的处理结果可以看出,选择合适的量化动态范围能够更好地呈现目标区域。在接下来的工作中,将会根据植被目标的散射模型,如水云模型,设计更加有利于分析研究植被目标的量化算法。
2 植被散射强度分布区间估算
SAR图像中植被信息广泛分布于地表,山体,人造建筑等目标中间,这些目标的存在将会影响对植被信息的精确提取与分析,因此将植被信息从图像中分离开来十分必要,首先需要确定植被散射强度的分布区间情况,对植被信息进行专门的量化。
电磁波和地物之间的相互作用以及地物自身的辐射特征是极其复杂的。为了描述这一过程,人们发展了电磁波散射和辐射模型,统称为微波遥感模型。微波遥感模型可分为经验、半经验和理论模型。经验模型简单易行、利于反演,但是一般是针对特定的研究对象和研究区域很难得到广泛的应用。理论模型是以电磁波理论为基础,可以准确地描述地物的散射和辐射过程,而且随着遥感科学技术的进一步发展,植被覆盖地表的微波理论模型也在不断地完善,使理论模型与地表的真实情况更为接近。然而, 理论模型相当复杂,为参数反演等应用研究带来了一定的困难。半经验模型介于经验模型和理论模型之间,既具有经验模型形式简单的优点,又以一定的物理理论为基础[3]。
由于干植被的微波电离常数远远小于水的电离常数(通常有数个量级),而且植被冠层一般有大于99%体积的空气构成,水云模型假设冠层“云”包含随机分布的相同水滴,对沿着冠层信号路径长度单位体积内的N个水滴的散射和衰减截面贡献进行积分,其后向散射系数可以表示为三个目标参数,土壤的饱水度,植被的饱水度和植被高度的函数。可以认为植被冠层是有损散射体的集合,上边界是空气,下面是散射土壤表面。总的后向散射系数为来自冠层的散射,直接从土壤的后向散射(包括两次经过冠层的衰减),冠层与土壤表面之间多次散射叠加和。冠层体的散射主要受到散射单元的介电特性和几何结构影响,后者由入射波的波长,方向,极化决定。植被冠层的后向散射模型将冠层当做水云,它包括相同、具有统一散射相位函数水滴的集合。绿色植被的介电常数中以水的介电常数为主导,根据光线在云粒与雨滴中的传播规律在对植被叶片进行了大小均一球形分布的假设[4]。
将植被类型划分为两大类[5,6],第一类为灌木植被,根据水云模型的基本理论,结合植被几何、电磁特性的先验信息,建立了具体的植被后向散射模型。第一种模型用于描述灌木植被等农作物,图7中给出了该类模型的描述。
该模型将均匀植被冠层的雷达后向散射可以简单分为三个部分:植被本身的直接散射、土壤背景的散射及二者之间相互作用的二次散射。忽 略冠层和土壤表面之间的二阶多次散射,冠层的后向散射系数(包括土壤)提出了适用于植被的水云模型,模型描述如下:
σ=σv+τ2σs (1)
σv=Acosθ(1-τ2) (2)
τ2=exp(-2Bsecθ) (3)
式中,σs为土壤表面散射系数,σv为直接植被后向散射系数,σ为总的散射系数,τ2为雷达波穿透农作物层的双层衰减因子,A、B是经验常数,这里假定
B=αh (5)
式(5)中,h为植被的高度,α为衰减因子,η为反射因子,σ为单个水滴的散射截面,N为水滴数。
第二类是乔木植被,谷物高粱以及高大乔木等类型的植被,它们的冠层可被划分为两大部分,如图8所示,上层主要由枝叶构成,其高度为h1,下层主要由茎干构成,高度为h2。
σ=σv+τ2vσst+τ2vτ2stσs (6)
σv=Acosθ(1-τ2) (7)
τ2v=exp(-2Bsecθ) (8)
τ2st=exp(-2Csecθ) (9)
式中,σs为土壤表面散射系数,σv为直接植被后向散射系数,σst为直接来自茎干的后向散射系数,σ为总的散射系数,τ2v为雷达波穿透枝叶冠层的双层衰减因子,τ2st为雷达波穿透茎干层的双层衰减因子。A、B、C是经验常数,这里假定
B=αh1 (11)
C=αh2 (12)
3 基于成像几何植被散射模型
以上两种常见的植被散射模型,能够描述电磁波与植被整体以及土壤的作用过程。由于水云模型的提出基于雷达散射计,将其直接应用于SAR图像中估算具有一定高度的植被散射强度时不够准确,这是由于SAR图像将三维场景映射进二维图像中,每个像素可能包含来自多个视角的信息[9,10]。对于具有一定高度的目标(如植被),树干与地面交界处,树干,树冠与雷达的相对视角不同,它们的信息分散表示在不同的斜距单元中,可能存在不同层次的目标叠加到同一个斜距单元中的情况。图9中示意了第一种灌木类型植被在不同区域,地表散射区,地表+植被散射区,阴影区,在SAR斜距图像中的分布情况。根据水云模型的理论,地表散射区对应直接来自地表的散射:σs。地表+植被散射区域对应植被冠层散射与地表散射的叠加:σv+σs。阴影区域对应地表散射经过植被冠层衰减的散射:τ2σs。
图10中示意了第二种灌木类型植被在不同区域,地表散射区,地表+植被散射区,地表+植被散射区+茎秆散射区,阴影区,在SAR斜距图像中的分布情况。根据水云模型的理论,地表散射区对应直接来自地表的散射σs。地表+植被散射区域对应植被冠层散射与地表散射的叠加σv+σs,地表+植被散射区域对应植被冠层散射、植被茎秆散射与地表散射的叠加σv+σs+σst,阴影区域对应地表散射经过植被冠层和茎秆衰减的散射τ2sτ2stσs。
4 SAR遥感数据量化增强实验
下面两图为两幅不同类型植被的SAR遥感图像,其中图11为乔木类植被,图12为灌木类植被。根据前述量化增强处理理论,对图像进行增强处理。
根据表1中估算的植被散射强度结果,包括散射强度均值,均方差等信息,分别设置图11、图12的散射强度量化区间,对图11,图12重新进行量化结果。
相对于量化前的成像结果(图11、图12),图13、图14中植被信息的显示效果,包括树冠的散射情况,阴影的情况等均得到较大的增强。
5 植被量化增强软件系统
植被量化增强软件界面上量化区间的设置有两种方式,第一种手工输入植被平均散射强度、地表平均散射强度;第二种方式,软件具有对图像进行区域选择功能,对选择区域分别计算平均强度、方差等,作为量化器对图像进行量化增强的输入参数。根据水云模型的理论,结合植被的先验信息,计算直接来自地表的散射,树冠散射与地表散射的叠加,树冠散射、茎秆散射和地表散射的叠加,地表散射经过植被衰减的散射。
量化器的设计:在SAR图像中,斑点噪声是由于信号的衰落引起的,通过对SAR图像的观察发现,在均匀区域,被斑点污染得越厉害的区域,在图像上表现得越亮,因此斑点噪声的模型为乘性的[11]。
I=xv (13)
式(13)中,I是在SAR图像中观测到的后向散射强度;x是相应的真实后向散射强度;v是相干斑噪声,其均值为1,并且假设x、v相互独立。
植被的冠层部分、地表散射区域以及阴影区域都可以认为是同性均匀的,定义相干斑噪声的方差系数
它是一种衡量相干斑噪声强弱的尺度,在进行量化区间设置时,根据噪声方差设置量化区间的动态范围。设均匀区域散射强度的均值为A,则量化区间为(A-Nσv,A+Nσv)。N为正整数,根据系统参数设置。
经过量化增强处理的SAR图像,植被信息不仅显示的更加突出,同时一些细致结构也能得到更加清晰的呈现,有利于进一步的应用研究。其设计流程如图15所示。
6 结论
应用水云模型与合成孔径雷达成像几何模型设计非线性量化算法,用于SAR图像中植被散射特性研究。实测数据处理结果显示该方法对于植被信息增强有良好效果,这将为基于遥感图像的植被信息提取与反演研究提供有力支撑。
参考文献
[1]徐春亮,陈彦,贾明权,等.典型地物后向散射特性的测量与分析.地球科学进展,2009;24(7):810—816
[2]高帅,牛铮,刘晨洲.基于RADARSAT SAR估测热带人工林叶面积指数研究.国土资源遥感,2008;78(4):35—38
[3]Attema E,Ulaby F.vegetation modeled as a water cloud,Radio Sci-ence,1978;(13):357—364
[4]Franceschetti G,Iodice A,Riccio D.A canonical problem in electro-magnetic backscattering from buildings.IEEE Trans Geosci Remote Sens,2002;(40):1787—1801
[5]齐家国,王翠珍.微波/光学植被散射模型及其在热带森林中的应用.电波科学学报,2004;19(4):409—417
[6]康高健,张晓娟,方广友.采用离散植被散射模型分析玉米冠层.电子与信息学报,2008;30(2):343—345
[7]王芳,陶建军,姜良美.农作物覆盖地表微波遥感模型研究进展.遥感技术与应用,2011;26(2):255—262
[8]Ulaby F,Allen C,Eger G.Relating the microwave backscattering co-efficient to leaf area index,Remote Sensing of Environment,1984;(14):113—133
[9]Guida R,Iodice A.Model-based interpretation of high-resolution SAR images of buildings.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2008(1):107—119
[10]Stilla U,Soergel U.Reconstruction of buildings in SAR imagery of urban areas in urban remote sensing.Weng Q,Quattrochi D,Eds.Boca Raton,FL:Taylor&Francis,2006:47—67
SAR图像 篇5
合成孔径雷达SAR (Synthetic Aperture Radar) 是20世纪50年代发展起来的一种新型雷达体制。它利用合成孔径原理, 突破了实孔径天线对分辨率的限制, 并结合脉冲压缩技术, 具有高分辨率、全天候、全天时等优点, 能有效地穿透掩盖物识别伪装。SAR在许多重要领域都有着广泛应用, 例如识别桥梁、机场、舰船、岛屿等。SAR还用于深空探测, 例如用合成孔径雷达探测月球、金星的地质结构等。利用SAR进行目标识别问题一直是热点也是难点, 尤其研究SAR图像的噪声抑制及保持边缘等目标识别问题, 具有重要战略意义。
SAR图像噪声是乘性的, 很容易在亮区检测出虚假边缘, 在暗区丢失很多真实信息[1]。为解决这种超分辨率问题通常采用经典算法, 但经典算法在处理这类噪声问题时, 通常假设图像受加性噪声污染, 这与SAR图像噪声的乘性特性相违, 因而去噪效果有限。为了从根本上解决这类问题, 必须研究专门针对SAR图像的噪声抑制技术算法。本文应用机器学习理论, 构建色块网络, 把景物估计和概率统计学习结合起来, 研究一个人工合成的统计特性[2], 提高SAR噪声图像的目标识别能力。
1 基于机器学习的噪声抑制技术原理
机器学习的过程是建立在马尔可夫网络上的。首先, 本文采用5*5像素作为色块大小, 原始SAR图像将以色块为单位进行分割, 每个色块对应于马尔可夫网络上的一个节点。同时, 本文方法在训练事例集中, 为每个色块匹配一定数量的训练色块, 经过三维概率统计学习, 在原图像基础上生成一个合成景物, 该景物有效抑制了图像噪声, 提高了图像质量。
1.1 马尔可夫网络
马尔可夫网络模型是一种概率统计模型, 它已经成为一种通用的统计工具。目前, 马尔可夫理论与方法已经被广泛应用于自然科学、工程技术和公用事业中。在图像处理领域, 利用马尔可夫网络可取得很好的效果。
本文构建一个三维的马尔可夫网络, 把预处理原始图像分成色块, 对应马尔可夫网络上的一个图像节点, 设Y= (y1+y2+…+yj+…+yn) , 在此基础上, 虚拟构建输出合成景物图, 该图也被分割成色块, 对应于马尔可夫网络上的景物节点, 设X= (x1+x2+…+xj+…+xn) 。把变元分配给居中的节点, 且马尔可夫网络上的任两节点在统计量上是相互独立的[3,4,5]。从yj到xj以及xj到xk方向, 通过对一定数量的训练色块事例的学习, 调整先验概率和后验概率, 模拟出应有的概率分布, 经过一定的迭代等规则运算, 得到理想的景物估计结果, 消除SAR图像噪声。
在马尔可夫网络上, 存在着从yj到xj以及xj到xk这两种联接, 如图1所示, 在这两种联接基础上, 进行问题求解, 两个求解短语分别为:
(1) 学习短语, 从景物节点与SAR图像节点的联系中获得原始估计。
(2) 推断短语, 从景物节点与景物节点的联系中获得估计的信任传播。
1.2 数学模型
设节点j为变元, 对于节点j的估计可写成式 (1) 和式 (2) :
的初值为1。
通过联系景物xj和SAR图像数据yj及相邻的景物xj到景物xk, 可以获得边缘概率。基于因子分解法, 这两个相容函数表示成以下公式:
其联合概率分布为:
用高斯拟合法来调整以上概率[4], 通过多次迭代, 利用著名的贝叶斯传播规则, 可以获得很好的先验概率和后验概率。
2 训练集构建方法
2.1 训练集组建原则
本文自行构建了一个灰度图像素材库, 每个素材必须满足以下特性:
(1) 每幅图像都足够清晰;
(2) 每幅图像均反应的是类似的场景;
(3) 每幅图像都有较强的边缘特征;
(4) 每幅图像的分辨率要相同。
本文中进行学习时所需要的训练集中的元素来自于多幅图像, 利用贝叶斯思想弥补先验概率。
训练集是一个模板图像信息库, 均来自于素材库。同一素材, 加入噪声形成低通“image”, “scene”是与“image”相对应的消除噪声且富含边缘信息的高通标记, 如图2所示, 下方为5*5模板的低通image事例数据;上方为与之相对应的为5*5模板的高通scene事例数据。概率统计学习均基于此训练集。
在处理含噪声图像时, 只需让此图像的某个节点在训练集中匹配多个“image/scene”训练对, 这些训练对中的所有“scene”就组成了输入图像的某个节点的候选“scene”训练集。训练集用类C++语言定义为:
2.2 匹配训练事例算法
输入:所要处理的模糊图像。
输出:匹配的训练事例集。
算法过程:
(1) 形成训练事例集。先把素材图像按一定的规则进行处理, 形成由训练对儿image/scene组成的训练事例库。
(2) 对于输入空间中的每个变元, 做以下操作:①根据这个当前变元, 在训练事例库中进行相似性匹配。当前变元与事例库中每个元素的的image部分进行匹配, 所要获取的信息则是整个image/scene训练对儿, 为当前变元匹配M个训练事例, 这样就由这些匹配事例组成了当前变元的M个观测值序列;②重复上面的工作, 直至为输入空间的每个变元都匹配了足够数目的训练事例。
(3) 形成完整训练集并保存。
3 算法与实验
3.1 算法描述
输入图像Y= (y1+y2+…+yj+…+yn)
输出景物X= (x1+x2+…+xj+…+xn)
算法过程:
(1) 初始化训练集。对每幅素材图像预处理:分割成对应的景物候选“image/scene”训练对儿。
(2) 输入图像Y。
①分割成n个节点, 并为每个patch (j) 分配变元yj;
②对每个yj, 计算先验概率p (yj) 。
(3) 为每个节点重复执行概率统计学习[6]。
①原始估计//xj与yj的信息传递:
a获得先验概率p (xj) ;
b估计联合概率p (xj, yj) ;
②估计的信任传播//xj与xk的信息传递:
a对于每一个xj, 估计联合概率分布p (xj, xk) ;
b利用高斯拟合技术进行迭代。
③获得xj的最终估计值。
(4) 输出景物X。
3.2 实验结果
把本文方法应用在噪声图像的目标识别中, 输入含乘性相干斑噪声的模糊的老虎图, 为每个图像节点选取30个训练事例, 通过基于本文方法的机器学习, 生成一个清晰的合成结果图。从实验结果上看是令人满意的, 如图3所示。
4 结语
SAR目标识别的研究工作是一项长期而有应用价值的工作, 本文通过对训练事例集的概率统计学习, 利用马尔可夫网络体系动态地进行目标识别, 在消除噪声的同时生成了大量边缘, 取得了较好的处理效果, 我们将继续加大研究力度, 以求获得更好的目标识别成果及应用价值。
参考文献
[1]赵凌君, 贾承丽, 匡纲要.SAR图像边缘检测方法综述[J].北京:中国图象图形学报, 2007 (12) :42-49.
[2]MILAN S, VACLAV H, ROGER B.Image processing.analysis and machine vsion[M].Second Edition.United States of America:Brooks/Cole, a division of Thomson Asia Pte Led, 2002:303-307, 390-403.
[3]WILLIAM T F, EGON C P, OWEN T C.Learning low-level vision[J].International Journal of Computer Vision, 2000 (5) :1-7.
[4]WEISS Y MA 02139.Technical Report 1616.Belief propagation and revision in networks with loops[S].Cambridge:MIT, 1998:2-5.
[5]WEISS Y, FREEMAN W T Technical Report UCB.CSD-99-1046.Correctness of belief propagation in Gaussian graphical models of arbitrary topology[S].Berkeley Computer Science Dept, 1999.
基于四阶矩的SAR图像目标检测 篇6
目标检测广泛应用于移动车辆,行人识别和预碰撞系统中,随着空载机载雷达的普遍应用,SAR图像中目标检测成为国内外学者研究的热点[1]。
在图像目标检测中,高阶统计量方法是一个重要部分。高阶统计由于其公式复杂,计算量大,没有被国内外研究者深入研究和应用。但高阶统计量包含了二阶统计量所不具有的某些特征信息,特别是在需要考虑有色噪声、非高斯性、非最小相位、非线性或循环平稳性的问题中有它的重要用途[2,3]。对于高斯信号,由于其包含的信息不多,用二阶统计量即可提取关键信息。但对于SAR图像,其包含了大量丰富的散射反射和相位信息,进行信号处理分析时,二阶统计量只是其中一种信息,不能有效地提取这些关键的信息。而高阶统计量表现出了它的独特优势,它可以应用在非高斯信号中,提取诸如相位等二阶统计量不具备的多种信息[4,5],另外,在噪声抑制方面,高阶统计量可以抑制一些噪声的影响,提高系统的抗噪性。
文中以高阶统计量中的四阶矩和低阶统计量中的二阶矩为研究对象,选择高阶矩而不是高阶积累量作为研究目标,在于高阶矩计算公式较高阶积累较简单,另一方面在于国内外对高阶矩研究不多。初步探索了四阶矩和二阶矩的特性,特别是在SAR图像当中的表现特点。SAR图像是通过电磁波进行空间扫描方式,具备相干成像能力,进行孔径的合成,以此获得高的分辨率,其收集的信号包含了丰富的反射散射信息。SAR图像中也包含多种噪声,经查阅文献,SAR图像中最普遍适用的是乘性噪声模型,就要分析这种噪声干扰下不同方法的表现性能。由于实际获得的图像受各种条件的限制,还需要考虑在分辨率不够高的条件下不同方法的表现。利用收集的SAR数据,对SAR图像中目标和背景杂波进行数据处理,发现由于人造目标和背景杂波的反射不同,以及人造目标的阴影,使得在概率密度函数图像中,包含车辆的目标片相对于杂波片的拖尾更长,通过计算,发现目标片的高阶矩值大于杂波片,合理设置门限来检测目标片。针对这一特点,进行了数据处理和仿真,并对仿真结果进行分析。
1 环境参量
对于图像处理,尤其是SAR图像是经过雷达波散射反射等形成的图像,环境参量是非常重要的,在实验室仿真过程中,由于实际环境比较复杂,加之探测设备的种种限制,使得所获得的SAR图像包含了许多噪声;另外,考虑到显示设备的限制,在处理中还要分析分辨率变化的情况,尤其是分辨率降低的情况下,算法对图像检测的能力有多大的影响。综上,通过上述考虑,在本次实验中,考虑了两种环境参量:背景噪声和分辨率,来更准确地仿真实际情况。
1.1 背景噪声
在实际处理中,获得的SAR图像是含有各种噪声的,这正是在本研究中考虑往所取的SAR图像中加入噪声的原因。最常使用的两种噪声模型:加性噪声模型和乘性噪声模型[7]。从SAR相干成像的物理散射机制出发,SAR乘性噪声模型认为SAR图像的每个分辨单元强度是由该单元中地物的RCS(雷达散射截面)被一个强度服从单位均值(均值为1)指数分布的乘性噪声调制而成。即可以认为SAR图像是场景中地物的RCS和单位均值指数强度分布噪声的乘积。乘性噪声模型是在SAR场景具有恒定RCS背景的理想情况下的假设模型,其简化了图像统计特性的分析,比加性噪声模型更合理。原SAR图像和加乘性噪声后的图像如图1-2所示。
对于目标t和θ姿态的实际图像,乘性噪声模型为:
I[m,n]=St,θ[m,n]w[m,n] (1)
其中,w[m,n]是独立同分布单位均值噪声,St,θ[m,n]是目标t在姿态θ下的模板,即在像素[m,n]处的实际RCS值(强度)。目标t和θ姿态下的均值图像为:
E{I[m,n]}=E{St,θ[m,n]w[m,n]}=
E{St,θ[m,n]}E{w[m,n]}=
St,θ[m,n] (2)
即均值图像是对应的模板图像。目标t和θ姿态下的STD图像为:
即对于乘性噪声模型,目标t在姿态θ下的STD图像和均值图像成比例,其比值常数为C。由式(4),对于某一图像,乘性噪声可以由模板估计而得:
1.2 降分辨率
图像分辨率反映的是图像所拥有的细节程度,分辨率越高意味着更多的图像细节。如果把整个图像想象成是一个大型的棋盘,而分辨率的表示方式就是所有经线和纬线交叉点的数目。鉴于设备的限制,获得的SAR图像分辨率较真实图像分辨率要低,仿真中主要考虑在SAR图像分辨率降低的情况下算法之间的优劣。分辨率降低时的SAR图像如图3所示。实验中采用下采样算法使分辨率降低,即对于一个样值序列间隔几个样值取样一次,以满足信号处理的要求。
2 四阶矩检测
人造目标由于更强反射和多层次反射面[8,9],因而相对于自然杂波物体,其反射特点不一样,这种不同可以反映在它们各自像素强度的概率密度函数图形中,目标片相对于杂波片有更多的像素点在右边,使目标片对应概率密度函数图形向右偏。
另外,使用高阶矩的另外一个原因在于人造物体不仅影响自身处的像素点,还通过多径传播和阴影影响它周围的像素点,雷达反射度越高,它对于的像素概率密度函数分布越向右扩展和拖尾变长。阴影会使负方向的拖尾加长。因此可以选择一个含有阴影的目标片,它相对于杂波片,负方向和正方向的拖尾都更长,反映在四阶矩值上,即其值更大,这就可以用来增强检测。
令随机变量x具有概率密度函数f(x),其特征函数定义为积分
ϕ(ω)=∫
换言之,特征函数是密度函数f(x)的Fourier变换。因为f(x)≥0,所以特征函数在原点具有最大值,即
|ϕ(ω)|≤ϕ(0)=1 (6)
该特征函数也称第一特征函数。
随机变量的第一特征函数ϕ(ω)在原点的k阶导数等于随机变量x的k阶矩mk,即
mk=ϕk(ω)|ω=0=E[xk]=∫
四阶矩定义为:
m4=ϕ4(ω)|ω=0=∫
四阶矩是概率分布图中拖尾长度的一个量度。目标片和杂波片的概率密度分布如图4所示,目标片比杂波片的拖尾更厚、更长,四阶矩计算公式
m4=ϕ4(ω)|ω=0=∫
算发现,在概率分布图中拖尾越长、越厚的片,其对应的四阶矩值越大。
3 数据处理
3.1 仿真过程
从Sandia National Laboratories 提取实际SAR图像数据,如图5所示(包含目标片的SAR图像),雷达数据参数如下:载波频段Ku-band,分辨率0.1m, 3.3km range 和30 degree grazing angle。
在选片时,如果选片大小过大,则计算量太大,选片太小,有效信息不能被充分地选进来,故经比较,选择大小为128×128。区别目标片和杂波片采用两种方法:二阶矩法和四阶矩法。对片分别计算二阶矩和四阶矩,然后画出它们的概率密度函数,对于给定的一个虚警概率,结合目标片和杂波片的概率密度函数,可以求出相应的门限,进而求出相应的检测概率。在仿真过程中,着重比较了两种方法在乘性噪声不断增大时表现出的检测概率,以及在分辨率降低条件下二者的结果。
3.2 仿真结果与分析
图6-8分别为两种方法在不同的乘性噪声、虚警概率,窗口步长条件下,二阶矩方法和四阶矩方法对应的检测概率。 图9为分辨率为0.1m时对应的检测概率,图10为分辨率0.2m时对应的检测概率。
在图6-8中,横坐标是加入噪声方差大小,纵坐标是在给定虚警概率分别为0.1、0.2、0.3时,不同噪声方差对应的检测概率。可以看到:
①当噪声不变时,检测概率随虚警概率增大而增大,表现在图形中,即图形整体向上平移。
②同一噪声,同一虚警概率下,随着所选取的窗口尺寸的增大,检测概率整体增大,但是计算量增大。
③随噪声方差的增大,四阶矩方法刚开始的检测概率和二阶矩方法差不多,但随着方差继续增大,四阶矩方法对应的检测概率Pd仍保持相对稳定状态,但二阶矩方法对应的检测概率Pd下降很快,检测性能下降,其检测概率被四阶矩超越。
图9中,在分辨率为0.1m时,看到四阶矩方法在虚警概率较低时,检测概率比二阶矩方法低0.2左右,随着虚警概率的升高,差距缩小,当将分辨率从0.1m降为0.2m时,图10中可以看到,四阶矩方法的检测概率相对之前大有提高,而二阶矩方法则有明显的降低,并且检测概率降到四阶矩方法以下。
4 结束语
基于高阶矩在理论分析上的优势,通过对SAR图像数据进行计算处理,在得出乘性噪声情况下,比较不同噪声方差值大小,不同虚警概率和不同所取窗口大小对应的检测概率大小,结果发现四阶矩在抑制乘性噪声方面要比二阶矩方法检测性能更高,性能表现更稳定。同时,本研究也发现在分辨率降低时,四阶矩方法所对应的检测概率高于二阶矩方法,四阶矩表现出了一定的抗低分辨率能力。另外,还可以考虑加乘性噪声和分辨率同时降低情况下,四阶矩和低阶矩方法的表现性能,这些方面都还有待进一步的研究。
摘要：SAR图像中车辆目标检测是一个备受瞩目的关注点,运用传统的低阶矩方法进行SAR图像中目标检测,尤其是在图像中含有乘性噪声和在分辨率降低时,普遍存在检测率不高,不能充分体现出目标相对背景杂波的特性。本文根据SAR图像中目标的特性,提出基于四阶矩的方法对SAR图像进行目标检测。实验表明,采用四阶矩方法后,在乘性噪声和分辨率降低状况下,四阶矩方法的检测概率相对传统的二阶矩方法有明显提高。未来四阶矩将更广泛地用于SAR图像中对目标进行检测,有重大的应用前景。
SAR图像 篇7
图像分割是图像解译过程中的一个关键步骤。在没有足够先验知识的情况下对SAR图像进行分割比较困难的主要原因是其相干斑点噪声的存在使得大多数在光学图像中行之有效的算法变得不适用。MRF模型是一种被证明比较有效的SAR图像分割模型[1], 它通过Gibbs随机场和Markov随机场的等价性[2]得到图像的先验分布, 从而引入了图像的空间结构信息, 有效地消除了斑点噪声对分割的影响。
图像分割的目的是根据一定准则, 为给定图像中的每个像素指定一个类别标号以得到一个与图像大小相同的标号场。基于MRF模型的图像分割问题可以转换为求一个以标号场为变量的能量函数的全局极小值的组合优化问题[1]。然而, 求取该能量函数的全局极小值却是一个NP-hard问题, 不能在多项式时间内得到解。因此, 在实际应用中往往通过求取能量函数的局部极小值来获得次优解。传统的模拟退火法虽然在理论上能够获得能量函数的全局极小点, 但是计算量非常大, 不能满足实际应用的要求。Besag提出的ICM算法可以有效地提高算法的速度, 但对初始图像标号敏感容易陷入局部极小点[3]。Yuri Boykov等人从Graph Cuts的角度提出了alpha-expansion算法用于寻找能量函数的局部极小点[4], 它能够在一定程度上避免陷入局部极小值, 从而获得了较好的效果。但是, 此类算法在构造s/t图的时候需要在不同类间的边界上添加辅助结点, 而结点和边数目的增加会加重算法的负担, 降低运算速度。在受相干斑噪声污染的SAR图像中辅助结点的数目会非常庞大, 从而严重影响算法的效率。针对这个问题, 我们在构造图的时候先将非alpha类间的边界隔离开来, 而只考虑alpha类与非alpha类之间的关系。这样, 一方面可以避免添加辅助结点, 提高算法的效率;另一方面当alpha类向其它类膨胀时, 因放松了非alpha类之间的关系对它的约束, 从而能够更容易跳出能量函数的极小点获得更优的结果。
本文的结构:第1部分给出了基于MRF图像分割模型的能量函数;第2部分给出了基于Graph Cut最小化能量函数的AE算法, 提出了改进AE算法效率的SAE算法, 并推导出了由SAE算法构造的s/t图的割值与新标号场的能量函数之间的关系式;第3部分是分割算法的总体流程;第4部分比较了SAE算法与其它两类算法在运算效率和最小化能量方面的性能;最后一部分是总结。
1 基于MRF的图像分割模型
基于MRF的图像分割模型可以转换为求使能量函数E (f) 最小化时的标号场f的组合优化问题[3]。能量函数可以表示如下[3,4]:
其中:Esmooth (f) 称为平滑项能量, 是对不平滑性的惩罚;Edata (f) 称为数据项能量, 是对当前标号f与观测数据间不符合程度的一种惩罚。对于一幅给定的图像I, 用p代表每个像素点, P代表所有像素的集合, 所有邻域像素对{p, q}构成的集合记为N。那么, 平滑项和数据项能量具有如下的一般形式[3,4]:
其中对式 (2) 中的Vp, q (fp, fq) , 实验中采用四邻域的Potts模型[2]:Vp, q (fp, fq) =λδ (fp≠fq) , λ是用来平衡数据项和平滑项的因子, 在实验中设定为0.9。式 (3) 中单个像素的数据项能量Dp (fp) 可以通过对似然函数ffp (yp) 取负对数得到, 其中ffp (yp) 表示像素p在标号为fp的条件下, 灰度值为yp的概率。我们用核估计方法来获得像素的条件似然函数。
假设有w类的n个训练样本Y={yi|i=1, …, n}, 利用高斯径向基核函数, 则w类的条件似然函数估计为
其中h的大小控制着条件似然函数的平滑度, h越大则曲线越平滑, 但这样可能捕获不到一些细节信息。h越小则曲线越尖锐, 会过度的依赖于观测数据, 从而导致了推广性能的下降。文献[5]给出了估计h的方法:
其中frq (y) 表示y在训练样本集中出现的频率, µ, α, γ是实验参数需要对具体的图像分别进行调节。
2 最小化能量函数的Graph Cuts算法
基于Graph Cuts最小化能量方法的基本思想是先构造一个s/t图, 使得该图的割值与新标号场的能量之间满足一定的关系:最小化能量函数可以通过最小化割来实现, 然后使用图论的算法得到最小割, 从而得到与最小割相对应的标号场。文献[6]提出了一种快速计算最小割的方法, 保证了此类算法的运算速度。文献[4]提出了两种基于Graph Cuts的alpha-beta swap算法和alpha-expansion算法。在此, 为了表示方便, 我们分别用ABS、AE来代表alpha-beta swap算法和alpha-expansion算法。ABS通过交换标号为alpha和标号为beta的部分像素来最小化能量, 因此它所构造的图只用了alpha类和beta类内的像素作为图的结点, 边的数目少, 运算速度快。AE算法通过批量移动像素到标号为alpha的类来最小化能量, 它所构造的图用到了图像中的所有像素, 边的数目多, 计算速度慢。但是AE算法同时考虑到了标号为alpha的像素与其它所有类别像素之间的关系, 因而分割精度更好。在AE算法的基础上, 我们提出了一种SAE (Simple alpha Expansion, 简记为SAE) 算法来改进AE算法的效率。
2.1 AE算法
给定一个初始标号场f和一个标号α通过执行一次AE算法可以得到一个新的标号场f C, fC具有比f更小的能量, 其中fC的上标C代表s/t图的割C。为了满足新标号场的能量与s/t图的割值|C|之间的等价性, AE算法必须在不同类间的边界上添加了辅助结点。图1给出了一维情况下基于AE算法的s/t图:所有像素{pi|i=1, 2, 3, 4, 5, 6}被分到三个集合P1, P2, Pα中, 在Pα与P1、Pα与P2、P1与P2的边界上分别添加了辅助结点a1, a2和a3。
在SAR图像中, 由于受相干斑噪声的影响相邻像素之间灰度的变化幅度较大, 因而同类像素的标号在初始标号场f中的分布比较零散, 从而不同类间的分界线变得很长。这使得AE算法需要添加的辅助结点的数量非常庞大, 严重影响了算法的效率。
2.2 SAE算法
为提高AE算法的效率, 我们通过在α类向其它类膨胀时隔离非α类间的关系来避免添加辅助结点。图2给出了一维情况下基于SAE算法的s/t图:所有像素{pi|i=1, 2, 3, 4, 5, 6}被分到三个集合P1, P2, Pα中。在α类膨胀过程中, 只考虑Pα与P1、Pα与P2之间的关系, P1与P2之间的关系被暂时隔离。
基于SAE算法的s/t图的结点集合包含两个结点α、 和所有的像素点p∈P, 表示为
每个像素p都有一条指向结点α的边tpα, 和一条从结点α指向p的边tpα。一对邻域像素{p, q}, 如果fp=fq≠α, 则它们之间存在一条边e{p, q};如果p, q中有一个像素属于α类, 另一个像素不属于α类, 则它们之间也存在边e{p, q}, 所以边的集合可表示为
各条边的容量见表1。
对每个像素p∈P, s/t图上的任何一个割C必须包含并且只能包含一条与α或α相连接的边。一对邻域像素{p, q}, 只有当它们被赋予不同的标号时它们之间的边才会被切断。这样, 就得到了一个与割C相对应的标号场
也就是在最终的s/t剩余图中将与结点 相连的像素移动到α类, 其余像素保持原先的标号不变, 以此来生成新的标号场fC。
性质1一对邻域像素{p, q}, 如果p, q∉{p∉Pα, q∉Pα, fp≠fq}, 则有V (fpC, fqC) =|C∩e{p, q}|。
证明:1) 如果p∉Pα, q∉Pα, fp=fq, 则当p被标记α而q保持不变, 或q被标记为α而p保持不变时, 边e{p, q}才会被切断。所以有
所以V (fpC, fqC) =|C∩e{p, q}|;
2) 如果p∈Pα, q∉Pα, 那么最小割的结果只有两种情况:q被移动到α类或q保持原来的标号。在第一种情况下, V (fpC, fqC) =, 0e{p, q}∉C;在第二种情况下, V (fpC, fqC) =V (α, fq) , e{p, q}∈C, 所以||) , (qp}, {CqCpVfe Cf∩=;
3) 在p∉Pα, q∈Pα的情况下, 与2) 类似的可以证明V (fpC, fqC) =|C∩e{p, q}|。
综合1) 、2) 、3) 命题得证。
性质2割值|C|加上一个常数是对应标号场能量的上界。
证明:假设一对邻域像素, 只要它们的标号相异, 则平滑项能量Vp, q (fpC, fqC) 都相同。那么, 在给定标号场f的条件下, 所有满足条件:
的邻域像素对的平滑项能量之和为一个常数, 记为
注意到, 满足条件 (9) 的邻域像素对在fC中的标号要么都被标记为α类, 要么仍然保持相异。从而根据假设条件有
另外, 根据性质1和式 (10) 割的值可以表示如下
推论根据性质2最小化式 (1) 的能量函数可以通过求取s/t图的最小割来实现。
3 分割算法的总流程
具体流程如下:
1) 确定类别数目c (实验中c=3) ;
2) 分别从图像中为每类选择合适的训练样本, 根据式 (4) 和式 (5) 估计每类的数据项能量;
3) 根据从步骤2) 中得到的似然函数, 利用最大似然估计法得到初始标号场 (初始分割) ;
4) 从c个类别中选择其中一个类别, 将其设置为α类, 并根据第2部分中的图的构造方法构造图;
5) 用文献[6]的最大流最小割方法寻找最小割, 并根据式 (6) 得到新的标号场fC;
6) 如果α取完所有的c个类别, 则继续;否则, 转到步骤4) ;
7) 比较新标号场和旧标号场的能量, 如果新标号场的能量小于旧标号场, 则转到步骤4) , 否则退出。
4 实验结果
实验比较了对给定图像在相同训练样本的条件下ABS、AE和SAE算法执行一次移动所花费时间和能量的下降情况。实验仿真环境为奔腾4 2.8GHz处理器、1 024 MB内存和Windows XP操作系统的微机, VC++6.0编译器。我们将图3的SAR图像 (大小为256×256) 通过双线性插值法得到尺寸为100×100、128×128、140×140和200×200的4幅图像, 用这些图像作为测试图像。
表2给出对一幅给定图像, 在相同训练样本的情况下不同算法执行一次移动所花费的时间。表2和图4的数据表明SAE算法所花费的时间大约为AE算法的一半, 而ABS的计算速度最快。这主要是因为ABS算法中边的数目最少, 执行最小割的速度最快。而AE算法因为添加了辅助结点而使得边的总数增加, 花费的时间也随之增加。SAE没有添加辅助结点, 边的数目要少于AE。表3给出了对一幅给定图像, 在具有相同标号场和每类分布 (即具有相同初始能量) 的条件下, 三种算法执行一次移动后的新标号场的能量。通过分析表3的数据可以发现, 由SAE算法得到的标号场的能量下降得最多。这说明, SAE算法可以更好得跳出能量函数的局部极小值点而获得更优的局部极小值。
图5给出了图3在相同训练样本 (即相同初始分割) 的条件下分别采用不同的算法得到的分割结果。它们的计算速度见表2的最后一行。通过观察可以发现, 三幅图像的右上部分都有黑色的小斑点, 其中图5 (a) 中未消除的斑点最多, 图5 (b) 和图5 (c) 中斑点的数目差不多, 但都比图5 (a) 少。这说明, ABS算法虽然速度上有很大优势, 但是分割效果不如AE和SAE算法;比较图5 (b) 和图5 (c) , 在图5 (b) 的线框内还存在一些亮斑点, 而图5 (c) 在这一区域分割得更好, 这是因为SAE算法能够更好得跳出局部极小点得到更好的分割效果。但总体来说, AE算法跟SAE算法在分割精度方面的效果相差不大, 但后者的运算时间只需前者的一半左右。另外, 如果要更加有效的消除斑点可以通过扩大邻域的范围来实现。
5 结论
针对AE算法计算复杂度高的缺点, 本文在不影响算法性能的情况下提出了一种改进效率的SAE算法。并将此算法应用到受斑点噪声污染的SAR图像的分割中。通过多次实验表明, 本文提出的SAE算法在运算效率方面较AE算法提高了一倍左右, 并且在相同初始能量的情况下通过一次膨胀, SAE算法能够较AE算法更有效的降低能量。这两方面的优点, 主要归功于SAE算法在膨胀的过程中隔离了非alpha类间的联系, 从而一方面避免了构造辅助结点, 减少了边的总数提高了算法的效率, 另一方面放松了非alpha类间的联系对膨胀的约束, 使得膨胀能够更容易的跳出局部极小点。然而, SAE算法还存在也一些需要改进的方面:在第3部分性质2的证明中, 要求一对邻域像素只要标号相异平滑项能量就相同, 这限制了它的适用范围。
参考文献
[1]焦李成, 张向荣, 侯彪, 等.智能SAR图像处理与解译[M].北京:科学出版社, 2008.JIAO Li-cheng, ZHANG Xiang-rong, HOU Biao, et al.Intelligent SAR image processing and interpretation[M].Beijing:Science Press, 2008.
[2]Roger Fjortoft, Yves Delignon, Wojciech Pieczynski, et al.Unsupervised Classification of Radar Images Using Hidden Markov Chains and Hidden Markov Random Fields[J].IEEE Transaction on Geoscience and Remote Sensing (S0196-2892) , 2003, 41 (3) :675-686.
[3]Richard Szeliski, Ramin Zabin, Daniel Scharstein, et al.A Comparative Study of Energy Minimization Methods for Markov Random Fields with Smoothness-Based Priors[J].IEEE Transaction on Pattern Analysis and Machine Intelligence (S0162-8828) , 2008, 30 (6) :1068-1080.
[4]Yuri Boykov, Olga Veksler, Ramin Zabih.Fast Approximate Energy Minimization via Graph Cuts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence (S0162-8828) , 2001, 23 (11) :1222-1239.
[5]夏桂松, 何楚, 孙洪.一种基于非参数密度估计和马尔可夫上下文的SAR图像分割算法[J].电子与信息学报, 2006, 8 (12) :2209-2213.XIA Gui-song, HE Chu, SUN Hong.A Segmentation method of SAR Image Based on Non-parametric Density Estimate and Markovian Contexture[J].Journal of electronics&information technology, 2006, 8 (12) :2209-2213.
SAR图像 篇8
SAR图像利用雷达发射并接收地物散射电磁回波成像。SAR图像全天时全天候的工作特点使得它在军事和民用上得到广泛的应用。随着SAR图像数据获取能力快速增强,数据量快速增大,依靠人工解译已经不能满足应用需要。因此,计算机辅助解译成为当前的研究热点。特征作为图像的抽象描述,是SAR图像自动解译中的分类、识别、检索的基础。SAR依赖地物的回波信号成像,而回波信号强度和相位随不同地物及其位置和空间结构差异而有显著差别,这些差别引起图像灰度空间分布随地物信息差异而不同,因此SAR图像具有丰富的纹理信息。例如,图1所示的三类不同类型区域具有明显的纹理差异。基于灰度共生矩阵(GLCM)的纹理特征[1]是一种广泛使用且效果良好的SAR图像描述方式[2,3,4]。文献[5]使用GLCM对海冰进行描述和表征,在多类海冰纹理分类实验上取得了良好效果,此外,作者还对GLCM各个参数对其性能的影响进行了研究。U. Kandaswamy等人[6]研究SAR图像纹理分析效率问题 , 提出纹理 特征估计 分析方法 (approximatetextural features),提高了SAR图像纹理分析效率,文献[7]提取SAR图像纹理特征,并使用PCA方法对特征降维,提高了SAR图像分类的正确率。国内也有学者研究基于纹理特征和边缘特征融合改善SAR图像分割效果的问题[8,9]。文献[10]在城市地物分类中使用纹理特征,并探讨纹理特征对分类效果的影响。纹理特征已成为SAR图像分析的一种重要的方法。
目前基于纹理特征的SAR图像特征提取普遍面临如何处理相干斑的影响问题。当前普遍采用的方法是在提取特征前对SAR图像先进行滤波处理[9],以抑制相干斑。但这个方式会在一定程度上对原图像的边缘和纹理造成损失[11],这是因为滤波操作大都采用滑动窗口的方式,在一个窗口区域内,基于均值和方差,使用不同准则来调整中心像素值,为某种程度上的平均,从而造成边缘以及细小的纹理结构损失。同时随着研究深入和技术发展,相干斑涉及图像统计分布且和具体场景相关[12]而可能包含有用信息。采用滤波方式抑制相干斑可能会导致一些信息损失。因此本文提出先直接从SAR图像中提取纹理特征,然后采用RPCA(Robust PrincipleComponent Analysis)[13]方法对特征进行处理以达到特征去噪的目的,然后再进行聚类分析。实验结果表明,使用RPCA处理后的纹理特征进行聚类分析,聚类的准确率从82%提升到84%。
图1 从Terra SAR-X[14]中截取的三类地物切片。它们的灰度分布、排列方式、粗糙程度上均有差异,反应不同类别的地物SAR图像具有纹理差异
1 Robust PCA(RPCA)
RPCA是一种基于压缩感知[15]和稀疏表达[16]理论的信号处理方法。它克服传统PCA只能恢复受到较小较稠密的高斯噪声干扰的矩阵,而能够较准确的恢复出受到幅度较大的非高斯噪音干扰的矩阵。现在已经广泛应用在可见光图像和视频的去噪及恢复领域[17]。RPCA的核心思想是将受噪声干扰的矩阵在满足低秩和稀疏的优化准则下,分解成低秩矩阵A和稀疏矩阵E。用数学可以表达为:
其中D是观测图像,受到噪声的干扰;A是接近真实图像的低秩矩阵;E是稀疏矩阵,代表噪声。是矩阵的0阶范数,表示非零元个数。优化式(1)是一个NP难问题,因此通常采用式(3)作为目标函数。
其中表示核范数,即矩阵奇异值之和;表示一阶范数,即矩阵所有元素绝对值之和。
由于相近的或者相同的图像具有很强的相关性,从而构成低秩矩阵;而这些图像上的噪声因为具有随机性,因而相关度比较低,往往构成稀疏矩阵。那么经过RPCA处理后,受到噪声影响的图像能够正确恢复为低秩矩阵,从而达到原图像去噪的目的。文献[13]提出一种利用RPCA在多幅相同背景图像中提取前景目标的方法。将具有相同背景的图像,以像素为单位,按行拉直成一个向量,多幅图像拉成的向量构成D矩阵。通过优化目标函数(3),便能将D分解。
同一类SAR目标图像往往并没有完全相同的纹理分布背景,因背景缺乏一致性导致切片不能对齐,从而不能构成低秩矩阵。同一场景的切片图像虽然纹理有相似的灰度分布,但在切割时,切片包含的具体场景可能差异较大,因此很难满足构成低秩矩阵的条件。但是从同一类物体提取的特征,理论上能够表达同一类场景或物体,因而这些特征相似或相同的结构,因而具有较强的相关性,从而可以构成低秩矩阵;而特征中的噪声,因为具有一定的随机性而相关性较低,从而构成稀疏矩阵。通过RPCA处理,同类特征之间的结构将更相近。本文按照文献[13]的方法,将从原图像中提取的纹理特征按列排成一个矩阵D,并对它进行RPCA分解。分解得到低秩矩阵A和稀疏矩阵E。其中的低秩矩阵A部分是经过去噪后的特征部分。稀疏矩阵E部分则是特征的噪声部分。
2 实验与分析
2.1纹理特征
为了说明RPCA处理后图像的纹理表达能力有所增强,本文提取切片图像的GLCM纹理特征,并(1)对处理前后的特征向量均值、方差进行对比分析,(2)使用Kmeans的聚类方法检查纹理特征聚类效果,以说明RPCA对纹理特征去噪效果。
灰度共生矩阵(GLCM)利用统计特定空间分布的灰度点对方式来提取图像的纹理特征。矩阵中每一个单元的取值按照(4)式确定。
其中,i,j表示灰度级,d,θ分别表示灰度级距离和方向。
由该矩阵可以计算出多个特征量。Haralick[1]等人提出了14个特征量,但是根据研究[8,9,10,18]5个特征量可以表达纹理特征。这5个特征量分别是:对比度,相关,能量,均匀度,熵。它们的定义依次如下式(5)—(9):
实际应用中,常统计0°,45°,90°,135°四个方向的灰度共生矩阵,每个矩阵提取这5个特征量。实验数据采用一幅Terra SAR-X分辨率为1米的智利铜矿区SAR图像[14]。从图像中分别截取三类不同区域地物的切片,然后将每一类地物切片分别切割成大小为200x200[19]的实验用切片图像。每一类随机挑选出200幅,共600幅图像作数据集,部分数据如下图3所示。
并提取基于灰度共生矩阵的4个方向上的5个纹理特征量:对比度,相关,能量,均匀度,熵。并按以下顺序排列:
将每个纹理特征作为D矩阵的一列,执行RPCA算法[20]对D进行分解。取出低秩矩阵部分A,该部分即为去噪后的特征。经归一化后,每一幅切片图像被一个20维向量所描述。图4、图5分别给出了三类地物切片的纹理特征经RPCA处理前后均值图。由图可见,经RPCA处理前后,三类切片的纹理特征均值变化不大。图6、图7分别为RPCA处理前后,三类切片特征向量方差对比。经RPCA处理后,三类切片特征向量的方差均变小。这表明,经过RPCA处理后,不同类别的纹理特征均值基本保持不变而同一类别的纹理特征的每一维方差都变小,从而说明优化之后再提取的纹理特征区分性有所提升。
2.2 Kmeans聚类
为了进一步检验RPCA处理后图像纹理特征的区分能力,我们对样本图像的纹理特征经RPCA处理前后的聚类情况进行了实验比较。我们采用Kmeans方式对所有样本进行聚类。Kmeans是一种常用的聚类方法,它的算法流程图如图8所示。实验衡量指标采用了聚类中常用的指标对聚类效果进行衡量,定义如式(10)-(13)。经过RPCA处理后的特征进行聚类,各个指标都有所提升,如表一所示。说明经过图像的纹理特征区分能力有所增强。这一结果进一步说明对纹理特征采用RPCA进行去噪是有利于特征表达的。
其中ai是出现在第i个类簇(执行算法得到的) ,TP同一类样本被聚到同一簇,TN表示不同类样本被聚到不同的簇,FP表示不同类样本被聚到同一簇,FN表示同一类样本被聚到不同簇,N为总样本个数。
3 结语
基于灰度共生矩阵的纹理特征是表征SAR图像的一种重要方法,在SAR图像分割、分类中有着重要的应用。本文提出在提取GLCM纹理特征后,利用RPCA对纹理特征进行去噪,进而提高GLCM特征的表征能力。并在Terra SAR-X数据上的实验结果验证了本文方法的有效性。同时也注意到,实验还有改进的地方,可以尝试多特征结合方式以改善聚类效果。
摘要：合成孔径雷达(SAR)图像具有丰富的纹理信息,这些纹理信息能反映地物空间结构关系。当前纹理特征被广泛应用于SAR图像分类和SAR图像分割中。受成像因素影响,直接采用从SAR图像中提取的纹理特征效果不够好。为避免传统先滤波再提取纹理特征的方法对纹理、边缘信息造成损失,提出了一种先提取SAR图像纹理特征,再利用Robust PCA方法对纹理特征去噪的新方法,最后采用Kmeans聚类方法检验RPCA处理后的纹理特征表达效果。实验结果表明该方法能将聚类正确率从82%提高到84%。