• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 11
    • 下载费用:30 金币  

    重庆时时彩任选三: 基于语义条件随机场模型的SAR图像分割方法.pdf

    关 键 词:
    基于 语义 条件 随机 模型 SAR 图像 分割 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201611237232.4

    申请日:

    2016.12.28

    公开号:

    CN106683109A

    公开日:

    2017.05.17

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06T 7/143申请日:20161228|||公开
    IPC分类号: G06T7/143(2017.01)I 主分类号: G06T7/143
    申请人: 西安电子科技大学
    发明人: 刘芳; 段一平; 李婷婷; 焦李成; 郝红侠; 陈璞华; 马晶晶; 尚荣华
    地址: 710071 陕西省西安市雁塔区太白南路2号
    优先权:
    专利代理机构: 陕西电子工业专利中心 61205 代理人: 王品华;朱红星
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611237232.4

    授权公告号:

    |||

    法律状态公告日:

    2017.06.09|||2017.05.17

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种基于语义条件随机场模型的SAR图像分割方法。主要解决现有技术中不能保持图像细节信息的问题。其实现步骤为: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特征,用AP聚类的方法进行分割;3.构建语义条件随机场模型对结构区域子空间和匀质区域子空间进行分割;4.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。本发明获得了SAR图像的良好分割效果,可用于SAR图像的语义分割。

    权利要求书

    1.基于语义条件随机场模型的SAR图像分割方法,其特征在于:包括如下步骤:
    (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;
    (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:
    <mrow> <msub> <mi>u</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>f</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mi> </mi> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mi>&delta;</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mi> </mi> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mi> </mi> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mo>&lt;</mo> <mn>1</mn> <mo>&gt;</mo> </mrow>
    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:
    <mrow> <msub> <mi>g</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>|</mo> <msub> <mi>&psi;</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>&phi;</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mi>&delta;</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mi>&delta;</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>m</mi> <mo>)</mo> </mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mi> </mi> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>|</mo> <msub> <mi>&psi;</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>&phi;</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mo>&lt;</mo> <mn>2</mn> <mo>&gt;</mo> </mrow>
    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:
    <mrow> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mrow> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>K</mi> <mo>}</mo> </mrow> </munder> <mo>{</mo> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>&times;</mo> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>&times;</mo> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>|</mo> <msub> <mi>&psi;</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>&phi;</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mo>&lt;</mo> <mn>4</mn> <mo>&gt;</mo> </mrow>
    (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。
    2.根据权利要求1所述的方法,其中步骤(2)中用仿射传播AP聚类的方法对该地物子空
    间进行分割,按如下步骤进行:
    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。
    3.根据权利要求1所述的方法,其中步骤(3c)公式中的像素的类别特征概率p(ys),表示
    如下:
    <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>l</mi> </msub> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mi>exp</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>l</mi> </msub> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
    其中,wl是像素的权重参数,ηs是像素ys的邻域像素。
    4.根据权利要求1所述的方法,其中步骤(3c)公式中的似然概率p(ys|xs),表示如下:
    <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>2</mn> <mrow> <mi>&Gamma;</mi> <mrow> <mo>(</mo> <msub> <mi>&alpha;</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <msup> <mrow> <mo>(</mo> <mfrac> <msub> <mi>&alpha;</mi> <mi>k</mi> </msub> <msub> <mi>&mu;</mi> <mi>k</mi> </msub> </mfrac> <mo>)</mo> </mrow> <msub> <mi>&alpha;</mi> <mi>k</mi> </msub> </msup> <msubsup> <mi>y</mi> <mi>s</mi> <mrow> <mn>2</mn> <mi>&alpha;</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mi>e</mi> <mrow> <mo>(</mo> <mo>-</mo> <msub> <mi>&alpha;</mi> <mi>k</mi> </msub> <mfrac> <msubsup> <mi>y</mi> <mi>s</mi> <mn>2</mn> </msubsup> <msub> <mi>&mu;</mi> <mi>k</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow>
    其中,Γ(αk)是伽马函数,αk为尺度参数,μk是位移参数,
    5.根据权利要求1所述的方法,其中步骤(3c)公式中的先验概率,p(xs,xt|ψst(ys,yt,φ
    (ys,yt))),表示如下:
    <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>|</mo> <msub> <mi>&psi;</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>&phi;</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <munder> <mo>&Sigma;</mo> <mrow> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>&Element;</mo> <msub> <mi>&eta;</mi> <mi>s</mi> </msub> </mrow> </munder> <msub> <mi>&psi;</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>&phi;</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mi>&delta;</mi> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>l</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mi>exp</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <munder> <mo>&Sigma;</mo> <mrow> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>&Element;</mo> <msub> <mi>&eta;</mi> <mi>s</mi> </msub> </mrow> </munder> <msub> <mi>&psi;</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>&phi;</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mi>&delta;</mi> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>m</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
    其中,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:

    说明书

    基于语义条件随机场模型的SAR图像分割方法

    技术领域

    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。

    发明内容

    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?;?br />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?;し段е?。

    关于本文
    本文标题:基于语义条件随机场模型的SAR图像分割方法.pdf
    链接地址://www.4mum.com.cn/p-6079488.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 江苏快3技巧稳赚方法 11选5任8中多少钱 腾讯分分彩定胆位六码技巧 彩票娱乐手机投注 有没有最稳的幸运飞艇计划 时彩稳赚的倍投计划 秒速时时平台排行榜 云南快乐时时2019123 北京pk10冠亚和技巧 双色球模拟选号投注 7码6期倍投 彩世界安全下载 重庆时时开奖软件 双色球中奖技巧 快3三不同技巧 稳赚 幸运飞艇开奖软件app下载