联合灰度阈值分割及轮廓形态识别的SAR图像河道提取方法

摘要

本发明公开了一种联合灰度阈值分割及轮廓形态识别的SAR图像河道提取方法，包括：第一步，采用灰度阈值分割对SAR图像做第一次背景分割；第二步，根据河道轮廓形态特征，对河道区域进行分段建模，将所述河道区域表示为若干最小外接矩形窗的组合；第三步，将位于同一区域内的最小外接矩形窗进行合并，形成若干第二矩形窗；第四步，根据河道轮廓的形状及连通性，将满足条件的第二矩形窗拼接出粗略的河道区域；第五步，再次进行灰度阈值分割，得到河道提取图像。本发明主要通过河道的图像灰度特征和形态轮廓特征相结合及多模态的SAR图像分割决策，抑制SAR图像中与水体灰度及形态特征均较为接近的背景噪声，从而精准的提取出河道区域。

说明书

技术领域

本发明涉及合成孔径雷达(SAR,Synthetic Aperture Rader)河道图像的分割及识别技 术，尤其涉及一种基于SAR图像利用联合灰度阈值分割及轮廓形态识别的技术来提取河道的 方法，属于计算机视觉技术领域。

背景技术

在遥感图像河道目标识别与提取方面，合成孔径雷达成像同光学成像相比具有其独特的 优势，主要体现在，一、合成孔径雷达(SAR)的空间分辨率较高，能够较为准确的描述河道目 标。此外，它还能够全天候，全天时的实现对地观测且具备一定的穿透能力；二、河道区域 中的水体具有显著的电磁波反射特性，反映在SAR图像中表现为灰度值较低的图像特征，同 背景间具有显著对比。因此，基于SAR成像的遥感图像被广泛用于河道提取中。

在SAR图像河道提取中，灰度阈值分割及河道轮廓识别是较为常用的方法，这些方法对 于SAR图像中的河道目标提取研究具有一定参考意义，但是单独使用单一的方法对河道识别、 提取方面存在一定的问题，主要体现在以下几个方面：

目前，SAR图像分辨率已发展到亚米级，越来越多的小目标由于其电磁波反射率同水体 接近，容易形成较强的背景噪声且难以通过灰度阈值实现滤除。此外，灰度阈值分割也无法 区分河道区域与零星水体间的差异，河道是指河水流经的路线，通常指能通航的水路，零散 的水体区域并不属于本研究的目标，对于该类目标单一的通过灰度阈值分割无法有效地实现 抑制，因此在分割结果中形成了严重的干扰。最后，SAR图像中所固有的相干斑噪声也会对 河道提取产生严重影响。

河道轮廓不同于战车飞机等团状目标，也不同于桥梁、道路等的规则线状目标，河道轮 廓相对复杂，可以粗略视为平行线对所包络的条带状区域，但是这种带状区域并非笔直的， 且不同区段河道的粗细也有显著差异，加之人工构筑物如桥梁，船坞等的影响，河道轮廓含 有平行线对的先验知识也常不适用，因此，对于河道轮廓形态的准确建模十分困难，会严重 影响基于轮廓形态特征的河道识别。目前，常用Snake建模方法对河道轮廓进行建模，但由 于其对初始轮廓位置比较敏感，对噪音也比较敏感，在其应用受到一定的制约。

SAR图像中的河道目标不适合采用聚类等高级模式识别方法提取，因为不同河道的外观 变化较大且较为复杂。根据现有的特征提取及聚类方法很难对河道及非河道区域进行准确的 聚类，更不能寻找到最优的分类面。

鉴于上述问题，根据SAR图像的成像特点及河道的轮廓形态特征，本发明公开了一种新的 联合灰度阈值分割及轮廓形态识别的SAR图像河道提取方法。

发明内容

本发明的主要目的是利用联合灰度阈值分割及轮廓形态识别的SAR图像河道提取方法对 河道进行提取，通过河道的图像灰度特征和形态轮廓特征相结合及多模态的SAR图像分割决 策，抑制SAR图像中与水体灰度及形态特征均较为接近的背景噪声，从而精准的提取出河道 区域。

为达到上述目的，本发明提供一种联合灰度阈值分割及轮廓形态识别的SAR图像河道提 取方法，所述的方法包括：

第一步，采用灰度阈值分割对SAR图像做第一次背景分割；

第二步，根据河道轮廓形态特征，对第一步得到的图像中的河道区域进行分段建模，具 体是采用基于图论的图像分割方法，将所述河道区域表示为若干最小外接矩形窗的组合；

第三步，对前述各最小外接矩形窗进行形态识别，将位于同一区域内的最小外接矩形窗 进行合并，形成若干第二矩形窗；

第四步，根据河道轮廓的形状及连通性，对前述各第二矩形窗进行筛选，将满足条件的 第二矩形窗拼接出粗略的河道区域；

第五步，采用灰度阈值分割对第四步得到的图像做再次背景分割，得到河道提取图像。

上述第一步或第五步中，采用灰度阈值分割的详细内容是：根据下式进行最优灰度阈值 k^*计算：

$k^{*}=\underset{k}{\arg }\left(\underset{1\le k\le L}{\max }{\sigma }_B^2\left(k\right)\right)$

其中，L表示灰度直方图的等级；k表示区分水体目标与和水体目标差异较大目标的灰 度阈值；表示整幅SAR图像总体的类间差异，其中，w₁为目标水体 出现的概率，w₂为与目标水体差异较大目标出现的概率，μ₁为目标水体的平均灰度，μ₂为 与目标水体差异较大目标的平均灰度。

上述第二步中，河道区域表示为m个最小外接矩形窗的组合，且所有最小外接矩形窗均 满足以下条件：

λ(C_i)＝|C_i|/|R_i|＞τ

其中，λ(C_i)表示第i个最小外接矩形窗的占空比，i＝1,2,…,m；|C_i|表示第i个最小外接 矩形窗的图像区域像素数；|R_i|表示第i个最小外接矩形窗所包络的像素数；τ表示预设的占 空比阈值。

上第三步的详细内容是，利用如下判据判断各最小外接矩形窗的边是否作为第二矩形窗 的边界：

$D(C_1,C_2)=\left(\begin{array}{cc}\mathrm{true}& \mathrm{ifDif}(C_i,C_j)>\mathrm{MInt}(C_i,C_j)\mathrm{or\lambda }(C_i,C_j)\le \beta (\lambda \left(C_i\right)+\lambda \left(C_j\right))\\ \mathrm{false}& \mathrm{otherwise}\end{array}\right)$

其中，i＝1,2,…,m，j＝1,2,…,m，且i≠j；Dif(C_i,C_j)表示为连接两个不同区域C_i和C_j顶点的最小权重；MInt(C_i,C_j)＝min(Int(C_i)+η(C_i),Int(C_j)+η(C_j))，其中，Int(C_i)、Int(C_j) 分别表示C_i、C_j的权重，采用相关性函数度量，由图像自身信息决定；η(C_i)、η(C_j)分别表 示C_i、C_j的调制参数，且η(C)＝a/|C|，其中|C|为区域中的像素数，a为预设的调制幅度； λ(C_i)、λ(C_j)分别表示区域C_i和C_j的占空比，λ(C_i,C_j)为区域C_i和C_j合并后第二矩形窗的 占空比，β为调制参数，范围为：0＜β＜1。

上述第四步进行筛选的条件是：

各第二矩形窗对应的长宽比L_R/W_R大于阈值T，即：

L_R/W_R＞Τ，

且不同第二矩形窗的最近像素点的距离小于阈值γ，即：

d(R_i,R_j)＜γ。

上述第五步后还包括第六步：采用区域膨胀腐蚀方法对第五步得到的图像的毛刺点噪声 和孔洞进行优化处理。

本发明采用上述技术方案，具有以下有益效果：

1、抗背景噪声能力强。通过采用SAR图像多级分割的设计，能够有效的抑制背景中与河 道具有相似灰度且轮廓相近的背景噪声目标，避免对河道提取形成的强干扰。

2、河道提取完整性高。通过联合灰度特征及轮廓形态特征所提取出的河道区域，漏检率 较低，完整性较高，准确性较好。

3、算法复杂度显著下降。算法的复杂度同图像的像素数形成线性关系，复杂度较低，易 于实现在线的处理。

鉴于以上特点，本发明能够稳定、可靠地用于复杂场景中的SAR图像河道提取。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的流程图；

图2是本发明实施例中的原始SAR图像；

图3是本发明实施例中第一次灰度阈值分割得到的结果示例图；

图4是本发明实施例中通过河道轮廓形态识别分割后的粗略河道区域示例图；

图5是本发明实施例中最终河道提取结果示例图。

具体实施方式

为了能够更加详尽地了解本发明的特点与技术内容，下面结合具体的实施例说明本发明 的实施方式，但本发明的实施方式不限于此。

本实施例中，采用星载或机载SAR向目标河道区域发射电磁波，并接收目标河道区域反 馈的回波信号，星载或机载根据回波信号生成目标河道区域的SAR图像，该SAR图像即为所 述原始SAR图像，如图2所示，本发明通过对该SAR图像进行处理，从中精准的提取河道。

在本发明的一个优选实施例中，结合图1所示，所述的联合阈值分割及轮廓形态识别的 SAR图像河道提取方法包括以下步骤：

步骤一、采用灰度阈值分割对SAR图像做第一次背景分割，具体采用Otsu法选取图像分 割的最优灰度阈值k^*；根据最优灰度阈值k^*对SAR图像做第一次背景分割；

首先根据SAR图像构建[1,2,…,L]灰度等级的直方图，其中属于灰度等级b的像素数量 为n_b。因此，整幅图像的像素数因而在该图像中处于某一灰度等级像素出现的概 率可以描述为：

p_b＝n_b/N     (1)

其中，p_b≥0，

其次，将水体和与水体灰度较大的目标进行分类，将水体目标类定义为c₁，与水体目灰度 差异较大的目标类定义为c₂，用于区分该两类目标的灰度阈值为k。因此，两类目标所出现 的概率w₁，w₂分别为：

$w_1=\underset{b=1}{\overset{k}{\Sigma }}{p}_b---\left(2\right)$

$w_2=\underset{b=k+1}{\overset{L}{\Sigma }}{p}_b---\left(3\right)$

类别c₁，c₂所对应的平均灰度μ₁，μ₂以及整幅图像的平均灰度μ_T分别为：

${\mu }_1=\underset{b=1}{\overset{k}{\Sigma }}{\mathrm{bp}}_b/w_1---\left(4\right)$

${\mu }_2=\underset{b=k+1}{\overset{L}{\Sigma }}{\mathrm{bp}}_b/w_2---\left(5\right)$

${\mu }_T=\underset{b=1}{\overset{L}{\Sigma }}{\mathrm{bp}}_b---\left(6\right)$

整幅SAR图像总体的灰度方差及类间差异分别为：

${\sigma }_T^2=\underset{b=1}{\overset{L}{\Sigma }}{(b-{\mu }_T)}^2{p}_b---\left(7\right)$

${\sigma }_B^2=w_1{w}_2{({\mu }_1-{\mu }_2)}^2---\left(8\right)$

该方法以类间差异最大化为最优阈值选择准则，建立关于灰度阈值k的误差函数ξ(k)为：

$\xi \left(k\right)={\sigma }_B^2\left(k\right)/{\sigma }_T^2---\left(9\right)$

最后，得出最优灰度阈值k^*计算为：

$k^{*}=\underset{k}{\arg }\left(\underset{1\le k\le L}{\max }{\sigma }_B^2\left(k\right)\right)---\left(10\right)$

根据最优灰度阈值k^*对原始SAR图像进行第一次背景分割，得到第一次灰度阈值分割的结 果示意图，如图3所示。

步骤二、根据河道轮廓形态特征，对步骤一得到的图像中的河道区域进行分段建模，采 用基于图论的图像分割方法，将所述河道区域表示为若干最小外接矩形窗的组合；

通过非线性的曲线线条均可近似为线性的直线线段组合的特性运用到复杂的河道轮廓形 态中，因此河道轮廓可以近似采用最小外接矩形窗的组合来鉴定，从而提出了一种分段建模 方法。根据最小外接矩形窗紧致包络每段河道区域，引入占空比λ(C_i)，在最小邻接矩形窗的 占空比大于一定阈值τ的前提下，得到河道轮廓模型即为所有分段矩形窗的组合，并据此对 图像进行处理；

λ(C_i)＝|C_i|/|R_i|     (11)

$C_r=[C_r^1,C_r^2,...C_r^m]\approx [R_r^1,R_r^2,...R_r^m]$其中$\lambda \left(C_r^i\right)>\tau ,i=\mathrm{1,2},...m---\left(12\right)$

其中|C_i|为所分割出的图像区域像素数，|R_i|为该区域最小外接矩形窗所包络的像素数， C_r为最小外接矩形窗，R_r为所包络的河道区域，τ表示预设的占空比阈值。

步骤三、对前述各最小外接矩形窗进行形态识别，引入新区域的合并约束条件对最小外 接矩形窗进行合并，形成若干新区域；

将经步骤二处理所得图像映射为带权无向图G＝(V,E)，其中v_x∈V为图像中的每个像素 点；(v_x,v_y)∈E为图像的边界连接邻接的顶点；在图像中每个边界(v_x,v_y)∈E均对应着一个非 负连接权重w((v_x,v_y))，表示顶点v_x和v_y的相似性，属于同个区域的顶点间的连接权重 w((v_x,v_y))应小于不同区域间顶点间的连接权重；

同一区域内的差异定义为该区域顶点最小生成树MST(C,E)的最大权重：

$\mathrm{Inc}\left(C\right)=\underset{e⋐\mathrm{MST}(C,E)}{\max }w\left(e\right)---\left(13\right)$

不同区域间的差异为连接两个区域顶点的最小权重：

$\mathrm{Dif}(C_1,C_2)=\underset{v_x\in C_1,v_y\in C_2.(v_x,v_y)\in E}{\min }w\left((v_x,v_y)\right)---\left(14\right)$

两个区域间是否存在边界的阈值MInt(C₁,C₂)可定义为两个邻近区域内部权重Int(C)和 调制参数η(C)之和的最小值：

MInt(C₁,C₂)＝min(Int(C₁)+η(C₁),Int(C₂)+η(C₂))    (15)

其中，Int(C)体现了相邻区间像素间的相似性，采用相关性函数度量，由图像自身信息 如强度、色彩等决定；设计η(C)＝a/|C|，其中|C|为区域中的像素数，a为预设的调制幅度， 取值范围在200至300之间；通过这种设计，对于面积过小的区域，通常需要较大的权重才 能确定区域边界的存在。

根据合并区域的占空比大于等于阈值：

λ(C_i,C_j)≥β(λ(C_i)+λ(C_j))    (16)

其中，λ(C_i,C_j)为区域C_i和C_j合并后新区域的占空比，λ(C_i)为区域C_i的占空比，λ(C_j) 为区域C_j的占空比，β为调制参数，0＜β＜1；本实施例中β＝0.75，根据区域边界的判决依 据(17)进行图像分割。

$D(C_1,C_2)=\left(\begin{array}{cc}\mathrm{true}& \mathrm{ifDif}(C_i,C_j)>\mathrm{MInt}(C_i,C_j)\mathrm{or\lambda }(C_i,C_j)\le \beta (\lambda \left(C_i\right)+\lambda \left(C_j\right))\\ \mathrm{false}& \mathrm{otherwise}\end{array}\right)---\left(17\right)$

步骤四、根据河流轮廓的形状及连通性，对前述各新区域进行筛选，因河道被分割成不 同的区段，每个区段建模为一个第二矩形窗作为该区域的轮廓特征的性质，根据河道轮廓的 形状及连通性定义河道区域融合规则对河道区域进行识别，满足筛选准则的第二矩形窗所包 络的图像区域即为河道，具体筛选的判据是满足：

第二矩形窗对应的长宽比L_R/W_R大于阈值T，即：

L_R/W_R＞Τ          (18)

且不同区域的第二矩形窗间最近像素点的距离小于阈值γ，即：

d(R_i,R_j)＜γ      (19)

本实施例中具体取值T＝4.5、γ＝10，得到的识别处理结果如图4所示。

步骤五、再次采用Otsu灰度阈值分割方法，对图像进行再次分割；

在第一次灰度阈值分割及河道轮廓形态识别处理得到的粗略河道区域的基础上，再次根 据最优灰度阈值计算公式计算(式10)出本图像的最优灰度阈值k*，根据最优灰度阈值k*对 粗略河道区域图像进行二次精细化分割提取。

步骤六、采用区域膨胀腐蚀算法对图像中的毛刺点和孔洞进行抑制和填充，最终河道提 取结果如图5所示。