林婷婷
摘? 要:合成孔徑雷達(dá)(synthetic aperture radar, SAR)是一種主動的微波遙感成像雷達(dá),合成孔徑原理的使用可以獲得高分辨率的圖像,提供豐富的地面信息。同時,特殊的成像原理也產(chǎn)生了新的圖像處理問題。文章針對SAR圖像的特點設(shè)計一種自適應(yīng)滑動窗口,并將圖像上下文信息(鄰域信息和邊緣信息)應(yīng)用進(jìn)模糊聚類算法,可以有效的抑制噪聲的干擾,分割的效果有了很大的提高。
關(guān)鍵詞:SAR圖像;圖像分割;上下文信息;聚類算法;區(qū)域生長算法
中圖分類號:TN957.52? ? ? 文獻(xiàn)標(biāo)志碼:A? ? ? ? ?文章編號:2095-2945(2019)26-0123-02
Abstract: Synthetic aperture radar (SAR) is an active microwave remote sensing imaging radar. The use of synthetic aperture principle can obtain high-resolution images and provide rich-ground information. At the same time, the special imaging principle also gives rise to new image processing problems. In this paper, an adaptive sliding window is designed according to the characteristics of SAR image, and the image context information (neighborhood information and edge information) is applied to the fuzzy clustering algorithm, which can effectively suppress the interference of noise. The effect of segmentation has been greatly improved.
Keywords: SAR image; image segmentation; context information; clustering algorithm; region growth algorithm
SAR是一種主動的微波遙感成像雷達(dá)。在距離位方向,它發(fā)射大時間帶寬積的線性調(diào)頻脈沖信號,采用脈沖壓縮技術(shù)處理接收到的回波信號,很好的解決了測量距離與分辨率的矛盾。在方位向,利用合成孔徑的原理來形成一個大的等效天線來提高分辨率,最后利用特定的成像技術(shù)生成SAR圖像。SAR能夠全天候、全天時工作,有穿透能力,視角靈活可變,產(chǎn)生高分辨率的二維圖像等優(yōu)點,已經(jīng)成為一種非常重要的對地、對空觀測不可或缺的技術(shù)手段,在科學(xué)領(lǐng)域還有災(zāi)害、地質(zhì)、森林、城市航空等方面都發(fā)揮著至關(guān)重要的作用。隨著SAR的不斷優(yōu)化以及SAR圖像處理技術(shù)的發(fā)展和完善,其應(yīng)用范圍也會有更大的拓展[1]。
1 基于上下文自適應(yīng)滑動窗的FCM算法
分類是人類的處理事物的一種非常傳統(tǒng)而且有效的方式。當(dāng)接觸到新奇的物體或者為了理解一種新的現(xiàn)象時,人們總是習(xí)慣性地按照已有的判斷標(biāo)準(zhǔn)將它歸屬于一種已知的類別中,進(jìn)而加深了解。而在今天互聯(lián)網(wǎng)技術(shù)和信息技術(shù)的飛速發(fā)展,任何領(lǐng)域都會產(chǎn)生數(shù)量巨大的數(shù)據(jù),這些大規(guī)模的數(shù)據(jù)無論是容量還是表達(dá)的信息量都已經(jīng)遠(yuǎn)遠(yuǎn)的超過了人類的處理能力。利用計算機將這些數(shù)據(jù)進(jìn)行有效的分類或者聚類顯得尤為重要。聚類分析就是一種有效將數(shù)據(jù)實現(xiàn)良好分類的思想[2]。聚類算法可以在不需要事先了解數(shù)據(jù)的內(nèi)在特征的情況下將有限未標(biāo)記的數(shù)據(jù)集分成有限的離散“自然”數(shù)據(jù)集來發(fā)現(xiàn)數(shù)據(jù)的結(jié)構(gòu)特征[1]。
1.1 傳統(tǒng)法的FCM算法
傳統(tǒng)的模糊c均值聚類算法(FCM算法)由于其算法的簡潔性、穩(wěn)定性成為應(yīng)用最為廣泛的模糊聚類算法。它可以很好的處理數(shù)據(jù)分析、特征分析等方面的問題。該算法的中心思想是最小化某個價值函數(shù)的基礎(chǔ)上對無標(biāo)簽的數(shù)據(jù)進(jìn)行無監(jiān)督的分類。相比較對K-means算法的硬性聚類的性質(zhì),F(xiàn)CM算法的先進(jìn)之處為引入隸屬度因子的概念,使得一個數(shù)據(jù)點并不只是單純的依靠距離的尺度來說明屬于哪一個確定的點群,而是以概率的角度來表示這個數(shù)據(jù)點屬于所有點群的大小,隸屬度的引入可以使得FCM算法在保留圖像的細(xì)節(jié)方面做得更好,數(shù)據(jù)分析更加靈活。
1.2 基于自適應(yīng)滑動窗的FCM算法
上文中我們曾經(jīng)提到過SAR圖像中包含著大量的相干斑噪聲,導(dǎo)致很多傳統(tǒng)的算法失效,其中FCM算法對噪聲點也是比較的敏感,所以直接使用FCM算法對SAR圖像進(jìn)行分割的效果并不好。上文曾經(jīng)提到過,相干斑噪聲的影響使得原本相同區(qū)域的灰度值會圍繞一個均值點而上下波動,對待這種噪聲,最好的方法就是平均濾波。
然而,一般的滑動窗口對SAR圖像進(jìn)行滑動濾波,窗口的大小會是一個難以計算的問題,窗口過大濾波的效果固然更好,然而大的窗口會使得圖像丟掉細(xì)節(jié)信息,造成圖像處理的不準(zhǔn)確;窗口過小可以保留更多的細(xì)節(jié)信息,但是過小的窗口平均難以抑制相干斑噪聲的影響。如此說來,本文設(shè)計采用自適應(yīng)的滑動窗口來實現(xiàn)對圖像的平均濾波。窗口的大小在圖像的邊緣信息的控制下變化[2]。
2 基于上下文分析的區(qū)域生長算法
2.1 傳統(tǒng)的區(qū)域生長算法
區(qū)域生長算法,又稱為種子算法,它的基本思想是根據(jù)設(shè)計的的生長準(zhǔn)則將像素點或者子區(qū)域聚合成更大的區(qū)域。基本方法是以一個種子點或者是一組種子點作為初始點,將與初始點性質(zhì)相近(例如灰度值或者是顏色的相似性)的像素點加入到分割的區(qū)域當(dāng)中。這里的提到的初始點是根據(jù)不同的問題而人為選定的起點。生長的過程總是從這些起點出發(fā),檢測鄰域內(nèi)的像素點并根據(jù)準(zhǔn)則判斷是否應(yīng)該加入到分割區(qū)域當(dāng)中,形成新的種子點之后不斷的重復(fù)生長過程,直到遍歷圖像中所有的像素點。
區(qū)域生長算法流程:第一步:選定初始生長點(圖1中A點),標(biāo)定四鄰域內(nèi)像素點,同時讀取灰度值(圖中深色區(qū)域)。第二步:選取灰度值與初始點最為接近的像素點進(jìn)入到分割區(qū)域當(dāng)中(選定圖中2點)。第三步:以新生長的像素點作為初始點,重復(fù)第二步操作;直到所有的像素點都經(jīng)歷過生長條件,算法結(jié)束;圖中的灰色區(qū)域便是生長的路徑圖。
區(qū)域生長算法的設(shè)計的關(guān)鍵在于三點:生長種子點的確定;區(qū)域生長的條件設(shè)計;區(qū)域生長停止的條件。
本文中生長種子點由人為選取;當(dāng)涉及到區(qū)域生長的條件,在實際中,由于噪聲的干擾,使得原本灰度值相等的像素點的灰度值有一定的差,所以設(shè)定兩個灰度值相等作為生長條件是不合理的,在此我們引入容差的概念,理解為,兩個像素點的灰度值的差。在實際的應(yīng)用中,容差一般指的是相似判斷所允許的最大的灰度差。在這里需要注意的是,容差越大,填充的精度越低,進(jìn)入到分割區(qū)域中的像素點就越多,分割區(qū)域內(nèi)的點分割的誤差越小,而它的邊緣信息會越差。相反的,容差越小,填充的精度越高,圖像的邊緣信息會更加的精確,但是在存在噪聲的情況下,分割區(qū)域內(nèi)的點將有可能被濾除。如何設(shè)計出最好的生長條件是區(qū)域生長的關(guān)鍵和難點。
最直觀的實現(xiàn)便是回溯算法,即從一個點出發(fā),按照事先設(shè)計好的區(qū)域生長條件判斷它的四鄰域或者是八鄰域的像素點是否應(yīng)該進(jìn)入分割區(qū)域,生長的過程當(dāng)中,對已經(jīng)生長的像素點不再計算。由于該方法中用到了迭代的思想,執(zhí)行的效率較低,可以用堆棧的思想消除,這就是漫水法。
該算法的具體步驟為:步驟一:選取種子點,獲取灰度值,將種子點壓入堆棧。步驟二:彈棧,用彈出的像素點作為新的種子生長點,將八鄰域或者四鄰域的像素點進(jìn)入到判斷條件,滿足生長條件的像素點進(jìn)入堆棧中。步驟三:重復(fù)步驟二,直到堆棧中無數(shù)據(jù),說明無新的生長點生成。
算法結(jié)束。
算法的流程圖如圖2。
2.2 基于上下文信息的非均衡快速區(qū)域生長算法
從上文中傳統(tǒng)區(qū)域生長算法的計算過程就可以看出,區(qū)域生長算法在應(yīng)對SAR圖像中大量的相干斑噪聲的時候是無能無力的,像素點的灰度值在相干斑噪聲的影響下圍繞一個數(shù)值而上下波動,導(dǎo)致區(qū)域生長條件無法確定,滿足圖像邊緣信息和內(nèi)部信息的共同生長有一定的難度。生長條件(閾值)設(shè)置的寬松,使得大多數(shù)像素點可以進(jìn)入到分割區(qū)域內(nèi),可以得到比較好的圖像內(nèi)部信息,生長條件(閾值)設(shè)置的苛刻,可以濾除更多的噪聲,使得圖像的邊緣信息分割較好,但是在圖像的內(nèi)部,很多本應(yīng)該進(jìn)入分割區(qū)域的像素點在相干斑噪聲的影響下被生長條件濾除,導(dǎo)致圖像的內(nèi)部效果不好。
3 結(jié)束語
本文針對SAR圖像的特點,在上下文信息的指導(dǎo)下完成了對FCM算法和區(qū)域生長算法的優(yōu)化,實現(xiàn)了對SAR圖像的良好的分割。
SAR圖像中含有大量的相干斑噪聲,同時圖像的尺寸含有的信息比較多,本文采用圖像邊緣信息控制的自適應(yīng)的滑動窗口對圖像實現(xiàn)平均濾波,同時在自適應(yīng)窗口中提取目標(biāo)像素點的鄰域信息構(gòu)成上下文信息對像素點進(jìn)行升維度的處理,使得每一個像素點含有的信息量以及信息的準(zhǔn)確度都有了很大的提升,不僅抑制了相干斑噪聲的影響,更能指導(dǎo)FCM算法的分割。
參考文獻(xiàn):
[1]黃世奇.合成孔徑雷達(dá)成像及其圖像處理(第一版)[M].北京:科學(xué)出版社,2015.
[2]何清.模糊聚類分析理論與應(yīng)用研究進(jìn)展[J].模糊系統(tǒng)與數(shù)學(xué),1998,12(2):89-94.