[发明专利]一种基于上下文关系的SAR遥感场景溢油分割检测方法

说明书

技术领域

本发明属于图像分割检测技术领域，具体涉及的是一种基于MRF(Markov Random Field)上下文关系的SAR(合成孔径雷达)遥感场景溢油分割检测方法。

背景技术

图像分割检测技术的应用非常广泛，可以说是只要涉及图像处理和计算机视觉的相关问题都必须做图像分割检测。目前随着图像处理和计算机视觉领域的快速发展，图像分割检测的算法种类繁多。

常见的分割检测技术可以分为三大类：基于拓扑学的分割检测、基于颜色的分割检测、基于灰度分布的分割检测。其中基于颜色的分割检测与基于灰度分布的分割检测方法类似，只是因为针对的对象不同，所以在算法细节方面会产生不同。在基于颜色和灰度分布的分割检测领域常用的方法有：直方图分割法、阈值分割法、动态阈值分割法、基于直方图的分类和像素灰度值分类的分割方法；在基于拓扑学的分割检测当中主流的一些算法比如最为经典的分水岭算法、Snake算法、基于C-V水平集的算法和一些基于形态学滤波的方法。这些方法都可以达到比较理想的结果也经常被应用在各个领域和各个算法流程当中去。但是近几年基于统计学的分割方法也逐渐成为研究的热点。其综合以往的经典分割方法，结合统计概率模型形成了一套基于上下文关系的分割检测体系。基于颜色和灰度分布的分割检测方法往往对于那些目标颜色比较鲜明或者灰度变化比较剧烈的图像目标非常适用。如果对于那些目标颜色和灰度分布非常接近于背景的图像目标，这些方法就很难得到较好的结果，而且这类的分割方法往往对于噪声不具有鲁棒性。如果图像中存在着大量的噪声，那些对于颜色和灰度分布的分割检测方法就不能得到理想的结果；基于拓扑学的分割检测算法也同样存在着受噪声干扰大的问题，但是一般都会去采取在分割检测前端进行滤波或一些形态学的操作和运算来尽可能的降低噪声对分割检测的干扰。

基于统计概率模型的分割检测体系往往通过概率去描述像素与像素，子团与子团，或者邻域与邻域之间的上下文关系。这种上下文的支持就好像检测一辆汽车，那么汽车的轮子一定落在地面。有了这种上下文的支持再加上被检测目标自身的特征，就能为目标分割检测提供更好的支持且对于噪声有很好自适应的鲁棒性。这里的特征指的是图像目标区域的均值、方差和能量。

目前针对SAR图像的遥感场景解析往往都会受到SAR成像所产生的乘性噪声的影响，所以用一些Lee滤波Kuan滤波Gamma Map滤波等手段作用于分割检测前端，或者通过经典的CFAR恒均值算法检测SAR图像中的目标从而减少乘性噪声带来的干扰。当然这些传统算法基于滤波后的图像都可以进行分割检测，但是分割检测的效果完全取决于滤波效果，往往导致对于SAR遥感影像的分割效果不那么理想。针对这样的问题统计概率模型的MRF模型被提出，这种方法不单单对SAR图像中的乘性噪声有很好的抑制作用，而且通过上下文的概率关系能在SAR图像中得到比较完整平滑的分割结果。传统的MRF模型一般都关注于它的标号场和特征场这两个方面，一般传统的MRF模型标号场选取Kmean方法建立。由于Kmean建立的标号场过于稳定，所以使得统计模型很快的陷入局部最优解使分割产生误差，这也是统计模型进行分割的关键问题。

发明内容

有鉴于SAR图像乘性噪声的干扰难以得到较好的分割结果，和传统MRF模型Kmean建立初始标号场的问题，本发明从统计概率模型MRF出发，基于上下文关系进行了对于SAR遥感影像的大场景溢油分割检测，并提出了视觉凸显金字塔的初始标号场的建立和势函数参数的设定，

实现本发明的技术方案如下：

一种基于上下文关系的SAR遥感场景图像的溢油分割检测方法，具体过程为：

步骤一、建立视觉金字塔；其中视觉金字塔最底层的图像为SAR遥感场景影像原始图像信息，视觉金字塔其余层图像为其下一层图像进行Haar小波变换提取的低频信息图；

步骤二、针对视觉金字塔最顶层图像，基于CAS(context-aware saliency)模型建立视觉凸显图，根据凸显图的引导进行动态阈值分割得到初始的标号场；

步骤三、通过GMM(Gaussian Mixture Model)模型与初始标号场对标号场内的不同邻域目标提取均值和方差，并计算初始特征场能量；

步骤四、根据MRF模型中MAP(Maximum a Posterior)最大后验概率准则和ICM(Iteration Condition Model)条件迭代模型，计算最小能量特征场所对应的标号场；其中MAP中选用Ising切分函数模型，且设定切分函数模型中势函数参数为K；