一种遥感图像舰船目标分割方法[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201710815257.6
(22)申请日 2017.09.12
(66)本国优先权数据
201710488534.7 2017.06.23 CN
(71)申请人 北京理工大学
地址 100081 北京市海淀区中关村南大街5
号
(72)发明人 陈禾　齐保贵　王银婷　庄胤　
龙腾　
(74)专利代理机构 北京理工大学专利中心
11120
代理人 李微微　仇蕾安
(51)Int.Cl.
G06T 7/136(2017.01)
G06T 7/187(2017.01)
G06T 5/10(2006.01) (54)发明名称
一种遥感图像舰船目标分割方法
(57)摘要
本发明公开了一种遥感图像舰船目标分割
方法，该方法对SAR图像进行了滤波增强操作，并
基于Randon变换进行船只目标的轮廓提取。

本发
明通过使用对数域小波滤波和导向滤波相结合
的滤波方法，在降低图像噪声的同时增强了图像
的纹理细节；本发明还通过使用Randon变换来得
到舰船目标的方向和边界来减轻十字叉和拖尾
对后续舰船目标识别的影响。

权利要求书2页 说明书5页 附图1页CN 107705313 A 2018.02.16
C N 107705313
A
1.一种遥感图像舰船目标分割方法，其特征在于，包括如下步骤：
步骤1，对原始图像切片进行对数域小波滤波，得到小波滤波后图像；
步骤2，对小波滤波后图像进行中值滤波；
步骤3，对中值滤波后图像进行导向滤波；
步骤4，对导向滤波后图像进行幂律变换；
步骤5，计算整体阈值，根据阈值进行分割得到二值图；
步骤6，对二值图进行膨胀腐蚀等形态学操作操作，之后进行连通域标记，具体包括如下子步骤：
步骤6.1，在步骤5得到二值图后，对二值图像依次进行膨胀、中值滤波以及腐蚀的形态学操作；
步骤6.2，之后进行连通域标记，得到最大的连通域面积，保留具有最大面积的连通域；
步骤7，对标记后的二值图进行Randon变换，具体包括如下子步骤：
步骤7.1，对连通域标记后的二值图像进行Randon变换，即沿二值图像平面中所有可能的直线方向进行积分；
步骤7.2，统计Randon变换后的矩阵的值的大小，以最大值作为主方向，即为船体的倾斜方向；
步骤8，以Randon变换的值为参考再次进行阈值分割，得到目标分割后的图像切片。

2.如权利要求1所述的遥感图像舰船目标分割方法，其特征在于，所述步骤1具体为：
步骤1.1，对目标切片逐像素进行以2为底的对数运算，得到一幅新的对数域图像切片：I＝w(t)n(t)
LogI＝Log(w(t))+Log(n(t))
其中：I为SAR图像，w(t)为理想的不包含噪声的图像，n(t)为乘性噪声，t表示像素序号，LogI为对数运算后的图像；
步骤1.2，将前一步骤获得的对数域切片进行Haar小波分解，取其第二层的低频部分进行小波逆变换；
步骤1.3，针对上一步骤得到的小波变换后的对数域图像切片进行以2为底的指数变换，重新得到灰度域图像。

3.如权利要求1所述的遥感图像舰船目标分割方法，其特征在于，所述幂律变换的具体方法为：
在得到导向滤波后的图像后，对图像的灰度均值进行计算，根据灰度均值的大小进行相应的幂律运算，幂律变换的形式如下式所示：
S＝C×Rγ
其中C和γ是正常数，当图像整体的灰度小于设定值时，选择γ＜1，使图像增亮；反之，选择γ＞1，使图像变暗。

4.如权利要求1所述的遥感图像舰船目标分割方法，其特征在于，所述步骤5中，采用Otsu算法进行阈值分割。

5.如权利要求1所述的遥感图像舰船目标分割方法，其特征在于，所述步骤8中，选择上一步骤中Randon变换后的矩阵中最大值的0.8倍作为阈值，采用该阈值对图像进行二值化，由此得到二值矩阵，矩阵中的每一个点都对应着原图像中的一条直线，由此获得船体的上、
下、左、右边界及船只目标的主方向，将船只目标旋转到主方向，最终将船体目标分割出来，得到目标分割后的图像切片。

一种遥感图像舰船目标分割方法
技术领域
[0001]本发明属于遥感图像处理领域，具体涉及一种SAR遥感卫星图像海上舰船目标分割提取方法。

背景技术
[0002]SAR图像具有全天时、全天候的特点，因此被广泛应用于海上渔业监控、军民舰船管理、海洋开发监管、溢油检测和移民管控等领域。

为了能够准确和快速地提取出海洋中的舰船目标，获取舰船的位置、航向、类别等信息，需要对检测的舰船目标进行良好的分割提取，为后续进一步的信息提取提供基础。

[0003]在SAR图像中，由于相干斑噪声的影响，使图像不能很好地反映出目标自身的特点，难以进行特征的描述和实现良好的目标分割效果。

由于SAR图像的乘性噪声与光学图像中存在的加性噪声的特点不同，均值、中值等空域滤波方法在SAR图像中的滤波效果并不理想。

所以产生了许多基于噪声乘性特点的自适应局部统计滤波器，如Lee、Frost、Gamma_MAP 等经典的针对SAR图像中的滤波器。

但是它们的运算效率低，在去除噪声的同时纹理的损失比较严重。

因此，在对目标进行分割处理之前，要对SAR图像进行滤波增强等预处理，使得目标和背景达到更好的分离效果。

[0004]在SAR成像时，由于方位模糊、距离模糊和散焦等因素会造成船只目标存在十字叉及拖影，光学图像中的分割方法不能很好地从海洋SAR图像中完整分离出船只目标，这些会造成目标提取不精确，影响特征的提取与描述。

因此，需要通过一些方法减弱相干斑噪声和十字叉及拖影的影响。

发明内容
[0005]本发明的目的在于针对上述存在的问题，提供一种基于对数域小波滤波和导向滤波相结合的滤波增强方法，以及基于Otsu阈值分割和Randon变换相结合的船只分割技术。

通过该技术可以更加精细地将船只从背景中提取出来，为后续的特征提取等操作提供基础。

[0006]本发明的技术方案如下：
[0007]一种遥感图像舰船目标分割方法，包括如下步骤：
[0008]步骤1，对原始图像切片进行对数域小波滤波，得到小波滤波后图像；
[0009]步骤2，对小波滤波后图像进行中值滤波；
[0010]步骤3，对中值滤波后图像进行导向滤波；
[0011]步骤4，对导向滤波后图像进行幂律变换；
[0012]步骤5，计算整体阈值，根据阈值进行分割得到二值图；
[0013]步骤6，对二值图进行膨胀腐蚀等形态学操作操作，之后进行连通域标记，具体包括如下子步骤：
[0014]步骤6.1，在步骤5得到二值图后，对二值图像依次进行膨胀、中值滤波以及腐蚀的
形态学操作；
[0015]步骤6.2，之后进行连通域标记，得到最大的连通域面积，保留具有最大面积的连通域；
[0016]步骤7，对标记后的二值图进行Randon变换，具体包括如下子步骤：
[0017]步骤7.1，对连通域标记后的二值图像进行Randon变换，即沿二值图像平面中所有可能的直线方向进行积分；
[0018]步骤7.2，统计Randon变换后的矩阵的值的大小，以最大值作为主方向，即为船体的倾斜方向；
[0019]步骤8，以Randon变换的值为参考再次进行阈值分割，得到目标分割后的图像切片。

[0020]较佳的，所述步骤1具体为：
[0021]步骤1.1，对目标切片逐像素进行以2为底的对数运算，得到一幅新的对数域图像切片：
[0022]I＝w(t)n(t)
[0023]LogI＝Log(w(t))+Log(n(t))
[0024]其中：I为SAR图像，w(t)为理想的不包含噪声的图像，n(t)为乘性噪声，t表示像素序号，LogI为对数运算后的图像；
[0025]步骤1.2，将前一步骤获得的对数域切片进行Haar小波分解，取其第二层的低频部分进行小波逆变换；
[0026]步骤1.3，针对上一步骤得到的小波变换后的对数域图像切片进行以2为底的指数变换，重新得到灰度域图像。

[0027]较佳的，所述幂律变换的具体方法为：
[0028]在得到导向滤波后的图像后，对图像的灰度均值进行计算，根据灰度均值的大小进行相应的幂律运算，幂律变换的形式如下式所示：
[0029]S＝C×Rγ
[0030]其中C和γ是正常数，当图像整体的灰度小于设定值时，选择γ＜1，使图像增亮；反之，选择γ＞1，使图像变暗。

[0031]较佳的，所述步骤5中，采用Otsu算法进行阈值分割。

[0032]较佳的，所述步骤8中，选择上一步骤中Randon变换后的矩阵中最大值的0.8倍作为阈值，采用该阈值对图像进行二值化，由此得到二值矩阵，矩阵中的每一个点都对应着原图像中的一条直线，由此获得船体的上、下、左、右边界及船只目标的主方向，将船只目标旋转到主方向，最终将船体目标分割出来，得到目标分割后的图像切片。

[0033]本发明具有如下效果：
[0034]本发明提供了一种能够在SAR遥感图像舰船分类识别技术中有效进行船只目标分割的方法，与通用舰船分割方法相比，本发明能够将目标精细地从背景中提取出来，同时有效避免了SAR图像目标存在的十字叉及拖影的影响。

[0035]本发明提出的船只目标分割流程能够更加有效地对SAR图像中的舰船目标进行分割。

首先通过对数域小波滤波操作减弱了图像中的乘性噪声，并使用中值滤波进一步清除图像中的噪声。

之后利用导向滤波来增强图像由于滤波而损失的纹理细节信息。

最后通过
对图像进行整体的拉伸，以提高图像对比度，突显出图像的细节信息。

通过运用该滤波增强流程，可以在有效去除SAR图像噪声的同时，保留图像的细节信息，有利于后续的分割处理。

实验表明，经本算法滤波后，再进行目标的分割时，分割结果优于不进行滤波增强预处理的效果。

[0036]本发明通过使用Otsu和Randon变换相结合的目标分割流程，利用变换矩阵的信息消除了十字叉及拖影等对目标分割的影响，使得目标和背景能够达到更好的分离效果。

因而避免了背景等冗余信息对舰船目标的干扰，可以为后续的舰船目标分类操作提供更加清晰的目标轮廓信息，可以提取出更加有效的特征，为实现精确的目标分类提供良好的基础。

附图说明
[0037]图1是遥感图像舰船目标分割方法流程框图；
[0038]图2是实施例的过程及结果图；
[0039]其中：图2(a)SAR图像切片，图2(b)滤波增强后图像，图2(c)初级阈值分割后图像，图2(d)Randon变换结果，图2(e)小于阈值的数置0结果，图2(f)最终分割结果。

具体实施方式
[0040]以下说明如何具体实施本发明提供的方法，图1是本发明提供的方法的流程框图。

处理过程如下：
[0041]第一步：对数域小波滤波
[0042]第(1.1)步：对数运算。

对目标切片逐像素进行以2为底的对数运算，得到一幅新的对数域图像切片。

[0043]I＝w(t)n(t)
[0044]LogI＝Log(w(t))+Log(n(t))
[0045]其中：I为SAR图像，w(t)为理想的不包含噪声的图像，n(t)为乘性噪声，t在这里表示像素序号，LogI为对数运算后的图像。

经过对数运算后，乘性噪声转换为加性噪声。

[0046]第(1.2)步：小波滤波。

将前一步骤获得的对数域切片进行Haar小波分解，取其第二层的低频部分进行小波逆变换。

[0047]第(1.3)步：指数变换。

针对上一步骤得到的小波变换后的对数域图像切片进行以2为底的指数变换，重新得到灰度域图像。

[0048]第二步：中值滤波
[0049]使用中值滤波方法对图像进行滤波。

[0050]第(2.1)步：从图像中的某个采样窗口取出奇数个数据进行排序。

[0051]第(2.2)步：用排序后的中值取代要处理的数据。

[0052]第三步：导向滤波
[0053]对上一步得到的图像进行导向滤波。

导向滤波可以抑制小尺度纹理，增强大尺度纹理，在滤波的同时可以保持并增强纹理。

(参见：“He K,Sun J,Tang X.Guided Image Filtering[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2011, 35(6):1397-1409.”)
[0054]第四步：幂律变换
[0055]在得到导向滤波后的图像后，对图像的灰度均值进行计算，根据灰度均值的大小进行相应的幂律运算。

幂律变换的形式如下式所示：
[0056]S＝C*Rγ
[0057]其中C和γ是正常数，当图像整体的灰度偏暗时，选择γ＜1,使图像增亮,反之,选择γ＞1,使图像变暗。

[0058]第五步：初级阈值分割
[0059]在上一步计算获取图像后，利用Otsu算法进行阈值分割，令大于阈值的像素值为1，小于阈值的像素值为0，得到一幅二值图。

[0060]第六步：区域标记
[0061]第(6.1)步：形态学操作。

在上一步骤得到二值图后，对二值图像依次进行膨胀，中值滤波以及腐蚀的形态学操作。

[0062]第(6.2)步：连通域标记。

之后进行连通域标记，得到最大的连通域面积，保留具有最大面积的连通域。

[0063]第七步：Randon变换
[0064]第(7.1)步：Randon变换。

对连通域标记后的二值图像进行Randon变换，也就是沿二值图像平面中所有可能的直线方向进行积分。

[0065]第(7.2)步：找主方向。

统计变换后的矩阵的值的大小，以最大值作为主方向，也就是船体的倾斜方向。

[0066]第八步：次级阈值分割
[0067]选择上一步骤中Randon变换后的矩阵中最大值的0.8倍作为阈值，采用该阈值对图像进行二值化，由此得到二值矩阵，矩阵中的每一个点都对应着原图像中的一条直线，由此获得船体的上、下、左、右边界及船只目标的主方向，将船只目标旋转到主方向，最终将船体目标分割出来，得到目标分割后的图像切片.
[0068]实施例：
[0069]下面以图2为例进行进一步说明。

[0070]第一步：本例要实现对图2(a)所示的SAR图像切片进行舰船目标分割。

首先按照步骤一所述方法进行对数域小波滤波。

[0071]第二步：按照步骤二所述方法进行中值滤波。

[0072]第三步：按照步骤三所述方法进行导向滤波。

[0073]第四步：按照步骤四所述方法进行幂律变换。

图2(b)为经过第一步、第二步、第三步和第四步得到的图像。

[0074]第五步：按照步骤五所述方法进行初级阈值分割。

[0075]第六步：按照步骤六所述方法进行区域标记。

图2(c)为经过区域标记得到的图像。

[0076]第七步：对连通域标记后的二值图像进行Randon变换，并找到船体的倾斜方向。

图2(d)为经过Randon变换得到的图像。

[0077]第八步：以图2(d)的图像中最大值的0.8倍作为阈值，小于阈值的将其直接置0，得到图2(e)。

根据图2(e)的矩阵信息得到船体的上下左右边界及船只目标的主方向，并将船只目标旋转到主方向，根据图2(e)的矩阵信息将船体目标分割出来。

[0078]综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

图1
图2。