技术领域
本发明涉及影像处理技术领域,尤其涉及一种结合GMTRJ算法和EM算法的类加权SAR影像分割方法。
背景技术
统计分割是SAR(Synthetic Aperture Radar,即合成孔径雷达)影像分割的一种常用方法。目前,大部分的统计分割方法均通过构建分割模型并求解该模型参数来实现分割。
RJMCMC(Reversible Jump Markov Chain Monte Carlo,即可逆跳变马尔可夫链蒙特卡洛)算法是一种常用的模型参数求解算法,被广泛应用到分割模型参数求解中。但RJMCMC算法在模型参数求解中存在一些潜在问题,如在每次跳变中难以确定合适的参数,很难平衡求解效率和求解质量;即,若算法快速收敛,则得到的参数解并非最优解,难以保证求解质量;若接受率高且可获得更好的解,则时间复杂度高,难以保证求解效率。GMTRJ(Generalized Multiple-Try Reversible Jump,即广义多试可逆跳变)作为RJMCMC算法的一种改进算法,可有效解决这一问题;该算法利用多重尝试策略,在保证求解效率的同时通过定义权函数确定更合适的参数,以提升其接受率,进而提高求解质量。但目前该算法在遥感影像分割的研究和应用还处于初始阶段,鲜有国内外学者在这方面开展系统性的研究工作。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种结合GMTRJ算法和EM算法的类加权SAR影像分割方法,实现对SAR影像的分割。
为解决上述技术问题,本发明所采取的技术方案是:一种结合GMTRJ算法和EM算法的类加权SAR影像分割方法,包括以下步骤:
步骤1:输入待分割SAR影像,并将其定义为在影像域D上的随机场的一个实现;
将输入的待分割SAR影像x={x
步骤2:赋予SAR影像中每个类别一个权重,影像中所有的类别对应的权重构成权重集合;
对于SAR影像中标号为l的类别,赋予其对应的权重ω
步骤3:利用待分割影像和权重集合定义类加权SAR影像,并将其定义为在影像域上的特征场的一个实现;
利用待分割影像x={x
步骤4:利用规则划分技术将类加权SAR影像的影像域划分为多个子块;
利用规则划分技术将影像域D划分成m个子块,即,D={P
步骤5:在划分的影像域上,建立类加权SAR影像分割模型,具体方法为:
首先在规则划分的SAR影像域上,定义标号场L={L
步骤5.1:在划分的SAR影像域上,设定划分的子块数m服从均值为λ
其中,p(m)为子块数m的概率密度函数;
步骤5.2:在划分的SAR影像域上,利用势能函数定义标号场模型,如下公式所示:
其中,p(L|k,m)为已知k和m条件下标号场L的条件概率密度函数,U(L)是一个势能函数,A为常数,γ为邻域子块的空间作用参数,NP
步骤5.3:在划分的SAR影像域上,定义特征场模型;
设定子块P
其中,p(Y|L,θ,k,m)为已知L,θ,k和m条件下特征场Y的条件概率密度函数,θ={θ
步骤5.4:建立特征场模型参数矢量集合的先验分布;
设定μ
其中,p(μ
同时,设定所有的参数矢量θ
步骤5.5:在步骤5.1-步骤5.4的基础上,建立类加权SAR影像分割模型;
根据贝叶斯定理,结合步骤5.1中的子块数m的先验分布、步骤5.2中的标号场模型、步骤5.3中的特征场模型和步骤5.4中的特征场模型参数矢量集合的先验分布,定义类加权SAR影像分割模型,如下公式所示:
其中,p(L,θ,m|X,ω,k)为已知X,ω和k条件下L,θ和m的条件概率密度函数;步骤6:针对已建立的类加权SAR影像分割模型,设定迭代次数,并在每次迭代过程中利用GMTRJ算法设计求解类加权SAR影像分割模型中所有参数,并利用EM算法估算权重集合,进而确定类加权SAR影像分割模型的最优解;
步骤6.1:利用GMTRJ算法通过采样特征场模型参数矢量集合中的参数矢量来采样特征场模型参数矢量集合;
在{1,…,k}中随机抽取一个标号l,对应的特征场模型参数矢量为θ
a
其中,
其中,
其中,w(θ,θ
w(θ,θ
w(θ,θ
从0~1中产生一个随机数,判断该随机数与接受率a
步骤6.2:在步骤6.1采样特征场模型参数矢量集合的基础上,利用GMTRJ算法通过采样标号场中的标号的随机变量来采样标号场;
从影像域D={P
a
其中,
其中,
其中,w(L,L
w(L,L
w(L,L
从0~1中产生一个随机数,判断该随机数与接受率a
步骤6.3:在步骤6.2采样标号场的基础上,利用GMTRJ算法通过分裂或合并子块来增加或减少采样子块数;
步骤6.3.1:从通过步骤6.2采样标号场后的由m个子块拟合而成的影像域D中随机抽取一个子块P
步骤6.3.2:判断所抽取的子块P
步骤6.3.3:将影像域D中能实现分裂操作的子块P
a
其中,
其中,
其中,
w(D,D
w(D,D
其中,
步骤6.3.4:从0~1中产生一个随机数,判断该随机数与接受率a
步骤6.3.5:通过影像域D中随机抽取的一个子块和其任一个邻域子块合并成一个新的子块来实现减少子块数,该操作为分裂子块的对偶操作,因此,通过合并子块来采样子块数的接受率为:
a
从0~1中产生一个随机数,判断该随机数与接受率a
步骤6.4:在步骤6.3采样子块数的基础上,利用EM算法估算权重集合;
设定第n次迭代的权重集合估计值为ω
Q(ω
其中,E[log p(Y
对Q(ω
其中,N
然后,对ω′
进而,得到权重集合
步骤6.5:按设定的迭代次数重复执行步骤6.1至步骤6.4,得到参数L,θ,m和权重集合ω的一个集合,集合中使p(L,θ,m|X,ω,k)最大时所对应的分割结果为类加权SAR影像分割模型的最优解;
步骤7:输出SAR影像的分割结果。
采用上述技术方案所产生的有益效果在于:本发明提供的结合GMTRJ算法和EM算法的类加权SAR影像分割方法,采用GMTRJ方法求解模型参数,传统的RJMCMC算法虽能求解模型参数,但在求解过程中难以确定合适的参数,很难平衡其求解效率和求解质量。GMTRJ作为RJMCMC的一种改进算法,采用多重尝试策略,在保证求解效率的同时可通过权函数确定更合适的参数,提升了求解质量,进而提高SAR影像分割精度。
附图说明
图1为本发明实施例提供的结合GMTRJ算法和EM算法的类加权SAR影像分割方法的流程图;
图2为本发明实施例提供的待分割SAR影像;
图3为本发明实施例提供的待分割SAR影像的分割结果影像。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例中,一种结合GMTRJ算法和EM算法的类加权SAR影像分割方法,如图1所示,包括以下步骤:
步骤1:输入待分割SAR影像,并将其定义为在影像域D上的随机场的一个实现;
将输入的待分割SAR影像x={x
步骤2:赋予SAR影像中每个类别一个权重,影像中所有的类别对应的权重构成权重集合;
对于SAR影像中标号为l的类别,赋予其对应的权重ω
步骤3:利用待分割影像和权重集合定义类加权SAR影像,并将其定义为在影像域上的特征场的一个实现;
利用待分割影像x={x
步骤4:利用规则划分技术将类加权SAR影像的影像域划分为多个子块;
利用规则划分技术将影像域D划分成m个子块,即,D={P
步骤5:在划分的影像域上,建立类加权SAR影像分割模型,具体方法为:
首先在规则划分的SAR影像域上,定义标号场L={L
步骤5.1:在划分的SAR影像域上,设定划分的子块数m服从均值为λ
其中,p(m)为子块数m的概率密度函数;
步骤5.2:在划分的SAR影像域上,利用势能函数定义标号场模型,如下公式所示:
其中,p(L|k,m)为已知k和m条件下标号场L的条件概率密度函数,U(L)是一个势能函数,A为常数,γ为邻域子块的空间作用参数,NP
步骤5.3:在划分的SAR影像域上,定义特征场模型;
设定子块P
其中,p(Y|L,θ,k,m)为已知L,θ,k和m条件下特征场Y的条件概率密度函数,θ={θ
步骤5.4:建立特征场模型参数矢量集合的先验分布;
设定μ
其中,p(μ
同时,设定所有的参数矢量θ
步骤5.5:在步骤5.1-步骤5.4的基础上,建立类加权SAR影像分割模型;
根据贝叶斯定理,结合步骤5.1中的子块数m的先验分布、步骤5.2中的标号场模型、步骤5.3中的特征场模型和步骤5.4中的特征场模型参数矢量集合的先验分布,定义类加权SAR影像分割模型,如下公式所示:
其中,p(L,θ,m|X,ω,k)为已知X,ω和k条件下L,θ和m的条件概率密度函数;
步骤6:针对已建立的类加权SAR影像分割模型,设定迭代次数,并在每次迭代过程中利用GMTRJ算法设计求解类加权SAR影像分割模型中所有参数,并利用EM算法估算权重集合,进而确定类加权SAR影像分割模型的最优解;
步骤6.1:利用GMTRJ算法通过采样特征场模型参数矢量集合中的参数矢量来采样特征场模型参数矢量集合;
在{1,…,k}中随机抽取一个标号l,对应的特征场模型参数矢量为θ
a
其中,
其中,
其中,w(θ,θ
w(θ,θ
w(θ,θ
从0~1中产生一个随机数,判断该随机数与接受率a
步骤6.2:在步骤6.1采样特征场模型参数矢量集合的基础上,利用GMTRJ算法通过采样标号场中的标号的随机变量来采样标号场;
从影像域D={P
a
其中,
其中,
其中,w(L,L
w(L,L
w(L,L
从0~1中产生一个随机数,判断该随机数与接受率a
步骤6.3:在步骤6.2采样标号场的基础上,利用GMTRJ算法通过分裂或合并子块来增加或减少采样子块数;
步骤6.3.1:从通过步骤6.2采样标号场后的由m个子块拟合而成的影像域D中随机抽取一个子块P
步骤6.3.2:判断所抽取的子块P
步骤6.3.3:将影像域D中能实现分裂操作的子块P
a
其中,
其中,
其中,
w(D,D
w(D,D
其中,
步骤6.3.4:从0~1中产生一个随机数,判断该随机数与接受率a
步骤6.3.5:通过影像域D中随机抽取的一个子块和其任一个邻域子块合并成一个新的子块来实现减少子块数,该操作为分裂子块的对偶操作,因此,通过合并子块来采样子块数的接受率为:
a
从0~1中产生一个随机数,判断该随机数与接受率a
步骤6.4:在步骤6.3采样子块数的基础上,利用EM算法估算权重集合;
设定第n次迭代的权重集合估计值为ω
Q(ω
其中,E[log p(Y
对Q(ω
其中,N
然后,对ω′
进而,得到权重集合
步骤6.5:按设定的迭代次数重复执行步骤6.1至步骤6.4,得到参数L,θ,m和权重集合ω的一个集合,集合中使p(L,θ,m|X,ω,k)最大时所对应的分割结果为类加权SAR影像分割模型的最优解;
步骤7:输出SAR影像的分割结果。
本实施例中,针对如图2所示的待分割SAR影像,采用本发明的分割方法进行分割后的分割结果如图3所示,从图中可以看出本发明方法能够对SAR影像进行准确分割。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
机译: Pi估计方法(PEM算法)和设备(D)
机译: Reed-Solomon解码器S-dissiem算法计算算术电路mitgeu的方法
机译: 约束时序EM算法的清晰语音恢复语音增强方法