CN113343819B - 一种高效的无人机载sar图像目标分割方法 - Google Patents

Abstract

本申请公开了一种高效的无人机载SAR图像目标分割方法，包括：步骤1，根据预设单元格数量，对无人机载SAR图像进行第一单元格划分，将单元格序号记作各个像素点的标签信息；步骤2，确定每个第一单元格的中心像素点，根据搜索范围，计算各个像素点与中心像素点的相似距离；步骤3，依次判断当前迭代次数下各个像素点的相似距离是否小于上一次迭代的相似距离，若是，根据像素点的单元格序号，更新其标签信息，并根据更新后的标签信息进行第二单元格划分，重新执行步骤2，计算第二单元格内各个像素点的相似距离，若否，执行步骤4；步骤4，根据第二单元格，生成目标分割图像。通过本申请中的技术方案，解决图像分割中容易出现欠分割或过分割问题。

Description

一种高效的无人机载SAR图像目标分割方法

技术领域

本申请涉及图像处理的技术领域，具体而言，涉及一种高效的无人机载SAR图像目标分割方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动相干成像的微波传感器。与光学传感器相比，SAR成像系统不容易受光照和气候条件等自然因素的影响，且微波具有较强云雾和植被穿透探测能力，可用于识别伪装的地面军事目标，也可用于对海面舰船目标的全天时、全天候的探测跟踪。无人机载SAR是无人机技术和SAR技术共同发展及交叉应用的产物。

现有的无人机载SAR获取SAR图像的工作过程如下：先通过SAR系统发射机主动发射电磁波，对感兴趣区域进行探测；然后分析SAR系统接收机接收到目标的电磁散射特性和结构特性，获取SAR图像距离向信息；再通过无人机平台的运动合成虚拟的大孔径天线阵列，获得SAR图像在方位向上的高分辨率信息。

相比于光学图像，无人机载SAR图像可读性比较差，存在相干斑噪声、阴影、透视收缩等问题。这给无人机载SAR图像的解译造成很大麻烦，导致大量的无人机载SAR图像数据得不到及时处理和准确的解译。

典型的SAR图像自动解译系统通常包括图像预处理、图像分割、特征提取以及分类与识别四个部分。其中，图像分割处理环节主要完成SAR图像中目标的形状、面积、位置等特征信息的分析和描述，既可用于感兴趣目标的参数信息提取，例如舰船、机场跑道、桥梁等，又可用于不同地物地貌的分类与识别，是SAR图像自动解译的基础又是关键。对于无人机载SAR系统而言，SAR图像分割越精细、越准确，所获取的目标信息就越完备和准确，经过特征提取环节得到的目标信息就越有效，最后在分类与识别模块得到目标识别结果的准确性就越高；反之，则越差。

而现有技术中，图像分割方法大致可分为两大类：基于阈值的分割方法和基于区域的分割方法。前者原理简单、实现容易，但算法性能依赖于阈值选取和参数设置，对噪声和目标大小比较敏感。后者对匀质图像的分割效果较好，已经成为图像分割领域的主流方法之一。

然而，此类算法性能严重依赖于种子的选取，当聚类种子点数选择过小时，图像目标或纹理区域往往得不到正确分割，出现欠分割现象，而当聚类种子点数选择过大时，图像背景区域又常被过分分割，出现过分割现象。

发明内容

本申请的目的在于：解决无人机载SAR图像分割中容易出现欠分割或过分割问题，采用多级有选择的再分割处理和超像素合并处理技术，降低分割过程中的计算量，有效提高无人机载SAR图像分割的时效性和准确性。

本申请的技术方案是：提供了一种高效的无人机载SAR图像目标分割方法，该方法包括：步骤1，根据预设单元格数量，对获取到的无人机载SAR图像进行第一单元格划分，并将第一单元格划分后的单元格序号记作第一单元格内各个像素点的标签信息；步骤2，确定每个第一单元格的中心像素点，根据搜索范围，计算第一单元格内各个像素点与中心像素点的相似距离；步骤3，采用迭代运算，依次判断当前迭代次数下各个像素点的相似距离是否小于上一次迭代次数下对应的相似距离，若是，根据像素点所属单元的单元格序号，更新像素点的标签信息，并根据更新后的标签信息对无人机载SAR图像进行第二单元格划分，将划分后的单元格记作第二单元格，重新执行步骤2，计算第二单元格内各个像素点与第二单元格的中心像素点的相似距离，若否，执行步骤4；步骤4，根据第二单元格，生成无人机载SAR图像的目标分割图像。

上述任一项技术方案中，进一步地，方法执行步骤1之前，还包括：步骤101，选取无人机载SAR图像中任一像素点作为预处理中心点，根据预设邻域边长和预处理中心点，确定预处理邻域；步骤102，根据预处理邻域内各个像素点坐标和对应像素值，计算像素值加权系数；步骤103，根据像素值加权系数，对无人机载SAR图像中的像素点进行预处理。

上述任一项技术方案中，进一步地，步骤2中，确定每个第一单元格中心像素点的方法，具体包括：步骤201，将第一单元格的中心点记作初始中心像素点；步骤202，计算初始中心像素点的中心邻域内各个像素点的梯度值；步骤203，将计算出的梯度值按照数值大小进行排序，将最小梯度值对应的像素点，记作第一单元格的中心像素点。

上述任一项技术方案中，进一步地，步骤2中，计算相似距离的计算公式为：

式中，D(i,j)为相似距离，I_B()为像素点对应的像素值，(i,j)为第一单元格内各个像素点的坐标，(x_c,y_c)为中心像素点为坐标，L为搜索半径，F_c为紧凑性因子。

上述任一项技术方案中，进一步地，搜索半径的取值由无人机载SAR图像的尺寸与预设单元格数量确定。

上述任一项技术方案中，进一步地，步骤4中，对无人机载SAR图像进行图像目标分割，具体包括：步骤401，根据第二单元格中各个像素点的像素值和像素点个数，计算各个第二单元格的局部方差系数和无人机载SAR图像的全局方差系数；步骤402，当判定局部方差系数大于全局方差系数时，将局部方差系数对应的第二单元格记作待拆分单元格；步骤403，对待拆分单元格进行第三单元格划分，将拆分后的待拆分单元格和未进行第三单元格划分的第二单元格，共同记作第三单元格，并根据第三单元格的位置，更新第三单元格的单元格序号；步骤404，计算第三单元格的单元格像素均值，根据单元格像素均值，对第三单元格进行像素合并，生成目标分割图像。

上述任一项技术方案中，进一步地，步骤403中，更新第三单元格的单元格序号，具体包括：确定第二单元格中各像素点标签信息的最大取值；根据由左至右、由上至下的顺序，依次确定待拆分单元格中第三单元格划分后的各个单元格的位置并进行标号；之后，计算标签信息的最大取值与标号的和值，并根据和值依次对拆分后待拆分单元格中各个单元格的单元格序号进行更新；最后，对所有的单元格序号进行遍历，剔除空元素的单元格序号，重新确定单元格序号的最大值，根据由左至右、由上至下的顺序，依次对第三单元格的单元格序号进行赋值更新。

上述任一项技术方案中，进一步地，步骤404具体包括：步骤A，依次计算第三单元格的单元格像素均值；步骤B，根据各个第三单元格之间的邻接关系，生成邻域集合，并将邻域集合内对应的第三单元格记作第四单元格，其中，邻接关系由第三单元格的单元格序号确定；步骤C，采用遍历方式，判断第三单元格的单元格像素均值与其邻域集合内任一第四单元格的单元格像素均值的差值是否在单元格合并阈值范围(-τ,τ)内，若是，将第三单元格与第四单元格进行合并，并将第三单元格的单元格序号作为合并后单元格的单元格序号，若否，将第四单元格从第三单元格的邻域集合内删除；步骤D，重复执行步骤C，直至所有第三单元格的邻域集合均为空时，根据第三目标单元格的单元格序号，生成目标分割图像。

本申请的有益效果是：

本申请中的技术方案，为了解决无人机载SAR图像自动解译系统中图像分割环节容易出现欠分割和过分割问题，首先基于预设单元格数量对无人机载SAR图像进行一次全局粗分割，即第一单元格划分，以避免出现过分割问题，同时，降低了图像分割过程中的计算量，提高了无人机载SAR图像分割的时效性。

之后，本申请为了解决欠分割问题，根据各像素点与中心像素点的相似距离，采用迭代的运算方式，对无人机载SAR图像进行第二单元格划分，直至所有欠分割的单元格都得到准确分割为止，最终生成无人机载SAR图像对应的目标分割图像。通过仿真结果表明，在给定参数条件下，本申请中的方法可很好地解决传统无人机载SAR图像分割中出现的欠分割和过分割问题，有效提升了无人机载SAR图像自动解译系统后续高层级图像处理(如特征提取、分类识别)环节的时效性和准确性。

本申请在生成无人机载SAR图像对应的目标分割图像的过程中，为了进一步降低第二单元格存在的欠分割问题，依据第二单元格的局部方差系数和无人机载SAR图像的全局方差系数，对第二单元格再次进行第三单元格划分，进一步提高了图像分割的准确性。

附图说明

本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请的一个实施例的高效的无人机载SAR图像目标分割方法的示意流程图；

图2是根据本申请的一个实施例的无人机载SAR图像；

图3是根据本申请的一个实施例的第二单元格划分结果的示意图；

图4是根据本申请的一个实施例的第三单元格划分结果的局部放大示意图；

图5是根据本申请的一个实施例的无人机载SAR图像进行图像目标分割结果的示意图；

图6是根据本申请的一个实施例的消耗时间对比示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本实施例提供了一种高效的无人机载SAR图像目标分割方法，该方法包括：

步骤1，根据预设单元格数量，对获取到的无人机载SAR图像进行第一单元格划分，并将第一单元格划分后的单元格序号记作第一单元格内各个像素点的标签信息；

具体的，在进行第一单元格划分时，初始化设定预设单元格数量为Snum，按照大小一致的原则，对无人机载SAR图像进行等间隔划分，将划分出的单元格记作第一单元格，此时，所有的中心像素点均位于第一单元格的中心，第A₍₁₎个第一单元格内各个像素点的标签信息均为A₍₁₎，其中，A₍₁₎＝1,2,…,Snum。

进一步的，在对无人机载SAR图像进行第一单元格划分之前，还需要对无人机载SAR图像进行预处理处理，滤除图像噪声的同时，还能够对无人机载SAR图像中的纹理信息进行增强，该预处理过程具体包括：

步骤101，选取无人机载SAR图像中任一像素点作为预处理中心点，根据预设邻域边长和预处理中心点，确定预处理邻域；

具体的，设定无人机载SAR图像的尺寸为M×N，I(m,n)为无人机载SAR图像中第m(m＝1,2,…,M)行、第n(n＝1,2,…,N)列的像素值，在进行预处理时，采用滑窗原理，选取任一个像素点(m,n)作为预处理中心点，设定K为预设邻域边长，因此，确定的预处理邻域为(2K+1)×(2K+1)，直至处理完整幅无人机载SAR图像。

步骤102，根据预处理邻域内各个像素点坐标和对应像素值，计算像素值加权系数，对应的计算公式为：

式中，W(i,j)为像素值加权系数，(m,n)为预处理中心点的坐标，I(m,n)为预处理中心点的像素值，(i,j)为预处理邻域内各像素点坐标，I(i,j)为预处理邻域内各像素点的对应像素值，i＝m-K,m-K+1,…,m+K，j＝n-K,n-K+1,…n+K，

为空间距离方差系数，

为灰度值方差系数；

步骤103，根据像素值加权系数，对无人机载SAR图像中的像素点进行预处理，对应的计算公式为：

式中，I_B(m,n)为预处理后的像素值。

本实施例中，采用遍历的方式，通过上述过程对无人机载SAR图像中的像素点进行预处理，在滤除图像噪声的同时，还能够对无人机载SAR图像中的纹理信息进行增强，以提高目标分割过程的准确性。

步骤2，确定每个第一单元格的中心像素点，根据搜索范围，计算第一单元格内各个像素点与中心像素点的相似距离；

在上述实施例的基础上，为了提高图像目标分割的准确性和效率，避免中心像素点落在区域边缘上或者噪声点上，步骤2中，确定每个第一单元格中心像素点的方法，具体包括：

步骤201，将第一单元格的中心点记作初始中心像素点，

步骤202，计算初始中心像素点的中心邻域内各个像素点的梯度值G(x,y)，对应的计算公式为：

G(x,y)＝(I_B(x+1,y)-I_B(x-1,y))²+(I_B(x,y+1)-I_B(x,y-1))²

式中，I_B()为像素点对应的像素值，其中，中心邻域的范围小于搜索范围。

具体的，设定中心邻域的范围为3×3，采用遍历的方式，根据中心邻域范围内各个像素点(x,y)的四连通区域内像素点的像素值，计算对应梯度值G(x,y)。

步骤203，将计算出的梯度值按照数值大小进行排序，将最小梯度值对应的像素点，记作第一单元格的中心像素点。

具体的，在计算相似距离时，设定中心像素点为坐标为(x_c,y_c)，搜索范围为2L×2L，其中，搜索半径为L，由无人机载SAR图像的尺寸和预设单元格数量确定，对应的计算公式为：

式中，无人机载SAR图像的尺寸为M×N，Snum为预设单元格数量。

以任一第一单元格为例，在搜索范围内，依次计算该第一单元格内各个像素点与中心像素点的相似距离，对应的计算公式为：

式中，D(i,j)为相似距离，I_B()为像素点对应的像素值，(i,j)为该第一单元格内各个像素点的坐标，(x_c,y_c)为中心像素点为坐标，L为搜索半径，F_c为紧凑性因子。

本领域技术人员能够理解的是：紧凑性因子F_c的取值越大，则表明第一单元格划分的越规则；相似距离D(i,j)的取值越小，则像素点(i,j)与中心像素点(x_c,y_c)越相似。

步骤3，采用迭代运算，依次判断当前迭代次数下各个像素点的相似距离是否小于上一次迭代次数下对应的相似距离，若是，根据像素点所属单元格的单元格序号，更新像素点的标签信息，并根据更新后的标签信息对无人机载SAR图像进行第二单元格划分，将第二单元格划分后的单元格记作第二单元格，重新执行步骤2，计算第二单元格内各个像素点与第二单元格的中心像素点的相似距离，若否，执行步骤4；

具体的，由于在确定中心像素点过程中，中心邻域的范围小于搜索范围，因此，在计算各个像素点与中心像素点的相似距离时，各个像素点将会对应多个相似距离，此时，需要对各个像素点的相似距离进行筛选，保留最小相似距离，以作为该像素点最终的相似距离，与上一次迭代过程中的相似距离进行比较。

需要说明的是，各个像素点的相似距离取值的初始值为无穷大。

因此，当第

次迭代过程中该像素点(i,j)的相似距离小于第

(上一次)迭代运算时该像素点(i,j)的相似距离时，则根据该像素点(i,j)的单元格序号更新标签信息，并保留该像素点(i,j)第

次迭代的相似距离，以便进行下一次迭代；反之，则保留该像素点(i,j)在第

次迭代后的相似距离和标签信息，其中，a为迭代次数。

本领域技术人员能够理解的是：相似距离表示各个像素点与中心像素点的关系，因此，通过相似距离的比较，能够把像素点归类至相似距离最近的中心像素点，进而根据像素点的标签信息进行第二单元格的划分。

如此，经过一轮迭代后，中心像素点的区域大小或边界会随着其像素点标签信息的变化而发生变化，区域的变化又引起了中心像素点位置的变化，因此在下一次迭代时，由于中心像素点位置和区域大小发生了变化，计算得到的相似度也会发生变化。当中心像素点区域不再发生变化时，说明中心位置也不发生变化了，此时第二单元格分割完成。

需要说明的是，进行第二单元格划分之后，第二单元格的单元格序号由该单元格内的像素点的标签信息确定。

本实施例中，步骤3在划分完第二单元格后，将各个第二单元格中的像素点记作一个像素点集合，该集合中像素点的数量为R，每一个像素点的坐标与该像素点集合内格像素点的序号r一一对应。重新计算第二单元格各像素点与第二单元格的中心像素点的相似距离时，为了降低计算资源的消耗，计算第二单元格的中心像素点的坐标计算公式为：

式中，R为第二单元格的像素点的数量，

为第二单元格的中心像素点的坐标，

为第二单元格的像素点的坐标，r＝1,2,…,R。

需要说明的是，上式计算结果可能出现非整数的情况，由于像素点的坐标只可能是整数值，因此，可对其进行四舍五入取整处理。

步骤4，根据第二单元格，生成无人机载SAR图像的目标分割图像。

具体的，通过步骤3中的迭代运算，多次对无人机载SAR图像进行第二单元格划分，根据生成的第二单元格进行图像目标分割，有助于解决图像分割过程中的欠分割问题，降低存在欠分割问题单元格的数量。

为了进一步提高图像目标分割的准确性，降低第二单元格因仍存在欠分割问题需要二次划分的可能性，在上述实施例的基础上，本实施例还示出了一种根据第二单元格生成目标分割图像的方法，具体包括：

步骤401，根据第二单元格中各个像素点的像素值和像素点个数，计算各个第二单元格的局部方差系数和无人机载SAR图像的全局方差系数；

具体的，根据第二单元格中各个像素点的像素值和像素点个数，计算第二单元格的局部方差系数，对应的计算公式为：

式中，LCV_k为第k个第二单元格的局部方差系数，

为第k个第二单元格的像素方差，μ_k为第k个第二单元格的像素均值，N^k为第k个第二单元格的像素点个数，

为第k个第二单元格内第i个像素点的灰度值。

其中，计算无人机载SAR图像的全局方差系数GCV的方式与局部方差系数相似，不再赘述。

步骤402，当判定局部方差系数大于全局方差系数时，将局部方差系数对应的第二单元格记作待拆分单元格；

具体的，本实施例中引入图像粗糙度参数H_k，该图像粗糙度参数H_k为分段函数，对应的计算公式为：

通过引入图像粗糙度参数H_k，将局部方差系数大于全局方差系数的第二单元格的图像粗糙度参数H_k的取值记作1，记作待拆分单元格，表示该第二单元格存在欠分割问题，需要进行再次分割；而将局部方差系数小于或等于全局方差系数的第二单元格的图像粗糙度参数H_k的取值记作0，表示该第二单元格像素平坦，不存在欠分割问题。

步骤403，重新设定搜索半径，对待拆分单元格进行第三单元格划分，将拆分后的待拆分单元格和未进行第三单元格划分的第二单元格，共同记作第三单元格，并根据第三单元格的位置，更新第三单元格的单元格序号；

需要说明的是，对第三单元格划分的方式并不限定，可以采用常规的简单线性迭代聚类SLIC方法，也可以采用如步骤2至步骤3中的拆分方法。

在上述实施例的基础上，第二单元格的单元格序号的取值在1-Snum范围内，但由于第二单元格划分过程中，无法保证第二单元格的单元格序号的最大取值为Snum，因此，为了保证第三单元格单元格序号的连续性，本实施例又示出一种更新第三单元格单元格序号的方法，具体包括：

首先，确定第二单元格中各像素点标签信息的最大取值T₍₁₎；

其次，根据由左至右、由上至下的顺序，依次确定待拆分单元格中第三单元格划分后的各个单元格的位置并进行标号，标号的取值为1,2,…,T₍₂₎；

之后，计算标签信息的最大取值与标号的和值，并根据和值依次对拆分后待拆分单元格中各个单元格的单元格序号进行更新；

最后，对所有的单元格序号进行遍历，剔除空元素的单元格序号，重新确定单元格序号的最大值T₍₃₎，根据由左至右、由上至下的顺序，依次对第三单元格的单元格序号进行赋值更新，赋值后的单元格序号的取值为1,2,…,T₍₃₎。

步骤404，计算第三单元格的单元格像素均值，根据单元格像素均值，对第三单元格进行像素合并，生成目标分割图像。

进一步的，步骤404具体包括：

步骤A，依次计算第三单元格的单元格像素均值，记作μ_β，其中，第三单元格的编号β＝1,2,…,Snum′，Snum′为无人机载SAR图像中的全部单元格(第三单元格)的数量；

步骤B，根据各个第三单元格之间的邻接关系，生成邻域集合，并将邻域集合内对应的第三单元格记作第四单元格，其中，邻接关系由上述第三单元格的单元格序号确定；

具体的，生成的邻域集合中，存放与之相邻的所有第三单元格的编号，例如：第1个第三单元格的边界与第2、第3个第三单元格的边界存在重合，则认为第1个单元格与第2、第3个单元格之间存在邻接关系，生成的第1个单元格的邻域集合则为S₁＝{2，3}，并将第2、第3个第三单元格记作第四单元格。

步骤C，采用遍历方式，判断第三单元格的单元格像素均值与其邻域集合内任一第四单元格的单元格像素均值的差值是否在单元格合并阈值范围(-τ,τ)内，若是，将第三单元格与第四单元格进行合并，并将第三单元格的单元格序号作为合并后单元格的单元格序号，若否，将第四单元格从第三单元格的邻域集合内删除；

具体的，引入单元格合并参数H_β(θ)，对应的计算公式为：

式中，θ为邻域集合内第四单元格对应的单元格序号，μ_β为第三单元格的单元格像素均值，μ_θ为第四单元格的单元格像素均值，τ为单元格合并阈值。

当单元格合并参数H_β(θ)＝1时，表明第β个第三单元格与其邻域集合内第θ个第四单元格同属一类目标，执行单元格合并处理，将第θ个第四单元格内所有的像素点的标签信息设置为当前第β个第三目标单元格的单元格序号，反之，则说明它们不属于同一类目标，将第θ个第四单元格从第β个第三目标单元格的邻域集合内删除。

步骤D，重复执行步骤C，直至所有第三单元格的邻域集合均为空时，根据第三目标单元格的单元格序号，生成目标分割图像。

本实施例中，利用8张高分三号卫星公开的8幅SAR图像数据为例进行验证，其中，1幅SAR图像如图2所示，该图像尺寸为3000×3000，设定预设邻域边长K＝3，空间距离方差系数

灰度值方差系数

其中，var(I)为SAR图像的灰度值方差，可以设定搜索半径L＝500，紧凑性因子F_c＝10。

依据上述设定的参数，进行第二单元格划分(粗划分)，第二单元格划分结果如图3所示，图中网格线为第二单元格的边界，拆分后的图像内容被抽象为33个第二单元格，因此，第二单元格中共有33个中心像素点。由于所采用的中心像素点数量较少，通过对图像进行分析，普遍存在欠分割和过分割问题。

因此，采用与上述过程相同的方式，再次对第二单元格进行拆分，此时，重新设定搜索半径，将搜索半径L的取值调整为5，进行第三单元格划分(细划分)，其局部放大图如图4所示，图中网格线为第三单元格划分的边界。

最终，设定单元格合并阈值τ＝10，对拆分后的第三单元格进行合并，生成的目标分割图像如图5所示。图中分割区域的结果采用该区域所有像素的平均值来代替。

显然，单元格经合并处理后，SAR图像中感兴趣的目标区域被合理的分割出来，符合人类视觉图像处理的预期目的，能够快速准确地标出其中感兴趣目标或者显著性目标的轮廓和位置信息。

并且，通过对8幅SAR图像分割处理所需消耗时间进行统计，如表1和图6所示。

表1

通过统计不难得出，采用本实施例中的图像目标分割方法，在提高图像分割效果的同时，还可以有效低提高SAR图像分割的效率，节省计算时间，相比于传统方法(如：简单线性迭代聚类SLIC方法)，本实施例中的图像目标分割方法所需消耗时间能够缩短28.6倍。

以上结合附图详细说明了本申请的技术方案，本申请提出了一种高效的无人机载SAR图像目标分割方法，包括：步骤1，根据预设单元格数量，对获取到的无人机载SAR图像进行第一单元格划分，并将第一单元格划分后的单元格序号记作第一单元格内各个像素点的标签信息；步骤2，确定每个第一单元格的中心像素点，根据搜索范围，计算所述第一单元格内各个像素点与所述中心像素点的相似距离；步骤3，采用迭代运算，依次判断当前迭代次数下各个像素点的所述相似距离是否小于上一次迭代次数下对应的相似距离，若是，根据所述像素点所属单元的单元格序号，更新所述像素点的所述标签信息，并根据更新后的所述标签信息对所述无人机载SAR图像进行第二单元格划分，将划分后的单元格记作第二单元格，重新执行步骤2，计算所述第二单元格内各个像素点与所述第二单元格的中心像素点的相似距离，若否，执行步骤4；步骤4，根据所述第二单元格，生成所述无人机载SAR图像的目标分割图像。通过本申请中的技术方案，解决无人机载SAR图像分割中容易出现欠分割或过分割问题，采用多级有选择的再分割处理和超像素合并处理技术，降低分割过程中的计算量，有效提高无人机载SAR图像分割的时效性和准确性。

本申请中的步骤可根据实际需求进行顺序调整、合并和删减。

本申请装置中的单元格可根据实际需求进行合并、划分和删减。

尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。

Claims (8)

1.一种高效的无人机载SAR图像目标分割方法，其特征在于，所述方法包括：

步骤1，根据预设单元格数量，对获取到的无人机载SAR图像进行第一单元格划分，并将第一单元格划分后的单元格序号记作第一单元格内各个像素点的标签信息；

步骤2，确定每个第一单元格的中心像素点，根据搜索范围，计算所述第一单元格内各个像素点与所述中心像素点的相似距离；

步骤3，采用迭代运算，依次判断当前迭代次数下各个像素点的所述相似距离是否小于上一次迭代次数下对应的相似距离，若是，根据所述像素点所属单元的单元格序号，更新所述像素点的所述标签信息，并根据更新后的所述标签信息对所述无人机载SAR图像进行第二单元格划分，将划分后的单元格记作第二单元格，重新执行步骤2，计算所述第二单元格内各个像素点与所述第二单元格的中心像素点的相似距离，若否，执行步骤4；

步骤4，根据所述第二单元格，生成所述无人机载SAR图像的目标分割图像。

2.如权利要求1所述的高效的无人机载SAR图像目标分割方法，其特征在于，所述方法执行所述步骤1之前，还包括：

步骤101，选取所述无人机载SAR图像中任一像素点作为预处理中心点，根据预设邻域边长和所述预处理中心点，确定预处理邻域；

步骤102，根据所述预处理邻域内各个像素点坐标和对应像素值，计算像素值加权系数；

步骤103，根据所述像素值加权系数，对所述无人机载SAR图像中的像素点进行预处理。

3.如权利要求1所述的高效的无人机载SAR图像目标分割方法，其特征在于，所述步骤2中，所述确定每个第一单元格中心像素点的方法，具体包括：

步骤201，将所述第一单元格的中心点记作初始中心像素点；

步骤202，计算所述初始中心像素点的中心邻域内各个像素点的梯度值；

步骤203，将计算出的所述梯度值按照数值大小进行排序，将最小梯度值对应的像素点，记作所述第一单元格的中心像素点。

4.如权利要求1所述的高效的无人机载SAR图像目标分割方法，其特征在于，所述步骤2中，计算所述相似距离的计算公式为：

式中，D(i,j)为相似距离，I_B()为像素点对应的像素值，(i,j)为所述第一单元格内各个像素点的坐标，(x_c,y_c)为中心像素点为坐标，L为搜索半径，F_c为紧凑性因子。

5.如权利要求4所述的高效的无人机载SAR图像目标分割方法，其特征在于，所述搜索半径的取值由所述无人机载SAR图像的尺寸与所述预设单元格数量确定。

6.如权利要求1所述的高效的无人机载SAR图像目标分割方法，其特征在于，所述步骤4中，对所述无人机载SAR图像进行图像目标分割，具体包括：

步骤401，根据所述第二单元格中各个像素点的像素值和像素点个数，计算各个所述第二单元格的局部方差系数和所述无人机载SAR图像的全局方差系数；

步骤402，当判定所述局部方差系数大于所述全局方差系数时，将所述局部方差系数对应的第二单元格记作待拆分单元格；

步骤403，对所述待拆分单元格进行第三单元格划分，将拆分后的待拆分单元格和未进行第三单元格划分的第二单元格，共同记作第三单元格，并根据所述第三单元格的位置，更新所述第三单元格的单元格序号；

步骤404，计算所述第三单元格的单元格像素均值，根据所述单元格像素均值，对所述第三单元格进行像素合并，生成所述目标分割图像。

7.如权利要求6所述的高效的无人机载SAR图像目标分割方法，其特征在于，所述步骤403中，更新所述第三单元格的单元格序号，具体包括：

确定所述第二单元格中各像素点标签信息的最大取值；

根据由左至右、由上至下的顺序，依次确定所述待拆分单元格中第三单元格划分后的各个单元格的位置并进行标号；

之后，计算所述标签信息的最大取值与所述标号的和值，并根据所述和值依次对拆分后待拆分单元格中各个单元格的单元格序号进行更新；

最后，对所有的单元格序号进行遍历，剔除空元素的单元格序号，重新确定单元格序号的最大值，根据由左至右、由上至下的顺序，依次对所述第三单元格的单元格序号进行赋值更新。

8.如权利要求6所述的高效的无人机载SAR图像目标分割方法，其特征在于，所述步骤404具体包括：

步骤A，依次计算所述第三单元格的单元格像素均值；

步骤B，根据各个第三单元格之间的邻接关系，生成邻域集合，并将所述邻域集合内对应的第三单元格记作第四单元格，其中，所述邻接关系由所述第三单元格的单元格序号确定；

步骤C，采用遍历方式，判断所述第三单元格的单元格像素均值与其邻域集合内任一第四单元格的单元格像素均值的差值是否在单元格合并阈值范围(-τ,τ)内，若是，将所述第三单元格与所述第四单元格进行合并，并将所述第三单元格的单元格序号作为合并后单元格的单元格序号，若否，将所述第四单元格从所述第三单元格的邻域集合内删除；

步骤D，重复执行步骤C，直至所有第三单元格的邻域集合均为空时，根据所述第三目标单元格的单元格序号，生成所述目标分割图像。

Images