地形紋理分割技術在雷達圖像仿真中的應用

司聿宣，方 偉，王好同

（1．煙臺職業學院，山東 煙臺 264001；2．海軍航空工程學院電子信息工程系，山東 煙臺 264001）

所謂圖像分割即將圖像分解為各具特性的區域并提取出感興趣的目標的技術和過程。作為圖像處理中的一個經典問題，早期主要采用區域增長法、閾值分割法實現對灰度圖像分割。隨著技術的發展，彩色圖像以其蘊含的更加豐富的信息越發引起了研究人員的興趣，出現了諸如特征聚類等直接面向高維特征空間的圖像分割方法[1-3]。

在基于數字地形的雷達圖像仿真中，數字地形及可見光紋理是進行雷達圖像仿真的基礎，對于可見光紋理，雷達是無法確定地形紋理的具體材質信息的，不可預知的地形材質勢必降低雷達圖像仿真的逼真度甚至造成完全失真，如將海面作為山區進行處理。同時，對于雷達圖像仿真而言，其地形紋理數量巨大，單憑純手工打造其工作量是無法評估的，并且分割的準確度也是非常低的。

目前國內在雷達圖像仿真領域，對地形紋理分割的研究相對較少，通常將雷達地形紋理作為統一的材質進行處理。但實際上對于大規模的數字地形，地形紋理是復雜多變的，由于該方式沒有有效地對地形區域進行分割，因而造成生成的雷達圖像逼真度大大降低。國外如Multigen-Paradigm 公司Vega軟件的RadarWorks模塊[4]主要采用人工手動指定的方式，即通過各種區域選擇工具，人工指定和設置地形的材質信息。該方法滿足了雷達圖像仿真的需要，但考慮到地形覆蓋范圍的廣泛，紋理圖片的數據量巨大，這將造成開發人員工作量的增加。

針對上述問題，將圖像分割技術引入到雷達地形紋理分割中，利用圖像分割技術對可見光紋理進行區域劃分，并在此基礎上借助雷達材質庫由人工對區域材質進行指定，是實現雷達地形紋理向材質信息快速轉換的行之有效的方法。本文重點對地形紋理自動分割技術在雷達圖像仿真中的應用進行了詳細論述。由于篇幅的原因，后期人工對區域的局部調整及對區域的雷達材質數據的指定不過多論述。

1 總體結構

地形紋理分割與材質轉換采用“自動+人工”的半自動實現策略，圖1 描述了地形紋理分割與材質轉換的實現框圖，該過程可分解為自動和人工2 個主要過程。

1)自動化過程：圖像讀取、色彩空間變換、彩色圖像分割、灰度圖像生成、各區域二值圖像生成及區域內子區域分割。

① 圖像讀取與色彩空間轉換。提取圖像色彩空間的RGB 信息，并將RGB 轉換為L-a-b 色彩空間，使轉換后的色彩空間與人視覺感知更加一致，以便利用L-a-b 空間的歐式距離進行顏色相似性的度量。

② 彩色圖像分割?；贔CM 原理對圖像進行分割處理，形成互不重疊的連通子區域集合。

③灰度圖像生成。根據圖像分割結果，用不同的灰度級對各區域進行表征，形成地形紋理的灰度圖像，用于后期的操作。

④ 各區域二值圖像生成。以各區域不同的灰度級為標準，分別生成不同區域的二值圖像，具有區域信息的像素為1，背景為0。

⑤ 區域內子區域分割?；?-連通模板對各區域形成的二值圖像進行標記，對邊界進行跟蹤，生成區域內各子區域的邊界。

圖1 地形紋理分割與材質轉換實現框圖

2)人工干預：基于自動化過程生成的地形紋理區域，對各區域進行修改、指定材質和保存材質。

① 區域修改。根據自動化過程生成的區域，用戶利用區域選擇工具對區域進行修改。

② 材質指定。結合雷達材質庫對各區域材質進行指定，對于復合多種材質的地形區域，可以通過權值的方式指定多種地形材質。

③ 材質存儲。當全部工作完成后，對地形材質文件進行保存。保存后的雷達地形紋理材質文件在雷達圖像仿真中取代可視化系統中的地形紋理文件。

2 地形紋理分割

對基于數字地形的雷達圖像仿真而言，其可見光紋理往往來自于衛星圖片和航拍圖片。通常而言，紋理是彩色圖像，因而在對圖像處理時選取適合彩色圖像分割的基于特征空間聚類的方法。這是一種不需要訓練樣本，無監督的統計方法，通過迭代地執行分類算法來提取各類的特征值，目前在彩色圖像分割領域應用較為廣泛，主要包括K-均值聚類法(K-Mean Clustering)[5-6]、硬 C-均值聚類法(Hard C-Mean Clustering，HCM)和模糊 C-均值聚類法(Fuzzy C-Meaning Clustering，FCM)[7]，其中FCM是在HCM 的基礎上發展起來的應用相對較多的一種方法。

2.1 顏色空間轉換

RGB 顏色空間是目前在表征彩色圖像中最為常用的一種顏色模型，但該模型存在色彩間的關聯度過高的缺點。L-a-b 顏色空間是CIE 顏色空間系的一種均勻色空間，較好地解決了色差問題，對顏色的變化更加敏感，在顏色空間的描述上與人視覺感知更加一致。因此，在圖像分割中采用L-a-b 色彩空間，并可通過RGB 顏色空間經過非線性變換獲得。

2.2 基于FCM 的圖像分割

模糊C 均值聚類和硬均值聚類2 種算法的主要區別是在硬均值聚類中樣本對某個類別的隸屬度只具有0 和1 兩種，即樣本只能絕對地屬于或不屬于某個類別，隔斷了樣本與樣本之間的聯系。FCM 方法考慮了樣本間的聯系，將隸屬度在[0,1]間取值，樣本對所有類的隸屬度之和為1。FCM 方法的核心是使得式(3)所示的目標函數最小，即使得被劃分到同一聚類的對象之間相似度最大，而不同聚類間的相似度最小。

由上述的討論可以得到FCM 的實現步驟如圖2所示。

圖2 FCM 算法實現步驟

由圖2 可以看出FCM 算法的基本過程可以歸納為：根據初始條件計算初始隸屬度矩陣 (0)U，以此由式(4)、(5)進行逐步優化迭代，每次迭代完成后計算V(k+ 1)?V(k)的矩陣范數是否小于ε，當滿足條件后迭代完成，得到最優的隸屬度矩陣U和聚類集V，也可以直接利用最大迭代次數作為迭代完成的條件。

2.3 基于減法聚類的初始聚類中心的確定

通過對FCM 的原理分析可以看出FCM 算法存在以下問題：

1)聚類集的初始化設置。不合理的聚類集初始化設置將導致目標函數收斂于局部最優值，影響了最終區域的分割精度、準確度和優化迭代消耗的時間，而通過人為的設置可能造成區域分割的不準確，因此需要尋求一種自動的聚類集提取方法。

2)迭代次數的確定。迭代次數決定了圖像分割的準確度，過少的迭代次數將造成圖像的“欠分割”，過多將造成“過度分割”的情況。

利用減法聚類(Subtractive Clustering Method，SCM)有效地解決了聚類集的初始化問題，實現過程如下[8]：

① 初始化聚類中心數量C，參數α和β；

② 對集合中的每個數據點xi，計算山峰函數其中，為數據點間的歐氏距離，選擇一個具有最大值的數據點作為第一個聚類中心v1；

④ 重復迭代，直到聚類中心數量滿足初始化設置的數量。

2.4 灰度圖像的生成

灰度圖像以1 個字節描述地形紋理的色彩信息，也就是說每個地形紋理可以劃分為256 種不同的材質區域，由于在對雷達地形紋理的處理中，采用紋理分塊的處理方式，降低了大量不同材質聚集的可能，因此在數量上能夠滿足使用的需求。

通過FCM 對地形紋理進行分割后，產生了最優的隸屬度矩陣U和聚類集V，按照隸屬度矩陣U中每個p維矢量(p維矢量中每個隸屬度對應一個聚類中心iv)中的最大值作為屬于每個聚類的標準，并賦以對應的灰度值，生成地形紋理的灰度圖像。

需要注意的是為了加大不同區域間的灰度值間隔，設計中主要以灰度級最大范圍和聚類數目為基礎，產生相應區域的灰度級，第i個區域的灰度級可由式(6)計算。

式中，N為地形紋理的總的區域數量。假設地形紋理由4 個聚類中心組成，則產生的灰度圖像中各區域的灰度級分別為0、85、170、255。

2.5 區域內子區域的形成

經過上述的分割過程，地形紋理彩色圖像轉換為具有指定灰度級的地形紋理灰度圖像，即形成了以灰度級為基礎的各區域塊，完成了地形紋理的初步分割，但為了后期區域修改與合并的需要，應對各區域內的子區域進行進一步分解，包括子區域的數量和各子區域邊界。實現過程如下：

1)依據各區域灰度級上的區別，將地形紋理分為多個二值圖像，即每個區域對應一幅二值圖像，背景為0，具有區域信息的像素為1。因此，對于具有N個區域的地形紋理而言，可以切分為N個二值圖像。

2)對每個二值圖像，構造一個8 連通的模板，定義為與中心像素相連接的8 個連接點均可成為連接像素，如圖3 所示。

圖3 8-連通模板

3)依據8 連通模板對區域像素的連通性進行判斷，并分別對不同的子區域進行標記。

4)依據標記的結果，計算子區域的數量和子區域的邊界。

3 仿真實驗

根據本文采用的地形紋理分割算法，對2 塊地形紋理圖像進行圖像分割實驗，實驗環境如表1 所示。同時，在對地形紋理進行區域分割的基礎上，基于8-連通模板檢測子區域數目和區域邊界。

表1 地形紋理分割實驗環境

在對地形紋理進行區域分割的基礎上，生成各區域二值圖像，并基于8-連通模板檢測子區域數目和區域邊界，表2 描述了2 種地形紋理各區域的子區域組成情況。

表2 地形紋理區域組成

由圖4、5 和表2 可以看出，基于該方法較好地將地形紋理區域分割為互不連通的區域。利用自動條件下的區域分割的結果，借助于人工的方式可對局部區域進行調整，如對圖中的小碎片紋理，進而完成對地形材質的指定。

圖4 地形1 紋理子區域分割結果

圖5 地形2 紋理子區域分割結果

4 結束語

地形紋理分割和材質的指定是進行基于數字地形雷達圖像仿真的基礎和關鍵，傳統的方法對于海量地形紋理數據的處理將耗費大量的時間和精力，同時準確性相對較低。本文在利用圖像處理領域的已有研究成果的基礎上，通過綜合運用顏色聚類和數學形態學的方法自動完成地形紋理區域的劃分。該思路大大簡化了地形紋理向材質的轉換工作，提高了分割的準確性。

[1] 吳義兵, 宋建社, 王瑞花. 基于分形維數的SAR 圖像紋理特性的提取[J]. 四川兵工學報, 2011,32(7):74-77.

[2] 林開顏, 吳軍輝, 徐立鴻. 彩色圖像分割方法綜述[J]. 中國圖像圖形學報, 2005,10(1):1-10.

[3] 郝海濤, 田玉敏. 彩色圖像分割方法及進展[J]. 山西師范大學學報:自然科學版, 2005,19(1):64-68.

[4] Multigen-Paradigm Inc. Sensor product guide: vega programmers guide (Version 3.7)[M]. Multigen- Paradigm Inc., 2001:53-56.

[5] WANG X W, SHEN L S, WEI B G. The focus segmentation of color ophthaln ologic image based on modified K-means clustering and mathematical morphology[J]. Chinese Journal of Biomedical Enginerring, 2002,21(5):443-448.

[6] CAREVIC D, CAELLI T. Region-based coding of color image using Karhumen-loeve transform[J]. Graphics Modeles and Image Processing, 1997,59(1):27-38.

[7] BEZDEK J C. Pattern recognition with fuzzy objective function algorithms[M]. New York: Plenum Press, 1981: 133-146.

[8] 林開顏, 徐立鴻, 吳軍輝. 快速模糊C 均值聚類彩色圖像分割方法[J]. 中國圖像圖形學報, 2004,9(2):159- 163.

[9] CHIU S L. Fuzzy model identification based on clustering estimation[J]. Journal of Intelligent and Fuzzy Systems, 1994,2(3):267-278.