地形纹理分割技术在雷达图像仿真中的应用

司聿宣，方 伟，王好同

（1．烟台职业学院，山东 烟台 264001；2．海军航空工程学院电子信息工程系，山东 烟台 264001）

所谓图像分割即将图像分解为各具特性的区域并提取出感兴趣的目标的技术和过程。作为图像处理中的一个经典问题，早期主要采用区域增长法、阈值分割法实现对灰度图像分割。随着技术的发展，彩色图像以其蕴含的更加丰富的信息越发引起了研究人员的兴趣，出现了诸如特征聚类等直接面向高维特征空间的图像分割方法[1-3]。

在基于数字地形的雷达图像仿真中，数字地形及可见光纹理是进行雷达图像仿真的基础，对于可见光纹理，雷达是无法确定地形纹理的具体材质信息的，不可预知的地形材质势必降低雷达图像仿真的逼真度甚至造成完全失真，如将海面作为山区进行处理。同时，对于雷达图像仿真而言，其地形纹理数量巨大，单凭纯手工打造其工作量是无法评估的，并且分割的准确度也是非常低的。

目前国内在雷达图像仿真领域，对地形纹理分割的研究相对较少，通常将雷达地形纹理作为统一的材质进行处理。但实际上对于大规模的数字地形，地形纹理是复杂多变的，由于该方式没有有效地对地形区域进行分割，因而造成生成的雷达图像逼真度大大降低。国外如Multigen-Paradigm 公司Vega软件的RadarWorks模块[4]主要采用人工手动指定的方式，即通过各种区域选择工具，人工指定和设置地形的材质信息。该方法满足了雷达图像仿真的需要，但考虑到地形覆盖范围的广泛，纹理图片的数据量巨大，这将造成开发人员工作量的增加。

针对上述问题，将图像分割技术引入到雷达地形纹理分割中，利用图像分割技术对可见光纹理进行区域划分，并在此基础上借助雷达材质库由人工对区域材质进行指定，是实现雷达地形纹理向材质信息快速转换的行之有效的方法。本文重点对地形纹理自动分割技术在雷达图像仿真中的应用进行了详细论述。由于篇幅的原因，后期人工对区域的局部调整及对区域的雷达材质数据的指定不过多论述。

1 总体结构

地形纹理分割与材质转换采用“自动+人工”的半自动实现策略，图1 描述了地形纹理分割与材质转换的实现框图，该过程可分解为自动和人工2 个主要过程。

1)自动化过程：图像读取、色彩空间变换、彩色图像分割、灰度图像生成、各区域二值图像生成及区域内子区域分割。

① 图像读取与色彩空间转换。提取图像色彩空间的RGB 信息，并将RGB 转换为L-a-b 色彩空间，使转换后的色彩空间与人视觉感知更加一致，以便利用L-a-b 空间的欧式距离进行颜色相似性的度量。

② 彩色图像分割。基于FCM 原理对图像进行分割处理，形成互不重叠的连通子区域集合。

③灰度图像生成。根据图像分割结果，用不同的灰度级对各区域进行表征，形成地形纹理的灰度图像，用于后期的操作。

④ 各区域二值图像生成。以各区域不同的灰度级为标准，分别生成不同区域的二值图像，具有区域信息的像素为1，背景为0。

⑤ 区域内子区域分割。基于8-连通模板对各区域形成的二值图像进行标记，对边界进行跟踪，生成区域内各子区域的边界。

图1 地形纹理分割与材质转换实现框图

2)人工干预：基于自动化过程生成的地形纹理区域，对各区域进行修改、指定材质和保存材质。

① 区域修改。根据自动化过程生成的区域，用户利用区域选择工具对区域进行修改。

② 材质指定。结合雷达材质库对各区域材质进行指定，对于复合多种材质的地形区域，可以通过权值的方式指定多种地形材质。

③ 材质存储。当全部工作完成后，对地形材质文件进行保存。保存后的雷达地形纹理材质文件在雷达图像仿真中取代可视化系统中的地形纹理文件。

2 地形纹理分割

对基于数字地形的雷达图像仿真而言，其可见光纹理往往来自于卫星图片和航拍图片。通常而言，纹理是彩色图像，因而在对图像处理时选取适合彩色图像分割的基于特征空间聚类的方法。这是一种不需要训练样本，无监督的统计方法，通过迭代地执行分类算法来提取各类的特征值，目前在彩色图像分割领域应用较为广泛，主要包括K-均值聚类法(K-Mean Clustering)[5-6]、硬 C-均值聚类法(Hard C-Mean Clustering，HCM)和模糊 C-均值聚类法(Fuzzy C-Meaning Clustering，FCM)[7]，其中FCM是在HCM 的基础上发展起来的应用相对较多的一种方法。

2.1 颜色空间转换

RGB 颜色空间是目前在表征彩色图像中最为常用的一种颜色模型，但该模型存在色彩间的关联度过高的缺点。L-a-b 颜色空间是CIE 颜色空间系的一种均匀色空间，较好地解决了色差问题，对颜色的变化更加敏感，在颜色空间的描述上与人视觉感知更加一致。因此，在图像分割中采用L-a-b 色彩空间，并可通过RGB 颜色空间经过非线性变换获得。

2.2 基于FCM 的图像分割

模糊C 均值聚类和硬均值聚类2 种算法的主要区别是在硬均值聚类中样本对某个类别的隶属度只具有0 和1 两种，即样本只能绝对地属于或不属于某个类别，隔断了样本与样本之间的联系。FCM 方法考虑了样本间的联系，将隶属度在[0,1]间取值，样本对所有类的隶属度之和为1。FCM 方法的核心是使得式(3)所示的目标函数最小，即使得被划分到同一聚类的对象之间相似度最大，而不同聚类间的相似度最小。

由上述的讨论可以得到FCM 的实现步骤如图2所示。

图2 FCM 算法实现步骤

由图2 可以看出FCM 算法的基本过程可以归纳为：根据初始条件计算初始隶属度矩阵 (0)U，以此由式(4)、(5)进行逐步优化迭代，每次迭代完成后计算V(k+ 1)−V(k)的矩阵范数是否小于ε，当满足条件后迭代完成，得到最优的隶属度矩阵U和聚类集V，也可以直接利用最大迭代次数作为迭代完成的条件。

2.3 基于减法聚类的初始聚类中心的确定

通过对FCM 的原理分析可以看出FCM 算法存在以下问题：

1)聚类集的初始化设置。不合理的聚类集初始化设置将导致目标函数收敛于局部最优值，影响了最终区域的分割精度、准确度和优化迭代消耗的时间，而通过人为的设置可能造成区域分割的不准确，因此需要寻求一种自动的聚类集提取方法。

2)迭代次数的确定。迭代次数决定了图像分割的准确度，过少的迭代次数将造成图像的“欠分割”，过多将造成“过度分割”的情况。

利用减法聚类(Subtractive Clustering Method，SCM)有效地解决了聚类集的初始化问题，实现过程如下[8]：

① 初始化聚类中心数量C，参数α和β；

② 对集合中的每个数据点xi，计算山峰函数其中，为数据点间的欧氏距离，选择一个具有最大值的数据点作为第一个聚类中心v1；

④ 重复迭代，直到聚类中心数量满足初始化设置的数量。

2.4 灰度图像的生成

灰度图像以1 个字节描述地形纹理的色彩信息，也就是说每个地形纹理可以划分为256 种不同的材质区域，由于在对雷达地形纹理的处理中，采用纹理分块的处理方式，降低了大量不同材质聚集的可能，因此在数量上能够满足使用的需求。

通过FCM 对地形纹理进行分割后，产生了最优的隶属度矩阵U和聚类集V，按照隶属度矩阵U中每个p维矢量(p维矢量中每个隶属度对应一个聚类中心iv)中的最大值作为属于每个聚类的标准，并赋以对应的灰度值，生成地形纹理的灰度图像。

需要注意的是为了加大不同区域间的灰度值间隔，设计中主要以灰度级最大范围和聚类数目为基础，产生相应区域的灰度级，第i个区域的灰度级可由式(6)计算。

式中，N为地形纹理的总的区域数量。假设地形纹理由4 个聚类中心组成，则产生的灰度图像中各区域的灰度级分别为0、85、170、255。

2.5 区域内子区域的形成

经过上述的分割过程，地形纹理彩色图像转换为具有指定灰度级的地形纹理灰度图像，即形成了以灰度级为基础的各区域块，完成了地形纹理的初步分割，但为了后期区域修改与合并的需要，应对各区域内的子区域进行进一步分解，包括子区域的数量和各子区域边界。实现过程如下：

1)依据各区域灰度级上的区别，将地形纹理分为多个二值图像，即每个区域对应一幅二值图像，背景为0，具有区域信息的像素为1。因此，对于具有N个区域的地形纹理而言，可以切分为N个二值图像。

2)对每个二值图像，构造一个8 连通的模板，定义为与中心像素相连接的8 个连接点均可成为连接像素，如图3 所示。

图3 8-连通模板

3)依据8 连通模板对区域像素的连通性进行判断，并分别对不同的子区域进行标记。

4)依据标记的结果，计算子区域的数量和子区域的边界。

3 仿真实验

根据本文采用的地形纹理分割算法，对2 块地形纹理图像进行图像分割实验，实验环境如表1 所示。同时，在对地形纹理进行区域分割的基础上，基于8-连通模板检测子区域数目和区域边界。

表1 地形纹理分割实验环境

在对地形纹理进行区域分割的基础上，生成各区域二值图像，并基于8-连通模板检测子区域数目和区域边界，表2 描述了2 种地形纹理各区域的子区域组成情况。

表2 地形纹理区域组成

由图4、5 和表2 可以看出，基于该方法较好地将地形纹理区域分割为互不连通的区域。利用自动条件下的区域分割的结果，借助于人工的方式可对局部区域进行调整，如对图中的小碎片纹理，进而完成对地形材质的指定。

图4 地形1 纹理子区域分割结果

图5 地形2 纹理子区域分割结果

4 结束语

地形纹理分割和材质的指定是进行基于数字地形雷达图像仿真的基础和关键，传统的方法对于海量地形纹理数据的处理将耗费大量的时间和精力，同时准确性相对较低。本文在利用图像处理领域的已有研究成果的基础上，通过综合运用颜色聚类和数学形态学的方法自动完成地形纹理区域的划分。该思路大大简化了地形纹理向材质的转换工作，提高了分割的准确性。

[1] 吴义兵, 宋建社, 王瑞花. 基于分形维数的SAR 图像纹理特性的提取[J]. 四川兵工学报, 2011,32(7):74-77.

[2] 林开颜, 吴军辉, 徐立鸿. 彩色图像分割方法综述[J]. 中国图像图形学报, 2005,10(1):1-10.

[3] 郝海涛, 田玉敏. 彩色图像分割方法及进展[J]. 山西师范大学学报:自然科学版, 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] 林开颜, 徐立鸿, 吴军辉. 快速模糊C 均值聚类彩色图像分割方法[J]. 中国图像图形学报, 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.