基于超像素的sar圖像分割方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，特別是涉及圖像分割方法，可以用于機場跑道，農(nóng) 田分布和地質勘探的圖像處理。
【背景技術】
[0002] 合成孔徑雷達SAR是一種工作在微波波段的相干成像雷達。它以其高分辨率和全 天候、全天時、大面積的數(shù)據(jù)獲取能力而成為當前遙感觀測的重要手段，在資源、環(huán)境、考古 以及軍事等方面得到廣泛的應用。SAR圖像包含豐富的目標類別，但在圖像理解時只可能對 其中的部分區(qū)域感興趣。感興趣區(qū)域隨著應用目的的不同而不同。例如，在檢測洪澇災害 時，感興趣的區(qū)域是水域，而在軍事活動中，軍事基地附近的橋梁、道路都可能成為感興趣 的目標，因此分割出這些目標所在區(qū)域，不僅能夠有效地減少計算機的計算量，提高算法的 實時性，而且對于正確識別目標具有重要意義。SAR圖像分割一直是SAR圖像理解與解譯的 核心問題和難點所在。
[0003]SAR圖像源于電磁波的后向散射，因此SAR圖像上存在大量的相干斑噪聲，這使得 每個像素與其真實值往往相差甚遠，因此常規(guī)的分割算法應用到SAR圖像時，一般效果不 是很理想?？梢哉f，相干斑噪聲是影響SAR圖像分割質量的一個重要因素。目前，主要存在 三種方法來減少相干斑噪聲對圖像分割的影響：1、建立相干斑噪聲的統(tǒng)計模型；2、進行多 尺度的SAR圖像分割方法；3、對SAR圖像進行降噪的預處理。
[0004] 在對自然圖像進行分割時，往往采用加性的高斯模型作為圖像的概率模型，而對 于SAR圖像而言，由于成像機理的不同以及相干斑噪聲的存在，不能使用自然圖像中的加 性高斯模型來表示SAR圖像的統(tǒng)計分布特性。因此，廣泛應用于自然圖像分割的一些統(tǒng)計 概率模型，如馬爾科夫隨機場模型，貝葉斯模型，在對SAR圖像進行分割時，假設概率分布 符合Rayleigh分布，Ga_a分布，K分布等，參見宋建設，鄭永安，和袁禮海，《合成孔徑 雷達圖像理解與應用》，北京：科學出版社，2008。這些算法均取得了比較好的分割效果， 但該類方法由于其只對單個像素進行操作，所以計算復雜度往往較大，仍然不能很好的解 決相干斑噪聲對分割結果的影響。
[0005] 第二種方法的代表作為多尺度分析模型的SAR圖像分割算法，該類算法的核心 思想是將SAR圖像看作不同尺度的紋理，根據(jù)不同類別的目標呈現(xiàn)不同紋理這一性質， 將對SAR圖像的分割，轉化為對SAR圖像中不同紋理的識別。應用這一方法的算法數(shù)量 很多，如U.Kandaswamy等使用共生矩陣來對SAR圖像進行分割，參見U.Kandaswamy,D. A.Adjeroh,andM.C.Lee,《EfficienttextureanalysisofSARimagery》，IEEE TransactionsonGeoscienceandRemoteSensing,vol. 43,no. 9,pp. 2075-2083,2005. X.Zhang使用共生矩陣以及小波分解的能量特征來對SAR圖像進行分割，參見X.Zhang，L Jiao,F.Liuetal.,《SpectralclusteringensembleappliedtoSARimage segmentation〉〉，IEEETransactionsonGeoscienceandRemoteSensing,vol. 46,no. 7 ，pp. 2126-2136, 2008.侯彪等使用第二代Bandelet域隱馬爾可夫樹模型來對SAR圖像進 行分割，參見侯彪，徐婧，劉鳳等，《基于第二代Bandelet域隱馬爾可夫樹模型的圖像分 割》，自動化學報，vol. 35,no. 5, 2009。但是到目前為止，仍然沒有一種方法能夠對全部紋 理進行有效的建模，而且該類算法仍然是針對單個像素來處理的，對于含有大量像素的SAR 圖像來說，這類算法的計算效率比較低，計算速度比較慢。
[0006] 第三種方法是比較直接的，即在對SAR圖像進行分割前，首先對其進行降噪的預 處理，以減少相干斑噪聲對分割算法的影響。該類中最簡單的方法是將多個像素點進行平 均，這是個非常有效的預處理方法，但它的缺點是在降噪的同時不能很好的保持圖像的邊 緣信息。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服上述已有技術的不足，提出一種基于超像素的SAR圖像分 割方法，以有效的降低計算復雜度，縮短分割的時間，在降噪的同時很好的保持圖像的邊緣 信息，提高分割準確度。
[0008] 為實現(xiàn)上述目的，本發(fā)明提供基于超像素的SAR圖像分割方法，包括如下步驟：
[0009] 1. 一種基于超像素的SAR圖像分割方法，包括如下步驟：
[0010] ⑴對輸入的SAR圖像I，提取其長度L、寬度W和分辨率R1，并根據(jù)SAR圖像庫中 所有的圖像估計出最小目標的分辨率區(qū)間Rs;
[0011] (2)根據(jù)圖像參數(shù)估計超像素數(shù)目Ns，生成待分割SAR圖像的超像素集合S= {sj，其中Si為第i個超像素i= 1，2,…，Ns;
[0012] (3)計算超像素集合S的紋理特征Fg⑴和空間特征Fn(i，j)，其中i，j= 1，2,…，凡且i乒j;
[0013] (4)根據(jù)SAR圖像分割數(shù)目K，使用K-means算法對超像素集合S的紋理特征Fg⑴ 進行聚類；
[0014] (5)根據(jù)超像素集合S的紋理特征Fg⑴的聚類結果，對超像素集合S中任意兩個 超像素sJP 使用最近鄰準則，判斷超像素是否對應同一聚類，如果&和\對應同一聚 類，并且它們的空間特征Fn(i，j) = 1，則將其合并，并對超像素集合S的紋理特征Fg(i)和 空間特EFn(i，j)進行更新；反之，不進行合并；
[0015](6)統(tǒng)計更新后的超像素集合S的超像素數(shù)目Ns (t)，并將該超像素數(shù)目Ns⑴與 上一次統(tǒng)計結果凡(卜1)進行比較：如果凡(〇 ==Ns(t-1)，則滿足停止條件，輸出SAR圖 像分割結果；如果Ns (t) <Ns (t-1)，則不滿足停止條件，返回步驟（4)。
[0016] 本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點：
[0017] 1.本發(fā)明充分考慮SAR圖像含有大量的相干斑噪聲，將比單個像素更大的尺度的 超像素作為圖像分割的基本單元，有效的降低了SAR圖像相干斑噪聲對分割結果的影響；
[0018] 2.本發(fā)明充分考慮到SAR圖像尺寸巨大，含有大量像素，使分割工作面臨大量計 算的問題，將超像素作為分割的基本單元，并且提取的紋理特征和空間特征具有操作簡單， 運算量小的優(yōu)點，有效的降低了分割算法的計算復雜度，縮短了圖像分割的處理時間；
[0019] 3.本發(fā)明使用自適應的超像素合并方法，在降噪