[发明专利]基于剪切波隐马尔可夫模型的合成孔径雷达图像分割方法

权利要求书

1.一种基于Shearlet域HMT模型的SAR图像分割方法，包括如下步骤：

1)对待分割SAR图像进行地物特征区域提取{I₀，I₁，...，I_C}，C表示图像中地物类别数；

2)对特征区域进行Shearlet变换，得到特征系数{S₀，S₁，...，S_C}，该Shearlet变换采用 “9/7”塔变换和窗函数二维滤波器方式，变换四层，并通过调节基函数中方向滤波器窗 函数的尺寸参数，选取任意2次幂的子带个数；

3)利用EM方法求出各类特征区域的Shearlet域HMT模型参数集{Θ₁，Θ₂，...，Θ_C}：

首先，利用EM方法的E步计算条件概率函数p(S|w，Θ^l)，l＝1，2，...，J；

其次，利用EM方法的M步更新模型参数Θ的参量；

最后，迭代E步和M步直到得到最大化似然函数，此时的模型参数Θ即为所求的 Shearlet域HMT模型参数{Θ₁，Θ₂，...，Θ_C}，其中Θ_c＝{μ，σ，p_S，ε}，c∈C，μ表示高斯混合 模型的均值，σ表示高斯混合模型的方差，p_S表示初始状态概率矩阵，ε表示状态转移概 率矩阵；

4)将待分割SAR图像进行Shearlet变换，得到SAR图像系数S，这里采用四层Shearlet 变换；

5)根据步骤3得到的各类别参数模型{Θ₁，Θ₂，...，Θ_C}和步骤4的SAR图像系数S，计算 多尺度似然值{Lhood¹，Lhood²，...，Lhood^J}：

(5a)顺序提取图像系数S的每个四层树形子带系数，记为，其中尺度参数 j＝1，2，...，J，子带参数k＝1，2，3，4；

(5b)顺序提取各类别参数模型{Θ₁，Θ₂，...，Θ_C}的每个四层树形子带参量集，记为 {Θ1j,k,Θ2j,k,...,ΘCj,k};]]>

(5c)计算对应于每种类别参数的似然值

(5d)重复步骤(5a)～步骤(5c)，完成每个子带上的似然值计算；

(5e)计算每个尺度上的似然值{Lhood¹，Lhood²，...，Lhood^J}，其中 Lhoodj=Πk=1,2,3,4f(Sjk|Θcj,k);]]>

6)由步骤(5)中的似然值，根据最大后验准则，计算尺度j上每个系数的类别标记 尺度j上的初始分割结果即为将所有 尺度上的初始分解结果写成一个参数集合形式为{MLseg¹，MLseg²，...，MLseg^J}，其中 表示尺度j上系数位置为l处的似然值；

7)采用最大化后验概率准则，将步骤(6)得到的初始分割结果从尺度J到1开始融合， 并将尺度1上的融合图像作为最终的分割结果。

2.根据权利要求1所述的图像分割方法，其中步骤7)按如下过程进行：

7a)确定背景向量V的组成部分：取j-1尺度上某一节点对应于j尺度上父节点的类 标值，赋给V向量的V1分量；取该父节点的八领域中类别最多的类标值赋给V向量的 V2分量；

7b)由步骤五得到的多尺度似然值{Lhood¹，Lhood²，...，Lhood^J}和步骤7a得到的背景 向量V，得到尺度j上的条件后验概率：

p=(ci|dij,vij)=ej,c·αj,vi,c·LhoodjΣc=1Ncej,c·αj,vi,c·Lhoodj---(1)]]>

c_i为像素点i的类标，为尺度j上像素点i处的系数，为尺度j上像素点i处的背 景向量V，e_j，c表示尺度j上类标取为c的概率，表示尺度j上背景向量为v_i下类标取 为c的概率；

7c)对公式(1)中的参数e_j，c和进行更新，即

ej,c=122jΣip(ci|dij,vij)---(2)]]>

αj,vi,c=122j·ej,cΣi withvij=vip(ci|dij,vij)---(3)]]>

7d)重复步骤7b)～步骤7c)直到达到条件后验概率的迭代停止条件，即达到允许误差 为止；

7e)重复步骤7a)～步骤7d)直到尺度j＝0，得到分割结果。