[发明专利]顾及多尺度马尔科夫场的合成孔径雷达图像分割方法

说明书

技术领域

本发明涉及一种合成孔径雷达图像分割方法，具体地说是一种顾及多特征多尺度马尔科夫场的SAR图像分割方法，属于遥感影像处理领域。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)的全天候、大面积、高分辨率、能穿透地表云雾的特点，使其可在短时间内获得大量的信息，这也使得SAR图像应用成为遥感领域研究的热点。随着国内外星载SAR系统的发展，获取了大量的星载SAR图像数据，与SAR数据源的快速增长趋势相比，作为SAR数据应用基础的SAR图像处理与分析相关技术的研究相对滞后。SAR图像分割是SAR图像应用中一种重要的图像技术，目的是把图像分成区域并提取出感兴趣目标，其分割精度的高低是对SAR图像中不同目标进行识别和提取的关键指标。但是SAR的后向散射机制决定了SAR图像中存在相干斑(Speckle)噪声，Speckle噪声可以认为是一种乘性噪声，且是一种非高斯分布的随机噪声，这导致了SAR图像数据模型的非线性化和图像数据分布的另类性。这些相干斑噪声降低了图像的空间分辨率，掩盖了图像的细节结构，使得SAR图像的稳定信息多存在于统计量而不是单纯的灰度值中，这也使得常规的图像分割技术难于直接应用于SAR图像中取得好结果。

目前，国内外研究较多的是含斑点噪声的SAR图像直接分割，其分割方法大致分为以下几类：基于边界提取的分割方法、基于区域的分割方法、基于特定理论工具的分割方法和混合的分割方法。基于边界提取的分割算法是人们最早研究的方法，它通过区域边缘上的像素灰度值的奇异性来解决不同区域间的分割问题。基于区域的分割方法侧重于利用区域内特征的相似性，主要包括直方图阈值化方法、MUM方法、分裂合并方法、流域分割方法和分类聚类方法等。结合特定理论工具的方法主要包括基于统计学的分割方法、基于数学形态学的分割方法、基于神经网络的分割方法、基于小波变换的分割方法、基于信息论的分割方法、基于水平集理论的分割方法和基于模糊集理论的分割方法等。以上方法各有优缺点，基于边缘检测的方法存在边界点的不连续和同质区域中的伪边界情况，后续处理难度大。基于阈值化的方法没有考虑图像的空间信息，对噪声很敏感。基于分类的方法可以较容易的同时利用多种特征，然而对空间信息利用不足，分割结果的连续性差；基于区域合并的分割方法，主要用于非纹理区域的分割。基于流域变换分割方法能否对纹理图像进行分割，决定于能否得到理想的纹理梯度图。基于MRF场的方法，对类别不多的图像分割精度高，充分利用了统计特性和纹理特性，但是MAP估计计算量大，费时。基于多尺度MRF场的方法，用一个新的多尺度随机场模型来替代MRF模型，并且用从一个新的估计标准推出连续的MAP(SMAP)估计来代替MAP估计，解决了MRF模型的计算问题，但是对斑点抑制的不够充分，且分割结果的边缘细节信息容易丢失。

发明内容

针对上述问题，本发明提出了一种顾及多特征多尺度马尔科夫场(MarkovRandom Field，MRF)的SAR图像分割方法，该方法利用灰度共生矩阵提取原始图像的纹理特征，生成纹理图像，并利用小波变换提取边缘特征，结合纹理和边缘特征对图像进行多尺度分割。该方法提高了SAR图像分割结果的精度，在保持图像大的区域性的同时，也很好的保留了图像的细节信息。

本发明的技术方案是：顾及多特征多尺度MRF场的SAR图像分割方法包括以下步骤：

(1)首先利用灰度共生矩阵对原始影像Y进行纹理分析，得到纹理特征图像Y′；

(2)利用模糊C均值方法对原始影像Y进行聚类分割，获得SAR图像的初始分割结果X(0)；

(3)结合初始分割结果X(0)，在纹理特征图像Y′上进行多尺度MRF分割，获得进一步分割结果X′(0)。

(4)利用小波变换检测原始影像Y边缘信息，得到边缘特征图像Y″。

(5)将边缘特征图像Y″与分割结果X′(0)进行融合，得到最终分割结果。

本发明的特点是：

(1)在得到的纹理特征图像上进行多尺度分割，保证了图像的整体性，使得分割结果区域性明显，受斑点噪声影响小；

(2)融合了小波提取的边缘特征，很好的保留了图像的边缘等细节信息，使得分割结果错误率小。

附图说明

图1为本发明方法的流程示意图。

图2为本发明方法中多尺度MRF模型层内与层间基团示意图，图中(a)为层内基团点s与其邻域，(b)为层内基团类型，(c)为点s的父节点及其邻域，(d)为层间基团类型。

图3为本发明方法的分割结果比较示意图。