[发明专利]一种基于SVM分类器的SAS图像分割方法及系统

说明书

技术领域

本发明涉及一种基于合成孔径声纳图像的图像分割方法，具体提出了一种基于SVM分类器的SAS图像分割方法及系统。

背景技术

合成孔径声纳（SAS,Synthetic Aperture Sonar）是一种高分辨水下成像声纳，可以获得高质量的水下图像数据。合成孔径是一种不需要长接收阵就可以显著提高方位分辨率的技术，合成孔径声纳即通过该技术和复杂的成像算法得到方位向分辨率和距离向分辨率都很高的图像，因而在水下研究领域具有很高的价值。与普通声纳相比，合成孔径声纳通过基阵的线性运动来提高阵列孔径，从原理上来说，合成孔径声纳图像的分辨率与工作频率和作用距离均无关，因此可以用较小的声纳基阵和较低的工作频率同时满足近距离和远距离的探测需要。

图像分割是将图像分成为物理上有意义的各具特性的区域，即同一区域内部具有相同或者相似的属性，而不同区域则具有不同或者相异的属性。图像分割是图像处理和计算机视觉的重要研究课题，是图像分析、理解和目标识别等的关键技术，具有重要的研究意义和应用价值。在研究图像分割算法的过程中，必须结合所处理图像的特点及图像处理的目标。SAS图像分割的目的是分离出感兴趣的区域或者目标，通常是SAS图像目标检测和识别等后续应用的重要基础。但由于受到相干斑噪声（Speckle）的影响，图像分割一直是SAS图像处理与分析中的难点问题。

建立SAS图像统计模型有利于对相干斑噪声、不同类型的海底底质特征、不同的纹理特征等图像信息进行有效描述，从而有利于进行SAS图像的处理、分析和理解。基于统计模型的SAS图像处理的关键就是统计模型的建立，其在判定处理方法的最终性能时起决定性作用。由于SAS图像本身成像机理复杂，因此准确地建模SAS图像是一项极富挑战性的任务，同时是一项具有实际意义的研究工作。

纹理是所有物体表面所具有的内在特征，目前还没有适当的模型可以对其进行完整描述，但是作为人类视觉的一种重要组成部分，图像纹理特征受到广泛的关注和研究。一般认为纹理就是纹理元素有规律的排列组合，而把图像中具有重复性、形状简单、强度一直的区域看做纹理元素，通过对这些局部模式以及它们之间排列规则的描述来进行纹理分析。研究发现，不同的底质呈现在声纳图像中的纹理图像各不相同，而纹理是海底表面结构粗糙程度的直接反应，故可以利用其进行图像分割和目标检测、识别。对于岩石、沙和泥等纹理差别比较明显的声纳图像，用肉眼就可以明显地分辨出来；对于淤泥和粘土等纹理差别较小的声纳图像则无法通过肉眼直接分辨，因此本发明针对淤泥和粘土组成的泥底质和沙底质的SAS图形进行基于它们不同的纹理特征信息进行图像分割。

支持向量机（SVM,Support Vector Machine）是新发展起来的一种新的模式识别技术，其建立在统计学习的VC维理论和结构风险最小原理基础上，适用于训练样本较少情况下的分类问题，具有结构简单、全局最优、泛化能力好、计算复杂度低等特点，而且具有较强的高维样本处理能力。由于SVM出色的学习性能，该技术已经成为机器学习界的研究热点，将其与SAS图形处理方面的研究相结合，具有良好的研究和应用前景。

发明内容

本发明的目的在于，为克服上述技术方案在进行SAS图像分割时存在的诸多缺陷，从而提供一种基于SVM分类器的SAS图像分割方法及系统。

为实现上述目的，本发明提供了一种基于SVM分类器的SAS图像分割方法，所述方法包含：

步骤101）将待分割的SAS图像进行预处理，获取该SAS图像的不同区域的灰度直方图和灰度共生矩阵；

步骤102）从所述灰度直方图提取若干统计特性参量并从所述灰度共生矩阵提取若干纹理特征参量；

步骤103）将上步骤所述的特征参量输入SVM分类器，进行待分割SAS图像的分割处理，将SAS图像包含的泥底质区域和沙底质区域进行分割；

其中，所述SVM分类器通过将从训练图像的某一区域的灰度直方图提取的若干统计特性参量和灰度共生矩阵提取若干纹理特征参量作为训练特征训练得到。

可选的，所述步骤103）之后还包含：

步骤104）对步骤103）输出的分割图像采用数学形态学算子进行优化，进而去除分割图像中的空洞和孤立点。

上述技术方案中，所述统计特性参量具体包含：灰度直方图的均值、标准差和峰度。

所述纹理特征参量具体包含：灰度共生矩阵的能量、相关性、对比度和熵值。

所述纹理特征参量也能够从灰度共生矩阵的二次统计量中获取。