[发明专利]基于超像素和优化策略的SAR图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及SAR图像分割方法，可应用于图像处理和识别的预处理。

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值、基于区域和基于边缘的分割方法以及基于特定理论的分割方法等。现在，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法，将各种优化算法和智能算法加入到了图像分割中来，提高分割的质量。目前已经有很多聚类算法用到图像分割中，k-means聚类算法是最简单、使用最普遍的方法之一，它利用迭代优化寻找最优解，在紧凑的超球形分布的数据集合上表现出很好的性能，然而当数据结构彼此交叠严重时，算法不能保证收敛到全局最优解，分割效果杂乱；模糊C均值FCM聚类算法的最大缺点是没有考虑图像的空间信息，仅仅将所有样本作为分散的样本点进行聚类，导致最后的分割结果在区域一致性上很差，区域内部存在杂点，同时FCM算法对初始值和噪声比较敏感，容易陷入局部最优，导致分割效果较差。

超像素一种不同于以往的像素概念，它是比像素略大的像素块，并且这些块的边界与图像中的纹理信息是一致的，可以看作是一种图像的过分割。超像素作为图像块有非常好的优势。首先，它能更加准确的描述块中包含的像素的一个整体特征，有很强的抗噪声性，并能很好的保证图像中区域的一致性；其次，以超像素替代像素来表示图像的特征，使计算速率得到大幅度提高。将超像素用到图像分割中，能充分的利用这两大优势，是分割效果和速率有大幅度提高。

这几年对超像素的研究已经是一个热点问题，也有一些文章将超像素用到图像分割中，对图像分割的效果很大的改善，如Ming-Yu Liu,Tuzel,O.,Ramalingam,S.,Chellappa,R.,Entropy Rate Superpixel Segmentation,CVPR,2097–2104(2011).和Yuhang Zhang,Richard Hartley,John Mashford and Stewart Burn,Superpixels via Pseudo-Boolean Optimization,ICCV,1387-1394(2011).。

2011年，A clustering algorithm with optimized multiscale spatial texture information:application to SAR image segmentation.International Journal of Remote Sensing,Vol.34,No.4,20February2013,1111-1126。这篇文章提出了一种基于多尺度空间纹理信息优化的聚类算法的SAR图像分割方法。该方法采用邻域窗像素点的位置和特征对像素点来加权，对寻找中心点起到了一定的优化作用。但采用对像素点来处理，效率低下，而且采用邻域窗像素点位置和特征对像素点加权，对空间位置和像素点之间的相似性考虑不准确，分割效果速度慢且分割区域一致性差。

发明内容

本发明的目的在于根据上述已有技术的不足，提出一种基于超像素和优化策略的SAR图像分割方法，以提高图像分割的计算速率、分割区域的一致性以及分割效果的稳定性。

为实现上述目的，本发明包括如下步骤：

（1）输入一幅SAR图像，并根据图像的内容信息设定分割的类别数l；

（2）对输入图像进行两层的非下采样小波变换，得到第k个像素点的小波特征f_k；

（3）对输入图像提取N个超像素块，并分别计算超像素块与块之间的邻接矩阵A和第j个超像素块的中心坐标位置x_j＝(x_j1,x_j2),j∈1,2...N；

（4）根据第j个超像素块包含的所有像素点的小波特征，计算第j个超像素块的小波特征f_j；

（5）根据超像素块的中心坐标位置x_j和小波特征f_j，建立超像素块之间的图矩阵G；

（6）根据超像素块的小波特征f_j、邻接矩阵A和图矩阵G，对超像素块的进行聚类：

6a）根据超像素块的个数N和设定分割的类别数l，初始化隶属度矩阵U=[u_ij]；