[发明专利]基于特征提取与聚类集成的SAR图像分割方法

权利要求书

1.一种基于特征提取与聚类集成的SAR图像分割方法，包括如下步骤：

(1)输入一幅行数大小为X、列数大小为Y的SAR图像，其中X与Y均为正整数；

(2)对SAR图像进行特征提取，得到图像所有像素的灰度信息和纹理信息，从而构造出行数大小为X×Y、列数大小为10的所有像素特征集β矩阵；

(3)用主成分分析算法对特征集β矩阵进行降维，得到新特征集γ矩阵；

(4)对新特征集γ矩阵进行N次随机采样Kmeans聚类划分，得到N个聚类中心序列；

(5)对N个聚类中心序列进行中心配准，并利用配准后的N个聚类中心序列分别对新特征集γ矩阵进行划分，得到N个标记向量；

(6)利用选择性加权投票方式对N个标记向量集成，得到一个集成后的标记向量；

(7)将集成后的标记向量中每一个类标签作为其对应像素的像素值，得到SAR图像的最终分割结果图；

步骤(2)中对SAR图像进行特征提取，得到图像所有像素的灰度信息和纹理信息，按如下步骤进行：

(2a)分别以SAR图像中每一个像素为中心，进行窗口的行数与列数均为5的中值滤波，并将每一个像素中值滤波后的像素值作为该像素的10维表示向量的第一维特征值；

(2b)分别以SAR图像中每一个像素为中心，提取行数与列数大小为5×5的邻域，分别计算该邻域在0°、45°、90°、135°四个方向上距离为1的灰度共生矩阵，然后分别计算每一个方向上灰度共生矩阵的熵，并将这四个熵值的平均值作为该像素的10维表示向量的第二维特征值；

(2c)构造两个高斯差分滤波器和六个高斯偏移差分滤波器，用于分别对SAR图像进行滤波，将每一个像素滤波后的八个值作为该像素的表示向量的其余八维特征值，该两个高斯差分滤波器分别为点状目标滤波器和环状目标滤波器；该六个高斯偏移差分滤波器分别为沿0°、30°、60°、90°、120°、150°方向的条状目标滤波器。

2.根据权利要求1所述的基于特征提取与聚类集成的SAR图像分割方法，其中步骤(3)所述的用主成分分析算法对特征集β矩阵进行降维，按如下步骤进行：

(3a)对特征集β矩阵进行协方差矩阵求解，得到一个行数与列数均为10的协方差矩阵，并求出该协方差矩阵的10个特征值和对应的10个特征向量；

(3b)假设10个特征值中最大特征值的大小为C，从10个特征值中筛选出大于C值5％的特征值，假设有n个，将这n个特征值对应的n个特征向量组成一个行数为10、列数为n的特征矩阵，其中为n为整数且n∈[1,10]；

(3c)用特征集β矩阵乘以步骤(3b)中得到的行数为10、列数为n的特征矩阵，得到一个行数为值X×Y、列数为n的新特征集γ矩阵，相比于特征集β矩阵，新特征集γ矩阵的列数减少了10-n列。

3.根据权利要求1所述的基于特征提取与聚类集成的SAR图像分割方法，其中步骤(5)所述的对N个聚类中心序列进行中心配准，按如下步骤进行：

(5a)从N个聚类中心序列中随机选取一个聚类中心序列，作为参考聚类中心序列，其他聚类中心序列均作为待配准聚类中心序列，其中N≥2；

(5b)从待配准聚类中心序列中选择一个，与参考聚类中心序列进行中心配准，假设这N个聚类中心序列的分类数均为3，选出的参考聚类中心序列为C_r，待配准的聚类中心序列为C_p，其中,C_r＝{C_r1,C_r2,C_r3,}，C_r1,C_r2,C_r3为C_r中的聚类中心向量；C_p＝{C_p1,C_p2,C_p3,},C_p1,C_p2,C_p3为C_p中的聚类中心向量；

(5c)构造一个关于参考聚类中心序列为C_r和待配准的聚类中心序列为C_p的加权矩阵W，

$W=\left[\begin{array}{ccc}{W}_{11}& W_{12}& W_{13}\\ W_{21}& W_{22}& W_{23}\\ W_{31}& W_{32}& W_{33}\end{array}\right]---1)$

其中，加权矩阵W中第i行、第j列元素W_ij，表示参考聚类中心序列C_r中的聚类中心向量C_ri和待配准聚类中心序列C_p中的聚类中心向量C_pj之间的欧氏距离，i,j∈{1,2,3}；

(5d)构造一个指示变量矩阵B，用来表示参考聚类中心序列C_r中的聚类中心向量和待配准聚类中心序列C_p中的聚类中心向量之间的对应关系：

$B=\left[\begin{array}{ccc}{B}_{11}& B_{12}& B_{13}\\ B_{21}& B_{22}& B_{23}\\ B_{31}& B_{32}& B_{33}\end{array}\right]---2)$

其中，B_ij为指示变量矩阵B的第i行、第j列元素，且B_ij∈{0,1}，其中，B_ij＝1表示C_ri和C_pj拥有对应关系，B_ij＝0则表示C_ri和C_pj没有对应关系，i,j∈{1,2,3}；

(5e)利用匈牙利算法，将参考聚类中心序列C_r和待配准聚类中心序列C_p的配准问题表示成如下数学规划问题：

$\underset{\left\{B_{ij}\right\}}{min}\underset{i=1}{\overset{3}{\Σ}}\underset{j=1}{\overset{3}{\Σ}}{W}_{ij}{B}_{ij}---3)$

约束条件为：

再将步骤(5c)中得出的加权矩阵W代入公式3)，解得指示变量矩阵B；

(5f)根据参考聚类中心序列C_r和步骤(5e)求解出的指示变量矩阵B，对待配准聚类中心序列C_p进行配准：

(5f1)以参考聚类中心序列C_r中的聚类中心向量的排列顺序为基准，从待配准聚类中心序列C_p中依次找出与参考聚类中心序列C_r中聚类中心向量对应的聚类中心向量；

(5f2)将从待配准聚类中心序列C_p中找出的聚类中心向量按先后顺序重新排列，得到一个新的聚类中心序列，这一个新的聚类中心序列即为待配准聚类中心序列C_p经过中心配准后的结果；

(5g)按照步骤(5a)-(5f)将其他待配准聚类中心序列与参考聚类中心序列一一进行中心配准，最终得到N个经过中心配准的聚类中心序列。