[发明专利]基于特征提取与聚类集成的SAR图像分割方法

说明书

技术领域

本发明属于图像分割技术领域，涉及对SAR图像的分割，可用于SAR图像的目标检测和识别。

背景技术

合成孔径雷达SAR技术在国民经济，地质勘探以及军事中起着至关重要的作用，SAR图像处理是合成孔径雷达技术的重要组成部分。由于SAR图像场景复杂且数据量庞大，给SAR图像的目标检测和分类造成了很大的压力，因此对SAR图像进行有效的分割是SAR图像应用中一个迫切的需求。SAR利用地物表面对电磁波的后向散射进行成像，由于这个成像机理，图像会受到相干斑噪声的影响，图像中目标区域和背景区域灰度区分不大，图像边缘不连续，这是影响SAR图像分割的重要因素。

根据SAR图像分割使用先验知识的特点，现有的SAR图像分割处理技术可分为基于数据驱动和基于模型驱动两大类。其中：

基于数据驱动的SAR图像分割，直接利用SAR图像数据中的灰度、边缘和区域等信息进行分割处理，主要包括基于阈值的分割算法、基于边缘检测的分割算法和基于区域分块合并的分割算法。由于SAR图像存在严重的相干斑噪声污染，目标区域和背景区域灰度区分不明显，边缘不连续，导致阈值分割方法无法有效区分目标区域和背景区域，边缘检测方法造成分割区域统计分离性不好且容易造成过分割，区域合并方法需要确定分块合并的初始结果，该初始分割将很大程度上影响分割过程收敛的速度和分割最终结果，将存在分割不彻底的问题，因此基于数据驱动的方法对SAR图像的分割效果不理想。

基于模型驱动的SAR图像分割，是建立在先验知识的基础上，需要对SAR图像分割问题构建数学模型，主要包括基于组合优化模型的分割算法、基于马尔可夫随机场模型的分割算法和基于多尺度模型的SAR图像分割算法。这些算法需要的先验知识在实际SAR图像处理中很难得到，而且这些算法往往由于需要训练模型使得计算过于复杂，从而使得算法执行效率较低，因此也不适合SAR图像的处理。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于特征提取与聚类集成的SAR图像分割方法，以降低图像分割的计算复杂度，提高SAR图像的分割准确率。

实现本发明目的的技术思路是，通过提取SAR图像的灰度信息和纹理信息构造SAR图像的多维特征集，利用主成分分析算法对多维特征集降维，以减少数据计算量，利用文献“Center matching scheme for K-means cluster ensembles”中提出的基于中心配准的Kmeans聚类集成算法，对降维后的特征集进行划分，从而实现SAR图像的高质量分割。其实现步骤包括如下：

(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，并将每个像素提取出的灰度信息和纹理信息均用一个10维的表示向量表示，从而构造出行数大小为X×Y、列数大小为20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。

本发明方法与现有的技术相比具有以下优点：

1、本发明方法采用了中值滤波、灰度共生矩阵及高斯差分滤波相结合的方法对SAR图像进行特征提取，相比于现有的分水岭分割方法，本发明方法能够更好地抑制相干斑噪声和准确提取纹理信息；

2、本发明方法采用主成分分析算法对特征集进行降维，相比于现有的分水岭分割方法和基于模糊C均值的分割方法可以很大程度上减少计算的数据量，从而能够很快的实现SAR图像的分割；

3、本发明方法采用中心配准机制对特征集进行聚类集成，相对于采用标签配准机制的聚类集成而言，特征集的划分结果不容易陷入局部极值点，提高了SAR图像的分割精度。

仿真结果表明，本发明方法优于现有的基于分水岭的分割方法和基于模糊C均值聚类的SAR图像分割方法。

附图说明

图1是本发明的实现流程图；

图2是某机场SAR图像；