[发明专利]基于多特征联合稀疏图的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，特别涉及一种SAR图像的分割，用于SAR图像目标识别。

背景技术

合成孔径雷达SAR是一种高分辨成像雷达，能穿透云层和植被，几乎不受气候条件影响，可以全天时、全天候进行工作，因此在地面监测和识别中得到广泛应用。SAR系统的自身特点导致SAR图像不像光学遥感图像直观，所以SAR图像的后期理解和解译也极为关键。SAR图像分割作为SAR图像解译的关键环节之一，近些年来已经引起了广泛关注。已有很多方法被用于SAR图像分割，如：阈值、聚类、支撑矢量积、马尔科夫随机场等。

基于支撑矢量积和马尔科夫随机场的分割方法需要少量的样本，这对于SAR图像是很难准确获取的。而对于阈值分割方法，通常很难选取一个合适的阈值。目前已有很多成熟的聚类算法被用于SAR图像分割，但大部分聚类方法都是基于像素的；这类方法的复杂度会随着图像规模的增加而急剧增大，从而影响聚类方法的推广与应用。

另外，由于SAR图像是通过雷达回波的干涉作用而获得的，所以SAR图像本身不可避免的含有相干斑噪声。众所周知，在SAR图像解译中，对SAR图像相干斑噪声的抑制是极为关键的。已有的SAR图像分割算法为了避免噪声对分割结果的影响，大部分方法都先使用滤波算法对SAR图像进行预处理，再应用其它技术对其进行分割。然而，滤波算法在降低噪声的同时，图像中的边缘和纹理会变模糊，这就造成了图像中部分细节不可逆转的丢失，进而可能导致最终分割结果不精确。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于联合稀疏图的SAR图像分割方法，以避免相干斑噪声和参数选择的影响，获得较好的SAR图像分割结果。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)输入待分割SAR图像，确定需要将图像划分的类数k≥2；

(2)使用区域生长算法对输入的待分割SAR图像进行过分割，生成多个表示同质区域的超像素集Y；

(3)对超像素集Y中的每个超像素提取其灰度直方图特征、局部二值模式直方图特征、Gabor滤波器组特征、灰度共生矩阵统计特征，构成灰度直方图特征集X₁、局部二值模式直方图特征集X₂、Gabor滤波器组特征集X₃、灰度共生矩阵概率统计特征集X₄；

(4)对所有超像素的上述四个特征集X₁,X₂,X₃,X₄进行联合稀疏表示，分别得到四个特征集合的稀疏表示系数Z₁,Z₂,Z₃,Z₄，每个稀疏表示系数的大小为n×n，n为超像素个数；

(5)在四个n×n大小的稀疏表示系数Z₁,Z₂,Z₃,Z₄中依次分别取任意相同位置的元素[Z1]_ij,[Z2]_ij,[Z3]_ij,[Z4]_ij，其中，1≤i≤n，1≤j≤n，将这四个元素融合，得到全局稀疏表示系数中相同位置的元素对四个稀疏表示系数中的每个元素都按照上式进行融合，得到全局稀疏表示系数

(6)根据超像素的相邻关系构造出超像素的局部空间邻域相关性C，该局部空间邻域相关性C是一个以超像素个数为行数和列数的方阵，对于任意两个超像素Y_i与Y_j，当Y_i与Y_j相邻时，C中第i行的第j个元素C_ij的值为1，否则C_ij的值为0；

(7)将全局稀疏表示系数S与局部空间邻域相关性C相结合，生成联合稀疏图的邻接矩阵G＝(1/2)(P+P^T)，其中P＝S·exp(C/2σ²)，T表示转置，σ是一个正则参数，取值为1.4；

(8)使用谱聚类中规范切Ncuts算法将联合稀疏图的顶点划分为k类，得到最终分割结果。

本发明与现有技术相比具有如下优点：

1)本发明中不需要分别使用两种方法去降低噪声和挖掘图像的全局结构，而仅使用一个基于超像素多种特征的联合稀疏图就可以达到相同的目的，所以在不影响计算复杂度的前提下，不仅增大了图像规模，而且避免了滤波算法对分割结果的影响。