[发明专利]基于高阶多尺度CRF无监督的SAR图像分割方法

说明书

本发明公开一种高阶多尺度条件随机场CRF无监督的合成孔径雷达SAR图像分割方法。其实现步骤为：对输入的合成孔径雷达SAR图像进行小波变换；计算直方图特征；计算半方差特征；组成特征向量；计算局部类条件概率；初始分割合成孔径雷达SAR图像；计算每个像素点的边缘概率；计算每个像素点的联合后验边缘概率；计算每个像素点的后验边缘概率；估计参数；分割合成孔径雷达SAR图像。本发明通过相关参数迭代和特征参数迭代求解模型参数，充分利用了图像自身的特性，大大减小了对训练数据数量的需求。

技术领域

本发明属于图像处理技术领域，更进一步涉及雷达图像处理技术领域中的一种基于高阶多尺度条件随机场CRF(Conditional Random Fields)无监督的合成孔径雷达SAR(Synthetic Aperture Radar)图像分割方法。本发明可用于对合成孔径雷达SAR图像进行分割处理。

背景技术

合成孔径雷达SAR是一种高分辨率成像雷达。其在民用和军用中的使用需要合成孔径雷达SAR图像解译技术作为支撑，合成孔径雷达SAR图像分割是合成孔径雷达SAR图像解译技术的重要环节，它可以提供合成孔径雷达SAR图像的整体结构信息，所以促进了合成孔径雷达SAR系统在很多领域的应用，比如地质学探究和环境监控等。随机场模型被认为是处理合成孔径雷达SAR图像分割问题的重要手段，其优势为能够在图像分类过程中考虑到各像素间的空域相关性。

西安电子科技大学在其拥有的专利技术“基于小波池化卷积神经网络的SAR图像分割方法”(申请号：201510512535.1，授权公告号：CN105139395B)中公开了一种利用小波池化卷积神经网络进行图像分割的方法。该专利技术构建小波池化层并形成小波池化的卷积神经网络，然后选取图像块输入到小波池化的卷积神经网络中进行训练。将所有图像块输入到训练好的网络中进行测试，得到SAR图像第一类标。接着对SAR图像作超像素分割，将其结果与SAR图像第一类标融合，得到SAR图像第二类标。根据Markov随机场模型得到SAR图像第三类标，并将其与超像素分割结果融合，得到SAR图像第四类标。根据SAR图像梯度图，将SAR图像的第二类标和第四类标进行融合，得到最终的分割结果。该方法存在的不足之处是，卷积神经网络需要足够多的训练数据来学习网络参数，不适用于只有一幅合成孔径雷达SAR图像的情况。

西安电子科技大学在其申请的专利文献“基于K-S距离合并代价的SAR图像分割方法”(申请号：201710242604.0，申请公布号：CN107146230A)中提出一种利用K-S距离合并代价方法进行图像分割。该方法根据原始SAR图像的像素值，计算比例边缘强度映射，并对其进行分水岭变换，得到初始分割结果。计算初始分割结果中每个区域像素值的经验分布函数。然后计算初始分割结果中任意相邻两区域和的K-S距离。再计算合并代价函数的值。最后根据合并代价函数的值确定最终的图像分割结果。该方法存在的不足之处是，该方法忽略了合成孔径雷达SAR图像的散射统计特征，使得分割的结果精确度不高。

发明内容

本发明的目的在于针对现有技术的不足，提出了一种基于高阶多尺度条件随机场无监督的SAR图像分割方法。

实现本发明目的的具体思路是：首先将待分割的合成孔径雷达SAR图像进行特征提取，然后利用归一化逻辑模型NLRM初步分割的合成孔径雷达SAR图像。接着一步步推算出初步分割的合成孔径雷达SAR图像后验边缘概率。再利用对数累积量MoLC法，相关参数迭代法和特征参数迭代法来估计合成孔径雷达SAR图像的模型参数。最大化后验边缘概率后得到该图像的分割结果，然后进行多次迭代。每次迭代时都利用当前的分割结果作为下一次迭代分割的基础，使得多次迭代后的分割结果逼近合成孔径雷达图像SAR的最佳分割。

本发明的步骤包括如下：

(1)输入合成孔径雷达SAR图像；

(2)将输入的合成孔径雷达SAR图像进行小波变换，得到多尺度合成孔径雷达SAR图像；