[发明专利]一种基于分水岭算法和字典学习的SAR图像分割方法

权利要求书

1.一种分水岭算法和字典学习的SAR图像分割方法，其特征在于，包括：

步骤(1)SAR图像预处理：由于SAR图像本身存在大量的斑点噪声，故先利用去噪算法对原图像进行预处理，使图像变的更加平滑，同时提取三层小波特征；

步骤(2)利用K-means算法对原图像进行初次分割：从每一类的分割结果中挑选一些靠近该类聚类中心的数据；每一类数据使用K-means算法来获得一个该类的字典，每一类的训练数据计算与该类字典原子的最近邻，得到一个统计直方图，每一类数据都得到一个直方图；

步骤(3)使用分水岭算法进行初次分割：对(2)中处理后的训练图像，求出其形态梯度图像，算出浮点活动图像，再用分水岭算法进行分割；

步骤(4)区域划分：对(3)中分割后的图像，每一个小块区域内的数据看作一类数据的数据集合，将该集合中的所有数据分别和每一类字典中的原子计算最近邻，对应每一类字典我们都可以得到一个统计直方图，计算对应于每一类的直方图和原始训练数据得到的该类的直方图之间的误差；判断在哪一类上的误差最小，就将集合内的数据划分为哪一类，依次将所有的小块区域进行划分，得到最终的分割结果。

2.如权利要求1中利用开形态重建滤波器去掉图像中一些无关紧要的细节和微小的噪声，在计算小波特征时，对原图进行三层平稳小波变换，得到系数矩阵coef_m1(i₁,j₁),m1＝1,,10，当m1＝1时，coef_m1(i₁,j₁)代表低频系数；当m1＞1时，coef_m1(i₁,j₁)代表高频系数，对每个像素点提取10维子带能量特征e(i,j)＝[e₁(i,j),...,e₁₀(i,j)]^T，作为该像素点的小波特征：

其中，w×w为滑动窗口的大小，coef_m1(i₁,j₁)为平稳小波子带中第i₁行第j₁列对应的系数值。

3.如权利要求1中需要聚类的类别数为K，每一类的分割结果中挑选一些靠近该类聚类中心的数据；每一类数据使用K-means算法来获得一个该类的字典，每一类的训练数据计算与该类字典原子的最近邻，得到一个统计直方图，每一类数据都得到一个直方图；

其所述步骤(3)中形态梯度图像通过膨胀变换减去腐蚀变换得到：

其中，b为结构元素，Θ表示腐蚀运算，表示膨胀运算，如果图像中有灰度变化很大的小块区域，则结构元素的值要适当减小，否则可能被滤掉，浮点活动图像定义为：

fimg(f)＝grad(f)*grad(f)/255.0

4.如权利要求1中将分水岭算法过分割产生的小块区域，与带标签的训练样本求得统计直方图，通过当作字典的统计直方图求取残差，来确定该区域属于哪一类。