[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

说明书

本发明公开了一种分水岭算法和字典学习的SAR图像分割方法，该方法包括：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；利用K‑means算法对原图像进行初次分割；求出训练图像的形态梯度图像，算出浮点活动图像，再用分水岭算法进行分割；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。与传统的SAR图像分割方法相比，本发明在识别过程中的有效性和准确性更高，并且算法复杂度较低。

技术领域

本发明属于合成孔径雷达(SAR)图像应用领域，涉及一种SAR图像分割方法，特别是一种基于分水岭算法和字典学习的SAR图像分割方法。

背景技术

由于SAR成像技术具有全天候，不受气候等因素影响的优势，使得它在国民生产和建设中发挥了很大的作用。而对SAR图像的处理也就成为了人们研究的热点与重点，其中SAR图像分割作为对图像处理的过程中的基础操作，也受到越来越多的人们的关注。谱聚类算法是处理图像分割问题中常用的一种算法，但由于该算法很难处理海量的数据，所以其应用受到限制。

基于数学形态学的分割方法是图像分割的领域中一直重要的方法。基于数学形态学的方法以图像形态为基础的一种数学工具，其中比较经典的算法，例如分水岭算法(watershed algorithm)。分水岭算法有很多优点，他的规模直观，分割线的宽度为单像素且闭合连续，所以被很多人所重视近年来，字典学习的方法成功的应用于很多领域，比如：分类、分割、识别、超分辨、去噪等。

在图像分割问题中，以图像中的像素点作为一个样本进行处理的方法是大家常用的方法，而传统的聚类方法有谱聚类算法等，但是该算法难以有效处理大量的数据。为了解决上述SAR图像分割的问题，本发明提出了基于分水岭算法和字典学习的SAR图像分割方法。首先对图像进行初始分割，得到一些带标签的训练样本，并且每一类带标签的数据，利用最近邻来得到在该类得到的字典下的一个统计直方图，统计字典中原子距离训练数据最近的次数。然后为了将图像划分为一些小块区域，用分水岭来做过分割，再通过对内部以像素点为单位进行处理，通过使用统计直方图的方法，来将其归类，得到最终的分割结果。

发明内容

鉴于上述现有技术的不足，本发明所要解决的技术问题是如何针对高分辨率SAR图像，利用分水岭算法和字典学习的原理来进行高效准确的分割识别。

为实现上述目的，本发明提供了一种分水岭算法和字典学习的SAR图像分割方法。其特征包括：

(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；

(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；

(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；

(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。