[发明专利]基于变分水平集的SAR图像超像素分割方法

说明书

本发明公开了一种基于变分水平集的SAR图像超像素分割方法，主要解决现有技术受SAR图像相干斑噪声影响以及纹理信息缺失导致的对SAR图像超像素分割精度低，超像素块区域边界贴合度不高的问题。其实现步骤是：输入SAR图像，并将其粗略分割为K个超像素块区域；分别设计基于SAR图像相干斑噪声与图像纹理信息的能量泛函；将设计出的能量泛函分别插入到边缘演化迭代方程以得到新的迭代方程；利用新的迭代方程对各超像素块区域边界进行边缘演化；当超像素块区域边缘演化停止后完成超像素分割。本发明有效提高了对SAR图像超像素分割的精度，并解决了超像素块区域边界贴合度不高的问题，可用于机场跑道，农田分布和地质勘探的图像处理。

技术领域

本发明属于图像处理技术领域，特别涉及一种图像分割方法，可用于计算机视觉领域中的SAR图像目标分割与提取。

背景技术

变分法是研究积分型泛函数的有效方法，主要思想是求解最小泛函的解，水平集方法是解曲线演化方法的重要手段，可以在网络上对演化曲线进行数值计算，避免了直接计算不断变化的曲线法向量和曲线曲率。

合成孔径雷达SAR是一种主动式微波传感器，SAR图像分割技术是将完整SAR图像分割为特征不同的兴趣目标，从而进行SAR图像的研究和分析。

超像素是由许多像素点组成的像素集合，可有效表示图形信息，现有的主流SAR图像分割算法大多以像素为基本单位来进行图像处理，由于SAR图像常包含丰富的信息量，导致其图像尺寸巨大，从而使得计算扫描所有像素耗时高、计算效率低、图像分割精度低。

为了解决SAR图像尺寸所产生的问题，可以利用超像素分割算法进行SAR图像的分割和进一步处理，常见的超像素分割算法有Graph-based算法、基于Mean-shift算法、SLIC算法、以及Turbopixels算法等。

Graph-based方法运行速度很快，但是得到的超像素块大小和形状都不规则，在后续的处理中仍有一定困难。

Mean-shift算法鲁棒性强并且对噪声敏感度不高，但是迭代速度缓慢，也不能控制超像素块的数量、尺寸和紧凑程度，尤其不适用于大尺寸的SAR图像。

SLIC算法运算速度快，可以产生大小均匀、形状规则的超像素块，在处理自然图像时是最为常见和有效的方式之一，但是在SAR图像中，因为该算法没有噪声抑制功能，导致相干斑噪声对其影响巨大，无法单独在SAR图像处理中使用。

Turbopixels算法的关键思想是要将超像素计算降低为一个高效的、可行的几何流问题，着重符合尺寸和覆盖的一致性、连通性、紧密性、光滑的边界保留流、无超像素的重叠这五项基本准则，相较于以上算法，该算法更适合大尺寸的SAR图像分割。但是直接使用该算法时，却存在SAR图像相干斑噪声影响、图像纹理信息缺失等问题，导致该算法在分割SAR图像时的分割精度较低。

发明内容

本发明的目的在于针对上述已有技术的不足，对Turbopixels算法进行改进，提出一种基于变分水平集的SAR图像超像素分割方法，以获得精确的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：

(1)输入待分割的SAR图像，在SAR图像I上以晶格的形式均匀插入K个半径为1像素的超像素块种子点来生成超像素块区域，K＝1,2,3...，将SAR图像I粗略地分割为由K个超像素块区域组成的图像；

(2)分别设计基于SAR图像相干斑噪声的能量泛函E_N(x,y)和基于SAR图像纹理信息的能量泛函E_T(x)，能量泛函即映射的微分的模长平方的积分，并且分别将两能量泛函插入到由种子点生成的超像素块区域边界的边缘演化迭代方程中，得到新的迭代方程；