[发明专利]一种基于多尺度特征融合的SAR图像分割方法

摘要

本发明涉及一种基于多尺度特征融合的SAR图像分割方法，首先利用快速离散Curvelet变换(Fast Discrete Curvelet Transform，FDCT)提取图像的纹理特征，并利用平稳小波变换(Stationary Wavelet Transform，SWT)提取图像的统计特征，然后将两种多尺度特征融合成高维的特征向量，最后采用模糊C均值聚类的方法进行分割。在消除均质区内碎块的同时，使得边界更为精准和平滑。本方法有效避免斑点噪声对纹理信息提取的干扰。与SWT系数统计特征的融合，有效利用了SAR图像的纹理信息和灰度统计信息，可以达到良好的分割效果。

主权项

1.一种基于多尺度特征融合的SAR图像分割方法，其特征在于步骤如下：步骤1：对SAR图像矩阵中每个像素的M₁×N₁邻域进行FDCT变换，生成子带系数，其中1≤M₁≤min{height，width}，1≤N₁≤min{height，width}，M₁，N₁∈Z⁺，height表示图像的长，width表示图像的宽，min{height，width}表示height，width中最小数值；步骤2：根据curvelet能量的计算公式计算每个像素邻域FDCT变换后子带系数的能量，作为SAR图像分割的1维纹理特征，其中：s_i为FDCT子带系数中任一元素，N₁代表所有的子带系数元素的个数之和；步骤3：对SAR图像中每个像素的M₂×N₂邻域进行M层SWT变换，选取L＝3M+1幅分解子图作为下一步提取统计特征的L维向量，每幅子图对应一个子带系数矩阵，其中1≤M₂≤min{height，width}，1≤N₂≤min{height，width}，M₂，N₂，M∈Z⁺，子带大小为M₂×N₂；所述分解子图包括一幅低频子图和所有的高频子图；步骤4：将L维向量的均值和L维向量的标准差作为SAR图像分割的2L维统计特征，L维向量的均值根据得到，L维向量的标准差根据得到，其中m_i(x，y)为分解的第i个子带m_i在位置(x，y)的值，1≤i≤L，i∈Z⁺；步骤5：将步骤2得到的纹理特征向量和步骤4得到的统计特征向量通过合并融合成2L+1维特征向量；步骤6：采用模糊C均值聚类方法对2L+1维特征向量进行聚类，得到最后的分割结果；其中C为正整数，大于等于2。