[发明专利]基于小波散射网络的SAR图像分割方法

摘要

本发明公开了一种基于小波散射网络的SAR图像分割方法，解决了传统基于纹理的SAR图像分割低效耗时的技术问题。实现步骤为对SAR图像进行去噪和归一化的预处理；设定散射变换路径，选定的小波函数和窗函数，产生散射传播算子和散射算子；对SAR图像进行散射变换，得到SAR图像像素点的散射系数；对降维后散射纹理特征进行K‑Means聚类，获得初步分割结果；寻找不同类别像素点所处的仿射空间，构成仿射分类器；利用仿射分类器对初步分割结果进行滑窗更正，完成SAR图像分割。本发明无需对SAR图像进行分块操作，且提取了能够降低相同纹理间差异性、增加不同纹理间差异性的散射纹理特征，能够对SAR图像进行精确、快速的分割，用于单幅SAR图像的快速分割。

主权项

一种基于小波散射网络的SAR图像分割方法，其特征在于，快速提取SAR图像的纹理特征，包括有如下步骤：1)选择需要进行分割的原始SAR图像，大小为[m,n]，并对其进行预处理，包括Lee滤波去噪和数据归一化操作；2)设定散射变换最大尺度J，在对SAR图像进行分割时，每个像素点的特征由一个大小为[2*2J,2*2J]的图像块确定；当处理SAR图像边界的像素点时，需要对SAR图像边界进行对称拓展，得到拓展后的SAR图像f，大小为[m+2*2J,n+2*2J]；3)选定散射变换中的小波函数ψλ(x)，其中x为需要进行小波变换的图像，λ为参数；根据拓展后图像f的大小和散射变换尺度J，设定散射变换路径p＝{λ0,λ1,...,λL‑1}，其中L为路径总长度，并生成二维散射传播算子U(p)f；4)选取窗函数结合二维散射传播算子U(p)f，共同生成二维散射算子SJ(p)f；5)根据二维散射算子SJ(p)f和路径p，对拓展后的SAR图像f进行路径长度为L的散射变换，级联各层输出系数，得到拓展后的SAR图像f的散射系数图；6)对SAR图像的散射系数图的上下左右边界进行剪裁，使得散射系数图的大小等于原SAR图像的大小，即[m,n]，于是，SAR图像中每个像素点的散射系数sori对应一个长度为Nori的向量；7)用离散余弦变换(DCT)对SAR图像的散射系数进行降维，保留前50％的低频信息作为降维后的散射纹理特征s：7a)对SAR图像中所有像素点的散射系数进行DCT变换，得到了DCT系数；7b)分别选取DCT系数中前50％的低频系数，作为对应每个像素点散射系数降维后的散射纹理特征，记为s，长度为N；8)设定SAR图像要被分割成的类别数C，对降维后像素点的散射纹理特征s进行K‑Means聚类，得到SAR图像的初步分割结果Y＝{yi|yi＝1,2,...C；i＝1,2,...,m*n}，其中yi对应第i个像素点的类标；至此，以上所有步骤均无需对图像进行取块操作，而实现SAR图像的初步分割；9)根据初步分割结果Y，生成有标签样本集合其中K为有标签样本的总数，表示有标签样本集合T中第k个有类标像素点的散射纹理特征，表示有标签样本集合T中第k个有类标像素点的类标：9a)根据SAR图像的初步分割结果，从SAR图像中选取所有属于第c类的像素点；9b)对步骤9a)选出的属于第c类的像素点，求取其平均值作为第c类的类中心oc；9c)对所有初步分割结果中类标为c的像素点，计算它们到oc的距离，选取前20％距离最近的像素点作为属于第c类置信度较高的像素点；9d)对于C种不同的类别，分别重复步骤9a)～9c)，得到所有对应类别置信度较高的像素点，构成含有C种不同类别的有标签样本集T；10)在有标签样本集合T上进行训练，寻找不同类别像素点所处的仿射空间Ac，其中c＝1,2,...,C，仿射空间Ac作为第c类像素点所处的子空间，由C个仿射空间组成一个仿射分类器；11)逐步滑窗对SAR图像初步分割结果Y进行遍历，使用仿射分类器对初步分割结果Y进行更正，完成SAR图像分割，并输出最终分割结果。