[发明专利]基于超像素和分形网络演化算法的极化SAR图像分割方法

摘要

本发明公开了基于超像素和分形网络演化算法的极化合成孔径雷达(SAR)图像分割方法，对于待分割的极化SAR图像，生成超像素作为初始对象；计算初始对象中相邻对象之间的相似性准则；统计每个对象与相邻对象之间相似性准则的最小值，若最小值小于或等于尺度参数，则合并两相邻对象生成新的对象，若最小值大于尺度参数，则不合并，遍历所有对象，完成一次分割，生成新的对象层；生成对象多边形，得到最终的分割结果。本发明为统计模型参数的估算提供了足够的像素，避免分割边界的锯齿状现象；基于分形网络演化算法的思想综合了统计特征和形状特征，使分割对象更加一致，边界光滑，提高极化SAR图像分割准确性。

主权项

1.基于超像素和分形网络演化算法的极化SAR图像分割方法，其特征在于，包含如下步骤：步骤1：对于待分割的极化SAR图像，生成超像素作为初始对象；步骤2：计算初始对象中每个对象与相邻对象之间的相似性准则；具体过程为：计算初始对象中每个对象与相邻对象之间的统计相似性，构建相邻对象间综合统计特征和形状特征的相似性准则；其中，构建相邻对象间综合统计特征和形状特征的相似性准则的具体方法为：步骤2.1：采用统计模型对极化SAR数据建模，并根据统计模型的概率密度函数估算统计模型的形状参数；统计模型为G⁰分布模型，统计模型的概率密度函数为：式中：∑为相干矩阵的期望值，其估计值可以由样本的平均值来估算：∑＝E[T]，L为视数，α为形状参数，Γ(·)为Γ‑函数，tr(·)和|·|分别表示求矩阵的迹和行列式，d为相干矩阵T的维度，在满足互易定理条件下d＝3；根据统计模型的概率密度函数，并基于tr(∑^‑1T)的二阶矩特征估算统计模型概率密度函数中的形状参数的计算公式为：式中：M＝tr(∑^‑1T)；步骤2.2：采用似然函数计算对象的统计特性异质度；步骤2.3：计算相邻对象间的统计相似性准则；步骤2.4：将紧致度和光滑度设定权重，计算对象的形状特征异质度，并根据对象的形状特征异质度的变化描述相邻对象间的形状相似性准则；步骤2.5：在统计特征和形状特征组成的多维特征空间内，将步骤2.3得到的统计相似性准则和步骤2.4得到的形状相似性准则进行加权，进而计算相邻对象间的综合相似性准则，即为相邻对象间综合统计特征和形状特征的相似性准则；步骤3：统计每个对象与相邻对象之间相似性准则的最小值，若最小值小于或等于尺度参数，则合并两相邻对象生成新的对象，若最小值大于尺度参数，则不合并，遍历所有对象，完成一次分割，生成新的对象层；步骤4：重复步骤2和步骤3直到对象数目不再变化，得到最终的对象层；步骤5：根据步骤4生成对象多边形，即得到最终的分割结果。