一种基于自适应窗方向波域和改进FCM的SAR图像分割方法与流程

技术特征：
1.一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：包括如下步骤：(1)读取图像，对图像进行值为2×n的边缘扩展，n设置为16；(2)对SAR图像当前像素设置大小为2n×2n的上下左右四个方向的窗口，得到四个窗口图像块的直方图数据，并对两两直方图数据计算图像块相似度；(3)设置阈值T，当相似度大于T时，判断相似，设置以像素为中心的2n×2n窗口进行二层Directionlet变换；当相似度小于T时，判断为不相似，设置以像素为中心的n×n窗口进行二层Directionlet变换；(4)对当前块Directionlet变换后低频和高频系数进行特征提取，提取一组特征向量：(E1,E2,E3,E4,E5,E6,E7)，作为该像素的特征向量，Ei为第i个频域系数的能量；(5)循环步骤(2)到(4)直至整个图像所有像素的特征向量计算完成，构成M×N×7的能量值矩阵，其中M×N为图像的大小；(6)对步骤(5)所得的能量值矩阵变形为1×(M×N)×7的一组M×N个7维向量；(7)将(6)中的M×N个7维能量特征向量作为特征矢量采用形态相似距离改进的模糊C均值算法进行聚类；(8)将步骤(7)分类后相同类别的像素赋予相同的灰度值，并将当前1×(M×N)的矩阵向量变形为M×N图像，结果即为最终的分割结果。2.根据权利要求1所述的一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：其中步骤(2)所述的对SAR图像的每个像素设置上下左右四个方向的窗口并得到四个窗口图像块的直方图数据，按如下步骤进行：(2a)根据步骤(1)对图像进行值为2×n的边缘扩展，对当前像素f(i,j)设置四个大小为2n×2n的窗口，即(i-n+1:i+n,j-2×n+1:j)、(i-2×n+1:i,j-n+1:j+n)、(i-n+1:i+n,j:j+2×n-1)、(i:i+2×n-1,j-n+1:j+n)四个窗口；(2b)根据两个图像块的像素数据，生成各自直方图数据，运用巴氏系数算法，计算出相似程度值；巴氏系数的计算公式如下：其中p，p′分别代表两个图像块的直方图数据，对每个相同i的数据点乘积开平方以后相加得出的结果即为图像相似度值，范围为0到1之间。3.根据权利要求1所述的一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：其中步骤(3)所述的设置阈值T，并根据相似度与T的大小关系，设置大小不同的窗口进行二层Directionlet变换，按如下步骤进行：(3a)设置阈值T，将步骤(2)计算的相似度与阈值T进行比较，T取0.9～1之间，当相似度大于T时，设置窗口为以像素为中心大小为2n×2n，当相似度小于T时，设置窗口大小为n×n；(3b)以窗口为图像块，设置90°方向为变换方向，45°方向为队列方向，构造采样矩阵MΛ，其中，x1,x2,y1,y2是构成采样矩阵MΛ的四个整数元素值，x1和y1由变换方向的斜率确定，x2和y2由队列方向的斜率确定，向量d1和d2分别为沿变换方向和队列方向的向量；(3c)基于整数格理论通过采样矩阵MΛ将图像块划分为关于整数格Λ的|det(MΛ)|个陪集，每一个陪集对应一个位移矢量sk＝(sk1,sk2)，其中Λ是由被划分的图像构成的整数格，表达式为Λ＝{c1d1+c2d2,c1,c2∈Z}，|det(MΛ)|是采样矩阵MΛ的行列式的绝对值，k＝0,1,2,...,|det(MΛ)|-1，sk1,sk2∈Z，Z为整数域；(3d)对每个陪集沿变换和队列方向分别进行两次和一次一维正交小波变换，得到相应的高频和低频子带。4.根据权利要求1所述的一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：其中步骤(4)所述的对当前块的Directionlet低频和高频系数进行特征提取，按如下步骤进行：(4a)提取二层Directionlet变换后的LL1低频系数和LH1，HL1，HH1，LH，HL，HH六个高频系数；(4b)对LL1，LH1，HL1，HH1，LH，HL，HH分别计算能量E，其中n2为图像大小，d为Directionlet变换的系数；(4c)对各系数计算的能量构造一组向量：(E1,E2,E3,E4,E5,E6,E7)，作为该像素的特征向量。5.根据权利要求1所述的一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：其中步骤(7)所述的对M×N个7维能量特征向量作为特征矢量采用形态相似距离改进的模糊C均值算法进行聚类，按如下步骤进行：(7a)确定聚类数目c(2≤c≤n)与加权指数m(m∈[2,∞])，n是聚类空间的样本数；(7b)设置模糊聚类矩阵U(l)，U(l)＝[μik(l)]，当l＝0时，为聚类矩阵初始值，其中μik是第i类中样本k的隶属度；(7c)按照下面公式计算各类的聚类中心vi，其中xk是样本k的属性，(7d)按照下面方法计算新的模糊聚类矩阵U(l)(l＝l+1)，计算形态相似距离DMSD，DMSD(j,k)＝DE×(2-DADM)其中DE为欧氏距离，DM为曼哈顿距离，计算Ik和如果Ik＝φ，则否则，对所有置μik＝0，并取(7e)检查||U(l-1)-U(l)||是否小于预先设定的阈值，如果小于，则停止，否则转至(7c)；(7f)如果则xk∈第i类。