基于超像素的sar图像分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别是涉及图像分割方法，可以用于机场跑道，农 田分布和地质勘探的图像处理。
【背景技术】
[0002] 合成孔径雷达SAR是一种工作在微波波段的相干成像雷达。它以其高分辨率和全 天候、全天时、大面积的数据获取能力而成为当前遥感观测的重要手段，在资源、环境、考古 以及军事等方面得到广泛的应用。SAR图像包含丰富的目标类别，但在图像理解时只可能对 其中的部分区域感兴趣。感兴趣区域随着应用目的的不同而不同。例如，在检测洪涝灾害 时，感兴趣的区域是水域，而在军事活动中，军事基地附近的桥梁、道路都可能成为感兴趣 的目标，因此分割出这些目标所在区域，不仅能够有效地减少计算机的计算量，提高算法的 实时性，而且对于正确识别目标具有重要意义。SAR图像分割一直是SAR图像理解与解译的 核心问题和难点所在。
[0003]SAR图像源于电磁波的后向散射，因此SAR图像上存在大量的相干斑噪声，这使得 每个像素与其真实值往往相差甚远，因此常规的分割算法应用到SAR图像时，一般效果不 是很理想。可以说，相干斑噪声是影响SAR图像分割质量的一个重要因素。目前，主要存在 三种方法来减少相干斑噪声对图像分割的影响：1、建立相干斑噪声的统计模型；2、进行多 尺度的SAR图像分割方法；3、对SAR图像进行降噪的预处理。
[0004] 在对自然图像进行分割时，往往采用加性的高斯模型作为图像的概率模型，而对 于SAR图像而言，由于成像机理的不同以及相干斑噪声的存在，不能使用自然图像中的加 性高斯模型来表示SAR图像的统计分布特性。因此，广泛应用于自然图像分割的一些统计 概率模型，如马尔科夫随机场模型，贝叶斯模型，在对SAR图像进行分割时，假设概率分布 符合Rayleigh分布，Ga_a分布，K分布等，参见宋建设，郑永安，和袁礼海，《合成孔径 雷达图像理解与应用》，北京：科学出版社，2008。这些算法均取得了比较好的分割效果， 但该类方法由于其只对单个像素进行操作，所以计算复杂度往往较大，仍然不能很好的解 决相干斑噪声对分割结果的影响。
[0005] 第二种方法的代表作为多尺度分析模型的SAR图像分割算法，该类算法的核心 思想是将SAR图像看作不同尺度的纹理，根据不同类别的目标呈现不同纹理这一性质， 将对SAR图像的分割，转化为对SAR图像中不同纹理的识别。应用这一方法的算法数量 很多，如U.Kandaswamy等使用共生矩阵来对SAR图像进行分割，参见U.Kandaswamy,D. A.Adjeroh,andM.C.Lee,《EfficienttextureanalysisofSARimagery》，IEEE TransactionsonGeoscienceandRemoteSensing,vol. 43,no. 9,pp. 2075-2083,2005. X.Zhang使用共生矩阵以及小波分解的能量特征来对SAR图像进行分割，参见X.Zhang，L Jiao,F.Liuetal.,《SpectralclusteringensembleappliedtoSARimage segmentation〉〉，IEEETransactionsonGeoscienceandRemoteSensing,vol. 46,no. 7 ，pp. 2126-2136, 2008.侯彪等使用第二代Bandelet域隐马尔可夫树模型来对SAR图像进 行分割，参见侯彪，徐婧，刘凤等，《基于第二代Bandelet域隐马尔可夫树模型的图像分 割》，自动化学报，vol. 35,no. 5, 2009。但是到目前为止，仍然没有一种方法能够对全部纹 理进行有效的建模，而且该类算法仍然是针对单个像素来处理的，对于含有大量像素的SAR 图像来说，这类算法的计算效率比较低，计算速度比较慢。
[0006] 第三种方法是比较直接的，即在对SAR图像进行分割前，首先对其进行降噪的预 处理，以减少相干斑噪声对分割算法的影响。该类中最简单的方法是将多个像素点进行平 均，这是个非常有效的预处理方法，但它的缺点是在降噪的同时不能很好的保持图像的边 缘信息。
【发明内容】
[0007] 本发明的目的在于克服上述已有技术的不足，提出一种基于超像素的SAR图像分 割方法，以有效的降低计算复杂度，缩短分割的时间，在降噪的同时很好的保持图像的边缘 信息，提高分割准确度。
[0008] 为实现上述目的，本发明提供基于超像素的SAR图像分割方法，包括如下步骤：
[0009] 1. 一种基于超像素的SAR图像分割方法，包括如下步骤：
[0010] ⑴对输入的SAR图像I，提取其长度L、宽度W和分辨率R1，并根据SAR图像库中 所有的图像估计出最小目标的分辨率区间Rs;
[0011] (2)根据图像参数估计超像素数目Ns，生成待分割SAR图像的超像素集合S= {sj，其中Si为第i个超像素i= 1，2,…，Ns;
[0012] (3)计算超像素集合S的纹理特征Fg⑴和空间特征Fn(i，j)，其中i，j= 1，2,…，凡且i乒j;
[0013] (4)根据SAR图像分割数目K，使用K-means算法对超像素集合S的纹理特征Fg⑴ 进行聚类；
[0014] (5)根据超像素集合S的纹理特征Fg⑴的聚类结果，对超像素集合S中任意两个 超像素sJP 使用最近邻准则，判断超像素是否对应同一聚类，如果&和\对应同一聚 类，并且它们的空间特征Fn(i，j) = 1，则将其合并，并对超像素集合S的纹理特征Fg(i)和 空间特EFn(i，j)进行更新；反之，不进行合并；
[0015](6)统计更新后的超像素集合S的超像素数目Ns (t)，并将该超像素数目Ns⑴与 上一次统计结果凡(卜1)进行比较：如果凡(〇 ==Ns(t-1)，则满足停止条件，输出SAR图 像分割结果；如果Ns (t) <Ns (t-1)，则不满足停止条件，返回步骤（4)。
[0016] 本发明与现有的技术相比具有以下优点：
[0017] 1.本发明充分考虑SAR图像含有大量的相干斑噪声，将比单个像素更大的尺度的 超像素作为图像分割的基本单元，有效的降低了SAR图像相干斑噪声对分割结果的影响；
[0018] 2.本发明充分考虑到SAR图像尺寸巨大，含有大量像素，使分割工作面临大量计 算的问题，将超像素作为分割的基本单元，并且提取的纹理特征和空间特征具有操作简单， 运算量小的优点，有效的降低了分割算法的计算复杂度，缩短了图像分割的处理时间；
[0019] 3.本发明使用自适应的超像素合并方法，在降噪