[发明专利]基于全变分谱聚类的SAR图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及SAR图像分割，可用于SAR图像目标检测和目标分割与识别。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)成像技术通过主动发射和接受电磁波，根据物体的反射、散射特性而成像。由于它克服了传统成像技术必须依靠一定光照条件的缺点，具有全天时、全天候、分辨率高、能有效地识别伪装和穿透掩盖物的探测与侦察能力，从而SAR图像的解译越来越受到国防和民用领域的关注和重视。作为SAR图像解译关键环节之一的SAR图像分割，也就显得愈加重要和迫切。现有的SAR图像分割方法大致可以分为基于区域的分割方法和基于边界的分割方法，如形态学的方法、聚类的方法、随机场的方法及阀值分割的方法等。

其中，基于聚类的分割方法是将SAR图像中相似的区域尽可能划分为一类，而不相似的区域尽可能划分到不同的类中。很多成熟的传统聚类算法，如k-means算法、EM算法等已经被用到了SAR图像分割中。作为一门新兴的算法，谱聚类是一种建立在谱图理论基础之上，充分发掘了数据的成对点相似特性，通过图的拉普拉斯矩阵分解达到降维的目的，最后利用相似性矩阵的低维特征向量进行聚类的算法。谱聚类方法实现简单，与维数无关，克服了传统聚类算法在非凸样本分布上不能达到全局最优的不足，使得聚类结果更加稳健，从而被应用于SAR图像分割。但是，当SAR图像数据规模n比较大的时候，谱聚类算法需要计算一个n×n的相似性矩阵，并计算相应拉普拉斯矩阵的特征分解，其计算的空间复杂度和时间复杂度分别为O(n²)和O(n³)，这无疑阻碍了谱聚类算法在大规模数据SAR图像分割中的应用。

Fowlkes等人提出了基于逼近的快速谱聚类算法。该方法首先从总样本集中随机抽取一部分采样样本集作为代表求解特征问题，然后再将其特征向量扩展为总样本集合权值矩阵的特征向量。这种快速算法的提出使得谱聚类在SAR图像分割中得到了很大的应用。SAR图像不仅含有丰富的纹理信息，同时还具有良好的结构信息，然而，当前的谱聚类算法在用于SAR图像分割时，只是仅仅利用了其丰富的纹理信息，却很少考虑其良好的结构信息。因此，这就使得当前的谱聚类算法在用于SAR图像分割时，不能得到一个拥有良好区域一致性和高准确率的分割结果。

发明内容

本发明的目的在于针对上述已有方法的不足，从SAR图像分解的角度出发，提出了一种基于全变分谱聚类的SAR图像分割方法，以提高谱聚类方法分割结果的准确率和区域一致性。

实现本发明目的的技术方案是：对输入SAR图像先进行全变分图像分解，然后分别提取SAR图像分解所得到的结构部分和纹理部分相应的特征，在充分考虑了SAR图像中同一区域内局部一致性的情况下，从而构造一个新的、更能反映SAR图像整体结构信息和纹理信息的相似性矩阵，其具体步骤包括如下：

(1)对待分割的SAR图像进行全变分图像分解；

(2)对全变分图像分解所得到的结构部分和纹理部分分别提取相应的特征；

2a)对于结构部分，提取每一个像素点的灰度值并归一化处理得到灰度特征G；

2b)对于纹理部分，用M×M的窗口对每一个像素点进行3层小波变换，提取小波特征T，窗口大小取16×16；

(3)将SAR图像n个像素点的特征作为总样本集S，从结构部分和纹理部分各选取不同位置的m/2个像素点，将这m个像素点的特征作为采样样本集Sm；

(4)用灰度特征G和小波特征T计算总样本集S中任意两个像素点i和j之间的相似性W_ij，具体计算公式如下：