[发明专利]基于非局部的三马尔可夫随机场SAR图像分割方法

说明书

技术领域

本发明属于图像处理领域，涉及一种对纹理分布不均匀的非平稳SAR图像分割的方法，可应用于目标识别。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率雷达体制，可应用于军事、农业、导航、地理监视等诸多领域。它与其它遥感成像系统，光学成像系统相比有很多差异。在军事目标识别方面，SAR图像被广泛的应用在目标检测领域，而SAR图像分割则是从图像处理到图像分析的重要步骤，是目标分类和识别的基础。

在SAR图像分割处理方面，由于SAR图像中固有的乘性斑点噪声的存在，图像的像素常常会有突变，这种突变只是局部孤立的，而图像的局部相关性让我们考虑到了中心像素与其相邻像素之间的相关性，建立在像素邻域系统上的马尔可夫随机场(Markov Random Field,MRF)正好能够利用邻域相关性来消除噪声的影响，适合于SAR图像的分割。

自从上世纪60年代以来，Besag等关于吉布斯(Gibbs)分布与MRF等价性的研究，使得分布函数与能量函数有了有效的联系，利用这种联系MRF模型开始在图像处理方面得到应用。Geman S.和Geman D.在1984年发表的著名论文中建立了基于马尔可夫随机场和最大后验概率的方法。MRF在处理具有简单纹理的图像方面取得了令人满意的结果，但是对于大量复杂图像，如非平稳图像、复杂纹理图像、高噪声图像的处理，MRF模型显得过于简单，因为在MRF模型中假设存在两个随机场，而只把其中一个随机场认为是符合马尔可夫分布的，这样在处理复杂图像时，无法满足条件独立性的假设，模型就显得过于简单。随着统计模型不断的发展和完善，MRF模型也随之不断的发展。2000年，提出了一个双马尔可夫随机场模型(Pairwise Markov random Fields,PMF)，此模型中直接假设两个随机场的联合分布符合马尔可夫分布，这样就使得我们可以一方面能够对不同图像的纹理特性进行建模，另一方面又能利用不同的贝叶斯方法来实现分割。在此基础上人们又将这一模型扩展到了更普遍的三马尔可夫随机场(Triplet Markov Fields,TMF)模型，在这个模型中通过引入第三个随机场来对图像进行建模。

非局部均值常用于图像去噪，是对双边滤波的一个推广，图像中往往包含有许多冗余信息，充分利用这些冗余信息为去除图像噪声服务，这是非局部平均滤波模型的主要思想。冗余信息是指图像中部分区域灰度的相似程度，根据相似度来进行平滑去噪是非局部均值图像去噪的一个优点。非局部均值(NL-means)模型的主要特点是：该方法不是用图像中单个像素的灰度值进行比较，而是对该像素周围的整个灰度的分布状况进行比较，根据灰度分布的相似性来贡献权值。

随着统计模型下SAR图像分割方法的日益成熟，分割效果的评价也在以下三个方面逐渐严苛起来：同质区域的内部一致性；细节信息的完整性；边缘边界的清晰性。传统的TMF方法并没有考虑图像自身的相似性，故图像的上下文信息没有得到充分的利用，使得在分割过程中损失了一些图像的细节信息和边缘，导致该TMF方法对包含复杂纹理的SAR图像会产生误分割和区域一致性不理想等现象。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于非局部的三马尔可夫随机场SAR图像分割方法，利用图像的局部结构信息相似度，提高边缘分辨精度和区域一致性，保证图像分割信息的完整性，提高SAR图像分割的质量。

实现本发明目的的技术思路是：采用模糊C均值(FCM)聚类方法得到图像的初始类标场X，用K均值聚类的方法初始场景类别标号场U，利用图像非局部冗余信息对U场进行处理，并通过TMF模型描述图像信息，结合Bayesian理论对X进行更新，直至得到类标场X满足已设定的精度要求或最大迭代次数，输出最终分割结果。

其具体实现步骤如下：

1)输入待分割的SAR图像；

2)利用FCM聚类的方法得到待分割图像每个像素点的初始类标；

3)提取待分割图像的灰度共生矩阵，采用k-means聚类方法得到待分割图像每个像素点的场景类别，并利用图像非局部冗余信息对场景类别进行一次迭代更新，得到每个像素点新的场景类别；

4)根据步骤2)得到的每个像素点的初始类标和步骤3)得到的每个像素点新的场景类别，利用下式计算势能W(x,u)：