[发明专利]基于Gamma分布的异质超像素SAR图像分割方法

权利要求书

1.一种基于Gamma分布的异质超像素SAR图像分割方法，其特征在于，包括有如下步骤：

1)将图像M*N进行超像素预分割，得到S个超像素块；

2)在超像素预分割后的再分割，用Gamma分布估计每个超像素块的异质性，以Gamma分布的异质性参数阈值m为界，将同质超像素块和异质超像素块区分开，当异质性参数大于阈值m时，此超像素块为同质超像素；当异质性参数小于阈值m时，此超像素为异质超像素,并将异质超像素块用Kmeans方法实现再分类；

3)提取原图像每个点的特征F₁(i，j)，采用灰度共生矩阵提取图像纹理特征，选择4个离散的方向：0°，45°，90°和135°，每个方向上取的统计量是同质区，得到原图像4维灰度共生矩阵特征；

4)提取原图像的小波特征F₂(i，j)，gabor的方向数取3，尺度数取3，得到原图像的9维gabor特征；

5)融合原图像的纹理特征和散射特征，给原图像纹理特征和散射特征分配相等权重：

F(i,j)＝[Q₁,Q₂]'*[F₁(i,j),F₂(i,j)]

其中，为方向数；所以为方向数，N_ω为尺度数；

6)计算每个超像素的特征F(t)，t＝1,2,3……S，将超像素块里的像素特征取均值得到每个超像素的特征，F(t)＝(∑_(i,j)∈tF(i,j))/N_t|，N_t为t里包含的像素数；将原图像4维灰度共生矩阵特征和原图像的9维gabor特征同时融入同质超像素块中，得到同质超像素块的特征；

7)将同质超像素块的特征利用高斯混合模型进行分类，即每个超像素块就得到了相应的类别标签，得到最终分割结果。

2.根据权利要求1所述的基于Gamma分布的异质超像素SAR图像分割方法，其特征在于，步骤2中所述的在超像素预分割后的再分割具体是：

用Gamma分布估计超像素的异质性，找出超像素由于弱边界导致分割错误的超像素块，其中，若超像素块太小即包含像素太少则不需要估计，其中Gamma分布定义如下：

p(R)=1Γ(υ)[υE(R)]υexp(-υRE(R))Rυ-1]]>

其中，R为像素的灰度值，E(R)为gamma分布的尺度参数，υ为Gamma分布的形状参数，也是异质性参数；

当异质性参数大于阈值m时，则此超像素为同质超像素，即为分割正确的超像素，不进行处理；当异质性参数小于阈值m时，则此超像素为异质的超像素，即包含的像素不属于一类却被合并为一类，此时需要利用Kmeans方法将此异质超像素块分为两类，该两类均为同质超像素块，但类标不同。

3.根据权利要求2所述的基于Gamma分布的异质超像素SAR图像分割方法，其特征在于：对超像素块进行Gamma分布估计的异质性参数阈值m值取值范围为0.15～0.3。

4.根据权利要求1所述的基于Gamma分布的异质超像素SAR图像分割方法，其特征在于，步骤7)中所述的将超像素同质块的特征利用高斯混合模型进行分类，具体是：

7a)高斯混合模型定义如下：

p(x)=Σk=1Kπkp(x|k)]]>

其中k为模型的个数，π_k为第k个高斯的权重，则第k个高斯的概率密度函数均值为μk，方差为σk；

用最大似然法对参数进行估计，为防止浮点数下移，对目标取对数：

maxΣi=1Nlog p(xi)]]>

完整形式为：

maxΣi=1Nlog(Σk=1Kπk(xi|μk,σk))]]>

7b)用EM算法对参数进行求解：

E步：对于第i个样本xi来说，它由第k个model生成的概率ω_i(k)：

ωi(k)=πkN(xi|μk,σk)Σj=1KπjN(xi|μj,σj)]]>

M步：利用E步得到的概率ω_i(k)去估计第k个高斯模型概率密度函数均值μ_k：

μk=1NΣi=1Nωi(k)xi]]>

μk=1NΣi=1Nωi(k)(xi-μk)(xi-μk)T]]>

Nk=Σi=1Nωi(k).]]>