[发明专利]基于Gamma分布的异质超像素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，特别是一种涉及SAR图像分割的方法，具体是一种基于Gamma分布的异质超像素SAR图像分割方法，可应用于SAR图像分割。

背景技术

合成孔径雷达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。SAR图像是对雷达波散射特性的一种表征，是地物目标对它的一种反映，图像中存在的斑点噪声表现为在均匀的表面上，像素点呈现出或暗点或亮点，其实就是可以看出图像的灰度像素值出现了急剧变化的现象，于是降低了图像的空间分辨率，模糊了图像的边缘信息，使得解译图像的准确率降低。

图像分割在数字图像处理技术中是一项非常关键的技术，主要是为了从输入图像中提取某些感兴趣的或者有意义的区域、边缘、纹理等。但是SAR图像包含有丰富的背景特征以及大量的相干斑噪声，这种独特性使得很难找到一个通用的分割算法来处理SAR图像并而得到目标边缘以及感兴趣的区域。SAR图像的灰度值具有两个最基本的特征：其一为相似性，它表示将图像分割成若干个相似的区域，依据的标准是事先制定好的；另一种为不连续性，因为图像的灰度值在变化是具有不连续性，可利用这种变化特性来进行图像分割，例如提取图像的边缘。

针对SAR图像的特点，分割算法主要分为：

基于特征空间的分割算法，如基于聚类的分割算法。基于聚类的分割算法本质上将SAR图像分割问题看成是各个像素点在特征空间的聚类问题，从而将具有类似概率分布的像素将被划分为同一类别，从而实现SAR图像的分割。常见的聚类算法有K-means聚类、模糊聚类、谱聚类、概率聚类等方法。传统的聚类算法没有考虑SAR图像的空间信息，因此其对相干斑噪声与灰度分布不均非常敏感。

基于边缘检测的图像分割方法，它是利用不同区域之间特征的不一致性和不连续性，首先检测出SAR图像中的边缘点，然后按一定的策略连接成闭合的曲线，从而检测出SAR图像的边缘，进而构成分割区域，其中常用的边缘检测算子包括Laplace算子、Roberts算子、Sobel算子、Prewitt算子、Kirsch算子、Rosonfeld算子以及Canny算子等。基于边缘检测的SAR图像分割算法的优点在于其比较适合边缘灰度值过渡比较显著且相干斑噪声较小的简单SAR图像的分割。对于边缘比较复杂以及存在较强相干斑噪声的图像，则不得不面对抗噪性能和检测精度之间的矛盾。

基于区域的方法，该方法利用区域的相似性得到相关准则来将图像分割成多个区域，例如阈值法、区域生长算法等。

最常用的阈值方法是基于灰度直方图的方法，如最大类间方差法(OTSU)、最大熵法和最小误差法等。在全局固定阈值的基础上，后来发展了基于局部阈值的自适应阈值方法。无论是基于全局阈值还是局部阈值，阈值方法通常受相干斑噪声的影响比较大。

区域生长算法它的基本思路是首先定义一个生长准则，然后在每个分割区域内寻找一个种子像素，通过对图像进行扫描，依次在种子点周围邻域内寻找满足生长准则的像素并将其合并到种子所在的区域，然后再检查该区域的全部相邻点，并把满足生长准则的点合并到该区域，然后不断重复该过程直到找不到满足条件的像素为止。超像素、分水岭算法是以数学形态学作为基础的区域分割方法，由于受到图像噪声和目标区域内部的细节信息等因素影响，使用超像素或分水岭算法通常往往会产生过分割现象，因此，由于这个缺点，他们通常是作为预分割方法。