[发明专利]基于多分加权割的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，主要涉及SAR图像分割，可用于SAR图像的目标检测与识别。

背景技术

SAR(Synthetic Aperture Radar)是一种工作在微波波段的成像系统，由于其具有全天候、全天时、多视角、多分辨率数据获取能力,因此在国防和民用方面都有重要的应用。近年来随着SAR应用面越来越广，从各种渠道获得的SAR数据越来越多，传统的人工判读已难以实时快速的从所得的SAR数据中获取所需的信息，利用自动目标识别技术来加快数据的处理和提高目标识别的精度已成为当前的研究热点，而SAR图像分割则是SAR图像目标自动识别的基础和前提。目前已经提出许多SAR图像分割方法，如基于阈值的分割方法，基于边缘的分割方法，基于区域增长的方法等。尽管这些方法在一些具体的SAR图像上都取得了较好的效果，但是它们仍存在一些不足之处，例如当两类目标的物理特性较为接近时，基于阈值的方法将面临阈值难以选取的问题，不合适的阈值将导致SAR图像的错分，误分。特别是，SAR图像固有的相干斑噪声对阈值的选择也有重要的影响。其它SAR图像分割方法也存在类似的问题。

近年来，基于图的图像分割方法成为图像分割研究中的一个热点。该方法在进行图像分割时首先以待分割的图像的像素点为基础构造一个赋权图，然后通过对图进行分割即可得到图像的分割结果。Jianbo Shi等在“Normalized cuts and imagesegmentation”中提出了Normalized cut分割模型。该模型在考虑类间相似度的同时还考虑了类内的相似度。然而，在进行图像分割时，由于Normalized cut仅利用了归一化Laplacian矩阵的第二个最小特征向量进行聚类，未考虑图谱中所含的其它聚类信息，所以图像分割的效果往往并不理想。作为改进，Andrew Y.Ng等在“Onspectral clustering:analysis and an algorithm”中提出利用图谱中多个特征向量所含的聚类信息实现图像的分割，并给出了具体的算法。然而，在利用该方法进行图像分割时需要计算一个以图像像素点为基础构造的矩阵的特征向量和特征值，由于当图像的维数较大时，相应的矩阵的维数也较大，图谱的计算也将很困难，甚至不可行，所以该方法在实际应用中受到了很大的限制。针对该问题,JitendraMalik等在“Spectral grouping using themethod”中提出利用采样方法解决图谱难以计算的问题。但是该方法对采样点依赖过重，有时效果并不理想。此外，在从图的多个特征向量中提取相应的聚类信息时，Jitendra Malik等建议利用k-means方法，但是，该方法的效果依赖于假设：图像中不同目标的像素点映射到图谱构成的特征空间时将形成距离较远的凸类。由于在实际应用中该假设未必成立，所以图像的分割效果往往难以预料。为了进一步提高图像的分割效果，田铮等在“基于加权割的图像分割”(电子学报，2008，Vol.36(1))中提出了图的加权割模型，其最大的特点是通过加权的方式来区分像素点。但是与Normalized cut方法相似，该方法也仅仅只利用了图矩阵的第二个最小特征向量中的聚类信息，未考虑图谱中所含的其它聚类信息，这使得图像的分割效果受到了影响。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于多分加权割的SAR图像分割方法，提高SAR图像的分割效果。

实现本发明目的的技术方案是：在对像素点加权的同时利用相应图矩阵的多个特征向量中所含的聚类信息对SAR图像的像素点进行聚类，同时采用迭代更新的方法从图的多个特征向量中提取聚类信息，采用代表像素点投票的方法对像素点的聚类结果进行调整，具体步骤包括如下：

(1)输入待分割的SAR图像，以图像中的所有像素点为元素构成像素点集合，记为I＝{p₁,p₂,…,p_n}，其中p_λ表示第λ个像素点，λ＝1,2,…,n，n表示SAR图像中像素点的个数；

(2)计算像素点集合I中的像素点p_λ的分割特征F_λ，所有像素点的分割特征组成分割特征集合F＝{F₁,F₂,…,F_n}；

(3)从像素点集合I中随机抽取m个像素点，组成样本像素点集合其中表示第i个抽取的像素点，i＝1,2,…,m,未被抽取的像素点构成非样本像素点集合其中表示第h个未被抽取的像素点,h＝1，2,…,n-m；