[發明專利]基于K分布和紋理特征的SAR圖像分割方法

有效

• 申請號: 201310279548.X
• 申請日: 2013-06-25
• 公開（公告）號: CN103366371A
• 公開（公告）日: 2013-10-23
• 發明（設計）人: 侯彪;焦李成;韓博;王爽;張向榮;馬晶晶;馬文萍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 張問芬;王品華

技術領域

本發明屬于圖像處理領域，涉及SAR圖像特征提取和SAR圖像分割的方法，是一種基于K分布和紋理特征的SAR圖像分割方法，可應用于SAR圖像目標識別。

背景技術

合成孔徑雷達SAR是一種高分辨率雷達體制，也稱綜合孔徑雷達，應用于軍事，導航，農業，地質勘探，圖像匹配制導等諸多領域。它與其它遙感成像系統和光學成像系統相比有很多差異。在軍事目標識別方面，SAR圖像被廣泛的應用在目標檢測領域，而SAR圖像分割則是從圖像處理到圖像解譯的重要步驟，是目標分類和識別的基礎。本質上SAR圖像反映的是目標的電磁散射特性和結構特性。SAR成像的特殊性使得針對該類圖像的分割方法有別于普通光學圖像：SAR圖像含有大量相干斑噪聲，而常規分割方法通常對噪聲具有很高的敏感度，不宜用于此類圖像；SAR圖像灰度級變化緩慢，因此光學圖像常用的自適應閾值分割方法對此類圖像收效甚微；SAR遙感被測地域的電磁波散射特性，這種特性近似的區域會成像為SAR圖像中相近的灰度級，而該地域的光學圖像中這些區域卻很可能呈現不同的灰度級。

針對SAR圖像的以上特點，經典分割方法有：

基于邊緣的SAR圖像分割方法。這類方法通過檢測SAR圖像中的邊緣，以其檢測得到的邊緣為分離界限，將SAR圖像進行分割。包括ROA(Ratio-of-averages)邊緣檢測方法，以及利用線性算子的邊緣檢測分割方法等。但是由于SAR圖像固有的乘性相干斑噪聲，致使邊緣像素灰度值起伏很大，這類方法難以取得較為精確的分割效果。

基于區域合并的SAR圖像分割方法。這類方法首先對SAR圖像進行過分割，然后根據相鄰區域各階統計特性的不同，迭代進行合并區域，但是這種方法分割區域統計分離性不好，因此容易造成過分割。

基于分層模型的SAR圖像分割方法。這種方法以區域為處理單元，使用多尺度模型挖掘SAR圖像在不同分辨率下區域的統計相關特性，但是由于該模型只利用了層間區域的相關性，沒充分利用層內相鄰區域的信息，容易導致層與層之間信息傳遞不可靠，造成區域錯分。

基于抑斑的分割方法。這類方法首先對SAR進行濾波，然后利用光學圖像的常規分割方法處理。但是抑斑過程中模糊了邊緣和紋理信息，導致圖像細節信息丟失。

基于SAR圖像概率分布模型的分割方法。主要有Markov隨機場分割方法，分為非因果Markov隨機場和因果Markov隨機場兩種。非因果Markov隨機場參數估計困難，且需要迭代；因果Markov隨機場易形成方向性塊效應。這類方法由于考慮了SAR圖像的物理統計特性和先驗概率分布知識，因而分割效果較基于抑斑的分割方法有所改善，但是沒有充分挖掘SAR圖像全局特征和局部紋理特征。使分割結果對SAR圖像的細節有信息損失，邊界和邊緣等方向信息不完整。

發明內容

本發明的目的在于克服上述已有技術的不足，提出一種基于K分布和紋理特征的SAR圖像分割方法，利用K分布完好的整體性特征和灰度共生矩陣極好的細節性紋理特征，提高了SAR圖像分割結果的區域一致性和邊緣分辨精度，保證圖像分割信息的精確性和完整性，提高SAR圖像分割的質量。

實現本發明目的的技術方案是：采用高效的K分布統計模型，提取SAR圖像的整體性特征，并使用灰度共生矩陣充分挖掘紋理信息，提取細節性紋理特征，有效的提高了SAR圖像特征的全面性，極大的改善了分割質量。其具體實現過程如下：

(1)在大小為M×N的待分割SAR圖像上提取C類訓練樣本區域{I₀，I₁，...，I_C}，C表示圖像中地物類別數；

(2)在所選訓練樣本特征區域I_c上提取100幅大小為k*k(可為9*9)的訓練樣本，采用K分布統計模型提取整體性特征參數l、m和μ，并采用灰度共生矩陣提取細節性紋理特征參數asm、con和idm，組合在一起得到特征系數{Θ₁，Θ₂，...，Θ₁₀₀}，

其中Θ_i＝{l，m，u，me，st，asm，con，idm}，1≤i≤100，l、m和μ是K分布模型的概率密度函數的三個參數，me表示均值，st表示方差，asm、con和idm分別表示灰度共生矩陣的能量、對比度和相關度；

(3)將每類SAR圖像的特征系數列排成矩陣，即為第c類目標的字典