[發明專利]基于子模字典學習的SAR圖像分割方法

有效

• 申請號: 201810031938.8
• 申請日: 2018-01-12
• 公開（公告）號: CN108154511B
• 公開（公告）日: 2019-10-25
• 發明（設計）人: 侯彪;焦李成;唐歡;馬晶晶;馬文萍;王爽;白靜
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

本發明公開了一種基于子模字典學習的SAR圖像分割方法，主要解決目前主流的子模字典學習方法對SAR圖像分割準確性低與細節完整性差的問題。其分割過程為：1.在以像素為中心的鄰域內，計算空間金字塔特征；2.從空間金字塔特征中選取10％的訓練數據構造圖模型G(V,E)；3.最大化一個子模目標函數，對圖模型進行聚類；4.根據聚類結果計算字典D；5.固定字典D，計算訓練數據的稀疏編碼特征、分類參數矩陣以及所有數據的稀疏編碼特征；6.根據分類參數矩陣W計算類標簽向量；7.將類標簽向量轉換為類標簽，得到最終的分割結果。本發明與現有的子模字典學習方法相比，保持了圖像的細節信息完整性，提高了分割精度，可用于SAR圖像目標識別。

技術領域

本發明屬于圖像處理領域，特別是一種涉及SAR圖像分割的方法，可應用于目標識別。

背景技術

合成孔徑雷達SAR，是一種高分辨率雷達體制。SAR成像基本不受光照、氣候等因素的影響，可以全天時、全天候對目標進行監測，廣泛應用于軍事，農業，地質檢測等領域。SAR圖像分割作為SAR圖像解譯的第一步，可以提供整體結構信息、凸顯感興趣區域，在后續的圖像解譯中起到了重要作用。SAR圖像上的信息是地物目標對雷達波束的反映，主要是地物目標的后向散射形成的圖像信息，反映的是目標的電磁散射特性和結構特性，其成像效果很大程度上依賴于雷達系統的工作參數如傳感器波長、入射角和地域電磁參數如地表粗糙度、負介電常數。SAR特殊的成像機制，使該類圖像具有大量的相干斑噪聲和變化緩慢的灰度級，光學圖像的分割方法不適用于SAR圖像。光學圖像的分割方法對噪聲很敏感，常用的自適應閾值分割法適用于灰度級變化較大的圖像，SAR遙感被測地域的電磁波散射特性，使得相近區域的成像具有近似的灰度級、邊界模糊等。

針對SAR圖像的以上特點，SAR圖像分割技術主要有以下幾類：

一.基于聚類的分割方法。常用的聚類算法有基于劃分、分層、密度等。基于劃分的聚類算法有K-Means、K-Medoids，算法簡單高效，但隨機初始化的中心點對結果影響很大，且只能發現“球形”簇；基于分層的有BIRCH、Chameleon，適用于任意形狀、任意類型屬性的數據集，可擴展性高，但時間復雜度高；基于密度的有DBSCAN、OPTICS，解決了基于劃分的算法只能發現“球形”簇的問題，缺點是對參數敏感。這類方法對SAR圖像分割結果的準確性和同質區域一致性效果很差。

二.基于圖論的分割方法。這類分割方法的本質就是移除特定的邊，將圖劃分為若干子圖從而實現分割。基于圖論的方法主要有GraphCut，GrabCut和RandomWalk。GraphCut算法是一種能量優化算法，一次性計算能量最小化。GrabCut算法是對GraphCut的改進，采用迭代最小化代替一次性計算能量最小化，每次迭代過程都使得對目標和背景建模的 GMM參數更優。RandomWalk根據隨機游走模型來求解未標記的像素到達種子點的概率，根據這個概率大小來判斷未標記像素的歸屬。這類方法由L.Grady和G.Funka-Lea首次作為會議論文提出，參見L.Grady,G.Funka-Lea.Multi-Label Image Segmentation for MedicalApplications Based on Graph-Theoretic Electrical Potential,2004:230-245。比起前兩個算法，這個方法不需要迭代，速度快，并且減少了漏邊界的風險。但這類方法無法保證SAR圖像分割的細節信息的完整性，同質區域一致性也較差。