專利名稱：基于Wavelet和Wedgelet變換HMT模型的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種圖像分割方法，可用于對紋理圖像、航拍圖像和SAR圖像的分割。

背景技術(shù)：
圖像分割是把一幅圖像按照給定的準(zhǔn)則劃分為若干有意義的區(qū)域。圖像分割在圖像處理、分析和理解中是十分重要的技術(shù)環(huán)節(jié)，圖像分割的質(zhì)量的優(yōu)劣、區(qū)域界限定位的精度直接影響后續(xù)的區(qū)域描述以及圖像的分析和理解。
近年來，小波分析已廣泛應(yīng)用于圖像處理和分析中。小波對含點狀奇異的目標(biāo)函數(shù)而言是最優(yōu)的基，但對具有線狀奇異的函數(shù)，小波系數(shù)則不再稀疏，所以小波在SAR圖像壓縮和邊緣檢測中并不能夠很好地表示圖像中的輪廓邊緣信息。多尺度幾何分析是致力于構(gòu)建最優(yōu)逼近意義下的高維函數(shù)表示方法，能夠更優(yōu)的表示圖像的邊緣信息，在圖像處理中被廣泛的應(yīng)用。其中，Wedgelet變換是美國學(xué)者David L.Donoho在研究從含噪數(shù)據(jù)中恢復(fù)原圖像的問題時提出的一種方向信息檢測模型。Wedgelet采用二進(jìn)剖分的思想把各種位置，尺度和方向上的二進(jìn)楔型區(qū)域上的特征函數(shù)作為基元素，它提供了“水平模型”的近于最優(yōu)的表示，并用極小極大描述長度來度量，同時Donoho也研究了星型集合上的特征函數(shù)的模型的Wedgelet逼近問題，表明基于懲罰復(fù)雜度的Wedgelet剖分達(dá)到了極小極大風(fēng)險估計。
隨著多尺度幾何分析的發(fā)展，在多尺度變換域下結(jié)合一些特定理論、方法和工具的分割技術(shù)得到了相應(yīng)的發(fā)展。2001年，韓國的Choi提出了小波域隱馬爾科夫樹模型的圖像分割方法WD-HMTseg。該方法中，HMT模型利用了小波的的多尺度特性，使系數(shù)之間的關(guān)系轉(zhuǎn)變成隱狀態(tài)的歸屬問題，并進(jìn)行了在不同尺度上的分析并結(jié)合最大后驗概率對圖像進(jìn)行分割。該方法的弊端在于區(qū)域沒有良好的一致性，且邊緣不夠光滑。2005年，中國的孫強提出一種改進(jìn)的WD-HMT模型。他采用了一種新的上下文模型，充分結(jié)合了父節(jié)點鄰域和子節(jié)點鄰域的信息進(jìn)行上下文的融合分割。該模型減少了小波產(chǎn)生的雜塊信息，增強了邊緣信息，但該方法僅限于遙感圖的分割，有一定的局限性。2006年，中國的金海燕根據(jù)小波系數(shù)對點奇異目標(biāo)的最優(yōu)性和Wedgelet系數(shù)的特點，并將其與HMT模型結(jié)合，提出一種新的模型WWHMM。該模型因為Wedgelet的引入，使得對圖像邊緣的描述清晰，較小波域HMT模型能更好的劃分測試圖像的邊緣區(qū)域。2007年，中國的宋錦萍提出了一種基于小波域多狀態(tài)隱馬爾科夫樹模型的自適應(yīng)文本圖像分割方法。該方法從微分算子的角度，并結(jié)合小波尺度系數(shù)提出了一種圖像分割算法，由于文本圖像特征單一，分布規(guī)則，應(yīng)用于SAR圖像的效果不佳。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)不足，提出了一種基于Wavelet變換和Wedgelet變換的HMT模型的圖像分割方法，以得到較好的圖像分割結(jié)果，并將其應(yīng)用于紋理圖像、航拍圖像和SAR圖像。
實現(xiàn)本發(fā)明目的的技術(shù)方案是利用Wavelet變換和Wedgelet變換對圖像處理的優(yōu)點，將小波系數(shù)和小波系數(shù)的多尺度Wedgelet表示進(jìn)行加權(quán)平均，并通過高斯混合模型對其進(jìn)行HMT的建模，用WWHMT模型進(jìn)行訓(xùn)練圖像的參數(shù)訓(xùn)練、利用訓(xùn)練得到的參數(shù)進(jìn)行最大似然函數(shù)的分類和用最大后驗概率的分類。具體實現(xiàn)過程如下 (1)輸入待分割圖像，從輸入圖像中截取Nc類具有均一區(qū)域的訓(xùn)練圖像塊，其中Nc為待分割圖像的類別數(shù)； (2)對每類訓(xùn)練圖像塊分別進(jìn)行小波變換，并對小波變換各個子帶的系數(shù)分別進(jìn)行多尺度Wedgelet逼近，對原小波系數(shù)和多尺度Wedgelet逼近的系數(shù)進(jìn)行加權(quán)平均； (3)采用期望最大化EM算法對每類訓(xùn)練圖像塊的加權(quán)系數(shù)進(jìn)行訓(xùn)練，得到隱馬爾可夫模型參數(shù)Θ； (4)輸入待分割的測試圖像，對測試圖像進(jìn)行小波變換，并對小波變換各個子帶的系數(shù)分別進(jìn)行多尺度Wedgelet逼近，將原小波系數(shù)和多尺度Wedgelet逼近的系數(shù)進(jìn)行加權(quán)平均，根據(jù)模型參數(shù)Θ，求出測試圖像在各尺度下圖像子塊對應(yīng)的似然值likelihoodl，l＞0，l表示似然值對應(yīng)的尺度； (5)對每類的訓(xùn)練圖像塊進(jìn)行高斯建模，求出測試圖像每個像素點對應(yīng)的似然值likelihood0； (6)根據(jù)各個尺度似然值{likelihoodk|k＝0，1，2，...，K}，采用最大化似然值(ML)的算法，得到圖像K+1個尺度上的初分割結(jié)果，k＝0表示像素級的似然值，k＝K表示最粗尺度的似然值； (7)對各個尺度的初分割結(jié)果進(jìn)行修正，即從初分割的最粗尺度開始，對最粗尺度先采用第一種上下文context-1模型，通過最大化序列的后驗概率法對該尺度初分割結(jié)果進(jìn)行二次分割，再利用第二種上下文context-2模型，通過最大化序列的后驗概率法對該尺度的二次分割結(jié)果進(jìn)行三次分割，得到最粗尺度的最終分割結(jié)果，然后以同樣方法進(jìn)行下一尺度的分割，直到完成最細(xì)尺度0的分割停止，取該最細(xì)尺度的分割結(jié)果為待分割圖像最終的分割結(jié)果。
本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點 1、由于本發(fā)明利用Wavelet變換和Wedgelet“水平模型”的特點，將Wavelet系數(shù)和Wavelet系數(shù)的多尺度Wedgelet表示進(jìn)行加權(quán)平均，彌補了小波域隱馬爾科夫樹分割方法對線性奇異的非稀疏的缺點，使分割結(jié)果有較好的區(qū)域一致性； 2、由于本發(fā)明結(jié)合HMT模型，采用兩種上下文模型對各個尺度的結(jié)果進(jìn)行后融合，充分利用上下文之間的關(guān)系，可以得到較好的分割效果； 3、仿真結(jié)果表明，本發(fā)明方法較WD-HMTseg方法的分割結(jié)果，對于航拍圖和SAR圖的處理效果有明顯改進(jìn)。



圖1是本發(fā)明的流程示意圖； 圖2是本發(fā)明使用的第一種上下文模型context-1示意圖； 圖3是本發(fā)明使用的第二種上下文模型context-2示意圖； 圖4是本發(fā)明用于紋理圖像的仿真分割結(jié)果圖； 圖5是本發(fā)明用于SAR圖像的仿真分割結(jié)果圖； 圖6是本發(fā)明用于航拍圖像的仿真分割結(jié)果圖。

具體實施例方式 參照圖1，本發(fā)明的具體實現(xiàn)過程如下 步驟1，輸入待分割圖像，從輸入圖像中截取Nc類具有均一區(qū)域的訓(xùn)練圖像塊，其中Nc為待分割圖像的類別數(shù)。該輸入待分割圖像可分為Nc類，則截取Nc幅訓(xùn)練圖像塊，每幅訓(xùn)練圖像塊大小為64×64。
步驟2，對每類訓(xùn)練圖像塊分別進(jìn)行小波變換，并對小波變換各個子帶的系數(shù)分別進(jìn)行多尺度Wedgelet逼近，對原小波系數(shù)和多尺度Wedgelet逼近的系數(shù)進(jìn)行加權(quán)平均，其具體實施步驟如下 (2.1)對步驟1所得到的每幅訓(xùn)練圖像塊，選擇‘haar’小波，分別進(jìn)行4層小波分解，得到分解的小波系數(shù)； (2.2)對分解得到的小波系數(shù)的各個子帶分別進(jìn)行多尺度Wedgelet逼近； (2.3)將分解得到的小波系數(shù)與多尺度Wedgelet逼近后的小波系數(shù)進(jìn)行加權(quán)平均，得到加權(quán)平均后的系數(shù)，該加權(quán)小波系數(shù)一般選取0.7～0.9。
步驟3，采用期望最大化EM算法對每類訓(xùn)練圖像塊加權(quán)平均后的系數(shù)進(jìn)行訓(xùn)練，得到隱馬爾可夫模型參數(shù)Θ； 步驟4，輸入待分割的測試圖像，對測試圖像進(jìn)行小波變換，并對小波變換各個子帶的系數(shù)分別進(jìn)行多尺度Wedgelet逼近，將原小波系數(shù)和多尺度Wedgelet逼近的系數(shù)進(jìn)行加權(quán)平均，根據(jù)隱馬爾可夫模型參數(shù)Θ，求出測試圖像在各尺度下圖像子塊對應(yīng)的似然值likelihoodl，l＞0，其中l(wèi)表示似然值對應(yīng)的尺度； 步驟5，對每類的訓(xùn)練圖像塊進(jìn)行高斯建模，求出測試圖像每個像素點對應(yīng)的似然值likelihood0； 步驟6，根據(jù)各個尺度似然值{likelihoodk|k＝0，1，2，...，K}，采用最大化似然值的算法，得到圖像K+1個尺度上的初分割結(jié)果，其中k＝0表示像素級的似然值，k＝K表示最粗尺度的似然值； 步驟7，對初分割的結(jié)果的最粗尺度，即起始尺度，根據(jù)第一種上下文context-1模型對起始尺度進(jìn)行后融合分割，得到二次分割結(jié)果，具體實施步驟如下 (7.1)提取每個子節(jié)點對應(yīng)的父節(jié)點的類標(biāo)為背景向量V1，同時選擇以父節(jié)點為中心的3×3鄰域內(nèi)的主類標(biāo)為背景向量V2，組成第一種上下文模型context-1，如圖2所示； (7.2)根據(jù)初分割結(jié)果，利用第一種上下文context-1模型得到父節(jié)點的類標(biāo)背景向量V1和以父節(jié)點為中心的3×3鄰域內(nèi)的主類標(biāo)背景向量V2，計算子節(jié)點的背景向量V； (7.3)根據(jù)子節(jié)點的背景向量V和初分割時得到的似然值likelihoodk，計算條件后驗概率 其中，dik表示尺度k上位置i處的特征系數(shù)，vik表示尺度k上位置i處的背景向量，ci為位置i上的像素點所屬的類標(biāo)，ek，c表示尺度k上取類標(biāo)為c的概率，

表示尺度k上背景向量為vi下取類標(biāo)為c的概率； (7.4)利用下式更新ek，c和

的值 其中，vl為背景向量V的確切取值，對于Nc類紋理vl有Nc2種取值，p(ci|dik，vik)為式(1)計算的條件后驗概率； (7.5)重復(fù)步驟(7.2)～步驟(7.3)，直到滿足迭代停機條件，達(dá)到允許誤差為止，得到二次分割結(jié)果； 步驟8，對最粗尺度二次分割的結(jié)果，根據(jù)第二種上下文context-2模型對起始尺度進(jìn)行后融合分割，得到三次分割結(jié)果，具體實施步驟如下 (8.1)提取每個子節(jié)點對應(yīng)的父節(jié)點的類標(biāo)為背景向量V1，分別選擇以父節(jié)點為中心的3×3鄰域內(nèi)的主類標(biāo)為背景向量V2和以樣本點為中心的3×3鄰域內(nèi)的主類標(biāo)為背景向量V3，以組成第二種上下文模型context-2，如圖3所示； (8.2)根據(jù)二次分割結(jié)果，利用第二種上下文context-2模型分別得到父節(jié)點的類標(biāo)背景向量V1、以父節(jié)點為中心的3×3鄰域內(nèi)的主類標(biāo)背景向量V2和以樣本點為中心的3×3鄰域內(nèi)的主類標(biāo)背景向量V3，計算子節(jié)點的背景向量V； (8.3)根據(jù)子節(jié)點的背景向量V和初分割時得到的似然值likelihoodk，計算條件后驗概率 其中，dik表示尺度k上位置i處的特征系數(shù)，vik表示尺度k上位置i處的背景向量，ci為位置i上的像素點所屬的類標(biāo)，ek，c表示尺度k上取類標(biāo)為c的概率，

表示尺度k上背景向量為vi下取類標(biāo)為c的概率； (8.4)利用下式更新ek，c和

的值 其中，vl為背景向量V的確切取值，對于Nc類紋理vl有Nc2種取值，p(ci|dik，vik)為式(4)計算的條件后驗概率； (8.5)重復(fù)步驟(8.2)～步驟(8.3)，直到滿足迭代停機條件，達(dá)到允許誤差為止，得到最粗尺度的最終分割結(jié)果。
步驟9，按照從最粗尺度到最細(xì)尺度的順序，對每一尺度，分別重復(fù)步驟7～步驟8，直到最細(xì)尺度k＝0為止，得到每個尺度的最終分割結(jié)果。
步驟10，取尺度0對應(yīng)的最終分割結(jié)果作為待分割圖像的最終分割結(jié)果。
本發(fā)明的效果可以通過以下仿真結(jié)果進(jìn)一步說明。
1.仿真內(nèi)容應(yīng)用本發(fā)明方法與WD-MTseg方法，分別對兩幅合成紋理圖像，兩幅SAR圖像及兩幅航拍圖像進(jìn)行分割，并給出了合成紋理圖像的錯分率作為客觀評價標(biāo)準(zhǔn)，錯分率Pe定義為圖像總錯分像素點個數(shù)與圖像總像素點個數(shù)的百分比。
2.仿真結(jié)果 圖4為本發(fā)明方法應(yīng)用于合成紋理圖像的分割結(jié)果。其中，圖4(a)為第一幅合成紋理圖像，含有兩類紋理，圖4(b)為WD-HMT方法對第一幅合成紋理圖像的分割結(jié)果，圖4(c)為本發(fā)明方法對第一幅合成紋理圖像的分割結(jié)果，圖4(d)為第二幅合成紋理圖像，含有三類紋理，圖4(e)為WD-HMT方法對第二幅合成紋理圖像的分割結(jié)果，圖4(f)為本發(fā)明方法對第二幅合成紋理圖像的分割結(jié)果，從圖4可以看出，本發(fā)明方法由于利用了Wedgelet良好的“線”和“面”特性，結(jié)合了小波和Wedglet的優(yōu)點，在合成紋理圖像的分割上，較WD-HMT分割方法，在分割結(jié)果區(qū)域一致性有所改善的同時，在分割結(jié)果的邊緣上結(jié)果也有明顯改善。本發(fā)明方法與WD-HMT方法對合成紋理圖錯分率的對比如表1所示。
表1WD-HMT方法和本發(fā)明方法分割結(jié)果的錯分率比較
從表1的錯分率可以看出，本文方法的錯分率略小于WD-HMT方法。
圖5為本發(fā)明方法應(yīng)用于SAR圖像的分割結(jié)果。其中，圖5(a)和圖5(d)為SAR圖像原圖，圖5(b)和圖5(e)為WD-HMT方法對圖像的分割結(jié)果，圖5(c)和圖5(f)為本發(fā)明方法對圖像的分割結(jié)果。
圖6為本發(fā)明方法應(yīng)用于航拍圖像的分割結(jié)果。其中，圖6(a)和圖6(d)為航拍圖像原圖，圖6(b)和圖6(e)為WD-HMT方法對圖像的分割結(jié)果，圖6(c)和圖6(f)為本發(fā)明方法對圖像的分割結(jié)果。
從圖5和圖6的分割結(jié)果可以看出，對SAR圖像和航拍圖像，WD-HMT方法由于小波變換的特點，會產(chǎn)生很多雜塊效應(yīng)，表現(xiàn)為分割結(jié)果存在大量的雜塊，且邊緣分割效果不夠好。由于對小波系數(shù)的Wedgelet逼近的引入，利用Wedgelet良好的“線”和“面”特性，分割結(jié)果的雜塊信息明顯減少，且區(qū)域一致性得到明顯的提高，輪廓更加清晰。
綜上，本發(fā)明利用Wavelet變換和Wedgelet逼近的特點，彌補了小波域隱馬爾科夫樹分割方法對線性奇異的非稀疏的缺點，利用Wedgelet良好的“線”和“面”的逼近特性以及選擇適當(dāng)背景的上下文信息指導(dǎo)后融合充分保留細(xì)尺度上邊緣信息并減少分割結(jié)果中的雜塊效應(yīng)，特別是使用本發(fā)明的方法對于SAR圖像和航拍圖像的處理效果有明顯改進(jìn)。
權(quán)利要求
1.一種基于Wavelet和Wedgelet變換HMT模型的圖像分割方法，包括如下過程
(1)輸入待分割圖像，從輸入圖像中截取Nc類具有均一區(qū)域的訓(xùn)練圖像塊，其中Nc為待分割圖像的類別數(shù)；
(2)對每類訓(xùn)練圖像塊分別進(jìn)行小波變換，并對小波變換各個子帶的系數(shù)分別進(jìn)行多尺度Wedgelet逼近，對原小波系數(shù)和多尺度Wedgelet逼近的系數(shù)進(jìn)行加權(quán)平均；
(3)采用期望最大化EM算法對每類訓(xùn)練圖像塊的加權(quán)系數(shù)進(jìn)行訓(xùn)練，得到隱馬爾可夫模型參數(shù)Θ；
(4)輸入待分割的測試圖像，對測試圖像進(jìn)行小波變換，并對小波變換各個子帶的系數(shù)分別進(jìn)行多尺度Wedgelet逼近，將原小波系數(shù)和多尺度Wedgelet逼近的系數(shù)進(jìn)行加權(quán)平均，根據(jù)模型參數(shù)Θ，求出測試圖像在各尺度下圖像子塊對應(yīng)的似然值likelihoodl，l＞0，l表示似然值對應(yīng)的尺度；
(5)對每類的訓(xùn)練圖像塊進(jìn)行高斯建模，求出測試圖像每個像素點對應(yīng)的似然值likelihood0；
(6)根據(jù)各個尺度似然值{likelihoodk|k＝0，1，2，...，K}，采用最大化似然值(ML)的算法，得到圖像K+1個尺度上的初分割結(jié)果，k＝0表示像素級的似然值，k＝K表示最粗尺度的似然值；
(7)對各個尺度的初分割結(jié)果進(jìn)行修正，即從初分割的最粗尺度開始，對最粗尺度先采用第一種上下文context-1模型，通過最大化序列的后驗概率法對該尺度初分割結(jié)果進(jìn)行二次分割，再利用第二種上下文context-2模型，通過最大化序列的后驗概率法對該尺度的二次分割結(jié)果進(jìn)行三次分割，得到最粗尺度的最終分割結(jié)果，然后以同樣方法進(jìn)行下一尺度的分割，直到完成最細(xì)尺度0的分割停止，取該最細(xì)尺度的分割結(jié)果為待分割圖像最終的分割結(jié)果。
2.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(2)按如下過程進(jìn)行
(2a)對步驟(1)所得到的每幅訓(xùn)練圖像塊，選擇‘haar’小波，分別進(jìn)行4層小波分解，得到分解的小波系數(shù)；
(2b)對分解得到的小波系數(shù)的各個子帶分別進(jìn)行多尺度Wedgelet逼近；
(2c)將分解得到的小波系數(shù)與多尺度Wedgelet逼近后的小波系數(shù)進(jìn)行加權(quán)平均，得到加權(quán)平均后的系數(shù)，該加權(quán)小波系數(shù)一般選取0.7～0.9。
3.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(7)所述的從初分割的最粗尺度開始，對最粗尺度先采用第一種上下文context-1模型，通過最大化序列的后驗概率法對該尺度初分割結(jié)果進(jìn)行二次分割，按如下過程進(jìn)行
(7a)選取第一種上下文context-1模型，即提取每個子節(jié)點對應(yīng)的父節(jié)點的類標(biāo)背景向量V1，同時選擇以父節(jié)點為中心的3×3鄰域內(nèi)的主類標(biāo)為背景向量V2；
(7b)根據(jù)初分割結(jié)果，利用第一種上下文context-1模型得到父節(jié)點的類標(biāo)背景向量V1和以父節(jié)點為中心的3×3鄰域內(nèi)的主類標(biāo)背景向量V2，計算子節(jié)點的背景向量V；
(7c)根據(jù)子節(jié)點的背景向量V和初分割時得到的似然值likelihoodk，計算條件后驗概率
式中dik表示尺度k上位置i處的特征系數(shù)，vik表示尺度k上位置i處的背景向量，ci為位置i上的像素點所屬的類標(biāo)，ek，c表示尺度k上取類標(biāo)為c的概率，
表示尺度k上背景向量為vi下取類標(biāo)為c的概率；
(7d)利用下式更新ek，c和
的值
式中，vl為背景向量V的確切取值，對于Nc類紋理vl有Nc2種取值，p(ci|dik，vik)為步驟(7c)計算得到的條件后驗概率；
(7e)重復(fù)步驟(7c)～步驟(7d)，滿足迭代停止條件，即達(dá)到允許誤差為止，得到二次分割結(jié)果。
4.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(7)所述的利用第二種上下文context-2模型，通過最大化序列的后驗概率法對最粗尺度的二次分割結(jié)果進(jìn)行三次分割，按如下過程進(jìn)行
(7f)選取第二種上下文context-2模型，即提取每個子節(jié)點對應(yīng)的父節(jié)點的類標(biāo)為背景向量V1，分別選擇以父節(jié)點為中心的3×3鄰域內(nèi)的主類標(biāo)為背景向量V2和以樣本點為中心的3×3鄰域內(nèi)的主類標(biāo)為背景向量V3；
(7g)根據(jù)二次分割結(jié)果，利用第二種上下文context-2模型分別得到父節(jié)點的類標(biāo)背景向量V1、以父節(jié)點為中心的3×3鄰域內(nèi)的主類標(biāo)背景向量V2和以樣本點為中心的3×3鄰域內(nèi)的主類標(biāo)背景向量V3，計算子節(jié)點的背景向量V；
(7h)根據(jù)子節(jié)點的背景向量V和初分割時得到的似然值likelihoodk，計算條件后驗概率
(7i)利用下式更新ek，c和
的值
(7j)重復(fù)步驟(7h)～步驟(7i)，直到滿足迭代停止條件，達(dá)到允許誤差為止，得到三次分割結(jié)果；即最粗尺度的最終分割結(jié)果。
全文摘要
本發(fā)明公開了一種基于Wavelet和Wedgelet變換HMT模型的圖像分割方法，它涉及圖像處理領(lǐng)域。主要解決傳統(tǒng)分割方法邊緣保持差的缺點。其過程為提取待分割圖像每類的訓(xùn)練圖像塊，對其多尺度分解小波系數(shù)及小波系數(shù)的多尺度Wedgelet逼近進(jìn)行加權(quán)平均，根據(jù)加權(quán)系數(shù)估計模型參數(shù)Θ，求出待分割圖像在各尺度上數(shù)據(jù)塊對應(yīng)的似然值和每個像素點的似然值，即后融合所需的似然值likelihoodkc，從而獲得各尺度上的初分割結(jié)果；選擇初分割中最可靠層作為起始尺度，對每個尺度依次根據(jù)第一種上下文信息context-1和第二種上下文信息context-2進(jìn)行后融合分割，直到尺度0為止；取最細(xì)尺度的分割結(jié)果作為最終分割結(jié)果。本發(fā)明具有區(qū)域一致性和邊緣保持性好的優(yōu)點，可用于合成紋理圖像，SAR圖像和航拍圖像的分割。
文檔編號G01S13/90GK101609548SQ20081015092
公開日2009年12月23日 申請日期2008年9月12日 優(yōu)先權(quán)日2008年9月12日
發(fā)明者彪 侯, 佩 劉, 婧 徐, 爽 王, 焦李成, 張向榮, 馬文萍 申請人:西安電子科技大學(xué)