專利名稱：一種基于多尺度特征融合的sar圖像分割方法
技術領域：
本發(fā)明涉及一種SAR圖像分割方法，是一種基于多尺度特征融合的SAR圖像分割 方法。
背景技術：
合成孔徑雷達(Synthetic Aperture Radar, SAR)是一種工作在微波波段的成像 系統(tǒng)，具有全天侯、全天時、多視角、多分辨率數(shù)據(jù)獲取的能力。因此，它在國防、軍事、環(huán)境、 災害等的偵察和監(jiān)視中有著不可估量的應用價值。SAR圖像也因其具有較高的空間分辨率， 細節(jié)信息比較豐富的特點受到研究者的廣泛關注，對SAR圖像的分割則是SAR應用領域的 一個重要方面。但由于SAR是一種相干成像系統(tǒng)，因此SAR圖像要受其固有的相干斑噪聲 的嚴重影響，這種噪聲的存在降低了 SAR圖像的質(zhì)量，使其分割工作變得更為困難。因此， SAR圖像分割的研究具有重要的理論意義和學術價值。目前已有的多種SAR圖像分割算法都存在或多或少的缺點基于閾值的分割方法 較為簡單，但最易受到相干斑噪聲的影響，由于該方法沒有考慮SAR圖像中的上下文信息， 沒有對SAR圖像中的紋理進行分析，因此分割效果較差；基于邊緣檢測的分割方法也容易 受到相干斑噪聲的干擾，而且存在漏檢和誤檢之間的矛盾，很難達到令人滿意的效果；基于 紋理特征聚類的SAR圖像分割，由于涉及到對SAR紋理特征的提取，可以在一定程度上改善 基于灰度閾值分割的效果，但是同樣存在特征選擇、特征組合和聚類算法選取等問題；基于 馬爾可夫隨機場模型的SAR圖像分割，涉及到較多的概率統(tǒng)計知識且模型較復雜。綜上所述，現(xiàn)有的SAR圖像分割方法沒有充分利用SAR圖像本身含有的豐富的紋 理信息和灰度信息，對SAR圖像特征提取不全面，分割效果不好等不足，以至于不能給出高 效的用于SAR圖像分割的特征。

發(fā)明內(nèi)容
要解決的技術問題為了避免現(xiàn)有技術的不足之處，本發(fā)明提出一種基于多尺度特征融合的SAR圖像 分割方法，首先利用快速離散 Curvelet 變換(Fast Discrete Curvelet Transform, FDCT) 提取圖像的紋理特征，并利用平穩(wěn)小波變換(Stationary Wavelet Transform, SWT)提取圖 像的統(tǒng)計特征，然后將兩種多尺度特征融合成高維的特征向量，最后采用模糊C均值聚類 的方法進行分割。在消除均質(zhì)區(qū)內(nèi)碎塊的同時，使得邊界更為精準和平滑。技術方案一種基于多尺度特征融合的SAR圖像分割方法，其特征在于步驟如下步驟1 對SAR圖像矩陣中每個像素的M1XN1鄰域進行FDCT變換，生成子帶系數(shù)， 其中 1 彡 M1 彡 min {height, width}，1 彡 N1 彡 min {height, width}，M1, N1 e Z+，height 表 示圖像的長，width表示圖像的寬，min {height，width}表示height，width中最小數(shù)值；
步驟2 根據(jù)curvelet能量的計算公式e = —S1 |2，計算每個像素鄰域FDCT變
i=\
換后子帶系數(shù)的能量，作為SAR圖像分割的1維紋理特征，其中Si為FDCT子帶系數(shù)中任一 元素，N1代表所有的子帶系數(shù)元素的個數(shù)之和；步驟3 對SAR圖像中每個像素的M2XN2鄰域進行M層SWT變換，選取L = 3M+1 幅分解子圖作為下一步提取統(tǒng)計特征的L維向量，每幅子圖對應一個子帶系數(shù)矩陣，其中 1 彡 M2 彡 min {height, width}，1 彡 N2 彡 min {height, width}, M2, N2, M e Z+,子帶大小為 M2XN2 ；所述分解子圖包括一幅低頻子圖和所有的高頻子圖；步驟4 將L維向量的均值碑和L維向量的標準差&作為SAR圖像分割的2L維統(tǒng)
1M1 N2
計特征，L維向量的均值_根據(jù)碑^Τ^-ΓΓΣΣιm,(x,y)ι得到，L維向量的標準差σ根據(jù)
1 M2 N2
σηι =ΣΣΟ^，})-場)2得到，其中叫“^為分解的第i個子帶叫在位置(x，
V M2 XN2 χ=ι y^x
y)的值，1 ^ i ^ L, i e Z+ ；步驟5 將步驟2得到的紋理特征向量和步驟4得到的統(tǒng)計特征向量通過合并融 合成2L+1維特征向量；步驟6 采用模糊C均值聚類方法對2L+1維特征向量進行聚類，得到最后的分割 結果；其中C為正整數(shù)，大于等于2。有益效果本發(fā)明提出的一種基于多尺度特征融合的SAR圖像分割方法，考慮到SAR圖像中 固有的相干斑噪聲降低了原圖像的灰度分辨率及其擁有豐富的紋理信息的特點，本發(fā)明首 先對FDCT系數(shù)提取紋理信息，并對SWT系數(shù)提取統(tǒng)計信息，然后將兩種多尺度信息融合成 高維的特征向量，最后采用模糊C均值聚類的方法進行分割。該方法充分利用Curvelet變 換以“長條形”的方式逼近奇異曲線的優(yōu)點，可以有效避免斑點噪聲對紋理信息提取的干 擾。與SWT系數(shù)統(tǒng)計特征的融合，有效利用了 SAR圖像的紋理信息和灰度統(tǒng)計信息，可以達 到良好的分割效果。


圖1 基于多尺度特征融合的SAR圖像分割方法的流程2 離散Curvelet頻域空間區(qū)域分塊圖
具體實施例方式現(xiàn)結合實施例、附圖對本發(fā)明作進一步描述步驟1 對SAR圖像矩陣中每個像素的N1XN1鄰域進行FDCT變換，生成對應的包 括不同分解尺度下各個方向的子帶系數(shù)矩陣，其中1 SN1 SminIheight^idthKN1 e Z+， height表示圖像的長，width表示圖像的寬，min {height, width}表示height, width中最 小數(shù)值。這里選擇像素點的FDCT鄰域窗口大小為16 X 16，對圖像進行一級FDCT變換，得到 一個FDCT子帶，即N1 = 16 ；
步驟2 根據(jù)curvelet能量的計算公式
權利要求
1. 一種基于多尺度特征融合的SAR圖像分割方法，其特征在于步驟如下 步驟1 對SAR圖像矩陣中每個像素的M1XN1鄰域進行FDCT變換，生成子帶系數(shù)，其中 1 彡 M1 彡 min{height, width}，1 彡 N1 彡 min{height, width}，M1, N1 e Z+，height 表示圖 像的長，width表示圖像的寬，min {height，width}表示height，width中最小數(shù)值； 步驟2 根據(jù)curvelet能量的計算公式e
全文摘要
本發(fā)明涉及一種基于多尺度特征融合的SAR圖像分割方法，首先利用快速離散Curvelet變換(Fast Discrete Curvelet Transform，F(xiàn)DCT)提取圖像的紋理特征，并利用平穩(wěn)小波變換(Stationary Wavelet Transform，SWT)提取圖像的統(tǒng)計特征，然后將兩種多尺度特征融合成高維的特征向量，最后采用模糊C均值聚類的方法進行分割。在消除均質(zhì)區(qū)內(nèi)碎塊的同時，使得邊界更為精準和平滑。本方法有效避免斑點噪聲對紋理信息提取的干擾。與SWT系數(shù)統(tǒng)計特征的融合，有效利用了SAR圖像的紋理信息和灰度統(tǒng)計信息，可以達到良好的分割效果。
文檔編號G06T5/00GK102081791SQ20101056470
公開日2011年6月1日 申請日期2010年11月25日 優(yōu)先權日2010年11月25日
發(fā)明者張艷寧, 李映, 胡杰 申請人:西北工業(yè)大學