專利名稱：基于gmm參數(shù)遷移聚類的sar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SAR圖像分割，可用于雷達目標檢測和目標識別。
背景技術(shù)：
合成孔徑雷達SAR具有全天時、全天候的探測與偵察能力。它利用脈沖壓縮技術(shù)獲得高的距離分辨率，利用合成孔徑原理提高方位分辨率，從而相比真實孔徑雷達在遙感領(lǐng)域具有獨特的優(yōu)勢。對SAR圖像的理解和解譯屬于圖像處理范疇，還涉及信號處理，模式識別及機器學習等眾多學科。由于SAR具有的獨特作用，使得SAR圖像的理解與解譯在國防和民用領(lǐng)域正受到越來越廣泛的關(guān)注，SAR圖像分割作為SAR圖像后續(xù)解譯處理的關(guān)鍵環(huán)節(jié)之一，也就顯得愈加重要。現(xiàn)有的SAR圖像分割方法大致可以分為基于區(qū)域分割方法和基于邊緣的分割方法，基于區(qū)域的分割方法有聚類、閾值分割、區(qū)域生長法等，基于邊緣的分割方法有邊界跟蹤法和圖像濾波法等。其中基于聚類的SAR圖像分割方法，是將SAR 圖像中具有某方面相似特征的區(qū)域劃分成一類。聚類中常用的技術(shù)是機器學習，并已取得了顯著的成功，但是許多機器學習方法由于都是基于訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)來自相同的分布和同一個特征空間的假設(shè)，因而當數(shù)據(jù)分布改變時，大多數(shù)的機器學習方法需要從頭開始學習，要求使用者重新收集大量的訓(xùn)練數(shù)據(jù)來訓(xùn)練模型。而在真實世界中重新收集數(shù)據(jù)然后標記需要花費很昂貴的代價。此外，經(jīng)典機器學習方法EM算法因簡單、容易實現(xiàn)而被廣泛使用，但它本身還存在對初始值敏感，容易陷入局部最優(yōu)的缺陷，造成圖像分割的不穩(wěn)定以及錯分現(xiàn)象。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于GMM參數(shù)遷移聚類的SAR圖像分割方法，以合理利用服從不同分布下的數(shù)據(jù)，提高SAR圖像分割的穩(wěn)定性和分割效果。實現(xiàn)本發(fā)明的技術(shù)思路是從待分割SAR圖像中提取小波特征為待劃分的樣本， 初始聚類幾次，通過聚類一致性值把樣本劃分成易分與不易分兩類，即源域和目標域，然后在源域中學習參數(shù)以指導(dǎo)目標域的劃分，最終得到圖像分割結(jié)果。具體實現(xiàn)步驟包括如下(1)輸入待分割SAR圖像，確定需要將圖像劃分的類別數(shù)C ；(2)對SAR圖像提取特征對待分割的SAR圖像進行3層平穩(wěn)小波變換，圖像像素點總個數(shù)為n，對每個像素點提取出10維子帶能量特征，構(gòu)成大小為ηX 10的輸入數(shù)據(jù)樣本集X= Ixi |i = 1,2,... ,η}
1 MNX1 = Vr-T7ZZIcoeZ(e^)I其中，MXN為利用滑動窗口確定的子帶大小，這里取值為16X16，COef(e，u)為平穩(wěn)小波子帶中第e行第u列的系數(shù)值；(3)設(shè)置初始參數(shù)樣本近鄰數(shù)K = 7，用k-means聚類算法獲得樣本初始標簽Lm， 聚類一致性值的閾值thre = 0.6 ；(4)對數(shù)據(jù)樣本集X分別用EM算法聚類4次，用k-means聚類3次，得到7組聚類
結(jié)果；(5)對7組聚類結(jié)果求每個樣本的聚類一致性值CI ；(6)根據(jù)CI和thre，把數(shù)據(jù)樣本集X劃分成源域和目標域CI彡0.6的樣本為源域Xs，CI <0.6為目標域Xt;(7)用基于GMM的EM算法對源域Xs參數(shù)估計，得到GMM的均值μ j和協(xié)方差ο j 兩個類參數(shù)，j表示類別；(8)用K近鄰算法尋找目標域每個樣本在源域中的K個近鄰點(K = 6)，并根據(jù)步驟中獲得的標簽求6個近鄰點的聚類一致性值CI ‘；(9)根據(jù)CI ‘并結(jié)合步驟(7)中獲得的源域參數(shù)，計算目標域的均值μ 和協(xié)方差σ 兩個新參數(shù)，即將源域參數(shù)遷移至目標域；(10)將所述兩個新參數(shù)代入高斯分布的公式求得目標域每個樣本的概率值，得到圖像的最終劃分結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(1)本發(fā)明通過尋找目標域樣本在源域樣本中的K近鄰點，由近鄰點的聚類一致性值來影響目標域參數(shù)的變化，實際上是加入了樣本的局部空間信息，從而能有效提高聚類算法的性能。(2)本發(fā)明通過遷移學習將GMM的源域參數(shù)遷移至目標域，使得目標域參數(shù)更加的接近真實參數(shù)，從而分割效果穩(wěn)定良好，分割圖像區(qū)域一致性好，能夠更加準確的識別地物。仿真實驗表明本發(fā)明在細節(jié)劃分、區(qū)域一致性上都優(yōu)于傳統(tǒng)EM算法。


圖1是本發(fā)明的實現(xiàn)流程圖；圖2是本發(fā)明與現(xiàn)有方法對包含山地和平坦地區(qū)的兩類SAR圖像的仿真分割對比圖；圖3是本發(fā)明與現(xiàn)有方法對包含森林和田地兩類SAR圖像的仿真分割對比圖。
具體實施例方式參照圖1，本發(fā)明的具體實施過程如下步驟1.輸入待分割SAR圖像，根據(jù)圖像內(nèi)容，判斷需要識別的主要目標及背景，確定分割類別數(shù)C，本實例中的C取值為2。步驟2.提取待分割SAR圖像的特征。SAR圖像不僅數(shù)據(jù)量大，在成像過程中不同的地物有不同的后向發(fā)射和散射特性， 從而具有豐富的幅度、相位、極化和紋理信息，并且，圖像固有的相干斑噪聲對于分割性能直接產(chǎn)生影響，因此，有必要在圖像分割前對SAR圖像進行紋理分析，提取有效的紋理特征進行聚類。在以上分析基礎(chǔ)上，對待分割的SAR圖像進行3層平穩(wěn)小波變換，圖像像素點總個數(shù)為n，對每個像素點提取出10維子帶能量特征，構(gòu)成大小為ηX 10的輸入數(shù)據(jù)樣本集X = (Xi I i = 1,2, . . . , η}
1 MNX1 = Vr-T7ZZIcoeZ(e^)I其中，MXN為利用滑動窗口確定的子帶大小，這里取值為16X16，COef(e，u)為平穩(wěn)小波子帶中第e行第u列的系數(shù)值，這樣，對于本實例中大小為256X256的SAR圖像，就構(gòu)成65536 X 10的矩陣作為GMM參數(shù)遷移聚類方法的輸入數(shù)據(jù)。步驟3.設(shè)置初始參數(shù)樣本近鄰數(shù)K為7，聚類一致性值的閾值thre = 0. 6。步驟4.對數(shù)據(jù)樣本集X分別用基于GMM的EM算法聚類4次、k-means聚類算法聚類3次。(4a)對數(shù)據(jù)樣本集X = Ixi I i = 1，2，· · ·，η}隨機生成一個歸屬矩陣Zij
權(quán)利要求
1. 一種基于GMM參數(shù)遷移聚類的SAR圖像分割方法，包括以下步驟(1)輸入待分割SAR圖像，確定需要將圖像劃分的類別數(shù)C；(2)對SAR圖像提取特征對待分割的SAR圖像進行3層平穩(wěn)小波變換，圖像像素點總個數(shù)為n，對每個像素點提取出10維子帶能量特征，構(gòu)成大小為ηX 10的輸入數(shù)據(jù)樣本集X
2.根據(jù)權(quán)利要求1所述的SAR圖像分割方法，其中步驟(4)所述的對數(shù)據(jù)樣本集X分別用EM算法聚類4次、用k-means聚類3次，得到7組聚類標簽，按照如下步驟進行(4a)數(shù)據(jù)集為 X = IxiIi = 1，2，···，n}，其中 η 為數(shù)據(jù)個數(shù)，Xi = {xn, xi2,. . . , xj , m為維數(shù)，首先隨機生成一個歸屬矩陣Zij
3.根據(jù)權(quán)利要求1所述的SAR圖像分割方法，其中步驟(5)所述的對7組聚類結(jié)果求樣本聚類一致性值Cl，根據(jù)下式計算
4.根據(jù)權(quán)利要求1所述的SAR圖像分割方法，其中步驟(9)所述計算目標域的均值 μ Jnew和協(xié)方差σ Jnew兩個新參數(shù)，按照如下公式進行，
全文摘要
本發(fā)明公開了一種基于GMM參數(shù)遷移聚類的SAR圖像分割技術(shù)方法，主要解決現(xiàn)有技術(shù)分割結(jié)果不穩(wěn)定、精度和區(qū)域一致性不理想的問題。其實現(xiàn)過程是1)輸入圖像，確定分割類數(shù)；2)提取特征；3)設(shè)置初始參數(shù)；4)對樣本聚類7次，得到7組聚類結(jié)果；5)求聚類一致性值；6)根據(jù)聚類一致性值把樣本劃分成源域和目標域；7)用EM算法對源域進行參數(shù)估計；8)尋找目標域樣本在源域樣本中的K近鄰點并求出這些點的聚類一致性值；9)根據(jù)K近鄰點的一致性值和源域參數(shù)，求目標域的新參數(shù)；10)根據(jù)新參數(shù)求目標域每個樣本的概率值，得到圖像最終分割結(jié)果。本發(fā)明具有分割效果穩(wěn)定良好、區(qū)域一致性好的優(yōu)點，可用于雷達目標檢測和識別。
文檔編號G06T5/00GK102360496SQ201110318739
公開日2012年2月22日 申請日期2011年10月19日 優(yōu)先權(quán)日2011年10月19日
發(fā)明者喬鑫, 張向榮, 李陽陽, 楊淑媛, 焦李成, 緱水平, 費全花, 趙一帆 申請人:西安電子科技大學