CN102054268A - 自适应分割sar图像水域的方法 - Google Patents

Abstract

本发明公开了一种自适应分割SAR图像水域的方法，主要解决现有技术参数固定，分割边界不精确的问题。其实现过程是：(1)人工获取标签集合并建立对应的数学模型；(2)利用该数学模型得到一次分割结果；(3)根据一次分割结果自适应获取二次分割的目标区域；(4)在该目标区域内，自动生成标签，并计算测地距离，获得最终分割结果。本发明可以针对一次分割边界自适应地计算二次分割的目标区域，降低了用固定带宽参数而带来的计算复杂度，同时也提高了二次分割的精度，可用于SAR图像水域分割、水域检测、桥梁检测。

Description

自适应分割SAR图像水域的方法

技术领域

本发明属于图像处理技术领域，涉及一种SAR图像水域分割的方法，可以有效的自适应选取二次分割的目标区域。

背景技术

SAR图像水域分割在环境监测方面已经成为一个作用日渐显著的重要工具，例如在洪水情况监测，海岸线提取等方面。

SAR图像以其全天候全天时的特点与其他类型的光学卫星图像相比具有明显的优势。例如，由于SAR图像可以穿越云层进行拍摄这一突出特点，这就为洪水监测提供了重要的依据，因为洪水发生的地区，通常上空都有较厚的云层。SAR图像水域分割有其自身的问题特点，平滑的水域表面对于雷达波段的入射波来说，相当于镜面反射体。它几乎吸收了大部分入射的波的能量，而只有极少的能量反射回去。因此这部分区域在SAR图像中表现为灰度值较低的区域。相比起来陆地区域部分，由于漫散射造成的在SAR图像中表示为灰度值较高，显得较亮，水域区域部分在SAR图像中会显得比较暗。湿地及被淹没的地区，由于陆地与树木、树冠之间存在的双回波和多径散射的作用，使得这一类被淹没地区在SAR图像上呈现出亮度明显高出这一显著特征。

目前SAR图像分割已经有不少的研究成果。根据SAR图像分割使用先验知识的特点，将分割方法主要分为基于数据驱动和基于模型驱动两大类。基于数据驱动SAR图像分割是指直接对当前图像数据进行操作，虽然也有利用相关的先验知识，但并不单单依赖于先验知识；基于模型驱动的SAR图像分割方法则直接建立在先验知识上。由于SAR图像的本身具有相干斑噪声干扰，同时水域周围背景十分复杂，这使得SAR图像水域分割存在很多困难。现有的许多SAR图像水域分割方法依赖人工选择关键参数，由于参数选择造成分割结果不稳定的问题，例如Shan Huang等提出的基于疏散度的水域提取方法(APSAR2009，Xian，China.2009：498-501)以及杨蕾等提出的基于灰度统计及区域编码的SAR图像水域识别方法(专利申请号：200810236455)。将这些方法应用于尺寸大、背景复杂的图像时，往往获得的结果较不理想同时处理所耗费的时间较长。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种自适应分割SAR图像水域的方法，以自适应地获得目标区域，减少处理图像所耗费的时间，提高分割结果的稳定性。

为实现上述目的，本发明首先人工获取标签集合并建立对应的数学模型；然后利用该数学模型得到一次分割结果；再根据一次分割结果自适应获取二次分割的目标区域；最后在该目标区域内自动生成标签，并计算测地距离，获得最终分割结果。具体步骤包括：

(1)人工建立待分割图像中水域的标签集合Ω_W和陆地的标签集合Ω_L；对水域的标签集合Ω_W和陆地的标签集合Ω_L分别建立如下水域模型F_W(x)和陆地模型F_L(x)：

$F_W\left(x\right)=\frac{N^N\·x^{N-1}}{(N-1)!{\stackrel{\‾}{I}}^N}\exp (-\frac{N\·x}{\stackrel{\‾}{I}})$

其中，N为水域标签集合Ω_W中图像的等效视数，

为水域标签集合Ω_W中图像的均值，x是像素点的灰度值；

F_L(x)＝k₁·f₁(x)+k₂·f₂(x)

$f_1\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}\exp (-\frac{{(x-{\mathrm{\μ}}_1)}^2}{2{{\mathrm{\σ}}_1}^2})$

$f_2\left(x\right)=\frac{2}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}\exp (-\frac{{(-|x|-{\mathrm{\μ}}_2)}^2}{2{{\mathrm{\σ}}_2}^2})$

其中，

σ₁为陆地标签集合，Ω_L中像素点灰度值的标准差，μ₁为陆地标签集合Ω_L中像素点灰度值的均值；

μ₂和σ₂分别为Ω_B中像素点灰度值的最大值和标准差，Ω_B是在取灰度阈值为200的条件下陆地标签集合Ω_L的子集合；

(2)将待分割图像上的任一像素点i的像素值x_i代入水域模型的函数式F_W(x)和陆地模型的函数式F_L(x)，计算像素点i分别属于水域标签集合Ω_W的概率和属于陆地标签集合Ω_L的概率

若属于水域标签集合Ω_W的概率

大于属于陆地标签集合Ω_L的概率则将点i分入水域这一类，否则就将点i分入陆地这一类；

(3)对待分割图像上的所有像素点重复步骤(2)的操作，得到一次分割结果；

(4)在一次分割结果边缘禬_W的基础上，自适应地获得需进行二次分割的目标区域Ω_belt：

4a)在一次分割的结果上得到分割边缘禬_W；

4b)输入待分割图像，基于恒虚警率检测准则，采用Gamma模型计算得到对应待分割图像的检测阈值I_c，将检测阈值I_c代回到水域模型F_W(x)和陆地模型F_L(x)中，得到基于恒虚警率检测的判决门限为T_C；

4c)沿着一次分割结果得到的分割边缘禬_W做滑动窗口，滑窗的形状为半径R₀的圆形，计算该窗口内任一像素点i的权值W(x)：

$W\left(x\right)=\left\{\begin{array}{cc}{x}^2& 0\&le;x<T_C\\ (x-T_C)& T_C\&le;x\&le;1\end{array}\right.$

其中，x是像素点i的灰度值；

4d)计算当前窗口内所有像素点到边缘禬_F的加权距离均值E(x₀)：

$E\left(x_0\right)=\frac{\underset{x\&Element;N\left(x_0\right)}{\mathrm{\&Sigma;}}W\left(x\right)d\left(x\right)}{\underset{x\&Element;N\left(x_0\right)}{\mathrm{\&Sigma;}}W\left(x\right)}$

其中，N(x₀)是以x₀为中心的窗口，d(x)是从当前窗口内任一像素点i出发到边缘禬_W的欧式距离；

4e)计算当前窗口内所有像素点到边缘禬_F的加权距离方差D(x₀)：

$D\left(x_0\right)=\frac{\underset{x\&Element;N\left(x_0\right)}{\mathrm{\&Sigma;}}W\left(x\right){(d\left(x\right)-E\left(x_0\right))}^2}{\underset{x\&Element;N\left(x_0\right)}{\mathrm{\&Sigma;}}W\left(x\right)};$

4f)通过统计窗口内边缘禬_W像素点的个数计算窗口内边缘禬_W的长度L(x₀)，求得当前窗口的长度差

？L(x₀) L(x₀)-2R₀；

4g)将求得的E(x₀)，D(x₀)和

代入半径公式，获得自适应窗口半径R：

R＝max{？L(x₀)，E(x₀) D(x₀)}；

4h)以边缘禬_W上任一点x₀为圆心，以R作为滑动窗口新的半径，组成目标区域Ω_belt；

(5)在目标区域Ω_belt内，自动生成新的水域标签集合Ω_Wbelt和陆地标签集合Ω_Lbelt；通过测地距离公式计算任一像素点i到陆地标签集合Ω_Lbelt测地距离D_L(x)和到水域标签集合Ω_Wbelt的测地距离D_W(x)；若像素点i到水域标签集合Ω_Wbelt的测地距离D_W(x)小于到陆地标签集合Ω_Lbelt的测地距离D_L(x)，则将点i分入水域这一类，否则就将点i分入陆地这一类；

(6)对目标区域Ω_belt上的所有像素点重复步骤(5)的操作，得到最终分割结果。

本发明与现有的技术相比具有以下优点：

1.由于本发明首先建立了合理的水域模型F_W(x)和陆地模型F_L(x)，然后利用该模型得到一次分割结果，在一次分割的结果上通过生成滑动窗口新的半径获得自适应的目标区域，解决了现有相关方法依赖人工选择目标区域的问题。

2.由于本发明根据待分割图像的灰度值，通过权值，加权距离均值、方差和差距离四个公式，获得待分割图像对应的权值W(x)，加权距离均值E(x₀)，加权距离方差D(x₀)，长度差

四个关键参数，解决了现有相关方法依赖人工输入参数导致分割结果不稳定的问题。

3.由于本发明通过目标区域获得的关键参数得到相应的自适应宽度，减少了无意义像素点，提高了分割效率。

4.由于本发明在自适应目标区域内通过计算像素点的测地距离，将计算范围锁定在自适应目标区域内，大大的减少了需要计算的点的数目，明显降低了时间复杂度，解决了现有方法时间复杂度高的问题。

附图说明

图1是本发明的流程图；

图2是输入三幅不同的待分割SAR图像；

图3是用本发明获得的一次分割结果和一次分割边缘示意图；

图4是用本发明获得的自适应区域和二次分割结果示意图；

图5是用本发明方法对输入的一幅待分割的SAR图像的仿真结果图。

具体实施方法

参照附图1，本发明的实现步骤主要包括：建立数学模型，一次分割，自适应获得目标区域，二次分割，具体实现方式如下：

步骤1，建立数学模型。

人工建立待分割图像图2(a)，图2(b)，图2(c)，图5(a)中水域的标签集合Ω_W和陆地的标签集合Ω_L；对水域的标签集合Ω_W和陆地的标签集合Ω_L分别建立如下水域模型F_W(x)和陆地模型F_L(x)：

$F_W\left(x\right)=\frac{N^N\&CenterDot;x^{N-1}}{(N-1)!{\stackrel{\&OverBar;}{I}}^N}\exp (-\frac{N\&CenterDot;x}{\stackrel{\&OverBar;}{I}})$

其中，N为水域标签集合Ω_W中图像的等效视数，

为水域标签集合Ω_W中图像的均值，x是像素点的灰度值；

F_L(x)＝k₁·f₁(x)+k₂·f₂(x)

$f_1\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_1}\exp (-\frac{{(x-{\mathrm{\&mu;}}_1)}^2}{2{{\mathrm{\&sigma;}}_1}^2})$

$f_2\left(x\right)=\frac{2}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_2}\exp (-\frac{{(-|x|-{\mathrm{\&mu;}}_2)}^2}{2{{\mathrm{\&sigma;}}_2}^2})$

其中，

σ₁为陆地标签集合Ω_L中像素点灰度值的标准差，μ₁为陆地标签集合Ω_L中像素点灰度值的均值；

μ₂和σ₂分别为Ω_B中像素点灰度值的最大值和标准差，Ω_B是在取灰度阈值为200的条件下陆地标签集合Ω_L的子集合。

步骤2，一次分割。

将待分割图像上的任一像素点i的像素值x_i代入水域模型的函数式F_W(x)和陆地模型的函数式F_L(x)，计算任一像素点i分别属于水域标签集合Ω_W的概率

和属于陆地标签集合Ω_L的概率

若属于水域标签集合Ω_W的概率

大于属于陆地标签集合Ω_L的概率

则将点i分入水域这一类，否则就将点i分入陆地这一类；

其中，属于水域标签集合Ω_W的概率和属于陆地标签集合Ω_L概率，分别通过如下公式求得：

${\stackrel{\&OverBar;}{P}}_W\left(x_i\right)=\frac{P_W\left(x_i\right)}{P_W\left(x_i\right)+P_L\left(x_i\right)}$

${\stackrel{\&OverBar;}{P}}_L\left(x_i\right)=\frac{P_L\left(x_i\right)}{P_W\left(x_i\right)+P_L\left(x_i\right)}$

式中P_W(x_i)是将像素点i的像素值x_i代入水域模型的函数式F_W(x)求得的概率，P_L(x_i)是将像素点i的像素值x_i代入陆地模型的函数式F_L(x)求得的概率；

步骤3，对待分割图像上的所有像素点重复步骤2的操作，得到一次分割结果，如图3(b)，图3(d)，图3(f)所示；

步骤4，自适应获得目标区域。

在一次分割结果的基础上，自适应地获得需进行二次分割的目标区域Ω_belt；

4a)在一次分割的结果上得到分割边缘禬_W；

4b)输入待分割图像，基于恒虚警率检测准则，采用Gamma模型计算得到对应待分割图像的检测阈值I_c，将检测阈值I_c代回到水域模型F_W(x)和陆地模型F_L(x)中，得到基于恒虚警率检测的判决门限为T_C；

4c)沿着一次分割结果得到的分割边缘禬_F做滑动窗口，滑窗的形状为半径R₀的圆形，计算该窗口内任一像素点i的权值W(x)：

$W\left(x\right)=\left\{\begin{array}{cc}{x}^2& 0\&le;x<T_C\\ (x-T_C)& T_C\&le;x\&le;1\end{array}\right.$

其中，x是像素点i的灰度值；

4d)计算当前窗口内所有像素点到边缘禬_F的加权距离均值E(x₀)：

$E\left(x_0\right)=\frac{\underset{x\&Element;N\left(x_0\right)}{\mathrm{\&Sigma;}}W\left(x\right)d\left(x\right)}{\underset{x\&Element;N\left(x_0\right)}{\mathrm{\&Sigma;}}W\left(x\right)}$

其中，N(x₀)是以x₀为中心的窗口，d(x)是从当前窗口内任一像素点i出发到边缘禬_F的欧式距离；

4e)计算当前窗口内所有像素点到边缘禬_W的加权距离方差D(x₀)：

$D\left(x_0\right)=\frac{\underset{x\&Element;N\left(x_0\right)}{\mathrm{\&Sigma;}}W\left(x\right){(d\left(x\right)-E\left(x_0\right))}^2}{\underset{x\&Element;N\left(x_0\right)}{\mathrm{\&Sigma;}}W\left(x\right)};$

4f)通过统计窗口内边缘禬_W像素点的个数计算窗口内边缘禬_W的长度L(x₀)，求得当前窗口的长度差

？L(x₀) L(x₀)-2R₀；

4g)将求得的E(x₀)，D(x₀)和

代入半径公式，获得自适应窗口半径R：

R＝max{？L(x₀)，E(x₀) D(x₀)}；

4h)以边缘禬_W上任一点x₀为圆心，以R作为滑动窗口新的半径，组成目标区域W_belt；如图4(a)，图4(c)，图4(e)所示，用沿着以水域边缘各个像素点为中心的圆交集勾勒出的部分就是目标域同心圆的交集表示目标区域。

步骤5，二次分割。

5a)在目标区域Ω_belt上，以每一个窗口为目标，在该窗口内搜索属于水域这一类概率最大的点，属于陆地这一类概率最大的点，将目前该窗口内的这两类概率分别最大的点看作是新的水域标签集合Ω_Wbelt和陆地标签集合Ω_Lbelt；

5b)将陆地标签集合Ω_Lbelt和水域标签集合Ω_Wbelt代入测地距离公式计算，获得目标区域Ω_belt内任一像素点i到陆地标签集合Ω_Lbelt的测地距离D_L(x)和到水域标签集合Ω_Wbelt测地距离D_W(x)：

$D_l\left(x\right):={\min }_{s\&Element;{\mathrm{\&Omega;}}_l}d(s,x_i),l\&Element;\{{\mathrm{\&Omega;}}_{\mathrm{Wbelt}},{\mathrm{\&Omega;}}_{\mathrm{Lbelt}}\}$

其中， $d(s_1,s_2):={\min }_{C_{s_1,s_2}}{\&Integral;}_{s_1}^{s_2}|W_{\mathrm{belt}}\left(x_i\right)\&CenterDot;{\stackrel{\&CenterDot;}{C}}_{s_1,s_2}\left(x_i\right)|d{x}_i$

式中x_i为像素点i的灰度值，为连接目标区域Ω_belt上任意两个像素点s₁，s₂之间的路径，W_belt(x)为目标区域Ω_belt内像素点i的权值：

$W_{\mathrm{belt}}\left(x\right)=e^{|{\stackrel{\&OverBar;}{P}}_W^{\&prime;}\left(x_i\right|{\mathrm{\&Omega;}}_{\mathrm{belt}})-{\stackrel{\&OverBar;}{P}}_W^{\&prime;}\left(x_{\mathrm{iNeighbor}|{\mathrm{\&Omega;}}_{\mathrm{belt}}}\right)|}$

式中e是放缩因子，

是像素点i属于水域或陆地的概率，x_iN是像素点i的邻域点，它对应的水域或陆地概率为

5c)若目标区域Ω_belt任一像素点i到集合Ω_Wbelt的测地距离D_W(x)小于到集合Ω_Lbelt的测地距离D_L(x)，则将点i分入水域这一类，否则就将点i分入陆地这一类；

步骤6，对目标区域Ω_belt上的所有像素点重复步骤5的操作，得到最终分割结果，如图4(b)，图4(d)，图4(f)和图5(b)所示；

本发明效果可以通过以下实验进一步证实：

一.实验条件和内容：

实验条件：实验计算机CPU主频为2.70GHz，内存2GB。实验使用matlab语言编程实现。为了验证本文中的方法的分割效果，本实验使用Washington D.C分辨率为1米的SAR图像进行了实验。图源来自美国http://www.sandia.gov/radar/images/网站的SAR图像，第一类待分割图像是实验数据为码头和桥梁情况相对简单的三幅尺寸较小的SAR图像如图2(a)，图2(b)，图2(c)所示，，分别代表了码头密集型SAR图像，港口比例较小的SAR图像和河流明显弯曲型SAR图像，大小分别为200×180，264×255以及350×225。第二类待分割图像是实验数据为码头和桥梁情况非常复杂的大尺寸SAR图像如图5(a)所示，大小为810×2000。

实验内容：在上述实验条件下，对输入待分割图像图2(a)，图2(b)，图2(c)进行水域分割，获得的一次分割结果如图3(b)，图3(d)，图3(f)所示。

在一次分割结果图3(b)，图3(d)，图3(f)上获得的自适应目标域如图4(a)，图4(c)，图4(e)中沿着水域边缘各个像素点为中心的圆交集所示。

待分割图像图2(a)，图2(b)，图2(c)，图5(a)的最终分割结果如图4(b)，图4(d)，图4(f)，图5(b)所示。

二.实验结果：

为了客观评价本方法的水域分割结果，用本方法的水域分割结果图4(b)，图4(d)，图4(f)，图5(b)和现有的基于疏散度的方法以及基于灰度统计及区域编码的方法分别与水域分割模板进行了比较，并计算了正确率、错误率、漏检率、Kappa系数、运行时间，详细结果列于表1中。

表1水域分割的性能指标对比

表格中的每一行指标的最优值都用加粗突出表示。从表1中可以看出，对比现有方法，本发明在处理较小尺寸的SAR像时获得的正确率和Kappa系数要明显高出，其中正确率提高约3％，Kappa系数提高约1％；同时获得的漏检率、错误率上要明显减小，其中漏检率下降约1.5％，错误率下降约1.5％。在处理大尺寸的SAR图像时，错误率较小尺寸的图像略有上升，同时Kappa系数有所下降，但是最终结果还是要明显好于基于疏散度的方法以及基于灰度统计及区域编码的方法。本发明的运行时间也明显小于上述两种方法，约为现有方法耗时的1/5以下。

从实验结果可以看出，在处理图2(a)这种码头密集，港口形状很不规则的图像时，本方法可以有效做到对复杂轮廓的准确提取，特别是在港口部分间隙很小处，现有方法无法进行分割的，本方法仍然能有效的做到正确分割。在处理图2(b)这种港口比例很小且桥梁情况复杂的图像时，现有方法无法精确勾勒港口、桥梁的形状，本方法可以有效保持港口目标的完整和准确同时保证桥梁的准确分割。在处理图2(c)这种水域明显弯曲的图像时，现有方法未能正确反映水域轮廓的细节信息，本方法却可以有效保持水域轮廓真实形状，同时保证分割得到的港口和桥梁也完整准确。在处理图5(a)这种大尺寸的SAR图像时，本方法也表现出良好的分割性能，在保证分割速度的前提下，相比现有方法，本方法不单是时间上具有明显优势，同时保证了分割结果的准确性，特别是对于细节信息的保持例如，复杂的港口轮廓等也非常有效。

Claims (4)

1.一种自适应分割SAR图像水域的方法，包括如下步骤：

(1)人工建立待分割图像中水域的标签集合Ω_W和陆地的标签集合Ω_L；对水域的标签集合Ω_W和陆地的标签集合Ω_L分别建立如下水域模型F_W(x)和陆地模型F_L(x)：

其中，N为水域标签集合Ω_W中图像的等效视数， 为水域标签集合Ω_W中图像的均值，x是像素点的灰度值；

F_L(x)＝k₁·f₁(x)+k₂·f₂(x)

其中， 

σ₁为陆地标签集合，Ω_L中像素点灰度值的标准差，μ₁为陆地标签集合Ω_L中像素点灰度值的均值；

μ₂和σ₂分别为Ω_B中像素点灰度值的最大值和标准差，Ω_B是在取灰度阈值为200的条件下陆地标签集合Ω_L的子集合；

(2)将待分割图像上的任一像素点i的像素值x_i代入水域模型的函数式F_W(x)和陆地模型的函数式F_L(x)，计算像素点i分别属于水域标签集合Ω_W的概率 

和属于陆地标签集合Ω_L的概率 

若属于水域标签集合Ω_W的概率 大于属于陆地标签集合Ω_L的概率 

则将点i分入水域这一类，否则就将点i分入陆地这一类；

(3)对待分割图像上的所有像素点重复步骤(2)的操作，得到一次分割结果； 

(4)在一次分割结果边缘禬_W的基础上，自适应地获得需进行二次分割的目标区域Ω_belt：

4a)在一次分割的结果上得到分割边缘禬_W；

4b)输入待分割图像，基于恒虚警率检测准则，采用Gamma模型计算得到对应待分割图像的检测阈值I_c，将检测阈值I_c代回到水域模型F_W(x)和陆地模型F_L(x)中，得到基于恒虚警率检测的判决门限为T_C；

4c)沿着一次分割结果得到的分割边缘禬_W做滑动窗口，滑窗的形状为半径R₀的圆形，计算该窗口内任一像素点i的权值W(x)：

其中，x是像素点i的灰度值；

4d)计算当前窗口内所有像素点到边缘禬_W的加权距离均值E(x₀)：

其中，N(x₀)是以x₀为中心的窗口，d(x)是从当前窗口内任一像素点i出发到边缘禬_W的欧式距离；

4e)计算当前窗口内所有像素点到边缘禬_W的加权距离方差D(x₀)：

4f)通过统计窗口内边缘禬_W像素点的个数计算窗口内边缘禬_W的长度L(x₀)，求得当前窗口的长度差 

？L(x₀) L(x₀)-2R₀；

4g)将求得的E(x₀)，D(x₀)和 

代入半径公式，获得自适应窗口半径R： 

R＝max{？L(x₀)，E(x₀) D(x₀)}；

4h)以边缘禬_W上任一点x₀为圆心，以R作为滑动窗口新的半径，组成目标区域Ω_belt；

(5)在目标区域Ω_belt内，自动生成新的水域标签集合Ω_Wbelt和陆地标签集合Ω_Lbelt；通过测地距离公式计算任一像素点i到陆地标签集合Ω_Lbelt测地距离D_L(x)和到水域标签集合Ω_Wbelt的测地距离D_W(x)；若像素点i到水域标签集合Ω_Wbelt的测地距离D_W(x)小于到陆地标签集合Ω_Lbelt的测地距离D_L(x)，则将点i分入水域这一类，否则就将点i分入陆地这一类；

(6)对目标区域Ω_belt上的所有像素点重复步骤(5)的操作，得到最终分割结果。

2.根据权利要求1所述的自适应分割SAR图像水域的方法，其特征在于步骤(2)所述的计算像素点i分别属于水域标签集合Ω_W的概率 和属于陆地标签集合Ω_L的概率 

通过如下公式求得：

其中，P_W(x_i)是将像素点i的像素值x_i代入水域模型的函数式F_W(x)求得的概率，P_L(x_i)是将像素点i的像素值x_i代入陆地模型的函数式F_L(x)求得的概率。

3.根据权利要求1所述的自适应分割SAR图像水域的方法，其特征在于步骤(5)

所述的在自适应目标区域Ω_belt内，自动生成新的水域标签集合Ω_Wbelt和陆地标签集合Ω_Lbelt，是在目标区域Ω_belt上，以每一个窗口为目标，在该窗口内搜索属于水域这一类概率最大的点，属于陆地这一类概率最大的点，将目前该窗口内的这两类概率分别最大的点看作是新的水域标签集合Ω_Wbelt和陆地标签集合Ω_Lbelt。

4.根据权利要求1所述的自适应分割SAR图像水域的方法，其特征在于步骤(5)所述的通过测地距离公式计算任一像素点i到陆地标签集合Ω_Lbelt的测地距离D_L(x)和 到水域标签集Ω_Wbelt的测地距离D_W(x)，是将陆地标签集合Ω_Lbelt和水域标签集合Ω_Wbelt代入测地距离公式计算，获得目标区域Ω_belt内任一像素点i到陆地标签集合Ω_Lbelt的测地距离D_L(x)和到水域标签集合Ω_Wbelt测地距离D_W(x)：

其中，

式中x_i为像素点i的灰度值， 

为连接目标区域Ω_belt上任意两个像素点s₁，s₂之间的路径，W_belt(x)为目标区域Ω_belt内像素点i的权值：

式中e是放缩因子， 是像素点i属于水域或陆地区域的概率，x_iN是像素点i的邻域点，它对应的水域或陆地区域概率为 

Images