CN102081791A - 一种基于多尺度特征融合的sar图像分割方法 - Google Patents

Abstract

本发明涉及一种基于多尺度特征融合的SAR图像分割方法，首先利用快速离散Curvelet变换(Fast Discrete Curvelet Transform，FDCT)提取图像的纹理特征，并利用平稳小波变换(Stationary Wavelet Transform，SWT)提取图像的统计特征，然后将两种多尺度特征融合成高维的特征向量，最后采用模糊C均值聚类的方法进行分割。在消除均质区内碎块的同时，使得边界更为精准和平滑。本方法有效避免斑点噪声对纹理信息提取的干扰。与SWT系数统计特征的融合，有效利用了SAR图像的纹理信息和灰度统计信息，可以达到良好的分割效果。

Description

一种基于多尺度特征融合的SAR图像分割方法

技术领域

本发明涉及一种SAR图像分割方法，是一种基于多尺度特征融合的SAR图像分割方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种工作在微波波段的成像系统，具有全天侯、全天时、多视角、多分辨率数据获取的能力。因此，它在国防、军事、环境、灾害等的侦察和监视中有着不可估量的应用价值。SAR图像也因其具有较高的空间分辨率，细节信息比较丰富的特点受到研究者的广泛关注，对SAR图像的分割则是SAR应用领域的一个重要方面。但由于SAR是一种相干成像系统，因此SAR图像要受其固有的相干斑噪声的严重影响，这种噪声的存在降低了SAR图像的质量，使其分割工作变得更为困难。因此，SAR图像分割的研究具有重要的理论意义和学术价值。

目前已有的多种SAR图像分割算法都存在或多或少的缺点：基于阈值的分割方法较为简单，但最易受到相干斑噪声的影响，由于该方法没有考虑SAR图像中的上下文信息，没有对SAR图像中的纹理进行分析，因此分割效果较差；基于边缘检测的分割方法也容易受到相干斑噪声的干扰，而且存在漏检和误检之间的矛盾，很难达到令人满意的效果；基于纹理特征聚类的SAR图像分割，由于涉及到对SAR纹理特征的提取，可以在一定程度上改善基于灰度阈值分割的效果，但是同样存在特征选择、特征组合和聚类算法选取等问题；基于马尔可夫随机场模型的SAR图像分割，涉及到较多的概率统计知识且模型较复杂。

综上所述，现有的SAR图像分割方法没有充分利用SAR图像本身含有的丰富的纹理信息和灰度信息，对SAR图像特征提取不全面，分割效果不好等不足，以至于不能给出高效的用于SAR图像分割的特征。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于多尺度特征融合的SAR图像分割方法，首先利用快速离散Curvelet变换(Fast Discrete Curvelet Transform，FDCT)提取图像的纹理特征，并利用平稳小波变换(Stationary Wavelet Transform，SWT)提取图像的统计特征，然后将两种多尺度特征融合成高维的特征向量，最后采用模糊C均值聚类的方法进行分割。在消除均质区内碎块的同时，使得边界更为精准和平滑。

技术方案

一种基于多尺度特征融合的SAR图像分割方法，其特征在于步骤如下：

步骤1：对SAR图像矩阵中每个像素的M₁×N₁邻域进行FDCT变换，生成子带系数，其中1≤M₁≤min{height，width}，1≤N₁≤min{height，width}，M₁，N₁∈Z⁺，height表示图像的长，width表示图像的宽，min{height，width}表示height，width中最小数值；

步骤2：根据curvelet能量的计算公式

计算每个像素邻域FDCT变换后子带系数的能量，作为SAR图像分割的1维纹理特征，其中：s_i为FDCT子带系数中任一元素，N₁代表所有的子带系数元素的个数之和；

步骤3：对SAR图像中每个像素的M₂×N₂邻域进行M层SWT变换，选取L＝3M+1幅分解子图作为下一步提取统计特征的L维向量，每幅子图对应一个子带系数矩阵，其中1≤M₂≤min{height，width}，1≤N₂≤min{height，width}，M₂，N₂，M∈Z⁺，子带大小为M₂×N₂；所述分解子图包括一幅低频子图和所有的高频子图；

步骤4：将L维向量的均值和L维向量的标准差

作为SAR图像分割的2L维统计特征，L维向量的均值

根据

得到，L维向量的标准差

根据

得到，其中m_i(x，y)为分解的第i个子带m_i在位置(x，y)的值，1≤i≤L，i∈Z⁺；

步骤5：将步骤2得到的纹理特征向量和步骤4得到的统计特征向量通过合并融合成2L+1维特征向量；

步骤6：采用模糊C均值聚类方法对2L+1维特征向量进行聚类，得到最后的分割结果；其中C为正整数，大于等于2。

有益效果

本发明提出的一种基于多尺度特征融合的SAR图像分割方法，考虑到SAR图像中固有的相干斑噪声降低了原图像的灰度分辨率及其拥有丰富的纹理信息的特点，本发明首先对FDCT系数提取纹理信息，并对SWT系数提取统计信息，然后将两种多尺度信息融合成高维的特征向量，最后采用模糊C均值聚类的方法进行分割。该方法充分利用Curvelet变换以“长条形”的方式逼近奇异曲线的优点，可以有效避免斑点噪声对纹理信息提取的干扰。与SWT系数统计特征的融合，有效利用了SAR图像的纹理信息和灰度统计信息，可以达到良好的分割效果。

附图说明

图1：基于多尺度特征融合的SAR图像分割方法的流程图

图2：离散Curvelet频域空间区域分块图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

步骤1：对SAR图像矩阵中每个像素的N₁×N₁邻域进行FDCT变换，生成对应的包括不同分解尺度下各个方向的子带系数矩阵，其中1≤N₁≤min{height，width}，N₁∈Z⁺，height表示图像的长，width表示图像的宽，min{height，width}表示height，width中最小数值。这里选择像素点的FDCT邻域窗口大小为16×16，对图像进行一级FDCT变换，得到一个FDCT子带，即N₁＝16；

步骤2：根据curvelet能量的计算公式

计算每个像素邻域FDCT变换后子带系数的能量，作为SAR图像分割的1维纹理特征，其中s_i为FDCT子带系数矩阵的任一元素，N代表所有的子带系数矩阵元素的个数之和；

步骤3：对SAR图像中每个像素的N₂×N₂邻域进行M层SWT变换，选取L＝3M+1幅分解子图作为下一步提取统计特征的L维向量，每幅子图对应一个子带系数矩阵，其中1≤N₂≤min{height，width}，N₂，M∈Z⁺，子带大小为N₂×N₂，这里SWT邻域窗口大小选择为4×4，即N₂＝4，对图像进行2层SWT分解，选择第一层的三个高频子带系数和第二层的四个子带系数，共7个子带系数，对应位置的像素用7维向量表示，所述分解子图包括一幅低频子图和所有的高频子图；

步骤4：依照公式

计算L维向量的均值依照公式

计算L维向量的标准差将L维向量的均值

和L维向量的标准差

作为SAR图像分割的2L维统计特征，其中m_i(x，y)为分解的第i个子带m_i在位置(x，y)的值，1≤i≤L，i∈Z⁺，这里N₂＝4，L＝7；

步骤5：将步骤2得到的纹理特征向量和步骤4得到的统计特征向量通过合并融合成2L+1维特征向量，即15维特征向量；

步骤6：采用模糊C均值聚类方法对15维特征向量进行聚类，这里取C＝2，得到最后的2类分割结果。

Claims (1)

1.一种基于多尺度特征融合的SAR图像分割方法，其特征在于步骤如下：

步骤1：对SAR图像矩阵中每个像素的M₁×N₁邻域进行FDCT变换，生成子带系数，其中1≤M₁≤min{height，width}，1≤N₁≤min{height，width}，M₁，N₁∈Z⁺，height表示图像的长，width表示图像的宽，min{height，width}表示height，width中最小数值；

步骤2：根据curvelet能量的计算公式

计算每个像素邻域FDCT变换后子带系数的能量，作为SAR图像分割的1维纹理特征，其中：s_i为FDCT子带系数中任一元素，N₁代表所有的子带系数元素的个数之和；

步骤3：对SAR图像中每个像素的M₂×N₂邻域进行M层SWT变换，选取L＝3M+1幅分解子图作为下一步提取统计特征的L维向量，每幅子图对应一个子带系数矩阵，其中1≤M₂≤min{height，width}，1≤N₂≤min{height，width}，M₂，N₂，M∈Z⁺，子带大小为M₂×N₂；所述分解子图包括一幅低频子图和所有的高频子图；

步骤4：将L维向量的均值

和L维向量的标准差

作为SAR图像分割的2L维统计特征，L维向量的均值根据得到，L维向量的标准差

根据

得到，其中m_i(x，y)为分解的第i个子带m_i在位置(x，y)的值，1≤i≤L，i∈Z⁺；

步骤5：将步骤2得到的纹理特征向量和步骤4得到的统计特征向量通过合并融合成2L+1维特征向量；

步骤6：采用模糊C均值聚类方法对2L+1维特征向量进行聚类，得到最后的分割结果；其中C为正整数，大于等于2。

Images