CN103413316B - 基于超像素和优化策略的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于超像素和优化策略的SAR图像分割方法，主要改善现有图像分割方法的分割区域一致性差的现象。其实现步骤是：（1）输入一幅SAR图像，并对该图像进行两层的非下采样小波变换；（2）提取输入图像的超像素块；（3）计算超像素块的小波特征；（4）建立超像素块之间的图矩阵；（5）根据超像素块的小波特征对超像素块进行聚类，（6）用粒子群算法优化聚类过程中的参数；（7）根据优化完成后得到的隶属度矩阵，计算超像素块的类别标签；（8）给超像素块之间的边界标记相应的类别标签，得到SAR图像的分割结果。本发明在保证较完整的边缘细节信息的同时能很好保证分割区域的一致性，分割结果满足后续对图像进行分析的要求。

Description

基于超像素和优化策略的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，涉及SAR图像分割方法，可应用于图像处理和识别的预处理。

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值、基于区域和基于边缘的分割方法以及基于特定理论的分割方法等。现在，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法，将各种优化算法和智能算法加入到了图像分割中来，提高分割的质量。目前已经有很多聚类算法用到图像分割中，k-means聚类算法是最简单、使用最普遍的方法之一，它利用迭代优化寻找最优解，在紧凑的超球形分布的数据集合上表现出很好的性能，然而当数据结构彼此交叠严重时，算法不能保证收敛到全局最优解，分割效果杂乱；模糊C均值FCM聚类算法的最大缺点是没有考虑图像的空间信息，仅仅将所有样本作为分散的样本点进行聚类，导致最后的分割结果在区域一致性上很差，区域内部存在杂点，同时FCM算法对初始值和噪声比较敏感，容易陷入局部最优，导致分割效果较差。

超像素一种不同于以往的像素概念，它是比像素略大的像素块，并且这些块的边界与图像中的纹理信息是一致的，可以看作是一种图像的过分割。超像素作为图像块有非常好的优势。首先，它能更加准确的描述块中包含的像素的一个整体特征，有很强的抗噪声性，并能很好的保证图像中区域的一致性；其次，以超像素替代像素来表示图像的特征，使计算速率得到大幅度提高。将超像素用到图像分割中，能充分的利用这两大优势，是分割效果和速率有大幅度提高。

这几年对超像素的研究已经是一个热点问题，也有一些文章将超像素用到图像分割中，对图像分割的效果很大的改善，如Ming-YuLiu,Tuzel,O.,Ramalingam,S.,Chellappa,R.,EntropyRateSuperpixelSegmentation,CVPR,2097–2104(2011).和YuhangZhang,RichardHartley,JohnMashfordandStewartBurn,SuperpixelsviaPseudo-BooleanOptimization,ICCV,1387-1394(2011).。

2011年，Aclusteringalgorithmwithoptimizedmultiscalespatialtextureinformation:applicationtoSARimagesegmentation.InternationalJournalofRemoteSensing,Vol.34,No.4,20February2013,1111-1126。这篇文章提出了一种基于多尺度空间纹理信息优化的聚类算法的SAR图像分割方法。该方法采用邻域窗像素点的位置和特征对像素点来加权，对寻找中心点起到了一定的优化作用。但采用对像素点来处理，效率低下，而且采用邻域窗像素点位置和特征对像素点加权，对空间位置和像素点之间的相似性考虑不准确，分割效果速度慢且分割区域一致性差。

发明内容

本发明的目的在于根据上述已有技术的不足，提出一种基于超像素和优化策略的SAR图像分割方法，以提高图像分割的计算速率、分割区域的一致性以及分割效果的稳定性。

为实现上述目的，本发明包括如下步骤：

（1）输入一幅SAR图像，并根据图像的内容信息设定分割的类别数l；

（2）对输入图像进行两层的非下采样小波变换，得到第k个像素点的小波特征f_k；

（3）对输入图像提取N个超像素块，并分别计算超像素块与块之间的邻接矩阵A和第j个超像素块的中心坐标位置x_j＝(x_j1,x_j2),j∈1,2...N；

（4）根据第j个超像素块包含的所有像素点的小波特征，计算第j个超像素块的小波特征f_j；

（5）根据超像素块的中心坐标位置x_j和小波特征f_j，建立超像素块之间的图矩阵G；

（6）根据超像素块的小波特征f_j、邻接矩阵A和图矩阵G，对超像素块的进行聚类：

6a）根据超像素块的个数N和设定分割的类别数l，初始化隶属度矩阵U=[u_ij]；

6b）根据隶属度矩阵U和小波特征f_j，计算聚类中心矩阵V的第i个聚类中心v_i：

$v_i=\frac{{\mathrm{\Σ}}_{j=1}^N{u}_{\mathrm{ij}}^m{f}_j}{{\mathrm{\Σ}}_{j=1}^N{u}_{\mathrm{ij}}^m}\text{,}$

其中，u_ij是隶属度矩阵U第i行第j列的元素，其含义表示第j个超像素属于聚类中心点v_i的隶属度，m是大于1的实数；

6c）根据邻接矩阵A、图矩阵G和小波特征f_j，计算第j个超像素块与第i个聚类中心点v_i的空间位置加权因子E_ij：

$E_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{u}_{\mathrm{ik}}{t}_{\mathrm{jk}}^2}{{\mathrm{\Σ}}_{k=1}^S{t}_{\mathrm{jk}}^2},$

其中，u_ik表示第k个超像素属于聚类中心点v_i的隶属度，表示x_j与x_k的欧氏距离，表示计算欧氏距离，k∈1,2...S，S=a+b，a表示邻接矩阵A中与第j个超像素邻接的a超像素块，b表示图矩阵G中与第j个超像素特征最相似的b个超像素块；

6d）根据邻接矩阵A、图矩阵G和小波特征f_j，计算第j个超像素块与第i个聚类中心点v_i的相似特征加权因子H_ij：

$H_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{u}_{\mathrm{ik}}{r}_{\mathrm{jk}}^2}{{\mathrm{\Σ}}_{k=1}^S{r}_{\mathrm{jk}}^2},$

其中，表示f_j与f_k的欧氏距离，

6e）根据空间位置加权因子E_ij和相似特征加权因子H_ij，计算第j个超像素块与第i个聚类中心点v_i的加权距离

$\left\{\begin{array}{c}{D}_{\mathrm{ij}}^2=\left|\right|v_i-f_j\left|\right|(1-{\mathrm{\α}}_1{E}_{\mathrm{ij}})(1-{\mathrm{\α}}_2{H}_{\mathrm{ij}})\\ {\mathrm{\α}}_1+{\mathrm{\α}}_2\≤1\end{array}\right.,$

其中，α₁和α₂是待优化的两个参数；

6f）根据隶属度矩阵U和加权距离建立聚类的目标函数J(U,V)：

$J(U,V)={\mathrm{\Σ}}_{i=1}^C{\mathrm{\Σ}}_{j=1}^N{u}_{\mathrm{ij}}^m{D}_{\mathrm{ij}}^2;$

6g）根据权距离重新计算隶属度矩阵U，计算隶属度矩阵U中的第j个超像素属于第i个聚类中心点v_i的隶属度u_ij：

$u_{\mathrm{ij}}=\frac{1}{{\mathrm{\Σ}}_{k=1}^C{\left(\frac{D_{\mathrm{ij}}}{D_{\mathrm{kj}}}\right)}^{\frac{2}{m-1}}};$

6h）设置隶属度阈值ε＝0.0001并将隶属度矩阵U与ε进行比较，如果max(|U⁽ⁿ⁾-U⁽ⁿ⁺¹⁾|/U⁽ⁿ⁾)≤ε，则停止聚类过程，否则返回步骤6b）重新进行聚类，其中max(·)表示求矩阵中元素的最大值，n表示聚类过程中的第n次迭代；

（7）用粒子群PSO算法优化空间位置加权参数α₁和相似特征加权参数α₂；

（8）设置目标函数阈值δ=0.0001，并将目标函数值与δ作比较，如果|J(U,V)^(q)-J(U,V)^(q+1)|/J(U,V)^(q)≤δ，停止迭代过程，得到更新后的隶属度矩阵U'，否则返回步骤6b）重新进行聚类，其中q表示优化过程中的第q次迭代；

（9）根据更新后的隶属度矩阵U'，计算第j个超像素块的类别标签L_j；

（10）根据超像素块的类别标签L_j，给超像素块与块之间的边界赋上相应的类别标签，得到SAR图像的分割结果。

本发明与现有的技术相比具有以下优点：

1.本发明采用对超像素块进行处理，它能更加准确的描述超像素块中包含的像素的整体特征，有很强的抗噪声性，并能很好的保证图像中区域的一致性；且以超像素替代像素来表示图像的特征，使计算速率得到大幅度提高；本发明将超像素用到图像分割中，能充分的利用到这两大优势，使分割效果和速率有大幅度提高。

2.本发明由于采用空间位置加权因子和相似特征加权因子，在空间位置上和特征距离上对求解超像素与聚类中心的距离起到了强化作用，充分考虑到了图像中的空间信息和特征信息，对分割的整体效果有非常大的改善。

3.本发明对聚类过程的参数采用粒子群优化算法，收敛速度快，并且能达到最优解，使分割效果有很强的区域一致性。

附图说明

图1是本发明的实现流程图；

图2是用本发明与现有三种方法对一幅大小为470×450的Ku波段分辨率为3米的机场SAR1图像分进行的割比较图；

图3是用本发明与现有三种方法对一幅大小为550×430的Ku波段分辨率为1米的里奥格兰德河SAR2图像进行分割的比较图；

图4是用本发明与现有三种方法对一幅大小为550×400的Ku波段分辨率为1米西奥多·罗斯福纪念大桥SAR3图像进行分割的比较图。

具体实施方式

参照图1，本发明的具体实施过程如下：

步骤1.输入一幅SAR图像，并根据图像的内容信息设定分割的类别数l。

步骤2.对输入图像进行两层的非下采样小波变换，得到第k个像素点的小波特征f_k＝(f₁,f₂,...,f_e)，本实例中e＝7。

步骤3.对输入图像提取N个超像素块。

本步骤的实现可采用任何具有边缘保持性的计算超像素的方法进行超像素块的提取，本实例采用TurboPixels方法，参考文献：A.Levinshtein,A.Stere,K.Kutulakos,D.Fleet,S.Dickinson,andK.Siddiqi.TurboPixels:FastSuperpixelsUsingGeometricFlows.IEEEPAMI,31(12):2290–2297,2009。

步骤4.根据提取的图像的超像素块，分别计算超像素块与超像素块之间的邻接矩阵A和第j个超像素块的中心坐标位置x_j。

本步骤中计算第j个超像素块的中心坐标位置x_j：

4a）将第j个超像素中包含的所有像素点的行和列进行平均；

4b）将平均后的行和列作为第j个超像素块的中心坐标位置x_j，其中j∈1,2...N。

步骤5.根据第j个超像素块包含的所有像素点的小波特征，计算第j个超像素块的小波特征f_j。

5a）将第j个超像素块中包含的所有像素点的小波特征f_k进行平均；

5b）将平均后的结果作为第j个超像素块的小波特征f_j。

步骤6.根据超像素块的中心坐标位置x_j和小波特征f_j，建立超像素块之间的图矩阵G。

6a）根据超像素块的中心坐标位置x_j，采用欧氏距离，找到与每个超像素空间位置最近的p个超像素块；

6b）根据超像素块的小波特征f_j，对每个超像素计算与其空间位置上最近的p个超像素块的小波特征的欧氏距离，并为每个超像素选出与其小波特征最相似的b个超像素块,其中p＝2b²，p和b均是大于1的正整数，本实例中b=3；

6c）根据与每个超像素小波特征最相似的b个超像素块，建立超像素块之间的图矩阵G，其大小为N×N。

步骤7.根据超像素块的小波特征f_j、邻接矩阵A和图矩阵G，对超像素块的进行聚类。

7a）根据超像素块的个数N和设定分割的类别数l，初始化隶属度矩阵U=[u_ij]；

7b）根据隶属度矩阵U和小波特征f_j，计算聚类中心矩阵V的第i个聚类中心v_i：

$v_i=\frac{{\mathrm{\Σ}}_{j=1}^N{u}_{\mathrm{ij}}^m{f}_j}{{\mathrm{\Σ}}_{j=1}^N{u}_{\mathrm{ij}}^m}\text{,}$

其中，u_ij是隶属度矩阵U第i行第j列的元素，其含义表示第j个超像素属于聚类中心点v_i的隶属度，m是大于1的实数，本实例中m＝2；

7c）根据邻接矩阵A、图矩阵G和小波特征f_j，计算第j个超像素块与第i个聚类中心点v_i的空间位置加权因子E_ij：

$E_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{u}_{\mathrm{ik}}{t}_{\mathrm{jk}}^2}{{\mathrm{\Σ}}_{k=1}^S{t}_{\mathrm{jk}}^2},$

其中，u_ik表示第k个超像素属于聚类中心点v_i的隶属度，表示x_j与x_k的欧氏距离，表示计算欧氏距离，k∈1,2...S，S=a+b，a表示邻接矩阵A中与第j个超像素邻接的a超像素块，b表示图矩阵G中与第j个超像素特征最相似的b个超像素块；

7d）根据邻接矩阵A、图矩阵G和小波特征f_j，计算第j个超像素块与第i个聚类中心点v_i的相似特征加权因子H_ij：

$H_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^S{u}_{\mathrm{ik}}{r}_{\mathrm{jk}}^2}{{\mathrm{\Σ}}_{k=1}^S{r}_{\mathrm{jk}}^2},$

其中，表示f_j与f_k的欧氏距离，

7e）根据空间位置加权因子E_ij和相似特征加权因子H_ij，计算第j个超像素块与第i个聚类中心点v_i的加权距离

$\left\{\begin{array}{c}{D}_{\mathrm{ij}}^2=\left|\right|v_i-f_j\left|\right|(1-{\mathrm{\α}}_1{E}_{\mathrm{ij}})(1-{\mathrm{\α}}_2{H}_{\mathrm{ij}})\\ {\mathrm{\α}}_1+{\mathrm{\α}}_2\≤1\end{array}\right.,$

其中，α₁表示空间位置加权参数，α₂表示相似特征加权参数；

7f）根据隶属度矩阵U和加权距离建立聚类的目标函数J(U,V)：

$J(U,V)={\mathrm{\Σ}}_{i=1}^C{\mathrm{\Σ}}_{j=1}^N{u}_{\mathrm{ij}}^m{D}_{\mathrm{ij}}^2;$

7g）根据权距离重新计算隶属度矩阵U，计算隶属度矩阵U中的第j个超像素属于第i个聚类中心点v_i的隶属度u_ij：

$u_{\mathrm{ij}}=\frac{1}{{\mathrm{\Σ}}_{k=1}^C{\left(\frac{D_{\mathrm{ij}}}{D_{\mathrm{kj}}}\right)}^{\frac{2}{m-1}}};$

7h）设置隶属度阈值ε＝0.0001并将隶属度矩阵U与ε进行比较，如果max(|U⁽ⁿ⁾-U⁽ⁿ⁺¹⁾|/U⁽ⁿ⁾)≤ε，则停止聚类过程，否则返回步骤6b）重新进行聚类，其中max(·)表示求矩阵中元素的最大值，n表示聚类过程中的第n次迭代；

步骤8.用粒子群算法优化空间位置加权参数α₁和相似特征加权参数α₂。

8a）为空间位置加权参数α₁和相似特征加权参数α₂设置粒子群算法的种群规模为30，用α_y表示第y个粒子的优化参数(α₁,α₂)，即α_y＝(α_y1,α_y2)，y＝1,2,....30；

8b）通过如下公式优化空间位置加权参数α₁和相似特征加权参数α₂：

$\left\{\begin{array}{c}{v}_y^{\′(q+1)}={\mathrm{wv}}_y^{\′\left(q\right)}+c_1\×R_1\×(P_y^{\left(q\right)}-{\mathrm{\α}}_y^{\left(q\right)})+c_2\×R_2\×(G_y^{\left(q\right)}-{\mathrm{\α}}_y^{\left(q\right)})\\ {\mathrm{\α}}_y^{(q+1)}={\mathrm{\α}}_y^{\left(q\right)}+v_y^{\′(q+1)}\end{array}\right.,$

其中，q为当前迭代次数，q=1,2,...100，v'_y表示第y个粒子的速度，P_y表示第y个粒子的个体极值，G_y表示第y个粒子的群体极值，w为惯性权重，c₁是非负常数，称为加速因子1，c₂是非负常数，称为加速因子2，R₁是分布于[0,1]区间的随机数，R₂也是分布于[0,1]区间的随机数。

步骤9.设置目标函数阈值δ=0.0001，并将目标函数J(U,V)的值与δ作比较，如果|J(U,V)^(q)-J(U,V)^(q+1)|/J(U,V)^(q)≤δ，停止迭代过程，得到更新后的隶属度矩阵U'，否则返回步骤6b）重新进行聚类，其中q表示优化过程中的第q次迭代。

步骤10.根据更新后的隶属度矩阵U'，计算第j个超像素块的类别标签L_j，计算方法是：找到与第j个超像素块的隶属度值最大的聚类中心，并将此聚类中心的标号作为第j个超像素块的类别标签L_j。

步骤11.根据超像素块的类别标签L_j，给超像素块与块之间的边界赋上相应的类别标签，得到SAR图像的分割结果。

本发明的效果可以通过以下实验进一步说明：

1.实验条件：

仿真实验环境为：MATLABR2011b，CPUintelCorei5-34703.2GHz，内存4G，Windows7。

2.实验内容：

用现有的三种分割方法，即基于模糊C均值聚类算法的图像分割方法、基于Nytrom聚类算法的图像分割方法和基于k-means聚类算法的图像分割方法分别对SAR图像进行分割，并与本发明的方法进行比较。

实验1：用本发明和上述三种分割方法对一幅大小为470×450的Ku波段分辨率为3米的机场SAR1图像进行分割，分割类别数为3类，结果如图2所示。其中图2(a)所示是原始的SAR1图像，图2(b)为基于模糊C均值聚类算法的图像分割方法的分割结果，图2(c)为基于Nytrom聚类算法的图像分割方法的分割结果，图2(d)为基于k-means聚类算法的图像分割方法的分割结果，2(e)为本发明的分割结果。

实验2：用本发明和上述三种分割方法对一幅大小为550×430的Ku波段分辨率为1米的里奥格兰德河SAR2图像进行分割，分割类别数为3类，结果如图3所示。其中图3(a)所示是原始的SAR2图像，图3(b)为基于模糊C均值聚类算法的图像分割方法的分割结果，图3(c)为基于Nytrom聚类算法的图像分割方法的分割结果，图3(d)为基于k-means聚类算法的图像分割方法的分割结果，3(e)为本发明的分割结果。

实验3：用本发明和上述三种分割方法对一幅大小为550×400的Ku波段分辨率为1米西奥多·罗斯福纪念大桥SAR3图像进行分割，分割类别数为3类，结果如图4所示。其中图4(a)所示是原始的SAR3图像，图4(b)为基于模糊C均值聚类算法的图像分割方法的分割结果，图4(c)为基于Nytrom聚类算法的图像分割方法的分割结果，图4(d)为基于k-means聚类算法的图像分割方法的分割结果，4(e)为本发明的分割结果。

3.实验结果与分析：

从图2(b)、图3(b)和图4(b)均可以看出，对于SAR1、SAR2和SAR3图像，基于模糊C均值聚类算法的图像分割方法得到的分割结果，对细小的边缘信息太过于灵敏，使分割结果杂乱，区域一致性很差；

从图2(c)、图3(c)均可以看出，对于SAR1和SAR2图像，基于Nytrom聚类算法的图像分割方法得到的分割结果，对细小的边缘信息太过于灵敏，导致分割区域错误，从图4(c)可以看出，对于SAR3图像，基于Nytrom聚类算法的图像分割方法得到的分割结果，在类别边缘出现错误分割；

从图2(d)、图3(d)和图4(d)均可以看出，对于SAR1、SAR2和SAR3图像，基于k-means聚类算法的图像分割方法得到的分割结果，对细小的缘分信息也存在过于灵敏的问题，区域一致性较差。

从图2(e)、图3(e)和图4(e)均可以看出，对于SAR1、SAR2和SAR3图像，本发明得到的分割结果，不仅区域一致性很好，而且边缘细节信息保存也很好。

综上，本发明在保证较完整的边缘细节信息的同时能很好保证分割区域的一致性，分割结果满足后续对图像进行分析的要求。

Claims (5)

1.一种基于超像素和优化策略的SAR图像分割方法，包含以下步骤：

(1)输入一幅SAR图像，并根据图像的内容信息设定分割的类别数l；

(2)对输入图像进行两层的非下采样小波变换，得到第k个像素点的小波特征f_k；

(3)对输入图像提取N个超像素块，并分别计算超像素块与块之间的邻接矩阵A和第j个超像素块的中心坐标位置x_j,其中计算第j个超像素块的中心坐标位置x_j是：先将第j个超像素中包含的所有像素点的行和列进行平均；再将平均后的行和列作为第j个超像素块的中心坐标位置x_j，j∈1,2...N；

(4)根据第j个超像素块包含的所有像素点的小波特征，计算第j个超像素块的小波特征f_j；

(5)根据超像素块的中心坐标位置x_j和小波特征f_j，建立超像素块之间的图矩阵G；

(6)根据超像素块的小波特征f_j、邻接矩阵A和图矩阵G，对超像素块进行聚类：

6a)根据超像素块的个数N和设定分割的类别数l，初始化隶属度矩阵U＝[u_ij]；

6b)根据隶属度矩阵U和小波特征f_j，计算聚类中心矩阵V的第i个聚类中心v_i：

$v_i=\frac{{\mathrm{\Σ}}_{j=1}^N{u}_{ij}^m{f}_j}{{\mathrm{\Σ}}_{j=1}^N{u}_{ij}^m},$

其中，u_ij是隶属度矩阵U第i行第j列的元素，其含义表示第j个超像素属于聚类中心点v_i的隶属度，m是大于1的实数；

6c)根据邻接矩阵A、图矩阵G和小波特征f_j，计算第j个超像素块与第i个聚类中心点v_i的空间位置加权因子E_ij：

$E_{ij}=\frac{{\mathrm{\Σ}}_{k=1}^S{u}_{ik}{t}_{jk}^2}{{\mathrm{\Σ}}_{k=1}^S{t}_{jk}^2},$

其中，u_ik表示第k个像素点属于聚类中心点v_i的隶属度，表示x_j与x_k的欧氏距离，||·||表示计算欧氏距离，k∈1,2...S，S＝a+b，a表示邻接矩阵A中与第j个超像素邻接的a个超像素块，b表示图矩阵G中与第j个超像素特征最相似的b个超像素块；

6d)根据邻接矩阵A、图矩阵G和小波特征f_j，计算第j个超像素块与第i个聚类中心点v_i的相似特征加权因子H_ij：

$H_{ij}=\frac{{\mathrm{\Σ}}_{k=1}^S{u}_{ik}{r}_{jk}^2}{{\mathrm{\Σ}}_{k=1}^S{r}_{jk}^2},$

其中，表示f_j与f_k的欧氏距离，

6e)根据空间位置加权因子E_ij和相似特征加权因子H_ij，计算第j个超像素块与第i个聚类中心点v_i的加权距离

$\left\{\begin{array}{c}{D}_{ij}^2=\left|\right|v_i-f_j\left|\right|(1-{\mathrm{\α}}_1{E}_{ij})(1-{\mathrm{\α}}_2{H}_{ij})\\ {\mathrm{\α}}_1+{\mathrm{\α}}_2\≤1\end{array}\right.,$

其中，α₁和α₂是待优化的两个参数；

6f)根据隶属度矩阵U和加权距离建立聚类的目标函数J(U,V)：

$J(U,V)={\mathrm{\Σ}}_{i=1}^C{\mathrm{\Σ}}_{j=1}^N{u}_{ij}^m{D}_{ij}^2;$

6g)根据加权距离重新计算隶属度矩阵U，计算隶属度矩阵U中的第j个超像素属于第i个聚类中心点v_i的隶属度u_ij：

$u_{ij}=\frac{1}{{\mathrm{\Σ}}_{k=1}^C{\left(\frac{D_{ij}}{D_{kj}}\right)}^{\frac{2}{m-1}}};$

6h)设置隶属度阈值ε＝0.0001并将隶属度矩阵U与ε进行比较，如果max(|U⁽ⁿ⁾-U⁽ⁿ⁺¹⁾|/U⁽ⁿ⁾)≤ε，则停止聚类过程，否则返回步骤6b)重新进行聚类，其中max(·)表示求矩阵中元素的最大值，n表示聚类过程中的第n次迭代；

(7)用粒子群PSO算法优化空间位置加权参数α₁和相似特征加权参数α₂；

(8)设置目标函数阈值δ＝0.0001，并将目标函数值与δ作比较，如果|J(U,V)^(q)-J(U,V)^(q+1)|/J(U,V)^(q)≤δ，停止迭代过程，得到更新后的隶属度矩阵U'，否则返回步骤6b)重新进行聚类，其中q表示优化过程中的第q次迭代；

(9)根据更新后的隶属度矩阵U'，计算第j个超像素块的类别标签L_j；

(10)根据超像素块的类别标签L_j，给超像素块与块之间的边界赋上相应的类别标签，得到SAR图像的分割结果。

2.根据权利要求1所述的基于超像素和优化策略的SAR图像分割方法，其中步骤(4)所述的计算第j个超像素小波特征f_j是：先将第j个超像素块中包含的所有像素点的小波特征f_k进行平均；再将平均后的结果作为第j个超像素块的小波特征f_j。

3.根据权利要求1所述的基于超像素和优化策略的SAR图像分割方法，其中步骤(5)所述的建立超像素块之间的图矩阵G，通过如下步骤进行：

5a)根据超像素块的中心坐标位置x_j，采用欧氏距离，找到与每个超像素空间位置最近的p个超像素块；

5b)根据超像素块的小波特征f_j，对每个超像素计算与其空间位置上最近的p个超像素块的小波特征的欧氏距离，并为每个超像素选出与其小波特征最相似的b个超像素块,其中p＝2b²，p和b均是大于1的正整数；

5c)根据与每个超像素块小波特征最相似的b个超像素块，建立大小为N×N的超像素块之间的图矩阵G。

4.根据权利要求1所述的基于超像素和优化策略的SAR图像分割方法，其中步骤(7)所述的用粒子群PSO算法优化参数α₁和α₂，通过如下步骤进行：

7a)设置待优化参数α₁和α₂的种群规模为30，α_y表示第y个粒子的优化参数(α₁,α₂)，α_y＝(α_y1,α_y2)，y＝1,2,....30；

7b)优化参数α₁和α₂的过程，通过如下公式进行：

$\{\begin{array}{c}{v^{\′}}_y^{(q+1)}=w{v^{\′}}_y^{\left(q\right)}+c_1\×R_1\×(P_y^{\left(q\right)}-{\mathrm{\α}}_y^{\left(q\right)})+c_2\×R_2\×(G_y^{\left(q\right)}-{\mathrm{\α}}_y^{\left(q\right)})\\ {\mathrm{\α}}_y^{(q+1)}={\mathrm{\α}}_y^{\left(q\right)}+{v^{\′}}_y^{(q+1)}\end{array},$

其中，q为当前迭代次数，q＝1,2,...100，v'_y表示第y个粒子的速度，P_y表示第y个粒子的个体极值，G_y表示第y个粒子的群体极值，w为惯性权重，c₁和c₂是非负常数，称为加速因子，R₁和R₂是分布于[0,1]区间的随机数。

5.根据权利要求1所述的基于超像素和优化策略的SAR图像分割方法，其中步骤(9)所述的计算第j个超像素块的类别标签L_j是：先找到与第j个超像素块的隶属度值最大的聚类中心；再将此聚类中心的标号作为第j个超像素块的类别标签L_j。