CN104299232A - 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，主要解决现有方法分割区域不佳和噪声影响的问题。包括步骤：1)对SAR图像每个像素设置方向窗，两两进行直方图相似性度量；2)设置阈值T，相似度大于T时，以像素为中心2n×2n的窗口进行二层Directionlet变换；小于T时，以n×n的窗口进行变换；3)对当前块变换后低高频系数进行特征提取，作为该像素的特征向量；4)循环步骤1)到3)直至整个图像计算完成；5)对特征向量采用形态相似距离改进的模糊C均值算法进行聚类；6)将分类后的类别赋予相应的灰度值，得到最终分割结果。本发明能提取原始图像更丰富的纹理特征，充分挖掘数据中的相关性。

Description

一种基于自适应窗方向波域和改进FCM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，涉及对SAR图像的分割方法，可用于SAR图像的目标识别与计算机的后续处理，具体是一种基于自适应窗方向波域和改进FCM的SAR图像分割方法。

背景技术

图像分割是一种重要的图像技术，是计算机视觉领域低层次视觉中的主要问题，是由图像处理到图像分析的一个关键步骤，在图像工程中占据重要地位。图像分割也是进一步图像理解的基础。图像分割在实际中已得到广泛的应用，几乎涉及有关图像处理的所有领域，应用于各种类型的图像。例如，在医学应用中，脑部核磁共振(MR)图像被分割成灰质、白质，脑脊髓等脑组织和其他非脑组织区域等；在交通图像分析中，把车辆目标从背景中分割出来；在基于内容的图像检索中，将图像分割成不同的对象区域作为基元进行处理；在遥感应用中，分割合成孔径雷达图像中的目标或遥感云图中的不同云系和背景分布等；在工业监控应用中，分割燃烧炉中的火焰以便检测燃烧过程；在农业应用中，图像分割被用于户外植物的检测等等。而图像SAR具有全天时、全天候的高分辨成像能力及对植被、土壤等具有一定的穿透能力，在国民经济和国防建设中得到了重要的应用，使得SAR图像分割就显得尤为重要。

迄今为止，图像分割算法已经层出不穷，大体上分为以下几类：阈值化分割、基于区域的、基于边缘检测的、基于聚类的和基于一些特定理论工具的分割方法。从图像的类型分为：灰度图像分割、彩色图像分割和纹理图像分割等等。

可用作SAR图像分割的特征包括灰度特征和纹理特征。仅依靠灰度特征是很难实现SAR的正确分割的，这是由于SAR图像反映的地物对雷达波的后向散射特性，不同地物如果具有相同或相近的后向散射系数，那么它们在SAR图像中就表现为相同或相近灰度值，从而发生混淆。相干斑噪声的影响更加加剧了混淆现象，使得仅利用灰度特征进行分割的结果在实际应用中根本无法接受。原图像由于受相干斑噪声影响，灰度分辨率很差，但纹理信息非常丰富。而现有的相干斑噪声抑制方法对SAR图像去噪，图像灰度分辨率得到了显著的改善，但纹理信息受到了很大损失。

西安电子科技大学在其专利申请“基于超像素和优化策略的SAR图像分割方法”(专利申请号：CN201310374750，公开号：CN103413316A)中提出了一种基于超像素和优化策略的SAR图像分割方法。通过两层的非下采样小波变换提取图像的超像素块的小波特征，能够改善区域一致性差的问题；但是小波变换只有有限的方向信息，不能较好地提取图像的边缘纹理信息。

西安电子科技大学在其专利申请“基于快速全局K均值的自适应图像分割方法”(专利申请号：CN201210415237，公开号：CN102903118A)中提出了一种基于快速全局K均值的自适应图像分割方法。通过提取待分割的图像的纹理特征，再用快速全局K均值方法进行聚类，能够改善K均值聚类算法计算复杂度高的问题；但K均值算法需要根据初始聚类中心来确定一个初始划分，这个初始聚类中心的选择对聚类结果有较大的影响，一旦初始值选择的不好可能无法得到有效的聚类结果。

发明内容

本发明的目的在于针对现有方法存在的分割方式局限，未能充分考虑SAR图像中不同区域的纹理特征和灰度特征，对相干斑噪声影响剧烈的问题，提出一种基于自适应窗方向波(Directionlet)域和改进FCM的SAR图像分割方法，以提高图像的分割效果。

本发明的技术方案是：一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，实现步骤包括如下：

(1)读取图像，对图像进行值为2×n的边缘扩展，n设置为16；

(2)对SAR图像当前像素设置大小为2n×2n的上下左右四个方向的邻域窗口，得到四个窗口图像块的直方图数据，并对两两直方图数据计算图像块相似度；

(3)设置阈值T，当相似度大于T时，判断相似，设置以像素为中心的2n×2n窗口进行二层Directionlet变换；当相似度小于T时，判断为不相似，设置以像素为中心的n×n窗口进行二层Directionlet变换；

(4)对当前块Directionlet变换后低频和高频系数进行特征提取，提取一组特征向量：(E1,E2,E3,E4,E5,E6,E7)，作为该像素的特征向量，Ei为第i个频域系数的能量；

(5)循环步骤(2)到(4)直至整个图像所有像素的特征向量计算完成，构成M×N×7的能量值矩阵，其中M×N为图像的大小；

(6)对步骤(5)所得的能量值矩阵变形为1×(M×N)×7的一组M×N个7维向量；

(7)将(6)中的M×N个7维能量特征向量作为特征矢量采用形态相似距离改进的模糊C均值算法进行聚类；

(8)将步骤(7)分类后相同类别的像素赋予相同的灰度值，并将当前1×(M×N)的矩阵向量变形为M×N图像，结果即为最终的分割结果。

上述步骤(2)所述的对SAR图像的每个像素设置上下左右四个方向的邻域窗口并得到四个窗口图像块的直方图数据，按如下步骤进行：

(2a)根据步骤(1)对图像进行值为2×n的边缘扩展，对当前像素f(i,j)设置四个大小为2n×2n的窗口，即(i-n+1:i+n,j-2×n+1:j)、(i-2×n+1:i,j-n+1:j+n)、(i-n+1:i+n,j:j+2×n-1)、(i:i+2×n-1,j-n+1:j+n)四个窗口；

(2b)根据两个图像块的像素数据，生成各自直方图数据，运用巴氏系数算法，计算出相似程度值。

巴氏系数的计算公式如下：

$\mathrm{\ρ}(p,p^{\′})=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{p\left(i\right)p^{\′}\left(i\right)}$

其中p，p′分别代表两个图像块的直方图数据，对每个相同i的数据点乘积开平方以后相加得出的结果即为图像相似度值，范围为0到1之间。

上述步骤(3)所述的设置阈值T，并根据相似度与T的大小关系，设置大小不同的窗口进行二层Directionlet变换，按如下步骤进行：

(3a)设置阈值T，将步骤(2)计算的相似度与阈值T进行比较，T取0.9～1之间，当相似度大于T时，设置窗口为以像素为中心大小为2n×2n，当相似度小于T时，设置窗口大小为n×n；

(3b)以窗口为图像块，设置90°方向为变换方向，45°方向为队列方向，构造采样矩阵M_Λ，

$M_{\mathrm{\Λ}}=\left(\begin{array}{cc}{x}_1& y_1\\ y_2& y_2\end{array}\right)=\left(\begin{array}{c}{d}_1\\ d_2\end{array}\right),$

其中，x₁,x₂,y₁,y₂是构成采样矩阵M_Λ的四个整数元素值，x₁和y₁由变换方向的斜率确定，x₂和y₂由队列方向的斜率确定，向量d₁和d₂分别为沿变换方向和队列方向的向量；

(3c)基于整数格理论通过采样矩阵M_Λ将图像块划分为关于整数格Λ的|det(M_Λ)|个陪集，每一个陪集对应一个位移矢量s_k＝(s_k1,s_k2)，其中Λ是由被划分的图像构成的整数格，表达式为Λ＝{c₁d₁+c₂d₂,c₁,c₂∈Z}，|det(M_Λ)|是采样矩阵M_Λ的行列式的绝对值，k＝0,1,2,...,|det(M_Λ)|-1，s_k1,s_k2∈Z，Z为整数域；

(3d)对每个陪集沿变换和队列方向分别进行两次和一次一维正交小波变换，得到相应的高频和低频子带。

上述步骤(4)所述的对当前块的Directionlet低频和高频系数进行特征提取，按如下步骤进行：

(4a)提取二层Directionlet变换后的LL1低频系数和LH1，HL1，HH1，LH，HL，HH六个高频系数；

(4b)对LL1，LH1，HL1，HH1，LH，HL，HH分别计算能量E，

$E_{(i,j)}=\frac{1}{n^2}\underset{k=i-n/2}{\overset{i+n/2-1}{\mathrm{\Σ}}}\underset{l=i-n/2}{\overset{j+n/2-1}{\mathrm{\Σ}}}{d}_{(k,l)}^2,$

其中n²为图像大小，d为Directionlet变换的系数；

(4c)对各系数计算的能量构造一组向量：(E1,E2,E3,E4,E5,E6,E7)，作为该像素的特征向量。

上述步骤(7)所述的对M×N个7维能量特征向量作为特征矢量采用形态相似距离改进的模糊C均值算法进行聚类，按如下步骤进行：

(7a)确定聚类数目c(2≤c≤n)与加权指数m(m∈[2,∞])，n是聚类空间的样本数；

(7b)设置模糊聚类矩阵U^(l)，U^(l)＝[μ_ik ^(l)]，当l＝0时，为聚类矩阵初始值，其中μ_ik是第i类中样本k的隶属度；

(7c)按照下面公式计算各类的聚类中心v_i，其中x_k是样本k的属性，

$v_i=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m{x}_k/\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m;$

(7d)按照下面方法计算新的模糊聚类矩阵U^(l)(l＝l+1)，

计算形态相似距离D_MSD，

D_MSD(j,k)＝D_E×(2-D_A/D_M)

其中D_E为欧氏距离，D_M为曼哈顿距离， $D_M(j,k)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_{\mathrm{ji}}-x_{\mathrm{ki}}|,D_A(j,k)=\left|\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ji}}-x_{\mathrm{ki}})\right|.$

计算I_k和

I_k＝{i|1≤i≤c；D_ik＝||x_k-v_i||＝0},

如果I_k＝φ，则

$u_{\mathrm{ik}}=1/\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{(D_{\mathrm{ik}}/D_{\mathrm{jk}})}^{2/(m-1)},$

否则，对所有置μ_ik＝0，并取

(7e)检查||U^(l-1)-U^(l)||是否小于预先设定的阈值，如果小于，则停止，否则转至(7c)；

(7f)如果 ${\mathrm{\μ}}_{\mathrm{ik}}=\underset{i}{\max }\{{\mathrm{\μ}}_{1k},{\mathrm{\μ}}_{2k},...,{\mathrm{\μ}}_{\mathrm{ck}}\},$ 则x_k∈第i类。

本发明的有益效果：本发明充分考虑图像的纹理信息，即利用像素周围的邻域信息为作当前像素的信息，通过设置自适应窗口来选定当前像素合适的窗口，使用Velisavljevic'V等人提出的方向波即Directionlet变换，对原始SAR图像每个像素的邻域窗口分别进行分解，得到每个像素的Directionlet低频系数和高频系数，用能量公式计算每个高低频分量的能量值，作为当前像素的特征向量，对计算的所有像素的特征向量作为特征矢量进行形态相似距离改进的FCM图像分割，得到最终的分割结果。

本发明与现有技术相比具有以下优点：

1.本发明中采用了Directionlet对图像进行变换，相比基于小波变换的方法，能够提取出原始SAR图像中更丰富的边缘和纹理等各向异性特征，能够充分利用图像本身的特征，使用像素邻域窗口的Directionlet变换的低高频分量的能量作为当前像素的特征向量，更好地保证均匀区域的一致性，同时能够抑制SAR图像的相干斑噪声。

2.本发明中采用形态相似距离改进的模糊C均值分割算法进行分割步骤，避免了设定阈值的问题，并且能解决阈值化分割难以解决的多个分支的分割问题，聚类过程中不需要任何人工的干预，同时对象的形状相似性都被考虑在内，能够更准确地判断类别，达到较好的分割效果。

3.本发明中，在进行像素窗口设置时采用了自适应窗口，即均匀区域以大窗口，边缘区域以小窗口进行Directionlet变换，能够保证区域一致性好，边缘较准确，从而达到较好的分割效果。

本发明对多组类型的图像进行了分割测试，从视觉效果方面对分割结果进行评价，结果表明本发明方法是有效和可行的。

附图说明

图1是本发明的流程图；

图2是本发明仿真所用的一幅纹理测试图像和三幅真实SAR图像；

图3是本发明与其它方法对测试图2(a)的不同分割结果比较图；

图4是本发明与其它方法对测试图2(b)的不同分割结果比较图；

图5是本发明与其它方法对测试图2(c)的不同分割结果比较图；

图6是本发明与其它方法对测试图2(d)的不同分割结果比较图。

具体实施方式

参照图1，对本发明的实现步骤如下：

步骤1：读取图像，对图像进行值为2×n(n的大小为4，8，16等)的边缘扩展。

步骤2：对SAR图像的每个像素通过移动窗口，窗口大小为2n×2n，对当前像素f(i,j)设置四个方向的邻域窗口，得到四个窗口图像块的直方图数据，并对每两个直方图数据计算图像块相似度。

(2a)根据步骤(1)对图像进行值为2×n的边缘扩展，对当前像素f(i,j)设置四个大小为2n×2n的窗口，即(i-n+1:i+n,j-2×n+1:j)、(i-2×n+1:i,j-n+1:j+n)、(i-n+1:i+n,j:j+2×n-1)、(i:i+2×n-1,j-n+1:j+n)四个窗口；

(2b)根据两个图像块的像素数据，生成各自直方图数据，运用巴氏系数(Bhattacharyyacoefficient)算法，计算出相似程度值。

巴氏系数的计算公式如下：

$\mathrm{\ρ}(p,p^{\′})=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{p\left(i\right)p^{\′}\left(i\right)}$

其中p，p′分别代表两个图像块的直方图数据，对每个相同i的数据点乘积开平方以后相加得出的结果即为图像相似度值(巴氏系数因子值)，范围为0到1之间。

步骤3：设置阈值T，当相似度大于T时，判断相似，设置以像素为中心的2n×2n窗口进行二层Directionlet(方向波)变换；当相似度小于T时，判断为不相似，设置以像素为中心的n×n窗口进行二层Directionlet变换。

(3a)设置阈值T，将步骤(2)计算的相似度与阈值T进行比较，T一般取0.9～1之间，当相似度大于T时，设置窗口为以像素为中心大小为2n×2n，当相似度小于T时，设置窗口大小为n×n；

(3b)以窗口为图像块，设置90°方向为变换方向，45°方向为队列方向，构造采样矩阵M_Λ，

$M_{\mathrm{\Λ}}=\left(\begin{array}{cc}{x}_1& y_1\\ y_2& y_2\end{array}\right)=\left(\begin{array}{c}{d}_1\\ d_2\end{array}\right),$

其中，x₁,x₂,y₁,y₂是构成采样矩阵M_Λ的四个整数元素值，x₁和y₁由变换方向的斜率确定，x₂和y₂由队列方向的斜率确定，向量d₁和d₂分别为沿变换方向和队列方向的向量；

(3c)基于整数格理论通过采样矩阵M_Λ将图像块划分为关于整数格Λ的|det(M_Λ)|个陪集，每一个陪集对应一个位移矢量s_k＝(s_k1,s_k2)，其中Λ是由被划分的图像构成的整数格，表达式为Λ＝{c₁d₁+c₂d₂,c₁,c₂∈Z}，|det(M_Λ)|是采样矩阵M_Λ的行列式的绝对值，k＝0,1,2,...,|det(M_Λ)|-1，s_k1,s_k2∈Z，Z为整数域；

(3d)对每个陪集沿变换和队列方向分别进行两次和一次一维正交小波变换，得到相应的高频和低频子带。

步骤4：对当前块Directionlet变换后低频和高频系数进行特征提取，提取一组特征向量：(E1,E2,E3,E4,E5,E6,E7)，作为该像素的特征向量。

(4a)提取二层Directionlet变换后的LL1低频系数和LH1，HL1，HH1，LH，HL，HH六个高频系数；

(4b)对LL1，LH1，HL1，HH1，LH，HL，HH分别计算能量E，

$E_{(i,j)}=\frac{1}{n^2}\underset{k=i-n/2}{\overset{i+n/2-1}{\mathrm{\Σ}}}\underset{l=i-n/2}{\overset{j+n/2-1}{\mathrm{\Σ}}}{d}_{(k,l)}^2,$

其中n²为图像大小，d为Directionlet变换的系数；

(4c)对各系数计算的能量构造一组向量：(E1,E2,E3,E4,E5,E6,E7)，作为该像素的特征向量。

步骤5：循环步骤(2)到(4)直至整个图像所有像素的特征向量计算完成，构成M×N×7的能量值矩阵，其中M×N为图像的大小。

步骤6：对步骤(5)所得的能量值矩阵变形为1×(M×N)×7的一组M×N个7维向量。

步骤7：将(6)中的M×N个7维能量特征向量作为特征矢量采用形态相似距离改进的模糊C均值算法进行聚类。

(7a)确定聚类数目c(2≤c≤n)与加权指数m(m∈[2,∞])；

(7b)设置模糊聚类矩阵U的初始值U^(l)＝[μ_ik ^(l)]，取l＝0；

(7c)按照下面公式计算各类的聚类中心vi，

$v_i=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m{x}_k/\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m;$

(7d)按照下面方法计算新的模糊聚类矩阵U^(l)(l＝l+1)，

计算形态相似距离D_MSD，

D_MSD(j,k)＝D_E×(2-D_A/D_M)

其中D_E为欧氏距离，D_M为曼哈顿距离， $D_M(j,k)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_{\mathrm{ji}}-x_{\mathrm{ki}}|,D_A(j,k)=\left|\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ji}}-x_{\mathrm{ki}})\right|.$

计算I_k和

I_k＝{i|1≤i≤c；d_ik＝||x_k-v_i||＝0},

如果I_k＝φ，则

$u_{\mathrm{ik}}=1/\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}/d_{\mathrm{jk}})}^{2/(m-1)},$

否则，对所有置μ_ik＝0，并取

(7e)检查||U^(l-1)-U^(l)||是否小于预先设定的阈值。如果小于，则停止，否则转至(7c)；

(7f)设定分割门限为α，如果则x_k∈第i类。

步骤8：将步骤(7)分类后的类别赋予相应的灰度值，并将当前1×(M×N)的矩阵向量变形为M×N图像，结果即为最终的分割结果。

本发明的分割效果通过以下几组仿真实验进一步说明。

1.仿真内容与结果

仿真1，利用本发明方法和其他两种现有方法对SAR图像测试图2(a)进行分割，结果如图3所示，其中：

图3(a)为待分割纹理测试图像；

图3(b)为纹理图像分割标准图；

图3(c)为用模糊C均值聚类方法对图3(a)分割的结果图；

图3(d)为用马尔可夫随机场MRF方法对图3(a)分割的结果图；

图3(e)为用本发明方法对图3(a)分割的结果图。

仿真2，利用本发明方法和其他两种现有方法对SAR图像测试图2(b)进行分割，结果如图4所示，其中：

图4(a)为待分割SAR图像；

图4(b)为用模糊C均值聚类方法对图4(a)分割的结果图；

图4(c)为用马尔可夫随机场MRF方法对图4(a)分割的结果图；

图4(d)为用本发明方法对图4(a)分割的结果图。

仿真3，利用本发明方法和其他两种现有方法对SAR图像测试图2(c)进行分割，结果如图5所示，其中：

图5(a)为待分割SAR图像；

图5(b)为用模糊C均值聚类方法对图5(a)分割的结果图；

图5(c)为用马尔可夫随机场MRF方法对图5(a)分割的结果图；

图5(d)为用本发明方法对图5(a)分割的结果图。

仿真4，利用本发明方法和其他两种现有方法对SAR图像测试图2(d)进行分割，结果如图6所示，其中：

图6(a)为待分割SAR图像；

图6(b)为用模糊C均值聚类方法对图6(a)分割的结果图；

图6(c)为用马尔可夫随机场MRF方法对图6(a)分割的结果图；

图6(d)为用本发明方法对图6(a)分割的结果图。

2.仿真结果分析

(2a)从视觉效果上对图3，图4，图5，图6中各方法的分割结果进行主观评价。

可以看出，本发明方法能够达到更好的分割效果，对地物纹理不同的区域分割效果良好，一致区域性好，能够很大程度上抑制相干斑噪声对图像分割的影响，这说明本发明的SAR图像分割方法充分考虑了图像的本身的纹理信息，较好地提取了像素的邻域信息，抑制了相干斑噪声的影响，，而FCM分割方法受相干斑影响较大，所得的分割结果有很多杂点，影响分割效果，MRF分割方法较FCM受相干斑影响较小，但是均匀区域分割不一致，影响分割结果。

(2b)从客观评价指标上对图3中各方法的融合结果进行评价。

表1三种方法分割性能比较

以上实验结果表明，相比其他两种现有方法，本文分割方法不论是对噪声的抑制还是对区域的分割，都有很好的效果，由此可以看出，基于自适应窗口频域信息和形态相似距离改进的FCM的SAR图像分割方法是一种有效的SAR图像分割方法。

因此，本发明充分考虑图像的纹理信息，即利用像素周围的邻域信息为作当前像素的信息，通过设置自适应窗口来选定当前像素合适的窗口，使用Velisavljevic'V等人提出的方向波即Directionlet变换，对原始SAR图像每个像素的邻域窗口分别进行分解，得到每个像素的Directionlet低频系数和高频系数，用能量公式计算每个高低频分量的能量值，作为当前像素的特征向量，对计算的所有像素的特征向量作为特征矢量进行形态相似距离改进的FCM图像分割，得到最终的分割结果。

本发明与现有技术相比具有以下优点：

1.本发明中采用了Directionlet对图像进行变换，相比基于小波变换的方法，能够提取出原始SAR图像中更丰富的边缘和纹理等各向异性特征，能够充分利用图像本身的特征，使用像素邻域窗口的Directionlet变换的低高频分量的能量作为当前像素的特征向量，更好地保证均匀区域的一致性，同时能够抑制SAR图像的相干斑噪声。

2.本发明中采用形态相似距离改进的模糊C均值分割算法进行分割步骤，避免了设定阈值的问题，并且能解决阈值化分割难以解决的多个分支的分割问题，聚类过程中不需要任何人工的干预，同时对象的形状相似性都被考虑在内，能够更准确地判断类别，达到不错的分割效果。

3.本发明中，在进行像素窗口设置时采用了自适应窗口，即均匀区域以大窗口，边缘区域以小窗口进行Directionlet变换，能够保证区域一致性好，边缘较准确，从而达到较好的分割效果。

本发明对多组类型的图像进行了分割测试，从视觉效果方面对分割结果进行评价，结果表明本发明方法是有效和可行的。

本实施例没有详细叙述的部分属本行业的公知的常用手段，这里不一一叙述。以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (5)

1.一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：包括如下步骤：

(1)读取图像，对图像进行值为2×n的边缘扩展，n设置为16；

(2)对SAR图像当前像素设置大小为2n×2n的上下左右四个方向的窗口，得到四个窗口图像块的直方图数据，并对两两直方图数据计算图像块相似度；

(3)设置阈值T，当相似度大于T时，判断相似，设置以像素为中心的2n×2n窗口进行二层Directionlet变换；当相似度小于T时，判断为不相似，设置以像素为中心的n×n窗口进行二层Directionlet变换；

(4)对当前块Directionlet变换后低频和高频系数进行特征提取，提取一组特征向量：(E1,E2,E3,E4,E5,E6,E7)，作为该像素的特征向量，Ei为第i个频域系数的能量；

(5)循环步骤(2)到(4)直至整个图像所有像素的特征向量计算完成，构成M×N×7的能量值矩阵，其中M×N为图像的大小；

(6)对步骤(5)所得的能量值矩阵变形为1×(M×N)×7的一组M×N个7维向量；

(7)将(6)中的M×N个7维能量特征向量作为特征矢量采用形态相似距离改进的模糊C均值算法进行聚类；

(8)将步骤(7)分类后相同类别的像素赋予相同的灰度值，并将当前1×(M×N)的矩阵向量变形为M×N图像，结果即为最终的分割结果。

2.根据权利要求1所述的一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：其中步骤(2)所述的对SAR图像的每个像素设置上下左右四个方向的窗口并得到四个窗口图像块的直方图数据，按如下步骤进行：

(2a)根据步骤(1)对图像进行值为2×n的边缘扩展，对当前像素f(i,j)设置四个大小为2n×2n的窗口，即(i-n+1:i+n,j-2×n+1:j)、(i-2×n+1:i,j-n+1:j+n)、(i-n+1:i+n,j:j+2×n-1)、(i:i+2×n-1,j-n+1:j+n)四个窗口；

(2b)根据两个图像块的像素数据，生成各自直方图数据，运用巴氏系数算法，计算出相似程度值；

巴氏系数的计算公式如下：

$\mathrm{\ρ}(p,p^{\text{'}})=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{p\left(i\right)p^{\text{'}}\left(i\right)}$

其中p，p′分别代表两个图像块的直方图数据，对每个相同i的数据点乘积开平方以后相加得出的结果即为图像相似度值，范围为0到1之间。

3.根据权利要求1所述的一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：其中步骤(3)所述的设置阈值T，并根据相似度与T的大小关系，设置大小不同的窗口进行二层Directionlet变换，按如下步骤进行：

(3a)设置阈值T，将步骤(2)计算的相似度与阈值T进行比较，T取0.9～1之间，当相似度大于T时，设置窗口为以像素为中心大小为2n×2n，当相似度小于T时，设置窗口大小为n×n；

(3b)以窗口为图像块，设置90°方向为变换方向，45°方向为队列方向，构造采样矩阵M_Λ，

$M_{\mathrm{\Λ}}=\left(\begin{array}{cc}{x}_1& y_1\\ x_2& y_2\end{array}\right)=\left(\begin{array}{c}{d}_1\\ d_2\end{array}\right),$

其中，x₁,x₂,y₁,y₂是构成采样矩阵M_Λ的四个整数元素值，x₁和y₁由变换方向的斜率确定，x₂和y₂由队列方向的斜率确定，向量d₁和d₂分别为沿变换方向和队列方向的向量；

(3c)基于整数格理论通过采样矩阵M_Λ将图像块划分为关于整数格Λ的|det(M_Λ)|个陪集，每一个陪集对应一个位移矢量s_k＝(s_k1,s_k2)，其中Λ是由被划分的图像构成的整数格，表达式为Λ＝{c₁d₁+c₂d₂,c₁,c₂∈Z}，|det(M_Λ)|是采样矩阵M_Λ的行列式的绝对值，k＝0,1,2,...,|det(M_Λ)|-1，s_k1,s_k2∈Z，Z为整数域；

(3d)对每个陪集沿变换和队列方向分别进行两次和一次一维正交小波变换，得到相应的高频和低频子带。

4.根据权利要求1所述的一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：其中步骤(4)所述的对当前块的Directionlet低频和高频系数进行特征提取，按如下步骤进行：

(4a)提取二层Directionlet变换后的LL1低频系数和LH1，HL1，HH1，LH，HL，HH六个高频系数；

(4b)对LL1，LH1，HL1，HH1，LH，HL，HH分别计算能量E，

$E_{(i,j)}=\frac{1}{n^2}\underset{k=i-n/2}{\overset{i+n/2-1}{\mathrm{\Σ}}}\underset{l=i-n/2}{\overset{j+n/2-1}{\mathrm{\Σ}}}{d}_{(k,l)}^2,$

其中n²为图像大小，d为Directionlet变换的系数；

(4c)对各系数计算的能量构造一组向量：(E1,E2,E3,E4,E5,E6,E7)，作为该像素的特征向量。

5.根据权利要求1所述的一种基于自适应窗方向波域和改进FCM的SAR图像分割方法，其特征在于：其中步骤(7)所述的对M×N个7维能量特征向量作为特征矢量采用形态相似距离改进的模糊C均值算法进行聚类，按如下步骤进行：

(7a)确定聚类数目c(2≤c≤n)与加权指数m(m∈[2,∞])，n是聚类空间的样本数；

(7b)设置模糊聚类矩阵U^(l)，U^(l)＝[μ_ik ^(l)]，当l＝0时，为聚类矩阵初始值，其中μ_ik是第i类中样本k的隶属度；

(7c)按照下面公式计算各类的聚类中心v_i，其中x_k是样本k的属性，

$v_i=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m{x}_k/\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}\right)}^m;$

(7d)按照下面方法计算新的模糊聚类矩阵U^(l)(l＝l+1)，

计算形态相似距离D_MSD，

D_MSD(j,k)＝D_E×(2-D_AD_M)

其中D_E为欧氏距离，D_M为曼哈顿距离，

$D_M(j,k)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|x_{\mathrm{ji}}-x_{\mathrm{ki}}|,D_A(j,k)=\left|\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ji}}-x_{\mathrm{ki}})\right|,$

计算I_k和

$I_k=\left\{i\right|1\≤i\≤c;D_{\mathrm{ik}}=\left|\right|x_k-v_i\left|\right|=0\},\stackrel{-}{I_k}=\{\mathrm{1,2},\·\·\·,c\}-I_k$

如果I_k＝φ，则

$u_{\mathrm{ik}}=1/\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{(D_{\mathrm{ik}}/D_{\mathrm{jk}})}^{2/(m-1)},$

否则，对所有置μ_ik＝0，并取

(7e)检查||U^(l-1)-U^(l)||是否小于预先设定的阈值，如果小于，则停止，否则转至(7c)；

(7f)如果 ${\mathrm{\μ}}_{\mathrm{ik}}=\underset{i}{\max }\{{\mathrm{\μ}}_{1k},{\mathrm{\μ}}_{2k},\·\·\·,{\mathrm{\μ}}_{\mathrm{ck}}\},$ 则x_k∈第i类。