一种基于马尔可夫模型的合成孔径雷达图像快速分割方法技术

本发明专利技术属于图像分割技术领域，具体涉及一种基于马尔可夫模型的合成孔径雷达图像快速分割方法。本发明专利技术以马尔可夫模型为基础，综合研究了超像素和邻域系统对分割速度的影响，提出了一种合成孔径雷达图像快速分割方法。首先对雷达图像进行超像素预处理，并以此生成合理描述位置关系的邻域系统，然后进行基于MRF模型的图像分割以及相应的后处理得到最后的分割结果。实验证明该方法大幅度提高了图像分割速度且最大程度地保留了分割质量。

A fast segmentation method for synthetic aperture radar images based on Markov model

The invention belongs to the field of image segmentation technology, in particular relates to a fast segmentation method of synthetic aperture radar image based on Markov model. Based on Markov model, this paper studies the influence of super pixel and neighborhood system on segmentation speed, and proposes a fast segmentation method for SAR images. Firstly, the radar image is preprocessing super pixels, and then generate a reasonable description of the neighborhood system position, then the image segmentation MRF model and corresponding postprocessing to get the final segmentation result based on. Experiments prove that this method significantly improves the image segmentation speed and maximize the retention of the segmentation quality.

【技术实现步骤摘要】
一种基于马尔可夫模型的合成孔径雷达图像快速分割方法
本专利技术属于图像分割
，具体涉及一种基于马尔可夫模型的合成孔径雷达图像快速分割方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar，以下简称SAR)能够在全气候条件下全天提供高分辨率图像。当前SAR图像分割的主要方法是基于模型驱动的，通过对分割问题构建数学模型实现SAR图像分割，往往能得到较为理想的分割结果。但随着SAR成像技术的发展，海量的、高分辨率的雷达图像给分割解译工作的效率提出了严苛的要求，所以如何提高SAR图像分割速度是当前SAR图像分割方法研究的重点。基于模型驱动的图像分割算法，以图像的先验知识为基础，对分割问题进行建模，通常将分割问题转化为优化问题。那么提高分割速度的方法就主要为优化迭代算法和减少待处理目标数量两方面了。优化迭代算法是从迭代运算过程入手，对算法本身或者整个流程进行简化，以达到加速的目的，一般而言难度较大，且适用性不高，容易出现重大问题。减少待处理目标数量，是算法加速的最直接的方法，其以不改变算法核心部分，实现简单，成为算法加速中最常用的方法。当确定以减少待处理目标对象数量本文档来自技高网...

【技术保护点】
一种基于马尔可夫模型的合成孔径雷达图像快速分割方法，其特征在于，包括以下步骤：S1、对SAR图像进行预处理：利用简单线性迭代聚类超像素算法对SAR图像进行预处理，选择合适的分割步长；S2、根据步骤S1的预处理结果，生成伪网格化邻域系统：S21、假设预处理结果的所有超像素块的节点信息，是按照网格化排列的，对超像素块的节点信息建模如下：

【技术特征摘要】
1.一种基于马尔可夫模型的合成孔径雷达图像快速分割方法，其特征在于，包括以下步骤：S1、对SAR图像进行预处理：利用简单线性迭代聚类超像素算法对SAR图像进行预处理，选择合适的分割步长；S2、根据步骤S1的预处理结果，生成伪网格化邻域系统：S21、假设预处理结果的所有超像素块的节点信息，是按照网格化排列的，对超像素块的节点信息建模如下：D(i,j)＝max(|r(i)-r(j)|,|c(i)-c(j)|)其中，用块内均值表示超像素块节点信息，rk和ck为每个像素点的横纵坐标，gk像素点的灰度值，D(i,j)表示节点间距离，i，j为节点编号，n为像素块内像素值，S为像素块面积；S22、获得每个超像素块节点信息后，按照网格化排列方式，计算每个超像素块节点在网格中的位置所在，得到待处理图像；S23、根据步骤S22获得所有节点位置后，对获得的待处理图像中出现的空白点进行处理，即将空白点2阶邻域所有点灰度值均值赋予该空白点；S24、根据图像灰度最大差值和分割总像素块数获得识别区间；S3、根据步骤S1的预处理结果，生成下采样邻域系统：S31、以超像素块平均面积大小和图像整体大小为依据，选择合适的采样步长，对SLIC预处理结果进行下采样，直接得到无空白点的待处理小图；S32、对步骤S1的预处理结果中遗漏的节点信息进行判断处理，使遗漏点与其最近中心点进行对比判断：其中像素块大小为Ss，识别区间步长设为J，识别区间灰度设为G，最近的中心点的距离为lm，最近的中心点的灰度值为gm，该遗漏点的灰度值为gt；S33、根据步骤S32获得的遗漏节点的大小和灰度值，以及其与最近节点的距离和灰度差值，再加上整个分割的识别区间和步长，做出分割类别的判断；S4、将两种邻域系统分别带入基于马尔可夫模型的分割算法中进行分割操作，所述的马尔可夫模型采用了有限正态混合模型描述的特征场，Potts模型描述的标号场，并采用迭代条件模式算法作为分割算法，具体为：有限正态混合规定每个位置仅有两种取值，假设图像中某一点像素为xk，则Potts模型中的条...

【专利技术属性】
技术研发人员：曹宗杰，梁博，崔宗勇，皮亦鸣，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51