本发明专利技术公开了一种基于高斯混合模型参数块迁移聚类的SAR图像分割方法，主要解决现有技术分割结果不稳定、精度和区域一致性不理想的问题。其实现过程是：1)输入图像，确定分割类数；2)提取特征；3)用Normalized?Cut算法对待分割的SAR图像进行预分割；4)根据块大小排序选择源域和目标域；5)用EM算法对源域进行参数估计；6)对样本、源域和目标域分别求平均得到新样本、新源域和新目标域；7)根据K近邻法把源域参数直接迁移至新目标域；8)把迁移过来的参数当做基于GMM的EM算法的初始参数，对新样本进行EM聚类得到图像最终分割结果。本发明专利技术具有分割速度快、效果稳定良好、区域一致性好的优点，可用于雷达目标检测和识别。
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及SAR图像分割，可用于雷达目标检测和目标识别。
技术介绍
合成孔径雷达SAR具有全天时、全天候的探测与侦察能力。它利用脉冲压缩技术获得高的距离分辨率，利用合成孔径原理提高方位分辨率，从而相比真实孔径雷达在遥感领域具有独特的优势。对SAR图像的理解和解译属于图像处理范畴，还涉及信号处理，模式识别及机器学习等众多学科。由于SAR具有的独特作用，使得SAR图像的理解与解译在国防和民用领域正受到越来越广泛的关注，SAR图像分割作为SAR图像后续解译处理的关键环节之一，也就显得愈加重要。现有的SAR图像分割方法大致可以分为基于区域分割方法和基于边缘的分割方法，基于区域的分割方法有聚类、阈值分割、区域生长法等，基于边缘的分割方法有边界跟踪法和图像滤波法等。其中基于聚类的SAR图像分割方法，是将SAR图像中具有某方面相似特征的区域划分成一类。经典聚类方法EM算法因简单、容易实现而被广泛使用，但它本身还存在对初始值敏感，容易陷入局部最优的缺陷，造成图像分割的不稳定以及错分现象。此外，随着科学技术的发展，在实际SAR图像分割中，经常遇到大规模、超高维、复杂分布的数据，对于这些数据，现有的样本迁移聚类算法速度慢，分割效果不理想，无法在有限的时间内给出令人满意的分割结果。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出了一种基于高斯混合模型参数块迁移聚类的SAR图像分割方法，提高SAR图像分割的速度和性能。实现本专利技术的技术思路是从待分割SAR图像中提取小波特征为待划分的样本，同时将SAR图像划分成若干块，选择少数几块作为源域，剩余的块作为目标域，然后从源域学习参数，通过近邻法将源域参数迁移至目标域作为EM算法的初始参数对样本进行EM聚类，得到图像分割结果。具体实现步骤包括如下(I)输入待分割SAR图像，确定图像分割类别数C ；(2)对待分割的SAR图像进行3层平稳小波变换，图像像素点总个数为n，对每个像素点提取出10维子带能量特征，构成大小为ηX 10的输入数据样本集X = {xj ,1 = 1,2，···，η:_8] x'= I^Wcoef其中，MXN为利用滑动窗口确定的子带大小，coef(e，u)为平稳小波子带中第e行第u列的系数值；(3)根据Shi和Malik提出的Normalized Cut算法把待分割的SAR图像划分成M块，将相应的数据样本集X划分成M组样本-X= {Dj，r = 1，2，. . .，M，其中比={xb}，b=1,2, . . . , s, s表示第r组样本个数大小；(4)对M组样本数据集X = {Dj，r = 1，2，. . .，M根据组内样本个数大小排序，选择前面的10组为源域Xs = {Dv}, V = 1,2,. . . ,10,剩余的(M-10)组为目标域Xt = {Dj , q=11，12，· · ·，M;(5)用步骤(2)提取的样本特征分别对源域Xs= {Dv}，v= 1，2，···，10的每一组Dv计算均值和协方差，得到10组均值μ ν和协方差σ ν两个类参数，V表示源域组数。(6)分别对 M 组样本 X = {Dr}, r = 1,2, . . . , M 中的每一个块 Dr = {xj , b = I,2，…，s求平均得到新样本} r = 12 M，其中忍’则与步骤⑷源域Xs = {Dv}, ν = 1,2, . . . , 10 和目标域 Xt = {Dj , q = 11,12, . . . , M 对应的新源域样本为Xsf ={Dv},v = \,2,...,\0、新目标域样本为^={马}，《=11,12,...,从;(7)根据基于欧氏距离的K近邻法对新目标域样本f= 12, ...,M中的每一个样本&寻找离其最近的新源域样本v = l,2,...,10，并将步骤(5)得到的源域样本类参数均值μ ν和协方差σ ν迁移至新目标域样本&的类参数均值μ q和协方差O q μ q = μ v, Oq= σ v ；(8)把迁移过来的那些均值μ q和协方差σ q两个类参数当作基于高斯混合模型的EM算法的初始参数，利用该算法对新样本t = ·[马I,r = 1,2,...,M进行聚类，得到最终图像分割结果。本专利技术与现有技术相比具有以下优点(I)本专利技术通过基于图论的Normalized Cut算法对原图进行初始划分,实际上是加入了图像像素之间的局部空间信息，从而能有效提高聚类算法的性能。(2)本专利技术通过块内所有样本的平均值代替整个块进行参数迁移及聚类，实际上是减少了样本个数，从而比基于样本的参数迁移聚类算法速度快。仿真实验表明本专利技术在细节划分和区域一致性上都优于传统EM算法。附图说明 图I是本专利技术的实现流程图；图2是现有包含山地和平坦地区的SAR图像；图3是现有包含森林和田地的SAR图像；图4是本专利技术与现有方法对图2的仿真分割对比图；图5是本专利技术与现有方法对图3的仿真分割对比图。具体实施例方式参照图I，本专利技术的具体实施步骤如下步骤I.输入待分割SAR图像，根据图像内容，判断需要识别的主要目标及背景，确定分割类别数C，本实例中的C取值为2。步骤2.提取待分割SAR图像的特征。SAR图像不仅数据量大，在成像过程中不同的地物有不同的后向发射和散射特性，从而具有丰富的幅度、相位、极化和纹理信息，并且图像固有的相干斑噪声对于分割性能直接产生影响，因此，有必要在图像分割前对SAR图像进行纹理分析，提取有效的纹理特征进行聚类。在以上分析基础上，对待分割的SAR图像进行3层平稳小波变换，图像像素点总个数为n，对每个像素点提取出10维子带能量特征，构成大小为ηX 10的输入数据样本集X =权利要求1.一种基于高斯混合模型参数块迁移聚类的SAR图像分割方法，包括如下步骤 (1)输入待分割SAR图像，确定图像分割类别数C； (2)对待分割的SAR图像进行3层平稳小波变换，图像像素点总个数为n，对每个像素点提取出10维子带能量特征,构成大小为η X 10的输入数据样本集X= {xj , i = 1,2,...,η 2.根据权利要求I所述的SAR图像分割方法，其中步骤(8)按照如下步骤进行 (Sa)首先针对新样本JT = Pjr = 1,2,...,M，定义归属矩阵Zij如下全文摘要本专利技术公开了一种基于高斯混合模型参数块迁移聚类的SAR图像分割方法，主要解决现有技术分割结果不稳定、精度和区域一致性不理想的问题。其实现过程是1)输入图像，确定分割类数；2)提取特征；3)用Normalized Cut算法对待分割的SAR图像进行预分割；4)根据块大小排序选择源域和目标域；5)用EM算法对源域进行参数估计；6)对样本、源域和目标域分别求平均得到新样本、新源域和新目标域；7)根据K近邻法把源域参数直接迁移至新目标域；8)把迁移过来的参数当做基于GMM的EM算法的初始参数，对新样本进行EM聚类得到图像最终分割结果。本专利技术具有分割速度快、效果稳定良好、区域一致性好的优点，可用于雷达目标检测和识别。文档编号G06T5/00GK102663684SQ20121007124公开日2012年9月12日 申请日期2012年3月17日 优先权日2012年3月本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：缑水平，焦李成，费全花，杨淑媛，徐聪，王维芳，杜芳芳，张观吕，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。