本发明专利技术公开了一种基于非局部的三马尔可夫随机场SAR图像分割方法，它属于图像处理技术领域，主要解决传统TMF方法应用于SAR图像分割易产生区域一致性差，边界凌乱的问题。其实现步骤为：(1)输入待分割图像；(2)利用FCM聚类初始化每个像素类标;(3)利用k-means初始化每个像素的场景类别，并利用非局部冗余信息对场景类别进行一次更新迭代；(4)计算图像的势能；(5)构建三马尔可夫场联合分布，并用吉布斯采样器对该分布函数采样，得到后验概率；(6)计算后验边缘概率，并逐点更新各像素点类标；(7)判断各像素类标变化率是否大于阈值，若变化率大于阈值，重复(4)-(6),否则输出分割结果。本发明专利技术收敛速度快，分割结果区域一致性好,保留信息完整，可用于SAR图像目标识别。
【技术实现步骤摘要】
本专利技术属于图像处理领域，涉及一种对纹理分布不均匀的非平稳SAR图像分割的方法，可应用于目标识别。
技术介绍
合成孔径雷达(Synthetic Aperture Radar, SAR)是一种高分辨率雷达体制,可应用于军事、农业、导航、地理监视等诸多领域。它与其它遥感成像系统，光学成像系统相比有很多差异。在军事目标识别方面，SAR图像被广泛的应用在目标检测领域，而SAR图像分割则是从图像处理到图像分析的重要步骤，是目标分类和识别的基础。在SAR图像分割处理方面，由于SAR图像中固有的乘性斑点噪声的存在，图像的像素常常会有突变，这种突变只是局部孤立的，而图像的局部相关性让我们考虑到了中心像 素与其相邻像素之间的相关性，建立在像素邻域系统上的马尔可夫随机场(Markov RandomField, MRF)正好能够利用邻域相关性来消除噪声的影响，适合于SAR图像的分割。自从上世纪60年代以来,Besag等关于吉布斯(Gibbs)分布与MRF等价性的研究，使得分布函数与能量函数有了有效的联系，利用这种联系MRF模型开始在图像处理方面得到应用。Geman S.和Geman D.在1984年发表的著名论文中建立了基于马尔可夫随机场和最大后验概率的方法。MRF在处理具有简单纹理的图像方面取得了令人满意的结果，但是对于大量复杂图像，如非平稳图像、复杂纹理图像、高噪声图像的处理，MRF模型显得过于简单，因为在MRF模型中假设存在两个随机场，而只把其中一个随机场认为是符合马尔可夫分布的，这样在处理复杂图像时，无法满足条件独立性的假设，模型就显得过于简单。随着统计模型不断的发展和完善，MRF模型也随之不断的发展。2000年，提出了一个双马尔可夫随机场模型(Pairwise Markov random Fields, PMF),此模型中直接假设两个随机场的联合分布符合马尔可夫分布，这样就使得我们可以一方面能够对不同图像的纹理特性进行建模，另一方面又能利用不同的贝叶斯方法来实现分割。在此基础上人们又将这一模型扩展到了更普遍的三马尔可夫随机场(Triplet Markov Fields, TMF)模型,在这个模型中通过引入第三个随机场来对图像进行建模。非局部均值常用于图像去噪，是对双边滤波的一个推广，图像中往往包含有许多冗余信息，充分利用这些冗余信息为去除图像噪声服务，这是非局部平均滤波模型的主要思想。冗余信息是指图像中部分区域灰度的相似程度，根据相似度来进行平滑去噪是非局部均值图像去噪的一个优点。非局部均值(NL-means)模型的主要特点是该方法不是用图像中单个像素的灰度值进行比较，而是对该像素周围的整个灰度的分布状况进行比较，根据灰度分布的相似性来贡献权值。随着统计模型下SAR图像分割方法的日益成熟，分割效果的评价也在以下三个方面逐渐严苛起来同质区域的内部一致性；细节信息的完整性；边缘边界的清晰性。传统的TMF方法并没有考虑图像自身的相似性，故图像的上下文信息没有得到充分的利用，使得在分割过程中损失了一些图像的细节信息和边缘，导致该TMF方法对包含复杂纹理的SAR图像会产生误分割和区域一致性不理想等现象。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于非局部的三马尔可夫随机场SAR图像分割方法，利用图像的局部结构信息相似度，提高边缘分辨精度和区域一致性，保证图像分割信息的完整性，提高SAR图像分割的质量。实现本专利技术目的的技术思路是采用模糊C均值(FCM)聚类方法得到图像的初始类标场X，用K均值聚类的方法初 始场景类别标号场U，利用图像非局部冗余信息对U场进行处理，并通过TMF模型描述图像信息，结合Bayesian理论对X进行更新，直至得到类标场X满足已设定的精度要求或最大迭代次数，输出最终分割结果。其具体实现步骤如下I)输入待分割的SAR图像；2)利用FCM聚类的方法得到待分割图像每个像素点的初始类标；3)提取待分割图像的灰度共生矩阵，采用k-means聚类方法得到待分割图像每个像素点的场景类别，并利用图像非局部冗余信息对场景类别进行一次迭代更新，得到每个像素点新的场景类别；4)根据步骤2)得到的每个像素点的初始类标和步骤3)得到的每个像素点新的场景类别，利用下式计算势能W (x，u)-二 Σ W ( -2 '(.νν,χ;)) — (Γ))+ Σ 4 (1 - 2^i^ ^))-( ■ ^)+ανδ^ (iys Mi ,b) )(i -x , Jri))式中，X为像素点的类标，U为像素点的场景类别，S、t为一对相邻像素点，Xs> Xt为一对相邻像素点的类标值，Us、ut为一对相邻像素点的场景类别，Ch为图像中水平方向上的相邻像素点对的集合，Cv为图像中垂直方向上的相邻像素点对的集合，a，b为场景类别的两种取值，<4、心、a2m、a},、ο4.和 4,分别表示不同的权重参数,<4 =0^.=1 ^alri=I ,a；r=-0.3，2 μ 2 i j(xs,x;)=|为类标的惩罚函数，14χ—:「α%alH=-03 ,ahr=l [O， xsfxt6b)利用三马尔可夫场联合概率分布，获得各像素点的后验边缘概率；6c)利用贝叶斯最大后验边缘概率准则逐点更新图像中各像素点的类标；7)将更新前后类标变化的像素点个数和图像中像素点总数的比率作为终止条件，如果比率大于输入的阈值10_9，或达到最大迭代次数100，返回步骤4)，否则将各像素点的最终类标作为最终分割结果输出。本专利技术与现有的技术相比具有以下优点I、本专利技术结合图像具有重复结构这一性质，充分利用了图像的冗余信息，提取出非平稳SAR图像纹理区域的相似结构，保证了图像信息的完整性；2、本专利技术由于将非局部特性和TMF模型相结合，抑制了斑点噪声，同时又有效地保留了图像中的光滑边缘部分，提高了 SAR图像的分割精度；3、本专利技术由于采用G°分布的概率密度函数作为后验边缘概率，很好的匹配了不同·场景区域的数据模型，提高了分割结果的同质性、连通性和保真度。附图说明图I是本专利技术的流程示意图；图2是本专利技术在一幅两类模拟SAR图像上的仿真结果图；图3是本专利技术在一幅两类复杂地物背景SAR图像上的仿真结果图；图4是本专利技术在一副三类复杂地物背景SAR图像上的仿真结果图。具体实施例方式参照图1，本专利技术的实现步骤如下步骤一，输入待分割的SAR图像，图像大小为M*N，视数为n，图像中包含农田、水域、森林、城镇、山地等目标。步骤二，利用FCM聚类的方法得到待分割图像每个像素点的初始类标。对待分割的SAR图像进行FCM聚类，每个像素点以不同的隶属度属于各类。通过迭代寻优后把每个像素点分配给该像素点具有最高隶属度的类，就得到了图像中每个像素点的初始类标。步骤三，提取待分割图像的灰度共生矩阵，采用k-means聚类方法得到待分割图像每个像素点的场景类别，并利用图像非局部冗余信息对场景类别进行一次迭代更新，得到每个像素点新的场景类别。(3. I)提取待分割图像的灰度共生矩阵，采用k-means聚类估计场景类别选取每个像素点的O度，45度，90度，135度四个方向上的对比度、相关性、能量、逆差距共16维特征；随机选择k个像素点，其中每个像素点代表一个场景类别的聚类中心，计算剩余的每个本文档来自技高网...
【技术保护点】
一种基于非局部的三马尔可夫随机场SAR图像分割方法，包括如下步骤：1)输入待分割的SAR图像；2)利用FCM聚类的方法得到待分割图像每个像素点的初始类标；3)提取待分割图像的灰度共生矩阵，采用k？means聚类方法得到待分割图像每个像素点的场景类别，并利用图像非局部冗余信息对场景类别进行一次迭代更新，得到每个像素点新的场景类别；4)根据步骤2)得到的每个像素点的初始类标和步骤3)得到的每个像素点新的场景类别，利用下式计算势能W(x,u)：W(x,u)=Σ(s,t)∈CHαH1(1-2δ(xs,xt))-(αaH2δ*(us,ut,a)+αbH2δ*(us,ut,b))(1-δ(xs,xt))+Σ(s,t)∈CVαV1(1-2δ(xs,xt))-(αaV2δ*(us,ut,a)+αbV2δ*(us,ut,b))(1-δ(xs,xt))式中，x为像素点的类标，u为像素点的场景类别，s、t为一对相邻像素点，xs、xt为一对相邻像素点的类标值，us、ut为一对相邻像素点的场景类别，CH为图像中水平方向上的相邻像素点对的集合，CV为图像中垂直方向上的相邻像素点对的集合，a,b为场景类别的两种取值，和分别表示不同的权重参数，αH1=αV1=1,αaH2=1,αaV2=-0.3,αbH2=-0.3,αbV2=1,δ(xs,xt)=1,xs=xt0,xs≠xt为类标的惩罚函数，δ*(us,ut,a)=1,us=ut=a0,otherwise为场景类别取a时的惩罚函数，δ*(us,ut,b)=1,us=ut=b0,otherwise为场景类别取b时的惩罚函数；5)根据步骤2)中得到的每个像素点的类标，计算各像素点的条件概率：p(ys|xs)=nnΓ(n-α)γαΓ(n)Γ(-α)ys2(n-1)(γ+nys2)n-α,其中，p(ys|xs)服从统计模型G0分布，ys为像素点s的灰度值，Γ为Gamma函数，n为SAR图像的等效视数，n通过图像的先验知识获得，α为形状参数，γ为尺度参数；6)根据上述得到的势能W(x,u)和各像素点的条件概率p(ys|xs)，更新各像素点的类标；6a)根据势能W(x,u)和各像素点的条件概率p(ys|xs)，使用统计概率公式计算三马尔可夫场联合概率分布；6b)利用三马尔可夫场联合概率分布，获得各像素点的后验边缘概率；6c)利用贝叶斯最大后验边缘概率准则逐点更新图像中各像素点的类标；7)将更新前后类标变化的像素点个数和图像中像素点总数的比率作为终止条件，如果比率大于输入的阈值10？9，或达到最大迭代次数100，返回步骤4)，否则将各像素点的最终类标作为最终分割结果输出。FDA00002125530500013.jpg,FDA00002125530500014.jpg,FDA00002125530500015.jpg,FDA00002125530500016.jpg,FDA00002125530500017.jpg,FDA00002125530500018.jpg...
【技术特征摘要】
1.一种基于非局部的三马尔可夫随机场SAR图像分割方法，包括如下步骤 1)输入待分割的SAR图像； 2)利用FCM聚类的方法得到待分割图像每个像素点的初始类标； 3)提取待分割图像的灰度共生矩阵，采用k-means聚类方法得到待分割图像每个像素点的场景类别，并利用图像非局部冗余信息对场景类别进行一次迭代更新，得到每个像素点新的场景类别； 4)根据步骤2)得到的每个像素点的初始类标和步骤3)得到的每个像素点新的场景类另1J，利用下式计算势能W (X，u)2.根据权利要求I所述的基于非局部的三马尔可夫随机场SAR图像分割方法，其中步骤3)所述的利用图像非局部冗余信息对场景类别进行一次迭代更新，按如下步骤进行 3a)提取待分割图像的灰度共生矩阵，采用k-means聚类估计每个像素点的初始场景类别；3b)根据步骤3a)得到的每个像素点s的初始场景类别，取邻域窗口 m*m，m=ll，分别计算...
【专利技术属性】
技术研发人员：侯彪，焦李成，牛佳颖，马文萍，张向荣，王爽，
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。