[发明专利]基于半监督学习的多尺度SAR图像分割方法

说明书

技术领域

本发明涉及图像处理技术领域，特别是一种图像分割的方法，可用于合成孔径雷达图像，即SAR图像、纹理图像、一般的自然图像和医学图像的分割。

背景技术

图像分割是图像处理和计算机视觉领域中的关键技术之一，其目的是把图像分成各具特性的区域，并提取出感兴趣的目标，为后续的分类、识别和检索提供依据。分割SAR图像的目的是为了下一步能有效的识别出目标。SAR图像中含有一些河流、桥梁、灌木、城市、农田、港口等等，在处理这些类型的分割时，可以看作是纹理图像的分割，因为这些待分割的类型都具有一定的结构、周期、方向等特点。

图像分割算法种类非常多，近年来随着各种数学理论、方法和工具的提出，图像分割技术有了新的发展。在关于图像分割处理的书籍和论文中都提到了一些图像分割的方法，包括基于数学形态学、统计模式识别理论、人工神经网络技术、信息论技术、模糊集合和逻辑概念、小波变换技术和遗传算法等进行分割的一些基本思路和经典算法。但书中或论文中提到这些方法都有一个共同的缺点就是分割准确率不高。

图像分割算法的一般步骤是提取待分割图像的各种特征，之后利用各种分类方法对待分类的特征进行分类，从而达到分割目的。一般情况下的特征分类方法可以采用聚类方法、K近邻法、神经网络方法以及支撑矢量机方法。从是否需要学习的角度来说，分类方法有两种：无监督学习方法和有监督学习方法。使用有监督学习时，采用如K近邻法、神经网络方法以及SVM，其对图像进行特征分类的过程是：①利用训练特征训练各种分类器；②把分类特征输入已训练好的分类器中，便可得到最后的分类结果。然而，有监督学习的方法需要先对分类器进行训练，这样增加了运行时间。

使用无监督学习方法时，采用如聚类方法，它与有监督学习不同，不需要训练过程，直接将分类特征输入分类器，就可得到最后的分类结果。然而，无监督学习方法的分类结果不稳定，对聚类方法来说，由于每次中心点选择的不同，会不同程度的影响分割精度。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于半监督学习的多尺度图像分割方法，以保证图像分割结果的稳定性、提高分割精度以及缩短分割时间。

实现本发明目的技术方案包括如下过程：

1)对待分割图像分别采用三层小波变换和三层Contourlet变换完成图像分解，并通过合并操作，得到粗分解子带，次粗分解子带和细分解子带；

2)针对粗分解子带，采取基于半监督学习的方法完成初始分割，得到初始分割结果；

3)将初始分割结果与步骤1)中得到的次粗分解子带以及细分解子带一起进行基于无监督学习的多尺度二次分割，得到最终分割结果。

上述基于半监督学习的多尺度SAR图像分割方法，其中步骤1)的具体过程如下：

1a)对待分割图像img采取三层小波变换的所有分解子带为{cA3，cH3，cV3，cD3，cA2，cH2，cV2，cD2，cA1，cH1，cV1，cD1}；

1b)对待分割图像img采取三层Contourlet变换的所有分解子带为{c31，c32，c33，c34，c21，c22，c23，c24，c11，c12，c13，c14}；

1c)将1a)和1b)中所述的所有子带在空间并列，即{cA3，cH3，cV3，cD3，cA2，cH2，cV2，cD2，cA1，cH1，cV1，cD1，c31，c32，c33，c34，c21，c22，c23，c24，c11，c12，c13，c14}，并根据分解子带的小、中、大将其分为粗分解子带{cA3，cH3，cV3，cD3，c31，c32，c33，c34}、次粗分解子带{cA2，cH2，cV2，cD2，c21，c22，c23，c24}和细分解子带{cA1，cH1，cV1，cD1，c11，c12，c13，c14}三种分解子带。

上述基于半监督学习的多尺度SAR图像分割方法，其中步骤2)中所述的半监督学习的初始分割，具体过程如下：

2a)对所述的粗分解子带，采取加滑动窗特征提取，得到待分类特征；

2b)利用基于有监督学习的支撑矢量机算法依次对待分类特征进行分类，得到有监督学习的分割结果seg_SVM；

2c)利用基于无监督学习的k均值聚类算法依次对待分类特征进行聚类，得到无监督学习的分割结果seg1；

2d)将有监督学习的分割结果seg_SVM和无监督学习的分割结果seg1相结合，对两个结果图像中每个点对应的值进行选择操作，得到基于半监督学习的初始分割结果seg_rough。