[发明专利]基于Treelets和模糊C-均值聚类的SAR图像分割方法

说明书

技术领域

本发明属于图像处理领域，涉及SAR图像的分割方法，具体地说是一种基于Treelets和模糊C-均值聚类的SAR图像分割方法，可用于目标识别。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)作为主动式雷达，具有全天时、全天候、多极化、多视角等优点，在军事、遥感等领域得到了广泛的应用。由于SAR图像是由微波回波成像形成的，复杂的地物背景以及由此形成的散射相干斑噪声，使得SAR图像比自然图像和医学影像的分割复杂。目前SAR图像的分割方法主要分为不依赖先验知识的数据驱动的分割方法和建立在先验知识基础上的模型驱动的分割方法两类。模型驱动的SAR图像分割方法需要对SAR图像分割问题构建数学模型，主要包括基于组合优化模型的分割方法、基于Markov随机场模型的分割方法和基于多尺度模型的分割，这些方法依赖于SAR图像的先验知识，需要针对具体的问题假设精确的模型和复杂的算法来实现，通用性不足。数据驱动的SAR图像分割方法主要包括基于阈值的分割方法、基于边缘的分割方法和基于区域的的分割方法。其中基于阈值的分割方法速度快但不精确，基于边缘的分割方法由于相干斑噪声的存在使得边缘定位精度难以提高，基于区域的分割方法将均匀同质的像素划分或聚集为若干区域，分割方法相对较为简单精确，但其相似性检验准则的最优确定、迭代收敛速度的提高等都是难点。

模糊C-均值(Fuzzy C-Means，FCM)聚类算法是一种被广泛应用的聚类算法，该算法是基于数据样本的隶属度划分的，即在样本空间中隶属度高的样本被聚在一类，理想的聚类过程样本间被认为是相互独立的。传统FCM聚类算法用于图像分割时将图像的灰度特征作为样本，而真实图像在像素邻域间通常具有较强的相关性，在一个目标中的相邻像素间通常不是相互独立的。当噪声较大时，FCM聚类过程往往难以得到理想的分割结果，尤其是对SAR图像的相干斑噪声不能很好的抑制。如果考虑每个像素点及其周围的邻域信息，利用多种特征则可以有效抑制相干斑噪声对聚类的影响，但高维的冗余多特征增加了聚类所需的时间。因此就需要将冗余的数据特征向量从高维空间映射到低维空间中，使得降维后的数据能够最大程度的保留最重要的或者最能体现个体差异的特性。

一种能够对高维、无序、含噪数据的自适应多尺度表示和分析的方法——Treelets变换特别适合用于降维和特征选择。其思想来源于PCA、小波和层次聚类树，它通过构建层级树和标准正交基，可以反映出数据的内在结构，实现数据的自适应稀疏表示。因此将其作为聚类前的降维工具可有效地降低聚类时间且对噪声具有一定的鲁棒性。

目前将Treelets用于图像处理中，仅有黄珊等针对高分辨全色遥感图像的桥梁检测方法。该方法首先对全色高分辨率遥感图像根据桥梁先验知识建立桥梁知识库，然后计算像素邻域内的多个特征，利用Treelets变换进行特征降维，最后分割水域。该方法选择了8种不同窗口下的11种特征，即最大值、最小值、中值、对比度和前四阶累积量组成88维的特征矩阵。这样构建的特征数据，虽然维数较高但特征种类单一，特征间冗余较大，使得该方法在特征提取上需要消耗大量的时间，这一定程度上影响了该方法应用的实时性。同时该方法用于分割需要先人为选择一定的训练样本和测试样本来确定Treelets变换的最佳基矢量，最后将图像投影到最佳基矢量上，采用KNN分类器确定分割结果。然而Treelets本身是一种数据驱动的分析方法，经变换后得到的多尺度正交基本身就是对原始数据内部结构的反应，该方法没有充分利用Treelets本身数据驱动的特性，所以上述方法无论是在Treelets最佳基的确定还是最后分类器的训练上都需要通过人为选择的样本来确定，这种加入人工辅助判别图像的方法，对于图像处理的自动化是不利的，无法对大量图像进行目标识别，因此降低了它的实用性。

发明内容

本发明的目的在于避免上述已有技术的不足，提供一种基于Treelets和模糊C-均值聚类的SAR图像分割方法，以实现在无需加入人工辅助判别的情况下，自动获得SAR图像的分割结果，同时利用Treelets对聚类前的高维数据降维，降低运行时间。

为实现上述目的，本发明包括如下步骤：

(1)输入待分割SAR图像，在大小为17×17像素的滑窗内，分别提取每个中心像素点的灰度值z、均值m、标准s、平滑度R、三阶矩μ₃、一致性U、熵S、能量EN和同质性H九种纹理特征；