[发明专利]结合背景信息和最大后验边缘概率准则的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，是一种图像分割方法，适用于合成孔径雷达图像SAR，可应用于目标识别。

背景技术

图像分割一直是图像理解与解译的一大难点，分割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。本质上SAR图像反映的是目标的电磁散射特性和结构特性。SAR成像的特殊性使得针对该类图像的分割方法有别于普通光学图像：SAR图像含有大量相干斑噪声，而常规分割方法通常对噪声具有很高的敏感度，不宜用于此类图像；SAR遥感被测地域的电磁波散射特性，这种特性近似的区域会成像为SAR图像中相近的灰度级，而该地域的光学图像中这些区域却很可能呈现不同的灰度级。

针对SAR图像的以上特点，其分割方法基本可归纳为基于数据驱动和基于模型驱动两大类分割方法。

1.基于数据驱动SAR图像分割包括以下几种：

1)基于直方图的最优阈值分割方法，这种方法由于SAR图像是非光学成像方式，导致其灰度级变化缓慢，因此该方法往往收效甚微。

2)基于边缘检测的SAR图像分割方法，这种方法由于SAR图像存在乘性相干斑噪声，使得边缘像素灰度值的起伏较大，难以精确定位边缘像素位置。

3)基于区域分块合并的SAR图像分割方法，这种方法分割区域统计分离性不好，容易造成过分割。

上述基于数据驱动SAR图像分割直接对当前图像数据进行操作，虽然利用了有关先验知识，但先验知识利用不够充分，这样往往导致分割结果较差。

2.基于模型驱动的SAR图像分割方法，主要包括以下几种：

1)基于组合优化模型的分割方法，这种方法在建立了SAR图像分割的组合优化模型后，针对目标函数求解全局最优解，但由于目标函数通常是一个多变量函数，这样极容易陷入局部最优解。

2)基于像素的Markov随机场模型的分割方法，这种方法由于Markov随机场参数估计困难，需要迭代，计算速度较慢，且没有充分挖掘SAR图像不同分辨率之间的统计关系，仅研究单一分辨率情况下的先验概率问题，分割准确性较低。

3)基于分层模型的SAR图像分割方法，参见Yong Y， He S，Chu H.Supervised SAR Image MPM segmentation based on region-based hierarchical model.[J] IEEEGeoscience and Remote sensing letters，vol.3，no.4，pp：517-521，2006。这种方法以区域为处理单元，利用多尺度模型挖掘SAR图像中同一观测场景在不同分辨率下区域的统计相关特性，但由于该模型只利用了层间区域的相关性，假设层内各区域是独立的，没有充分利用层内相邻区域的信息，这样会导致层与层之间信息传递不可靠，区域错分率高。

发明内容

本发明的目的在于克服上述已有技术的不足，在基于区域的分层模型基础上提出一种结合背景信息和最大后验边缘概率准则的SAR图像分割方法，利用梯度修正的分水岭分割提高分割边缘的完整性，结合背景信息提高区域分割的准确度。

实现本发明目的的技术方案是：首先对图像进行特征提取，然后建立图像的四叉树模型，对各层进行修正梯度的分水岭分割来产生区域，以检测出图像灰度对比不明显的目标边缘，加强分割边缘的完整性，模型以区域作为处理单元以增强概率传递鲁棒性，对区域进行合并以降低区域本身内部的不规则干扰，提高区域特征的稳定性，最后结合背景信息，同时考虑了层间和层内区域的相关性，得到了边缘完整和区域分割准确的结果。

其具体实现过程如下：

1)在大小为L×L的待分割SAR图像上截取M类训练样本，提取Gabor小波能量特征和基于灰度直方图的纹理描述子特征；

2)对SAR图像在2×2的窗口上进行平均采样，得到N层的四叉树结构，

3)从四叉树的最细层至最粗层分别计算各层节点似然概率Pⁿ(y_d(s)|x_s)，n＝{0，1，...，N-1}，得到各层基于像素的最大似然分割结果；

4)计算四叉树除最粗层外其他各层上的梯度图，将基于像素的似然分割结果与各层梯度图叠加实现梯度修正，在修正后的梯度图上进行分水岭分割；

5)将各层分水岭分割得到的区域进行合并，根据各层似然分割结果，由各节点类标来标定所在区域的类别，如果一个区域内某一类的节点个数达到三分之二以上，则本区域由该类标标定，反之，该区域不作处理，最后将具有相同类标的区域进行合并；