[发明专利]基于GMM参数迁移聚类的SAR图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及SAR图像分割，可用于雷达目标检测和目标识别。

背景技术

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。聚类中常用的技术是机器学习，并已取得了显著的成功，但是许多机器学习方法由于都是基于训练数据和测试数据来自相同的分布和同一个特征空间的假设，因而当数据分布改变时，大多数的机器学习方法需要从头开始学习，要求使用者重新收集大量的训练数据来训练模型。而在真实世界中重新收集数据然后标记需要花费很昂贵的代价。此外，经典机器学习方法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。

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GMM参数迁移聚类的SAR图像分割方法，以合理利用服从不同分布下的数据，提高SAR图像分割的稳定性和分割效果。

实现本发明的技术思路是：从待分割SAR图像中提取小波特征为待划分的样本，初始聚类几次，通过聚类一致性值把样本划分成易分与不易分两类，即源域和目标域，然后在源域中学习参数以指导目标域的划分，最终得到图像分割结果。具体实现步骤包括如下：

(1)输入待分割SAR图像，确定需要将图像划分的类别数C；

(2)对SAR图像提取特征：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n×10的输入数据样本集X＝{x_i|i＝1，2，...，n}：

xi=1M×NΣe=1MΣu=1N|coef(e,u)|]]>

其中，M×N为利用滑动窗口确定的子带大小，这里取值为16×16，coef(e，u)为平稳小波子带中第e行第u列的系数值；

(3)设置初始参数：样本近邻数K＝7，用k-means聚类算法获得样本初始标签L_re，聚类一致性值的阈值thre＝0.6；

(4)对数据样本集X分别用EM算法聚类4次，用k-means聚类3次，得到7组聚类结果；

(5)对7组聚类结果求每个样本的聚类一致性值CI；

(6)根据CI和thre，把数据样本集X划分成源域和目标域：CI≥0.6的样本为源域X^S，CI＜0.6为目标域X^T；

(7)用基于GMM的EM算法对源域X^S参数估计，得到GMM的均值μ_j和协方差σ_j两个类参数，j表示类别；