[发明专利]基于超像素和分形网络演化算法的极化SAR图像分割方法

说明书

本发明公开了基于超像素和分形网络演化算法的极化合成孔径雷达(SAR)图像分割方法，对于待分割的极化SAR图像，生成超像素作为初始对象；计算初始对象中相邻对象之间的相似性准则；统计每个对象与相邻对象之间相似性准则的最小值，若最小值小于或等于尺度参数，则合并两相邻对象生成新的对象，若最小值大于尺度参数，则不合并，遍历所有对象，完成一次分割，生成新的对象层；生成对象多边形，得到最终的分割结果。本发明为统计模型参数的估算提供了足够的像素，避免分割边界的锯齿状现象；基于分形网络演化算法的思想综合了统计特征和形状特征，使分割对象更加一致，边界光滑，提高极化SAR图像分割准确性。

技术领域

本发明涉及极化合成孔径雷达(Synthetic Aperture Radar，SAR)图像分割方法，尤其涉及基于超像素和分形网络演化算法的极化SAR图像分割方法。

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。极化SAR图像由于受相干斑噪声的干扰，地物边界模糊，极化SAR图像的解译比较困难。而基于对象的方法不仅能有效抑制相干斑影响，还引入了更多可利用的特征，有助于理解图像所包含的地物及目标信息，解译结果更好。

针对极化SAR图像的以上特点，多特征综合分割是解决该问题的有效方法之一，目前相关的研究主要考虑统计特征和空间信息的利用。

利用空间信息的分割方法主要包含基于马尔科夫随机场的极化SAR图像分割和基于分形网络演化算法的极化SAR图像分割。马尔科夫随机场可以较好地描述邻域信息，但该类方法只考虑到像素间的空间相关性，并没有利用高分辨率图像中丰富的空间形状特征。FNEA能很好地利用目标的空间形状特征，一些学者分别将形状特征与H/α/A分解特征、Freeman分解特征、Pauli分解特征、针对建筑目标的多个极化特征综合进行分割。这类方法取得了不错的分割效果，但主要是利用目标分解特征和功率进行分割，而没有考虑高分辨率全极化SAR协方差矩阵或相干矩阵特有的统计特性进行分割。

利用统计特征的分割方法主要是采用统计模型对相干矩阵建模，基于统计模型推导出对象间的统计特征相似性准则用于极化SAR图像的分割。极化SAR图像中不同异质程度的目标具有不同的统计特性。均质区的相干矩阵通常采用Wishart分布建模，但Wishart分布不太适合描述有纹理的异质区，特别是SAR空间分辨率的提高使得地物纹理信息更加丰富，对异质区通常基于包含纹理变量的乘积模型来建模。当纹理变量服从Gamma分布，inverse Gamma分布或Fisher分布，对应的相干矩阵则分别服从K分布，G⁰分布或KummerU分布。这类方法需要足够的样本来估算乘积模型的参数，一般采用格网划分作为初始分割。网格划分法一方面会导致最终分割结果锯齿状明显，另一方面，网格划分的方块与地物的边界有差异，会降低参数估算的准确性。

发明内容

有鉴于此，本发明的实施例提供了一种极化SAR图像分割准确性高的基于超像素和分形网络演化算法的极化SAR图像分割方法。

基于超像素和分形网络演化算法的极化SAR图像分割方法，包含如下步骤：

步骤1：对于待分割的极化SAR图像，生成超像素作为初始对象；

步骤2：计算初始对象中每个对象与相邻对象之间的相似性准则；

步骤3：统计每个对象与相邻对象之间相似性准则的最小值，若最小值小于或等于尺度参数，则合并两相邻对象生成新的对象，若最小值大于尺度参数，则不合并，遍历所有对象，完成一次分割，生成新的对象层；

步骤4：重复步骤2和步骤3直到对象数目不再变化，得到最终的对象层；

步骤5：根据步骤4生成对象多边形，即得到最终的分割结果。

进一步，所述步骤1中，基于极化SAR图像生成超像素作为初始对象。