[发明专利]一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法

说明书

本发明公开了一种基于Gamma分布超像素算法和基于超像素TMF的SAR图像海岸线检测算法，通过读取图像I，输入种子点数k，并根据输入的种子点数k和图像的大小确定种子点的位置以及每个种子点周围搜索区域的大小，直至超像素的边界不再发生变化，输入所述超像素图像，更新种子点并计算势能，最终输出海岸线结果。本发明在SAR图像海岸线检测算法中提出了一种全新的TMF算法，能够良好的解决中心像素和邻域像素之间的相对位置关系的问题，而解决前一问题需要引入超像素方法。

技术领域

本发明涉及一种超像素的概率因子TMF的SAR图像海岸线检测方法，属于海岸线检测领域。

背景技术

在微波遥感中合成孔径雷达SAR(Synthetic Aperture Radar)是一种主动式微波探测器，利用合成孔径原理，信号处理方法和脉冲压缩技术，通过较小尺寸的真实天线孔径合成较大的等效天线孔径来成像。相对于光学成像，合成孔径雷达具有全天候成像等优势，因而使得SAR图像在战略目标识别与探测，灾害控制，国土资源监测，海域使用管理，地图测绘，船舰目标识别等领域起到了重要的作用。近年来SAR图像在海域管理领域逐渐引起关注，其主要的问题之一就是海岸线检测问题，由于长时间江河泥沙堆积，填海造地等原因使得海岸线不断发生变化，有效监测海岸线的变化，对海域使用动态监测具有一定的实际意义。

目前为止，海岸线检测方法有了很大的发展。常见的用于海岸线检测的方法有基于图论的超像素分割方法、基于梯度上升的超像素形成方法、三重马尔科夫随机场、尽管目前马尔科夫随机场中最适合处理SAR图像分类与分割的一种方法，其优势主要体现在辅助场的引入能够实现将全局非平稳的SAR图像转化成一些局部平稳的局部图像，然后对局部平稳的局部图像再进行处理。但是该方法主要还是基于像素角度加以考虑的，所以很容易受到相干斑噪声的影响，时间复杂度较高，能够利用的纹理信息较少，而且辅助场的初始化通过阈值实现，使得不够准确将对分割结果有较大的误差，同时势能函数仅仅考虑了中心像素和邻域像素标签值和辅助场值之间的关系，忽略了邻域像素和中心像素之间相似性的大小以及中心像素和邻域像素之间的相对位置关系。

发明内容

本发明针对以上问题的提出，本发明提出一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法，其特征在于包括如下步骤：

S₁：读取图像I，并输入种子点数k；

S₂：根据输入的种子点数k和图像的大小确定种子点的位置以及每个种子点周围搜索区域的大小；

S₃：在每一个种子点周围选择一个5像素×5像素的邻域窗，计算邻域窗内每一个点子局部窗内的均值作为当前点的特征，对该特征通过聚类方法确定局部窗内和种子点纹理特征很相似的点集C并计算相似点集C：

其中，(x,y)表示局部窗内像素点坐标，I(x,y)表示局部窗内像素点的像素值，W表示局部窗，N表示C中像素，μ_s(x,y)表示(x,y)位置像素局部窗内的均值，表示C中每一个点的μ_s均值，σ表示的是局部窗内均值的方差；

S₄：遍历所述图像，根据步骤S₃计算出每一个邻域点的特征，根据式计算d_i,j，最后通过比较d_i,j形成超像素；

所述d_i,j

其中，μ_i表示种子点i的均值，μ_j表示邻域点j的均值，σ_i表示局部窗内i的均值的方差，σ_j表示局部窗内j的均值的方差