[发明专利]一种基于超像素与模糊C均值聚类SAR图像分割方法

说明书

本发明公开了一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，首先生成超像素，之后对图像中每一子区域提取灰度和纹理特征作为基础特征，并在稀疏表示理论基础上根据SAR图像不同地物类别散射特性差异提出稀疏自表示矩阵校正处理办法，以得到准确的判别特征，最终实现对SAR图像中相干斑噪声具有较强鲁棒性且运行效率高的图像分割处理；由于在超像素层面进行相应图像处理可在保留图像内部信息和边界信息的基础上，通过像素集合的整体性，减弱相干斑噪声的影响，同时通过整合相邻像素信息使提取的特征更为稳定。

技术领域

本发明属于图像处理技术领域，更为具体地讲，涉及一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法。

背景技术

随着遥感技术的发展，SAR成像技术已进入高分辨率时代。与中低分辨率SAR相比，高分辨率技术增强了其传感器获取地物信息的能力，能够提供更为复杂精细的场景和丰富的散射信息。但与此同时，有关SAR图像的解析与自主识别领域却进展缓慢。因此，如何高效分析处理大量SAR图像数据，对其中包含的信息进行有效提取，已经成为当前SAR技术研究的一大重心。

SAR图像分割作为图像预处理阶段的关键步骤，本质是将整幅图像划分为多个内部具有相似特性的图像块，块与块之间边界区分明显，互不相交，同时所有图像块的并集可重构原图像。图像分割的目的在于区分出人们关注的特定区域和不感兴趣区域，因此之后的解析研究可只在切割出的感兴趣区域进行。要获取这样可被明显区分且内部特征一致的像素簇，常见的算法有以下三大类：

(1)基于阈值的图像分割算法。此方法常常用于双分割区域，且目标区域与背景不相关区域在某项特征上有明显区分的情况。通过划定阈值，将每一个像素点进行归类，提取出目标区域。当然此法也可拓展到多分割区域。阈值分割法最明显的缺陷是其受噪声干扰较大，尽管在处理过程中已考虑到噪声影响并做以抑制处理，但在噪声严重区的分割精度依然不理想。

(2)基于边缘检测的图像分割算法。图像分割的最终目的是使图像形成数个互不干扰的子区域，所以准确定位边缘以及各子域的边界相当重要。其基本思想是检测图像中的特征点或边缘点，根据无数点的确定来划分不同子区域的边界。基于边缘检测法进行图像分割的关键在于识别出完整且准确的子区域轮廓，但这只是理想情况，大多数边缘检测的结果中各个区域的轮廓都是一条断断续续未全连接的“虚线”，故一般还需要加入边缘补全以及剔除伪边缘的步骤。此外，该类算法在处理细节较多，变化比较复杂的图像时难以检测出可靠的边缘，降低了图像分割的准确率。

(3)基于区域的图像分割算法。该类方法主要是通过区域内部特征的一致性来完成分割。大致可分为区域生长合并法、随机场法以及聚类法。其中基于聚类的分割算法则通过提取出不同像素间的相关性，并由迭代使特征相关性达到最大完成分割，在图像分割领域中大放异彩。将模糊划分知识与聚类算法相结合，采用隶属度平方加权的方法，构成类内加权误差平方和，避免平凡解。再引入模糊指数m，数次迭代，通过最小化目标函数对样本点进行最优c类划分，这就是大众熟知的FCM算法。也由于其优越性，众多的学者们对其做了很多的研究与改进。例如改进后的FCM_S1，FCM_S2，EnFCM，FGFCM，NS_FCM以及QICA_FCM等等。

显而易见，最为重要的步骤为构建目标函数，或者可以说找到图像内部特征的相关性。不同于普通的光学图像，SAR图像中由于独特的雷达成像机理，含有复杂的相干斑噪声，在进行分割时要着重考虑此种乘性噪声的影响。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，通过对图像中每一子区域提取灰度和纹理特征作为基础特征，并在稀疏表示理论基础上根据SAR图像不同地物类别散射特性差异，提出稀疏自表示矩阵校正处理方法，以得到准确的判别特征实现图像分割。

为实现上述发明目的，本发明一种基于超像素与稀疏表示的模糊C均值聚类SAR图像分割方法，其特征在于，包括以下步骤：

(1)、获取SAR图像