[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

摘要

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。

主权项

1.一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图像获取待观测区域内包含合适且丰富地物类型的单极化合成孔径雷达SAR图像；(2)、使用PILS算法生成超像素(2.1)、初始化聚类中心设SAR图像共计N个像素点，初始化k个聚类中心，每个聚类中心为一个超像素，相邻的聚类中心的距离为将每个聚类中心用三维特征表示为：[i,x,y]，其中，i表示聚类中心的像素强值，x与y表示聚类中心的横纵坐标值；(2.2)、聚类中心重定位以某一聚类中心为中心，找到n×n邻域内梯度最小位置处，将该聚类中心重定位至该位置处；(2.3)、图像聚类以某一像素点为中心，建立搜索域S×S；遍历整幅SAR图像，确定该像素点在搜索域S×S内距离最近的聚类中心，并将该像素点划分为该聚类中心的同一类；(2.4)、迭代更新分配完所有像素点的类别属性后，计算各类别的聚类中心的三维特征[i,x,y]的均值，并以该均值更新该类别的聚类中心，并迭代至收敛；(3)、超像素特征提取在搜索域S×S内计算灰度共生矩阵GLCM提取出超像素纹理特征，包括：角二阶矩、对比度、相关性、逆差矩、方差、和均值、和熵、和方差、熵、差分熵、差分方差、相关性信息测度和最大相关系数；提取超像素内的灰度直方图作为超像素灰度特征；将超像素纹理特征和灰度特征构成图像基本特征集X＝(x₁,x₂,…,x_n)，x_n表示第n个特征；(4)、创建稀疏自表示模型(4.1)、初始化Z＝G＝Ψ＝0，Z为稀疏自表示矩阵，G为对角矩阵，Ψ为拉格朗日乘子矩阵；初始化当前迭代次数t＝1；(4.2)、判断第t次迭代后是否满足||Z^(t)‑G^(t)||_∞＜η，如果满足，则进入步骤(4.3)，否则，输出第t次迭代后得到稀疏自表示矩阵Z；(4.3)、逐列更新G^(t)：其中，j＝1,2,…,J，g_j＝(g_1j,g_2j,…,g_(j‑1)j,0,…,g_Jj)，μ为惩罚系数，z_j为稀疏自表示矩阵Z^(t)的第j列，l_j为矩阵Ψ^(t)的第j列；将g_jj设置为0，以满足约束条件diag(G^(t))＝0，因而在逐列更新时，当遇到G^(t)的对角线元素时，不予更新；更新Z^(t)：其中，X为图像基本特征集，I为单位矩阵，γ为设置参数；对更新后的Z^(t)进行校正：对Z^(t)中的元素z_ij按如下公式进行进行处理，得到元素z_ij的估计值将所有元素的估计值构成矩阵遍历计算每一超像素集合的后向散射均值，令超像素i和j的后向散射值的均值差为Δσ_ij，得到校正后Z^(t)的元素为：更新Ψ^(t)：Ψ^(t)＝Ψ^(t‑1)+μ(Z^(t)‑G^(t))更新惩罚系数μ：μ＝min(εμ,10¹⁰)其中，ε为常数；(4.4)、待步骤(4.3)完成后，输出稀疏自表示矩阵Z^(t)，并将迭代次数t自加1，返回步骤(4.2)；(5)、图像分割(5.1)、定义SSR_FCM算法的目标函数J_m：其中，m表示模糊指数，v_k、分别表示矩阵X和Z的第k类聚类中心，β为用于控制稀疏判别特征在目标函数J_m中所占权重值，u_ki为引入的模糊隶属度参数，表示超像素i对于第k个类别的隶属度值；(5.2)、对目标函数J_m进行最小化：其中，ξ表示拉格朗日乘子的微分；(5.3)、求解最小化后的目标函数J_m，得到：(5.4)、代入约束可求解出：进而得到更新后的u_ki：(5.5)、利用更新后的u_ki构建隶属度矩阵U^(k)，再判断是否满max(U^(k)‑U^(k‑1))＜η^*，η^*为预设阈值，如果满足则进入步骤(5.6)；否则，令k自加1，再返回步骤(5.1)；(5.6)、根据隶属度值u_ki对图像聚类，从而实现图像分割。