论文部分内容阅读
图像分割是数字图像处理技术中的一项关键技术,其目的是将图像中有意义的特征部分提取出来,诸如图像的边缘、纹理等,这是进一步进行图像识别、分析和理解的基础。图像分割算法一般是基于亮度值的两个基本特性之一:不连续性和相似性。早期的图像研究主要将分割方法分为两大类,一种是基于边界的分割方法,另一种是基于区域的分割方法,而后来兴起的基于统计模型的图像分割方法则得到了更多的关注。本文主要研究基于变换域统计模型的SAR图像分割方法和基于空域统计模型的SAR图像分割方法,主要包括以下三个方面的内容:1)提出了一种基于第二代Bandelet高斯混合模型的SAR图像分割方法(BGMMseg)。该方法在分割边缘的准确性和区域一致性上较传统基于变换域隐马尔可夫树(Hidden Markov Tree, HMT)模型图像分割方法的结果有明显改善,特别是对边缘较简单、纹理信息不太丰富的SAR图像得到了非常满意的结果。2)提出了一种基于第二代Bandelet域HMT-3S模型的SAR图像分割方法(BHMT-3Sseg),通过HMT-3S模型参数的训练、各尺度似然值的计算得到初始分割结果;然后采用一种结合了父节点及其邻域、子节点及其邻域信息的上下文模型对初始分割结果进行多尺度融合,得到最终分割结果。由于BHMT-3Sseg方法结合了Bandelet变换表示图像边缘特征的优势和HMT-3S模型描述具有相同纹理区域特征的合理性优点,使得分割结果不仅具有准确、清晰的边缘,而且具有很强的区域一致性。3)提出了一种基于聚类和三马尔可夫场(Triplet Markov Fields, TMF)的SAR图像分割方法。该方法首先通过聚类得到初始类标场和场景类别的估计,然后采用TMF模型描述SAR图像、类标场和场景类别三者之间的关系,最后通过最大后验概率准则实现对SAR图像的分割。实验表明,该方法对SAR图像的分割是可行有效的,特别是对具有复杂边缘和丰富纹理信息的SAR图像取得了满意的分割结果。