论文部分内容阅读
近些年来,合成孔径雷达(Synthetic Aperture Radar,SAR)的应用范围极广,比如资源探测、军事目标识别、土地管理、应急响应等。在SAR图像处理及解译的过程中,图像分割尤为重要,因为它为实现地物的分类、目标的检测等做了铺垫,也因此涌现了许多基于不同原理的SAR图像分割方法。其中,由于基于图论的图像分割方法灵活度高、分割特性良好,使其成为了近年来此领域专家们关注的重点之一。目前已有多种基于图论发展而来的图像分割算法,但是每种算法都有其局限性,如何将这些算法更高效地应用于SAR图像分割中,仍是专家学者们努力研究和解决的方向。本文围绕SAR图像,对基于图论的迭代图割(Grab cut)、谱聚类算法展开了深入的研究。为了提高分割质量,本文主要分析了这两种算法的原理、演化过程及实现步骤,针对其中的某些难点或者缺陷,从不同的切入点对算法进行了改进。本论文的主要工作如下:(1)提出一种基于Grab cut和二维熵的SAR图像分割方法。传统的Grab cut算法需要人为指定待分割出的目标区域,不够便捷;且通过迭代方式求出的高斯混合模型(Gaussian Mixture Model,GMM)最终参数依赖于给定的初始值,容易降低算法的稳定性。针对以上分析,本文首先通过模糊c均值(Fuzzy c-means,FCM)聚类实现SAR图像的初始分割,根据初始分割结果标记SAR图像中的前景与背景集合,得到两组更加稳定的GMM初始值,通过迭代,使能量函数收敛于最小值,将SAR图像目标区域与背景分割开;并结合二维熵算法滤去得到的分割图中目标的阴影,分割出特定目标。最后选择MSTAR数据进行实验,实验表明,该方法可以实现特定目标的分割,取得的效果良好,有一定的适用性。(2)提出了 MumfordShah-G(MS-G)模型谱聚类的SAR图像分割方法。谱聚类算法能收敛于全局最优解,适合解决实际的图像分割问题,适用性很好,但是传统的谱聚类算法没有充分挖掘利用图像的各类特征信息。且由于SAR图像中的斑点噪声使像素点的灰度值与真实值有偏离,直接对原始像素提取特征的方式会不够准确。因此提出通过MS-G图像分解模型将待分割的SAR图像分为结构图像和纹理图像,该模型能够在保持原有图像纹理细节的同时保持图像的地块均匀性与一致性。用灰度值表示几何结构特征,同时用二维熵表示反应图像局部纹理结构的纹理特征。根据提取的特征组合成二维特征向量,构造更加准确有效的相似度矩阵并结合谱聚类分割出不同地物类型。最后选择几幅地物类型不同的TerraSAR-X数据进行实验,实验表明,该方法得到了较好的SAR图像分割结果,有一定的准确性及鲁棒性。