專(zhuān)利名稱(chēng)：基于Treelets和模糊C-均值聚類(lèi)的SAR圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，涉及SAR圖像的分割方法，具體地說(shuō)是一種基于 Treelets和模糊C_均值聚類(lèi)的SAR圖像分割方法，可用于目標(biāo)識(shí)別。
背景技術(shù)：
合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)作為主動(dòng)式雷達(dá)，具有全天時(shí)、 全天候、多極化、多視角等優(yōu)點(diǎn)，在軍事、遙感等領(lǐng)域得到了廣泛的應(yīng)用。由于SAR圖像是由 微波回波成像形成的，復(fù)雜的地物背景以及由此形成的散射相干斑噪聲，使得SAR圖像比 自然圖像和醫(yī)學(xué)影像的分割復(fù)雜。目前SAR圖像的分割方法主要分為不依賴(lài)先驗(yàn)知識(shí)的數(shù) 據(jù)驅(qū)動(dòng)的分割方法和建立在先驗(yàn)知識(shí)基礎(chǔ)上的模型驅(qū)動(dòng)的分割方法兩類(lèi)。模型驅(qū)動(dòng)的SAR 圖像分割方法需要對(duì)SAR圖像分割問(wèn)題構(gòu)建數(shù)學(xué)模型，主要包括基于組合優(yōu)化模型的分割 方法、基于Markov隨機(jī)場(chǎng)模型的分割方法和基于多尺度模型的分割，這些方法依賴(lài)于SAR 圖像的先驗(yàn)知識(shí)，需要針對(duì)具體的問(wèn)題假設(shè)精確的模型和復(fù)雜的算法來(lái)實(shí)現(xiàn)，通用性不足。 數(shù)據(jù)驅(qū)動(dòng)的SAR圖像分割方法主要包括基于閾值的分割方法、基于邊緣的分割方法和基于 區(qū)域的的分割方法。其中基于閾值的分割方法速度快但不精確，基于邊緣的分割方法由于 相干斑噪聲的存在使得邊緣定位精度難以提高，基于區(qū)域的分割方法將均勻同質(zhì)的像素劃 分或聚集為若干區(qū)域，分割方法相對(duì)較為簡(jiǎn)單精確，但其相似性檢驗(yàn)準(zhǔn)則的最優(yōu)確定、迭代 收斂速度的提高等都是難點(diǎn)。模糊C-均值(Fuzzy C-Means,FCM)聚類(lèi)算法是一種被廣泛應(yīng)用的聚類(lèi)算法，該算 法是基于數(shù)據(jù)樣本的隸屬度劃分的，即在樣本空間中隸屬度高的樣本被聚在一類(lèi)，理想的 聚類(lèi)過(guò)程樣本間被認(rèn)為是相互獨(dú)立的。傳統(tǒng)FCM聚類(lèi)算法用于圖像分割時(shí)將圖像的灰度特 征作為樣本，而真實(shí)圖像在像素鄰域間通常具有較強(qiáng)的相關(guān)性，在一個(gè)目標(biāo)中的相鄰像素 間通常不是相互獨(dú)立的。當(dāng)噪聲較大時(shí)，F(xiàn)CM聚類(lèi)過(guò)程往往難以得到理想的分割結(jié)果，尤其 是對(duì)SAR圖像的相干斑噪聲不能很好的抑制。如果考慮每個(gè)像素點(diǎn)及其周?chē)泥徲蛐畔ⅲ?利用多種特征則可以有效抑制相干斑噪聲對(duì)聚類(lèi)的影響，但高維的冗余多特征增加了聚類(lèi) 所需的時(shí)間。因此就需要將冗余的數(shù)據(jù)特征向量從高維空間映射到低維空間中，使得降維 后的數(shù)據(jù)能夠最大程度的保留最重要的或者最能體現(xiàn)個(gè)體差異的特性。一種能夠?qū)Ω呔S、無(wú)序、含噪數(shù)據(jù)的自適應(yīng)多尺度表示和分析的方法—— Treelets變換特別適合用于降維和特征選擇。其思想來(lái)源于PCA、小波和層次聚類(lèi)樹(shù)，它通 過(guò)構(gòu)建層級(jí)樹(shù)和標(biāo)準(zhǔn)正交基，可以反映出數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，實(shí)現(xiàn)數(shù)據(jù)的自適應(yīng)稀疏表示。因 此將其作為聚類(lèi)前的降維工具可有效地降低聚類(lèi)時(shí)間且對(duì)噪聲具有一定的魯棒性。目前將Treelets用于圖像處理中，僅有黃珊等針對(duì)高分辨全色遙感圖像的橋梁 檢測(cè)方法。該方法首先對(duì)全色高分辨率遙感圖像根據(jù)橋梁先驗(yàn)知識(shí)建立橋梁知識(shí)庫(kù)，然后 計(jì)算像素鄰域內(nèi)的多個(gè)特征，利用Treelets變換進(jìn)行特征降維，最后分割水域。該方法選 擇了 8種不同窗口下的11種特征，即最大值、最小值、中值、對(duì)比度和前四階累積量組成 88維的特征矩陣。這樣構(gòu)建的特征數(shù)據(jù)，雖然維數(shù)較高但特征種類(lèi)單一，特征間冗余較大，使得該方法在特征提取上需要消耗大量的時(shí)間，這一定程度上影響了該方法應(yīng)用的實(shí)時(shí) 性。同時(shí)該方法用于分割需要先人為選擇一定的訓(xùn)練樣本和測(cè)試樣本來(lái)確定Treelets變 換的最佳基矢量，最后將圖像投影到最佳基矢量上，采用KNN分類(lèi)器確定分割結(jié)果。然而 Treelets本身是一種數(shù)據(jù)驅(qū)動(dòng)的分析方法，經(jīng)變換后得到的多尺度正交基本身就是對(duì)原始 數(shù)據(jù)內(nèi)部結(jié)構(gòu)的反應(yīng)，該方法沒(méi)有充分利用Treelets本身數(shù)據(jù)驅(qū)動(dòng)的特性，所以上述方法 無(wú)論是在Treelets最佳基的確定還是最后分類(lèi)器的訓(xùn)練上都需要通過(guò)人為選擇的樣本來(lái) 確定，這種加入人工輔助判別圖像的方法，對(duì)于圖像處理的自動(dòng)化是不利的，無(wú)法對(duì)大量圖 像進(jìn)行目標(biāo)識(shí)別，因此降低了它的實(shí)用性。

發(fā)明內(nèi)容
本發(fā)明的目的在于避免上述已有技術(shù)的不足，提供一種基于Treelets和模糊 C-均值聚類(lèi)的SAR圖像分割方法，以實(shí)現(xiàn)在無(wú)需加入人工輔助判別的情況下，自動(dòng)獲得SAR 圖像的分割結(jié)果，同時(shí)利用Treelets對(duì)聚類(lèi)前的高維數(shù)據(jù)降維，降低運(yùn)行時(shí)間。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟(1)輸入待分割SAR圖像，在大小為17X17像素的滑窗內(nèi)，分別提取每個(gè)中心像素 點(diǎn)的灰度值z(mì)、均值m、標(biāo)準(zhǔn)s、平滑度R、三階矩y3、一致性U、熵S、能量EN和同質(zhì)性H九種 紋理特征；(2)將輸入的SAR圖像進(jìn)行3層非下采樣離散小波變換，并在大小為16X 16像素 的滑窗內(nèi)，提取3層中每個(gè)中心像素點(diǎn)的小波特征e^、e
LH-1、eHL_l、eHH-l、eLH_2、eHL_2、eHH_2、
eLH-3、eHL-3 禾口 eHH-3 ；(3)將步驟⑴得到的紋理特征與步驟⑵得到的小波特征合并，得到19維的待 分割SAR圖像的特征矩陣X X — [Z，m，o , R, U 3 u，S，EN，H，eLL—1， LH-1 ‘ eHL-1，eHH-1，eLH-2，eHL-2，eHH-2，eLH-3，eHL-3，
eHH-3]；(4)將特征矩陣X進(jìn)行Treelets變換，得到一個(gè)正交基矩陣B ；B = [Φ ψ1...ψ1-1]T其中，①和V分別是正交基矩陣的尺度函數(shù)和細(xì)節(jié)函數(shù)，1是分解層數(shù)。(5)將特征矩陣X與尺度函數(shù)①相乘，得到一個(gè)結(jié)構(gòu)向量FX = [f1，f2，…，fn]T; 其中，f分別對(duì)應(yīng)于SAR圖像每個(gè)像素的數(shù)據(jù)點(diǎn)；(6)對(duì)結(jié)構(gòu)向量FX采用模糊C-均值聚類(lèi)，得到SAR圖像的分割結(jié)果。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)a、紋理特征在一定程度上反映了 SAR圖像中各灰度級(jí)在空間上的分布特性，而小 波特征能反映SAR圖像本身的幾何特性，本發(fā)明采用將紋理特征和小波特征兩類(lèi)特征的組 合，能夠彌補(bǔ)單類(lèi)特征的缺陷，提高SAR圖像分割的效果。b、本發(fā)明利用Treelets數(shù)據(jù)驅(qū)動(dòng)的特性，無(wú)需人工選擇樣本確定最佳基，而是利 用樣本在尺度函數(shù)上的投影來(lái)反映樣本本身的結(jié)構(gòu)，可實(shí)現(xiàn)對(duì)SAR圖像的自動(dòng)分割，解決 了人工情況下無(wú)法對(duì)大量圖像進(jìn)行目標(biāo)識(shí)別的問(wèn)題。c、本發(fā)明利用Treelets對(duì)特征矩陣變換，降低了數(shù)據(jù)維度，避免了對(duì)大規(guī)模數(shù)據(jù) 的處理，降低了運(yùn)行時(shí)間，可實(shí)現(xiàn)對(duì)SAR圖像的快速分割。
其中，Zi是表示像素第i個(gè)灰度級(jí)的灰度值，p(Zi)是滑窗內(nèi)的灰度級(jí)的直方圖；(lb)將每個(gè)像素點(diǎn)的灰度值z(mì)與計(jì)算所得的8個(gè)特征一起共9個(gè)特征作為一個(gè)特 征行向量，提取出來(lái)，圖像中所有n個(gè)像素點(diǎn)的特征行向量組成nX9的紋理特征矩陣XI。步驟2，對(duì)輸入的SAR圖像，提取每個(gè)中心像素點(diǎn)的小波特征。(2a)將輸入的SAR圖像進(jìn)行3層非下采樣離散小波變換，并在大小為16X16像素 的滑窗內(nèi)，計(jì)算3層中每個(gè)中心像素點(diǎn)的小波特征，在每一層都得到HH、HL、LH和LL四個(gè) 子圖像，在各個(gè)子圖像中，以大小為meXne像素的滑窗內(nèi)，計(jì)算每個(gè)中心像素點(diǎn)的小波分
7d、由于Treelets變換對(duì)噪聲有一定的抑制作用，變換后能減小噪聲對(duì)于分割的 影響，因此本發(fā)明對(duì)于噪聲具有較好的魯棒性。仿真實(shí)驗(yàn)結(jié)果表明，本發(fā)明能夠有效地應(yīng)用于SAR圖像分割，并可以實(shí)現(xiàn)對(duì)高維 數(shù)據(jù)的快速處理。


圖1是本發(fā)明的實(shí)現(xiàn)流程圖；圖2是本發(fā)明的第一組實(shí)驗(yàn)數(shù)據(jù)和結(jié)果圖；圖3是本發(fā)明的第二組實(shí)驗(yàn)數(shù)據(jù)和結(jié)果圖。
具體實(shí)施例方式參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下步驟1，輸入待分割SAR圖像，提取每個(gè)中心像素點(diǎn)的紋理特征。(la)在大小為17X17像素的滑窗內(nèi)，計(jì)算每個(gè)中心像素點(diǎn)的均值m、標(biāo)準(zhǔn)s、平滑 度R、三階矩P 3、一致性U、熵S、能量EN和同質(zhì)性H紋理特征，具體計(jì)算公式如下
解能量值，共得到10個(gè)能量特征，分別記為eu^、e^、eHH、一.!、eLH_2、eHL_2、eHH_2、eLH_3、eHL_3、 eHH_3，其中HL-l、LH-2和HH-3分別表示第1、2、3層分解的HL、LH和HH子圖像，這里的能量 特征采用If范數(shù)計(jì)算，即 其中，C為該鄰域窗內(nèi)的小波系數(shù)，ie和je表示鄰域窗內(nèi)小波系數(shù)的索引，鄰域窗 的大小me = ne = 16 ；(2b)將每個(gè)像素點(diǎn)的10個(gè)小波特征作為一個(gè)特征行向量提取出來(lái)，則圖像中所 有n個(gè)像素點(diǎn)的特征行向量組成一個(gè)nX 10的小波特征矩陣X2。步驟3，將步驟1得到的紋理特征XI與步驟2得到的小波特征X2合并，得到19維 的待分割SAR圖像的特征矩陣X 步驟4，將步驟3得到的特征矩陣X進(jìn)行Treelets變換，得到一個(gè)正交基矩陣B。(4a)在Treelets變換的最底層，即聚類(lèi)層級(jí)1 = 1層，輸入nX19的特征矩陣X， 并計(jì)算X的協(xié)方差矩陣gw和相似度矩陣M(°>
2，…，q，q是X的總列數(shù)，Xu和Xv分別是特征矩陣的第u列和第v列向量，o uv是Xu和Xv 兩向量的方差，口皿是乂 和Xv兩向量的相關(guān)系數(shù)；
(4b)初始化B。為q X q的單位矩陣
"
并且初始化和變量的下標(biāo)集為5 = {1,2, -,q}； (4c)由相似度矩陣M—”找出最相似的兩個(gè)變量a和旦 (a,y9) = argmaxM^ (,_1)
其中X和y是相似度矩陣的位置索引，且必須屬于和變量下標(biāo)集S，并且X < y
(4d)在變量對(duì)a和3上進(jìn)行局部主成分分析變換，其第一和第二主成分分別為 變量Sl和差變量屯，且使得《2 = S% = 0，并得到雅克比旋轉(zhuǎn)矩陣J 其中c = cos ( e J，s = sin ( 0 J，| 0 J 彡 ji/4 ；(4e)根據(jù)雅克比旋轉(zhuǎn)矩陣J計(jì)算當(dāng)前聚類(lèi)層級(jí)的基矩陣Bi = B^J,以及相似度 矩陣=和協(xié)方差矩陣妒=jrs(,-1)j，尺度函數(shù)^和細(xì)節(jié)函數(shù)&分別為基矩 陣&的第a和3列，其中，當(dāng)前層級(jí)的尺度函數(shù)①是尺度函數(shù)h和上一層的尺度向
的合集，將差變量的下標(biāo)0從和變量的下標(biāo)集5中去除，g卩5 =
量集 (4f)重復(fù)步驟(4c)至步驟(4e)直至到1 = 18層，得到基矩陣為
B = [O其中，①和V分別是正交基矩陣的尺度函數(shù)和細(xì)節(jié)函數(shù)，1是分解層數(shù)。步驟5，將特征矩陣X與尺度函數(shù)①相乘，得到一個(gè)結(jié)構(gòu)向量FX= [f1 f2，…， fn]T，其中，f分別對(duì)應(yīng)于SAR圖像每個(gè)像素的數(shù)據(jù)點(diǎn)。步驟6，對(duì)結(jié)構(gòu)向量FX采用模糊C-均值聚類(lèi)，得到SAR圖像的分割結(jié)果。本發(fā)明的效果可以通過(guò)以下內(nèi)容進(jìn)行說(shuō)明1.實(shí)驗(yàn)數(shù)據(jù)為了便于定量評(píng)價(jià)本發(fā)明所提出圖像分割方法的性能，首先選擇帶有分割標(biāo) 準(zhǔn)參考圖的人工合成紋理圖像及對(duì)其加入乘性噪聲的圖像。人工合成紋理圖像大小為 256X256，灰度級(jí)為256，如圖2(a)所示，圖2(b)為圖2(a)的標(biāo)準(zhǔn)參考圖。將圖2(a)加入 均值為零、噪聲方差分別為0. 01,0. 02,0. 03,0. 04和0. 05的乘性噪聲后的加噪圖像分別如 圖2(c)、圖2(d)、圖2(e)、圖2(f)和圖2(g)所示。四幅真實(shí)的SAR圖像如圖3所示，它們的灰度級(jí)均為256，其中圖3(a)是一幅 ERS-SAR圖像，大小為256X256，它包括莊稼和森林兩類(lèi)；圖3(b)是一幅包括山地和平原兩 類(lèi)的SAR圖像，大小為256X256 ；圖3(c)是美國(guó)新墨西哥州Albuquerque地區(qū)附近的格蘭 德河的Ku波段SAR圖像，大小為256X256，該圖分為農(nóng)田、植被和河流三類(lèi)。圖3 (d)是一 幅來(lái)自美國(guó)Sandia國(guó)家實(shí)驗(yàn)室的Washington地區(qū)的Ku波段SAR圖像，大小為512X512， 其中包含3類(lèi)地物河流、城區(qū)和其它。2.實(shí)驗(yàn)評(píng)價(jià)指標(biāo)實(shí)驗(yàn)評(píng)價(jià)指標(biāo)包括聚類(lèi)錯(cuò)誤率、Kappa系數(shù)和運(yùn)行時(shí)間。聚類(lèi)錯(cuò)誤率是分割結(jié)果 圖與標(biāo)準(zhǔn)參考圖中不為同一類(lèi)的像素的個(gè)數(shù)除以圖像的總像素?cái)?shù)。Kappa系數(shù)是檢驗(yàn)圖像 分類(lèi)精度的一種常用指標(biāo)，通常，當(dāng)Kappa = 0. 75時(shí)類(lèi)別間變化頻率??；當(dāng)0. 4 = Kappa =0. 75時(shí)，類(lèi)別間變化頻率一般；當(dāng)Kappa = 0. 4時(shí)，類(lèi)別間變化頻率較大。計(jì)算公式如下 式中，r是混淆矩陣中總列數(shù)，即總的類(lèi)別數(shù)，xf^i。是誤差矩陣中第io行第io列 上像素?cái)?shù)量，即正確聚類(lèi)的數(shù)目，xfip、xfpi分別是第ip行和第pi列的總像素?cái)?shù)量，KN是總 的用于精度評(píng)估的像素?cái)?shù)量。其中混淆矩陣是通過(guò)將像素真實(shí)的類(lèi)別和聚類(lèi)后像素的相應(yīng) 類(lèi)別比較計(jì)算的?；煜仃嚨拿恳涣兄械臄?shù)值等于真實(shí)的類(lèi)別在聚類(lèi)后對(duì)應(yīng)于相應(yīng)類(lèi)別的 數(shù)量；混淆矩陣的每一行中的數(shù)值等于聚類(lèi)后相應(yīng)類(lèi)別在真實(shí)類(lèi)別中的數(shù)量。3.實(shí)驗(yàn)結(jié)果與分析為評(píng)價(jià)本發(fā)明與其它FCM方法的性能，本發(fā)明將所提出的基于Treelets的FCM聚 類(lèi)方法(簡(jiǎn)記為T(mén)reelets-FCM方法)與直接FCM聚類(lèi)(簡(jiǎn)記為FCM方法)和用PCA降維 后FCM聚類(lèi)(簡(jiǎn)記為PCA-FCM方法)兩種方法，對(duì)人工合成紋理及其加噪圖像與真實(shí)的SAR 圖像的分割結(jié)果進(jìn)行了比較。實(shí)驗(yàn)硬件環(huán)境為Intel (R)酷睿2 6300 1. 86GHz，內(nèi)存2G，實(shí)驗(yàn)平臺(tái)為MATLAB 7. 0。表1對(duì)人工合成紋理圖像及其加噪圖像采用三種分割方法的實(shí)驗(yàn)結(jié)果對(duì)比 對(duì)于人工合成紋理及其加噪圖像，采用FCM方法、PCA-FCM方法和本發(fā)明方法實(shí) 驗(yàn)所得分類(lèi)錯(cuò)誤率、Kappa系數(shù)和運(yùn)行時(shí)間結(jié)果分別列于表1中。從表1可以看到在噪聲 方差為0.01時(shí)的類(lèi)別錯(cuò)誤率FCM方法為11.7142%，PCA-FCM方法為3. 1998%，而本發(fā)明 則降為2. 4658%，比FCM方法下降了近10%。本發(fā)明的kappa系數(shù)為0. 9233，高于FCM方 法的0. 6961和PCA-FCM方法的0. 9019。其它噪聲情況下類(lèi)似。因此本發(fā)明在分類(lèi)正確性 和kappa系數(shù)上要明顯優(yōu)于其他兩種方法。在噪聲方差為0. 04時(shí)FCM方法為12. 3906秒， PCA-FCM方法為1. 0469秒，而Treelets-FCM方法則降為0. 6875秒，使運(yùn)行時(shí)間降到了 1秒 以?xún)?nèi)。所以在運(yùn)行時(shí)間上本發(fā)明也要低于另外兩種方法。綜合三種評(píng)價(jià)指標(biāo)，本發(fā)明方法都要優(yōu)于FCM和PCA-FCM兩種方法。另外，在不同乘性噪聲下三種方法的分割結(jié)果的類(lèi)別 錯(cuò)誤率和Kappa系數(shù)也表明本方法對(duì)噪聲有一定的魯棒性。表2四幅真實(shí)SAR圖像采用三種分割方法的實(shí)驗(yàn)運(yùn)行時(shí)間(s)的結(jié)果對(duì)比 對(duì)于真實(shí)的SAR圖像，由于沒(méi)有標(biāo)準(zhǔn)參考圖，所以只能給出圖像的分割結(jié)果進(jìn)行 主觀(guān)評(píng)價(jià)。對(duì)應(yīng)圖3(a)、圖3(b)和圖3(c)兩分類(lèi)真實(shí)SAR圖像，采用FCM方法的分割結(jié)果 分別如圖3(al)、圖3(bl)和圖3(cl)所示；采用PCA-FCM方法的分割結(jié)果分別如圖3(a2)、 圖3(b2)和圖3(c2)所示；采用本發(fā)明的Treelets-FCM方法的分割結(jié)果分別如圖3(a3)、 圖3(b3)和圖3(c3)所示。從圖3三種方法對(duì)四幅真實(shí)SAR圖像的實(shí)驗(yàn)結(jié)果來(lái)看，在分割直觀(guān)視覺(jué)效果上三 種方法基本相同，沒(méi)有大的區(qū)別。表2為四幅真實(shí)SAR圖像運(yùn)行時(shí)間的對(duì)比，如第二幅真實(shí) SAR圖像本發(fā)明運(yùn)行時(shí)間為0. 6563秒，低于FCM的運(yùn)行時(shí)間2. 3906秒和PCA-FCM的運(yùn)行時(shí) 間0.8125秒。在圖像較大且分類(lèi)數(shù)較多的情況下，優(yōu)勢(shì)更加明顯。如第四幅真實(shí)SAR圖像 本發(fā)明的運(yùn)行時(shí)間為8. 4844秒，比FCM的運(yùn)行時(shí)間104. 4063秒降低了近百秒。因此本發(fā) 明在時(shí)間的耗費(fèi)上要低于FCM和PCA-FCM兩種方法，可完成對(duì)真實(shí)SAR圖像的快速分割。從以上兩類(lèi)實(shí)驗(yàn)可以看出，本發(fā)明在分類(lèi)錯(cuò)誤率和運(yùn)行時(shí)間上都要優(yōu)于對(duì)比的兩 種方法，對(duì)于真實(shí)SAR圖像的分割也更加快速。
權(quán)利要求
一種基于Treelets和模糊C-均值聚類(lèi)的SAR圖像分割方法，包括如下步驟(1)輸入待分割SAR圖像，在大小為17×17像素的滑窗內(nèi)，分別提取每個(gè)中心像素點(diǎn)的灰度值z(mì)、均值m、標(biāo)準(zhǔn)s、平滑度、三階矩μ3、一致性U、熵S、能量EN和同質(zhì)性H九種紋理特征；(2)將輸入的SAR圖像進(jìn)行3層非下采樣離散小波變換，并在大小為16×16像素的滑窗內(nèi)，提取3層中每個(gè)中心像素點(diǎn)的小波特征eLL-1、eLH-1、eHL-1、eHH-1、eLH-2、eHL-2、eHH-2、eLH-3、eHL-3和eHH-3；(3)將步驟(1)得到的紋理特征與步驟(2)得到的小波特征合并，得到19維的待分割SAR圖像的特征矩陣XX＝[z，m，σ，R，μ3，U，S，EN，H，eLL-1，eLH-1，eHL-1，eHH-1，eLH-2，eHL-2，eHH-2，eLH-3，eHL-3，eHH-3]；(4)將特征矩陣X進(jìn)行Treelets變換，得到一個(gè)正交基矩陣B； B＝[Φ ψ1…ψl-1]T其中，Φ和ψ分別是正交基矩陣的尺度函數(shù)和細(xì)節(jié)函數(shù)，l是分解層數(shù)。(5)將特征矩陣X與尺度函數(shù)Φ相乘，得到一個(gè)結(jié)構(gòu)向量FX＝[f1，f2，…，fn]T，其中，f分別對(duì)應(yīng)于SAR圖像每個(gè)像素的數(shù)據(jù)點(diǎn)；(6)對(duì)結(jié)構(gòu)向量FX采用模糊C-均值聚類(lèi)，得到SAR圖像的分割結(jié)果。
2.根據(jù)權(quán)利要求1所述SAR圖像分割方法，其中步驟(1)所述的提取每個(gè)中心像素點(diǎn) 的均值m、標(biāo)準(zhǔn)s、平滑度R、三階矩P 3、一致性U、熵S、能量EN和同質(zhì)性H紋理特征，是先 按如下公式先進(jìn)行計(jì)算，再將其計(jì)算結(jié)果提取出來(lái)，即 其中，Z,是表示像素第i個(gè)灰度級(jí)的灰度值，p(Zi)是滑窗內(nèi)的灰度級(jí)的直方圖。
3.根據(jù)權(quán)利要求1所述SAR圖像分割方法，其中步驟(2)所述的提取3層中每個(gè)中心 像素點(diǎn)的小波特征，是在每一層都得到HH、HL、LH和LL四個(gè)子圖像，在各個(gè)子圖像中，以大 小為meXne像素的滑窗內(nèi)，計(jì)算每個(gè)中心像素點(diǎn)的小波分解能量值，共得到10個(gè)能量特 征，分別記為一讓-” e^、eHL-i> 一冊(cè)―” eLH_2、eHL_2、一肥、eLH_3、eHL_3、eHH_3,其中 HL—1、LH—2 禾口 HH-3分別表示第1、2、3層分解的HL、LH和HH子圖像，這里的能量特征采用I1-范數(shù)計(jì)算，即 其中，C為該鄰域窗內(nèi)的小波系數(shù)，ie和je表示鄰域窗內(nèi)小波系數(shù)的索引，鄰域窗的大 小 me = ne = 16。
4.根據(jù)權(quán)利要求1所述SAR圖像變化分割方法，其中步驟(4)所述的將特征矩陣X進(jìn) 行Treelets變換，按照以下步驟進(jìn)行(4a)在Treelets變換的最底層，即聚類(lèi)層級(jí)1 = 1層，輸入nX19的特征矩陣X，并計(jì) 算X的協(xié)方差矩陣Sw和相似度矩陣 q，q是X的總列數(shù)，Xu和Xv分別是特征矩陣的第U列和第ν列向量，σ uv是Xu和Xv兩向量 的方差，P皿是Xu和Xv兩向量的相關(guān)系數(shù)； (4b)初始化Btl為qX q的單位矩陣 并且初始化和變量的下標(biāo)集為δ = {1,2, -,q}； (4c)由相似度矩陣找出最相似的兩個(gè)變量α和β : (α, β) = arg maxyes其中χ和y是相似度矩陣的位置索引，且必須屬于和變量下標(biāo)集S，并且χ < y ； (4d)在變量對(duì)α和β上進(jìn)行局部主成分分析變換，其第一和第二主成分分別為變量 S1和差變量Cl1,且使得= S^ = 0，并得到雅克比旋轉(zhuǎn)矩陣J 其中 C = 008(0!), S = 8111(0!), | 0X ≤π /4(4e)根據(jù)雅克比旋轉(zhuǎn)矩陣J計(jì)算當(dāng)前聚類(lèi)層級(jí)的基矩陣& = B^J,以及相似度矩 陣]^、獷你‘力和協(xié)方差矩陣力，尺度函數(shù)h和細(xì)節(jié)函數(shù)…分別為基矩 陣&的第a和3列，其中，當(dāng)前層級(jí)的尺度函數(shù)①是尺度函數(shù)h和上一層的尺度向量集 的合集，將差變量的下標(biāo)0從和變量的下標(biāo)集5中去除，g卩5 =(4f)重復(fù)步驟(4c)至步驟(4e)直至到1 = 18層，得到基矩陣為
全文摘要
本發(fā)明公開(kāi)了一種基于Treelets和模糊C-均值聚類(lèi)的SAR圖像分割方法，主要解決現(xiàn)有技術(shù)在人工情況下無(wú)法對(duì)大量圖像進(jìn)行目標(biāo)識(shí)別的問(wèn)題。其實(shí)現(xiàn)步驟是(1)提取輸入的待分割SAR圖像紋理特征和小波特征；(2)將紋理特征和小波特征組成特征矩陣；(3)對(duì)此特征矩陣進(jìn)行Treelets變換，得到基矩陣；(4)將特征矩陣與基矩陣的尺度函數(shù)相乘得到一個(gè)結(jié)構(gòu)向量；(5)對(duì)此結(jié)構(gòu)向量采用模糊C-均值聚類(lèi)，得到SAR圖像的分割結(jié)果。本發(fā)明利用Treelets變換可對(duì)聚類(lèi)前的高維數(shù)據(jù)降維，能有效地抑制噪聲并提高SAR圖像的分割速度，用于對(duì)SAR圖像的自動(dòng)分割以進(jìn)行目標(biāo)識(shí)別。
文檔編號(hào)G06T7/00GK101853509SQ20101019914
公開(kāi)日2010年10月6日 申請(qǐng)日期2010年6月11日 優(yōu)先權(quán)日2010年6月11日
發(fā)明者侯彪, 公茂果, 焦李成, 王桂婷, 王然, 王爽, 蓋超, 鐘樺 申請(qǐng)人:西安電子科技大學(xué)