本發(fā)明屬于圖像處理技術領域，涉及對SAR圖像的分割方法，可用于SAR圖像的目標識別與計算機的后續(xù)處理，具體是一種基于自適應窗方向波域和改進FCM的SAR圖像分割方法。

背景技術：
圖像分割是一種重要的圖像技術，是計算機視覺領域低層次視覺中的主要問題，是由圖像處理到圖像分析的一個關鍵步驟，在圖像工程中占據(jù)重要地位。圖像分割也是進一步圖像理解的基礎。圖像分割在實際中已得到廣泛的應用，幾乎涉及有關圖像處理的所有領域，應用于各種類型的圖像。例如，在醫(yī)學應用中，腦部核磁共振(MR)圖像被分割成灰質(zhì)、白質(zhì)，腦脊髓等腦組織和其他非腦組織區(qū)域等；在交通圖像分析中，把車輛目標從背景中分割出來；在基于內(nèi)容的圖像檢索中，將圖像分割成不同的對象區(qū)域作為基元進行處理；在遙感應用中，分割合成孔徑雷達圖像中的目標或遙感云圖中的不同云系和背景分布等；在工業(yè)監(jiān)控應用中，分割燃燒爐中的火焰以便檢測燃燒過程；在農(nóng)業(yè)應用中，圖像分割被用于戶外植物的檢測等等。而圖像SAR具有全天時、全天候的高分辨成像能力及對植被、土壤等具有一定的穿透能力，在國民經(jīng)濟和國防建設中得到了重要的應用，使得SAR圖像分割就顯得尤為重要。迄今為止，圖像分割算法已經(jīng)層出不窮，大體上分為以下幾類：閾值化分割、基于區(qū)域的、基于邊緣檢測的、基于聚類的和基于一些特定理論工具的分割方法。從圖像的類型分為：灰度圖像分割、彩色圖像分割和紋理圖像分割等等。可用作SAR圖像分割的特征包括灰度特征和紋理特征。僅依靠灰度特征是很難實現(xiàn)SAR的正確分割的，這是由于SAR圖像反映的地物對雷達波的后向散射特性，不同地物如果具有相同或相近的后向散射系數(shù)，那么它們在SAR圖像中就表現(xiàn)為相同或相近灰度值，從而發(fā)生混淆。相干斑噪聲的影響更加加劇了混淆現(xiàn)象，使得僅利用灰度特征進行分割的結果在實際應用中根本無法接受。原圖像由于受相干斑噪聲影響，灰度分辨率很差，但紋理信息非常豐富。而現(xiàn)有的相干斑噪聲抑制方法對SAR圖像去噪，圖像灰度分辨率得到了顯著的改善，但紋理信息受到了很大損失。西安電子科技大學在其專利申請“基于超像素和優(yōu)化策略的SAR圖像分割方法”(專利申請?zhí)枺篊N201310374750，公開號：CN103413316A)中提出了一種基于超像素和優(yōu)化策略的SAR圖像分割方法。通過兩層的非下采樣小波變換提取圖像的超像素塊的小波特征，能夠改善區(qū)域一致性差的問題；但是小波變換只有有限的方向信息，不能較好地提取圖像的邊緣紋理信息。西安電子科技大學在其專利申請“基于快速全局K均值的自適應圖像分割方法”(專利申請?zhí)枺篊N201210415237，公開號：CN102903118A)中提出了一種基于快速全局K均值的自適應圖像分割方法。通過提取待分割的圖像的紋理特征，再用快速全局K均值方法進行聚類，能夠改善K均值聚類算法計算復雜度高的問題；但K均值算法需要根據(jù)初始聚類中心來確定一個初始劃分，這個初始聚類中心的選擇對聚類結果有較大的影響，一旦初始值選擇的不好可能無法得到有效的聚類結果。

技術實現(xiàn)要素：
本發(fā)明的目的在于針對現(xiàn)有方法存在的分割方式局限，未能充分考慮SAR圖像中不同區(qū)域的紋理特征和灰度特征，對相干斑噪聲影響劇烈的問題，提出一種基于自適應窗方向波(Directionlet)域和改進FCM的SAR圖像分割方法，以提高圖像的分割效果。本發(fā)明的技術方案是：一種基于自適應窗方向波域和改進FCM的SAR圖像分割方法，實現(xiàn)步驟包括如下：(1)讀取圖像，對圖像進行值為2×n的邊緣擴展，n設置為16；(2)對SAR圖像當前像素設置大小為2n×2n的上下左右四個方向的鄰域窗口，得到四個窗口圖像塊的直方圖數(shù)據(jù)，并對兩兩直方圖數(shù)據(jù)計算圖像塊相似度；(3)設置閾值T，當相似度大于T時，判斷相似，設置以像素為中心的2n×2n窗口進行二層Directionlet變換；當相似度小于T時，判斷為不相似，設置以像素為中心的n×n窗口進行二層Directionlet變換；(4)對當前塊Directionlet變換后低頻和高頻系數(shù)進行特征提取，提取一組特征向量：(E1,E2,E3,E4,E5,E6,E7)，作為該像素的特征向量，Ei為第i個頻域系數(shù)的能量；(5)循環(huán)步驟(2)到(4)直至整個圖像所有像素的特征向量計算完成，構成M×N×7的能量值矩陣，其中M×N為圖像的大?。?6)對步驟(5)所得的能量值矩陣變形為1×(M×N)×7的一組M×N個7維向量；(7)將(6)中的M×N個7維能量特征向量作為特征矢量采用形態(tài)相似距離改進的模糊C均值算法進行聚類；(8)將步驟(7)分類后相同類別的像素賦予相同的灰度值，并將當前1×(M×N)的矩陣向量變形為M×N圖像，結果即為最終的分割結果。上述步驟(2)所述的對SAR圖像的每個像素設置上下左右四個方向的鄰域窗口并得到四個窗口圖像塊的直方圖數(shù)據(jù)，按如下步驟進行：(2a)根據(jù)步驟(1)對圖像進行值為2×n的邊緣擴展，對當前像素f(i,j)設置四個大小為2n×2n的窗口，即(i-n+1:i+n,j-2×n+1:j)、(i-2×n+1:i,j-n+1:j+n)、(i-n+1:i+n,j:j+2×n-1)、(i:i+2×n-1,j-n+1:j+n)四個窗口；(2b)根據(jù)兩個圖像塊的像素數(shù)據(jù)，生成各自直方圖數(shù)據(jù)，運用巴氏系數(shù)算法，計算出相似程度值。巴氏系數(shù)的計算公式如下：其中p，p′分別代表兩個圖像塊的直方圖數(shù)據(jù)，對每個相同i的數(shù)據(jù)點乘積開平方以后相加得出的結果即為圖像相似度值，范圍為0到1之間。上述步驟(3)所述的設置閾值T，并根據(jù)相似度與T的大小關系，設置大小不同的窗口進行二層Directionlet變換，按如下步驟進行：(3a)設置閾值T，將步驟(2)計算的相似度與閾值T進行比較，T取0.9～1之間，當相似度大于T時，設置窗口為以像素為中心大小為2n×2n，當相似度小于T時，設置窗口大小為n×n；(3b)以窗口為圖像塊，設置90°方向為變換方向，45°方向為隊列方向，構造采樣矩陣MΛ，其中，x1,x2,y1,y2是構成采樣矩陣MΛ的四個整數(shù)元素值，x1和y1由變換方向的斜率確定，x2和y2由隊列方向的斜率確定，向量d1和d2分別為沿變換方向和隊列方向的向量；(3c)基于整數(shù)格理論通過采樣矩陣MΛ將圖像塊劃分為關于整數(shù)格Λ的|det(MΛ)|個陪集，每一個陪集對應一個位移矢量sk＝(sk1,sk2)，其中Λ是由被劃分的圖像構成的整數(shù)格，表達式為Λ＝{c1d1+c2d2,c1,c2∈Z}，|det(MΛ)|是采樣矩陣MΛ的行列式的絕對值，k＝0,1,2,...,|det(MΛ)|-1，sk1,sk2∈Z，Z為整數(shù)域；(3d)對每個陪集沿變換和隊列方向分別進行兩次和一次一維正交小波變換，得到相應的高頻和低頻子帶。上述步驟(4)所述的對當前塊的Directionlet低頻和高頻系數(shù)進行特征提取，按如下步驟進行：(4a)提取二層Directionlet變換后的LL1低頻系數(shù)和LH1，HL1，HH1，LH，HL，HH六個高頻系數(shù)；(4b)對LL1，LH1，HL1，HH1，LH，HL，HH分別計算能量E，其中n2為圖像大小，d為Directionlet變換的系數(shù)；(4c)對各系數(shù)計算的能量構造一組向量：(E1,E2,E3,E4,E5,E6,E7)，作為該像素的特征向量。上述步驟(7)所述的對M×N個7維能量特征向量作為特征矢量采用形態(tài)相似距離改進的模糊C均值算法進行聚類，按如下步驟進行：(7a)確定聚類數(shù)目c(2≤c≤n)與加權指數(shù)m(m∈[2,∞])，n是聚類空間的樣本數(shù)；(7b)設置模糊聚類矩陣U(l)，U(l)＝[μik(l)]，當l＝0時，為聚類矩陣初始值，其中μik是第i類中樣本k的隸屬度；(7c)按照下面公式計算各類的聚類中心vi，其中xk是樣本k的屬性，(7d)按照下面方法計算新的模糊聚類矩陣U(l)(l＝l+1)，計算形態(tài)相似距離DMSD，DMSD(j,k)＝DE×(2-DA/DM)其中DE為歐氏距離，DM為曼哈頓距離，計算Ik和Ik＝{i|1≤i≤c；Dik＝||xk-vi||＝0},如果Ik＝φ，則否則，對所有置μik＝0，并取(7e)檢查||U(l-1)-U(l)||是否小于預先設定的閾值，如果小于，則停止，否則轉至(7c)；(7f)如果則xk∈第i類。本發(fā)明的有益效果：本發(fā)明充分考慮圖像的紋理信息，即利用像素周圍的鄰域信息為作當前像素的信息，通過設置自適應窗口來選定當前像素合適的窗口，使用Velisavljevic'V等人提出的方向波即Directionlet變換，對原始SAR圖像每個像素的鄰域窗口分別進行分解，得到每個像素的Directionlet低頻系數(shù)和高頻系數(shù)，用能量公式計算每個高低頻分量的能量值，作為當前像素的特征向量，對計算的所有像素的特征向量作為特征矢量進行形態(tài)相似距離改進的FCM圖像分割，得到最終的分割結果。本發(fā)明與現(xiàn)有技術相比具有以下優(yōu)點：1.本發(fā)明中采用了Directionlet對圖像進行變換，相比基于小波變換的方法，能夠提取出原始SAR圖像中更豐富的邊緣和紋理等各向異性特征，能夠充分利用圖像本身的特征，使用像素鄰域窗口的Directionlet變換的低高頻分量的能量作為當前像素的特征向量，更好地保證均勻區(qū)域的一致性，同時能夠抑制SAR圖像的相干斑噪聲。2.本發(fā)明中采用形態(tài)相似距離改進的模糊C均值分割算法進行分割步驟，避免了設定閾值的問題，并且能解決閾值化分割難以解決的多個分支的分割問題，聚類過程中不需要任何人工的干預，同時對象的形狀相似性都被考慮在內(nèi)，能夠更準確地判斷類別，達到較好的分割效果。3.本發(fā)明中，在進行像素窗口設置時采用了自適應窗口，即均勻區(qū)域以大窗口，邊緣區(qū)域以小窗口進行Directionlet變換，能夠保證區(qū)域一致性好，邊緣較準確，從而達到較好的分割效果。本發(fā)明對多組類型的圖像進行了分割測試，從視覺效果方面對分割結果進行評價，結果表明本發(fā)明方法是有效和可行的。附圖說明圖1是本發(fā)明的流程圖；圖2是本發(fā)明仿真所用的一幅紋理測試圖像和三幅真實SAR圖像；圖3是本發(fā)明與其它方法對測試圖2(a)的不同分割結果比較圖；圖4是本發(fā)明與其它方法對測試圖2(b)的不同分割結果比較圖；圖5是本發(fā)明與其它方法對測試圖2(c)的不同分割結果比較圖；圖6是本發(fā)明與其它方法對測試圖2(d)的不同分割結果比較圖。具體實施方式參照圖1，對本發(fā)明的實現(xiàn)步驟如下：步驟1：讀取圖像，對圖像進行值為2×n(n的大小為4，8，16等)的邊緣擴展。步驟2：對SAR圖像的每個像素通過移動窗口，窗口大小為2n×2n，對當前像素f(i,j)設置四個方向的鄰域窗口，得到四個窗口圖像塊的直方圖數(shù)據(jù)，并對每兩個直方圖數(shù)據(jù)計算圖像塊相似度。(2a)根據(jù)步驟(1)對圖像進行值為2×n的邊緣擴展，對當前像素f(i,j)設置四個大小為2n×2n的窗口，即(i-n+1:i+n,j-2×n+1:j)、(i-2×n+1:i,j-n+1:j+n)、(i-n+1:i+n,j:j+2×n-1)、(i:i+2×n-1,j-n+1:j+n)四個窗口；(2b)根據(jù)兩個圖像塊的像素數(shù)據(jù)，生成各自直方圖數(shù)據(jù)，運用巴氏系數(shù)(Bhattacharyyacoefficient)算法，計算出相似程度值。巴氏系數(shù)的計算公式如下：其中p，p′分別代表兩個圖像塊的直方圖數(shù)據(jù)，對每個相同i的數(shù)據(jù)點乘積開平方以后相加得出的結果即為圖像相似度值(巴氏系數(shù)因子值)，范圍為0到1之間。步驟3：設置閾值T，當相似度大于T時，判斷相似，設置以像素為中心的2n×2n窗口進行二層Directionlet(方向波)變換；當相似度小于T時，判斷為不相似，設置以像素為中心的n×n窗口進行二層Directionlet變換。(3a)設置閾值T，將步驟(2)計算的相似度與閾值T進行比較，T一般取0.9～1之間，當相似度大于T時，設置窗口為以像素為中心大小為2n×2n，當相似度小于T時，設置窗口大小為n×n；(3b)以窗口為圖像塊，設置90°方向為變換方向，45°方向為隊列方向，構造采樣矩陣MΛ，其中，x1,x2,y1,y2是構成采樣矩陣MΛ的四個整數(shù)元素值，x1和y1由變換方向的斜率確定，x2和y2由隊列方向的斜率確定，向量d1和d2分別為沿變換方向和隊列方向的向量；(3c)基于整數(shù)格理論通過采樣矩陣MΛ將圖像塊劃分為關于整數(shù)格Λ的|det(MΛ)|個陪集，每一個陪集對應一個位移矢量sk＝(sk1,sk2)，其中Λ是由被劃分的圖像構成的整數(shù)格，表達式為Λ＝{c1d1+c2d2,c1,c2∈Z}，|det(MΛ)|是采樣矩陣MΛ的行列式的絕對值，k＝0,1,2,...,|det(MΛ)|-1，sk1,sk2∈Z，Z為整數(shù)域；(3d)對每個陪集沿變換和隊列方向分別進行兩次和一次一維正交小波變換，得到相應的高頻和低頻子帶。步驟4：對當前塊Directionlet變換后低頻和高頻系數(shù)進行特征提取，提取一組特征向量：(E1,E2,E3,E4,E5,E6,E7)，作為該像素的特征向量。(4a)提取二層Directionlet變換后的LL1低頻系數(shù)和LH1，HL1，HH1，LH，HL，HH六個高頻系數(shù)；(4b)對LL1，LH1，HL1，HH1，LH，HL，HH分別計算能量E，其中n2為圖像大小，d為Directionlet變換的系數(shù)；(4c)對各系數(shù)計算的能量構造一組向量：(E1,E2,E3,E4,E5,E6,E7)，作為該像素的特征向量。步驟5：循環(huán)步驟(2)到(4)直至整個圖像所有像素的特征向量計算完成，構成M×N×7的能量值矩陣，其中M×N為圖像的大小。步驟6：對步驟(5)所得的能量值矩陣變形為1×(M×N)×7的一組M×N個7維向量。步驟7：將(6)中的M×N個7維能量特征向量作為特征矢量采用形態(tài)相似距離改進的模糊C均值算法進行聚類。(7a)確定聚類數(shù)目c(2≤c≤n)與加權指數(shù)m(m∈[2,∞])；(7b)設置模糊聚類矩陣U的初始值U(l)＝[μik(l)]，取l＝0；(7c)按照下面公式計算各類的聚類中心vi，(7d)按照下面方法計算新的模糊聚類矩陣U(l)(l＝l+1)，計算形態(tài)相似距離DMSD，DMSD(j,k)＝DE×(2-DA/DM)其中DE為歐氏距離，DM為曼哈頓距離，計算Ik和Ik＝{i|1≤i≤c；dik＝||xk-vi||＝0},如果Ik＝φ，則否則，對所有置μik＝0，并取(7e)檢查||U(l-1)-U(l)||是否小于預先設定的閾值。如果小于，則停止，否則轉至(7c)；(7f)設定分割門限為α，如果則xk∈第i類。步驟8：將步驟(7)分類后的類別賦予相應的灰度值，并將當前1×(M×N)的矩陣向量變形為M×N圖像，結果即為最終的分割結果。本發(fā)明的分割效果通過以下幾組仿真實驗進一步說明。1.仿真內(nèi)容與結果仿真1，利用本發(fā)明方法和其他兩種現(xiàn)有方法對SAR圖像測試圖2(a)進行分割，結果如圖3所示，其中：圖3(a)為待分割紋理測試圖像；圖3(b)為紋理圖像分割標準圖；圖3(c)為用模糊C均值聚類方法對圖3(a)分割的結果圖；圖3(d)為用馬爾可夫隨機場MRF方法對圖3(a)分割的結果圖；圖3(e)為用本發(fā)明方法對圖3(a)分割的結果圖。仿真2，利用本發(fā)明方法和其他兩種現(xiàn)有方法對SAR圖像測試圖2(b)進行分割，結果如圖4所示，其中：圖4(a)為待分割SAR圖像；圖4(b)為用模糊C均值聚類方法對圖4(a)分割的結果圖；圖4(c)為用馬爾可夫隨機場MRF方法對圖4(a)分割的結果圖；圖4(d)為用本發(fā)明方法對圖4(a)分割的結果圖。仿真3，利用本發(fā)明方法和其他兩種現(xiàn)有方法對SAR圖像測試圖2(c)進行分割，結果如圖5所示，其中：圖5(a)為待分割SAR圖像；圖5(b)為用模糊C均值聚類方法對圖5(a)分割的結果圖；圖5(c)為用馬爾可夫隨機場MRF方法對圖5(a)分割的結果圖；圖5(d)為用本發(fā)明方法對圖5(a)分割的結果圖。仿真4，利用本發(fā)明方法和其他兩種現(xiàn)有方法對SAR圖像測試圖2(d)進行分割，結果如圖6所示，其中：圖6(a)為待分割SAR圖像；圖6(b)為用模糊C均值聚類方法對圖6(a)分割的結果圖；圖6(c)為用馬爾可夫隨機場MRF方法對圖6(a)分割的結果圖；圖6(d)為用本發(fā)明方法對圖6(a)分割的結果圖。2.仿真結果分析(2a)從視覺效果上對圖3，圖4，圖5，圖6中各方法的分割結果進行主觀評價。可以看出，本發(fā)明方法能夠達到更好的分割效果，對地物紋理不同的區(qū)域分割效果良好，一致區(qū)域性好，能夠很大程度上抑制相干斑噪聲對圖像分割的影響，這說明本發(fā)明的SAR圖像分割方法充分考慮了圖像的本身的紋理信息，較好地提取了像素的鄰域信息，抑制了相干斑噪聲的影響，，而FCM分割方法受相干斑影響較大，所得的分割結果有很多雜點，影響分割效果，MRF分割方法較FCM受相干斑影響較小，但是均勻區(qū)域分割不一致，影響分割結果。(2b)從客觀評價指標上對圖3中各方法的融合結果進行評價。表1三種方法分割性能比較以上實驗結果表明，相比其他兩種現(xiàn)有方法，本文分割方法不論是對噪聲的抑制還是對區(qū)域的分割，都有很好的效果，由此可以看出，基于自適應窗口頻域信息和形態(tài)相似距離改進的FCM的SAR圖像分割方法是一種有效的SAR圖像分割方法。因此，本發(fā)明充分考慮圖像的紋理信息，即利用像素周圍的鄰域信息為作當前像素的信息，通過設置自適應窗口來選定當前像素合適的窗口，使用Velisavljevic'V等人提出的方向波即Directionlet變換，對原始SAR圖像每個像素的鄰域窗口分別進行分解，得到每個像素的Directionlet低頻系數(shù)和高頻系數(shù)，用能量公式計算每個高低頻分量的能量值，作為當前像素的特征向量，對計算的所有像素的特征向量作為特征矢量進行形態(tài)相似距離改進的FCM圖像分割，得到最終的分割結果。本發(fā)明與現(xiàn)有技術相比具有以下優(yōu)點：1.本發(fā)明中采用了Directionlet對圖像進行變換，相比基于小波變換的方法，能夠提取出原始SAR圖像中更豐富的邊緣和紋理等各向異性特征，能夠充分利用圖像本身的特征，使用像素鄰域窗口的Directionlet變換的低高頻分量的能量作為當前像素的特征向量，更好地保證均勻區(qū)域的一致性，同時能夠抑制SAR圖像的相干斑噪聲。2.本發(fā)明中采用形態(tài)相似距離改進的模糊C均值分割算法進行分割步驟，避免了設定閾值的問題，并且能解決閾值化分割難以解決的多個分支的分割問題，聚類過程中不需要任何人工的干預，同時對象的形狀相似性都被考慮在內(nèi)，能夠更準確地判斷類別，達到不錯的分割效果。3.本發(fā)明中，在進行像素窗口設置時采用了自適應窗口，即均勻區(qū)域以大窗口，邊緣區(qū)域以小窗口進行Directionlet變換，能夠保證區(qū)域一致性好，邊緣較準確，從而達到較好的分割效果。本發(fā)明對多組類型的圖像進行了分割測試，從視覺效果方面對分割結果進行評價，結果表明本發(fā)明方法是有效和可行的。本實施例沒有詳細敘述的部分屬本行業(yè)的公知的常用手段，這里不一一敘述。以上例舉僅僅是對本發(fā)明的舉例說明，并不構成對本發(fā)明的保護范圍的限制，凡是與本發(fā)明相同或相似的設計均屬于本發(fā)明的保護范圍之內(nèi)。