技術(shù)特征：
1.一種基于自適應(yīng)窗方向波域和改進(jìn)FCM的SAR圖像分割方法，其特征在于：包括如下步驟：(1)讀取圖像，對(duì)圖像進(jìn)行值為2×n的邊緣擴(kuò)展，n設(shè)置為16；(2)對(duì)SAR圖像當(dāng)前像素設(shè)置大小為2n×2n的上下左右四個(gè)方向的窗口，得到四個(gè)窗口圖像塊的直方圖數(shù)據(jù)，并對(duì)兩兩直方圖數(shù)據(jù)計(jì)算圖像塊相似度；(3)設(shè)置閾值T，當(dāng)相似度大于T時(shí)，判斷相似，設(shè)置以像素為中心的2n×2n窗口進(jìn)行二層Directionlet變換；當(dāng)相似度小于T時(shí)，判斷為不相似，設(shè)置以像素為中心的n×n窗口進(jìn)行二層Directionlet變換；(4)對(duì)當(dāng)前塊Directionlet變換后低頻和高頻系數(shù)進(jìn)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(gè)頻域系數(shù)的能量；(5)循環(huán)步驟(2)到(4)直至整個(gè)圖像所有像素的特征向量計(jì)算完成，構(gòu)成M×N×7的能量值矩陣，其中M×N為圖像的大??；(6)對(duì)步驟(5)所得的能量值矩陣變形為1×(M×N)×7的一組M×N個(gè)7維向量；(7)將(6)中的M×N個(gè)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(jìn)的模糊C均值算法進(jìn)行聚類(lèi)；(8)將步驟(7)分類(lèi)后相同類(lèi)別的像素賦予相同的灰度值，并將當(dāng)前1×(M×N)的矩陣向量變形為M×N圖像，結(jié)果即為最終的分割結(jié)果。2.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)窗方向波域和改進(jìn)FCM的SAR圖像分割方法，其特征在于：其中步驟(2)所述的對(duì)SAR圖像的每個(gè)像素設(shè)置上下左右四個(gè)方向的窗口并得到四個(gè)窗口圖像塊的直方圖數(shù)據(jù)，按如下步驟進(jìn)行：(2a)根據(jù)步驟(1)對(duì)圖像進(jìn)行值為2×n的邊緣擴(kuò)展，對(duì)當(dāng)前像素f(i,j)設(shè)置四個(gè)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(gè)窗口；(2b)根據(jù)兩個(gè)圖像塊的像素?cái)?shù)據(jù)，生成各自直方圖數(shù)據(jù)，運(yùn)用巴氏系數(shù)算法，計(jì)算出相似程度值；巴氏系數(shù)的計(jì)算公式如下：其中p，p′分別代表兩個(gè)圖像塊的直方圖數(shù)據(jù)，對(duì)每個(gè)相同i的數(shù)據(jù)點(diǎn)乘積開(kāi)平方以后相加得出的結(jié)果即為圖像相似度值，范圍為0到1之間。3.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)窗方向波域和改進(jìn)FCM的SAR圖像分割方法，其特征在于：其中步驟(3)所述的設(shè)置閾值T，并根據(jù)相似度與T的大小關(guān)系，設(shè)置大小不同的窗口進(jìn)行二層Directionlet變換，按如下步驟進(jìn)行：(3a)設(shè)置閾值T，將步驟(2)計(jì)算的相似度與閾值T進(jìn)行比較，T取0.9～1之間，當(dāng)相似度大于T時(shí)，設(shè)置窗口為以像素為中心大小為2n×2n，當(dāng)相似度小于T時(shí)，設(shè)置窗口大小為n×n；(3b)以窗口為圖像塊，設(shè)置90°方向?yàn)樽儞Q方向，45°方向?yàn)殛?duì)列方向，構(gòu)造采樣矩陣MΛ，其中，x1,x2,y1,y2是構(gòu)成采樣矩陣MΛ的四個(gè)整數(shù)元素值，x1和y1由變換方向的斜率確定，x2和y2由隊(duì)列方向的斜率確定，向量d1和d2分別為沿變換方向和隊(duì)列方向的向量；(3c)基于整數(shù)格理論通過(guò)采樣矩陣MΛ將圖像塊劃分為關(guān)于整數(shù)格Λ的|det(MΛ)|個(gè)陪集，每一個(gè)陪集對(duì)應(yīng)一個(gè)位移矢量sk＝(sk1,sk2)，其中Λ是由被劃分的圖像構(gòu)成的整數(shù)格，表達(dá)式為Λ＝{c1d1+c2d2,c1,c2∈Z}，|det(MΛ)|是采樣矩陣MΛ的行列式的絕對(duì)值，k＝0,1,2,...,|det(MΛ)|-1，sk1,sk2∈Z，Z為整數(shù)域；(3d)對(duì)每個(gè)陪集沿變換和隊(duì)列方向分別進(jìn)行兩次和一次一維正交小波變換，得到相應(yīng)的高頻和低頻子帶。4.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)窗方向波域和改進(jìn)FCM的SAR圖像分割方法，其特征在于：其中步驟(4)所述的對(duì)當(dāng)前塊的Directionlet低頻和高頻系數(shù)進(jìn)行特征提取，按如下步驟進(jìn)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(gè)高頻系數(shù)；(4b)對(duì)LL1，LH1，HL1，HH1，LH，HL，HH分別計(jì)算能量E，其中n2為圖像大小，d為Directionlet變換的系數(shù)；(4c)對(duì)各系數(shù)計(jì)算的能量構(gòu)造一組向量：(E1,E2,E3,E4,E5,E6,E7)，作為該像素的特征向量。5.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)窗方向波域和改進(jìn)FCM的SAR圖像分割方法，其特征在于：其中步驟(7)所述的對(duì)M×N個(gè)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(jìn)的模糊C均值算法進(jìn)行聚類(lèi)，按如下步驟進(jìn)行：(7a)確定聚類(lèi)數(shù)目c(2≤c≤n)與加權(quán)指數(shù)m(m∈[2,∞])，n是聚類(lèi)空間的樣本數(shù)；(7b)設(shè)置模糊聚類(lèi)矩陣U(l)，U(l)＝[μik(l)]，當(dāng)l＝0時(shí)，為聚類(lèi)矩陣初始值，其中μik是第i類(lèi)中樣本k的隸屬度；(7c)按照下面公式計(jì)算各類(lèi)的聚類(lèi)中心vi，其中xk是樣本k的屬性，(7d)按照下面方法計(jì)算新的模糊聚類(lèi)矩陣U(l)(l＝l+1)，計(jì)算形態(tài)相似距離DMSD，DMSD(j,k)＝DE×(2-DADM)其中DE為歐氏距離，DM為曼哈頓距離，計(jì)算Ik和如果Ik＝φ，則否則，對(duì)所有置μik＝0，并取(7e)檢查||U(l-1)-U(l)||是否小于預(yù)先設(shè)定的閾值，如果小于，則停止，否則轉(zhuǎn)至(7c)；(7f)如果則xk∈第i類(lèi)。