[0016] 3)提取原圖像每個(gè)點(diǎn)的特征F1(Lj),采用灰度共生矩陣提取圖像紋理特征，選擇 4個(gè)離散的方向：0°，45°，90°和135°，每個(gè)方向上取的統(tǒng)計(jì)量是同質(zhì)區(qū)，得到原圖像4 維灰度共生矩陣特征；
[0017] 4)提取原圖像的小波特征F2 (i，j)，gabor的方向數(shù)取3,尺度數(shù)取3,得到原圖像 的9維gabor特征；
[0018] 5)融合原圖像的紋理特征和散射特征，給原圖像紋理特征和散射特征分配相等權(quán) 重：
[0019] F(i，j) = [Q1, Q2]'*防(;[，j)，F(xiàn)2(i，j)]
[0020] 其中
b方向數(shù)。&這(?，: = 1，所以 ?λ:(Κι=ι/(??，aV為方向數(shù)，Nu為尺度數(shù)；
[0021] 6)計(jì)算每個(gè)超像素的特征F(t)，t = 1，2,3……S，將超像素塊里的像素特征取均 值得到每個(gè)超像素的特征，F(xiàn)(t) = (Xu])EtF(i，j))/|Nt|，NtSt里包含的像素?cái)?shù)；將原 圖像4維灰度共生矩陣特征和原圖像的9維gabor特征同時(shí)融入同質(zhì)超像素塊中，得到同 質(zhì)超像素塊的特征；
[0022] 7)將同質(zhì)超像素塊的特征利用高斯混合模型進(jìn)行分類，即每個(gè)超像素塊就得到了 相應(yīng)的類別標(biāo)簽，得到最終分割結(jié)果。
[0023] 本發(fā)明利用Gamma分布估計(jì)每個(gè)超像素塊的異質(zhì)性系數(shù)，提出超像素 turbopixel 誤分割的區(qū)域再利用Kmeans繼續(xù)進(jìn)行分類，從而有效對(duì)超像素進(jìn)行基于SAR圖像的改進(jìn)， 結(jié)合圖像的紋理特征及散射特征，提出一種基于Ga_a分布的異質(zhì)超像素 SAR圖像分割方 法，有效彌補(bǔ)了超像素對(duì)弱邊界和細(xì)節(jié)信息不能有效分割的缺點(diǎn)，抑制了 SAR圖像本身的 成像機(jī)制而產(chǎn)生的相干斑噪聲。
[0024] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：
[0025] 1、原有預(yù)分割的超像素 turbopixel，由于SAR圖像存在的弱邊界和細(xì)節(jié)信息，導(dǎo) 致超像素塊分割錯(cuò)誤，本發(fā)明則有效的分割出異質(zhì)超像素，保留下圖像的細(xì)節(jié)部分，使圖像 細(xì)節(jié)信息完整；
[0026] 2、本發(fā)明在用Gamma分布估計(jì)超像素塊異質(zhì)性的過程中，對(duì)閾值參數(shù)做出了明確 的研究和定義，解決了閾值參數(shù)選取的問題。
[0027] 3、由于SAR圖像相干斑噪聲現(xiàn)象嚴(yán)重，單一選取SAR圖像的紋理特征或散射特征 不足以完全描述SAR圖像的特征，會(huì)影響圖像分割的結(jié)果，本發(fā)明將灰度共生矩陣特征和 小波特征等權(quán)重融合，有效地利用了圖像的紋理特征和散射特征，對(duì)圖像的分割結(jié)果做出 了貢獻(xiàn)；
[0028] 4、本發(fā)明由于采用了混合高斯模型，其尺度間對(duì)應(yīng)關(guān)系嚴(yán)密，易于最大期望方法 處理，使融合過程中的迭代次數(shù)少，收斂速度快；
【附圖說明】
[0029] 圖1是本發(fā)明的SAR圖像分割流程示意圖；
[0030] 圖2是本發(fā)明與其他方法在一幅兩類簡單地物背景SAR圖像上的仿真結(jié)果圖；
[0031] 圖3是本發(fā)明與其他方法在一幅兩類復(fù)雜地物背景SAR圖像上的仿真結(jié)果圖；
[0032] 圖4是本發(fā)明與其他方法在一幅三類復(fù)雜地物背景SAR圖像上的仿真結(jié)果圖。
【具體實(shí)施方式】
[0033]圖像分割在數(shù)字圖像處理技術(shù)中是一項(xiàng)非常關(guān)鍵的技術(shù)，它主要是為了從圖像中 提取某些感興趣的或者有意義的區(qū)域、邊緣、紋理等。近幾年由于地球表面觀測的星載和機(jī) 載合成孔徑雷達(dá)（SAR)系統(tǒng)得到快速發(fā)展，為SAR圖像分割技術(shù)提供了大量高質(zhì)量的數(shù)據(jù)， 現(xiàn)急需提高SAR圖像的分割精度，使它能夠更好地應(yīng)用于軍事，農(nóng)業(yè)，導(dǎo)航，地理監(jiān)視等諸 多領(lǐng)域。
[0034] 下面結(jié)合附圖對(duì)本發(fā)明詳細(xì)說明
[0035] 實(shí)施例1
[0036] 本發(fā)明是一種基于Gamma分布的異質(zhì)超像素 SAR圖像分割方法，參見圖1，具體實(shí) 現(xiàn)包括有如下步驟：
[0037] 1)將圖像M*N進(jìn)行超像素預(yù)分割，得到S個(gè)超像素塊。本例中將圖2 (a)大小為 254*255的其中一類為河流另一類為陸地的簡單地物背景SAR圖像，應(yīng)用turbopixel超像 素方法分為S個(gè)原始超像素塊。
[0038] 2)在超像素預(yù)分割后的再分割，用Gamma分布估計(jì)每個(gè)超像素塊的異質(zhì)性，以 Gamma分布的異質(zhì)性參數(shù)閾值m為界，將同質(zhì)超像素塊和異質(zhì)塊區(qū)分開，并將異質(zhì)超像素塊 用Kmeans方法實(shí)現(xiàn)再分類；當(dāng)異質(zhì)性參數(shù)大于閾值m時(shí)，則此超像素為同質(zhì)超像素，即為分 割正確的超像素，不進(jìn)行處理；當(dāng)異質(zhì)性參數(shù)小于閾值m時(shí)，則此超像素為異質(zhì)的超像素， 即包含的像素不屬于一類卻被合并為一類，此時(shí)需要利用Kmeans方法將此異質(zhì)超像素塊 分為兩類，該兩類均為同質(zhì)超像素塊，但類標(biāo)不同。本例中將圖2(a)通過上述步驟1)得到 的S個(gè)超像素塊，分別統(tǒng)計(jì)每個(gè)超像素塊包含的像素，當(dāng)超像素塊包含的像素太少則不估 計(jì)它的異質(zhì)性，當(dāng)超像素塊包含的像素多則用Gamma分布估計(jì)原始超像素塊的異質(zhì)性，此 時(shí)當(dāng)異質(zhì)性參數(shù)小于閾值m則將此超像素塊作為異質(zhì)超像素塊，再利用Kmeans方法將其進(jìn) 行再分類，當(dāng)異質(zhì)性參數(shù)大于閾值m則將此超像素塊作為同質(zhì)超像素塊，不進(jìn)行處理，本例 中閾值m取0. 3。
[0039] 3)提取原圖像每個(gè)點(diǎn)的特征F1(Lj),采用灰度共生矩陣提取圖像紋理特征，選擇 4個(gè)離散的方向：0°，45°，90°和135°，每個(gè)方向上取的統(tǒng)計(jì)量是同質(zhì)區(qū)，得到原圖像4 維灰度共生矩陣特征。本例中以圖2 (a)每個(gè)像素為中心取9*9的矩陣計(jì)算它的0°，45°， 90°和135° 4個(gè)方向的灰度共生矩陣中的同質(zhì)特征，這4個(gè)方向均勻分布，可以代表它每 個(gè)方向的特征，能更好地表示它每個(gè)像素點(diǎn)的紋理特征，再依次將9*9的矩陣以步長1滑 動(dòng)，做同樣處理，最終得到每個(gè)超像素的紋理特征，得到一個(gè)（254*255)*4的灰度共生矩陣 同質(zhì)特征矩陣。
[0040] 4)提取原圖像的小波特征F2 (i，j)，gabor的方向數(shù)取3,尺度數(shù)取3,得到原圖像 的9維gabor特征。本例中取圖2(a)每個(gè)像素 gabor的方向數(shù)為3,尺度數(shù)為3的小波特 征，最終得到（254*255) *9的小波特征，使用小波特征充分的結(jié)合了 SAR圖像的散射特性， 能更好地對(duì)SAR圖像進(jìn)行分割。
[0041] 5)融合原圖像的紋理特征和散射特征，給原圖像紋理特征和散射特征分配相等權(quán) 重：
[0042] F(i，j) = [Q1, Q2]'*防（;[，j)，F(xiàn)2(i，j)]
[0043] 其弓
為方向數(shù)。
所以 込(^2，) = 1/(乂 *原》)，aV為方向數(shù)，Νω為尺度數(shù)。
[0044] 本例中將上述得到的（254*255)*4的灰度共生矩陣同質(zhì)特征矩陣，因每個(gè)點(diǎn)都有 4維特征，則每列乘以權(quán)重1/4,將（254*255) *9的小波特征每列乘以權(quán)重1/9,再合成為一 個(gè)（254*255)*13的融合特征矩陣，使紋理特征和散射特征為分割做出同等貢獻(xiàn)。
[0045] 6)計(jì)算每個(gè)超像素的特征F(t)，t = 1，2,3……S，將超像素塊里的像素特征取均 值得到每個(gè)超像素的特征，F(xiàn)(t) = (Xu])EtF(i，j))/|Nt|，NtSt里包含的像素?cái)?shù)；將原 圖像4維灰度共生矩陣特征和原圖像的9維gabor特征同時(shí)融入超像素同質(zhì)塊中，得到超 像素同質(zhì)塊的特征。本例中將上述得到的融合特征按照每個(gè)像素點(diǎn)所屬的改進(jìn)后的同質(zhì)超 像素塊，取特征均值，使每個(gè)超像素都得到一個(gè)13維的特征，最終得到一個(gè)S*13的特征矩 陣。
[0046] 7)將超像素同質(zhì)塊的特征利用高斯混合模型進(jìn)行分類，即每個(gè)超像素塊就得到了 相應(yīng)的類別標(biāo)簽，得到最終分割結(jié)果。本例中將上述得到的S*13的超像素特征矩陣?yán)酶?斯混合模型進(jìn)行分類，根據(jù)目測圖2 (a) -類為河流一類為陸地，則對(duì)改進(jìn)后的S個(gè)同質(zhì)超 像素塊進(jìn)行2分類，就完成了河流及陸地的分割，既保留了圖像的細(xì)節(jié)信息，又抑制了圖像 噪聲的影