基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法

摘要

针对传统基于灰度特征谱聚类算法抗噪性能较差，而基于灰度共生矩阵的多特征‑谱聚类分割方法又存在的尺度单一、对方向性敏感、最佳特征组合选择困难等局限性，提出了一种基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法。首先利用JSEG算法提出的J‑image多尺度影像序列提取原始影像的尺度、光谱与纹理特征，构建谱聚类特征矩阵，并依据规范切准则，用K均值聚类方法对拉布拉斯矩阵进行聚类，最后采用基于投票机制的融合策略对单一尺度下的分割结果进行决策级融合，从而实现SAR图像溢油的多尺度分割。与传统多特征‑谱聚类方法相比，多组实验结果证明了本发明具有更高的分割精度，具有较强的鲁棒性。

主权项

一种基于JSEG和谱聚类的多尺度海面溢油SAR图像分割方法，其特征在于，主要包括三个步骤：色彩量化与特征提取；多尺度谱聚类分割；基于投票机制的决策融合；色彩量化与特征提取采用JSEG算法中的色彩量化方法对图像进行灰度级压缩；首先将图像的颜色空间转换为LUV颜色空间，利用对等组滤波对影像进行平滑去噪，最后采用K‑means algorithm方法获得量化影像，即“类图”；进而，基于“类图”计算反应图像局域同质性特征J‑image影像序列；其中J‑value定义如下：令量化影像中每一个像素的位置z(x,y)为像素z的像素值，z(x,y)∈Z；Z为以像素z为中心的特定尺寸窗口内所有像素组成的集合；利用不同尺寸的窗口可以获得不同尺度的J‑image影像；定义S_T为Z中所有像素的总体方差，S_W为属于同一类的所有像素方差的和，则J‑value为：J＝(S_T‑S_W)/S_W                  (1)用同一窗口尺寸计算像素Z对应的J‑value并作为Z的像素值，遍历量化影像，可获得单一尺度的J‑image；进而通过改变窗口尺寸，可获得多尺度的J‑image影像序列；多尺度谱聚类分割谱聚类算法首先利用数据点间的相似性构造相似矩阵，进而计算该矩阵的特征值与特征向量，最后对特征向量进行聚类实现图像的分割；采用最小切割准则构造拉布拉斯矩阵，并采用K‑means方法聚类获得单一尺度的分割结果；计算相似性矩阵W的公式如下所示，其中，x_i，x_j为数据样本点，σ为核参数：W_ij＝exp(‑||x_i‑x_j||²/2σ²)               (2)；基于投票机制的决策融合基于多尺度下的分割结果，定义基于投票机制的决策级融合策略：1)将多个尺度的分割结果进行比较，将检测结果一致的像素归为一类，可以将原始影像中的所有像素分成三类：溢油区域和非溢油区域，剩余像素为疑似溢油区域，需要进一步进行判别；2)对疑似溢油区域的所有像素，根据不同尺度的检测结果进行投票，得票数多的被认为是正确的分类结果；3)当某一像素得票数相同时，采用最小尺度的分类结果。