基于GMM参数迁移聚类的SAR图像分割方法

摘要

本发明公开了一种基于GMM参数迁移聚类的SAR图像分割技术方法，主要解决现有技术分割结果不稳定、精度和区域一致性不理想的问题。其实现过程是：1)输入图像，确定分割类数；2)提取特征；3)设置初始参数；4)对样本聚类7次，得到7组聚类结果；5)求聚类一致性值；6)根据聚类一致性值把样本划分成源域和目标域；7)用EM算法对源域进行参数估计；8)寻找目标域样本在源域样本中的K近邻点并求出这些点的聚类一致性值；9)根据K近邻点的一致性值和源域参数，求目标域的新参数；10)根据新参数求目标域每个样本的概率值，得到图像最终分割结果。本发明具有分割效果稳定良好、区域一致性好的优点，可用于雷达目标检测和识别。

主权项

1.一种基于GMM参数迁移聚类的SAR图像分割方法，包括以下步骤： （1）输入待分割SAR图像，确定需要将图像划分的类别数C； （2）对SAR图像提取特征：对待分割的SAR图像进行3层平稳小波变换，图像像素点总个数为n，对每个像素点提取出10维子带能量特征，构成大小为n×10的输入数据样本集X＝{x_i|i＝1,2,...,n}： 其中，M×N为利用滑动窗口确定的子带大小，这里取值为16×16，coef(e,u)为平稳小波子带中第e行第u列的系数值； （3）设置初始参数：样本近邻数K＝7，用k-means聚类算法获得样本初始标签L_re，聚类一致性值的阈值thre＝0.6； （4）对数据样本集X分别用EM算法聚类4次，用k-means聚类3次，得到7组聚类类别标签； （5）对7组聚类结果求每个样本的聚类一致性值CI； （6）根据CI和thre，把数据样本集X划分成源域和目标域：CI≥0.6的样本为源域X^S，CI＜0.6为目标域X^T； （7）用基于GMM的EM算法对源域X^S进行参数估计，得到GMM的均值μ_js和协方差σ_js两个类参数，j表示类别； （8）用K近邻算法寻找目标域X^T的每个样本在源域中的K个近邻点，K＝7，并根据步骤（4）中获得的标签求7个近邻点的聚类一致性值CI′； （9）根据CI′并结合步骤（7）中获得的源域参数，计算目标域的均值μ_jnew和协方差σ_jnew两个新参数，即将源域参数迁移至目标域； （10）将所述两个新参数代入高斯分布的公式求得目标域每个样本的概率值，得到图像的最终划分结果。