主权项 |
1.一种基于非局部的三马尔可夫随机场SAR图像分割方法,包括如下步骤:1)输入待分割的SAR图像;2)利用FCM聚类的方法得到待分割图像每个像素点的初始类标;3)提取待分割图像的灰度共生矩阵,采用k-means聚类方法得到待分割图像每个像素点的场景类别,并利用图像非局部冗余信息对场景类别进行一次迭代更新,得到每个像素点新的场景类别;4)根据步骤2)得到的每个像素点的初始类标和步骤3)得到的每个像素点新的场景类别,利用下式计算势能W(x,u):<maths num="0001"><![CDATA[<math><mrow><mi>W</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>u</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mrow><mrow><mo>(</mo><mi>s</mi><mo>,</mo><mi>t</mi><mo>)</mo></mrow><mo>∈</mo><msub><mi>C</mi><mi>H</mi></msub></mrow></munder><msubsup><mi>α</mi><mi>H</mi><mn>1</mn></msubsup><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mn>2</mn><mi>δ</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>s</mi></msub><mo>,</mo><msub><mi>x</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>-</mo><mrow><mo>(</mo><msubsup><mi>α</mi><mi>aH</mi><mn>2</mn></msubsup><msup><mi>δ</mi><mo>*</mo></msup><mrow><mo>(</mo><msub><mi>u</mi><mi>s</mi></msub><mo>,</mo><msub><mi>u</mi><mi>t</mi></msub><mo>,</mo><mi>a</mi><mo>)</mo></mrow><mo>+</mo><msubsup><mi>α</mi><mi>bH</mi><mn>2</mn></msubsup><msup><mi>δ</mi><mo>*</mo></msup><mrow><mo>(</mo><msub><mi>u</mi><mi>s</mi></msub><mo>,</mo><msub><mi>u</mi><mi>t</mi></msub><mo>,</mo><mi>b</mi><mo>)</mo></mrow><mo>)</mo></mrow><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>δ</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>s</mi></msub><mo>,</mo><msub><mi>x</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0002"><![CDATA[<math><mrow><mo>+</mo><munder><mi>Σ</mi><mrow><mrow><mo>(</mo><mi>s</mi><mo>,</mo><mi>t</mi><mo>)</mo></mrow><mo>∈</mo><msub><mi>C</mi><mi>V</mi></msub></mrow></munder><msubsup><mi>α</mi><mi>V</mi><mn>1</mn></msubsup><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mn>2</mn><mi>δ</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>s</mi></msub><mo>,</mo><msub><mi>x</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>-</mo><mrow><mo>(</mo><msubsup><mi>α</mi><mi>aV</mi><mn>2</mn></msubsup><msup><mi>δ</mi><mo>*</mo></msup><mrow><mo>(</mo><msub><mi>u</mi><mi>s</mi></msub><mo>,</mo><msub><mi>u</mi><mi>t</mi></msub><mo>,</mo><mi>a</mi><mo>)</mo></mrow><mo>+</mo><msubsup><mi>α</mi><mi>bV</mi><mn>2</mn></msubsup><msup><mi>δ</mi><mo>*</mo></msup><mrow><mo>(</mo><msub><mi>u</mi><mi>s</mi></msub><mo>,</mo><msub><mi>u</mi><mi>t</mi></msub><mo>,</mo><mi>b</mi><mo>)</mo></mrow><mo>)</mo></mrow><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>δ</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>s</mi></msub><mo>,</mo><msub><mi>x</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow></mrow></math>]]></maths>式中,x为像素点的类标,u为像素点的场景类别,s、t为一对相邻像素点,x<sub>s</sub>、x<sub>t</sub>为一对相邻像素点的类标值,u<sub>s</sub>、u<sub>t</sub>为一对相邻像素点的场景类别,C<sub>H</sub>为图像中水平方向上的相邻像素点对的集合,C<sub>V</sub>为图像中垂直方向上的相邻像素点对的集合,a,b为场景类别的两种取值,<img file="FDA00002125530500013.GIF" wi="86" he="56" /><img file="FDA00002125530500014.GIF" wi="97" he="56" /><img file="FDA00002125530500015.GIF" wi="97" he="56" /><img file="FDA00002125530500016.GIF" wi="76" he="56" /><img file="FDA00002125530500017.GIF" wi="67" he="56" />和<img file="FDA00002125530500018.GIF" wi="66" he="56" />分别表示不同的权重参数,<maths num="0003"><![CDATA[<math><mrow><msubsup><mi>α</mi><mi>H</mi><mn>1</mn></msubsup><mo>=</mo><msubsup><mi>α</mi><mi>V</mi><mn>1</mn></msubsup><mo>=</mo><mn>1</mn><mo>,</mo></mrow></math>]]></maths><maths num="0004"><![CDATA[<math><mrow><msubsup><mi>α</mi><mi>aH</mi><mn>2</mn></msubsup><mo>=</mo><mn>1</mn><mo>,</mo></mrow></math>]]></maths><maths num="0005"><![CDATA[<math><mrow><msubsup><mi>α</mi><mi>aV</mi><mn>2</mn></msubsup><mo>=</mo><mo>-</mo><mn>0.3</mn><mo>,</mo></mrow></math>]]></maths><maths num="0006"><![CDATA[<math><mrow><msubsup><mi>α</mi><mi>bH</mi><mn>2</mn></msubsup><mo>=</mo><mo>-</mo><mn>0.3</mn><mo>,</mo></mrow></math>]]></maths><maths num="0007"><![CDATA[<math><mrow><msubsup><mi>α</mi><mi>bV</mi><mn>2</mn></msubsup><mo>=</mo><mn>1</mn><mo>,</mo></mrow></math>]]></maths><maths num="0008"><![CDATA[<math><mrow><mi>δ</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>s</mi></msub><mo>,</mo><msub><mi>x</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><mn>1</mn><mo>,</mo></mtd><mtd><msub><mi>x</mi><mi>s</mi></msub><mo>=</mo><msub><mi>x</mi><mi>t</mi></msub></mtd></mtr><mtr><mtd><mn>0</mn><mo>,</mo></mtd><mtd><msub><mi>x</mi><mi>s</mi></msub><mo>≠</mo><msub><mi>x</mi><mi>t</mi></msub></mtd></mtr></mtable></mfenced></mrow></math>]]></maths>为类标的惩罚函数,<maths num="0009"><![CDATA[<math><mrow><msup><mi>δ</mi><mo>*</mo></msup><mrow><mo>(</mo><msub><mi>u</mi><mi>s</mi></msub><mo>,</mo><msub><mi>u</mi><mi>t</mi></msub><mo>,</mo><mi>a</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><mn>1</mn><mo>,</mo></mtd><mtd><msub><mi>u</mi><mi>s</mi></msub><mo>=</mo><msub><mi>u</mi><mi>t</mi></msub><mo>=</mo><mi>a</mi></mtd></mtr><mtr><mtd><mn>0</mn><mo>,</mo></mtd><mtd><mi>otherwise</mi></mtd></mtr></mtable></mfenced></mrow></math>]]></maths>为场景类别取a时的惩罚函数,<maths num="0010"><![CDATA[<math><mrow><msup><mi>δ</mi><mo>*</mo></msup><mrow><mo>(</mo><msub><mi>u</mi><mi>s</mi></msub><mo>,</mo><msub><mi>u</mi><mi>t</mi></msub><mo>,</mo><mi>b</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><mn>1</mn><mo>,</mo></mtd><mtd><msub><mi>u</mi><mi>s</mi></msub><mo>=</mo><msub><mi>u</mi><mi>t</mi></msub><mo>=</mo><mi>b</mi></mtd></mtr><mtr><mtd><mn>0</mn><mo>,</mo></mtd><mtd><mi>otherwise</mi></mtd></mtr></mtable></mfenced></mrow></math>]]></maths>为场景类别取b时的惩罚函数;5)根据步骤2)中得到的每个像素点的类标,计算各像素点的条件概率:<maths num="0011"><![CDATA[<math><mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>y</mi><mi>s</mi></msub><mo>|</mo><msub><mi>x</mi><mi>s</mi></msub><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msup><mi>n</mi><mi>n</mi></msup><mi>Γ</mi><mrow><mo>(</mo><mi>n</mi><mo>-</mo><mi>α</mi><mo>)</mo></mrow></mrow><mrow><msup><mi>γ</mi><mi>α</mi></msup><mi>Γ</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mi>Γ</mi><mrow><mo>(</mo><mo>-</mo><mi>α</mi><mo>)</mo></mrow></mrow></mfrac><mfrac><msubsup><mi>y</mi><mi>s</mi><mrow><mn>2</mn><mrow><mo>(</mo><mi>n</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></msubsup><msup><mrow><mo>(</mo><mi>γ</mi><mo>+</mo><mi>n</mi><msubsup><mi>y</mi><mi>s</mi><mn>2</mn></msubsup><mo>)</mo></mrow><mrow><mi>n</mi><mo>-</mo><mi>α</mi></mrow></msup></mfrac><mo>,</mo></mrow></math>]]></maths>其中,p(y<sub>s</sub>|x<sub>s</sub>)服从统计模型G<sup>0</sup>分布,y<sub>s</sub>为像素点s的灰度值,Γ为Gamma函数,n为SAR图像的等效视数,n通过图像的先验知识获得,α为形状参数,γ为尺度参数;6)根据上述得到的势能W(x,u)和各像素点的条件概率p(y<sub>s</sub>|x<sub>s</sub>),更新各像素点的类标;6a)根据势能W(x,u)和各像素点的条件概率p(y<sub>s</sub>|x<sub>s</sub>),使用统计概率公式计算三马尔可夫场联合概率分布;6b)利用三马尔可夫场联合概率分布,获得各像素点的后验边缘概率;6c)利用贝叶斯最大后验边缘概率准则逐点更新图像中各像素点的类标;7)将更新前后类标变化的像素点个数和图像中像素点总数的比率作为终止条件,如果比率大于输入的阈值10<sup>-9</sup>,或达到最大迭代次数100,返回步骤4),否则将各像素点的最终类标作为最终分割结果输出。 |