基于非局部的三马尔可夫随机场SAR图像分割方法

摘要

本发明公开了一种基于非局部的三马尔可夫随机场SAR图像分割方法，它属于图像处理技术领域，主要解决传统TMF方法应用于SAR图像分割易产生区域一致性差，边界凌乱的问题。其实现步骤为：(1)输入待分割图像；(2)利用FCM聚类初始化每个像素类标;(3)利用k-means初始化每个像素的场景类别，并利用非局部冗余信息对场景类别进行一次更新迭代；(4)计算图像的势能；(5)构建三马尔可夫场联合分布，并用吉布斯采样器对该分布函数采样，得到后验概率；(6)计算后验边缘概率，并逐点更新各像素点类标；(7)判断各像素类标变化率是否大于阈值，若变化率大于阈值，重复(4)-(6),否则输出分割结果。本发明收敛速度快，分割结果区域一致性好,保留信息完整，可用于SAR图像目标识别。

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)：$W(x,u)=\underset{(s,t)\in C_H}{\Sigma }{\alpha }_H^1(1-2\delta (x_s,x_t))-({\alpha }_{\mathrm{aH}}^2{\delta }^{*}(u_s,u_t,a)+{\alpha }_{\mathrm{bH}}^2{\delta }^{*}(u_s,u_t,b))(1-\delta (x_s,x_t))$$+\underset{(s,t)\in C_V}{\Sigma }{\alpha }_V^1(1-2\delta (x_s,x_t))-({\alpha }_{\mathrm{aV}}^2{\delta }^{*}(u_s,u_t,a)+{\alpha }_{\mathrm{bV}}^2{\delta }^{*}(u_s,u_t,b))(1-\delta (x_s,x_t))$式中，x为像素点的类标，u为像素点的场景类别，s、t为一对相邻像素点，x_s、x_t为一对相邻像素点的类标值，u_s、u_t为一对相邻像素点的场景类别，C_H为图像中水平方向上的相邻像素点对的集合，C_V为图像中垂直方向上的相邻像素点对的集合，a,b为场景类别的两种取值，和分别表示不同的权重参数，${\alpha }_H^1={\alpha }_V^1=1,$${\alpha }_{\mathrm{aH}}^2=1,$${\alpha }_{\mathrm{aV}}^2=-0.3,$${\alpha }_{\mathrm{bH}}^2=-0.3,$${\alpha }_{\mathrm{bV}}^2=1,$$\delta (x_s,x_t)=\left\{\begin{array}{cc}1,& x_s=x_t\\ 0,& x_s\ne x_t\end{array}\right.$为类标的惩罚函数，${\delta }^{*}(u_s,u_t,a)=\left\{\begin{array}{cc}1,& u_s=u_t=a\\ 0,& \mathrm{otherwise}\end{array}\right.$为场景类别取a时的惩罚函数，${\delta }^{*}(u_s,u_t,b)=\left\{\begin{array}{cc}1,& u_s=u_t=b\\ 0,& \mathrm{otherwise}\end{array}\right.$为场景类别取b时的惩罚函数；5)根据步骤2)中得到的每个像素点的类标，计算各像素点的条件概率：$p\left(y_s\right|x_s)=\frac{n^n\Gamma (n-\alpha )}{{\gamma }^{\alpha }\Gamma \left(n\right)\Gamma (-\alpha )}\frac{y_s^{2(n-1)}}{{(\gamma +n{y}_s^2)}^{n-\alpha }},$其中，p(y_s|x_s)服从统计模型G⁰分布，y_s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_s|x_s)，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_s|x_s)，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^-9，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。