基于并行稀疏谱聚类的SAR图像分割方法

摘要

本发明公开了一种基于并行稀疏谱聚类的SAR图像分割方法，它涉及图像处理技术领域，主要解决已有谱聚类技术在解决大规模SAR图像分割应用上的局限性问题。其实现过程是：1)对待分割的SAR图像提取特征；2)配置MATLAB并行计算环境；3)将任务划分到各个处理器节点，计算分块稀疏相似矩阵；4)并行任务调度器收集计算结果并汇聚成完整的稀疏相似矩阵；5)求解拉普拉斯矩阵并进行特征分解；6)对经过归一化后的特征向量矩阵进行K-均值聚类；7)输出SAR图像分割结果。本发明能够有效克服已有谱聚类技术在运算量和存储空间上的瓶颈问题，对大规模SAR图像进行分割效果显著，适用于SAR图像目标检测和目标识别。

主权项

1.一种基于并行稀疏谱聚类的SAR图像分割方法，包括以下步骤：(1)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，通过下式对每个像素点提取出10维子带能量特征，构成大小为n×10的输入数据样本中特征的计算公式E：$E=\frac{1}{M\times N}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}\left|\mathrm{coef}(i,j)\right|$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(i，j)为平稳小波子带中第i行第j列的系数值；(2)配置MATLAB7.8 R2009(a)版本的并行计算环境；(3)进行并行任务划分，使用并行任务调度器将像素点总个数为n的输入数据样本均衡划分到p个处理器上，遇到不能整除的情况则将剩余的数据样本存放到最后一个节点上；(4)在各个处理器节点上分布式地计算n/p个数据样本到其他所有数据样本之间的欧氏距离，得到距离矩阵；(5)对距离矩阵的每一列按照从小到大顺序进行排序，并根据下面的公式计算分块相似矩阵S：$S=\exp (-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\sigma }^2}),i,j=1,...,n$其中，x₁，…，x_n表示n个数据样本点，‖x_i-x_j‖²表示排序后的距离矩阵，σ表示尺度参数，对相似矩阵只保留每个数据样本与周围离它最相近的t个数据样本之间的值，其他位置都稀疏化成0值；(6)将各个处理器节点计算得到的相似矩阵通过并行任务调度器收集到主节点上，并排成一行汇聚成一个大小为n×n的稀疏相似矩阵W；(7)根据稀疏相似矩阵W计算对角线元素为的度矩阵D，进而计算出拉普拉斯矩阵L＝D^-1/2WD^-1/2，利用MATLAB的eigs函数对该拉普拉斯矩阵进行特征分解；(8)对特征分解后得到的特征值进行排序，得到前K个最大特征值1＝λ₁≥λ₂≥…≥λ_K，其对应的特征向量表示成v¹，v²，…，v^K；(9)将得到的特征向量排成一行，构造出特征向量矩阵U＝[v¹，v²，…，v^K]，并对其归一化，得到规范化特征向量矩阵(10)将规范化特征向量矩阵Y的每一行看成是空间中的一个点，用K-均值聚类算法将其聚为K类，并使用正交初始化寻找初始聚类中心；(11)根据得到的聚类中心，使用欧氏距离测度把SAR图像中的所有像素点划分到不同的类别中，每一个像素点获得一个聚类标签，将这些聚类标签重新组合成和原图像尺寸相同的矩阵，将矩阵元素作为分割结果图像的灰度值并显示出来，从而得到最终分割结果。