基于Treelets和模糊C-均值聚类的SAR图像分割方法

摘要

本发明公开了一种基于Treelets和模糊C-均值聚类的SAR图像分割方法，主要解决现有技术在人工情况下无法对大量图像进行目标识别的问题。其实现步骤是：(1)提取输入的待分割SAR图像纹理特征和小波特征；(2)将纹理特征和小波特征组成特征矩阵；(3)对此特征矩阵进行Treelets变换，得到基矩阵；(4)将特征矩阵与基矩阵的尺度函数相乘得到一个结构向量；(5)对此结构向量采用模糊C-均值聚类，得到SAR图像的分割结果。本发明利用Treelets变换可对聚类前的高维数据降维，能有效地抑制噪声并提高SAR图像的分割速度，用于对SAR图像的自动分割以进行目标识别。

主权项

一种基于Treelets和模糊C‑均值聚类的SAR图像分割方法，包括如下步骤：(1)输入待分割SAR图像，在大小为17×17像素的滑窗内，分别提取每个中心像素点的灰度值z、均值m、标准差σ、平滑度R、三阶矩μ3、一致性U、熵S、能量EN和同质性H九种纹理特征；(2)将输入的SAR图像进行3层非下采样离散小波变换，并在大小为16×16像素的滑窗内，提取3层中每个中心像素点的小波特征：eLL‑1、eLH‑1、eHL‑1、eHH‑1、eLH‑2、eHL‑2、eHH‑2、eLH‑3、eHL‑3和eHH‑3；(3)将步骤(1)得到的纹理特征与步骤(2)得到的小波特征合并，得到19维的待分割SAR图像的特征矩阵X：X＝[z，m，σ，R，μ3，U，S，EN，H，eLL‑1，eLH‑1，eHL‑1，eHH‑1，eLH‑2，eHL‑2，eHH‑2，eLH‑3，eHL‑3，eHH‑3]；(4)将特征矩阵X进行Treelets变换，得到一个正交基矩阵B；B＝[Фψ1…ψl‑1]T其中，Ф和ψ分别是正交基矩阵的尺度函数和细节函数，l是分解层数；(5)将特征矩阵X与尺度函数Ф相乘，得到一个结构向量FX＝[f1，f2，…，fn]T，其中，f分别对应于SAR图像每个像素的数据点；(6)对结构向量FX采用模糊C‑均值聚类，得到SAR图像的分割结果。