有效的SAR图像多尺度分类算法

为提高分类精度,提出一种基于最大期望(EM)与遗传(GA)算法的多尺度SAR图像无监督分类方法.利用多尺度自回归(MAR)模型描述SAR图像中不同尺度之间的统计相依性,提取多尺度特征.应用混合模型描述多尺度特征,并将GA算法与EM算法相结合给出混合模型的参数估计算法,利用最小描述长度(MDL)准则选择模型的分量教.最后使用Bayes分类器实现了图像的分类与分割.该方法集EM算法和GA算法结合后的优点,对设定初值有较少的敏感性,因而避免了局部最优解.应用于SAP图像的实验表明,在分割精度上GA-EM方法优于MAR模型的算法.     

多主体框架下结合最大期望值和遗传算法的SAR图像分割

目的 SAR图像中固有的相干斑噪声增加了图像分割的困难.为此,提出一种分布式SAR图像分割算法.方法 首先假设图像中同质区域内像素满足同一独立的Gamma分布,依此建立SAR图像模型;为了刻画SAR图像中像素的类属性,建立标号场的MRF(Markov Random Field)模型;在Bayesian理论框架下建立图像分割模型;在多主体系统(MAS)框架下,结合MRF模型和遗传算法(GA)模拟分割模型.MAS结构由分割主体和协调主体组成,其中分割主体利用最大期望值( EM)算法估计MRF模型参数,从而实现全局分割;协调主体利用GA实现全局最优.结果 为了验证提出方法的有效性,分别对模拟和RADARSAT-I/II SAR图像进行实验,并与EM和RJMCMC算法比较.本文算法的用户精度、产品精度、总精度及kappa系数均高于EM算法.定性和定量分析结果验证了本文算法的鲁棒性和有效性.结论 实验结果表明提出的分布式MAS框架下SAR图像分割方法,能够提高分割精度.该方法适用于中高分辨率单极化的SAR图像,且具有很好的抗噪性.     

基于多尺度随机模型的SAR图像无监督分割

合成孔径雷达（synthetic aperture radar,SAR）是一种基于相干原理的成像系统,在SAR图像中存在严重影响图像质量的斑点噪声,使得SAR图像的可靠分割非常困难。〖BP）〗根据SAR图像的成像机理,利用两种多尺度随机模型,即多尺度自回归（Multiscale Autoregressive,MAR）模型和多尺度自回归滑动平均（Multiscale Aautoregressive Moving Average, MARMA）模型,分别来描述同一场景不同分辨率SAR图像像素间的统计相关性,并构造了相应的多分辨混合算法实现SAR图像的无监督分割。试验结果表明,提出的两种无监督分割方法是可行的,且MARMA模型比MAR模型能够更精确地捕捉SAR图像多尺度序列中不同类型地形的统计信息,使分割质量具有明显的改进。     

基于MAR模型的SAR图像的聚类分割

合成孔径雷达（SAR）图像中的斑点噪声是SAR图像处理困难的主要原因,如何抑制斑点噪声及图像处理一直是SAR图像研究的热点。根据SAR图像的成像机理,采用能够描述不同尺度（分辨率）下固有特性的多尺度自回归（MAR）模型,提出一种有效的多尺度抑制斑点噪声和分割方法。首先对SAR图像多分辨率序列建立MAR模型,然后依据模型对SAR图像抑制斑点噪声,重构,最后用Ward聚类分割方法对SAR图像进行分割、比较。     

基于MRF模型的NSCT域SAR图像分割

针对复杂背景下的合成孔径雷达（SAR）图像的分割问题,提出一种基于非降采样Contourlet变换（NSCT）域马尔可夫（MRF）模型的算法。该算法综合利用了MRF模型在影像分割中的优势和图像的多分辨率描述的信息,采用高斯混合模型建模各个尺度的特征场,Potts模型建模各个尺度的标记场,大尺度的分割结果直接投影到小尺度上,作为分割的初始结果。实验部分与经典的阈值分割算法和马尔可夫分割算法进行比较、分析,结果表明该算法可准确地分割目标,同时保留目标的细节信息。     

空间约束层次加权Gamma混合模型的SAR图像分割

目的 合成孔径雷达（SAR）图像中像素强度统计分布呈现出复杂的特性,而传统混合模型难以建模非对称、重尾或多峰等特性的分布。为了准确建模SAR图像统计分布并得到高精度分割结果,本文提出一种利用空间约束层次加权Gamma混合模型（HWGaMM）的SAR图像分割算法。方法 采用Gamma分布的加权和定义混合组份;考虑到同质区域内像素强度的差异性和异质区域间像素强度的相似性,采用混合组份加权和定义HWGaMM结构。采用马尔可夫随机场（MRF）建模像素空间位置关系,利用中心像素及其邻域像素的后验概率定义混合权重以将像素邻域关系引入HWGaMM,构建空间约束HWGaMM,以降低SAR图像内固有斑点噪声的影响。提出算法结合M-H（Metropolis-Hastings）和期望最大化算法（EM）求解模型参数,以实现快速SAR图像分割。该求解方法避免了M-H算法效率低的缺陷,同时克服了EM算法难以求解Gamma分布中形状参数的问题。结果 采用3种传统混合模型分割算法作为对比算法进行分割实验。拟合直方图结果表明本文算法具有准确建模复杂统计分布的能力。在分割精度上,本文算法比基于高斯混合模型（GMM）、Gamma分布和Gamma混合模型（GaMM）分割算法分别提高33%,29%和9%。在分割时间上,本文算法虽然比GMM算法多64 s,但与基于Gamma分布和GaMM算法相比较分别快600 s和420 s。因此,本文算法比传统M-H算法的分割效率有很大的提高。结论 提出一种空间约束HWGaMM的SAR图像分割算法,实验结果表明提出的HWGaMM算法具有准确建模复杂统计分布的能力,且具有较高的精度和效率。     

基于谱聚类与混合模型的SAR图像多尺度分割

针对谱聚类方法应用于合成孔径雷达（SAR）图像分割时Laplace矩阵的特征值和特征向量难以计算的问题,结合SAR图像在多个尺度的统计信息,给出了一个包含顶点凝聚、初始分割和分割细化3个步骤的SAR图像多尺度分割方法。首先,用一个顶点数不断减少的凝聚图序列来逼近从SAR图像得到的图;然后应用谱聚类方法对最粗尺度的凝聚图进行分割得到初始分割结果;最后根据SAR图像的统计性质,利用基于混合模型估计的分类后验概率将初始分割结果逐尺度进行细化得到SAR图像的最终分割。实验结果表明了方法的有效性。     

基于多尺度Markov模型的SAR图像上下文融合分割方法

在多尺度Markov模型的基础上,提出了一种新的用于SAR图像无监督分割的上下文融合分割方法。该方法充分考虑了SAR图像分布的统计特性,用基于混合Rayleigh分布的多尺度Markov模型对待分割图像建模,并直接根据待分割图像用迭代条件估计算法来训练模型的参数。然后以上下文向量的形式提出了四种不同的上下文模型,并用这四种上下文模型分别对待分割图像的多尺度图像信息进行自上而下的融合,最终得到四种不同的分割结果。实验表明,该方法进一步提高了SAR图像分割结果的精度。     

SAR图像无监督分割的空间变化混合MAR模型方法

提出SAR（Synthetic Aperture Radar）图像的空间变化混合多尺度自回归（Spatially Variant Mixture Multiscale Auto Regressive,SVMMAR）模型方法,该模型不仅能刻画SAR图像的空间变化性,而且利用了SAR图像多尺度序列的统计特性;采用的分类器是像素标号的极大似然估计,细化的同时简化了传统Bayes分类器;该模型无需预先抑制斑点噪声,就能获得精确分割结果;并且理沧上证明了在图像粗尺度确定分类个数的合理性,在此基础上提出一种在粗尺度确定分类个数的新方法,大大减少了运算量。     

一种基于多尺度马尔可夫随机场的SAR图像分割算法

利用小波变换模大值边缘检测算法得到SAR图像不同尺度下的边缘信息,再利用MRF分割算法对SAR图像进行分割。实验结果表明,该方法改善了SAR图像分割的质量,有效地改善了MRF图像分割算法的方向灵敏性。     

基于马尔可夫随机场的SAR图象目标分割

运动、静止目标获取与识别（MSTAR）计划表明，将合成孔径雷达（SAP）图象分割成目标、阴影和背景杂波区域对于从开放环境中进行目标识别是一种有效的手段。但是由于SAP图象所固有的斑点噪声的影响，传统的分割方法很难获得准确的分割。为此提出了一种基于MRF(Markov random field)模型的SAP图象分割算法。用MRF模型描述待分割图象的先验知识，利用最大似然（ML）估计从训练数据中获得图象各区域的先验概率分布，采用Bayes方法，在观测数据基础上，根据分割图象的后验分布所对应的MRF模型的条件概率，利用Metroplis采样器获得最大后验概率（MAP）准则下的图象分割。通过对MSTAR的样本目标图象应用该算法，结果表明它可以获得稳健和准确的分割效果。     

区域GMM聚类的SAR图像分割

高斯混合模型(GMM)聚类算法近年来广泛应用于图像分割领域。但在SAR图像分割中,由于忽略了图像像素间的空间相关性,使其对相干斑噪声十分敏感。提出一种基于区域的GMM聚类算法,它将空间相关性引入聚类分类中,利用分水岭分割得到基本同质区域,计算区域的灰度均值作为GMM聚类算法的输入样本,将聚类特征从像素水平提升到区域水平,减少了噪声对分割结果的影响;并将自身反馈机制引入期望最大化(EM)算法中,进一步提高了GMM模型参数估计的精度。还对合成图像和真实SAR图像进行了分割实验,结果表明新算法可有效地提高分割的     

基于多尺度图像块的SAR图像无监督分割

提出了一种基于多尺度图像块的SAR图像无监督分割方法。在利用高斯混合模型进行图像分割时,大多采用的是基于单个像素的分割方法,这种方法由于未考虑像素周围邻域结点的信息,分割精度往往不高。论文考虑到SAR图像具有很强的斑点噪声,为了更好地抑制斑点噪声对分割结果的影响,在多分辨分析的基础上提出了一种基于多尺度图像块的图像分割新方法。实验表明,这种基于多尺度图像块的分割较在单个像素下多尺度Markov模型的MPM分割好,分割精度有了较大的提高。     

基于MRF场的SAR图像分割方法

提出了一种基于MRF（Markov Random field)模型的SAR（Synthetic Aperture Radar)图像分割算法,本算法利用ICM（（Iterative Conditional Mode)局部 优化方法,获得MAP（maximum a posteriori)准则下的图像分割结果。并引入了剔除外层数据的机制,用MSTAR（Moving and Stationary Target Acquisition and Recognition)数据进行实验,结果表明,算法能有效减少斑点噪声的影响将图像分割为目标,阴影,背景三部分,实验结果是令人满意的。     

多区域SAR图像分割的改进水平集方法

由于合成孔径雷达（SAR）图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果对比,因此,首先基于GA^0统计模型定义能量映射函数以代替像素值进行后续处理,减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况。实验结果表明,该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性。