基于模糊聚类与关键像素的SAR图像分割与变化检测

摘要

合成孔径雷达（Synthetic Aperture Radar，SAR）图像是一种在军事和民用上十分常见且重要的一种图像，由于光照，时间和天气的变化不会影响到SAR图像的成像，因此SAR图像能够提供更多的有用信息。但是SAR图像本身富含一种乘性的斑点噪声，这使得SAR图像的处理变得非常具有挑战性。SAR图像分割技术是SAR图像处理过程中十分关键的一步，同时也为后续的SAR图像解译提供了基础。SAR图像变化检测则是在两幅于相同地点不同时间拍摄的SAR图像中检测出发生变化的区域，在军事和民用方面有着十分重要的应用。 本文主要针对现有的SAR图像分割及变化检测算法中存在的对斑点噪声的鲁棒性低，结果精度低的问题进行了研究，主要内容如下： （1）提出了一种基于关键像素模糊聚类的算法用于SAR图像分割。该算法只对少量的关键像素进行模糊聚类，并利用聚类的结果对剩余像素进行快速的分割，避免使用所有像素进行用时较长的聚类。首先，根据一定规则从待分割的SAR图像中选择出一些像素，这些带有图像基本信息的像素被称为关键像素；然后，一个基于空间信息的模糊聚类方法被用于关键像素的分割，由于关键像素数量较少，且空间信息能够在一定程度上抑制噪声的影响，一个十分精确的聚类结果可以快速得到；最后，根据精度较高的聚类结果以及一个对斑点噪声鲁棒性较高的相似性度量法则，将非关键像素的类标设定为在空间邻域内与其最相似的关键像素的类标，从而可以快速得到对整幅SAR图像的精确分割结果。该算法仅使用少数点进行迭代处理，可以在较短时间内得到较为精确的结果，同时充分利用空间信息，进一步提升了所提算法对于斑点噪声的鲁棒性。 （2）提出了一种基于改进的Turbo超像素和模糊聚类的SAR图像分割算法。该算法利用多种边缘检测融合来提高Turbo超像素提取的准确度，同时利用关键像素的聚类以及超像素的划分结果为SAR图像分割过程提供更多有效信息。首先，根据提取到的边缘信息来得到Turbo超像素；然后，根据局部最大像素规则提取关键像素，并对关键像素进行聚类；其次，根据关键像素的分布及其聚类结果对Turbo超像素进行分割；最终，对Turbo超像素的分割结果进行滤波，从而进一步提升分割的精度。该算法结合了超像素和关键像素的信息，使得分割过程对斑点噪声的鲁棒性提高。 （3）提出了一种基于模糊聚类与差异图自步学习的算法来处理SAR图像变化检测问题。该算法通过构造一个分类器实现对差异图中变化区域的检测：首先，在对差异图预分类之后，采用均匀选择策略选择样本，防止某个类别的样本数目过少，保证样本的多样性，提高样本集的质量；其次，引入自步学习框架训练分类器，利用代价函数判断样本的难易，在训练过程中逐渐增加样本的难度，实现从简单到复杂的学习，保证学习结果的稳定性；最终，利用自步学习得到的分类器的分类结果，结合空间邻域的分类信息，确定每个像素最终的类标。该算法可以利用自步学习得到对噪声鲁棒性较高的分类器，从而提高最终的准确度。

目录

第一个书签之前