基于Bandelet域HMT模型的SAR图像分割

摘要

合成孔径雷达(SyntheticApertureRadar，SAR)因具有全天候，全天时对地球表面进行观察的能力以及空间分辨率高的特点，使得SAR在民用和军事方面发挥着越来越大的作用。本文着重对SAR图像的分割进行了研究，提出了一些算法，并通过仿真验证了算法的有效性。 图像分割是图像感知与识别的关键技术之一。分割效果的好坏，将会直接影响到分割和识别精度。小波对含点状奇异的目标函数而言是最优的基，在分析这类目标时小波系数是稀疏的。但对具有线状奇异的函数，小波系数则不再稀疏。在高维情况下，小波分析不能充分利用数据本身所特有的几何特征。因此并不是最优的或者说“最稀疏”的函数表示方法，不能够很好地挖掘图像中轮廓边缘信息。 小波域HMT模型对于小波变换的统计建模是非常有效的工具。通过对小波系数联合统计特性的统计，HMT很容易就能得到现实世界信号或图像的分类特征。小波域隐码模型为我们处理包含边界和轮廓的自然图像提供了非常有效的方法。尤其是对于灰度纹理图像，隐码模型有更好的处理效果。运用这个模型，在同一尺度内的小波系数可以被建模为两状态的高斯混合模型，因此，小波域马尔可夫模型被应用到很多领域。例如图像去躁、图像分割、纹理分析、纹理合成等。实际上在文本分割、SAR图像分割等领域WD-HMT已经被广泛应用。 Bandelet是新近发展起来的一种图像多尺度几何表示方法。与小波等变换不同，Bandelet考虑了图像结构中的几何正则性，并提出用矢量几何流的概念来表征图像灰度变化的局部方向。 本文研究了Bandelet的基本理论，借鉴Bandelet变换过程中用四叉树分解来获得最优方向信息的思想，结合Bandelet的系数分布和小波系数具有相似的高尖峰长脱尾的非高斯分布特性，提出了一种基于Bandelet域HMT(HiddenMarkovTree)模型的SAR图像分割方法。其基本思想是在子带分割的基础上，综合考虑不同尺度上的分割结果，从而进行多尺度SAR图像分割。通过仿真实验验证了该算法的有效性。

目录

文摘

英文文摘

声明

第一章绪论

1.1 SAR技术研究背景及意义

1.2 SAR图像处理技术

1.3本文的主要工作

第二章SAR图像分割理论

2.1图像分割理论

2.2 SAR图像分割的基本方法

2.2.1基于区域的分割方法

2.2.2基于边缘检测的分割方法

2.2.3基于模糊集理论的方法

2.2.4基于数学形态的分割方法

2.3 SAR图像分割的技术分析

2.3.1像素的矢量描述

2.3.2二维Otsu算法

2.4图像分割评价

2.4.1图像分割评价

2.4.2分割评价准则

2.5图像分割技术的发展趋势

第三章多尺度几何分析和隐马尔可夫模型

3.1傅立叶分析

3.1.1傅立叶分析

3.1.2窗口傅立叶变换

3.2小波变换

3.2.1连续小波变换(CWT)

3.2.2离散小波变换(DWT)

3.2.3二维离散小波变换

3.3 Bandelet变换

3.4 Curvelet变换

3.5基于小波域隐马尔可夫模型的统计建模

3.5.1隐马尔可夫模型(HMM)定义

3.5.2隐马尔可夫模型(HMM)的假设条件

3.5.3隐马尔可夫模型(HMM)三个问题

3.5.4小波域隐马尔可夫树

3.6小波域HMT图像分割

3.6.1二维小波变换及HMT模型

3.6.2基于上下文关系的多尺度图像分割

3.6.3融合上下文信息的分割算法

3.6.4仿真试验及分析

3.7本章小结

第四章基于Bandelet域HMT模型的SAR图像分割

4.1第一代Bandelet变换

4.2第二代Bandelet变换

4.2.1第二代Bandelet的构造思想

4.2.2最优方向的选择

4.2.3第二代Bandelet实现的主要步骤

4.3基于Bandelet域HMT模型SAR图像分割

4.3.1算法描述

4.3.2仿真实验及结果分析

4.4本章小结

第五章总结与展望

5.1总结

5.2展望

致谢

参考文献

作者研究生期间已撰写的论文