基于区域聚类的SAR图像分割方法研究

摘要

合成孔径雷达（SAR）以其全天时、全天候等诸多优越的成像性能在军事侦查、卫星遥感、海洋与陆地观测等方面得到了广泛的应用。它特有的相干成像系统能提供较光学图像更高分辨率的图像，但同时不可避免地伴有相干斑噪声，严重影响了SAR 图像的分割效果。
　　 近年来，高斯混合模型（GMM）聚类算法被广泛应用于图像分割领域。
　　 该算法忽略了图像像素间的空间相关性，因此对相干斑噪声十分敏感。对此本文将区域模型与GMM 聚类算法相结合，研究建立了基于区域聚类的SAR 图像分割方法，主要研究工作如下：
　　 1、论文回顾和总结了SAR的发展历程、SAR 成像系统及其原理（包括SAR图像数据的特征、相干斑噪声形成的机理等），并对各种SAR 图像分割算法进行了分析和比较。
　　 2、研究提出了一种基于区域GMM 聚类的SAR 图像分割算法。该算法在区域模型的基础上对SAR 图像进行聚类分割，首先采用分水岭变换得到初始分割图，并结合同质区域构建区域模型；然后结合像素的空间相关性，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上升到区域水平，减少了噪声对分割结果的影响。
　　 3、研究提出了一种EM（Expectation–Maximization）算法初始化的新方法。
　　 该方法借鉴控制论中的自身反馈原理，将EM 算法的参数初始化过程比拟成反馈系统，利用初始估计反馈指导最终估计，在保持EM 算法迭代简单性的同时，提高了GMM模型参数估计的精度，得到了更好的聚类分割效果。
　　 4、在上述分割算法的基础上，进一步研究提出了基于边缘保持的SAR 图像分割的改进算法。该算法利用具有边缘保持性能的各向异性扩散相干斑降噪（SRAD）滤波算法来建立新的区域模型，促进了区域与区域之间的融合，使目标的边界定位更准确，同时减少了目标内部的过分割。
　　 对合成SAR 图像和真实SAR 图像分别开展了分割实验，实验结果证明：
　　 相比于像素水平的GMM 聚类，区域水平的GMM 聚类算法具有较强的抗噪声能力，可有效地提高分割的准确性，特别是在相干斑噪声较强的SAR 图像上有很大的实用价值；引入SRAD 滤波得到的改进算法，在分割效果和效率上较改进之前的算法均有很大的提高，证明了其在SAR 图像解译方面的可行性和有效性。

目录

文摘

英文文摘

论文说明：图表目录

声明

第一章导论

第二章合成孔径雷达图像分割算法研究

第三章基于区域的GMM 聚类

第四章基于边缘保持的区域GMM 聚类

第五章结论

参考文献

攻读硕士学位期间发表的论文

攻读硕士学位期间从事的科研项目

致谢