一种基于线段共生矩阵特征和区域图的SAR图像分割方法

摘要

本发明公开一种基于线段灰度共生特征和区域图的SAR图像分割方法，主要包括：根据初始素描模型提取SAR图像的素描图，根据线段灰度共生矩阵将线段分成两类W1和W2；依据线段分类结果和线段空间近邻的聚集性分析提取SAR图像的区域图；依据区域图将SAR图像映射成聚集区域，非聚集区域和无线段区域；使用分水岭方法将SAR图像过分割；对SAR图像三个区域分别采用不同合并策略进行合并，再整合三个区域的合并结果；使用AP聚类对划分区域进行类标确定，最终得到SAR图像分割结果。本发明能够有效地解决因SAR特殊成像机制造成地物聚集区域在SAR图像呈现有统计规律的明暗灰度变化导致同类区域被分成多类的问题。

说明书

技术领域

本发明属于图像处理技术领域，涉及SAR图像的分割方法，具体是基于线段共生矩阵特征和区域图的SAR图像分割方法。 

背景技术

图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性；从广义上来说，就是将图像中的物体，按照灰度或其他特征，划分为覆盖所有图像像素的小的、互相连接且不想交的区域的过程。图像分割是进行图像分析、图像理解和图像描述的最基本和最重要的技术，通常作为目标检测、分类和识别算法中的第一步，图像分割质量的好坏直接影响到后续的分析、识别等的质量。分割结果的好坏也没有统一的评价判断准则，一般是根据实际的应用场景对分割效果进行判断。不过学者们多年来的尝试和研究，还是积累了很多经典的图像分割方法，大致可分为四种：基于阈值的图像分割、基于边缘的图像分割、基于区域特性的图像分割和基于统计模式分类的图像分割,而SAR图像分割是SAR图像解译和理解的关键步骤，分割的质量直接影响SAR图像处理的结果。由于SAR独特的成像原理及其系统，决定了SAR图像有大量的相干斑噪声、复杂繁多的目标、交杂的阴影等独有的特点，这使得SAR图像的分割变得相当复杂。又由于SAR图像与光学图像存在很大的差异，许多光学图像的方法都不能直接应用到SAR图像中，目前用于SAR图像分割的方法可粗分为两类：基于灰度级的分割方法和基于纹理的分割方法。然而，在实际应用中，这两类方法依存在如下一些不足： 

(1)基于灰度级的分割方法，这类方法一般处理的单位是像素或者是超像素，但是对由于SAR图像特殊的成像，导致SAR图像中存在类内具有非常明显的明暗灰度的区域，有同一类区域被分割成多类的问题，特别是对于高分辨SAR图像中地物聚集区域，如建筑群或者森林； 

(2)基于纹理的分割方法，这类方法一般是需要预先提供描述模型，并且需要样本参数来学习模型参数，虽然其可以分割出区域一致性好的区域，但是这 类方法属于有监督的SAR图像分割，不能完全自动处理数据，这限制了这类方法的应用。 

西安电子科技大学的专利申请“基于语义信息分类的SAR图像分割方法”(公开号：CN103198479A，申请号：CN201310102443，申请日：2013年3月27日)中公开了一种基于语义信息分类的SAR图像分割方法，下称专利方法，该方法使用初始素描模型得到表示图像多尺度像素灰度邻域变化的素描图，依据素描图定义其线段的聚集性数值和分布结构特征来表达线段在SAR图像中所蕴含的不同语义信息，并按照线段的语义信息对线段进行分类；基于语义信息分析，在素描图上获取连通区域，完成对含有复杂灰度变化的线段地物区域的分割；对初始素描图中的剩余区域，通过一种基于部分区域的分水岭分割方法实现这部分SAR图像的分割，完成基于初始素描图和语义信息分类的SAR图像分割。该发明方法与现有的其他方法具有对地物目标聚集形成的地物区域的分割结果一致连通性较好、能正确检测出所有的独立地物目标优点，但是该方法只是利用了初始素描图中线段的聚集性、分布结构等空间位置特征，并没有体现SAR图像本身的显示特征，则这种方法可以进一步改进。 

发明内容

本发明的这种图像处理方法目的在于克服上述已有SAR图像分割方法的不足，在视觉计算理论和初始素描模型上，提出一种基于线段共生矩阵特征和区域图的SAR图像分割方法，以解决因SAR特殊成像机制造成地物聚集区域在SAR图像呈现有规律的明暗灰度变化，而导致同类区域被分成多类的问题。 

为实现上述目的，本发明的一种基于线段共生矩阵特征和区域图的SAR图像分割方法主要具体步骤包括如下： 

1、根据初始素描模型提取SAR图像的素描图； 

2、根据线段灰度共生矩阵特征把线段分成两类W1和W2，W1是刻画边界和线目标，W2刻画明暗灰度变化产生的线段； 

3、依据素描线段分类结果和素描线段空间近邻的聚集性分析实现素描图空间语义划分，在素描图上的提取更为抽象的区域图。 

4、该区域图将原SAR图像映射成聚集区域，非聚集区域和无线段区域。 

5、使用分水岭算法对SAR图像进行初始区域划分，将SAR图像划分为许多超像素。 

6、分别对聚集区域，非聚集区域和无线段区域的超像素采用不同合并策略进行合并，再整合三个区域的合并结果，得到SAR图像的最终的区域划分结果。 

7、依据SAR图像最终划分区域的平均灰度，对划分区域使用AP聚类确定区域类标，最终得到SAR图像分割结果。 

上述方法中，其中步骤2所述的根据线段灰度共生矩阵特征把线段分成两类W1和W2，W1是刻画边界和线目标，W2刻画明暗灰度变化产生的线段中的线段灰度共生矩阵特征按如下步骤提取： 

(2.a)将素描图线段S_i所在的空间位置映射到SAR图像，再以素描图线段S_i对应位置为中心在SAR图像取一个大小为L_i×(2*HS+1)的矩形区域，其中矩形区域的长为线段S_i的长度L_i，矩形区域长的方向与线段S_i方向平行，矩形区域宽为固定值2*HS+1，矩形区域宽的方向与线段S_i方向垂直，称这个矩形区域为线区域R_i； 

(2.b)将方向0°～180°平均等分8个区间，分别为[0°11.25°)∪[168.75°,180°)、[11.25°,33.75°)、[33.75°,56.25°)、[56.25°,78.75°)、[78.75°,101.25°)、[101.25°,123.75°)、[123.75°,146.25°)、[146.25°,168.75°)，并且将这8个区间的方向分分布量化为0°22.5°45°67.5°90°112.5°135°157.5°，依据这种量化方法，对所有素描线段S_i的方向进行量化，设素描线段S_i的方向量化为

(2.c)根据2b)步骤中素描线段S_i的量化方向，取四个方向(方向都模180)，计算素描线段S_i对应的线区域R_i四个方向 的灰度共生矩阵

(2.d)根据2.c)步骤中素描图线段S_i的灰度共生矩阵 计算素描图线段S_i的灰度共生矩阵的二阶统计量：熵、对比度和相关性，其计算公式如下： 

熵：${\mathrm{ENT}}_h=-\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}{G}_h(p,q)\log G_h(p,q)$

对比度：${\mathrm{CON}}_h=\underset{n=0}{\overset{K-1}{\Sigma }}{n}^2\underset{|p-q|=n}{\Sigma }{G}_h(p,q)$

相关性： 

${\mathrm{COR}}_h=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}\frac{(p·q)G_h(p,q)-u_p{u}_q}{s_p{s}_q}$

$\left(\begin{array}{cc}{u}_p=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}p{G}_h(p,q)& u_q=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}q{G}_h(p,q)\end{array}\right)$

$\left(\begin{array}{cc}{S}_p^2=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}{G}_h(p,q){(p-u_p)}^2& S_q^2=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}{G}_h(p,q){(q-u_q)}^2\end{array}\right)$

其中K表示灰度共生矩阵的大小，为素描线段S_i的方向量化量。并且按照这四个方向的顺序拼接成一个12维的特征向量。 

其中步骤2所述的根据线段灰度共生矩阵特征把线段分成两类W1和W2，W1是刻画边界和线目标，W2是刻画明暗灰度变化产生的线段；按如下步骤进行： 

3.a)按照线段灰度共生矩阵特征计算方法，计算线段灰度共生矩阵特征，利用此特征使用K-means聚类方法将线段聚类为两类； 

3.b)计算素描线段S_i的K-近邻距离a_i，计算公式如下： 

$\left(\begin{array}{cc}{a}_i=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}{D}_{\mathrm{ij}}& D_i=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}\end{array}\right)$

其中(x_i,y_i)、(x_j,y_j)分别为素描线段S_i、S_j的中点坐标，M表示与线段S_i相近邻的线段的个数，D_ij表示线段S_i、S_j的欧式距离； 

3.c)计算同一类标线段的平均K-近邻距离Ma_i,i＝1,2，计算公式如下： 

${\mathrm{Ma}}_i=\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\Sigma }}{a}_j,i=\mathrm{1,2}$

其中n_i同一类标线段的个数。 

3.d)将平均K-近邻距离小的素描线段记为W2类线段，刻画明暗灰度变化产生的线段，而平均K-近邻距离大的素描线段记为W2类线段，刻画边界和线目标。 

其中步骤4所述的依据区域图将原SAR图像映射成聚集区域，非聚集区域和无线段区域；按如下步骤进行： 

4.a)根据聚集区域的区域图中像素的值，如果区域图中像素的值的为0，则对应的SAR图像中该像素不属于聚集区域，否则对应的SAR图像中该像素属于聚集区域。判断区域图的所有像素的值，提取SAR图像中的聚集区域。 

4.b)根据非聚集区域的区域图中像素的值，如果区域图中像素的值的为0，则对应的SAR图像中该像素不属于非聚集区域，否则对应的SAR图像中该像素属于非聚集区域。判断区域图的所有像素的值，提取SAR图像中的非聚集区域。。 

4.c)将SAR图像中除去聚集区域和非聚集区域的剩余区域称为无线段区域。 

其中步骤(7)所述的使用AP聚类确定划分区域的类标，最终得到SAR图像的分割结果，是计算每个最终划分区域的平均灰度值mG_i，对划分区域使用AP聚类确定区域类标，最终得到SAR图像分割结果，其AP聚类参数设定：将两区域R_i和R_j的平均灰度值的欧式距离作为两区域的相似度si_j，区域R_i的参考度取区域R_i与其他区域相似度si_j,j＝1,…,h的中值。得到最终的SAR图像分割结果。 

本发明与现有技术相比，具有如下优点： 

本发明由于利用初始素描模型提取SAR图像的素描线段，根据线段灰度共生矩阵特征把线段分成两类W1和W2，W1是刻画边界和线目标，W2刻画明暗灰度变化产生的线段；根据线段聚集程度的统计分布，在素描图上提取更为抽象聚集区域的区域图；使用圆形窗口对W1类素描线段滑窗，在素描图上提取非聚集区域的区域图；由于定义的线段局部领域会共生矩阵不仅利用了素描线段空间近邻的聚集性，而且还利用了图像统计特征，因此有效地有效提取SAR图像中的地物聚集区域，从而解决了因SAR特殊成像机制造成地物聚集区域在SAR图像 呈现有规律的明暗灰度变化，而导致同类区域被分成多类的问题；而本发明分别对聚集区域，非聚集区域和无线段区域采用分水岭进行边界定位，使得从整体上得到SAR图像比较满意的分割结果。优点如下： 

1.通过实验表明本发明定义的特征是有效的，能够有效地将素描线段分类分成两类W1和W2，W1是刻画边界和线目标的线段，W2刻画明暗灰度变化产生的线段。 

2.通过仿真实验表明本发明能够分割出一致连通性的具有明暗灰度变化的地物聚集区域，有效地解决了因SAR特殊成像机制造成地物聚集区域在SAR图像呈现有规律的明暗灰度变化，而导致同类区域被分成多类的问题。并且能够从整体上得到SAR图像比较满意的分割结果。 

附图说明

图1是本发明的流程图； 

图2是本发明中提取素描图上区域图框图； 

图3是本发明中的仿真实验使用的原SAR图像； 

图4是本发明中基于初始素描模型提取的素描图； 

图5是本发明中基于素描线段空间位置信息的线区域提取示意图； 

图6是本发明中从素描图中提前的几条素描线段图； 

图7是本发明中提取线段局部领域灰度共生矩阵特征统计图； 

图8是本发明中素描线段分类结果图； 

图9是本发明中在素描图上的区域图； 

图10是本发明中区域图将SAR图像映射为聚集区域，非聚集区域和无线段区域图； 

图11是发明中分水岭方法对SAR图像过分割图； 

图12是发明中SAR图像聚集区域，非聚集区域和无线段区域超像素合并图； 

图13是发明中SAR图像的最终区域划分结果图； 

图14是发明中SAR图像最终分割图。 

具体实施方式

下面结合实施例附图对本发明做进一步描述。 

实施例1，参照图1与图2描述。 

一种基于线段共生矩阵特征和区域图的SAR图像分割方法，具体步骤包括如下： 

(1)根据初始素描模型提取SAR图像的素描图； 

(2)根据线段灰度共生矩阵特征把线段分成两类W1和W2，W1是刻画边界和线目标，W2刻画明暗灰度变化产生的线段； 

(3)依据素描线段分类结果和素描线段空间近邻的聚集性分析实现素描图空间语义划分，在素描图上的提取更为抽象的区域图； 

(4)、依据区域图将原SAR图像映射成聚集区域，非聚集区域和无线段区域； 

(5)、使用分水岭算法对SAR图像进行初始区域划分，将SAR图像划分为许多超像素； 

(6)、分别对聚集区域，非聚集区域和无线段区域的超像素采用不同合并策略进行合并，再整合三个区域的合并结果，得到SAR图像的最终的区域划分结果； 

(7)、依据SAR图像最终划分区域的平均灰度，对划分区域使用AP聚类确定区域类标，最终得到SAR图像分割结果。 

该方法解决了因SAR特殊成像机制造成地物聚集区域在SAR图像呈现有规律的明暗灰度变化，而导致同类区域被分成多类的问题。并且能够从整体上得到SAR图像比较满意的分割结果。 

实施例2，结合附图1-14描述。 

在实施例1的基础上，所述步骤(1)，为根据朱松纯等人提出的初始素描模型，对输入如图2所示的PIPERIVER图利用小波理论(稀疏编码)和马尔科夫随机场联合起来表示，提取SAR图像的素描图，如图3所示。 

所述步骤(2)，根据线段灰度共生矩阵特征把线段分成两类W1和W2，W1是刻画边界和线目标，W2刻画明暗灰度变化产生的线段；具体实现步骤如下： 

2.a)按照线段灰度共生矩阵特征计算方法，计算线段灰度共生矩阵特征，计算步骤如下： 

2.a.1)将素描图线段S_i所在的空间位置映射到SAR图像，再以素描图线段S_i对应位置为中心在SAR图像取一个大小为L_i×(2*HS+1)的矩形区域，其中矩形区域的长为线段S_i的长度L_i，矩形区域长的方向与线段S_i方向平行，矩形区 域宽为固定值2*HS+1，矩形区域宽的方向与线段S_i方向垂直，称这个矩形区域为线区域R_i，如图5中黑色区域框为线区域； 

2.a.2)将方向0°～180°平均等分8个区间，分别为[0°11.25°)∪[168.75°,180°)、[11.25°,33.75°)、[33.75°,56.25°)、[56.25°,78.75°)、[78.75°,101.25°)、[101.25°,123.75°)、[123.75°,146.25°)、[146.25°,168.75°)，并且将这8个区间的方向分分布量化为0°22.5°45°67.5°90°112.5°135°157.5°，依据这种量化方法，对所有素描线段S_i的方向进行量化，设素描线段S_i的方向量化为

2.a.3)根据2b)步骤中素描线段Si的量化方向取四个方向(方向都模180)，计算素描线段S_i对应的线区域R_i四个方向 的灰度共生矩阵

2.a.4)根据2.c)步骤中素描图线段S_i的灰度共生矩阵 ，计算素描图线段S_i的灰度共生矩阵的二阶统计量：熵、对比度和相关性，其计算公式如下： 

熵：${\mathrm{ENT}}_h=-\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}{G}_h(p,q)\log G_h(p,q)$

对比度：${\mathrm{CON}}_h=\underset{n=0}{\overset{K-1}{\Sigma }}{n}^2\underset{|p-q|=n}{\Sigma }{G}_h(p,q)$

相关性： 

${\mathrm{COR}}_h=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}\frac{(p·q)G_h(p,q)-u_p{u}_q}{s_p{s}_q}$

$\left(\begin{array}{cc}{u}_p=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}p{G}_h(p,q)& u_q=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}q{G}_h(p,q)\end{array}\right)$

$\left(\begin{array}{cc}{S}_p^2=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}{G}_h(p,q){(p-u_p)}^2& S_q^2=\underset{p=1}{\overset{K}{\Sigma }}\underset{q=1}{\overset{K}{\Sigma }}{G}_h(p,q){(q-u_q)}^2\end{array}\right)$

其中K表示灰度共生矩阵的大小，为素描线段S_i的方向量化量。并且按照这四个方向的顺序拼接成一个12维的特征向量； 

3.b)利用线段共生矩阵特征使用K-means聚类方法将线段聚类为两类。 

3.c)计算素描线段S_i的K-近邻距离a_i，计算公式如下： 

$\left(\begin{array}{cc}{a}_i=\frac{1}{M}\underset{j=1}{\overset{M}{\Sigma }}{D}_{\mathrm{ij}}& D_i=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}\end{array}\right)$

其中(x_i,y_i)、(x_j,y_j)分别为素描线段S_i、S_j的中点坐标，M表示与线段S_i相近邻的线段的个数，Di_j表示线段S_i、S_j的欧式距离； 

3.d)计算同一类标线段的平均K-近邻距离Ma_i,i＝1,2，计算公式如下： 

${\mathrm{Ma}}_i=\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\Sigma }}{a}_j,i=\mathrm{1,2}$

其中n_i同一类标线段的个数。 

3.e)将平均K-近邻距离小的素描线段记为W2类线段，刻画明暗灰度变化产生的线段，而平均K-近邻距离大的素描线段记为W2类线段，刻画边界和线目标。 

所述步骤(3)，依据素描线段分类结果和素描线段空间近邻的聚集性分析实现素描图空间语义划分，在素描图上的提取更为抽象的区域图。对W2中的线段，分析素描线段空间近邻的聚集性，根据线段聚集程度的统计分布，在素描图上提取更为抽象的聚集区域的区域图，对W1中的线段,分析素描线段位置信息，在素描图上提取非聚集区域的区域图；具体实现步骤如下： 

3a)计算W2中的线段的聚集性W2a_i，计算公式如下： 

$\left(\begin{array}{cc}{W2a}_i=\frac{1}{n_i}\underset{j=1}{\overset{K}{\Sigma }}{D}_{\mathrm{ij}}& D_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}\end{array}\right)$

其中(x_i,y_i)、(x_j,y_j)分别为W2中线段的中点坐标，k表示与线段S_i相近邻的线段的个数，Di_j表示线段S_i、S_j的欧式距离； 

3b)对W2中的线段的聚集性W2a_i进行直方图统计，根据直方图的最高峰 值点W2中的线段最优聚集性数值区间R： 

R＝[P-δ,P+δ]＝[L,U]， 

其中，P是聚集性数值直方图中最高峰值点对应的聚集性数值，δ是系统参数，取值为4，L、U分别表示最优聚集性数值区间R的下界、上界； 

3c)选取W2中聚集性等于最优聚集性数值P的线段作为种子线段集{E_k,k＝1,2,...,m}；如果线段E_k没有被添加进某个线段集合，则以线段E_k为基点递归地求解新的线段集合{ES_i,i＝1,2,...,l}，l＜＝m； 

3d)使用半径为最优聚集性数值区间上界U的圆形基元，先对线段集合中的线段进行膨胀，然后在线段集合外进行腐蚀，提取素描图上聚集区域的区域图； 

4.b)使用一个半径为U的圆形结构元素，对W1线段进行膨胀，提取在素描图的非聚集区域的区域。 

所述步骤(4)，依据区域图将原SAR图像映射成聚集区域，根据聚集区域的区域图中像素的值确定非聚集区域和无线段区域；具体实现步骤如下： 

4.a)根据聚集区域的区域图中像素的值，如果区域图中像素的值的为0，则对应的SAR图像中该像素不属于聚集区域，否则对应的SAR图像中该像素属于聚集区域。判断区域图的所有像素的值，提取SAR图像中的聚集区域。 

4.b)根据非聚集区域的区域图中像素的值，如果区域图中像素的值的为0，则对应的SAR图像中该像素不属于非聚集区域，否则对应的SAR图像中该像素属于非聚集区域。判断区域图的所有像素的值，提取SAR图像中的非聚集区域。。 

4.c)将SAR图像中除去聚集区域和非聚集区域的剩余区域称为无线段区域。 

所述步骤(5)，使用分水岭算法对SAR图像进行初始区域划分，将SAR图像划分为许多超像素；具体实现步骤如下： 

5a)计算SAR图像的比值梯度，计算方法如下： 

以图像上的每一个像素为中心，使用大小为7×7的窗口，计算窗口内像素灰度值在方向0°、90°、45°和135°上的比值，其中最大的比值就是窗口中心像素最 终的比值响应值，并将梯度响应量化为[0，255]之间的数值，得到最终的梯度图； 

5b)依据SAR图像的梯度图上进行分水岭分割，将SAR图像划分为许多超像素；分水岭方法参见Fernand Meyer发表的《Topographic distance and watershed lines》论文。 

所述步骤(6)，分别对聚集区域，非聚集区域和无线段区域的超像素采用不同合并策略进行合并，再整合三个区域的合并结果，得到SAR图像的最终的区域划分结果；具体实现步骤如下： 

5a)对于聚集区域，将属于聚集区域内的超像素直接依据超像素相邻关系进行合并，得到聚集区域划分结果{ER_i,i＝1,…p},其中p为区域划分的块数。 

5b)对于非聚集区域，将属于非聚集区域的超像素，依据超像素之间灰度差和w1线段方向的约束进行合并，得到非聚集区域的分割结果{TR_i,i＝1,…,q}，其中q为区域划分的块数。 

5c)对于无线段区域，将属于无线段的超像素，依据超像素的灰度平均值和方差将超像素合并，得到无线段区域的分割结果{NR_i,i＝1,…,μ}，其中μ为区域划分的块数。 

5d)将步骤非聚集区域TR_i对应相邻的无线段区域NR_i区域的平均灰度差G，如果G≥T，则将区域TR_i融合到与区域TR_i相邻的聚集区域ER_i中；否则将区域TR_i融合不可素描区域NR_i中。 

最后将剩余未处理的非聚集区域作为线目标，再提取非聚集线段中素描线段周边对应不存在边界的素描线段，将素描线段对应SAR图像上位置取长为线段长度，宽为3个像素点的区域作为线目标。 

所述步骤(7)，对计算每个最终划分区域的平均灰度值mG_i，对划分区域使用AP聚类确定区域类标，最终得到SAR图像分割结果，其AP聚类参数设定：将两区域R_i和R_j的平均灰度值的欧式距离作为两区域的相似度si_j，区域R_i的参考度取区域R_i与其他区域相似度si_j,j＝1,…,h的中值。得到最终的SAR图像分割结果。 

本发明的优点由以下仿真的数据和图像进一步说明。 

1.仿真条件 

(1)仿真实验中选取Ku波段1m分辨率PIPERIVER图像，如图3所示。 

(2)仿真实验中得到的原SAR图像的素描图中共有1362条线段，如图4所示。 

(3)仿真实验中计算的聚集性K取5。 

(4)仿真实验中提取线区域的宽度大小2*HS+1是2*20+1。 

2.仿真内容与结果 

仿真1，依据本发明定义的线段局部领域灰度共生矩阵特征，对图6(a)-(j)中素描线段(为图中白色线段)提取线段特征，以验证特征的有效性。其中图6(a)-(e)中的素描线段是属于PIPERIVER图像的聚集区域线段，并且分别赋予其图标号1-5，图6(f)-(j)中的素描线段是属于PIPERIVER图像的非聚集区域线段聚类，并且分别赋予其图标号8-12。素描线段提取的特征如图7所示,其中X轴为图标号、Y轴为特征维数、Z轴为特征值。图8为素描线段分类结果图，其中纯黑色线段是刻画明暗灰度变化产生的线段，淡灰色线段是刻画边界和线目标的线段，通过实验表明本发明定义的特征是有效的，能够有效地将素描线段分类分成两类W1和W2，W1是刻画边界和线目标的线段，W2刻画明暗灰度变化产生的线段。 

仿真2，根据线段灰度共生矩阵特征把线段分成两类W1和W2，W1是刻画边界和线目标，W2刻画明暗灰度变化产生的线段；对W2中的线段，分析素描线段空间近邻的聚集性，根据线段聚集程度的统计分布，在素描图上提取更为抽象的区域图；结果如图9(a)所示，其白色区域为素描图上的聚集区域。依据W1线段进行膨胀，提取在素描图的非聚集区域的区域图，结果如图9(b)。依据区域图将原SAR图像映射成聚集区域，非聚集区域和无线段区域，其结果分别为图10(a),图10(b),图10(c)。 

仿真3，在仿真2得到素描图上的区域图基础上，将该区域图将原SAR图像映射成聚集区域，非聚集区域和无线段区域。使用分水岭方法将SAR图像进行过分割，分割结果如图11,分别对聚集区域，非聚集区域和无线段区域中的超像素采用不同的合并策略进行合并，如图12，其中图12(a)、图12(b)、图12(c)分别是聚集区域，非聚集区域和无线段区域中的超像素合并结果。得到SAR图像的最 终区域划分结果，结果如图13所示，其中图13(a)是专利“基于语义信息分类的SAR图像分割方法”中SAR图像的区域划分图，图13(b)分别是本发明提取SAR图像的区域划分图，其白色线为区域边界。 

从图13可见，利用本发明提取的SAR图像区域划分图；相比专利“基于语义信息分类的SAR图像分割方法”中得到SAR图像区域划分图的细节描述(如线目标)更准确，并且划分出的地物区域一致连通性更高，则说明本发明能够在SAR图像上所有的地物目标聚集形成的地物区域如森林都能较好地提取。 

仿真4，利用Ku波段1m分辨率的PIPERIVER图像，运用本发明对两幅SAR图像进行分割。 

本实验的目的是为了验证对S本发明能够有效地解决了因SAR特殊成像机制造成地物聚集区域在SAR图像呈现有规律的明暗灰度变化，而导致同类区域被分成多类的问题。实验结果如图14所示，其分割结果区域类标图中不同灰度表示不同类标。 

通过仿真实验表明本发明能够分割出一致连通性的具有明暗灰度变化的地物聚集区域，有效地解决了因SAR特殊成像机制造成地物聚集区域在SAR图像呈现有规律的明暗灰度变化，而导致同类区域被分成多类的问题。并且能够从整体上得到SAR图像比较满意的分割结果。 

综上所述，本发明是一种基于线段灰度共生特征和区域的SAR图像分割方法，能够有效地解决了因SAR特殊成像机制造成地物聚集区域在SAR图像呈现有规律的明暗灰度变化，而导致同类区域被分成多类的问题。并且能够从整体上得到SAR图像比较满意的分割结果。