專利名稱：：基于半監(jiān)督學(xué)習(xí)的多尺度sar圖像分割方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及圖像處理
技術(shù)領(lǐng)域：
，特別是一種圖像分割的方法，可用于合成孔徑雷達(dá)圖像，即SAR圖像、紋理圖像、一般的自然圖像和醫(yī)學(xué)圖像的分割。
背景技術(shù)：
：圖像分割是圖像處理和計(jì)算機(jī)視覺領(lǐng)域中的關(guān)鍵技術(shù)之一，其目的是把圖像分成各具特性的區(qū)域，并提取出感興趣的目標(biāo)，為后續(xù)的分類、識(shí)別和檢索提供依據(jù)。分割SAR圖像的目的是為了下一歩能有效的識(shí)別出目標(biāo)。SAR圖像中含有一些河流、橋梁、灌木、城市、農(nóng)田、港口等等，在處理這些類型的分割時(shí)，可以看作是紋理圖像的分割，因?yàn)檫@些待分割的類型都具有一定的結(jié)構(gòu)、周期、方向等特點(diǎn)。圖像分割算法種類非常多，近年來(lái)隨著各種數(shù)學(xué)理論、方法和工具的提出，圖像分割技術(shù)有了新的發(fā)展。在關(guān)于圖像分割處理的書籍和論文中都提到了一些圖像分割的方法，包括基于數(shù)學(xué)形態(tài)學(xué)、統(tǒng)計(jì)模式識(shí)別理論、人工神經(jīng)網(wǎng)絡(luò)技術(shù)、信息論技術(shù)、模糊集合和邏輯概念、小波變換技術(shù)和遺傳算法等進(jìn)行分割的一些基本思路和經(jīng)典算法。但書中或論文中提到這些方法都有一個(gè)共同的缺點(diǎn)就是分割準(zhǔn)確率不高。圖像分割算法的一般歩驟是提取待分割圖像的各種特征，之后利用各種分類方法對(duì)待分類的特征進(jìn)行分類，從而達(dá)到分割目的。一般情況下的特征分類方法可以采用聚類方法、K近鄰法、神經(jīng)網(wǎng)絡(luò)方法以及支撐矢量機(jī)方法。從是否需要學(xué)習(xí)的角度來(lái)說(shuō)，分類方法有兩種無(wú)監(jiān)督學(xué)習(xí)方法和有監(jiān)督學(xué)習(xí)方法。使用有監(jiān)督學(xué)習(xí)時(shí)，采用如K近鄰法、神經(jīng)網(wǎng)絡(luò)方法以及SVM，其對(duì)圖像進(jìn)行特征分類的過(guò)程是①利用訓(xùn)練特征訓(xùn)練各種分類器；②把分類特征輸入已訓(xùn)練好的分類器中，便可得到最后的分類結(jié)果。然而，有監(jiān)督學(xué)習(xí)的方法需要先對(duì)分類器進(jìn)行訓(xùn)練，這樣增加了運(yùn)行時(shí)間。使用無(wú)監(jiān)督學(xué)習(xí)方法時(shí)，采用如聚類方法，它與有監(jiān)督學(xué)習(xí)不同，不需要訓(xùn)練過(guò)程，直接將分類特征輸入分類器，就可得到最后的分類結(jié)果。然而，無(wú)監(jiān)督學(xué)習(xí)方法的分類結(jié)果不穩(wěn)定，對(duì)聚類方法來(lái)說(shuō)，由于每次中心點(diǎn)選擇的不同，會(huì)不同程度的影響分割精度。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述己有技術(shù)的不足，提出了一種基于半監(jiān)督學(xué)習(xí)的多尺度圖像分割方法，以保證圖像分割結(jié)果的穩(wěn)定性、提高分割精度以及縮短分割時(shí)間。實(shí)現(xiàn)本發(fā)明目的技術(shù)方案包括如下過(guò)程1)對(duì)待分割圖像分別采用三層小波變換和三層Contouriet變換完成圖像分解，并通過(guò)合并操作，得到粗分解子帶，次粗分解子帶和細(xì)分解子帶；2)針對(duì)粗分解子帶，采取基于半監(jiān)督學(xué)習(xí)的方法完成初始分割，得到初始分割結(jié)果；3)將初始分割結(jié)果與歩驟1)中得到的次粗分解子帶以及細(xì)分解子帶一起進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的多尺度二次分割，得到最終分割結(jié)果。上述基于半監(jiān)督學(xué)習(xí)的多尺度SAR圖像分割方法，其中歩驟l)的具體過(guò)程如下la)對(duì)待分割圖像/wg采取三層小波變換的所有分解子帶為{cA3,cH3，cV3，cD3,cA2,cH2，cV2，cD2，cA1，cH1，cV1，cD1};lb)對(duì)待分割圖像Zwg采取三層Contouriet變換的所有分解子帶為(c31，c32，c33,c34,c21，c22,c23,c24，cll，cl2，cl3,cl4};lc)將la)和lb)中所述的所有子帶在空間并列，g卩(cA3，cH3，cV3，cD3，cA2，cH2，cV2，cD2，cAl，cHl,cVl,cDl，c31，c32，c33，c34,c21,c22,c23，c24,cll,c12，c13，cl4}，并根據(jù)分解子帶的小、中、大將其分為粗分解子帶(cA3，cH3，cV3，cD3，c31，c32,c33,c34}、次粗分解子帶(cA2，cH2，cV2，cD2，c21,c22，c23，c24》和細(xì)分解子帶《cAl，cHl,cVl，cDl,cll,c12,c13，cl4)三種分解子帶。上述基于半監(jiān)督學(xué)習(xí)的多尺度SAR圖像分割方法，其中歩驟2)中所述的半監(jiān)督學(xué)習(xí)的初始分割，具體過(guò)程如下2a)對(duì)所述的粗分解子帶，采取加滑動(dòng)窗特征提取，得到待分類特征；2b)利用基于有監(jiān)督學(xué)習(xí)的支撐矢量機(jī)算法依次對(duì)待分類特征進(jìn)行分類，得到有監(jiān)督學(xué)習(xí)的分割結(jié)果Mg—5TM;2c)利用基于無(wú)監(jiān)督學(xué)習(xí)的k均值聚類算法依次對(duì)待分類特征進(jìn)行聚類，得到無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果化g7;2d)將有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SFM和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果wg/相結(jié)合，對(duì)兩個(gè)結(jié)果圖像中每個(gè)點(diǎn)對(duì)應(yīng)的值進(jìn)行選擇操作，得到基于半監(jiān)督學(xué)習(xí)的初始分割結(jié)果^g—rawg/7。上述基于半監(jiān)督學(xué)習(xí)的多尺度SAR圖像分割方法，其中歩驟3)中所述的基于無(wú)監(jiān)督學(xué)習(xí)的多尺度二次分割，具體過(guò)程如下3a)對(duì)初始分割結(jié)果wg一rawg/z進(jìn)行插值操作，使初始分割結(jié)果^g—rawg/7擴(kuò)大為與次粗分解子帶同樣大??；3b)對(duì)次粗分解子帶采取加滑動(dòng)窗特征提取，得到次粗分解子帶的待分類特征，并將擴(kuò)大后的初始分割結(jié)果與次粗分解子帶的待分類特征進(jìn)行合并操作，共同構(gòu)成次粗分解子帶相對(duì)應(yīng)的待分類特征矢量；3c)利用k均值聚類算法依次對(duì)次粗分解子帶相對(duì)應(yīng)的待分類特征矢量進(jìn)行聚類，聚類的結(jié)果為次粗分解子帶的分割結(jié)果wg2;3d)對(duì)次粗分解子帶的分割結(jié)果wg2進(jìn)行插值操作，使得次粗分解子帶的分割結(jié)果wg2擴(kuò)大為與細(xì)分解子帶同樣大小；3e)將細(xì)分解子帶采取加滑動(dòng)窗特征提取，得到細(xì)分解子帶的待分類特征，并將擴(kuò)大后的次粗分解子帶分割結(jié)果與細(xì)分解子帶的待分類特征進(jìn)行合并操作，共同構(gòu)成細(xì)分解子帶相對(duì)應(yīng)的待分類特征矢量；3f)利用k均值聚類算法依次對(duì)細(xì)分解子帶相對(duì)應(yīng)的待分類特征矢量進(jìn)行聚類，聚類的結(jié)果就是細(xì)分解子帶的分割結(jié)果^gj;3g)將細(xì)分解子帶的分割結(jié)果進(jìn)行插值操作，使得細(xì)分解子帶的分割結(jié)果wgj擴(kuò)大為與待分割圖像/mg同樣大小，擴(kuò)大后的細(xì)分解子帶的分割結(jié)果即為多尺度二次分割后的最終分割結(jié)果"g。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)①本發(fā)明中采用合并小波分解和Contourlet分解后的子帶，增加了后續(xù)提取出的待分類特征的數(shù)量，使得待分類特征更加有效，從而提高了分割準(zhǔn)確率；②本發(fā)明山于采用半監(jiān)督學(xué)習(xí)的方法，與無(wú)監(jiān)督的方法相比較，提高了分割結(jié)果的穩(wěn)定性；與有監(jiān)督的方法比較，提高了本發(fā)明方法的性能，減少了大量的運(yùn)行時(shí)間。③本發(fā)明采用多尺度二次分割方法，使得本發(fā)明方法運(yùn)行快速，減少了復(fù)雜度。測(cè)試實(shí)驗(yàn)表明，本發(fā)明針對(duì)SAR圖像的分割結(jié)果的錯(cuò)分率為10.46%，分別小于小波變換的錯(cuò)分率10.98%、Contourlet變換的錯(cuò)分率16.23。/。以及多尺度小波和Contourlet無(wú)監(jiān)督學(xué)習(xí)分割方法的錯(cuò)分率12.33%。圖1是本發(fā)明的實(shí)現(xiàn)流程圖2是采用不同方法對(duì)紋理圖像分割的比較結(jié)果示意圖；其中圖2a是待分割的紋理圖像示意圖；圖2b是理想的分割結(jié)果示意圖2c是基于三層小波分解和k均值方法得到的結(jié)果示意圖；圖2d是基于三層Contourlet分解和k均值方法得到的結(jié)果示意圖；圖2e是基于多層小波和Contourlet及k均值法得到的結(jié)果示意圖；圖2f是基于多層小波和Contourlet及k近鄰分類法得到的結(jié)果示意圖；圖2g是本發(fā)明圖像分割方法得到的分割結(jié)果示意圖；圖3是采用不同方法對(duì)SAR圖像分割結(jié)果比較圖。其中圖3a是待分割的SAR圖像示意圖3b是基于三層小波分解和k均值方法得到的結(jié)果示意圖；圖3c是基于三層Contourlet分解和k均值方法得到的結(jié)果示意圖；圖3d是基于多層小波和Contourlet以及k均值方法得到的結(jié)果示意圖；圖3e是本發(fā)明圖像分割方法得到的分割結(jié)果示意圖。具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明包含如下歩驟步驟1,對(duì)待分割圖像分別采用三層小波變換和三層Contourlet變換完成圖像分解，并通過(guò)合并操作，得到粗分解子帶，次粗分解子帶和細(xì)分解子帶。la.對(duì)待分割圖像/mg采取三層小波變換，選擇"Haar"小波來(lái)完成，得到分解子帶為(cA3，cH3，cV3，cD3，cA2，cH2，cV2，cD2，cAl，cHl,cVl，cDl};lb.對(duì)待分割圖像/wg采取三層Contourlet變換，采用"9-7"塔式濾波器，以及"pkva"方向?yàn)V波器完成，為了得到和小波分解后各個(gè)尺度大小相同的子帶，特別在第一層分解和第二層分解中取4個(gè)方向，得到分解子帶為(c31,c32,c33,c34，c21,c22,c23，c24，cll，cl2，cl3，cl4};lc.將la和lb中所述的所有子帶在空間并列，即(cA3，cH3,cV3,cD3，cA2，cH2，cV2，cD2，cAl，cHl,cVl，cDl,c31,c32,c33，c34,c21,c22,c23,c24,cll,c12,c13,cl4}，并根據(jù)分解子帶的小、中、大將其分為粗分解子帶(cA3，cH3，cV3，cD3，c31,c32,c33，c34}、次粗分解子帶(cA2，cH2，cV2，cD2，c21，c22,c23，c24)和細(xì)分解子帶(cAl，cHl,cVl,cDl，cll,c12，c13,cl4)三種分解子帶。步驟2，針對(duì)粗分解子帶，采取基于半監(jiān)督學(xué)習(xí)的方法完成初始分割，得到初始分割結(jié)果。2a.針對(duì)歩驟1中所述的對(duì)待分割圖像/wg分解得到的粗分解子帶{cA3,cH3，cV3，cD3,c31,c32,c33，c34}分別采取加滑動(dòng)窗特征提取的方法，得到待分類特征。加滑動(dòng)窗特征提取具體方法為，假設(shè)子帶大小為MXN，以及一個(gè)(2/7,+l)x(2^+l)大小的窗，目.A的值遠(yuǎn)遠(yuǎn)小于M和N的值。從子帶中選擇出符合窗口大小的矩陣，計(jì)算該矩陣的特征，得到的特征便是在子帶中對(duì)應(yīng)(2",+l)x(2^+l)大小的窗口內(nèi)的特征?？商崛〉奶卣靼芰刻卣鳌⒎讲?、均值、Hu矩等，在本發(fā)明中提取的是Laws紋理特征-<formula>formulaseeoriginaldocumentpage9</formula>其中g(shù)(A:,/)是原本待特征提取的子帶，w(,W)是g仏/)在窗內(nèi)的平均值；接著對(duì)提取出的Laws紋理特征s(/,y)進(jìn)行平滑，特征平滑時(shí)選擇大小為(2+l)x(2+l)的窗，平滑公式為<formula>formulaseeoriginaldocumentpage9</formula>平滑后的特征F(/，y)即為與分解子帶相對(duì)應(yīng)的待分類特征。2b.利用基于有監(jiān)督學(xué)習(xí)方法的支撐矢量機(jī)算法(SVM)依次對(duì)待分類特征進(jìn)行分類，分類公式為OutputSVM=sgn(axInputSVM+b)，其中InputSVM表示待分類特征，a表示SVM的權(quán)值，b表示SVM的偏值，sgn(.)是符號(hào)函數(shù)，公式中OutputSVM得到的值即有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SrM;2c.利用基于無(wú)監(jiān)督學(xué)習(xí)方法的k均值聚類方法依次對(duì)待分類特征進(jìn)行聚類，按照k均值聚類算法的歩驟，本發(fā)明使用k均值聚類完成分割的具體過(guò)程如下(2C.1)假設(shè)需要分割出的區(qū)域數(shù)為k;(2c.2)隨機(jī)的初始化k類區(qū)域的中心點(diǎn)；(2c.3)計(jì)算其他待分類特征與中心點(diǎn)的距離，如果該分類特征與中心點(diǎn)a的距離比距其他中心點(diǎn)的距離近，就判定該分類特征屬于中心點(diǎn)a所在的區(qū)域；(2c.4)計(jì)算得到己確定在同一區(qū)域內(nèi)的待分類特征的質(zhì)心，作為新的聚類中心點(diǎn)；(2c.5)重復(fù)歩驟(2c.3)和(2c.4)，直到所有的待分類特征都已經(jīng)確定其所屬區(qū)域，聚類的結(jié)果就是無(wú)監(jiān)督學(xué)習(xí)方法得到的分割結(jié)果^g7;2d.將有監(jiān)督學(xué)習(xí)的分割結(jié)果"g一SFM和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果化g/相結(jié)合，對(duì)兩個(gè)結(jié)果圖像中每個(gè)點(diǎn)對(duì)應(yīng)的值進(jìn)行選擇操作，具體選擇歩驟如下(2d.1)將有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SKM中的值與無(wú)監(jiān)督分割的結(jié)果wg7中9的值一一對(duì)應(yīng)；(2d.2)如果有監(jiān)督學(xué)習(xí)的分割結(jié)果wg一SKM在位置q和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果Wg7在位置q上的值相同，把這個(gè)相同的值作為半監(jiān)督學(xué)習(xí)的初始分割結(jié)果wg—rawgh在位置q上的值；(2d.3)如果有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SKM在位置q和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果wg7在位置q上的值不一致，將該位置的左位置p和右位置r上出現(xiàn)的次數(shù)較多的值，作為半監(jiān)督學(xué)習(xí)的初始分割結(jié)果在位置q上的值；(2d.4)如果有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SFM在位置q和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果在位置q上的值不一致，且無(wú)法判定該位置的左位置p和右位置r上哪個(gè)值出現(xiàn)次數(shù)較多時(shí)，則把有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SFM在位置q上的值作為半監(jiān)督學(xué)習(xí)的初始分割結(jié)果wg—rawg/7在位置q上的值；(2d.5)將(2d.2)~(2d.4)所確定的半監(jiān)督學(xué)習(xí)的初始分割結(jié)果化gjowg/7在位置q上的值，作為基于半監(jiān)督學(xué)習(xí)的初始分割結(jié)果wg_roWg/7。步驟3，將初始分割結(jié)果與歩驟l中得到的次粗分解子帶以及細(xì)分解子帶一起進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的多尺度二次分割，得到最終分割結(jié)果。3a.將初始分割結(jié)果wg—rawg/z進(jìn)行插值操作，使初始分割結(jié)果wg—rawg/擴(kuò)大為與次粗分解子帶同樣大小，該插值操作是將初始分割結(jié)果^g—ra"gA在位置(m,n)上的值，作為插值后的結(jié)果在四個(gè)位置(2m-l，2n-l)、(2m-l，2n)、(2m，2n-l)和(2m，2n)上的值；3b.將次粗分解子帶采取加滑動(dòng)窗特征提取，特征提取方法與歩驟2的2a中所述一致，得到次粗分解子帶的待分類特征，并將擴(kuò)大后的初始分割結(jié)果與次粗分解子帶的待分類特征進(jìn)行合并操作，共同構(gòu)成次粗分解子帶的待分類特征矢量；3c.利用k均值聚類方法依次對(duì)次粗分解子帶的待分類特征矢量進(jìn)行聚類，聚類方法與2c中所述一致，聚類的結(jié)果為次粗分解子帶的分割結(jié)果"g2;3d.對(duì)次粗分解子帶的分割結(jié)果wg2進(jìn)行同3a中所述的插值操作，使得次粗分解子帶的分割結(jié)果"g2擴(kuò)大為與細(xì)分解子帶同樣大小；3e.將細(xì)分解子帶采取2a中所述的加滑動(dòng)窗特征提取，得到細(xì)分解子帶的待分類特征，并將擴(kuò)大后的次粗分解子帶分割結(jié)果與細(xì)分解子帶的待分類特征進(jìn)行合并操作，共同構(gòu)成細(xì)分解子帶的待分類特征矢量；3f.利用2c中所述的k均值聚類方法依次對(duì)細(xì)分解子帶相對(duì)應(yīng)的待分類特征矢量進(jìn)行聚類，聚類的結(jié)果為細(xì)分解子帶的分割結(jié)果^^;3g.將細(xì)分解子帶的分割結(jié)果進(jìn)行同3a中所述的插值操作，使得細(xì)分解子帶的分割結(jié)果擴(kuò)大為與待分割圖像Zwg同樣大小，擴(kuò)大后的細(xì)分解子帶的分割結(jié)果即為多尺度二次分割后的最終分割結(jié)果^g。本發(fā)明的效果可以通過(guò)以下仿真實(shí)驗(yàn)說(shuō)明仿真環(huán)境本發(fā)明所有的實(shí)驗(yàn)結(jié)果都是在WindowsXP運(yùn)行條件下，CPU為奔IV2.4GHz，MATLAB7.0環(huán)境中得到。實(shí)驗(yàn)一，基于半監(jiān)督學(xué)習(xí)的紋理圖像分割仿真實(shí)驗(yàn)本實(shí)驗(yàn)用來(lái)檢測(cè)本發(fā)明的方法對(duì)紋理分割的性能。實(shí)驗(yàn)中用到的紋理圖像均為拼接紋理圖像，源圖像來(lái)源于Brodatz紋理庫(kù)。在本實(shí)驗(yàn)中將公式(1)和公式(2)的窗口均設(shè)為5，即"n廣5，小波分解為"Haar"三層小波變換，Contourlet分解采用[44]的分解尺度，尺度濾波器和方向?yàn)V波器分別為"9-7"和"pkva"濾波器。圖2為不同方法對(duì)紋理圖像分割結(jié)果示意圖，圖2a是待分割的紋理圖像；圖2b為理想的分割結(jié)果示意圖；圖2c是基于三層小波分解和k均值方法得到的結(jié)果示意圖，分割結(jié)果在區(qū)域中存在錯(cuò)分現(xiàn)象；圖2d是三層Contourlet分解和k均值方法得到的結(jié)果示意圖，結(jié)果的邊緣錯(cuò)分現(xiàn)象較為嚴(yán)重；圖2e為多層小波和Contourlet以及k均值方法得到的結(jié)果示意圖，是無(wú)監(jiān)督學(xué)習(xí)的方法結(jié)果，簡(jiǎn)寫為HWC，分割結(jié)果較前兩種方法有提高，仍然存在區(qū)域中的錯(cuò)分現(xiàn)象；圖2f是多層小波和Contourlet以及k近鄰分類方法得到的結(jié)果示意圖，是監(jiān)督學(xué)習(xí)的方法結(jié)果，簡(jiǎn)寫為HWC-KNN，其中K4，分割結(jié)果在邊緣上仍存在毛刺現(xiàn)象；圖2g是本發(fā)明中提到的方法結(jié)果示意圖，與前幾種方法的結(jié)果相比，本發(fā)明的分割結(jié)果減少了邊緣和區(qū)域上的錯(cuò)分現(xiàn)象，提高了分割的精確率。表1給出了采用不同方法運(yùn)行時(shí)間的對(duì)比示意，從表1中可以看出，本發(fā)明的方法與有監(jiān)督的方法相比較來(lái)說(shuō)，大大地節(jié)省了運(yùn)行時(shí)間，提高的算法性能，且運(yùn)行時(shí)間只是略高于無(wú)監(jiān)督的方法，卻提高了分割準(zhǔn)確率。表1運(yùn)行時(shí)間對(duì)比示意<table>tableseeoriginaldocumentpage11</column></row><table>實(shí)驗(yàn)二，基于半監(jiān)督學(xué)習(xí)的SAR圖像分割結(jié)果比較實(shí)驗(yàn)該實(shí)驗(yàn)是將本發(fā)明提到的基于半監(jiān)督學(xué)習(xí)的圖像分割方法應(yīng)用到SAR圖像分割中。實(shí)驗(yàn)中針對(duì)兩幅SAR圖像得到結(jié)果，并選擇了幾個(gè)區(qū)域，計(jì)算區(qū)域中錯(cuò)分率。實(shí)驗(yàn)中采取參數(shù)設(shè)置與實(shí)驗(yàn)一相同，只是公式(1)和公式(2)的窗口設(shè)為3，即",圖3為采用不同方法對(duì)SAR圖像分割結(jié)果示意圖，圖3a是待分割的SAR圖像;圖3b是基于三層小波分解和k均值方法得到的結(jié)果示意圖，分割結(jié)果在區(qū)域中存在錯(cuò)分現(xiàn)象；圖3c是三層Contourlet分解和k均值方法得到的結(jié)果示意圖，結(jié)果的邊緣存在錯(cuò)分現(xiàn)象；圖3d為多層小波和Contourlet以及k均值方法得到的結(jié)果示意圖，是無(wú)監(jiān)督學(xué)習(xí)的方法結(jié)果，簡(jiǎn)寫為HWC，分割結(jié)果較前兩種方法有提高，仍然存在區(qū)域中的錯(cuò)分現(xiàn)象；圖3e是本發(fā)明中提到的方法結(jié)果示意圖，與前幾種方法的結(jié)果相比，本發(fā)明的分割結(jié)果減少了邊緣和區(qū)域上的錯(cuò)分現(xiàn)象，提高了分割的精確率。圖3a中所示的方框選中的部分即為計(jì)算錯(cuò)分率的區(qū)域，錯(cuò)分率的計(jì)算公式為其中，該區(qū)域中標(biāo)記屬于/U=l,2,...，c，c是區(qū)域中含有的類別數(shù))類的像素?cái)?shù)目為《,，在結(jié)果中正確標(biāo)記為/的像素?cái)?shù)目為w,，^是對(duì)于標(biāo)記為/的錯(cuò)分率。表2是圖3a中所示方框區(qū)域的錯(cuò)分率。表2給出了不同方法在所選區(qū)域上的錯(cuò)分率對(duì)比示意，從表2中可以看出，本發(fā)明的方法與其他方法相比較來(lái)說(shuō)，減少了錯(cuò)分率，提高的算法性能，說(shuō)明本發(fā)明方法的用于SAR圖像分割中是有效的。表2SAR圖像錯(cuò)分率(％)<table>tableseeoriginaldocumentpage12</column></row><table>權(quán)利要求1.一種基于半監(jiān)督學(xué)習(xí)的多尺度SAR圖像分割方法，包括如下過(guò)程(1)對(duì)待分割圖像分別采用三層小波變換和三層Contourlet變換完成圖像分解，并通過(guò)合并操作，得到粗分解子帶，次粗分解子帶和細(xì)分解子帶；(2)針對(duì)粗分解子帶，采取基于半監(jiān)督學(xué)習(xí)的方法完成初始分割，得到初始分割結(jié)果；(3)將初始分割結(jié)果與步驟(1)中得到的次粗分解子帶以及細(xì)分解子帶一起進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的多尺度二次分割，得到最終分割結(jié)果。2.根據(jù)權(quán)利要求1中所述的SAR圖像分割方法，其中歩驟(1)的具體過(guò)程如下2a)對(duì)待分割圖像/mg采取三層小波變換的所有分解子帶為(cA3，cH3，cV3，cD3，cA2，cH2，cV2，cD2，cAl，cHl,cVl,cDl};2b)對(duì)待分割圖像/mg采取三層Contourlet變換的所有分解子帶為{c31，c32,c33,c34，c21,c22,c23，c24，cll,cl2,cl3,cl4};2c)將2a)和2b)中所述的所有子帶在空間并列，即(cA3，cH3，cV3,cD3,cA2,cH2，cV2,cD2,cAl,cHl,cVl，cDl，c31,c32,c33,c34,c21,c22,c23,c24,cll,cl2,cl3，cl4}，并根據(jù)分解子帶的小、中、大將其分為粗分解子帶(cA3,cH3,cV3，cD3，c31,c32,c33，c34}、次粗分解子帶(cA2，cH2,cV2,cD2,c21,c22,c23,c24》和細(xì)分解子帶(cAl，cHl,cVl,cDl,cll,c12，c13,cl4》三種分解子帶。3.根據(jù)權(quán)利要求1中所述的SAR圖像分割方法，其中歩驟(2)中所述的半監(jiān)督學(xué)習(xí)的初始分割，具體過(guò)程如下3a)對(duì)所述的粗分解子帶，采取加滑動(dòng)窗特征提取，得到待分類特征；3b)利用基于有監(jiān)督學(xué)習(xí)的支撐矢量機(jī)算法依次對(duì)待分類特征進(jìn)行分類，得到有監(jiān)督學(xué)習(xí)的分割結(jié)果wg_SrM;3c)利用基于無(wú)監(jiān)督學(xué)習(xí)的k均值聚類算法依次對(duì)待分類特征進(jìn)行聚類，得到無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果wg7;3d)將有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SFM和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果^g7相結(jié)合，對(duì)兩個(gè)結(jié)果圖像中每個(gè)點(diǎn)對(duì)應(yīng)的值進(jìn)行選擇操作，得到基于半監(jiān)督學(xué)習(xí)的初始分割結(jié)果鄉(xiāng)一rawg/2。4.根據(jù)權(quán)利要求3中所述的半監(jiān)督學(xué)習(xí)的初始分割方法，其中歩驟3d)中所述的選擇操作，具體過(guò)程如下4a)將有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SFM中的值與無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果wg7中的值一一對(duì)應(yīng)；4b)如果有監(jiān)督學(xué)習(xí)的分割結(jié)果wg一SFM在位置q和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果,wg/在位置q上的值相同，把這個(gè)相同的值作為半監(jiān)督學(xué)習(xí)的初始分割結(jié)果wg一rawg/7在位置q上的值；4c)如果有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SF似在位置q和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果wg7在位置q上的值不一致，將該位置的左位置p和右位置r上出現(xiàn)的次數(shù)較多的值，作為半監(jiān)督學(xué)習(xí)的初始分割結(jié)果wg—rawg/在位置q上的值；4d)如果有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SKM在位置q和無(wú)監(jiān)督學(xué)習(xí)的分割結(jié)果wg7在位置q上的值不一致，且無(wú)法判定該位置的左位置p和右位置r上哪個(gè)值出現(xiàn)次數(shù)較多時(shí)，則把有監(jiān)督學(xué)習(xí)的分割結(jié)果wg—SFM在位置q上的值作為半監(jiān)督學(xué)習(xí)的初始分割結(jié)果Mg—rawg/7在位置q上的值；4e)將4b)~4d)所確定的半監(jiān)督學(xué)習(xí)的初始分割結(jié)果化g—rawg/在位置q上的值，作為基于半監(jiān)督學(xué)習(xí)的初始分割結(jié)果wg_roWg/2。5.根據(jù)權(quán)利要求1中所述的SAR圖像分割方法，其中歩驟(3)中所述的基于無(wú)監(jiān)督學(xué)習(xí)的多尺度二次分割，具體過(guò)程如下5a)對(duì)初始分割結(jié)果"g_rawg/7進(jìn)行插值操作，使初始分割結(jié)果擴(kuò)大為與次粗分解子帶同樣大??；5b)對(duì)次粗分解子帶采取加滑動(dòng)窗特征提取，得到次粗分解子帶的待分類特征，并將擴(kuò)大后的初始分割結(jié)果與次粗分解子帶的待分類特征進(jìn)行合并操作，共同構(gòu)成次粗分解子帶相對(duì)應(yīng)的待分類特征矢量；5c)利用k均值聚類算法依次對(duì)次粗分解子帶相對(duì)應(yīng)的待分類特征矢量進(jìn)行聚類，聚類的結(jié)果為次粗分解子帶的分割結(jié)果seg2;5d)對(duì)次粗分解子帶的分割結(jié)果化g2進(jìn)行插值操作，使得次粗分解子帶的分割結(jié)果wg2擴(kuò)大為與細(xì)分解子帶同樣大?。?e)將細(xì)分解子帶采取加滑動(dòng)窗特征提取，得到細(xì)分解子帶的待分類特征，并將擴(kuò)大后的次粗分解子帶分割結(jié)果與細(xì)分解子帶的待分類特征進(jìn)行合并操作，共同構(gòu)成細(xì)分解子帶相對(duì)應(yīng)的待分類特征矢量；5f)利用k均值聚類算法依次對(duì)細(xì)分解子帶相對(duì)應(yīng)的待分類特征矢量進(jìn)行聚類，聚類的結(jié)果就是細(xì)分解子帶的分割結(jié)果5g)將細(xì)分解子帶的分割結(jié)果wgj進(jìn)行插值操作，使得細(xì)分解子帶的分割結(jié)果擴(kuò)大為與待分割圖像/mg同樣大小，擴(kuò)大后的細(xì)分解子帶的分割結(jié)果即為多尺度二次分割后的最終分割結(jié)果^g。全文摘要本發(fā)明公開了一種基于半監(jiān)督學(xué)習(xí)的多尺度SAR圖像分割方法，它屬于圖像處理
技術(shù)領(lǐng)域：
，主要克服傳統(tǒng)分割方法分割準(zhǔn)確率不高，且運(yùn)行時(shí)間較長(zhǎng)的不足。其實(shí)現(xiàn)步驟為(1)對(duì)待分割圖像分別采用三層小波變換和三層Contourlet變換完成圖像分解，并通過(guò)合并操作，得到粗分解子帶，次粗分解子帶和細(xì)分解子帶；(2)針對(duì)粗分解子帶，采取基于半監(jiān)督學(xué)習(xí)的方法完成初始分割，得到初始分割結(jié)果；(3)將初始分割結(jié)果與步驟(1)中得到的次粗分解子帶以及細(xì)分解子帶一起進(jìn)行基于無(wú)監(jiān)督學(xué)習(xí)的多尺度二次分割，得到最終分割結(jié)果。本發(fā)明提高了分割后圖像的精度，減少了錯(cuò)分率，可用于對(duì)紋理圖像分割、自然圖像分割和醫(yī)學(xué)圖像分割。文檔編號(hào)G06T7/00GK101515369SQ20091002182公開日2009年8月26日申請(qǐng)日期2009年4月2日優(yōu)先權(quán)日2009年4月2日發(fā)明者彪侯,帆劉,芳劉,楊淑媛,焦李成,爽王,馬文萍申請(qǐng)人:西安電子科技大學(xué)