论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar, SAR)图像分割是SAR图像分析和应用过程中的关键步骤。SAR图像相干噪声的存在使传统的图像分割方法不再适用于SAR图像,造成图像分割困难,限制了SAR图像的自动解译。由于SAR图像的分布特性与普通光学图像不同,可以通过选择优化的参数统计模型对SAR图像建模,并结合相应的分割模型建立目标函数,从而实现更优的分割,而基于统计模型的分割方法更符合SAR图像的特点。本文对基于广义Gamma的水平集分割方法和马尔可夫随机场(Markov Random Field,MRF)分割方法进行了研究。针对SAR图像的异质性,本文采用扩展的广义Gamma分布模型。该模型灵活性高,能够更好的拟合SAR图像的不同地物特征。文中将MoLC估计方法和SISE估计方法相结合对广义Gamma分布模型进行参数估计,获得了更精确的参数值,可以更好的拟合SAR图像观测值。基于水平集的分割方法算法稳定、分割速度快、易于处理曲线的拓扑结构变化,是目前图像分割的研究热点。但是大多传统的水平集分割方法未能充分利用SAR图像信息,演化曲线不能正确收敛到目标边缘,并不适用于SAR的分割。针对其不足,本文借助广义Gamma分布将SAR图像的特性融入到水平集方法中。为了更充分的利用SAR图像的区域特性,提出了一种基于广义Gamma的局部水平集分割模型。针对空间距离核函数加权模型的不足,为充分利用图像的区域信息,在其基础上引入基于局部图像灰度的核函数建立双加权的局部分割模型。该模型中将空间距离核函数和灰度核函数同时对分布模型进行加权,利用变分原理获得水平集演化方程,再利用梯度下降流方法求得最终轮廓曲线。该方法可以更好的处理强度异质图像,文中实验分析了该方法的有效性及分割性能。基于MRF模型的分割方法建立在马尔可夫随机场及贝叶斯理论的基础之上,它利用条件概率来描述图像数据的局部相关性,为分割算法提供先验知识,充分利用了图像数据中上下文交互关系。针对其先验概率的局部特性,提出了非局部的MRF图像分割方法。利用加权的欧几里得距离来表征小邻域块相识度,然后利用加权的欧几里得距离的反比例函数构造加权函数,在较大邻域内对局部先验进行加权建立非局部模型。该方法能够利用更多的图像信息,在对每一点进行运算时可更准确的计算出该像素的类别,降低了误分率,特别是对极异质图像。比传统MRF模型具有更优的性能。(删2句)