基于多尺度贝叶斯网络的SAR图像分割

发布时间：2020-01-28 17:22

【摘要】：提出了一种多尺度贝叶斯网络模型和相应推断算法,并将其应用于合成孔径雷达(synthetic aperture radar,SAR)图像分割。首先根据SAR图像的多尺度序列构建多尺度贝叶斯网络模型;然后设计了模型估计的置信传播(belief propagation,BP)算法,该算法包括同尺度结点之间的信息传播、细尺度到粗尺度的信息传播和粗尺度到细尺度的信息传播;最后计算出细尺度隐含结点的最大后验概率(maximum a posteriori probability,MAP),实现SAR图像的分割。实验结果表明,与单尺度贝叶斯网络模型方法和基于条件迭代模式的Markov随机场模型方法相比,基于多尺度贝叶斯网络的SAR图像分割方法具有较好的分割效果。
【图文】：

拓扑结构图,贝叶斯网络,尺度,结点

刻画了同一区域不同分辨率下图像像素之间的统计相依关系；然后给出了模型估计的ＢＰ算法，该算法包括尺度间的信息传递和尺度内的信息传递，因此既可以保证分割的全局效果，又不至于模糊边缘；最后将多尺度贝叶斯网络用于ＳＡＲ图像分割。１ＳＡＲ图像的单尺度贝叶斯网络模型一幅ＳＡＲ图像可看作是二维点集Ｓ＝｛ｓ＝（ｉ，ｊ）｜１≤ｉ≤Ｍ，１≤ｊ≤Ｎ｝，其中Ｍ和Ｎ分别为图像的宽度和高度，（ｉ，ｊ）表示像素的位置坐标。单尺度贝叶斯网络模型的拓扑结构如图１所示，图１（ａ）中的输入图像Ｙ＝｛ｙｓ，ｙｓ∈Ｄ｝表示一幅ＳＡＲ图像，标记图像Ｘ＝｛ｘｓ，ｘｓ∈（１，２，…，ｋ）｝表示输入图像所对应的贝叶斯网络，其中Ｄ是像素点的集合，ｋ为分割类别数；图１（ｂ）所描述的是贝叶斯网络的邻域集合，ｙｓ是已知的观测结点，ｘｓ是待求的隐含结点，ｘｓ与ｙｓ一一对应，边表示两个结点的条件相依关系，结点ｘｓ的取值只与它相邻的４个结点相关，即Ｐ（ｘｓ｜｛ｘｒ，ｒ∈Ｓ｝）＝Ｐ（ｘｓ｜｛ｘｒ，ｒ∈ηｓ｝）（１）式中，Ｓ是结点ｓ的邻域集合，即ηｓ＝｛ｘ１，ｘ２，ｘ３，ｘ４｝。则观测结点与隐含结点之间的联合概率为Ｐ（ｘ１，ｘ２，…，ｘＮ，ｙ１，ｙ２，…，ｙＮ）＝∏ｉ鐖（ｘｉ，ｙｉ）∏（ｉ，ｊ）φ（ｘｊ，ｘｉ），ｉ＝１，２，…，Ｎ，ｊ∈ηｉ（２）式中，鐖函数和φ函数

无向图,多尺度,图像,贝叶斯网络

·１０７６·系统工程与电子技术第３６卷逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄下文信息的ＳＡＲ图像分割［２－５］，基于先验概率分布模型的ＳＡＲ图像分割［６－７］等。上述方法中，有的模糊了边缘和纹理信息，导致图像细节的部分丢失，使ＳＡＲ图像分割效果下降；有的只利用了单一分辨率下的ＳＡＲ图像信息，没有充分利用不同分辨率的ＳＡＲ图像间的统计相依关系。概率图模型是近几年发展起来且被广泛应用于信息处理领域特别是图像处理领域的数学模型［８－１１］，它分为有向图模型（贝叶斯网络）和无向图模型（Ｍａｒｋｏｖ网络），其中基于Ｍａｒｋｏｖ网络的图像分割技术较多，而由于单向无环性，贝叶斯网络在图像分割中的应用相对较少［１２－１３］。置信传播（ｂｅｌｉｅｆｐｒｏｐａｇａｔｉｏｎ，ＢＰ）算法［１４］可以通过学习局部间的联系得到全局最优解，不存在迭代收敛的问题，因此，，ＢＰ算法的应用使得在图像分割中引入单向无环的纯贝叶斯网络模型成为可能。然而，贝叶斯网络的单向无环性还是会夸大待求结点的单边影响，忽略其他结点的影响，使得图像分割精度较差。本文将贝叶斯网络模型与多尺度理论有机融合，针对ＳＡＲ图像的成像机理和特点，提出了一种多尺度贝叶斯网络模型，该模型不但描述了同一尺度下相邻像素的内在联系，而且刻画了同一区域不同分辨率下图像像素之间的统计相依关系；然后给出了模型估计的ＢＰ算法，该算法包括尺度间的信息传递和尺度内的信息传递，因此既可以保证分割的全局效果，又不至于模糊边缘；最后将多尺度贝叶斯网络

【相似文献】