基于自适应特征权值的多目标SAR图像分割算法

发布时间：2020-08-13 01:35

【摘要】：近年来,合成孔径雷达SAR因其优势渐渐被应用于各种实际场景里,其中涉及对图像中目标的提取、识别、理解与分析。而SAR图像分割是图像解译流程中不可或缺的步骤,它是高层的图像处理的基础。因此,图像分割问题一直以来都是研究的热点话题。本论文针对大部分现存的SAR图像分割中欧式距离求组合特征相似度时存在的问题,提出了几种改进的与组合特征相似度有关的SAR图像分割方法。论文的主要工作如下:1.提出了一种基于多特征公平集成的多目标SAR分割算法。首先从欧式距离计算组合特征的相似度存在的问题出发,提出了一种区分对待不同种特征的相似度计算方法。其次,将改进的相似度计算方法引入到多目标聚类的目标函数上来提高算法的聚类性能。实验结果表明,新算法在图像边缘和一致性保持上有很大优势,而且分割准确率高于其他对比算法。2.提出了一种自适应特征权值的双层多目标SAR图像分割算法。算法分为了两层,在第一层通过差分进化来自适应获取图像的占优特征和最优特征权值。在第二层,利用上层获取的特征权值建立多个目标聚类指标函数并进行优化,最终得到分割准确率高的解集。在实验部分,通过对六幅合成纹理图像和四幅真实SAR图像进行分割,实验结果表明,新算法在各个评价指标都有很大的优势。同时将算法优化得到的权值与四个固定的权值在三幅合成纹理图像上进行比较,结果表明,新算法能够自适应识别不同图像的占优特征,而且能得到比较好的特征权重。3.提出了一种自适应特征权值的多目标SAR自动聚类算法。算法分为了两层,在第一层用于优化聚类类别数和特征权重这两个参数值,将优化的两个参数传递给下一层。在第二层,接收到第一层的参数后,自动聚类问题转换为了非自动聚类问题,多目标算法优化带特征权值的多目标聚类函数,得到最终分割结果。提出的方法应用多个纹理合成图像以及SAR图像的分割中,实验结果表明,新算法在各个评价指标都有很大的优势,能够自适应调节聚类类别数,而且能得到比较好的特征权重。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN957.52
【图文】：

像素图,像素图,分水岭算法,SAR图像

对图像进行分割。算法流程图见图 2.3。第一步是输入待分割的 S根据输入的图像提取出梯度图，先建立用于边缘提取的 sobel 滤波提取出图像的水平和竖直边缘，对这两种边缘信息求平方和就得到步是进行形态学处理，先构建一个结构元。利用结构元对梯度图，去除细小的不必要结构，在不明显改变形状的前提下平滑结构的构元对梯度图进行形态学闭运算，填补结构体内的孔洞，使区域曲线的中间断裂。最后一步是对梯度图进行分水岭变换，得到图像每个分水岭内部的区域就是一个超像素。4 给出了两幅本论文实验使用的两幅 SAR 图像的分水岭结果图。（像原图，（b）和（d）为 SAR 图像分水岭过分割结果图。输入图像构建梯度图形态学处理分水岭变换图 2.3 分水岭流程图

聚类算法,多目标,算法,农田

其他算法都出现了不同程度的错分割现象，特别是 FCMNSGA 道内部大量像素被错分割为农田，导致主跑道出现大量断裂。而对于难分割支跑道，只有 MOSIF 算法能准确将它分割为跑道区域，其他四个算法全部归类为农田区域。对于复杂的房屋区域，MOSIF 算法只将该区域的少量像来，该区域大部分像素被错分为农田，而对于其他四个算法，虽然大致分割域，但是内部缺乏细节信息，一些房屋之间的属于农田的像素也错分为房屋 2.2 和表 2.3 也可知，MOSIF 算法在图像 SAR1 上取得了最小的 XB 均值和BM 均值，这也说明了 MOSIF 算法的分割结果最好。(a) 原图 (b) MOSIF (c) AFCMOMA

聚类算法,多目标,土地,潮涨

第三幅真实 SAR 图像 SAR3 如图 2.7(a)所示，图中的目标可以划分为两类（黑色）和土地（灰黑色）。这幅图像的分割难点在于：1）SAR 图像下方的土灰度值不一致，容易导致采用灰度特征的聚类算法出现错分割；2）SAR 图像方的土地区域有很复杂的结构，左边由于土地是凹陷的，积蓄了部分雨水形成，而湖泊和土地本身的地形构成了错综复杂的结构，而右边由于河流潮涨潮上本身地形突出，导致出现复杂的弯状结构。(a) 原图 (b) MOSIF (c) AFCMOMA

【参考文献】