《区域Gamma混合模型的SAR图像分割-论文》.pdfVIP

1007-4619(2014)05—1024—10 JournalofRemoteSensing 遥感学报 区域 Gamma混合模型的SAR图像分割 李琴洁，杨学志，吴克伟，薛丽霞，郎文辉 合肥工业大学 计算机与信息学院，安徽 合肥 230009 摘 要：针对传统Gamma混合模型用于SAR图像分割时忽略像素间空间相关性 ，导致分割结果不连续 并产生大量误分割的现象，提出了区域Gamma混合模型的SAR图像分割算法。首先对图像进行分水 岭分割，得到过分割区域块，然后将其作为输入样本进行基于Gamma混合模型的聚类，在模型的参数估 计过程中进一步考虑区域间的空间相关性，设计邻域因子融入到迭代过程，得到邻域加权类分布概率。 该算法充分利用像素间的空间相关性 ，能够降低噪声对分割结果的影响。通过合成图像和真实 SAR图 像的实验表明，本文算法能够实现 SAR图像的准确分割。 关键词：合成孔径雷达，分水岭，Gamma混合模型，邻域因子，EM算法 中图分类号：TP751 文献标志码：A 引用格式：李琴洁，杨学志．吴克伟。薛丽霞，郎文辉．2014．区域 Gamma混合模型的SAR图像分割．遥感学报。 18(5)：1024-1033 LiQJ，YangXZ，WuKW 。XueLXandLangW H．2014．Syntheticapertureradarimagesegmenta- tionusingaregionalgammamixturemode1．JournalofRemoteSensing，18(5)：1024—1033 【DOI： 10．11834／jItS 1 引 言 过参数估计以及最大后验概率准则从而实现图像 的分割。高斯混合模型(GMM)凭借其形式简单、计 合成孔径雷达(SAR)图像分割是 SAR图像 自动 算方便等特点，已成为比较普遍应用的有限混合模 解译的关键技术之一，其结果对 SAR图像的解译具 型，如Tang等(2009)在高斯混合模型基础上，利用 有重要意义。研究人员通过对 SAR图像分割的研 邻域加权方法对矢量图像进行了分割，Zhu等(2011) 究，提出了多种经典的分割算法，主要包括阈值法 考虑像素间相互关系，利用 自适应空间信息高斯混 (Haverkamp等，1993)、聚类算法(Dabboor等，2013； 合模型对光学图像进行了分割，Lu等(2011)采用分 Doulgeris等，2011；Gou等，2013)、结合边缘检测与 水岭算法与高斯混合模型相结合对 SAR图像进行 区域合并的算法(Soh等，2004)以及基于MRF的分 分割。但是，由于SAR独特的成像机理，SAR图像 割算 法 (Deng和 Clausi，2005；Ochilov和 Clausi， 通常受到相干斑噪声的较大干扰，在 SAR图像的研 2012；Yang和Clausi，2012)。其中，聚类算法因简单 究中，实际得到的数据大多具有非线性、非高斯特 有效而被广泛应用于图像分割中(Celik和 Lee， 性，且局限于高斯分布的拟合能力，导致高斯混合 2013；Xiang和Wang，2003)。 模型不能完全、准确、有效地应用于 SAR图像的分 有限混合模型聚类是一种基于模型的统计聚 割研究中。Goodman(1975)根据 SAR图像中相干斑 类方法，不局限于特定的概率密度函数形式，模型 噪声模型，证明了在区域均匀的假设下，SAR强度 的复杂度仅与所求解的问题有关。有限混合模型 图像满足Gamma分布。研究人员根据SAR图像的 聚类将提取的图像灰度信息作为对象进行聚类，将