超像素在机场跑道图像分割中应用探讨.docVIP

超像素在机场跑道图像分割中的应用研究 　　摘要：机场跑道分割在SAR图像处理研究中有着重要意义。本文通过减少参与迭代的初始点数量为切入点来对均值漂移过程进行加速，将原始图像分割成若干同质性良好的超像素，再建立适当的数学模型，实现对机场目标的分割。实验表明，该方法在提高分割速度的同时，有效提高了分割结果的精确性和完整性 Abstract： The research on SAR image segmentation of airport runway is great significance. In this paper， image segmentation of the airport targets was realized， taking reducing the initial point number of participate in iteration as the breakthrough point to accelerate the optimization process of the Meanshift calculation， dividing the original image into several super-pixels with the good homogeneity， and then setting up the appropriate mathematical model. The experimental results show that this method can improve the speed of the segmentation and at the same time can effectively guarantee the accuracy and integrity of airport target segmentation. 关键词：SAR图像；超像素；均值漂移；机场分割 Key words： SAR image；super-pixel；mean-shift；airport segmentation 中图分类号：TN957.52 文献标识码：A 文章编号：1006-4311（2016）31-0181-03 0 引言 图像分割是图像处理应用领域的关键技术之一。传统的图像处理一般以每一个像素点为处理单元。随着图像技术的发展，更高的图像分辨率大大提升了传统图像处理方法的时间复杂度。“超像素”这一概念由Ren X等[1]于2003年在利用分类模型完成图像分割时提出。其实质是一种过分割，即按照一定准则，将图像中特性相似的像素点进行聚类，把图像分割为若干具有同质性的小区域，再将这些小区域作为处理单元完成图像处理。在保证像素点之间空间结构的同时，又可有效缩短后续处理工作所需时间。超像素算法目前已广泛的应用于图像目标定位、图像分割等各个方面。常用的超像素生成算法主要有两大类[2]：基于图论的超像素生成方法以及基于梯度变化的生成方法。其中，基于图论代表性算法有：Graph-based算法，N Cuts算法，Superpixels Lattices算法等。基于梯度下降的代表性算法有：Watershed、Quick-Shift、Turbopixel、SLIC。Meanshift算法[3]是一种梯度上升的方法，其生成的超像素在保证区域边界特性方面性能突出，抗噪性和稳定性较好 文章通过减少参与迭代计算的像素个数加速了传统的Meanshift算法，较好的降低了均值漂移过程的时间复杂度[4]；超像素分割完成之后，再建立数学模型将超像素的模点与人工标注的前景及背景特征点进行比对，计算出距离加权的权值概率进而完成超像素的归类。文章通过实验对SAR图像进行了分割，并对分割结果采用多项评价指标进行量化评价 1 超像素的生成 因此均值漂移的过程就是不断的沿着概率密度的梯度方向移动的过程，移动的步长与梯度的大小及该点的概率密度相关。在漂移的过程中，每个像素点都需要经过多次迭代直到收敛于其所属的模点 均值漂移的时间复杂度定义为o（o=τdN2），其中τ为运算中像素点平均的迭代次数，d是特征向量维数，N为图像中像素点个数。如果对均值漂移计算中核窗口经过路径的像素点进行标记，已经标记的像素点不再作为初始点参与迭代计算，在整个迭代过程全部结束之后，再将未归类的标记过的像素点利用距离加权的灰度特征与邻近的模点进行归类，以此减少了参与迭代的初始点个数，进而缩短了整个漂移过程的计算时间 图像I的像素点集合xi（i=1，2…n），yi，j表示不断移动的核窗口模点位置，容许误差ε。K表示超像素个数，Sk（k=1，2…K）表示模点的集合 ①读取图像