基于SVM的SAR图像分割方法.doc

第 29 卷 第 3 期 2009 年 7 月 北京服装学院学报 Journal of Beijing Instit ute of Clot hing Technology Vol . 29 No . 3 J ul . 2009 基于 SV M 的 SA R 图像分割方法 靳红梅1 , 刘 蓉2 , 张俊梅1 , 梁 荣1 ( 11 西安科技大学计算机系 , 西安 710054 ;21 北京服装学院基础教学部 , 北京 100029) 摘 要 : 先去噪再分割的 SAR 图像分割方法会损失有用的纹理信息 ,因此本文给出了一种直接对 含噪 SAR 图像进行分割的方法. 首先利用小波变换提取 SAR 图像的纹理特征 ,计算图像的灰度 均值作为图像的灰度特征 ,然后用完全无监督的聚类算法进行分类 ,最后将特征值与类别标记作 为支持向量机的训练样本 ,用训练后的分类器对图像进行分割. 实验结果表明 :本文所给出的方法 在分割的准确性和抗噪性方面都优于几种有代表性的分割方法. 关键词 : SAR 图像分割 ; 小波变换 ; SVM 中图分类号 : TN911173 文献标志码 : A 文章编号 : 1001 - 0564 (2009) 03 - 0044 - 05 图像分割是一种重要的图像技术 ,它能将图像中的物体和背景分开 ,使人们可以从图像背 景中提取出感兴趣的目标. 对于高分辨的 SA R ,其目标图像背景复杂 ,伪目标和真实目标在有 些图像中难以识别 ,图像所含的纹理信息丰富 ,且具有一定的相似性 ,边缘轮廓含有大量的高 频信息. 同时 SA R 图像受噪声的干扰较大 ,也给真实目标的判别带来了困难1 . 很多的 SA R 图像分割方法常是先对 SA R 图像进行去噪 ,然后再进行图像分割. 有时我们需要直接对含有噪声的 SA R 图像进行图像分割. 因为有时滤除相干斑时 ,会损 失许多关键的图像信息 ,为 SA R 图像的进一步应用带来困难2 - 3 ; 有时相干斑噪声的形成在 一定程度上成为 SA R 图像的一种重要的纹理信息 ,这种纹理信息对于图像的分析和解释非常 关键 ,而在一般情况下去噪总会损失一定的纹理信息4 - 5 . 基于这方面考虑 ,本文给出了一种 不去噪直接分割的方法. 分割算法 1 本文所提出的 SA R 图像分割算法的具体实现步骤如下 : 1) 将原图像分割成 N ×N 的小块图像 ( 子图像) ,图 2 中 SA R 图像为 256 ×128 , N 取值 为 8 ; 2) 采用 Daubechies4 小波求各个子图像的小波变换 ,分解次数为 2 ,并求其 7 个小波能量 特征 ,作为小块图像的纹理特征 ; 3) 计算各小块图像的灰度均值 ,作为小块图像的灰度特征 ; 4) 将第 2 步中求得的 7 个小波能量特征 、第 3 步中求得的的灰度特征组成特征矢量采用 收稿日期 : 2009 - 03 - 10 作者简介 : 靳红梅( 1973 - ) ,女 ,讲师. 联系电话 : 010 -. 聚类法进行分类 ,得到分类标识 ; 5) 将特征值与类别标记作为支持向量机的训练样本 ,最后用训练后的分类器对图像进行 分割. 下面对于实现过程中涉及到的参数的计算分别进行讨论. 111 纹理特征和灰度特征 SA R 图像中包含着较多的纹理信息 ,纹理是图像各级区域内的信息 ,因此在图像分割时 引入纹理信息会有很高的分割精度. 本文采用小波能量计算 SA R 图像纹理特征 ,所采用的计 算公式如下2 : M N - 1 1 ∑| s ( x , y ) | , e = ( 1) M N x , y = 0 s ( x , y ) 为子图像系数 , M N 代表子图像的大小. 在本文中 , 先将原始 SA R 图像分解为图像小 块 ,对小块图像进行小波变换 , 分解次数为 2 , 然后分别计算各子图像能量特征. 考虑到 Daubechies 小波的高纹理性能及其正交性 、紧支性和低复杂性 , 本文选用 Daubechies4 小波. 本 文采用了 7 个小波子图像 , 分别是第 1 次小波分解所得的 3 个高频图像、第 1 次小波分解所得 的低频图像进行第 2 次分解后所得的 3 个高频子图像和 1 个低频子图像. 最后 , 计算图像的 灰度均值作为图像的灰度特征. 112 基于聚类的图像分割算法 本文的分割算法使用的类别标记通过聚类算法得到. 图像分割算法分为无监督分割和有监督分割 2 类. 有监督的分割算法一般可以获得较好 的分割结果 , 但是需要预先的训练数据 , 缺乏实时性. 无监督分割算法中有许多采用聚类的方