| 标题 | 基于张量高斯混合模型的SAR图像分割 |
| 范文 | 陈鹏 赵成斌 左丽鄂 摘 要：将基于贪婪EM高斯混合模型分割方法应用到SAR图像中，同时提出了一种张量高斯混合模型的SAR图像分割方法。该方法利用张量空间保持图像空间几何结构的优势，代替一般的向量算法，实验结果证明张量高斯具备良好的分割性效果，对于SAR图像中的斑点噪声具有良好的抑制作用，作为一种针对单个或多个目标分割的SAR图像分割方法，张量高斯混合模型具备较高的实践使用价值。 关键词：高斯混合模型；SAR；图像分割；张量 众所周知，为了克服光学成像在天气与光照条件受限前提下的诸多缺陷，合成孔径雷达成像侦察技术应运而生。由于具备了高分辨率、全天候、大面积、多视角与俯角等的数据获取特性，合成孔径雷达成像侦察技术的对地穿透性能较好，越来越为世界各国对地观测领域所重视，成为传统光学成像困难地区的技术首选，更成为很多国家和地区在遥感信息获取技术方面的发展方向。而SAR图像分割作为图像处理中成像后处理的重点环节，即是当下研究的热门领域，更是研究的重点和难点。在众多针对SAR的图像目标分割方法中，阈值法作为一种应用较为广泛的方法为人所瞩目。同时，阈值化方法的缺陷也较为明显，由于该方法过于依赖像素的灰度值或者二维灰度值，而忽略了对像素的空间位置和其它如边缘信息的考虑因素，所以阈值分割法对噪声和灰度不均匀较敏感。为了充分利用空间几何结构，本文利用张量来表达图像。另外，张量的表达方法不仅可以减少原始数据的输入参数，也可以解决“过学习”问题。 1 图像特征提取 设图像大小是I1*I2，提取灰度、均值、标准差及行和列位置信息等五种特征，每一种特征用X（：，：，i）来表示，i=1，…，5；这样图像的特征就可以用一个三阶张量X来表示，X∈RI1*I2*5。 2张量高斯混合模型 高斯混合模型是由k个多维高斯分布加权叠加得到的，即： p（x|Θ）=∑ki=1ωipi（x|θi）（1） 其中x为X的取值（X为三阶图像特征张量），pi（x|θi）为混合模型分量，ωi为对应分量pi（x|θi）的加权系数，k为混合模型中分量的个数，pi（x|θi）为满足以下式子的高斯密度函数（μi是均值，∑i为方差）：pi（x|θi）=1（2π）12|∑i|12exp{（x-μi）T∑-1i（x-μi）2}（2） 由此可见，高斯混合模型的各个分量pi（xi）可由均值和协方差来描述，故上述高斯混合模型的参数空间可以由参数集Θ={ωi，μi，∑i}，（i=1，2，...，k）来表示。 3 实验结果与分析 采用两幅SAR图像原图（a1）、（a2）来说明本文算法的有效性，（a1）包含单目标坦克，（a2）包含多目标坦克。同时，在实验过程中，为了充分说明本文算法的可靠性，所选用的图像特征和其他一切参数均一致。图（b1）、（b2）为采用一般向量空间的高斯混合模型算法得到的分割结果，图（d1）、（d2）为本文算法即张量高斯混合模型得到的分割结果，为了便于观察，我们对（b1）、（b2）、（d1）、（d2）采用对比度增强算法分别得到（c1）、（c2）、（e1）、（e2），其中白色区域为目标，其他区域为背景。从（c1）、（c2）中可以更好得看出分割结果中目标轮廓较模糊，且背景较杂乱，受噪声影响比较大。而（e1）、（e2）中可以看出目标轮廓较明显，背景也比较干净，并能容易的找到目标区域。 4 结论 本文提出了一种基于张量高斯混合模型的SAR图像分割方法，该方法保持了图像的空间几何结构，充分利用了张量空间的优势。通过对以上SAR图像分割的实验进行综合分析，我们可以得知，在张量空间中贪婪EM高斯混合模型算法下，目标图像分割的效果较好，除了能对SAR图像中斑点噪声进行有效的抑制之外，其鲁棒性也较为突出，是一种成效较好的SAR图像分割方法，具备较高的实践应用价值。另外，本文只是在单个或多个目标SAR图像上进行实验，对其他类别的SAR图像的分割还有待进一步实验验证。下一步将继续在张量空间中寻求更好的图像分割方法和图像检索方法。 参考文献： [1]毛士艺.双阈值CFAR SAR目标分割方法.信號处理，2017，23（1）：1014. [2]庄越挺.基于张量表示的直推式多模态视频语义概念检测.软件学报，2008，19（11）：28532868. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。